那個被 AI 搶走工作的工程師，後來去做了什麼
從「工具」變成「同事」的心理轉折
失業的第一個月，K 的日常生活是這樣的：早上送小孩去幼兒園，回家打開電腦，假裝在找工作，實際上在刷論壇、看 YouTube 上的 AI 教學影片，然後在下午三點左右陷入一種很深的疲倦，睡兩個小時，五點起床接小孩，晚上跟太太說「今天投了幾家，等回覆」。
他後來在日記裡寫道：「最難的不是沒錢，是沒有一個身分。以前人家問我做什麼，我可以說我是後端工程師。失業之後，我只能說我在『轉型』。轉型這兩個字，聽起來很正面，但當你連續講了四個月，你自己都知道那是包裝。」
那段時間，他反覆問自己一個問題：「我到底是被工具取代，還是被使用工具的人取代？」
這個問題，是他在一次線下聚會裡，被一位比他更早失業、後來跑去開數位行銷公司的前同事點醒的。那位前同事說：「你不用糾結這個，因為答案會讓你更難受。你被取代的，不是你這個人，是『你這個職稱對應的那組任務』。任務可以搬家，人也可以。但你如果一直站在原地，懷念那組任務，你就會覺得自己被搬空了。」
K 說，那天回家，他第一次沒有打開求職網站，而是打開了一個空白文件，開始寫：「我還會什麼？撇開寫 code，我還會什麼？」
那份文件，後來變成他十七篇失業日記的起點，也變成他重新出發的草圖。
二、失業之後的第一百天：迷茫、否認與重建
心理學上有個說法，失業帶來的情緒衝擊，強度僅次於親人離世與離婚。K 的第一百天，大致經歷了三個階段，而這三個階段，幾乎所有受訪的工程師都描述過類似的軌跡。
第一階段：簡歷石沉大海的殘酷現實
K 投了六十三封履歷，收到四封回覆，兩封是拒絕，一封是「我們覺得您非常優秀，但這個職位比較適合更 junior 的人選」（他後來才懂，這句話的意思是「您的薪水期待太高」），最後一封是獵人頭公司，問他有沒有興趣去東南亞做技術顧問，一年要出差兩百天。
他拒絕了。他有两个小孩，一個三歲、一個六歲。
那段時間最大的打擊，不是被拒絕，而是發現市場對他的定價方式改變了。以前談薪水，談的是年資、談的是帶過幾個專案、談的是熟悉幾種語言與框架；現在面試官問的是：「你怎麼看 AI 在你的日常開發中的角色？」「你能不能說明你如何用 AI 提升團隊產出？」「如果工具能力越來越強，你認為你的獨特價值在哪裡？」
這些問題不是刁難，而是市場正在重新定義「一個工程師值多少錢」。K 說，他第一次面試被問到最後一題時，愣了大約十秒，然後擠出一句連自己都不太相信的話：「我想是我的溝通能力跟對系統的整體理解。」面試官禮貌地笑了笑，說會再聯絡。
那十秒的沉默，他記得很清楚。因為在那十秒裡，他意識到自己其實從來沒有認真回答過這個問題。前九年，他不需要回答，因為市場默認寫 code 的人有價。現在市場不默認了，他得自己說服別人。
第二階段：重新定義「工程師」這件事
轉折點來自一場很普通的對話。他太太的公司在做電商，遇到一個問題：客服信件量太大，想導 AI 自動回覆，但試了三家供應商，效果都不好，不是答非所問，就是把客戶惹毛。
K 的太太隨口問他：「你不是工程師嗎？這個你不能弄嗎？」
他當下反射性地說：「那不是我的專業。」說完自己都覺得空虛。
但那天晚上，他還是打開了電腦，花了一個週末，把太太公司的客服歷史信件抓下來，做了一次很土法煉鋼的分析：分類問題類型、統計高頻問句、整理標準答案，然後用一個開源框架搭了一個簡單的檢索問答系統。效果不算完美，但準確率比那三家供應商都好，因為他做了一件供應商沒做的事——他真的去讀了那些爛問題，然後把它們拆成機器能處理的結構。
他太太把那套系統拿給主管看，主管問：「這是誰做的？」
「我先生，他最近在休息。」
「能不能請他來聊聊？」
那次「聊聊」，最後變成一個三個月的顧問合約。金額不高，大概是他以前月薪的六成，但那是他失業後的第一筆收入。更重要的是，那次經驗徹底改寫了他對「工程師」的定義。
他在日記裡寫：「我以前以為工程師是『寫程式的人』。現在我覺得，工程師是『把混亂的現實，翻譯成機器能穩定執行的結構的人』。寫程式只是其中一種翻譯方式，而且可能不是最值錢的那一種。」
這句話，後來在論壇上被頂客們引用了几十次。有人說這是自我安慰，有人說這是覺醒。K 自己說：「都是。安慰讓你能活下來，覺醒讓你能往前走。」
三、被 AI 淘汰的不是技能，而是工作型態
在採訪過程中，我們發現一個很有意思的現象：同樣被 AI 衝擊，有人三個月就找到新方向，有人兩年還困在原地。差別往往不在技術能力，而在對「自己被取代的到底是什麼」的理解深度。
哪些能力正在貶值
先說壞消息。根據我們訪談與論壇上的大量案例，以下幾種能力，在二〇二四到二〇二五年之間，明顯正在貶值：
第一，標準化的實作能力。也就是「知道怎麼用某個框架寫出一個 CRUD 功能」這件事。這種能力過去是 junior 到 mid-level 工程師的核心價值，現在被壓縮得非常厲害。不是說它沒用，而是它變成一種「基本配備」，不再是「差異化優勢」。
第二，單純的除錯與維護。讀 log、找 bug、修小問題，這類工作過去佔了工程師大量時間，也養活了不少人。現在 AI 助手在這方面進步神速，雖然還不能完全取代，但已經把「一個人顧五個系統」變成可能。
第三，文件與規格撰寫。這件事以前被認為是工程師的「軟技能」，現在則是被 AI 自動化得最徹底的環節之一。很多團隊已經不太需要專人寫技術文件，因為 AI 看 code 就能生出來。
K 說得很直白：「我以前覺得自己很會寫技術文件，還拿過內部獎。現在想想，那個獎大概就是我的告別禮物。」
哪些能力反而升值
再說好消息。同樣在這段時間，以下幾種能力，價值不降反升，而且升得很明顯：
第一，定義問題的能力。AI 很會解題，但不太會「決定要解哪一題」。在一堆模糊的需求、互相衝突的利害關係、不完整的資料裡，判斷「真正該做的事是什麼」，這件事目前還是人的主場。K 後來做的客服系統，核心價值不在技術，而在他花了一個週末去讀那些爛問題，然後定義出問題的結構。
第二，跨域翻譯的能力。能把業務語言翻譯成技術規格，再把技術限制翻譯回業務語言。這種人過去被叫做「橋樑」，數量本來就少，AI 出現後更稀缺，因為 AI 兩邊都能講，但兩邊都講得不夠準，還是需要一個人站在中間做最後的判斷與承諾。
第三，信任與責任的承擔。這點很少人提到，但非常重要。當一個系統出錯，客戶要找人負責時，他們不會找 AI，他們會找你。AI 可以產出程式碼，但不能簽名、不能出席會議、不能說「這件事我負責」。在一個 AI 產出越來越多的世界裡，「願意且能夠承擔責任的人」反而變得更珍貴。
第四，品味與判斷。什麼叫做「好」？什麼叫做「夠了」？什麼叫做「這樣不行」？這些判斷，AI 能給建議，但最後的拍板還是人。K 說他後來接的幾個案子，客戶最後買的其實不是技術，而是「有人幫我看過、說這樣可以」的那份安心。
把這份清單攤開來看，你會發現一件有趣的事：正在貶值的，多半是「任務型」的能力；正在升值的，多半是「判斷型」與「關係型」的能力。這也解釋了為什麼同樣被 AI 衝擊，有人崩盤，有人反而找到新位置。崩盤的人，過去把自己的價值綁在任務上；找到新位置的人，把自己的價值綁在判斷與關係上。
四、他後來去做了什麼：五條真實的轉職路線
好，回到最初的問題：那個被 AI 搶走工作的工程師，後來到底去做了什麼？
我們整理出五條在頂客論壇與訪談中反覆出現的路線。這五條不是理論，是真人真事，每一條都有它的門檻、它的辛苦，也有它後來的樣子。
路線一：從「寫程式的人」變成「讓 AI 寫對程式的人」
這是最直接的一條路，也是最多人嘗試的一條。簡單說，就是把自己的定位從「實作者」轉為「AI 產出的品質負責人」。
K 的一位受訪者，代號 M，原本是前端工程師，失業後花了三個月，把市面上主流的 AI coding agent 全部玩過一輪，然後做了一件很聰明的事：他開始在 GitHub 上開源一些「給 AI 用的專案模板與規則檔」，內容包括怎麼設定專案結構、怎麼寫 prompt 讓 AI 產出的 code 符合團隊規範、怎麼設計 review 流程讓 AI 的產出不會失控。
這些東西技術含量不算高，但需求非常大。半年內，他的 repo 累積了几千顆星，開始有公司找他做內部訓練與流程導入。他現在的收入，是失業前的八成，但工作時間只有一半，而且他終於不用再參加那些無止境的 stand-up。
M 說：「我沒有變得更會寫 code，我變得更會『管 AI 寫 code』。這件事聽起來很像廢話，但市場上真的很多人還不會。」
這條路的關鍵門檻：你要真的把 AI 工具用到很熟，熟到知道它會在什麼地方出錯、怎麼設計流程去防它出錯。光會用不夠，要會「設計使用的環境」。
路線二：往「最後一哩路」走——AI 到不了的地方
第二條路，是很多受訪者後來覺得最穩的一條：刻意往 AI 最不擅長的地方走。
AI 很會處理「已經數位化、結構化」的東西。但現實世界裡，大量的問題還是卡在「最後一哩路」：資料不乾淨、流程沒定義、系統之間沒打通、人有情緒、法規有灰色地帶、現場狀況跟文件寫的不一樣。
K 後來接的一個案子很典型。一家傳統製造業想導 AI 預測設備故障，買了模型、接了感測器，結果準確率一直上不去。K 去現場看了一趟，發現問題根本不在模型，而在於現場老師傅的操作習慣跟系統紀錄的標準完全對不上，很多「異常」其實是人工判斷後手動標記的，資料本身就充滿雜訊。
他花了兩週，跟著老師傅巡了三次產線，把那些「說不出來的判斷」一條一條問出來、寫下來，然後重新設計資料標記流程。模型準確率從六成跳到八成五。
這件事 AI 能做嗎？部分能。但 AI 不會穿著安全鞋去產線問老師傅「你剛剛為什麼跳過那台機器」。
這條路的關鍵門檻：你要願意離開螢幕，走進現場。這對很多工程師來說，比學一個新框架還難。
路線三：從寫程式到寫流程——流程設計與 AI 導入顧問
第三條路，是把自己的技術背景轉化成「導入顧問」的能力。這條路的市場需求，在二〇二四下半年之後明顯爆發，因為大量中小企業知道要導 AI，但不知道從哪裡開始。
受訪者 J 原本是後端工程師，失業後跟另外兩個朋友組成一個小顧問團隊，專門幫中小企業做「AI 導入評估」。他們的工作不是寫程式，而是：盤點公司現有流程、找出適合 AI 介入的環節、評估成本效益、設計導入步驟、然後陪著客戶跑完第一輪。
J 說：「很多客戶找我們，其實不是要技術，是要有人告訴他『這件事該不該做、先做哪一塊、要花多少錢』。這些問題，大型顧問公司收費太高，純技術外包又沒人想回答，我們就卡在中間。」
這條路的收入波動比較大，但 J 說他做了一年之後，最大的改變是「終於看懂商業」。以前他只知道程式怎麼寫，現在他知道一個功能為什麼值錢、一個流程為什麼卡住、一個老闆為什麼猶豫。這些理解，是 AI 給不了的。
這條路的關鍵門檻：你需要有商業敏感度，而且願意花大量時間在會議室裡，而不是在編輯器裡。
路線四：跨域整合——把 AI 帶進一個你原本不懂的產業
第四條路比較辛苦，但天花板很高：選一個傳統產業，把自己變成「那個產業裡最懂 AI 的人」。
受訪者 W 原本在金融業寫後端，失業後因緣際會幫一位做農產批發的親戚解決庫存預測問題，結果一頭栽進去。他花了整整半年，從頭學農產品的產季、批發市場的運作邏輯、冷鏈的成本結構，然後才動手寫系統。
現在他做的東西，說穿了技術不難，就是把需求預測、庫存管理、產地資訊整合起來。但他說：「這個產業裡，懂技術的人不多，懂農產的人不懂 AI。我卡在這兩者中間，就有位置。」
這條路最大的挑戰是前期很孤獨。你要花大量時間在一個你完全不懂的領域裡當新人，而且沒有人會因為你以前是工程師就對你比較客氣。
這條路的關鍵門檻：你能不能忍受「在一個新領域裡從零開始」的挫折感，而且撐過至少半年。
路線五：自己開一間小公司——從工程師到經營者
最後一條路，也是 K 自己後來選的路：不再找工作，而是把自己的技能組合成一個小型事業。
K 現在做的事，說起來很雜：一半時間接 AI 導入顧問案，一半時間維護一個他自己開發的、給中小企業用的客服知識庫工具，偶爾還在線上開課教「非技術背景的人怎麼跟 AI 協作」。收入加起來，大概是他失業前的九成，但波動很大，好的月份可以到一·五倍，爛的月份可能只有一半。
他說：「以前我覺得『穩定』是理所當然的，每個月五號錢會進來。現在我知道，穩定不是理所當然的，穩定是一種你要主動去經營的東西。」
這條路的風險最高，但也最多人羨慕。K 在論壇上被問到「你後悔嗎」時，回了一段話，後來被頂客們截圖瘋傳：
「我不後悔被資遣。我後悔的是，我花了九年，把自己變成一个『只會一種事的人』。現在我什麼都要會一點，很累，但我終於覺得自己是活的。」
這條路的關鍵門檻：你要能接受收入不穩定，而且要有基本的業務開發能力。技術再強，沒有案子進來，就是零。
五、論壇熱議：頂客們怎麼看這件事
K 的連載在「雅寶社區 · 頂客論壇」上線後，回應超過四百則。我們整理了几種最具代表性的聲音，因為這些聲音，正好反映了目前工程師社群對「AI 與工作」這件事的真實焦慮與真實行動。
聲音一：「他的路徑不可複製，因為他有家庭支持。」這是最多讚的一則回覆。確實，K 的太太在那段時間扛起了主要的家庭經濟，讓他可以花四個月重新摸索。不是每個人都有這個條件。K 後來也承認：「我能這樣走，很大一部分是運氣。如果我今天單親、或者房貸壓力更大，我可能只能去跑外送，然後晚上繼續投履歷。」
這個回應很重要，因為它提醒我們：討論「工程師轉職」時，不能忽略背後的社會安全網與家庭條件。把每個人的成功都歸因於「心態」或「努力」，是不誠實的。
聲音二：「AI 根本沒那麼強，都是媒體在炒作。」這種聲音在論壇上一直存在。有趣的是，持這種看法的人，多半是還在職、而且公司還沒大規模導入 AI 的工程師。K 對這種聲音的回應很溫和：「你可能對。但就算 AI 只做到它現在承諾的七成，我原來的工作也已經沒了。所以對我來說，爭論它強不強，已經沒有意義。」
聲音三：「重點不是 AI，是公司想省錢。」這則回覆獲得很多共鳴。確實，很多「AI 取代人力」的案例，背後真正的驅動力是成本控制，AI 只是提供了一個好聽的理由。這個觀察很銳利，但對當事人的實際幫助有限——因為不管動機是什麼，結果都是你得重新想辦法。
聲音四：「有沒有推薦的學習路徑？」這類回覆最多，也最實用。K 後來在第十七篇日記裡，整理了一份給「被 AI 衝擊的工程師」的建議清單，我們放在下一節。
六、給還在職的工程師：現在該做的五件事
K 在日記最後一篇寫道：「如果有人問我，重來一次我會怎麼做，我不會說『早點學 AI』這種廢話。我會說，我會早點開始做五件事。」以下就是那五件事，我們加入了一些採訪補充。
第一，每年做一次「任務盤點」。把你一週的工作拆成任務，然後誠實地標記：哪些任務，AI 目前已經能做得跟你差不多？哪些還不行？哪些其實你也不想做？這份清單會告訴你，你的價值目前綁在哪裡，風險有多大。
第二，刻意練習「定義問題」。下次接到需求時，不要急著動手，先花半天把它拆開：這個需求背後真正的問題是什麼？誰在乎？成功長什麼樣子？如果 AI 來做，它會在哪裡卡住？這個練習很反直覺，因為它看起來不生產，但它可能是未來最值錢的能力。
第三，建立一個「AI 之外的專業」。選一個你原本就有一點興趣的領域——可能是某個產業、某種商業模式、某種法規——開始有系統地學。不用深到變專家，但要深到能跟那個領域的人對話。這會是你未來跨域整合的籌碼。
第四，把「關係」當成資產來經營。很多受訪者後來的工作機會，都來自前同事、前客戶、或論壇上認識的人。AI 可以取代很多東西，但取代不了「有人記得你、信任你」這件事。定期跟人喝咖啡、在社群裡分享你學到的東西，這些看起來很軟的事，關鍵時刻很硬。
第五，留一筆「轉型基金」。這是 K 覺得最重要、也最少人提的一點。他說：「如果我當時有一年的生活費，我不會那麼焦慮，我可以更早開始嘗試。焦慮會讓你做短視的決定。」這筆錢不用多，但要有，因為轉型需要時間，而時間需要錢來買。
結語：被搶走的不是工作，是舊版本的人生
訪問結束前，我們問 K 一個很俗氣的問題：「你覺得兩年後的自己，會在做什麼？」
他想了想，說：「我不知道。但我知道我不會再回去做那個『只會一種事』的人了。這件事聽起來很心酸，但它其實是我這幾年最大的收穫。」
「被 AI 搶走工作的工程師，後來去做了什麼？」這個問題，其實沒有標準答案。有人去做顧問，有人去開公司，有人去傳統產業當那個最懂 AI 的人，也有人還在找路。
但所有受訪者都同意一件事：被搶走的，從來不是「你這個人」，而是「你這個職稱對應的那組任務，以及依附在那組任務上的那個版本的你」。
任務會搬家，工具會進化，職稱會消失。但那個願意重新定義自己、願意走進現場、願意在混亂裡找出結構的人，永遠有位置。
如果你現在正处在 K 兩年前的那個週二早晨，桌上擺著一杯沒動過的咖啡，那麼這篇文章想告訴你的，不是「一切都會好起來」這種空話，而是：
你會很痛，會迷茫，會懷疑自己。但你會發現，你比自己以為的，還能做更多事。
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →