摘要：生成式 AI 工具能協助程式開發人員提升高達 55% 的生產力，但過度依賴也可能加劇技術債(technical debt)的累積。在仍保留舊有程式碼系統的棕地(brownfield)環境中，若由缺乏經驗的開發者在此基礎上導入 AI 生成新架構，原有系統的問題反而可能惡化。
為避免因系統故障而付出高昂代價，企業必須訂立明確的使用規範，強化技術債管理，並培訓開發人員審慎運用 AI 工具。
速度紅利代價高
生成式 AI 在提升編程效率上的能力無庸置疑，但這項效益必須建立在通盤思考與審慎應用的前提下。若不經評估便直接採用 AI 生成的程式碼，可能影響系統的未來擴充性，導致架構不穩定，甚至讓企業陷入更嚴重的後果。
生成式 AI 在知識型工作(knowledge work)中的應用正呈現爆發性成長，特別是在軟體開發領域。OpenAI 最新推出的 GPT-4.1 特別著重於強化程式設計能力，是邁向全自動化的重要一步。許多導入這類工具的企業期望能藉此獲得顯著效益，而早期的研究也支持這樣的樂觀預期。
根據線上原始碼代管平台 GitHub的報告，使用 Copilot 的開發者生產力可提升高達 55%；麥肯錫公司(McKinsey)也指出，在生成式 AI 工具協助下，程式開發人員的任務完成速度可提升至兩倍。
然而，這些樂觀數據背後隱藏著一項關鍵前提：這些研究多在可控環境下進行，開發者負責的專案也往往是獨立性實驗，但這與真實世界的情境並不相同；現實中的軟體開發，幾乎都必須建構在既有系統之上。當 AI 生成的程式碼大量導入棕地(brownfield)環境 時，不僅增加風險，也使系統更難管理。
在本刊針對 AI 擴增(AI-augmented)軟體開發的策略管理研究中，我們訪談了從初階工程師、資深主管到 CIO等不同層級的專業人士，受訪者橫跨保險、網頁代管、社群媒體、國防、管理顧問及金融科技等多個產業。綜合受訪觀點與產業報導，我們歸納出企業在導入生成式 AI 進行軟體開發前，應優先評估的幾項關鍵策略，作為審慎決策的依據。
導入AI技術債為何失控
當企業急於將新軟體導入既有系統時，往往會在不知不覺間形成錯綜複雜的依存關係，進而加速技術債(technical debt)的累積，也就是為了追求短期開發速度而採取權宜之計，未來在修正時必須付出的額外成本。
技術債堪稱數位科技時代的「隱性軟肋」。它潛藏於存在超過 60 年、卻從未被完整紀錄或更新的 COBOL銀行系統；也體現在當年為了節省成本而以兩位數紀年，最終引發 Y2K危機，讓全球付出上千億美元的修復代價。當技術債持續累積，將導致開發速度下降、系統複雜度提升、安全性降低，最終甚至可能造成整體系統癱瘓。
根據美國「資訊與軟體品質聯盟」(Consortium for Information & Software Quality)的推估，美國的技術債成本高達 2.4 兆美元。儘管代價驚人，多數企業仍對這個議題視而不見，僅編列不到 20% 的技術預算作為「預償」。
多位受訪的開發者表示，他們往往得在維護期「偷空」修正技術債，因為管理階層鮮少核准專門時段來處理這類問題。一名資深工程師直言：「沒有人修正技術債，結果只會產生更多問題；問題越多，就越沒時間修復，最後形成惡性循環。」
舊系統本身已暗藏債務，若再疊加AI 生成的新程式碼，新舊交錯只會使問題更加複雜⋯⋯