一個沒寫過程式的會計師，讓 63 個人吵了起來：AI 到底該怎麼用
一篇講會計師用 AI 寫程式的 Threads，引來 63 個人、86 則留言。工程師舉的翻車例子，講的幾乎都是同一件事：用的人會不會用、肯不肯負責。留言裡那個新舊資料庫打架的故事，也讓我想講另一件事：AI 不怕讀別人的舊程式。
Anthropic 有份研究報告，分析了 23.5 萬人、40 萬個 Claude Code 工作階段。裡面舉了一個例子：一個從沒用過 Python 的會計，只要能明確告訴 AI 對帳要守哪些規則，還能抓到它在月底結算漏掉的邊界情況，在這件事上，他就是專家。
報告還量到，十大職業的成功率，都落在軟體工程師七個百分點以內。管理職還略高一點。
我把這段寫成 Threads，開頭是「一個從沒寫過半行程式的會計師」。
然後就炸了。
一萬兩千多次瀏覽，63 個人留了 86 則。有人說我不懂軟體，有人說這是他看過最唬爛的 AI 脆文，有人問我敢不敢上線，最新一則開頭是「一看就知道你是菜鳥」。
留言我一則一則讀完了，也用真人回了二十幾則。
然後我用平常的方法，把留言全抓下來，叫 AI 分類、算好。幾分鐘的事。
沒錯，一篇吵 AI 行不行的文，統計是 AI 做的。底下還有好幾個人直接標 Meta 的 AI 進來當裁判。吵到最後，大家都在問 AI。
留言到底在吵什麼
AI 分出來的結果是這樣。
工程專業不等於領域知識，17 則。質疑數據或比較基準，15 則。純嘲諷互嗆，15 則，兩邊都有。支持領域知識優先，12 則。灌水離題，12 則。親身踩雷，6 則。折衷分工，4 則。覺得是 AI 文或唬爛，3 則。覺得大家都會被取代，2 則。
分類難免有主觀，但方向很清楚：反對的聲音比支持的大。
有意思的是，把反對的例子一個一個攤開看。
有人說，公司的人叫 AI 算 Excel，結果它把算好的數字直接寫死，根本沒有計算公式。
有人說，AI 會把整張資料表撈出來逐行跑，一個資料庫內建功能零點幾秒就能做完的事。然後他自己補了一句：只要你不懂、不說、不要求，AI 就會選一條能完成的路。
有人說，你沒叫 AI 處理的東西，AI 就不一定會處理。
有人說，AI 找不到資料庫，乾脆自己建一個，使用者沒發現，新舊資料各跑各的，最後出了大事。
這些我全都信。我也遇過。
可是你看，這幾個故事的主詞是誰？
沒人盯、沒人驗收、沒人知道要問。
這些講的是 AI 寫不出來嗎？不是。講的是用的人不會用，還有出事時沒人負責。
連罵我菜鳥的那一則，也這樣寫：AI 在編程上比人類好，只有那些有 Domain 知識和全局觀的人，能夠讓 AI 為其打工。
他說我是菜鳥，這我不爭。可是後面那句，就是我想講的。
那些激動，我看到幾種
留言讀完，我大概看到五種反應。這是我的讀法，不敢說對方一定這樣想。
第一種是先亮資歷。「我是本科」「我在市值一兆的公司」「你又不是工程師」。這些話在爭誰有資格講，沒在談 AI 做得到什麼。
第二種是改定義。東西做出來了，就改問：跟 AI 講話，到底哪一段算「寫」程式？
第三種是拉高標準。我講會計對帳，對方問會計師能不能扛雙 11 的流量。可是，會計師本來就不用扛流量啊，他要顧的是每一筆金流對不對。
第四種是不對等的比較。拿外行亂用 AI 的最差結果，去比資深工程師的最好結果。那人類工程師寫出來的呢？資安事故、一上線就出包的案子，AI 出現之前也沒少過。工程師就不會寫出 bug 嗎？
第五種是看過爛用法，就下結論。看到同事用壞一次，就認定 AI 只能到這裡。可是模型幾個月就變一次，半年前的印象，現在可能早就不準了。
當然，不是每個反對的人都這樣。也有人是真的每天在扛系統，看過太多事故，講話比較重是有原因的。有位工程師說，他跟使用者起衝突反而安心，因為雙方各懂一半。這句話我很服氣。
而且支持這邊也有講過頭的人。「資安不用想太多」這種話我不會講。
會計師不懂網路架構和資安，當然。
可是一位後端工程師，就懂前端的專業嗎？大家本來就都有不懂的地方。差別只在，以前卡住要找人，現在可以先問 AI。
黃仁勳和 Karpathy 在做的事
黃仁勳在一段影片訪問裡說過，他希望公司的工程師不要再花時間在 typing。Cisco 整理他今年二月的談話時也寫，程式本身正在變成大宗商品，重要的是領域專業和理解客戶的問題。
這句話不是在叫工程師失業。是叫他們把時間拿去做打字以外的事。
十月底有個更具體的例子。
Andrej Karpathy，AI 圈的大神，前 OpenAI、前 Tesla。有天晚上他打開 YouTube，覺得推薦的東西爛透了。
隔天早上，他叫 Claude 做一個自己的 YouTube，影片來源是 Hacker News 上大家推薦過的。兩個小時左右，HackerTube 就上線了。
他的做法很簡單。Mac 上的 Claude Code 桌面版，Opus 5.5，effort 設 Medium。他說自己已經不讀、不寫程式碼，也不下終端機指令，就是跟 Claude 講話。
他自己動手的只有三件事：去 Google Cloud 申請 API 金鑰、開一台主機、買網域。
主機開好，把 IP 給 Claude，叫它更新、部署、做好安全防護、強化、最佳化。
然後 Claude 就做完了。
我知道有人會說，那是 Karpathy 啊，他當然知道要講「安全防護」。
對，這正是重點。他知道要問什麼。
那不是 Karpathy 的人怎麼辦？
我最常問 AI 的一句話
「這是什麼？請白話解釋給我。」
這應該是我問 AI 最多次的一句話。我不是工程師出身，當了三十年 PM，到現在還是不會寫 code。
留言裡有人說，我後來才補充有 SSL、有加密，一定是去問了 AI 才知道的。
就算是，那又怎樣？
問了，我就知道了。下次我就會自己提。
這幾年我就是這樣學網路技術的。跳出一個看不懂的詞，就問這是什麼、為什麼要有它、沒有會怎樣。問到懂為止。它不會嫌我煩，也不會回我「這你也不知道」。
工程師最有力的一句反駁是：你不知道要處理，就不會叫 AI 處理。
這句話是對的。可是解法就在同一個對話框裡。
做完東西，再多問一句：「還有什麼我沒想到的？資安上會出什麼事？有人同時操作會怎樣？」
不知道的事情，不再是一道牆。問出來就好。
從那則新舊資料庫的留言說起：別人的舊程式
前面那則留言，AI 自己建了新資料庫，新舊資料各跑各的。我回他：舊的跟新的互相衝突很常發生。那則留言也讓我想到，我覺得最有感的一件事。
帶過工程師的人都知道，接手別人的程式，是最不討喜的工作。
寫的人早就離職了，文件沒有，或者文件是三年前的。讀懂要花好幾天，這段時間看起來像沒有產出。動了一行，不知道哪裡會壞；壞了，還要算在你頭上。所以常聽到的答案是：這個寫得太爛，我重寫比較快。
這不是工程師懶，換成我也會這樣選。人的時間和耐心就那麼多。
AI 不一樣。它沒有不想讀別人程式這種情緒。Token 夠的話，它可以把整套舊系統一支一支讀完，整理出哪個功能在哪裡、資料怎麼流、哪裡看起來會出事，再寫成文件給你。
我們就接過這種案子。一套別人寫的會員系統，九千多個會員，我第一次連進去，簡訊發不出去，硬碟快滿了。我一行程式都看不懂，AI 查完回報：簡訊跟程式無關，是簡訊商只放行台灣 IP，而主機在日本。硬碟滿，是一千多份舊備份和日誌堆在那裡。當天修好，硬碟從 91% 降到 41%。
要是找人來，光是看懂這套系統，報價就不會便宜。
還有個不太恰當的例子，但很能說明 AI 的能耐。這陣子有人拿 AI 去反編譯舊遊戲，也就是從做好的成品倒推回原本的程式，再移植到新平台。多到 Anthropic 最近要在 Claude Code 加規則，不讓它照著重做別人的遊戲。
這件事涉及別人的智慧財產權，擋下來很合理，我不是要鼓勵大家去做。我要說的是，連沒有原始碼的東西它都啃得動。公司自己的舊系統，手上有全部原始碼，有什麼理由啃不動？
但它也有讀不到的東西。
程式碼看得出「做了什麼」，看不出「當年為什麼這樣做」。那條怪規則，可能是某個大客戶的合約。那位留言者講得很準，公司代代相傳、沒寫進文件的事，AI 不會知道。
所以順序很重要：先叫它研究，只讀不改，把看不懂的地方列出來，你拿去問還在公司的人。問完再動手，動手前先把備份做好。
你看，又回到用的人身上了。
那負責呢？
留言問得最好的一題是：你不會寫 code，怎麼知道它沒問題？
我不知道每一行有沒有問題。老實講，老闆也不知道工程師寫的每一行有沒有問題。
所以我看的是別的。
我們現在跑著幾十個專案，有客戶的，也有自己的。我不看程式碼，但我會要求：改完要跑過自動檢查才算完成。服務要有監控，掛了會通知。備份要真的還原過一次，不是有備份檔就算數。說能用之前，要真的走一遍使用者的路徑，傳一則真的 LINE。
這些都是 AI 幫我做的。可是「要做這些」是我定的規矩。
它也搞砸過。八月有天凌晨，我們的 94eat 改程式時，排程的 AI 剛好先動過同一段，後來那次修改有幾處沒對上，也沒報錯。結果 LINE 機器人已讀不回了八十分鐘。上線前明明測過，但測的是網頁那條路，剛好不是出事的那條。
工程師大概會說，你看吧。
可是工程師也會出這種事。重要的是，事後我們把規矩改了：每一處修改都要確認真的改到，測試要走真正有改到的那條路。
負責，就是這件事。出事的時候有人在，而且下次不會再犯同一個錯。這跟會不會寫 code 沒那麼大關係。
回到人的工作
所以 AI 到底能不能寫程式？
這題問錯了。它已經能幫很多事了，只是看誰在用、怎麼用、誰負責。
工程師不會失業。那些架構和資安的判斷，懂的人用 AI 會更快。會計師也不必變成工程師，把對帳的規矩講清楚，他就走得比以前遠很多。
留言裡有人拿馬車夫打比方，說技術再厲害也打不過引擎。這個比喻我只同意一半。馬車夫確實不見了，可是想去遠方的人變多了。
AI 幫得上忙的地方，比我們現在想到的多很多。
去把那些可能性找出來，我覺得這才是我們做為人的工作。