當 AI 新創創辦人說「我在積極招人」：史丹佛座談揭示的就業悖論

本文整理自史丹佛商學院 2026 年 4 月舉辦的領導力論壇座談。

{{< youtube UbiLWoIYoxk >}}

---

Tamay Besiroglu 的公司 Mechanize 成立於 2025 年 4 月，使命宣言是「全面自動化所有知識工作」。他和前 Epoch AI 的研究同事一起創立了這家公司，背後有 Nat Friedman、Patrick Collison、Google DeepMind 首席科學家 Jeff Dean 等矽谷重量級人物的支持。在 2026 年 4 月的史丹佛領導力論壇上，Besiroglu 毫不遮掩地預測：未來一到三個十年內，美國經濟花在運行 AI 勞工上的錢將超過花在人類勞工身上的錢。按照他的邏輯，人類的勞動份額將被系統性地壓縮，大規模失業在所難免。

但就在說完這段預測的幾十分鐘後，Besiroglu 提到了一件事：Mechanize 今年正在積極招聘大約 50 名初階軟體工程師。一家以消滅知識工作為終極目標的公司，為什麼在搶初階人才？他的解釋揭示了一個比「AI 取代人類」更微妙的現實：他們面試時評估的能力，和傳統軟體工程師完全不同。Mechanize 不看你能不能從零寫出優雅的演算法，而是看你能不能用 Claude Code 這類工具快速產出大量程式碼、理解模型產出的結果、同時操作多個 AI 代理人並行工作。他們要的不是會寫程式的人，而是會「指揮 AI 寫程式」的人。

多數人用 AI 的方式，不如不用

Besiroglu 在座談中分享了一個讓全場安靜下來的觀察。Mechanize 的面試流程包含一項測驗，應徵者可以自由使用任何 AI 工具來完成作業。你可以用 ChatGPT、Claude、Copilot，隨便什麼都行。結果他發現，多數應徵者的表現，比單純讓 AI 自己做、完全不加人類干預的結果還要差。也就是說，多數人介入 AI 的方式，反而拖累了產出品質。

這個發現值得深思。問題不在於 AI 工具不夠強，而在於使用者低估了模型的能力，然後用過度指令性（overly prescriptive）的方式去約束它。他們帶入了自己有缺陷的設計判斷，把錯誤的假設嵌入了指令中，結果限制了模型原本能達到的水準。Besiroglu 把這描述為一種「干擾」：不是模型能力不夠，而是人類的介入方式不對。但那些真正懂得如何與 AI 協作的人，他觀察到，產出的差距是巨大的。最好的使用者和最差的使用者之間的生產力差異，遠遠超過傳統環境中工程師之間的差異。這意味著，在 AI 時代，一個頂尖的「AI 操作者」可能抵得上過去五到十個傳統工程師的產出。

ADP 首席經濟學家 Nela Richardson 從數據面印證了 Besiroglu 的觀察。她引用 ADP 內部調查指出，每天使用 AI 的工作者確實感到對工作更投入、更有熱情。但同時，他們也覺得跟團隊更疏離，而且自認生產力反而下降了。Richardson 的解釋是：那些讓人「感覺有生產力」的事情，像是回覆郵件、跑銷售電話、完成例行報表，正是被 AI 接管的任務。剩下來的是困難的事：制定商業計畫、開拓新市場、思考如何讓巨額 AI 投資產生實際回報。這些任務本質上讓人覺得吃力，因為它們沒有明確的完成標準，沒有立即的成就感。但這正是人類工作的新核心：處理那些模糊的、需要判斷力的、沒有標準答案的問題。

從機器碼到 AI 代理：一場持續六十年的抽象化長跑

Besiroglu 把 AI 對軟體工程的影響放進了一個更長的歷史脈絡。在軟體工程的發展史中，自動化是一個持續了數十年的趨勢，而且每一輪自動化看起來都和今天的 AI 浪潮有些相似。最初，工程師用手寫機器碼，一行一行地直接對處理器下指令。後來編譯器出現了，自動把高階語言翻譯成機器碼，手寫機器碼的技能需求消失了。再後來，Python 這類更高階的語言把組合語言抽象掉了。進入 2000 年代，Web 開發者花大量時間寫的樣板程式碼，一條 Python import 語句就能在一秒內完成。每一次跳躍都是一次「抽象化」的躍升：工程師操作的層級越來越高，關注的是「做什麼」而非「怎麼做」。

AI 是這條抽象化軌跡的最新延伸。軟體工程師的工作正在從「寫程式碼」轉向「指揮 AI 代理人去寫程式碼」。他們要做的是決定測試策略、給模型下指令、辨識模型的弱點、在模型力有未逮的地方手動介入（比如測試使用者體驗，因為目前程式碼模型的視覺能力還不太行）。這聽起來像是過去每一輪抽象化的延續，但 Besiroglu 指出了一個根本性的差異：編譯器和高階語言不會承諾能完全取代工程師做的每一件事。AI 終究有一天可以。他認為這個時間點大概在幾十年後，但方向是確定的。這是軟體工程歷史上第一次，抽象化的終點不是「更高層級的人類操作」，而是可能「不需要人類操作」。

在場的 ADP 首席經濟學家 Richardson 回應了這個觀點，但帶著一層警醒。她指出，很多人以為 AI 會先淘汰那些「薪水高、經驗老」的資深員工，畢竟他們成本最高，裁掉最省錢。但 ADP 的真實數據說了完全不同的故事：被衝擊的是初階工作者，資深員工反而因為能駕馭 AI 做更複雜的事，就業還在成長。「AI 不是來取代我的，它是衝著我孩子來的，」Richardson 說。她的孩子即將畢業，進入一個他們受教育要準備的職位已經不存在的市場。「他們出生時拿到的不是銀湯匙，而是 Claude。但我們需要培訓他們去做新的任務，而不是那些我們已經訓練他們準備的舊任務。」

「前線部署工程師」的崛起

Susan Athey 分享了她兒子的故事來說明技能需求正在如何變形。Athey 是 2007 年克拉克獎章得主、史丹佛經濟學教授。她的兒子是 STEM 主修的大學生，專攻數學和物理，幾乎沒有程式設計的經歷。一年前他參加了程式設計營（WordCamp），後來到一家新創公司實習。當他拿到正式的錄用通知時，職稱是「前線部署工程師」（forward-deployed engineer）。Athey 說，她兒子大概到拿到 offer 的那天才搞清楚這個頭銜到底是什麼意思。

但新創公司想要他，不是因為他有什麼特定的技術技能。他在數學和物理課上學到的東西，沒有哪一項直接對應到這份工作的日常內容。公司要的是他「拆解問題的能力」：把一個複雜的問題分解成可操作的組件，然後逐一測試和解決。Athey 認為，這就是 AI 時代最核心的人類技能。如果你能構想出解決問題的框架、知道該怎麼拆解、怎麼測量、怎麼驗證，那麼 AI 工具就能幫你把這個想法變成現實。你不需要會寫程式，你需要會「想」。Athey 提到，MBA 學生告訴她，LinkedIn 上最頻繁向他們發送招聘訊息的職位，就是前線部署產品經理。這個新興角色的需求正在爆發，因為它結合了問題解決能力和 AI 操作能力，而非傳統的程式設計技能。

Athey 進一步指出，眼下不是一個收縮期，而是一個巨大的擴張期。如果全世界的組織都需要數位化、需要重新建構 IT 架構，那麼這至少是一個十年的工程。印度和其他國家有大量的 IT 從業人員，過去在大型外包公司做比較基礎的工作。現在整個世界要開始用 AI 工具解決問題、建構新的數位系統，需要的人力反而可能在短期內增加。這像是 Besiroglu 自己公司的寫照：你的終極目標是自動化一切，但在達到那個目標之前，你需要大量的人來建造達到目標所需的基礎設施。在先收縮之前，會先經歷一波擴張。

人口老化比 AI 更迫切

Richardson 把鏡頭從科技業轉向了更廣闊的勞動市場，提供了一些經常被 AI 討論忽略的數據。她注意到 HVAC（暖通空調）技術人員的中位數年齡，在短短幾年內下降了五到六歲。以人口結構的變遷速度而言，這相當驚人。但原因不是大批年輕人湧入 HVAC 產業，而是大批資深技術人員正在退休離場。類似的現象出現在水電工、電工和其他建築相關的專業技術工種中。這些不是數位工作，AI 目前幾乎無法觸及，但它們正在面臨嚴重的人力短缺。

Richardson 拉開視角指出，這不是美國獨有的現象。歐洲在人口老化方面比美國領先大約十年。中國、日本也面臨相同的趨勢。她最近剛從越南回來，觀察到東南亞目前正處於人口結構的甜蜜點，勞動年齡人口佔比最高。但由於過去的生育政策影響，這個甜蜜點只能維持大約十年。全球未來的勞動力增長將主要來自非洲。三分之四的工作年齡人口增量將來自一個在 AI 技術討論中幾乎不被提及的大陸。AI 正把所有人的注意力吸引到知識工作的自動化上，但勞動市場更迫切的現實是：照護、建設、教育這些需要人類在場的工作，正在經歷嚴重的供給不足。

Richardson 用一個簡潔的反問收束了這個觀點：「AI 正在把所有議題都蓋過去，好像整個經濟只能生產這一種東西。但最大的問題是：為了什麼目的？」在她看來，對 AI 生產力增益的追求，不應該讓我們忘記經濟最基本的功能是服務人。44% 的美國勞動力在 50 人以下的公司工作，四分之三在 250 人以下的公司。這些小企業正在為了找到願意上 12 小時班的人而傷腦筋。它們的問題不是 AI 太強大，而是能用的人太少。一個健康的經濟體需要同時解決這兩個問題，而不是讓一個議題吃掉所有的注意力和資源。

新任務需要新工具，也需要新態度

Besiroglu 在座談結束前，把他對未來的展望濃縮成一句話：他對快速的技術進步、醫療創新和經濟成長感到興奮，相信這些發展會讓人們的生活「廣泛地、顯著地改善」。但這個樂觀願景有一個前提，就是 Richardson 反覆強調的那個字：投資。投資不只是買更好的 AI 模型或更快的晶片，而是投資在人身上。當 ADP 的全球調查顯示，經過技能培訓的員工，其工作安全感提升五倍時，這個數據傳遞的訊息很清楚：恐懼不是命定的，它可以被具體行動化解。

Athey 的兒子拿到前線部署工程師的 offer，不是因為他從小學程式設計，而是因為他會拆解問題。Besiroglu 的公司大量招人，不是因為他放棄了自動化的信念，而是因為通往全面自動化的路上需要大量能駕馭 AI 的人。Richardson 手握的 4,200 萬份薪資單告訴我們，AI 的衝擊不是一道均勻的海嘯，而是一道形狀複雜的浪。它淹沒了某些位置，卻把另一些位置推得更高。我們能不能辨認出那些即將被淹沒的位置、及時幫人移到更高的地方，取決於我們今天願不願意正視那隻金絲雀傳來的訊號。