AI 生產力的幻覺：從開發者到整個產業的自我感覺良好 | S2E60

影片總結

METR 實驗發現開發者用 AI 實際慢 19%，影片也提醒 Junior 可能因缺少訓練而出現能力斷層。

AI 可能製造生產力幻覺：METR 找 16 位大型專案維護者完成 246 項任務，開發者原先預估效率提升 24%，事後體感仍認為快了 20%，但實際完成時間反而慢 19%。Uber 四個月就用完全年 AI 額度；DORA 研究也指出，團隊 PR 變多、審查時間可能增加到三倍，事故甚至翻倍。產業預測同樣轉趨保守，Sam Altman 承認入門白領職缺消失得沒有預期快，Dario Amodei 則澄清 AI 完成工程任務不等於取代整個職位。講者最擔心的是 Junior 靠 AI 寫程式，卻錯過除錯、架構討論與判斷力訓練，形成能力斷層；可能的出路是改善 AI 教育，或等待 AI 足夠可靠，讓人的能力轉向更上游。

章節

1. 0:00開頭：AI 生產力幻覺與 Junior 新鮮人的能力斷層
2. 2:07裸辭影片回饋：觀眾認同放慢步調，留言和氣或因頻道未破圈
3. 4:26進入主題：AI 常在最後細節差一步，開發者與產業或高估生產力
4. 5:40METR 研究：16 位開發者做 246 項任務，AI 使用後實測慢 19%
5. 9:03達克效應與 AI：專家也可能把工具產出當成自己的能力
6. 10:18Coding agent 像拉霸機：Claude Code、Codex 讓人反覆下 prompt
7. 11:18公司 AI 預算踩煞車：Uber 四個月耗盡一年 AI credit
8. 12:18DORA：AI 放大團隊差異，PR review 時間可增至三倍
9. 15:29AI 業者改口原因：一兆美元 IPO 壓力與就業數據尚未顯示大衝擊
10. 17:11Junior 能力斷層：入門職缺減少、訓練不足且知識難以內化
11. 21:07兩個樂觀可能：補足 AI 教育，未來能力或轉向更上游