AI 浪潮下，台灣軟體工程師的真實處境：不是末日，是篩選
PTT Soft_Job 上那篇「軟體工程師是不是走到盡頭了？」帖子，持續熱討超過九天，引起了數百名工程師共鳴。同一個月，Cloudflare、PayPal、Coinbase 相繼宣布裁員，且明確點名「要用 AI 取代這些職位」。數字很難看：截至 2026 年 5 月，全球科技業已有 134,603 人被裁，212 起裁員事件（Skillsyncer 追蹤器，2026-05-26）。
但另一個數字更值得注意：Forward-Deployed Engineer 的職缺在一年內成長了 729%（Indeed 資料）。
本文的目標不是安慰你，是幫你搞清楚：你的職涯風險等級，以及接下來六個月可以做什麼。
TL;DR
- 2026 全球科技裁員 134,603 人，但 AI 相關職缺同步爆增，兩件事同時為真
- 被裁的是「用舊方式工作的工程師職位」，不是所有工程師職位
- 台灣工程師依產業可分三條路：穩住（金融/半導體）、轉型（高風險外商/軟體）、跨界（AI PM/Solution Architect）
- AI 技能薪資溢價 +56%（PwC 2025 調查）；ML 工程師薪資具競爭力
- 轉型不需要辭職，6 個月在職學習路徑是主流
這波裁員跟你想的不一樣：數字背後的結構性轉變
先把數字攤開來看。
2026 年 5 月，Cloudflare 裁員 1,100 人，佔員工總數 20%，信中表示公司正朝 AI 方向轉型（letter cited AI transformation, but did not use the specific term "agentic AI-first"）。同期，PayPal 計劃裁減 20%（約 4,760 人），Coinbase 裁 14%（約 700 人），理由如出一轍：AI 重組。Meta 和 Microsoft 上半年合計裁員超過 2 萬人，但同步宣布大規模 AI 投資計畫。
這個模式說明了什麼？
不是「AI 景氣差」，是「企業在換人」。
把薪資預算從「大量普通工程師」轉移到「AI 系統 + 少數 AI 工程師」，這是一次結構性的人力資本重新配置，不是景氣循環的暫時回調。Stanford 2026 AI Index 顯示，Agentic AI 相關職缺年增 280%，達到 9 萬個（美國市場）；同期傳統程式員就業年降 27.5%。
我看到的是：兩條曲線在交叉。一條往下，一條往上。你在哪一條上？
AI 真正在搶誰的工作（以及沒在搶誰的）
不是所有工程師的風險都一樣。根據現有資料，可以粗略劃分如下：
高自動化壓力（短期內 AI 可取代比例高）
- Entry-level 開發工作（簡單 CRUD、基本 REST API）
- 重複性測試工作（單元測試生成、regression testing）
- 基本前端元件開發（標準 UI 元件、簡單 landing page）
- 初級文件撰寫和 code review
低自動化壓力（AI 目前難以有效取代）
- 系統架構設計（涉及複雜 tradeoff 和商業邏輯）
- 跨團隊溝通協調和技術決策
- 安全性、合規性、法規相關工程工作
- 韌體、嵌入式系統、硬體整合
- 既有大型系統的維護和改造（legacy system 理解）
台灣特有保護層
台灣有些產業的工程師比全球平均更安全：
- 半導體供應鏈：TSMC、聯發科、日月光等公司的韌體和製程工程，與硬體的深度整合讓 AI 難以快速切入
- 金融業核心系統：法規要求、系統穩定性、合規稽核，讓金融業不可能像純軟體公司那樣快速以 AI 取代工程師
- 政府 IT 和電信業：採購流程慢、安全要求高、預算結構穩定
如果你在上面這三個產業工作，你的短期風險比 PTT 上的討論氣氛要低很多。
你的職涯風險自診矩陣
根據以下三個維度評估你目前的位置：
| 維度 | 低風險 | 中風險 | 高風險 |
|---|---|---|---|
| 產業 | 半導體、金融、電信、政府 | 傳統軟體公司、本土科技業 | 外商平台、純軟體新創、B2C app |
| 工作類型 | 系統設計、架構、合規、韌體 | 後端 API、資料庫、DevOps | 前端元件、重複性開發、測試自動化 |
| AI 工具使用 | 已整合進日常工作流程 | 偶爾使用但不系統化 | 幾乎不用或排斥 |
評分方式：每個維度依答案分別得 1/2/3 分，加總後：
- 3-5 分：低風險。穩住並增能即可
- 6-7 分：中風險。建議在 6-12 個月內主動累積 AI 技能
- 8-9 分：高風險。需要在 3-6 個月內啟動明確的轉型行動
三條路徑，找到你的位置
讀完上面的矩陣，你大概知道自己在哪個區間了。以下三條路徑，對號入座。
路徑 A：穩住（傳統穩定產業工程師）
適合對象：金融業、半導體、電信、政府 IT 的工程師。
你的短期風險確實較低，但這不代表可以不動。「用 AI 工具的工程師」和「不用 AI 工具的工程師」，兩年後的產出差距會很大。
現在可以做的事：
- 把 AI 編程工具整合進日常工作：GitHub Copilot、Cursor、Claude Code，選一個認真學會用
- 了解你的產業如何使用 AI：金融業的 AI 風控、半導體的 AI 製程優化，知道方向比會寫 code 更重要
- 不需要：立刻學 ML 理論、立刻轉職、立刻學 Python（如果你的主力語言是 Java/C++）
目標是讓自己成為「懂 AI 工具的資深工程師」，而不是被 AI 工具取代的人。
對於想深入了解 AI 工具選擇的朋友，可以參考 Claude Code vs Gemini CLI vs Codex CLI 實戰對比，那篇文章有具體的工具比較框架。
路徑 B：轉型（高風險產業工程師）
適合對象：外商平台、純軟體公司、風險較高的前端/測試工程師。
好消息是：你不需要辭職去念研究所。根據 TechNews 一篇閱覽超過 190 萬次的轉職指南，六個月的在職學習路徑是可行的。
六個月路徑（以在職學習為前提）：
| 月份 | 重點 | 具體產出 |
|---|---|---|
| Month 1 | Python 基礎 + LLM API 整合 | 能用 OpenAI/Anthropic API 建立基本對話應用 |
| Month 2-3 | RAG 系統建置 | 讓 AI 能存取並回答企業文件內的問題 |
| Month 4 | AI Agent 開發 | 能設計並部署一個自動化工作流程 agent |
| Month 5-6 | 部署 + 專業化 + 作品集 | GitHub 有 3 個以上可展示的 AI 專案 |
台灣市場薪資參考（均值，個別差異大）：
- AI 工程師月薪均值：NT$57,403（TechNews / 104 人力銀行數據）
- 機器學習工程師薪資具競爭力（個別差異大，建議參考 104 人力銀行最新資料）
- AI 技能薪資溢價：+56%（PwC 2025 全球調查）
注意：這些是市場均值，進入頂端外商或新創的薪資可以高出很多，但競爭也更激烈。
路徑 C：跨界（工程師轉 AI PM / Solution Architect）
適合對象：有 5 年以上工程經驗、對業務和產品有興趣、不只想寫 code 的工程師。
這不是「逃跑」，是「槓桿」。
我觀察台灣市場發現，AI PM 和 AI Solution Architect 是目前最稀缺的職位。原因很簡單：這個角色需要同時理解技術邊界（AI 能做什麼、做不到什麼）和業務邏輯（客戶真正需要什麼）。純 PM 背景的人不懂技術限制，純工程師背景的人不懂業務溝通。
工程師跨 AI PM 的天然優勢：
- 知道技術邊界，不會承諾做不到的事
- 能和開發團隊用同一種語言溝通
- 理解系統複雜度，能拆解可行路徑
需要補的能力：
- 業務分析和 stakeholder 管理
- 產品思維（用戶需求 → 功能優先序 → 商業價值）
- 數據解讀和 OKR 制定
台灣的金融業數位轉型部門、外商在台 RD 中心、AI 新創都在大量搶這類人才。薪資通常比純工程職高 20-40%，且晉升路徑更清晰。
風險揭露：關於職涯轉型你必須知道的現實
這是一篇關於職涯和財務決策的文章，必須說清楚風險，不能只給你看好的那面。
收入中斷風險
轉型路徑 B 或 C，大多數人需要 3-6 個月的技能累積期，部分人在此期間選擇降薪跳槽，或有短暫的空白期。如果你有房貸、家庭責任，或緊急備用金不足 6 個月生活費，請優先考慮在職轉型，而非辭職再學。
地理集中度風險
台灣的 AI 工程師需求高度集中在台北（外商、新創、金融業數位部門）。如果你在中南部或外縣市，遠端工作機會雖然存在，但競爭格外激烈，且許多企業仍要求到辦公室工作。
「學習 ≠ 就業」的落差
課程證書、Udemy 結業證書、甚至某些 bootcamp，對多數台灣雇主和獵頭的吸引力有限。他們更想看的是：GitHub 上可以跑的 AI 專案、有實際用戶或解決真實問題的 side project、以及你能在面試中說清楚「我做了什麼、解決了什麼問題、怎麼部署的」。
轉職不是所有人的最佳解
金融業或半導體的資深工程師（10 年以上），放棄穩定薪資和內部影響力去追求 AI 新創的不確定性，不一定是對的選擇。穩定的工程職本身就有很高的價值。
結論：選一條路，然後動
2026 年的科技就業市場，確實在篩選。但篩選的標準不是「你懂不懂 AI」這個二元問題，而是「你選擇如何應對 AI 改變你工作的方式」。
三條路都是出路：
路徑 A（穩住）：你在穩定產業，現在把 AI 工具整合進工作流程，三個月後你會是那個「用 AI 做出 2 倍產出」的工程師，而不是被 AI 比下去的那個。
路徑 B（轉型）：你在高風險產業，六個月在職學習路徑是你的緩衝。不需要辭職，但需要現在就開始。每週 10-15 小時，六個月後你有機會站在市場的另一條曲線上。
路徑 C（跨界）：你有足夠的工程資歷，業務側才是你的護城河。AI PM 和 Solution Architect 在台灣極度稀缺，你的工程背景是別人買不到的差異化。
最糟糕的選擇是什麼？什麼都不做，等著看。
如果你剛出社會或剛轉行，可以參考 AI 世代社會新鮮人生存指南，裡面有更多針對初階工程師的具體建議。
FAQ
轉型 AI 工程師需要辭職嗎？
不一定。大多數成功轉型的工程師是在職期間利用下班時間學習 3-6 個月，累積作品集後才跳槽，降低收入中斷風險。
40 歲以上的工程師轉型 AI 還有機會嗎？
有。資深工程師的系統設計經驗和業務理解是年輕工程師難以快速複製的優勢。重點是從「用 AI 工具提升現有工作品質」開始，而非從頭學 ML 理論。
台灣有哪些公司在積極招募 AI 工程師？
外商（台灣 RD 中心）、金融業數位轉型部門、大型科技公司（台積電、聯發科的 AI 部門）、AI 新創。地理集中度高：台北占多數。
學 AI 課程有用嗎？
課程能給你入門框架，但面試官和獵頭更重視 GitHub 作品集和實際部署過的專案。建議以課程建立基礎、以 side project 轉換成可展示的能力。
這篇文章對你有幫助嗎？
