Shopify AI工程的關鍵不是Copilot
一天花 250 美元 token 成本就會觸發提醒，Shopify 看到的不是浪費，而是有人可能在做值得追的實驗。
這篇訪談最有用的地方，不是「工程師多快樂地用 AI 寫更多程式」，而是 Shopify 把 AI 導入當成基礎設施題，不是採購題。多數公司還在吵 Cursor、GitHub Copilot、Claude Code 哪個要當標配；Shopify 先把底層收斂，再讓上層混戰。
先標準化底層，不要急著標準化工具
Shopify 的核心做法是建一層 LLM proxy（大型語言模型代理閘道）。所有 AI 請求先過這一層，再轉到 OpenAI、Anthropic 或 Google 的模型。好處很直接：
- 成本集中管理，token 花在哪裡看得到
- 模型可替換，不會被單一供應商綁死
- 工具可並存，Cursor、Claude Code、Copilot 都能試
這個設計很像公司先鋪好 API gateway，再談前端框架選型。AI 工具變化太快，今天統一，明天就過時。底層先穩住，實驗才不會失控。
真正的 KPI 不是程式碼量
Shopify 提到生產力大約增加 20%，但他們沒有拿 lines of code 或 PR 數量當戰功。原因很簡單：AI 最會膨脹這些數字，也最容易把人帶去錯的方向。
他們看的訊號比較務實：每週 demo。團隊有沒有更快做出原型？能不能一次測 10 種解法？卡住的事情有沒有真的被解開？這些比「本週多 merge 幾個 PR」更接近實際產出。
更關鍵的是 guardrail（防護欄）。Shopify 目前不讓 AI 自動把程式碼直接送進 repo，仍然要資深工程師 review。品質則看 reversion rate，也就是 merge 後被回滾的比率。速度可以衝，回滾率不能跟著升。
最大風險不是 bug，是理解力負債
這篇最值得抄的警告叫 comprehension debt（理解力負債）。AI 幫你省掉 toil（重複苦工）沒問題，但如果連理解系統都外包，之後出事你只會更慢。
Shopify 對工程師的要求很硬：你要理解自己工作層以下兩到三層。AI 可以幫你讀 API、測邊界、找漏洞，但不能代替你思考。這也說明了下一步為什麼會走向 agentic workflows（代理式工作流）：工程師不再逐行寫，而是指揮多個 agent、審核結果、決定取捨。
對台灣團隊來說，可抄的版本很清楚：先做共用 AI 閘道，再把內部知識系統接進 MCP，最後才談全面推廣。少一點工具宗教，多一點基礎設施紀律，AI 才不會只是公司版玩具。
