2026年11月21日 星期六

[AI 觀察] 軟體職缺回暖,為何新人更難入行?

[AI 觀察] 軟體職缺回暖,為何新人更難入行?

摘要:軟體職缺回升,機會卻偏向資深人才。AI 改變工作分工,也讓新人培養與職涯晉升面臨挑戰。



內容:


美國軟體開發職缺正在從低點回升,但回暖不等於人人都更容易找到工作。原文引用 Indeed 的招聘廣告資料指出,2026 年第一季,美國軟體開發職缺中,入門級僅占 4.5%,資深級則占 69.3%。另一組以疫情前為基準的指數顯示,軟體職缺雖已從 2025 年的低點反彈,仍未回到疫情前水準。這些數字描繪的不是「程式設計師全面失業」,而是企業重新招聘時,優先尋找已具備經驗的人。


這個差別對應屆生尤其重要。招聘廣告的占比並不等於實際錄取人數,也不能單憑它斷定 AI 是唯一原因;企業縮減預算、調整投資方向及提高用人門檻,都可能同時發揮作用。不過,若軟體需求回升而入門職缺仍然稀少,對求職者而言,結果就是第一份工作的競爭變得更激烈。


原文也引用以薪資發放資料進行的研究:在 AI 暴露程度較高的職業中,年輕工作者的就業表現相對較弱。值得保留研究者提出的限制:這不能簡化為「AI 已大規模取代程式設計師」。更值得注意的可能是少招新人,而非大量裁掉在職者。少招人不一定會形成醒目的新聞,卻會逐年改變一個行業的人才結構。


歷史經驗提醒我們,技術改變工作,不一定會讓職業消失。電話交換自動化使部分在職接線員承受轉職損失;自動提款機減少了單一銀行網點所需的櫃員人數,卻也曾降低展店成本,改變櫃員的工作內容。放射科同樣說明,對「某職業即將消失」的預言要保持謹慎。但這些案例不能直接保證軟體業也會走出相同結果:技術、產業規模與新人培訓方式都不同。


AI 對軟體工作的影響,關鍵也不只是「能不能產生程式碼」。樣板程式碼、小型修改、文件查詢等工作,確實更容易獲得 AI 協助;需求釐清、理解既有系統、測試、資安、效能與架構取捨,仍需要人負責判斷。原文引用的程式碼庫分析,觀察到重複程式碼增加、重構相關指標下降,但該研究沒有隔離 AI 使用情況,因此不能據此認定這些變化都是 AI 造成的。


文中提到另一項讓資深開源開發者完成實際任務的實驗:在當時的工具與研究條件下,使用 AI 的受試者平均反而花了更多時間,即使他們主觀上覺得自己更快。這項研究常被歸於 METR,而非 Meta;其結果也不宜直接套用到今天所有模型、專案與團隊。它比較有價值的提醒是:衡量生產力,不能只看產生程式碼的速度,還要計入提示、等待、審查、修改與後續維護的時間。


對新人來說,最棘手的是學習路徑。過去,許多人透過修小問題、寫簡單功能、閱讀文件與接受程式碼審查,逐漸累積獨立判斷的能力。如果企業把這些任務大量交給 AI,同時又減少初級職缺,就必須回答一個問題:未來的資深工程師要從哪裡來? AI 可以成為新人的練習工具,但不能自動取代真實系統中的責任、回饋與指導。


原文進一步提到,部分美國電腦相關科系的修課或就讀人數出現下滑,而有些學生轉往資料科學等方向。這可能反映學生對就業前景的重新評估,但各統計的涵蓋範圍、時間與科系分類不同,不能合併成「年輕人不再學技術」的結論。科技公司一邊裁員、一邊投入龐大資本支出建設 AI 算力,也呈現了投資重心的轉移;然而,將兩筆金額相比,只能說明規模,不能證明每一筆算力支出都直接取代了某個職位。


近期討論值得補充的觀察是:職缺要求愈來愈常把 AI 工具使用能力與既有工程能力並列,但「會用工具」本身很難構成長期優勢。企業真正需要的是能把模糊需求轉成可驗收方案、辨認 AI 輸出的錯誤,並對上線結果負責的人。同時,AI 也可能讓小團隊更容易製作原型與推出產品,增加創業、接案及跨領域開發的機會。這些是值得關注的趨勢,不應當作已被本文數據證實、適用於所有地區的結論。本文亦無法即時查核原文所列的近期報告、裁員與資本支出數字,正式引用前應回查研究原文及統計口徑。


整體來看,好的方面是軟體需求並未消失,AI 能降低試作與部分重複工作的成本,也可能催生新的產品、職務與小團隊機會。不好的影響則是入門職缺可能縮減、企業培養新人意願下降,既有工程師的審查與維護責任變重;若長期缺乏新人,整個產業還可能出現人才接續斷層。


我的建議是:值得繼續做程式設計師,但不宜只把自己定位為「按規格快速寫出程式碼的人」。正在入行的人,應持續練習不依賴 AI 也能解釋的基礎能力,並透過專案展示測試、除錯、部署及維護經驗;已在職的人,則應深化對業務、系統可靠性、安全性和技術取捨的理解。使用 AI 時,把它當作需要驗證的協作工具,而不是成果的保證。至於是否勸年輕人讀電腦科學,答案不必是全面鼓勵或全面勸退:若對解決問題有興趣,仍值得學;但應及早了解所在地市場、爭取實習與導師,並為第一份工作預留更多時間與選擇。

沒有留言:

張貼留言