AI 一天能產出近十億行程式，但它解決的是「能不能跑」，不是「對不對、該不該這樣寫」。當生成趨近免費、驗證卻還卡在人類判斷的速度上，測試的瓶頸已經從「寫程式」移到「驗證程式」。團隊嘴上問的是「怎麼測 AI 寫的程式」，心裡真正怕的是「我來不及讀完所有程式時，怎麼還能負責地說它可以上線」。

這場分享我會拆解幾個在 AI 開發現場最常見的誤解，全程用可查證的研究數據加以佐證說明（METR 隨機對照試驗、DORA 2026、Sonar 2026），並穿插測試業界大佬的觀點。

大綱:

一、AI 對軟體測試所帶來的影響

二、迷思群一・綠燈幻覺——覆蓋率、綠燈、AI 寫的測試，為什麼都騙得了你

三、迷思群二・感知與現實的落差——你以為的快、你以為的好、你以為的把關，數據都不同意

四、迷思群三・人與規格反而更重要——oracle problem、模型越強缺口越大、AI 審 AI 的盲點

五、核心矛盾:很多團隊「要的是驗證，做的卻是把檢查自動化」，還誤以為兩者相等

聽眾收穫：

(1) 綠燈不等於對：測試通過只證明程式符合你寫的斷言，不證明那些斷言抓對了重點。

(2) 體感會騙人：你以為 AI 讓團隊更快了，但量測（METR）顯示資深開發者其實慢了 19%，連自己都沒察覺。

(3) 人和規格在 AI 時代更重要：AI 能產出程式卻定義不了「什麼叫對」，那個判斷只能由人和規格提供，反而比過去更稀缺。