AI coding 助手可以令開發者做得更快，但唔代表軟件團隊——或者職涯培訓——自然會變得更健康。真正值得警惕嘅，未必係某一款工具必然寫出差 code；而係企業可能用自動化取代過往由初級員工負責、同時亦係佢哋學師嘅例行實作工作，然後將需求集中喺能夠定義需求、審核產出、測試系統同權衡取捨嘅資深人才身上。

現時勞動市場研究同呢個走向一致，但未足以證明 Cursor、GitHub Copilot 或 Claude Code 造成初級職位減少。

數據反映嘅係「資歷傾斜」

史丹福大學同倫敦國王學院一項研究，分析咗 41 個國家、共 12.5 億個招聘廣告同 1.54 億份就業紀錄。研究以工具變數方法分析後發現，採用 AI 嘅企業，其初級員工喺整體人手中嘅比例，相對可比企業有所下降；主因主要係資深職位增加，而唔單純係初級職位絕對數量下跌，研究亦有跡象顯示整體就業或有溫和增長。33

與該研究相關嘅五年估算顯示：採用 AI 嘅企業中，資深員工就業增加 6.7%，初級員工就業減少 3%，初級員工佔整體人手比例下降 1.9 個百分點。37 重點係，呢啲數字講緊人手結構改變，唔係「AI 令全體工作崗位消失」咁簡單。

另一項史丹福大學薪酬紀錄研究亦見到類似嘅職涯早期落差：喺高度受 AI 影響嘅職業中，22 至 25 歲工作者嘅就業水平，比起如果佢哋跟低 AI 暴露職業嘅同齡人同步增長時應有嘅水平，低約 19%；有經驗工作者則未見同樣差距。12 呢個係相對落後幅度，唔等於 AI 直接消滅咗 19% 職位。

AI 寫 Code 工具點樣切中憂慮？但因果關係未證實

Chamath Palihapitiya 形容主流 AI coding 工具係「單人遊戲」：佢哋好擅長加速個別開發者產生程式碼，卻未必處理到軟件開發中需要多人協作嘅部分，例如架構決策、需求討論、合規審查、code review、回滾、事故檢討同新人 onboarding。他稱呢類工具可帶來「2 至 5 倍」個人速度提升，同時強調可靠嘅軟件開發依賴大量協調同決策。30

呢個講法提供咗一個值得討論嘅組織層面框架。假如工具令少數資深工程師可以更快寫、檢查同整合程式碼，公司便可能認為毋須聘請咁多初級工程師做例行實作。但餘下嘅工作會更依賴判斷力，包括：

• 將模糊嘅用戶需要轉化成技術需求；
• 辨認生成程式碼中嘅錯誤或保安漏洞；
• 設計測試、理解失敗原因；
• 放喺大型系統脈絡下審核改動；
• 判斷幾時唔應該自動化，或者唔應該推出產品。

以上係合理嘅可能機制，唔係針對個別產品嘅因果研究。現有勞動研究量度嘅係廣義 AI 採用程度同 AI 暴露度，並無分拆 Cursor、Copilot、Claude Code 或其他 coding 助手嘅影響；亦無證明使用呢類工具必然導致程式碼質素差。

初級職位最重要嘅作用：提供「學識判斷」嘅場景

初級職位從來唔只係補充人手。新人通常透過 code review、debug、跟進事故、觀察設計取捨，同埋接受資深同事回饋，慢慢建立工程判斷力同組織脈絡。

當例行工作被自動化，企業有可能無意中拆走咗職涯階梯最低嗰級。結果就變成一個矛盾：求職者被要求展示本來要靠初級職位先建立到嘅判斷力。

招聘門檻可能已經向呢個方向移動。世界經濟論壇引用 PwC 研究指出，最受 AI 影響嘅初級職位，比起受影響最少嘅初級職位，要求過往被視為資深職級技能（包括領導力）嘅機會高 7 倍。12 呢種情況會形成循環障礙：要有經驗先攞到一份原本應該提供經驗嘅工作。

對軟件團隊而言，呢個唔只係公平問題。若果長期減少受督導嘅職涯早期機會，日後能夠成長為資深工程師嘅人才供應亦可能收窄。眼前嘅生產力收益，可能換來更薄弱嘅接班人才庫。

點解呢個趨勢可能擴大不平等？

偏向資深人才嘅轉變，會獎勵本身已有經驗、熟悉組織運作、並接觸到高質素 review 嘅人；新入行者通常三樣都較少。

因此，22 至 25 歲人士喺高度 AI 暴露職業出現約 19% 相對就業落差，雖然唔可當成直接被 AI 取代嘅證據，仍然值得重視。12 呢個現象反映，年輕工作者未必能平均分享到 AI 相關行業嘅機會。缺乏職場人脈、較少頂尖學歷背景，或者未能接觸導師嘅人，尤其可能更難跨過新形成嘅「經驗門檻」。

風險係，勞動市場分成兩邊：一邊係懂得指揮、驗證同問責 AI 系統嘅人；另一邊則被要求一入行就已經要做到前者。

僱主可以點做？

出路唔係為咗保住職位而硬留重複工作，而係重新設計初級職位，令 AI 提升新人能力同學習速度，而唔係單純刪走學習機會。

保留有督導嘅實戰工作

企業可維持有薪學徒制、畢業生輪調計劃，以及清楚列明 mentoring 責任嘅初級職位。目標應該係睇到新人由範圍較窄、有人審核嘅工作，逐步走向承擔更大責任，而唔係只追求低成本產出。

評估判斷力，而唔係只睇 prompt 產出

AI 輔助招聘同績效評估，應測試應徵者可否界定問題、解釋生成程式碼、撰寫或改善測試、指出失效模式，以及回應保安同可靠性問題。生成得快，唔等於具備工程能力。

將 AI 放入 review 流程，而唔係放喺流程外

團隊應為 AI 輔助改動建立可追溯性、人工審核、測試同清晰責任歸屬。咁做亦可令 AI 成為教學工具：初級工程師可以比較不同生成方案、追查失敗原因，並從回饋中理解點解某個做法更安全、更易維護。

衡量人才成果，唔好只睇產量

管理層應同時追蹤初級招聘、晉升率、培訓時間、留任率，以及不同資歷層級嘅工作分布，而唔只係交付功能數量或 code volume。一個令產出上升、但削弱人才管道嘅生產力計劃，可能正累積長遠營運風險。

政策焦點：保住由教育走向職場嘅通道

公共政策可以喺唔阻礙技術採用嘅前提下，協助保留由學校過渡到職場嘅途徑。可考慮措施包括：共同資助學徒制、與受督導技能培訓掛鈎嘅工資補貼、可攜式培訓支援，以及聚焦高度 AI 暴露職業年輕工作者嘅配對服務。

政府同大型採購方亦可鼓勵以「增能」為先嘅部署方式：AI 用作喺可問責嘅人工監督下提升初級員工能力，而唔係一採用 AI 就先削減初級招聘。

結論：問題唔係 AI 寫咗幾多 Code，而係邊個仲有機會學識負責

AI coding 工具可能透過提升資深工程師效率，並削弱部分例行初級工作嘅經濟誘因，改變軟件團隊嘅人手配置。國際研究支持一個需要正視嘅訊號：採用 AI 嘅企業正增加資深職位，而初級員工嘅相對比重正在下降。3337

不過，證據未顯示任何一款 coding 工具直接造成呢些結果，亦無證據證明 AI 生成程式碼天生劣質。核心挑戰始終係企業選擇：用 AI 抽走新人建立判斷力嘅工作，定係用 AI 建立一條更快、但仍有足夠督導嘅成長路徑。

AI coding 助手可以令開發者做得更快，但唔代表軟件團隊——或者職涯培訓——自然會變得更健康。真正值得警惕嘅，未必係某一款工具必然寫出差 code；而係企業可能用自動化取代過往由初級員工負責、同時亦係佢哋學師嘅例行實作工作，然後將需求集中喺能夠定義需求、審核產出、測試系統同權衡取捨嘅資深人才身上。

現時勞動市場研究同呢個走向一致，但未足以證明 Cursor、GitHub Copilot 或 Claude Code 造成初級職位減少。

數據反映嘅係「資歷傾斜」

史丹福大學同倫敦國王學院一項研究，分析咗 41 個國家、共 12.5 億個招聘廣告同 1.54 億份就業紀錄。研究以工具變數方法分析後發現，採用 AI 嘅企業，其初級員工喺整體人手中嘅比例，相對可比企業有所下降；主因主要係資深職位增加，而唔單純係初級職位絕對數量下跌，研究亦有跡象顯示整體就業或有溫和增長。33

與該研究相關嘅五年估算顯示：採用 AI 嘅企業中，資深員工就業增加 6.7%，初級員工就業減少 3%，初級員工佔整體人手比例下降 1.9 個百分點。37 重點係，呢啲數字講緊人手結構改變，唔係「AI 令全體工作崗位消失」咁簡單。

另一項史丹福大學薪酬紀錄研究亦見到類似嘅職涯早期落差：喺高度受 AI 影響嘅職業中，22 至 25 歲工作者嘅就業水平，比起如果佢哋跟低 AI 暴露職業嘅同齡人同步增長時應有嘅水平，低約 19%；有經驗工作者則未見同樣差距。12 呢個係相對落後幅度，唔等於 AI 直接消滅咗 19% 職位。

AI 寫 Code 工具點樣切中憂慮？但因果關係未證實

Chamath Palihapitiya 形容主流 AI coding 工具係「單人遊戲」：佢哋好擅長加速個別開發者產生程式碼，卻未必處理到軟件開發中需要多人協作嘅部分，例如架構決策、需求討論、合規審查、code review、回滾、事故檢討同新人 onboarding。他稱呢類工具可帶來「2 至 5 倍」個人速度提升，同時強調可靠嘅軟件開發依賴大量協調同決策。30

呢個講法提供咗一個值得討論嘅組織層面框架。假如工具令少數資深工程師可以更快寫、檢查同整合程式碼，公司便可能認為毋須聘請咁多初級工程師做例行實作。但餘下嘅工作會更依賴判斷力，包括：

• 將模糊嘅用戶需要轉化成技術需求；
• 辨認生成程式碼中嘅錯誤或保安漏洞；
• 設計測試、理解失敗原因；
• 放喺大型系統脈絡下審核改動；
• 判斷幾時唔應該自動化，或者唔應該推出產品。

以上係合理嘅可能機制，唔係針對個別產品嘅因果研究。現有勞動研究量度嘅係廣義 AI 採用程度同 AI 暴露度，並無分拆 Cursor、Copilot、Claude Code 或其他 coding 助手嘅影響；亦無證明使用呢類工具必然導致程式碼質素差。

初級職位最重要嘅作用：提供「學識判斷」嘅場景

初級職位從來唔只係補充人手。新人通常透過 code review、debug、跟進事故、觀察設計取捨，同埋接受資深同事回饋，慢慢建立工程判斷力同組織脈絡。

當例行工作被自動化，企業有可能無意中拆走咗職涯階梯最低嗰級。結果就變成一個矛盾：求職者被要求展示本來要靠初級職位先建立到嘅判斷力。

招聘門檻可能已經向呢個方向移動。世界經濟論壇引用 PwC 研究指出，最受 AI 影響嘅初級職位，比起受影響最少嘅初級職位，要求過往被視為資深職級技能（包括領導力）嘅機會高 7 倍。12 呢種情況會形成循環障礙：要有經驗先攞到一份原本應該提供經驗嘅工作。

對軟件團隊而言，呢個唔只係公平問題。若果長期減少受督導嘅職涯早期機會，日後能夠成長為資深工程師嘅人才供應亦可能收窄。眼前嘅生產力收益，可能換來更薄弱嘅接班人才庫。

點解呢個趨勢可能擴大不平等？

偏向資深人才嘅轉變，會獎勵本身已有經驗、熟悉組織運作、並接觸到高質素 review 嘅人；新入行者通常三樣都較少。

因此，22 至 25 歲人士喺高度 AI 暴露職業出現約 19% 相對就業落差，雖然唔可當成直接被 AI 取代嘅證據，仍然值得重視。12 呢個現象反映，年輕工作者未必能平均分享到 AI 相關行業嘅機會。缺乏職場人脈、較少頂尖學歷背景，或者未能接觸導師嘅人，尤其可能更難跨過新形成嘅「經驗門檻」。

風險係，勞動市場分成兩邊：一邊係懂得指揮、驗證同問責 AI 系統嘅人；另一邊則被要求一入行就已經要做到前者。

僱主可以點做？

出路唔係為咗保住職位而硬留重複工作，而係重新設計初級職位，令 AI 提升新人能力同學習速度，而唔係單純刪走學習機會。

保留有督導嘅實戰工作

企業可維持有薪學徒制、畢業生輪調計劃，以及清楚列明 mentoring 責任嘅初級職位。目標應該係睇到新人由範圍較窄、有人審核嘅工作，逐步走向承擔更大責任，而唔係只追求低成本產出。

評估判斷力，而唔係只睇 prompt 產出

AI 輔助招聘同績效評估，應測試應徵者可否界定問題、解釋生成程式碼、撰寫或改善測試、指出失效模式，以及回應保安同可靠性問題。生成得快，唔等於具備工程能力。

將 AI 放入 review 流程，而唔係放喺流程外

團隊應為 AI 輔助改動建立可追溯性、人工審核、測試同清晰責任歸屬。咁做亦可令 AI 成為教學工具：初級工程師可以比較不同生成方案、追查失敗原因，並從回饋中理解點解某個做法更安全、更易維護。

衡量人才成果，唔好只睇產量

管理層應同時追蹤初級招聘、晉升率、培訓時間、留任率，以及不同資歷層級嘅工作分布，而唔只係交付功能數量或 code volume。一個令產出上升、但削弱人才管道嘅生產力計劃，可能正累積長遠營運風險。

政策焦點：保住由教育走向職場嘅通道

公共政策可以喺唔阻礙技術採用嘅前提下，協助保留由學校過渡到職場嘅途徑。可考慮措施包括：共同資助學徒制、與受督導技能培訓掛鈎嘅工資補貼、可攜式培訓支援，以及聚焦高度 AI 暴露職業年輕工作者嘅配對服務。

政府同大型採購方亦可鼓勵以「增能」為先嘅部署方式：AI 用作喺可問責嘅人工監督下提升初級員工能力，而唔係一採用 AI 就先削減初級招聘。

結論：問題唔係 AI 寫咗幾多 Code，而係邊個仲有機會學識負責

AI coding 工具可能透過提升資深工程師效率，並削弱部分例行初級工作嘅經濟誘因，改變軟件團隊嘅人手配置。國際研究支持一個需要正視嘅訊號：採用 AI 嘅企業正增加資深職位，而初級員工嘅相對比重正在下降。3337

不過，證據未顯示任何一款 coding 工具直接造成呢些結果，亦無證據證明 AI 生成程式碼天生劣質。核心挑戰始終係企業選擇：用 AI 抽走新人建立判斷力嘅工作，定係用 AI 建立一條更快、但仍有足夠督導嘅成長路徑。