mk-brain

當 AI 寫下 90% 的程式碼：工程團隊的競爭力，正從個人產出轉向系統設計

Anthropic 內部高達 90% 的程式碼由 AI 產出，這不僅是生產力工具的勝利，更是工程組織轉型的信號。當 AI 成為主力開發者，人類工程師的角色將從「寫」程式轉向「設計與審查」系統。未來的競爭優勢，將取決於誰能建立更高效、更安全的 AI 協作流程與自動化護欄。

江中喬

12 7月 2026 • 6 min read

Anthropic 內部高達 90% 的程式碼由 AI 產出，這個數字不僅是生產力工具的勝利，我認為它更是一個強烈的組織信號：AI 原生（AI-native）的工程時代已經到來。當 AI 從輔助開發的「副駕」演進為承擔絕大部分產出的「主力開發者」，工程團隊的核心競爭力也隨之轉移。過去我們比的是誰寫 code 的速度快、品質高，未來決勝的關鍵，將是誰能設計出更聰明、更安全的審查（review）機制、自動化護欄（guardrail）與人機協作流程。這是一場關於系統設計與治理能力的競賽，而非個人生產力的軍備賽。

Anthropic 的前線報告：當 AI 成為核心開發者

最近一篇由日本工程師 Nagata Daisuke 分享的 Anthropic 內部實踐，揭示了一個驚人的現況。在 Anthropic，有 80% 的工程師每天使用自家開發的 Claude Code 進行開發，而公司內部產出的新程式碼中，有 90% 是由 AI 直接生成的。這種大規模的內部應用，他們稱之為「antfooding」（自家產品自家用），早已超越了單純的程式碼補全（code completion）或除錯輔助。

透過分析內部 8 個團隊的工作流程，我們可以看到 AI 已經深度整合到開發週期的每一個環節：從撰寫單元測試、API 文件、前端元件，到重構既有程式碼、甚至設計新的系統架構。AI 不再只是個被動的工具，而是一個能主動提出方案、完成大部分實作的核心團隊成員。人類工程師的角色，則更像是一位資深架構師或技術總監，負責定義問題、審查提案、驗證結果，並將 AI 的產出整合成一個可靠的系統。

為什麼這不只是「另一個 Copilot」？

從 GitHub Copilot 問世以來，AI 輔助開發早已不是新聞。但 Anthropic 的案例之所以重要，是因為它標示了一個質變的臨界點。過去的工具，是人類工程師的「外掛」，主要目的是提升個人寫作效率；現在的模式，則是人類工程師成為 AI 產出的「守門員」。這背後的轉變，是認知負擔（cognitive load）的轉移。

過去，工程師的主要認知負擔在於「如何從無到有地創造」。我們需要記憶語法、演算法、設計模式。現在，當 AI 能快速生成一個 80 分的草稿時，主要的認知負擔轉移到了「如何驗證與整合」。這包括：

邏輯正確性：AI 產生的程式碼是否完全符合業務邏輯的邊界條件？
安全性：程式碼是否隱含了潛在的安全漏洞？例如注入攻擊、權限控制不當等。
效能與資源消耗：AI 選擇的實作方式是否有效率？會不會在規模化後產生效能瓶頸？
可維護性：這段程式碼的風格是否一致？未來其他工程師（或另一個 AI）是否容易理解與修改？

當生產程式碼的成本趨近於零，審查與驗證程式碼的價值便成為決定品質的唯一瓶頸。

這意味著，僅僅優化個人開發者的「提示工程」（prompt engineering）能力是遠遠不夠的。更重要的，是建立一套組織層級的系統，來規模化地管理 AI 產出的品質與風險。這也是 Google 在其內部開發者調查中發現，儘管 AI 工具能提升效率，但工程師們對於程式碼的正確性與可信度依然抱持謹慎態度的原因。

如何設計 AI 原生的工程流程？

面對這個趨勢，領先的工程團隊需要開始思考如何重新設計開發流程。這不再是單點工具的導入，而是一場系統性的變革。我認為，未來的競爭優勢將建立在以下幾個支柱上：

1. 從 Code Review 到 AI Proposal Review：

傳統的 Code Review 文化需要升級。審查的重點不再是語法風格或命名慣例（這些可以交給 linter 或 AI 自動修正），而是深入到 AI 提案背後的設計決策與潛在風險。團隊需要建立新的審查範式，甚至開發專門的工具來輔助審查 AI 生成的複雜邏輯。

2. 強化自動化護欄（Automated Guardrails）：

既然 AI 的產出速度極快，依賴人工審查來捕捉所有問題是不切實際的。因此，CI/CD 流程中的自動化檢測將變得至關重要。這包括更嚴格的靜態分析、更全面的測試覆蓋率要求、自動化的安全掃描（SAST/DAST）、以及效能基準測試。這些護欄是確保 AI 產出品質的最後一道防線，也是GitHub Copilot 這類工具持續投入的方向。

3. 建立可信的內部知識庫與程式碼範例：

大型語言模型的能力很大程度上取決於其訓練資料的品質。為了讓 AI 能生成符合公司內部架構與最佳實踐的程式碼，建立一個高品質、標準化的內部知識庫與程式碼範例庫至關重要。這等於是為公司的專屬 AI 開發者提供一本「內部教科書」，確保其產出的一致性與品質，這也是 Anthropic 強調其模型擁有更長上下文視窗（當時為 200K token）的實務價值所在。

Anthropic 的案例並非特例，而是未來所有軟體開發團隊的預演。當 AI 成為產出的主力，人類工程師的價值將體現在更高層次的抽象能力——定義問題、設計系統、建立信任。那些能最快適應這種轉變，並圍繞 AI 建立起強健治理體系的團隊，將在下一個十年的技術競爭中脫穎而出。