People Matters 另有報導指出，Chesky 警告「純粹管人的管理者」以及不願適應新技術的工作者，可能會在 AI 改變公司運作方式時被拋在後面 。換句話說，Airbnb 的 AI 轉向不只是工程師生產力的故事，也正在改變公司對技術領導者的要求。

Airbnb 使用 AI 的範圍也不只限於軟體開發。The Motley Fool 刊出的 Airbnb 2025 年第四季財報電話會議逐字稿稱，Airbnb 自有的 AI 客服代理已在北美解決三分之一客服問題，並處理近 30% 的工單，且公司計畫把它擴展到全球與語音場景 。同一份逐字稿也提到，Airbnb 正在打造更「AI 原生」的體驗，協助旅客規劃行程，並讓公司能更有效率地規模化運作 。

工程師：從「敲程式」轉向「設計、審查與負責」

當 AI 能快速產出大量初稿，工程師的工作不會因此消失，但價值會被重新定義。

過去，許多工程價值容易被看成「寫了多少程式碼、完成多少任務」。但在 AI 輔助開發變成日常之後，更重要的是能不能創造出可靠、可維護、真正符合產品需求的軟體。工程師需要更強的能力包括：

• 把問題說清楚。 AI 工具越強，越需要人類明確定義目標、限制、預期行為與背景脈絡。
• 提供系統脈絡。 生成的程式碼必須能放進既有 codebase，符合資料假設、權限邊界、產品需求與團隊分工。
• 審查輸出結果。 工程師仍然要讀懂程式碼、理解取捨，判斷它是否安全、穩定、值得上線。
• 測試邊界情境。 初稿變快，不等於除錯、測試與失效情境思考可以省略。
• 守住架構。 更多 AI 生成程式碼，也可能代表更多未來要維護的負擔；模組邊界、依賴關係與長期簡潔性反而更重要。
• 對產品結果負責。 最後承擔可靠性、可維護性與使用者影響的，仍然是人類團隊。

因此，工程能力的判準會改變。速度仍然重要，但「手打了多少行程式碼」會變成比較弱的價值指標。真正拉開差距的是判斷力：知道該請 AI 做什麼、該拒絕什麼、該重構什麼，以及哪些東西根本不該被做出來。

為什麼「審查」會變成更高價值技能

AI 輔助寫程式會讓第一版實作變便宜。當初稿不再稀缺，能分辨「可用初稿」與「脆弱初稿」的人就更值錢。

在這樣的環境裡，強工程師不是把 prompt 丟出去、把結果照單全收的人，而更像編輯、系統設計師與營運者的混合體：能把 AI 生成的內容整理成可靠軟體。這包括確認實作是否符合產品意圖、是否破壞隱藏假設、是否契合架構，以及日後是否能被其他團隊維護。

這也是為什麼 AI 可能讓資深工程判斷更重要，而不是更不重要。當團隊能更快產出程式碼，真正的瓶頸往往會移到另一個地方：決定哪些程式碼值得存在。

管理者：只會開會派工，壓力會變大

Chesky 對管理者的說法，和「近 60% 程式碼由 AI 撰寫」一樣值得注意。Airbnb 被報導希望管理者保持足夠接近技術工作，能親自寫程式或使用 AI 寫程式工具 。People Matters 關於 Chesky 警告「純粹管人的管理者」的報導，也指向同一個方向：如果領導角色只剩協調層，可能會在 AI 改變工作流程時承受更大壓力 。

這不代表每位工程主管都必須變成團隊裡最強的個人貢獻者。但它意味著，技術理解力會越來越難迴避。

在 AI 高度參與的團隊中，管理者需要能夠：

• 理解 AI 工具能做什麼、不能做什麼；
• 評估技術取捨，而不只是追蹤進度；
• 挑戰估時、設計與生成程式碼裡的薄弱假設；
• 設定 code review、測試、安全性與可靠性的品質門檻；
• 用產品價值與系統健康度評估團隊，而不是用「人工敲了多少程式碼」當主要指標。

管理者仍然需要招募、教練、排優先順序與維持團隊健康。但在朝 Airbnb 這個方向前進的公司裡，這些職責會與更貼近工具、技術與實作的理解綁在一起。

最受壓力的不是職稱，而是過窄的工作定義

真正危險的未必是「軟體工程師」或「管理者」這個職稱，而是角色被定義得太窄，只剩例行產出。

壓力會更容易落在這些人身上：

• 只會寫程式，卻不了解系統上下文；
• 接受 AI 生成結果，卻缺乏仔細審查；
• 用任務數量衡量影響，而不是用產品價值衡量；
• 能協調工作，卻不了解技術內容；
• 迴避學習已經進入團隊流程的新工具。

相對安全的，是具備判斷力的技術型人才：能用 AI 加速，也能守住品質、架構與結果。

工程師與主管現在可以做什麼

對工程師來說，最務實的做法不是忽視 AI，也不是盲目信任 AI，而是把「AI 輔助交付」練成真正可靠的能力。這包括寫出更清楚的規格、提供更好的背景脈絡、仔細審查 diff、擴大測試覆蓋，並持續投資在架構、可靠性、安全性與產品判斷上。

對管理者來說，關鍵是不要離技術現場太遠。實際使用工具，理解它們的長處與限制；參與設計與 review 討論；把品質標準講清楚；獎勵能帶來長期產品成果的團隊，而不是只獎勵「看起來很忙」或「手動輸入很多程式碼」。

但別把 Airbnb 當成整個市場

Airbnb 被報導的近 60% 數字，是 Airbnb 自身的觀察點，不是整個產業的平均值。它不應被解讀成所有軟體組織都已達到同樣程度的 AI 採用。

Chesky 對 AI 的看法本身也包含加速與耐心兩面。2024 年，他曾說 AI 會比許多人想像中更深刻地改變世界，但也會比很多人預期花更久時間 。這或許是理解這波變化最合適的角度：AI 可能深刻重塑軟體工作，但轉型不會整齊劃一。

結論不是「AI 取代工程師或主管」這麼簡單，而是他們的貢獻單位正在改變。工程師要更擅長指揮與審查機器生成的工作；管理者則需要足夠的技術理解，才能帶領每天使用 AI 的團隊。在 Airbnb 的案例裡，長期優勢正在從手動產出，轉向判斷力、責任感，以及把 AI 輸出變成可靠產品的能力 。

People Matters 另有報導指出，Chesky 警告「純粹管人的管理者」以及不願適應新技術的工作者，可能會在 AI 改變公司運作方式時被拋在後面 。換句話說，Airbnb 的 AI 轉向不只是工程師生產力的故事，也正在改變公司對技術領導者的要求。

Airbnb 使用 AI 的範圍也不只限於軟體開發。The Motley Fool 刊出的 Airbnb 2025 年第四季財報電話會議逐字稿稱，Airbnb 自有的 AI 客服代理已在北美解決三分之一客服問題，並處理近 30% 的工單，且公司計畫把它擴展到全球與語音場景 。同一份逐字稿也提到，Airbnb 正在打造更「AI 原生」的體驗，協助旅客規劃行程，並讓公司能更有效率地規模化運作 。

工程師：從「敲程式」轉向「設計、審查與負責」

當 AI 能快速產出大量初稿，工程師的工作不會因此消失，但價值會被重新定義。

過去，許多工程價值容易被看成「寫了多少程式碼、完成多少任務」。但在 AI 輔助開發變成日常之後，更重要的是能不能創造出可靠、可維護、真正符合產品需求的軟體。工程師需要更強的能力包括：

• 把問題說清楚。 AI 工具越強，越需要人類明確定義目標、限制、預期行為與背景脈絡。
• 提供系統脈絡。 生成的程式碼必須能放進既有 codebase，符合資料假設、權限邊界、產品需求與團隊分工。
• 審查輸出結果。 工程師仍然要讀懂程式碼、理解取捨，判斷它是否安全、穩定、值得上線。
• 測試邊界情境。 初稿變快，不等於除錯、測試與失效情境思考可以省略。
• 守住架構。 更多 AI 生成程式碼，也可能代表更多未來要維護的負擔；模組邊界、依賴關係與長期簡潔性反而更重要。
• 對產品結果負責。 最後承擔可靠性、可維護性與使用者影響的，仍然是人類團隊。

因此，工程能力的判準會改變。速度仍然重要，但「手打了多少行程式碼」會變成比較弱的價值指標。真正拉開差距的是判斷力：知道該請 AI 做什麼、該拒絕什麼、該重構什麼，以及哪些東西根本不該被做出來。

為什麼「審查」會變成更高價值技能

AI 輔助寫程式會讓第一版實作變便宜。當初稿不再稀缺，能分辨「可用初稿」與「脆弱初稿」的人就更值錢。

在這樣的環境裡，強工程師不是把 prompt 丟出去、把結果照單全收的人，而更像編輯、系統設計師與營運者的混合體：能把 AI 生成的內容整理成可靠軟體。這包括確認實作是否符合產品意圖、是否破壞隱藏假設、是否契合架構，以及日後是否能被其他團隊維護。

這也是為什麼 AI 可能讓資深工程判斷更重要，而不是更不重要。當團隊能更快產出程式碼，真正的瓶頸往往會移到另一個地方：決定哪些程式碼值得存在。

管理者：只會開會派工，壓力會變大

Chesky 對管理者的說法，和「近 60% 程式碼由 AI 撰寫」一樣值得注意。Airbnb 被報導希望管理者保持足夠接近技術工作，能親自寫程式或使用 AI 寫程式工具 。People Matters 關於 Chesky 警告「純粹管人的管理者」的報導，也指向同一個方向：如果領導角色只剩協調層，可能會在 AI 改變工作流程時承受更大壓力 。

這不代表每位工程主管都必須變成團隊裡最強的個人貢獻者。但它意味著，技術理解力會越來越難迴避。

在 AI 高度參與的團隊中，管理者需要能夠：

• 理解 AI 工具能做什麼、不能做什麼；
• 評估技術取捨，而不只是追蹤進度；
• 挑戰估時、設計與生成程式碼裡的薄弱假設；
• 設定 code review、測試、安全性與可靠性的品質門檻；
• 用產品價值與系統健康度評估團隊，而不是用「人工敲了多少程式碼」當主要指標。

管理者仍然需要招募、教練、排優先順序與維持團隊健康。但在朝 Airbnb 這個方向前進的公司裡，這些職責會與更貼近工具、技術與實作的理解綁在一起。

最受壓力的不是職稱，而是過窄的工作定義

真正危險的未必是「軟體工程師」或「管理者」這個職稱，而是角色被定義得太窄，只剩例行產出。

壓力會更容易落在這些人身上：

• 只會寫程式，卻不了解系統上下文；
• 接受 AI 生成結果，卻缺乏仔細審查；
• 用任務數量衡量影響，而不是用產品價值衡量；
• 能協調工作，卻不了解技術內容；
• 迴避學習已經進入團隊流程的新工具。

相對安全的，是具備判斷力的技術型人才：能用 AI 加速，也能守住品質、架構與結果。

工程師與主管現在可以做什麼

對工程師來說，最務實的做法不是忽視 AI，也不是盲目信任 AI，而是把「AI 輔助交付」練成真正可靠的能力。這包括寫出更清楚的規格、提供更好的背景脈絡、仔細審查 diff、擴大測試覆蓋，並持續投資在架構、可靠性、安全性與產品判斷上。

對管理者來說，關鍵是不要離技術現場太遠。實際使用工具，理解它們的長處與限制；參與設計與 review 討論；把品質標準講清楚；獎勵能帶來長期產品成果的團隊，而不是只獎勵「看起來很忙」或「手動輸入很多程式碼」。

但別把 Airbnb 當成整個市場

Airbnb 被報導的近 60% 數字，是 Airbnb 自身的觀察點，不是整個產業的平均值。它不應被解讀成所有軟體組織都已達到同樣程度的 AI 採用。

Chesky 對 AI 的看法本身也包含加速與耐心兩面。2024 年，他曾說 AI 會比許多人想像中更深刻地改變世界，但也會比很多人預期花更久時間 。這或許是理解這波變化最合適的角度：AI 可能深刻重塑軟體工作，但轉型不會整齊劃一。

結論不是「AI 取代工程師或主管」這麼簡單，而是他們的貢獻單位正在改變。工程師要更擅長指揮與審查機器生成的工作；管理者則需要足夠的技術理解，才能帶領每天使用 AI 的團隊。在 Airbnb 的案例裡，長期優勢正在從手動產出，轉向判斷力、責任感，以及把 AI 輸出變成可靠產品的能力 。