跳到主要內容

2026 公司未來方向,沒有結論的 AI 還在持續

此時是 2026/02 的短暫結論,AI 局,(有能力和人力)的老人們,不用擔心,因為人力和能力是綜合能力,是目前 AI 無法替代的能力。

我還是那句話,『工程人員肯定還是會有事情做,而且前端只會更重要,做應用的人永遠不會失業,只是你做的標的是給誰,需求也只會更多。』

我直接先表達三個面向自己看到的關鍵,

公司體系改變

我認為直接的影響,有幾個直接的面向和結果,

全有或全無

全有, 如果沒有這樣能力的人,公司就還是會走回頭路,這樣的公司會先宣告 agent 無用論,基本上公司體制和人員編制還是會存在,大家薪水照領,舞照跳,但你會發現,公司賺錢跟你一點關係都沒有。

全無,全部門裁掉,簡單來說,現在一個人,就可以當作一個團隊。不會有行銷部門,而是行銷,管一堆行銷 agent,一個人當十個人打,10 個人就是以前一百人的公司規模,營收數億,大家開心。

效率至上無用論

『效率性』會完整呈現為『假議題』,只有增加速度完全不夠,要的就是『結果』。以前可以說分析數字,投放廣告,數位處理,但現在抱歉, AI 來了這些都是透過 Agent 做完的事情,並且可以做得很好,人,如果只剩下『背鍋』那就只能注定背鍋。

願意相信

願意才能往上,先相信才能看見,除非你已經看見過,那就不用再多談,畢竟有些事情,當信念足夠的時候,其實賺錢和擴大就是自然的事情,只是以前的擴大是團隊的擴大,才會發展到績效的擴大,現在的擴大是看誰有效率的使用 token 燒 token ,

挑戰反脆弱思維

反脆弱(Antifragility),此時做了會比什麼都不錯來的少損失。 回歸到那句話,『誰能夠『持續時間燒足夠效率 Token 誰就能拿下天下。』

當你還在猶豫到底要花幾千元,幾百元來註冊的時候,當下已經有許多公司默默的正在燒 Token 餵養著自己的數位顧問,數位實體,數位資產,開始讓每一個關鍵人物都大量的使用 Agent 作為數位養分,除非有非常非常強大的敵情外洩理由。

『做比不錯損失更少。』

這場遊戲只能由上而下,

再多的 agent,導入再多的 AI ,再多的團隊,執行的腳步和速度角度就會是卡在人身上,因此導入角度是 Top-down,這件事情只有 1% 會有可能 bottom-up,但這樣太慢,畢竟如大家所說『負責』的人決定執行的效率,只有帶著大家親手做才有辦法。

『數位工作』流分配為結果論

連同其他的『數位工作』,如寫文,媒體,視覺,市調等等這些都會被影響,直接都會被指向『成果』

更直接來說『垂直』會更好方向,先專注,夠專注到聚焦出來自己的護城河,如同我們正在進行 cymkube.com ,垂直,落地,製造,AI 短時間無法取代,我們相信的是『 Software define manufactoring』。

這些過程不是影響力,不是觸及數,不是觀看數,這些都只是輔助指標,這些懂的話就知道可以透過 ai 來搜集和整理,但絕對指標就是『成果』

這些工作者都不會被影響,但他們的任務會遷移,同時也不需要這麼多人攪和在『數位』流程當中,但還是需要少數幾個負責(背鍋)的『人』。

一人公司與超級個體展開

接下來某些人,和高齡化的一人工作模式會是越來越多的模式,回應到一開始,我們缺少的會是具備專業和經驗和人脈的人,這樣的人絕對都是有資歷的人,這樣的人不輕易為任何一間公司打工,新創公司也付不起這樣人才的份額。

工作模式會逐步變成,一人公司,或者外包模式。以前這樣的人,會全職在公司裡面,現在一個人,可以分給不同公司,做不同事情,他是階段性的,是分散式的能力展開給不同公司主體,這是已經可以看見的一人公司趨勢,超級個體的展開。

結論,沒有結論,還在持續

留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例,讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天,大家都在問一個問題: 「我能不能不只問 AI 答案,而是讓它像一位助理一樣,有流程、有反思、還有出處,真正幫我完成一件事?」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ,正是為了解這個問題而誕生。 這套系統到底是什麼? 這個範例不是傳統 Chatbot,而是展示一個完整的 AI research agent : 它會根據使用者的提問,自動發想搜尋關鍵字、查資料、整合重點,最後給出答案還附上引用來源。背後的邏輯設計得非常扎實,不只是能跑,更是具備可讀性、可擴展性與可商用性。 它的流程大致如下:  1. 使用者輸入問題(例如:「抖音是否影響台灣選舉?」)  2. Gemini LLM 幫你想出關鍵字(不只是照抄問題)  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足,自動補查  5. 整合最終答案,並產生 citation(來源說明) 你可以想像這就像一位實習助理幫你寫報告, 不只輸出一段內容,而是會 去查、會判斷、會補資料,而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色? LangGraph 就是整個 Agent 背後的控制系統 。 用白話講,它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查,甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API,而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說,它提供了從 prompt 到流程控制的設計彈性;對產品設計來說,它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構,前後端都幫你整好了,技術選型也非常實用:   前端:Vite + React + TailwindCSS + Shadcn UI  後端:FastAPI + LangGraph...