台灣錯過軟體黃金三十年，AI Coding 是最後一張船票？

台灣曾靠硬體代工稱霸全球，卻在軟體時代淪為旁觀者。如今 AI Coding 工具掀起軟體生產力的典範轉移，這是台灣翻盤的最後機會，還是再次落入「別人吃肉、我們喝湯」的宿命？從歷史教訓出發，拆解這場賭局的勝率。

凌晨兩點，新竹科學園區的辦公大樓仍然亮著幾扇窗。裡面的工程師敲的不是程式碼，而是測試報告，為了趕上一家美國晶片設計公司的交付時程。這個畫面，台灣撐了四十年，也舒服了四十年。

但帳本翻到軟體那一頁，數字很難看。

硬體拿走了GDP，軟體只撿到碎屑

台灣在全球半導體代工的市佔率，公開資料的量級超過六成，先進製程更逼近獨佔。然而軟體產業的產值規模，長期僅約硬體產業的一成上下，掛牌上市的純軟體公司家數，多年來在資本市場裡屈指可數。全球前十大軟體公司，沒有一家來自台灣。

這不是偶然。1990年代，當矽谷把賭注押在作業系統、搜尋引擎與社群網路時，台灣的資源、人才與資本，幾乎全部湧進了晶圓廠與組裝線。代工模式的邏輯很簡單:客戶規格明確、毛利可預估、規模可以極大化。軟體則相反，前期燒錢、報酬不確定、需要的是產品思維而非紀律執行。

結果是，台灣養出了全世界最擅長「把別人的規格做到極致」的工程師 culture，卻沒有養出「定義問題、打造產品」的軟體公司。微軟、Google、Meta 吃掉了全球軟體市場的肉，台灣拿到了伺服器訂單的湯。

湯喝了三十年。現在，鍋又要換了。

AI Coding 不是新工具，是新的出生順序

Gemini CLI、Claude Code、Cursor 這類 agentic coding 工具，正在把「寫程式」這件事的成本結構改寫。過去一個新創要做出產品原型，需要募資、組團隊、燒六個月；現在一兩個工程師加上 AI agents，幾週內就能迭代出可測試的版本。軟體開發的門檻，正在從「人力資本」轉向「問題定義能力」。

這對台灣其實是利多。台灣不缺工程師，缺的是讓工程師脫離代工流程、直接面對終端使用者的機會。當開發成本崩落，做產品的固定門檻同步下降，過去「我們規模做不贏美國大廠」的藉口，第一次失效。

但歷史的幽靈也在旁邊坐著。

宿命劇本已經寫好:賣鏟子的人永遠在挖別人的金礦

最危險的劇本是熟悉的:台灣工程師大量採用 Claude Code 與 Gemini CLI，生產力提升三倍，但提升的產出全數灌進國外客戶的專案裡。工具是別人的，模型是別人的，產品是別人的，台灣還是那個接單的角色，只是接單的速度變快了。

AI 工具本身又集中在美國少數幾家公司手上。模型訓練要晶片，晶片是台積電做的。看起來台灣在食物鏈上游，但價值分配的邏輯沒變:賣鏟子的賺固定的錢，挖到金礦的拿走報酬的大部分。算力成本佔 AI 公司支出的大頭，但 AI 應用創造的價值，遠超晶圓代工的毛利結構所能分到的一份。

換句話說，台灣有可能把「硬體代工」升級成「AI 时代的硬體代工」，然後在同一個位置上再坐三十年。

翻盤的窗口在哪裡

機會不在工具，在應用場景。台灣擁有全球最密集的製造業資料、完整的醫療體系、以及被代工文化訓練出來、極度擅長 domain knowledge 的工程師。當 AI Coding 讓三個人就能做出過去三十人團隊的產品，台灣缺的從來不是能力，是「為自己定義問題」的習慣。

政府與資本市場的態度是第二個變數。過去資金偏好有廠房、有訂單的硬體公司，軟體新創在台灣募資，難度長年高於硬體同儕。如果這個結構不變，AI Coding 帶來的生產力紅利，只會加速人才流向海外遠端工作，台灣變成「AI 時代的人力輸出國」，用的還是別人的模型。

四十年前，台灣選了代工，選對了一次。三十年前，台灣錯過軟體，錯過了一整個時代。現在 AI 把軟體開發的成本打到地板上，等於把那張錯過的船票又遞回來一次。

這次接不接，答案不會寫在台積電的財報裡，而會寫在每一個工程師下班後，打開終端機輸入第一行 prompt 的那個瞬間，他是在幫別人挖金礦，還是在挖自己的？