刪掉AI助理吧？Google自家人體實測潑冷水:靠AI寫Code的工程師，獨立解題成績暴跌，台灣科技業還把它當救命仙丹

🔥 60秒速覽

2025年7月，Google與MIT合作發表論文《Generative AI Can Harm Learning》，對一門程式課的約900名學習者進行隨機對照實驗（RCT）:使用大型語言模型的組別在AI輔助下的練習成績優於對照組，但當考試階段關掉AI、必須獨立解題時，他們的表現反而比從未使用AI的組別低了67%。同一個月，评估機構METR發布對約2百名資深開源開發者的RCT:工程師自認AI讓他們快了約24%，實測卻慢了19%。兩份獨立實驗，指向同一個結論——AI帶來的效率感，有很大一部分是錯覺。

💡 為什麼你該在乎

先看一個反差。GitClear分析超過2億行程式碼變更的年度報告發現，2024年之後「複製貼上前人程式碼」的比例升至約8%，創下歷史新高，而「大範圍移動、重構既有程式碼」的比例則跌破5%，也是歷史新低。這是維護性下滑的典型訊號:新增程式碼變多、整理程式碼變少，技術債正在加速堆積。

台灣的處境更微妙。資策會MIC歷年調查顯示，台灣企業導入AI應用最主要的目的就是「提升營運效率」，占比超過五成，遠高於商業模式創新。換句話說，多數企業買AI工具的假設，正是這兩份RCT直接挑戰的那一句:「用了就會更快、更強」。如果導入方式錯了，花掉的授權費換來的可能不是產能，而是一批離開AI就無法作戰的工程團隊。

⚙️ 技術/商業解析

Google/MIT實驗的設計值得細看。受測者分三組:無AI、可全程用AI、以及先自學再解鎖AI的「先學後用」組。結果後者在關閉AI後的表現與無AI組相當，幾乎沒有學習折損。這說明問題不在工具本身，而在「誰先動腦」:AI在思考之前介入，人就跳過了形成問題表徵的過程；AI在思考之後介入，才會放大既有能力。论文作者之一的結論很直白:AI在此更像「取代技能的工具」，而非單純的「學習輔具」。

競爭態勢上，各家工具的賣點差異已經浮現:

工具	主要賣點	已知代價
GitHub Copilot	自動補全、多人協作生態	早期實證研究顯示引入後程式碼重複率上升
Cursor / Windsurf	全專案上下文、Agent式改寫	大批次自動改寫使人工審查負荷激增
Gemini Code Assist	長上下文、深度Google生態整合	Google自家研究即提出學習折損警示

MIT資訊科學研究者在2025年的一項腦波實驗則補上生理證據:以LLM寫essay的受試者，腦部神經連結活性低於獨立寫作者，且記憶留存較差。機制層面的解釋並不複雜:編碼能力的核心是「在腦中建模問題」的過程，而這個過程恰恰是AI最容易、也最樂於代勞的部分。

⚠️ 風險與質疑

必須說清楚這兩份RCT的邊界。Google/MIT實驗的對象是學習者，不是資深工程師；METR的樣本是熟悉舊專案的開發者在新codebase上操作，AI對舊專案的價值本來就有限。把「67%」直接外推到全體工程師，是不嚴謹的。

但反向風險同樣具體。第一，資安顧問在2024–2025年間的反覆測試顯示，主流模型在生成含漏洞程式碼時常主動移除既有安全檢查，多輪測試中超過四成的防護措施被AI「順手刪掉」——問題不在AI寫不出安全碼，而在它樂於刪掉你寫好的安全碼。第二，更結構性的商業風險是人才梯隊斷層:初階工程師透過大量修復、維護、debug養成判斷力，一旦這些工作被AI壓縮，三年後的中階人才從哪裡來？台灣半導體與硬體業最缺的從來不是寫得出code的人，而是看得懂系統的人。

🎯 台灣機會

對台灣供應鏈而言，這份研究真正的啟示是定位問題。Google/MIT的解方不是禁用AI，而是「先建構基礎能力、再解鎖工具」——這與企業內部訓練的設計直接相關:導入Copilot或Gemion Code Assist之前，有沒有先定義「哪些任務必須不靠AI完成」？沒有這條紅線的AI導入，等於花錢把自己的工程能力外包出去。

機會在反向操作。當多數公司比拼「AI覆蓋率」時，能證明自家工程師「關掉AI仍能作戰」的團隊，反而會成為承接關鍵系統、資安審計與大型重構的稀缺供應商。工具人人買得到，判斷力買不到。你的公司，敢不敢讓工程師一週關機一天試試真實戰力？

---