生成式 AI 加速寫程式卻藏風險？Netflix 工程師警告理解力下滑成新危機

生成式 AI 工具正快速改變軟體開發流程，雖大幅提升編碼效率，卻也引發對工程師理解能力下滑的疑慮。Netflix 資深工程師指出，過度依賴 AI 生成程式碼，可能讓開發者逐漸失去對系統本質的掌握，形成新型態的技術風險。

※ 圖片為示意畫面，僅用於新聞報導與合理使用

Netflix 資深工程師 Jake Nations 近日在公開演講中指出，生成式 AI 能在短時間內產出大量程式碼，讓原本需耗費數天的開發任務迅速完成。然而，當系統順利上線後，開發者卻無法清楚說明其運作邏輯，問題便隨之產生。

他形容，這種「程式能跑、但人不懂」的狀態，代表系統理解深度正在萎縮，也意味著隱形的技術債正在累積。

Nations 指出，軟體工程史多次嘗試以新技術化解複雜度，卻往往帶來新的問題。從結構化語言、物件導向設計，到敏捷開發與雲端架構，每一次革新雖提升效率，卻也讓系統規模與相依關係更加複雜。

他認為，生成式 AI 所帶來的，是前所未見的「無限生成規模」，其產出速度已遠遠超過人類能夠全面理解的範圍。

Nations 強調，開發者容易將「好用」誤認為「設計良好」。生成式 AI 大幅降低產出門檻，讓複製、生成變得毫不費力，卻也降低了對架構取捨的思考動機。

當快速完成任務成為首要目標，系統的長期可維護性與穩定性，往往在不知不覺中被犧牲。

他分享 Netflix 嘗試以 AI 代理重構舊有授權系統的經驗，發現 AI 無法判斷哪些歷史設計應被捨棄，反而會忠實複製過去的錯誤與不合理結構。

團隊最終認知到，若未先由人類釐清系統邏輯與邊界，AI 只會讓既有的技術債加速擴散。

為避免理解力持續下滑，Nations 提出三階段工作流程：首先由人類主導研究與整理，利用 AI 輔助繪製系統依賴關係；接著制定清楚且具體的實施規格；最後才讓 AI 在既定框架下執行具體任務。

他強調，唯有先「賺取理解」，自動化工具才能真正發揮價值。

Nations 總結指出，當程式碼生成成本趨近於零，真正稀缺的將是工程師對系統的理解與判斷力。生成式 AI 是強大的工具，但無法取代人類在關鍵決策上的角色。

未來軟體工程的核心競爭力，仍屬於那些能洞察系統結構、理解全貌，並做出正確取捨的專業人才。

※ 本文內容整理自公開演講與相關技術討論，僅供新聞報導與合理使用