2016年，傑佛瑞．辛頓（Geoffrey Hinton）提出了一個著名的比喻，說放射科醫師就像「已經衝出懸崖的土狼」：還在拚命奔跑，卻沒發現腳下已經沒踩到地了。他表示，深度學習的表現將在5～10年內超越放射科醫師，這一點「再明顯不過」，而醫學院也該停止培育放射科醫師。

時至2025年，放射科醫師平均年薪來到57萬美元，在一年內成長了9％。某個放射科的職缺平台顯示，目前仍有超過4,000個職缺待補，每個職缺平均需要130天才能招到合適的人。為什麼辛頓的預測與現實差了這麼遠？

這裡的問題並不是出於技術上的失敗，而是辛頓忽略了兩個任何大學經濟學入門課程都會教的基本概念。

第一個是誘發需求（induced demand）：如果取得某項服務的成本下降，通常就會讓需求上升。對交通規畫人員來說，這並不是陌生的概念，他們都明白道路一旦拓寬，車流量往往就會上升。隨著影像檢查變得更便宜、更快速，整個醫學影像市場也隨之擴大。每位放射科醫師的生產力提高，市場對他們的需求也同步增加。

第二個則是互補性（complementarity）。正如阿杰．艾格拉瓦（Ajay Agrawal）、約書亞．格恩斯（Joshua Gans）、阿維．高德法布（Avi Goldfarb）在著作《AI經濟的策略思維》（Prediction Machines）所解釋，在預測變得更便宜後，影像AI的互補要素——判斷、當責與簽核——就會變得更有價值。掃描影像本身並不等於診斷結果，最後還是需要一位有執照、有聲譽、能夠承擔法律責任的人員來完成簽署核准。簽核這個動作並非交易成本，而是產品本身。辛頓當初的預測，把影像判讀與放射科的執業實務給混為一談了。

另外還有第3點值得注意：簽署核准本身也是一種教學。住院醫師等於是在簽核的放射科醫師指導下，學習如何判讀影像。放射科醫師的當責機制，其實也是學徒機制。切斷當責，就等於切斷師徒傳承。

科技業即將重蹈覆轍

如今，科技業領導人正把撰寫程式碼與建構系統混為一談。2026年5月20日，Meta展開一波企業重整，據稱將裁撤約8,000人，約占員工總數10％；另有約7,000名留任員工將在內部轉調，投入AI計畫。裁員的原因並非經營不善：Meta在2026年第一季的營收高達563億美元。

Meta還只是其中一個例子。在整個科技產業，大型企業紛紛重整，調整為規模較小、由AI推動的團隊。亞馬遜（Amazon）在2026年第一季就裁撤了16,000個職位；甲骨文（Oracle）在3月開始裁員達數千人；微軟（Microsoft）則提出了自願離職方案。雖然各家企業的具體細節不同，但背後的管理邏輯卻愈趨一致：AI讓撰寫程式碼的成本降低，需要的人力也就少了。

這個邏輯並沒有錯。但產出程式碼，不等於打造可靠的系統。

問題在於，不必支薪的AI雖然能以遠大於人類程式設計師的速度產出程式碼，直接成本也低得多，但AI並無法像人類程式設計師那樣，在撰寫程式碼的過程中為客戶創造許多無法量化的價值。簡單來說，軟體工程師能判斷對特定軟體解決方案而言，哪些程式碼好、哪些不好，這種判斷卻難以衡量。Meta的客戶需要的並非程式碼，而是軟體解決方案。從這個角度來看，減少對人類軟體工程師的投資、轉而依賴AI，就是典型的最佳化錯誤；在AI環境中，這項錯誤還會迅速擴大。

更糟的是，AI在撰寫程式碼這個領域如果犯錯，會比在放射科所犯的錯更難發現、也更難管理。放射科一旦診斷錯誤，通常會快速對特定患者造成傷害，責任歸屬相當明確，因此較容易找出錯誤根源，並加以修正。

然而，程式碼撰寫時的錯誤往往要在多年後才會浮現，原本的作者很有可能已經離職，當初的提示詞也已無從追查。程式碼就算寫得不好，在系統上線時也常常看起來毫無問題，只有到了系統需要修改、整合、強化安全性或擴大規模的時候才會顯現。此外，除了航空與醫療器材等少數安全關鍵應用之外，關於軟體開發，目前並沒有像是食藥署這樣的監管機構、沒有統一的證照考試，也沒有法律責任框架可以約束品質欠佳的程式設計決策。

結果就是一場緩慢上演的「公地悲劇」（tragedy of the commons）。短期內，許多公司會覺得就算辛苦培育出優秀的專業人才、也可能會被競爭對手挖角，於是乾脆裁減那些負責培育新人、檢查AI產出結果的員工。沒有人願意投入培育人才，下一代的專業判斷力也就無從養成。

這麼做的代價要到多年後才浮現：等到企業面臨下一波複雜的問題，公司裡既沒有能夠打造系統的人，也沒有能夠做出適當判斷的人。此刻，每家科技公司都正在累積兩筆在資產負債表上看不到的債務。第一是「能力債」，也就是師徒傳承制的人才培育管道逐漸萎縮；第二則是「判斷力債」，也就是剩下的工程師一旦不再親自產出，也會逐漸失去準確判斷程式碼品質的基準。這兩筆債務在損益表上都隱而不顯；兩筆都會不斷複利膨脹。

領導人該怎麼做？

為了降低這些風險，企業領導人可以立即採取以下3項措施：

1. 延伸軟體溯源機制的範圍，涵蓋AI使用與人為責任歸屬

現有的SLSA（軟體供應鏈安全）框架已經會要求記錄各種軟體產品的生產過程，企業不妨善加運用：在所有正式發布的軟體模組中，都該附上完整的後設數據（metadata），記錄哪些AI工具曾介入程式碼的產生或修改、誰審查了輸出的結果、最後又是由誰簽署核准。

新聞攝影領域也有值得借鏡的先例：佳能（Canon）最近推出了「C2PA影像認證系統」（C2PA Authenticity Imaging System）；路透社（Reuters）也與佳能及Starling Lab合作，開始試用影像認證工作流程。在AI使照片製作變得又快又便宜的今天，有了這種認證影像真實性的能力，才能在流程中增加重要的治理機制。

2. 要求AI生成、準備投入正式環境的程式碼必須由具名人員簽核

前面提過，簽署核准機制不但有助於釐清AI程式碼錯誤的責任歸屬，還能提供學習的機會。因此，軟體公司應該在每次正式發布程式碼的時候，都安排由資深與新手工程師配對參與，以確保在追求生產力的過程中，仍然能夠維持師徒傳承制的人才培育機制。

3. 建立升級處理規則，將AI相關失誤與當責及成本連結起來

在公司內部，如果AI相關事件反覆發生，就該逐步提高審查要求、由具名的資深人員簽署核准，並且要有結構清楚的事後檢討。長遠而言，保險公司與監管機關也能應用同一套邏輯，將反覆發生的AI正式環境事故反映在網路風險保費與法遵義務上。這裡的重點並不是為了要懲罰，而是要讓疏忽懈怠的代價變得夠高，而讓「雇用真人」成為較划算的選項。

這些機制有一個共同的特徵：要在一個AI正極力消除的系統裡，重新引進一種「刻意保留的低效率」。對於存在公地問題的系統而言，刻意保留的低效率反而會是維持系統永續的必要條件。引進AI之後，雖然生產力提升能為資本帶來可衡量的短期報酬，但所造成的成本（如能力的流失、經驗的斷層）卻會被外部化，轉嫁到勞工、客戶與未來的領導人身上。從這個觀點就會發現，這種刻意保留的低效率，其實就是要將這些外部成本重新納入系統的機制。

＊＊＊

放射科給我們的啟示並不是AI失敗了，而是AI改變了什麼才是真正稀缺的資源。現在所缺少的資源，不再是判讀影像的能力，而是有明確責任歸屬的專業判斷。軟體產業也正面臨同樣的考驗。企業如果真正理解這一點，就能用AI強化工程師的專業能力；未能意識到這點的企業則會在多年後發現，自己雖然成功將程式碼的產出自動化，卻也親手拆毀了那個能夠判斷產出品質的體系。

（林俊宏譯）