最近這一連串事件神奇。在不到一週的時間裡，三個互不認識的朋友，從三個完全不同的領域，在 Facebook 上，分別貼出了一些看似無關，卻剛好形成一個完滿系統的資訊。第一個是做企業創新工作坊的朋友，分享了一部 YouTube 影片的觀後感。第二個是我滑 Facebook 動態貼文的時候，偶然看到的一個 Podcast 聽後感言的原始連結——我趕緊去抓了逐字稿，但是回頭要找原貼文的人的時候，已經找不到了，連是誰分享的我都想不起來。第三個則是微軟 MVP、平常在業界做開發，同時也在電腦補習班教課的朋友，分享了一篇 ACM 期刊論文的解讀和心得。
YouTube 影片、Podcast、ACM 期刊——三種完全不同的媒體。一個創業者、一個投資人哲學家、兩個微軟高層技術主管。他們的受眾不重疊，圈子不重疊，表達方式也不重疊。
但他們講的是同一件事。
三個領域各自看到了什麼
先快速交代一下這三個來源。
Dan Koe 是美國的一人公司經營者和內容創作者，他的 YouTube 影片《How I’d build a one-person business (if I started over in 2026)》（假如從2026年開始，我會如何打造一家一人公司）講的是：靜態的線上課程正在衰退，未來的教育產品會變成 AI 驅動的學習體驗——課程內容變知識庫，AI 聊天機器人（chatbot）當教練，讓學習者在互動中成長。本質上就是學徒制的回歸，只是師傅身邊多了一個 AI 助手。
Naval Ravikant 是 AngelList 創辦人，矽谷最常被引用的思想家之一。他的最新 Podcast《A Motorcycle for the Mind》（心智的摩托車）講的是：AI 是心智的摩托車，動力變大了，但騎的人決定一切。資深技術者的底層判斷力在 AI 時代不但沒有貶值，反而是槓桿最大的資產。所有抽象都會漏（all abstractions are leaky），AI 也是一層抽象，能補漏的人就是最稀缺的人。
Mark Russinovich（Azure CTO / Technical Fellow）和 Scott Hanselman（VP, Developer Community）在 Communications of the ACM 發表的文章《Redefining the Software Engineering Profession for AI》（為 AI 重新定義軟體工程專業）講的是：AI 對資深工程師是加速器（AI boost），但對初階開發者反而是拖累（AI drag）。如果組織只追求短期效率而不投資培養新人，軟體工程的人才管線會斷裂。他們提出了 「導師制度」（preceptor program）作為解法。
三個來源，三個角度。一個從市場趨勢講，一個從技術哲學講，一個從組織數據講。但把它們排在一起看，會發現它們拼出了同一張圖。
學徒制正在回歸，而且有實證
Dan Koe 從商業邏輯推導出了一個結論：靜態課程的時代結束了，學習必須變成互動式的、有教練陪伴的、在實作中發生的。他的產品架構是「學習、練習、創造」三個部分，AI 不是幫你做完所有事的代理人（agent），而是陪你練習的教練。
他是從市場成熟度推出來的——消費者對資訊產品免疫了，Eugene Schwartz 的五階段已經走到最後，唯一能賣的是品牌信任和真實體驗。
然後 Russinovich 用微軟內部的數據，直接驗證了這個判斷。
他的「社會共同體計劃」（Project Societas）案例：七個兼職工程師，十週，11 萬行程式碼，98% 是 AI 生成的。人類的工作從「寫程式」變成「指導 AI 寫程式」。這證明了 AI 對資深工程師的生產力提升是真實的、是量級性的。
但他接著問了一個 Dan Koe 沒問的問題：如果資深工程師的生產力暴增，而初階開發者連 AI 產出的對錯都判斷不了，那下一代的資深工程師要從哪裡來？
他引用了哈佛的研究數據：GPT-4 發布之後，22-25 歲的年輕人在軟體開發等 AI 高度暴露的職位上，就業率下降了約 13%，但資深職位反而增長了。人才金字塔的底部正在萎縮。
他的解法是「導師制度」（preceptor program）——資深工程師每人帶 3-5 個初階開發者，在真實的產品團隊裡一起工作。重點不是讓新人產出更多程式碼，而是讓他們看到資深工程師是怎麼跟 AI 互動的——怎麼提問、怎麼判斷產出、怎麼在 AI 出錯的時候介入。
這不就是 Dan Koe 說的「AI 教練 + 學徒制體驗」嗎？只是 Dan Koe 把它包裝成了教育產品，Russinovich 把它設計成了企業制度。形式不同，結構一模一樣。
為什麼只有實戰能練出判斷力
Naval 提供了底層的解釋。
他說：所有抽象都會漏。從 jQuery 到 React、從原生 App 到跨平台框架，每一層抽象都承諾了「你不用管底下的事」，然後在某個關鍵時刻讓你用血淚學到——你還是得管。AI 也是一層抽象，它也會漏。而能在抽象層漏水時補上去的，就是那些花了十幾二十年理解底層的人。
Russinovich 在論文裡直接提供了 Naval 這個觀點的案例。
他拿出了微軟內部 agentic AI 專案的真實截圖：AI 程式設計代理人（coding agent）在一段因為 競爭條件（ race condition）而 崩潰的程式碼裡，插入了一個 sleep（延遲）來「修復」問題。測試通過了，表面上看起來修好了。但實際上它只是把問題藏起來——底層的同步 bug 還在，只是暫時不觸發了。
初階開發者可能會覺得「修好了」。只有懂同步機制、懂程式架構的資深工程師，才看得出這是在埋地雷。
更微妙的是第二個案例：當使用者質疑 AI 的修法時，AI 立刻承認「我錯了」並修改推理。但 Russinovich 指出——AI 有時候被質疑之後，也會把本來正確的推理否定掉。它不是在「修正錯誤」，它是在「迎合你」。
這意味著你不能只靠「質疑 AI」來確保品質。你得自己真的懂，才能分辨 AI 的退讓是真的認錯，還是在討好你。
這就是 Naval 說的——訓練資料範圍內的問題 AI 極強，但超出分佈範圍的新問題、邊界案例、真正的架構決策，你還是得自己下去處理。這些判斷力沒辦法靠看課程學會，它是在真實問題裡被師傅帶著踩過坑，一次一次長出來的。
所以學徒制不是復古浪漫。它是唯一能把「系統品味」（systems taste）從一代傳到下一代的方式。
AI 加速器 和 AI 累贅：對不同人的影響完全相反
Russinovich 在論文裡創造了兩個很精準的詞：AI 加速器（boost） 和 AI 累贅（drag）。
對資深工程師，AI 是 加速器（boost）。你本來就知道架構該長什麼樣、哪裡有坑、什麼是好的設計，AI 幫你處理那些重複性的 樣板程式，你反而可以花更多時間在判斷和決策上。微軟的 社會共同體計劃（Project Societas）就是最好的例子——七個資深工程師用 AI 做到了以前可能需要三四十人的事。
對初階開發者，AI 是 累贅（drag）。不是因為 AI 讓他們更笨，而是因為 AI 的產出看起來太像「對的」了。沒有足夠的底層知識，你分不出來 AI 給你的是真的解法還是包裝精美的地雷。然後你的學習過程反而被耽誤了——你以為自己在進步，其實你在累積 Russinovich 引用的那個 MIT 研究裡說的「認知負債」（cognitive debt）。
Naval 從另一個角度講了同一件事。他說 AI 時代的市場結構會變成頭部超大、長尾無限、中間層被炸掉。「There is no demand for average.」（沒有人需要平庸的東西。）
這三個觀點疊在一起，對不同階段的開發者意味著完全不同的事：
如果你是資深的——你的槓桿變大了。你的底層判斷力現在不只是讓你自己做得更好，而是讓你能指揮一支 AI 團隊。Naval 的推文說得很直接：「Vibe coding is the new product management. Training and tuning models is the new coding.」（氛圍開發 是新的產品管理，訓練和調校模型才是新的程式設計。）你做的事情本質上是在「導」，不是在「寫」。
如果你是初階的——你需要的不是更多的 AI 工具，而是一個能帶你看穿 AI 產出的師傅。Russinovich 說的 「導師制度」（preceptor program)，Karpathy 說的「我不會在你嘗試之前就把答案給你」，都是在講同一件事：學習不能跳過動手這個環節，即使 AI 可以幫你跳過。
如果你是在教人的——這是最大的挑戰，也是最大的機會。你的角色從「知識傳遞者」變成了「判斷力的示範者」。重點不是教學員怎麼用 AI，而是讓學員看到你怎麼跟 AI 互動——怎麼提問、怎麼驗證、怎麼在 AI 出錯的時候介入。Dan Koe 把這個做成了教育產品，Russinovich 把這個設計成了企業制度，但本質都是同一件事：讓學習在實作中發生，讓 AI 當助教而不是代課老師。
為什麼這三個訊號同時出現
回到開頭的那個巧合。
三個互不認識的人，從三個不同的領域，透過三種不同的媒體，在差不多的時間點講了同一件事。這本身就是一個訊號。
當一個趨勢只出現在一種媒體裡，它可能只是那個圈子的泡泡。當它同時從 YouTube 影片、Podcast、和 ACM 期刊裡冒出來——而且講的人是一個創業者、一個投資人哲學家、和兩個微軟高層技術主管——它大概是真的。
它們拼出來的圖景是這樣的：
AI 正在把軟體工程的價值重心，從「能不能寫出來」推向「知不知道該寫什麼」。 這讓資深者的槓桿變大，讓初階者的處境變難，讓中間層承受最大的壓力。而解法不是逃避 AI 或盲目擁抱 AI，是回到最古老的知識傳遞方式——學徒制——但這次帶著 AI 一起做。
跟我自己的位置對照
我是一個從 2000 年開始，以個人工作室的形式進行獨立接案和技術教學的獨立工作者。我同時是一人公司經營者（Dan Koe 講的題目）、資深技術者（Naval 講的題目）、也是教育現場的人（Russinovich 講的題目）。這三篇東西之所以同時引起我的注意，大概就是因為我剛好站在這三個圈的交叉點上。
而且我在職訓課堂上，已經看到了 Russinovich 論文裡描述的現象——只是規模小很多。有些學員用 AI 寫出了「看起來會動」的程式，但他們不知道自己跳過了什麼。他們拿到了產出，但沒有拿到理解。短期看起來效率很高，長期來看他們在累積認知負債。
而那些願意先自己想過一遍、再跟 AI 對照的學員，進步反而是最快的。因為他們跟 AI 的互動是有判斷力的——他們知道自己在問什麼，也知道 AI 的回答好在哪裡、差在哪裡。
這就是 Russinovich 說的 AI 加速器 和 AI 累贅 的分界線：不是你用不用 AI，而是你有沒有能力評估 AI 給你的東西。
所以我接下來想在職訓裡試一些調整。不是教學員「怎麼用 AI」——這個他們自己會。而是設計一些情境，讓他們先動手、先踩坑，然後再看 AI 怎麼處理同一個問題。讓他們體會到「看起來對了但其實有問題」的那個落差，然後在那個落差裡，長出自己的判斷力。
某種程度上，這就是 Russinovich 說的 導師制度（preceptor program），只是不在微軟內部，而是在台灣的職訓教室裡。規模不同，原理一樣。
最後一個想法
Russinovich 論文的最後一句話是：「In balancing automation with apprenticeship, we preserve the enduring vitality of the software engineering profession.」（在自動化與學徒制之間取得平衡，我們才能保存軟體工程專業的持久生命力。）
Dan Koe 從市場趨勢看到了學徒制的回歸。Naval 從技術哲學解釋了為什麼實戰經驗不可取代。Russinovich 用微軟的數據證明了這件事的急迫性。
三個人從三個方向走，走到了同一個地方。
而如果你問我——一個做了 25 年、穿越了好幾輪載體轉換的人——我的體會是什麼？
我會說：工具一直在變，但「一個有經驗的人帶著一個沒經驗的人，在真實的問題裡一起做」這件事，從來沒有被取代過。 它只是每一次用不同的工具重新發生而已。
這次的工具叫做 AI。但騎摩托車的，還是人。
參考來源：
Dan Koe
Youtube 影片：《How I’d build a one-person business (if I started over in 2026)》
Naval Ravikant
Podcast 逐字稿：《A Motorcycle for the Mind — On AI and the Future of Work》（2026.02.19）
Mark Russinovich & Scott Hanselman
ACM 期刊論文：《Redefining the Software Engineering Profession for AI》Communications of the ACM
