當「寫程式」這件事將不再存在：OpenAI Codex 產品主管的極度樂觀預言

關於受訪者

Alexander Embiricos 是 OpenAI Codex 產品主管，也是 Desktop & Agents 團隊負責人。他在加入 OpenAI 之前是 screenshare 協作工具 Multi 的 CEO 兼共同創辦人，Multi 後來被 OpenAI 收購。在此之前，他花了五年時間打造工程師 pair programming 產品——所以他說的不是旁觀者清，而是在這個議題上坐最前排的人。

採訪者是英國創投 Harry Stebbings（20VC），本集錄製於 2026 年 2 月，距離 OpenAI Codex 超級盃廣告上映僅數天後。

在這場對話中，他想告訴我們：AI coding 的下一個瓶頸不是模型太笨，而是人類太懶——而這個問題的解法，不是更複雜的 AI，而是更好的產品設計。

如果你在過去一年問「AI 會取代工程師嗎？」，你得到的答案大概是「部分取代、輔助為主」。但如果你去問 OpenAI Codex 的產品主管，他的答案會讓你措手不及：「我們公司大多數工程師已經不打開 IDE 了。」

這是一個正在發生的現實，不是預言。

核心邏輯還原

Alex 這場對話表面上在談「AI 會不會取代編程工作」，但他真正想回答的問題是：

「既然模型已經夠強，為什麼 AI 對大多數人的幫助還那麼有限？」

他的推理鏈是這樣的：

人類目前每天使用 AI 30 次 → 但如果成本趨近於零，應該是 一萬次 → 差距來自「人類需要手動輸入 prompt」這個摩擦 → 所以真正的瓶頸不是模型能力，而是人類的 typing speed + validation work → 解法是把 AI 變成像 Google 搜尋一樣自然的行為，不需要特別意識到自己在「使用 AI」

這個邏輯鏈同時解釋了 Codex 的產品方向、為什麼他不相信「Top-down FTE 企業導入」，以及為什麼他認為 Chat 界面會是未來的中心。

「編程」的考古學 02:12

Elon Musk 說「編程是最早被自動化的職業之一」，Alex 沒有否認這個說法，但他做了一個很漂亮的歷史解構。

你知道「computer」這個字的起源嗎？在 Bletchley Park，有一整個房間的人類在手動計算數學表格，互相傳遞紙張——那些人叫做「computers」。後來電腦取代了這項工作，但我們沒說「運算被自動化了」，我們說「出現了新的工具」，然後需要更多人來使用這些工具。

Assembly → 高階語言的轉換也是同樣的邏輯：不是程式師消失，而是每個程式師能做的事爆炸性增加，反而需要更多工程師。

Alex 的預測是：未來會有更多「建造者」（builders），但「人才棧」（talent stack）會壓縮。以前你需要後端工程師、前端工程師分開招，現在 Codex 團隊裡幾乎每個人都是 full-stack。PM 這個角色也是——不是說不需要，而是你需要的 PM 會更少，而且必須是真正的「完美契合」，否則可能弊大於利。

▼ 圖：人才棧壓縮的歷史模式

graph TD
    A[Assembly 時代\n大量專業化分工] -->|高階語言| B[高階語言時代\n全端程式師崛起]
    B -->|LLM coding agents| C[AI 時代\n talent stack 壓縮]
    C --> D[更少、但更全能的建造者]
    C --> E[更多產出\n更大的總需求]

    classDef cream fill:#F4F0E4,stroke:#537D96,color:#333
    classDef teal fill:#44A194,stroke:#2D7A6E,color:#fff
    classDef steel fill:#537D96,stroke:#3A5A6E,color:#fff

    class A cream
    class B steel
    class C,D,E teal

真正的瓶頸不是算力，是人類 05:32

這是整場訪談最精彩的洞察。

Alex 用了一個很好的 Socratic 問法：你一天用 AI 幾次？Harry 說 30 次以上。如果 AI 使用成本趨近於零，你一天能用幾次？理論上是無限次——推斷、分析、草稿、建議，每一個動作背後都可以有 AI 參與。

差距不在模型能力，在於人類懶得輸入那麼多 prompt。

更深的問題是：就算 Alex 自己在 OpenAI 工作、知道 AI 的所有可能性，他還是跟一般人用差不多的頻率。「每次我用 AI 做了什麼新的事，我都覺得自己很厲害——哦，我居然用 AI 來準備這場訪談。」

但這不是一般人應有的體驗。如果 AGI 要普惠所有人，你不能指望每個人都要像技術人員一樣學會 prompt engineering。AI 應該要像 Google 搜尋一樣自然——你不需要「意識到」自己在使用它。

這也是為什麼他認為 AI 的終局形態不是更強的 API，而是更好的產品包裝，讓 AI 主動融入人的流程，而不是等人去呼叫它。

三個時代，一條路線圖 10:28

Alex 給了一個很清晰的三階段框架，說明 AI 如何從 coding 擴展到「一切」：

第一階段（現在）：Coding agents。LLM 恰好非常擅長寫程式，所以從這裡開始有 PMF。

第二階段（進行中）：電腦使用 (computer use)。讓 agent 用電腦做更多事，而「用電腦」最有效的方式恰好還是寫程式——所以所有 agent 本質上都是 coding agent。這個洞察很漂亮：coding 不是 AI 的局限，而是 AI 使用電腦的最佳語言。

第三階段（即將）：產品化。把目前探索出的 pattern 包裝成對一般用戶開箱即用的特定功能。Alex 說 Codex app 現在已經有很多非工程師用來做非 coding 的事，就是預告這個轉型。

▼ 圖：三階段路線圖

graph LR
    P1["第一階段\nCoding PMF\n（已完成）"] --> P2["第二階段\nComputer Use\n所有 agent = coding agent\n（進行中）"]
    P2 --> P3["第三階段\n產品化\n一般用戶 ✓\n（即將）"]

    classDef teal fill:#44A194,stroke:#2D7A6E,color:#fff
    classDef gold fill:#FAB95B,stroke:#D4962A,color:#333
    classDef coral fill:#EC8F8D,stroke:#D4696A,color:#fff

    class P1 teal
    class P2 gold
    class P3 coral

從「結對程式設計」到「全委派」 17:04

這裡 Alex 說了一個讓我很震驚的數字：OpenAI 內部大多數工程師已經不打開 IDE 了。

這個轉變的轉折點是 GPT-5.2 Codex（2024 年 12 月）。在那之前，AI 是個「小助手」——tab 補全、偶爾的程式片段，但你還是坐在鍵盤前主導一切。GPT-5.2 之後，模式完全翻轉：你提供規格，AI 去執行，你去做別的事。

這就是為什麼 Codex 新 app 刻意不加文字編輯功能。他們要傳達一個清晰訊號：這不是 IDE，這是委派介面。多個 agents 並行工作，你的工作是管理任務和審核結果，不是寫每一行程式。

Plan Review 比 Code Review 更重要 20:03

這個觀點很反直覺，但非常合理。

在委派時代，讓 agent 開始執行之前先對齊規格和架構決策，遠比事後 review 程式碼更有效率。Alex 把這比喻成：新進工程師在動工之前要提交 RFC（Request for Comments），讓團隊確認方向。Codex 新加的「plan mode」就是做這件事——agent 先提出做法，詢問你的意見，再動工。

至於程式碼的 review，Codex 現在幾乎自動 review 所有推送到 repo 的程式碼。OpenAI 明確訓練模型做 high-signal、低假陽性的程式碼審查——當 Codex 說有問題，你就該重視。

有趣的插曲：很多人第一次感受到 Codex 有多強，是讓 Codex 去 review 競爭對手模型寫的程式碼，然後想說「我乾脆就直接用 Codex 寫算了。」

反直覺的開放策略 22:22

當 Harry 問「你怎麼留住用戶、防止他們跑去 Cursor 或 Claude Code？」，Alex 的回答讓人有點迷惑：我們做的恰恰相反，我們讓切換更容易。

Codex 的核心 harness 是開源的。agents.md 標準（在 agent 的 context 中放置指示的慣例）是開放標準，幾乎所有 coding agent 都採用（他提到「除了 Claude 之外」，有點微妙的嗆聲）。上週 OpenAI 還推動把 skills 存放在 agents/ 這個中性資料夾，而不是 codex/。

他的邏輯是：OpenAI 的真正使命是「分發智能」（distribution of intelligence），而不是「讓 Codex 成功」。 把模型服務給競爭對手沒關係——如果競爭對手做出好東西，OpenAI 能學到東西。這是很長線的博弈。

短期的競爭優勢在於：ChatGPT 的龐大用戶群 + 自己訓練模型的能力（競爭對手沒有 early access）。

Chat 是新的 Slack：「中心引力」的魔力 31:40

這裡有一個我最喜歡的比喻。

Harry 問：Chat 界面（文字輸入框）真的會是 AI 的終局 UI 嗎？那些不熟悉文字界面的普通人呢？

Alex 的答案是：Chat 會是中心，但會配上針對特定場景的功能 GUI。 工程師有 Codex app 可以深入；行銷人員也許有廣告分析的客製 GUI；但所有人的起點都是「說話/打字給 AI 聽」。

這裡他用了 Dropbox 的故事：他在 Dropbox 工作時，他們很認真地思考過「用戶應該在 Dropbox 文件上留言，還是去 Slack 討論文件？」技術上在文件原地留言更最優——精確的 timestamp、完整的上下文。但Slack 的引力實在太強，人們就是不想去文件上留言，寧可 Slack 你一下。

他認為 AI agent 會走同樣的路：少數幾個「你可以對它說任何事」的 super-assistant 會成為工作的重力中心，就算對特定任務有更優化的工具存在，人們還是會傾向用那個「萬用入口」。這意味著市場最終會集中在少數幾個主要提供商。

▼ 圖：「中心引力」效應

graph TD
    Center["Super-assistant\n萬用對話入口"] -->|查資料| A["知識工作\n（文件/資料）"]
    Center -->|寫程式| B["工程任務\n（Codex App）"]
    Center -->|行銷分析| C["特定功能\n（客製 GUI）"]
    Center -->|日常事務| D["個人助理\n（行事曆/郵件）"]

    classDef teal fill:#44A194,stroke:#2D7A6E,color:#fff
    classDef cream fill:#F4F0E4,stroke:#537D96,color:#333

    class Center teal
    class A,B,C,D cream

SaaS 不會全死，但你得搞清楚你是哪種 46:33

Harry 作為 VC，問了一個非常現實的問題：SaaS 完蛋了嗎？AI 提供商會來搶走他的午餐嗎？

Alex 給了一個我覺得相當精準的框架：

安全的 SaaS：（1）擁有與人類用戶的直接關係；（2）擁有重要的「系統記錄」（system of record）。這兩種都比以前更重要，因為 AI 需要連結這些系統和關係才能運作。

危險的 SaaS：純粹的「膠水層」（glue layer）——把別人的系統黏在一起，但本身不擁有用戶關係或核心數據。這種公司最容易被 AI agent 取代。

他特別提到 Dropbox：語氣很委婉，但暗示 Dropbox 在這個框架下很脆弱。（身為前 Dropbox 員工，這句話說得很輕描淡寫，但話語間透露出真實的擔憂。）

反直覺的樂觀觀點：Monday.com 這種 to-do list 類工具，普通用戶其實不會去 vibe code 一個自己的版本——客製化和維護的成本比訂閱還高。不是所有 SaaS 都岌岌可危。

對於投資方向，他認為實體基礎設施（能源、機械）和高度規管的金融科技（幾百個銀行關係、東南亞 compliance）是 AI 提供商不會輕易進入的領域。

給下一代工程師的最誠實建議 54:12

如果你是一個準備進入職場的工程師，Alex 的建議很清晰：

現在是工程師最好的時代。你有強大的工具，能以前所未有的速度進入複雜 codebase，你可以用 AI 研究架構、規劃修改方向——這些以前要花幾天的事，現在幾小時就能搞定。

但問題是如何得到一份工作？他說：現在最稀缺的不是寫程式的能力，而是 agency（主動行動）、taste（品味）和 quality（品質）。 既然建造東西變得更容易，展示「你做了什麼值得一看的東西」就比一份履歷更有說服力。

他自己說，當有人寄給他一個有趣專案的連結加上一些真誠的思考，比傳統履歷更能引起他的注意。

總結：奶奶的 WhatsApp 裡有個 AI

被問到 10 年後最期待什麼，Alex 說了一個畫面感很強的答案：

「我最想看到的是——在我們家族的 WhatsApp 群組裡加入一個 AI agent，然後它就開始對大家有用，而不需要任何人特別想什麼、做什麼。」

這個願景和 Sam Altman 談的「能源豐盛、AI 消滅貧困」不同，不宏大，但更具體，也更打動人。Alex 加入 OpenAI 的動機就是「能力過剩（capability overhang）」——他覺得模型已經夠強了，只是產品還沒讓大多數人得益。技術和技術惠及的人之間，還有一條需要產品設計來填補的鴻溝。

最後我想說：這場對話裡，Alex 對很多事的答案都是「反直覺的」——開放反而更有競爭力、委派比 review 更重要、用戶數比收入更重要。但每一個反直覺都有清晰的邏輯支撐。這種「看似反常，實則有理」的思維方式，本身就是值得學習的東西。

原文中提到但本文未深入展開的話題

[ARTICLE_RESULT]

來源：20VC: OpenAI's Codex Lead: Why Coding as We Know It is Over · Alexander Embiricos @ Lenny's Podcast · OpenAI Codex Super Bowl Ad