Codex只是幫工程師寫程式嗎？我原本也這樣以為

最近開始認真學習 Codex。

老實說，在還沒有真正開始了解 Codex 以前，如果有人跟我說 Codex，我第一個想到的也是：「喔，就是一個幫工程師寫程式的 AI 吧？」

畢竟一般人不是工程師，也沒有打算轉行當程式設計師，很容易產生一個想法：這跟我有什麼關係？

但這堂課一開始就提出了一個很有意思的問題：一個完全不會寫程式的人，有沒有可能在一天之內，從零開始做出一套可以運作、甚至可以上線的軟體產品？

幾年前，這件事聽起來幾乎是不可能的。因為一套真正的軟體，不只是寫幾行程式而已，還包含前端、後端、資料庫、測試、修改 Bug、部署等工作，背後通常需要工程師，甚至需要一整個團隊。

但 Codex 這類 AI 編程工具出現之後，這條界線正在快速移動。

這堂課真正讓我開始重新思考的是：Codex改變的可能遠遠不只是「寫程式」這件事情。

從軟體開發、金融、醫療、教育、法律、電商到遊戲產業，背後其實都指向同一個趨勢：以前只有專業技術人員才能完成的事情，開始有機會讓真正了解產業問題的人直接參與。

從「幫你寫程式」進化成「幫你完成工作」

我覺得這堂課第一個很重要的觀念，就是要先理解現在的 Codex，和過去我們認知中的 AI 寫程式工具到底有什麼不同。

早期的 AI 程式工具，比較像是一個打字速度非常快的實習生。

你告訴它：「幫我寫這一段程式。」它就產生一段程式；接著你再告訴它下一件事情，它再繼續完成。也就是說，人還是必須一步一步指揮。

但課程裡把新版 Codex 定位成一種「軟體工程智能體」。它不再只是產生一小段程式碼，而是可以朝著理解目標、拆解工作、撰寫程式、執行測試、修正問題，最後交付成果的方向發展。

課程裡用了一個很容易理解的概念來說明這種差異。

以前是你念一句，它打一段；現在則逐漸變成，你告訴它想完成什麼，它開始自己想辦法完成。

看起來好像只是 AI 又變得更厲害了一點，但我覺得本質其實完全不同。

因為當 AI 從「回答問題」進一步變成「執行工作」，它改變的就不只是工作效率，而是整個工作的分配方式。

第一個被改變的，當然是程式設計師

軟體開發一定是 Codex 最直接影響的產業。

但這堂課並不是在告訴我們：「以後不需要程式設計師了。」

真正發生的事情比較像是：程式設計師的工作內容正在重新分配。

以前工程師大量時間花在真正「寫」程式。收到需求之後開始 Coding、測試、修改 Bug，再重新測試。

但是當 AI 可以負責越來越多實際 Coding 工作之後，人類工程師的價值，就會慢慢移到另外一個方向。

例如需求是不是合理？系統架構應該怎麼設計？AI產生的程式有沒有問題？有沒有安全性的風險？功能應該怎麼拆解？整套系統未來能不能擴充？

也就是說，工程師真正重要的能力，很可能會逐漸從「我能寫多少程式碼」，轉變成「我能不能定義問題、設計系統，以及判斷 AI 做得對不對」。

課程特別強調了一點，我覺得非常值得記下來。

未來的核心能力，不一定是誰記得最多程式語法，而是誰有能力把一個模糊的商業需求，拆解成 AI 可以理解而且可以執行的任務。

金融業：最懂業務的人，也可以直接參與工具開發

接著課程談到金融產業。

金融業有一個很明顯的特性，就是資料非常多、流程複雜，而且有不少工作具有高度重複性。

例如資料查詢、支付驗證、分析報告、財務模型、圖表與各種內部管理工具，都需要大量資料與軟體協助。

以前如果業務人員突然有一個想法：「如果公司有一套這樣的工具，工作應該會快很多。」接下來通常還得跟資訊部門溝通、整理需求、排開發時程，再等待工程師完成。

但 AI 編程工具出現之後，開始讓另一種工作方式成為可能。

業務人員可以直接利用自然語言把需求說清楚，先快速建立原型，再去驗證這個想法到底有沒有價值。

我覺得這裡很重要的一個觀念是：AI不是讓每一位金融從業人員變成工程師，而是縮短「有一個想法」和「把它做出來」之間的距離。

課程也談到財務分析工作。像是整理原始資料、產生圖表、找出異常資訊，再形成結構化分析內容，都可能透過 AI 減少大量人工整理的時間。

醫療產業：懂問題的人，更有機會自己做工具

醫療產業這一段，我也覺得很有意思。

一般人很容易想：「醫生跟寫程式到底有什麼關係？」

其實現在許多醫療研究已經大量涉及資料分析、統計、生物資訊等工作。問題是，醫生最了解疾病與臨床需求，但不代表每一位醫療人員都會寫程式。

以前要進行某些資料分析，往往必須再找統計人員、資料科學家或技術團隊合作，從溝通需求到真正取得結果，中間可能經過很多次來回。

當 AI 可以協助資料清理、分析、繪圖以及基礎程式處理之後，研究人員就有機會更快速驗證自己的想法。

當然，這裡有一個非常重要的前提：真正的醫療判斷與研究結論，仍然必須由專業醫療人員把關。

AI真正降低的是大量重複性技術工作的門檻，而不是取代醫療專業。

這也讓我看到 Codex 很重要的一個價值：讓最了解問題的人，更靠近解決問題的工具。

教育也會改變：以後學程式，可能不再只是背語法

教育這一段，我覺得甚至可能比「AI會不會取代工程師」更值得思考。

以前學程式，很大一部分時間是在學語法。某個指令怎麼寫？程式怎麼寫？條件判斷怎麼寫？關鍵字怎麼使用？

但是這類偏記憶性的事情，AI其實非常擅長。

那麼未來還要不要學程式？

答案當然不是不用，而是學習的重點可能會改變。

從以前一直在學「怎麼寫」，慢慢轉變成學習「怎麼想」。

例如讓孩子設計一個遊戲，以前大量時間可能花在每一行程式碼應該怎麼寫；但是未來真正值得學習的，反而可能是遊戲規則怎麼設計、玩家體驗怎麼安排、一個複雜問題如何拆成不同的小問題，以及整個系統有哪些模組。

當 AI 完成之後，人還需要知道怎麼檢查它做得對不對。

課程把這樣的變化整理成從語法學習，走向邏輯思考、問題拆解與系統設計。

我很認同這一點，因為這其實已經不只是「程式教育」的問題。

未來很多 AI 工具可能都會走向同一條路：工具操作越來越簡單，人的思考反而越來越重要。

電商產業這一段，我自己特別有感

聽到電商這一段，我馬上就精神來了，因為它跟我現在每天在做的工作非常接近。

做過電商的人都知道，每天有非常多看起來很小，但全部加起來卻非常花時間的事情。

商品上架、商品資料整理、價格調整、銷售報表、活動頁、商品描述、行銷文案、客服、數據分析、圖片素材整理……這些工作很多都帶有重複性的特質。

以前碰到比較具有技術性的需求，通常只有幾種方法：自己硬著頭皮處理、購買現成軟體，或者請工程師幫忙開發。

但是 AI 編程開始讓我們看到第四個可能：我把真正的需求告訴 AI，讓它幫我做一個符合自己工作需求的小工具。

課程把這種現象稱為「技術平權」。

以前可能只有大型公司有資源做到的資料分析、自動化營運與客製化工具，未來中小企業甚至個人賣家，也開始有機會使用。

這對我自己的工作有什麼意義？

這一點對我而言非常重要。

因為我自己長期做 SEO、WordPress、網站、社群、短影音、AI圖片與電商行銷，其實每天都有大量重複性的工作。

例如 Search Console 資料整理、不同網址的排名記錄、SEO文章進度、大量商品資料分類、不同平台的文案格式轉換，以及影片素材整理。

如果未來這些工作可以慢慢交給 Codex 建立工具或自動化流程，我就沒有必要一直把大量時間消耗在複製、貼上、分類、整理與搬資料。

我的時間應該拿來做真正需要人判斷的事情。

這或許也是我學習 Codex 最重要的原因之一。

遊戲產業：小團隊也可能擁有大團隊的產能

課程另外談到了遊戲產業。

遊戲開發裡，其實也存在大量重複性的程式工作，例如 UI 邏輯、技能效果、NPC 行為、資料設定以及各種工具腳本。

如果大量基礎實作可以交給 AI，人類開發者就可以把更多時間放到真正需要創造力的地方，例如玩法設計、架構設計、內容以及玩家體驗。

於是就可能產生一個非常有意思的結果：

團隊變小了，但整體產能反而提高。

以前只有大型團隊有能力完成的產品，未來一個規模不大的團隊搭配 AI，也可能逐漸擁有更高的開發能力。

其實我在看到現在的 AI 短影音、AI 圖片甚至 AI 漫劇發展時，也有很類似的感覺。

以前一個人幾乎不可能同時身兼導演、編劇、美術、剪輯、配音與特效，但是現在，至少已經開始有這個可能性了。

這堂課真正的核心：編程正在變成一種通用能力

聽到最後，我覺得整堂課最值得記下來的，其實是這個觀念：編程正在從一項少數人的專業技能，逐漸變成更多人都能使用的一種通用能力。

以前軟體開發主要掌握在懂程式的人手上。其他產業的人即使非常了解自己的問題，也必須找到技術人員，才能把自己的想法真正做出來。

但如果未來只要能夠清楚描述需求，就可以讓 AI 協助完成大量技術工作，那麼真正懂產業的人，能做的事情就會突然增加很多。

懂金融的人，可以嘗試建立符合自己需求的金融工具；懂醫療的人，可以更方便進行資料處理；老師可以製作教學工具；電商經營者可以建立自己的營運自動化流程。

當最了解問題的人，也開始擁有更多解決問題的能力，創新的速度自然會發生改變。

第一個改變：效率提升

只要工作涉及軟體、資料或者自動化，AI都有可能讓原本需要大量時間處理的工作明顯縮短。

第二個改變：技術門檻降低

過去只有專業技術人員才能完成的一些事情，未來產業專業人士也開始有能力參與。

第三個改變：試錯成本下降

以前製作一套工具、測試一個商業想法，可能需要投入不少時間、人力與資金。但當開發成本逐漸下降之後，我們就可以用更小的成本測試更多想法。

而當試錯的成本變低，願意嘗試的人自然增加；嘗試得越多，新的應用與創新也就越有機會出現。

Tina學姐的學習心得：我要學的不是寫程式，而是怎麼把工作交給AI

這是我聽完第一堂之後，自己最大的收穫。

我並沒有因此產生一個念頭：「糟了，我得趕快去重新學 Python。」

反而剛好相反。

我覺得自己接下來真正應該學的，是另外幾件更重要的事情。

第一，把問題講清楚

如果自己都不知道真正想解決的是什麼問題，那麼 AI 再厲害也沒有用。

第二，把一件大工作拆成小任務

例如一句模糊的「幫我做好 SEO」，AI其實很難知道真正應該完成哪些事情。

但如果把它拆成抓取資料、整理資料、比較排名、分類網址、產生報表、找出異常，再提出下一步建議，整件事情就完全不一樣。

第三，要有能力驗收AI做出來的成果

未來 AI 也許可以幫我們完成大量執行工作，但是最後的人仍然必須知道：這個結果到底對不對？有沒有遺漏？能不能真的拿來使用？

第四，把AI真正接進工作流程

這也是我最想學的一件事情。

不是玩一玩 Prompt，也不是叫 AI 寫一段看起來很厲害的程式給我看。

而是真正回到自己的工作裡思考：「我現在每天正在做的工作，到底有哪一些可以開始交給 Codex？」

如果這件事情真的做得到，我覺得它帶來的價值，比單純學會一個新的 AI 工具大得多。

Tina學姐的Codex筆記01｜我的結論

所以第一堂課學完，我現在對 Codex 的理解已經和原本完全不同了。

Codex不是一個單純的「工程師專用AI寫程式工具」。

至少我現在不會再這樣看它。

它真正值得一般工作者注意的地方，是 AI 正在降低「把想法變成工具」的門檻。

工程師使用它，可以提高開發效率；金融人員可以思考自己的分析工具；醫療研究者可以利用 AI 協助處理資料；老師可以製作教學工具；電商經營者可以開始建立自己的營運小工具與自動化流程。

而像我這種每天同時在處理 SEO、網站、電商、內容與 AI 行銷的人，更應該問的也許不是：「我到底會不會寫程式？」

而是：「我現在有哪些工作，可以開始交給 Codex？」

我覺得，這才是這套課真正值得我繼續學下去的原因。