全公司都會用 AI 之後,人才的差異剩什麼?三名工程師一週收費一萬美元的啟示
2026-11-13
江江教練
10
2026 年 7 月,一個叫 Slopfix 的服務在 Hacker News 引起討論。三名資深工程師專門整理已經能跑、但愈加功能愈慢的 AI 生成專案,一週集中處理,完整達標收費一萬美元。有意思的是,他們自己也用 Claude Code,官網卻寫了一句:the agent doesn't get a vote,AI 可以參與工作,決策權在工程師手上。這篇把這件事接回企業最實際的問題:當部門裡人人都會用 AI,人才的差異會回到哪裡?我把工作分成三層,前兩層才是人力該投資的地方。文末有一張交付 AI 前的三問清單,可以直接變成部門的交辦規範。
2026 年 7 月,一個名叫 Slopfix 的服務在 Hacker News 引起討論。三名資深工程師專門整理已經能跑、但愈加功能愈慢的 Vibe Coding 專案,一週集中處理,完整達標收費 10,000 美元。他們自己也用 Claude Code,官網卻寫了一句很直接的話:the agent doesn't get a vote。
這篇在講什麼
當工具人人都有,企業裡人才的差異會回到哪裡。用兩個有查證邊界的案例說明,再給一個三層分法,把人力與培訓的投資放對位置。
適合誰
- 部門已經全面使用 AI,開始想「那我們的人差在哪」的經營者與主管
- 負責人才培訓、職能設計,想知道 AI 時代該培養什麼的人資與主管
- 想讓 AI 幫忙加速,又不想把重要判斷全部交出去的團隊負責人
本篇分享
- 一個判斷 AI 工作邊界的三層分法
- 一張交付 AI 前可以直接使用的三問清單
- 一段讓 AI 先釐清問題、限制與驗收標準的提示詞,可以放進部門的交辦規範
一則看起來荒誕的新聞
Slopfix 官網自述,團隊由三名資深工程師組成,專門整理已經可以運作、後續新增功能卻愈來愈慢、也更容易牽一髮動全身的專案。他們先免費分析程式庫,判斷有機會改善就跟客戶約定程式碼縮減目標,再用一週集中整理。官網舉的例子是把 100,000 行縮到 35,000 行,同時維持原有功能。完整達標收費 10,000 美元,只完成部分目標就按比例收費。
先說清楚查證邊界:100,000 行縮到 35,000 行是官網用來解釋服務的示例,不能當成已公開驗證的客戶成果;10,000 美元是完整達標的價格,不代表每一案都收滿。
更有意思的是,他們自己也使用 Claude Code。那句「the agent doesn't get a vote」,中文可以理解成:AI 可以參與工作,決策權仍在工程師手上。Slopfix 先由人盤點每個畫面與功能,寫成功能清單,接著才整理重複邏輯、替換不必要的自製框架,或重建已經難以維護的部分。交付時還會留下檢查清單、給 AI 的規則檔與自動檢查,降低程式碼再次失控的機率。
他們到底在賣什麼?Claude Code 人人都能用。他們賣的是三名資深工程師對可維護程式碼的理解,以及知道哪裡能刪、哪裡不能動、怎樣才算功能沒有被破壞的判斷。
程式碼會膨脹,這不只是新聞標題
2026 年 3 月公開的 SlopCodeBench,研究的是 AI 編程代理反覆擴充自己先前寫下的程式時,品質如何變化。目前的版本包含 36 個問題、196 個檢查點、15 個模型與 6 家供應商。研究者只給外部功能需求,讓 AI 自己決定內部架構,再逐步加入新規格。
結果顯示,沒有任何受測設定能完整解完一個問題的所有階段。結構侵蝕出現在 77% 的軌跡,冗長度增加出現在 75.5% 的軌跡。跟 473 個開源專案相比,AI 產出的程式碼平均更冗長,結構侵蝕也更高。這份研究只測 Python,也使用特定任務與指標,不能直接推論所有語言、所有專案都會得到相同結果。本文數字採原稿 2026 年 7 月 17 日查到的 arXiv 版本,論文仍可能更新,引用前應再次確認版本。
它仍然指出一個重要現象:程式在眼前這一步跑得動,不等於未來容易修改。這件事對企業的意思是,AI 加速的是眼前這一步,能不能維護是另一件事,而判斷能不能維護的是人。
當工具普及,特色會回到哪裡
我之前就一直在講一件事:當大家都可以用 AI 的時候,我的特色是什麼?你可以用 ChatGPT,別人也可以。工具一旦普及,光是「有在用」很快就不再構成差異。
真正會拉開差距的,會回到幾件事:你能不能看懂眼前真正要處理的問題;你知不知道哪些限制不能碰;你有沒有能力判斷結果可以使用,還是只是看起來完整;你對這個產業、這份工作、這群使用者理解得有多深。
同一個 AI,交到不同人手上,最後產出的價值可以差很多。差異通常來自使用者能不能提供足夠的專業脈絡,能不能發現 AI 遺漏了什麼,也能不能在結果看似合理時繼續追問。
這個邏輯適用在程式設計以外的工作。顧問要判斷建議是否符合現場,講師要判斷內容是否適合這一班學員,管理者要判斷方案會不會影響既有流程。AI 能協助產生選項,專業工作者仍要決定哪個選項適合眼前的情境。
把 AI 放在哪一層
我會把工作簡單分成三層。

第一層,定義問題:要處理的是什麼問題、影響的是誰、完成之後希望哪一個狀態真的改變。第二層,設定判斷標準:哪些條件不能被破壞、哪些資訊需要查證、什麼情況算完成、誰要對最後結果負責。第三層,讓 AI 加速執行:整理資料、提出選項、找重複、產生草稿、測試與檢查。
前兩層愈清楚,第三層的速度才愈容易轉成真正的價值。放到企業的人才配置上,可以先檢查一件事:培訓是否過度集中在第三層的工具操作,而較少投入問題定義與判斷標準。第三層是會普及的那一層;前兩層的產業理解、判斷標準與真實經驗需要時間累積,才是 AI 可以持續放大的底層資產。工具更新很快,只追工具會很忙卻沒累積。
交給 AI 前,先回答這三題
如果看完這篇只想先做一件事,可以從這張清單開始。每次把重要工作交給 AI 前,先寫下三個答案:
- 我要解決什麼問題?先說對象、情境與希望改變的結果。
- 哪些限制不能碰?列出事實、法規、品牌語氣、預算、時間、既有功能或其他紅線。
- 我要怎麼判斷結果能不能用?寫出可觀察的驗收條件,避免只用「看起來不錯」收尾。
接著再檢查一次:AI 在過程中替我做了哪些決定?其中有沒有需要我親自拿回來判斷的部分?
]
你也可以直接把下面這段放進部門的交辦規範:
我準備請你協助完成這項工作。開始前,請先幫我釐清三件事:第一,真正要解決的問題是什麼;第二,哪些限制與風險不能碰;第三,完成後要用哪些可觀察條件驗收。資訊不足時先提問。執行過程中,請把你替我做出的重要判斷列出來,讓我決定是否採用。
讓專業變深,再讓 AI 放大
AI 普及之後,會操作工具仍然重要,只是它愈來愈像基本能力。接下來更值得投入的,是讓團隊對某個產業、某群客戶、某類問題有更深的認識:現場怎麼運作、常見錯誤為什麼發生、哪些細節會影響結果、什麼代價不能承受。再把這些經驗整理成判斷標準、清單、案例與工作流程,交給 AI 協助執行。
這樣使用 AI,才能穩定放大團隊的專業。缺少問題定義、限制與驗收標準時,AI 也可能同步放大工作裡尚未察覺的混亂。
先動的第一步
挑部門裡一件已經固定交給 AI 做的工作,請負責的人用三問清單補寫一次:要解決什麼、哪裡不能碰、怎麼驗收。補寫完三問之後,再依錯誤代價、發生頻率與影響範圍決定下一件先補哪個工作。這是我整理的做法,要不要變成部門規範,由你決定。
想找人一起盤?
我在做企業 AI 陪跑。公司想把 AI 放在對的那一層,或想從一條流程開始把 AI 用起來,可以先看企業陪跑怎麼進行,再決定要不要聊:
- 企業陪跑怎麼進行:https://jiangyude.com/#home-team
- 公司請 AI 顧問來陪跑,要叫全部人一起來學嗎?:https://jiangyude.com/articles/ai-adoption-start-with-one-workflow/
延伸閱讀
- 本文的官網完整版,含來源與查證邊界清單:https://jiangyude.com/articles/ai-tools-professional-judgment/
- 模型不是越聰明越好:我開始學著算 AI 的 CP 值:https://jiangyude.com/articles/ai-cp-value-calculus/
- 訓練 AI 員工的四個層次:https://jiangyude.com/articles/ai-employee-four-levels/
- AI 越來越強,會不會哪天就不需要我了?:https://jiangyude.com/articles/ai-delegators-optimism/