跳到主要內容

部落格

不定期分享最新資訊文章

  • article-【30 秒 AI 影片,模型只花 513 元,為什麼報價可以是一萬元?】

    2026/9/15

    商業策略 內容行銷 影音行銷
    【30 秒 AI 影片,模型只花 513 元,為什麼報價可以是一萬元?】

    先說結論:AI 影片最貴的可能從來不是模型,而是把 500 秒垃圾變成 30 秒作品的人。 文中的模型單價與金額,都是用來說明估價邏輯的示例,實際費用會隨模型版本、解析度、平台方案與計價方式變動。真正值得留下來的,不是某個當下單價,而是如何把採用率、修改量與人力一起放進成本模型。 30 秒成片,為什麼不能只用「秒數 × 單價」?最近 AI 影片越來越強,我也開始看到一個很有趣的問題: 「現在 AI 生成影片這麼便宜,那做一支 30 秒影片,到底應該收多少錢?」 很多人第一個想到的算法是: 130 秒 × 模型每秒單價 假設模型生成一秒 11 元,那 30 秒就是: 130 × 11 = 330 元 所以一支 30 秒 AI 影片,成本才 330 元? 如果只是生成一段素材自己玩,這樣算沒有什麼問題。 但如果今天是客戶付錢,要你交出一支「可以用的商業成片」,事情完全不一樣。 因為 AI 影片最大的成本,從來不是「生成」,而是: 你生成了一大堆,最後到底有多少能用? AI 影片最容易被忽略的成本:抽卡假設最後成片需要 30 秒,你不可能剛好生成 30 秒,然後 30 秒全部拿來用。 人物可能崩掉,手可能有問題,商品 Logo 變形,表情不對,運鏡突然抽風,前後鏡頭接不起來。 甚至畫面都沒問題,你只是單純覺得: 「這顆不好看。」 於是重抽。 這就是大家常講的「抽卡」。 如果最後生成了 150 秒素材,只有 30 秒進入成片,那麼你的「採用率」就是: 130 ÷ 150 = 20% 換句話說,成片每留下 1 秒,背後平均有 4 秒被丟掉。 所以我在估 AI 影片成本時,比起模型一秒多少錢,我其實更在意另一個數字:採用率。 粗略規劃時,我可能會先這樣抓: 專案情境 初步採用率估算 社群短影音 約 40% 一般商用敘事影片 約 20% 高規格長片 約 10% 這不是什麼業界公定標準,只是讓自己不要活在「AI 每次生成都會成功」的幻想裡。 同一個模型,採用率不同,成本可以差四倍假設今天使用的模型是每生成一秒 11 元,做一支 30 秒影片: 採用率 估算生成量 模型成本 40% 30 ÷ 0.4 = 75 秒 75 × 11 = 825 元 20% 30 ÷ 0.2 = 150 秒 150 × 11 = 1,650 元 10% 30 ÷ 0.1 = 300 秒 300 × 11 = 3,300 元 有沒有發現一件很有意思的事情? 模型完全沒有換,影片長度也完全沒有換。 光是「採用率」不同,模型成本就差了四倍。 所以我現在反而覺得,AI 影片真正的技術,不只是會不會生成,而是你能不能提高採用率。 會做角色設定、Reference、分鏡、首尾幀、鏡頭拆解、素材控制、提示詞工程的人,真正省下來的不是按按鈕的時間,而是少抽很多次卡。 需要 3 秒,不代表只付 3 秒例如一顆鏡頭,我最後只需要 3 秒,但模型一次可能生成 5 秒。 第一次不行,再來。 第二次人物表情怪怪的,再來。 第三次商品變形,再來。 第四次終於可以。 最後時間軸上只有 3 秒,但實際付費生成了 20 秒。 所以如果真的要精算,我會看另一個數字: 1有效採用率 = 實際進入成片秒數 ÷ 實際付費生成秒數 這個數字,比「我今天生成了幾顆鏡頭」更值得追蹤。因為真正影響成本的,是付費生成了多少,以及最後有多少秒成功進入交付版本。 客戶修改:最容易低估的第二輪抽卡第一版完成之後,客戶說: 「這邊人物可以笑一點嗎?」 真人拍攝的後製,也許還有一些調整空間。 但 AI 影片很可能不是把嘴角往上拉一點就結束。你得重新生成整顆鏡頭,然後重新面對一次人物、服裝、商品、背景、運鏡與光線全部變動的風險。 更刺激的是:你原本只想修改 A,AI 很可能順便幫你把 B、C、D 也改了。 所以一般委製案,我會先保留大約 20% 的修改預備量。 我的快速估算公式會變成: 1模型費 = 成片秒數 ÷ 採用率 × (1 + 修改率) × 每秒生成單價 但這還只是模型費。 案例:30 秒影片,模型費可能真的只有 513 元假設今天做一支 30 秒直式社群影片: 使用 Seedance 2・720p,每生成一秒約 5.7 元。 採用率抓 40%。 修改預備量抓 20%。 那麼估算生成量是: 130 ÷ 40% × 1.2 = 90 秒生成量 模型費就是: 190 × 5.7 = 513 元 模型費:513 元。 很便宜吧? 問題來了。 假設一位初階製作者,一天人力成本抓 2,000 元,整個專案工作五天: 12,000 × 5 = 10,000 元 模型加人力: 1513 + 10,000 = 10,513 元 模型費只占大約 4.9%,剩下約 95.1% 都是人。 客戶真正買的到底是什麼?這也是我覺得現在 AI 影片市場最容易誤會的地方。 客戶看到的是: 「你不就是打 Prompt,然後按生成嗎?」 但真正的工作可能是: 企劃 腳本 分鏡 角色設定 場景設定 提示詞 生成 挑片 補生成 角色一致性 QC 商品 QC 剪輯 字幕 配音 音樂 調色 輸出 客戶溝通 修改 所以如果要更精準估價,我甚至不會只寫: 1人力費 = 人日單價 × 工作人日 而會拆成: 1專案成本 = 前期製作 + AI 生成 + 後期製作 + 專案管理 前期製作包含企劃、腳本、分鏡、角色與場景設定;AI 生成包含抽卡、補生成與修改預備量;後期製作包含剪輯、字幕、配音、音樂、調色與輸出;專案管理則包含溝通、版本整理、回饋整合與交付。 這和價值堆疊如何讓產品不再被說太貴的邏輯很接近:不是把一個總價藏起來,而是讓客戶看見交付價值是由哪些工作組成。 因為客戶付的從來不是那 513 元的 GPU 費用,他真正付錢買的是:有人可以把幾百秒充滿不確定性的 AI 素材,收斂成最後可以交付的 30 秒。 生成成本正在下降,但「選擇成本」沒有這可能才是 AI 影像產業接下來真正有趣的地方。 以前拍影片最大的問題是:「拍不到。」 所以你需要攝影棚、攝影機、燈光、演員、場景、攝影師、美術與製片。每按一次快門都有成本。 但生成式 AI 把這件事情反過來了。 未來最大的問題可能不是: 「做不出來。」 而是: 「做得出來的東西太多了。」 100 顆鏡頭都可以生成。問題是: 哪一顆能用? 哪一顆最好? 哪一顆符合品牌? 哪一顆人物沒有跑掉? 哪一顆商品沒有變形? 哪兩顆接起來才合理? 哪一顆值得繼續修改? 這些全部都是人的判斷。 所以我甚至認為,未來 AI 影片產業真正稀缺的能力,會慢慢從單純的 Production,轉向: 1Direction + Selection + QC 導演能力、選擇能力與品質控制能力。 如果你想進一步理解如何把抽卡整理成可以重複執行的流程,也可以延伸閱讀AI 影片真正的分水嶺:從 Prompt 到專家 Skill 的製片工作流。 100 分鐘 AI 電影,真的只要 20 萬元?我們再把尺度拉大。 假設要製作一部 100 分鐘 AI 電影: 總片長:6,000 秒。 使用 Seedance 2.5・1080p,每生成一秒約 21.3 元。 高規格長片採用率抓 10%。 先不加入修改預備量,估算生成量是: 16,000 ÷ 10% = 60,000 秒生成量 模型成本: 160,000 × 21.3 = 1,278,000 元 光模型就大約 128 萬元。 假設再投入 450 個人日,每人日平均 5,000 元: 1450 × 5,000 = 2,250,000 元 模型加人力: 11,278,000 + 2,250,000 = 3,528,000 元 如果再把約 20% 的生成修改預備量加到模型費: 11,278,000 × 1.2 + 2,250,000 = 3,783,600 元 整體約 378 萬元左右。 而且這還沒有完整納入劇本開發、專業配音、演員、音樂、混音、法務、授權、製片管理、發行與行銷。 所以 AI 電影確實有可能把過去需要幾千萬、甚至上億元才能完成的事情,壓到非常誇張的價格;但也不是「我有二十萬元、一台電腦,再加上一個很模糊的故事概念」就可以拍電影了。 模型越便宜,專業 AI 影片製作者不一定越便宜這可能是最反直覺的一件事。 我反而認為,接下來模型價格還會繼續下降,生成速度會繼續提高,畫面品質也會繼續變好。 「把畫面生出來」這件事情,會愈來愈不值錢。 但這不代表專業 AI 影片製作者的價格,也一定跟著往下掉。 因為當每個人一天都可以生成幾百、幾千段影片之後,真正稀缺的東西反而變成: 知道什麼值得留下來的人。 所以未來客戶付錢買的,不會只是: 「幫我生成 30 秒影片。」 而是: 「幫我從幾百秒垃圾裡,得到最後這 30 秒。」 AI 讓畫面出現得愈來愈便宜,但把畫面變成作品,依然很貴。 而且我猜,這件事情短期內不會改變。 常見問答 (FAQ)Q1:一支 30 秒 AI 影片的模型成本到底是多少?模型成本沒有固定答案,至少要同時看每秒生成單價、採用率與修改預備量。以本文的示例計算,30 秒成片、40% 採用率、20% 修改預備量與每秒 5.7 元的模型,模型費約為 513 元。 Q2:什麼是 AI 影片的採用率與有效採用率?採用率是「成片秒數 ÷ 生成素材總秒數」;有效採用率則是「實際進入成片秒數 ÷ 實際付費生成秒數」。後者會把每次重抽與模型實際計費的秒數一起納入,更適合用來追蹤專案成本。 Q3:為什麼模型只花 513 元,客戶報價卻可能超過一萬元?因為客戶購買的不只是模型生成,而是企劃、腳本、分鏡、角色與場景設定、抽卡、挑片、QC、剪輯、配音、音樂、調色、溝通與修改等完整交付。本文示例中,模型費約占 4.9%,主要成本來自五天的人力與判斷。 Q4:AI 影片應該怎麼快速估算模型費?可以先使用「模型費 = 成片秒數 ÷ 採用率 × (1 + 修改率) × 每秒生成單價」估算,再另外加上前期製作、後期製作與專案管理。採用率不是公定標準,應依角色一致性、商品辨識、鏡頭複雜度與客戶修改風險調整。 Q5:100 分鐘 AI 電影是不是只要二十萬元就能完成?不能只用模型單價判斷。依本文的示例,6,000 秒成片、10% 採用率、每秒 21.3 元模型費、450 個人日與 20% 生成修改預備量,模型加人力約需 378 萬元,且尚未計入劇本、配音、音樂、法務、授權、製片、發行與行銷。

  • article-【AI 會寫 API 還不夠:Vibe Coding 下一個機會,是把台灣產業經驗做成 Skill】

    2026/9/14

    商業策略 AI Agent Vibe Coding
    【AI 會寫 API 還不夠:Vibe Coding 下一個機會,是把台灣產業經驗做成 Skill】

    最近看到一個很有意思的開源專案:ecommerce-cia。 它不是另一套電商系統,也不是幫你做購物車,而是一套專門給 AI Coding Agent 使用的「台灣電商 Skill」。 看到這個專案,我第一個想到的是:Vibe Coding 發展到現在,真正的瓶頸可能已經慢慢從「AI 會不會寫程式」,轉移到「AI 懂不懂這個產業」。 因為現在要 AI 幫你寫一個購物車,其實已經不難。商品頁、購物車、會員、訂單後台,甚至串 API,AI 都可以很快幫你生出來。 真正痛苦的是後面。 「我要接綠界。」「我要用藍新。」「LINE Pay 怎麼串?」「7-11 取貨付款怎麼做?」「ATM 付款超過三天沒付,訂單怎麼辦?」 然後你會發現一個很有趣的狀況:Coding Review 沒有 Error,API 文件也看了,每一段程式碼單獨看,好像都沒有問題。 但真的把整間商店跑起來,就是不順。😂 最麻煩的 Bug,可能發生在兩個正確的 Function 之間一般我們叫 AI Review 金流,很容易只檢查幾個局部問題: API 呼叫對不對? 簽章對不對? Callback Route 有沒有建立? 資料庫有沒有寫入? 庫存 Function 有沒有執行? 每一個地方都可能是對的,但問題可能發生在兩個「正確的 Function」中間。 以一筆交易為例,流程可能像這樣: 客人建立訂單。 系統保留庫存。 客人前往金流服務付款。 金流通知商店付款結果。 系統驗證通知並更新訂單狀態。 庫存、顧客通知與出貨流程依照訂單狀態接續處理。 如果 Callback 重送兩次呢?客人付款成功,但瀏覽器沒有跳回網站呢?ATM 建立虛擬帳號後幾天都沒有付款,庫存要什麼時候釋出?如果付款成功但庫存更新失敗,或訂單取消時付款通知剛好進來,系統又該怎麼辦? 這些才是真正把電商系統跑起來後,會遇到的問題。 所以 Review 金流不該只逐個看 Function,而要沿著「錢」和「貨」走過完整流程:下單、訂單、庫存、金流、Callback 驗證、狀態更新、出貨,到交易完成,逐段找可能的斷點。 ecommerce-cia 示範了另一種 AI 稽核方式ecommerce-cia 不是另一套購物車或電商平台,而是給 AI Coding Agent 使用的台灣電商 Skill。它有意思的地方,在於把注意力放到金流、庫存、訂單等環節如何互相影響。 依照專案 README 的說明,它有檢查既有交易流程的 Audit Mode,也有引導新手準備與串接金流的 Setup Mode;文件提到藍新、綠界、PAYUNi、TapPay 與 LINE Pay 等台灣常見情境。這些內容呈現了一個值得參考的方向:除了問 AI「這段程式碼有沒有寫錯」,也可以要求它沿著整條交易生命週期檢查系統行為。 這已經不只是一般的 Coding Skill,而是把產業流程和判斷方式整理成可重複使用的 Domain Engineering Skill。 AI 會看 API 文件,稀缺的是踩過坑的經驗這件事讓我想到我之前一直在談的「把專業知識軟體化」。 假設一個台灣電商工程師做了十年。他真正值錢的可能不是「我知道怎麼呼叫綠界 API」,因為這件事情 AI 看文件就能協助。 真正值錢的,是這些踩過坑才知道的事: 綠界或藍新的 Callback 曾經出過什麼狀況。 ATM 訂單逾期後,何時釋放庫存才符合商業規則。 超商取貨付款訂單的狀態該怎麼轉換。 使用者付款成功但沒有跳回網站,不能因此就判定付款失敗。 Webhook 重送不能重複扣庫存或重複通知。 退款、取消與付款通知同時發生時,訂單狀態要如何處理。 這些東西通常不會完整寫在 API 文件裡。它們存在工程師的腦袋裡,來自踩坑、Debug、客訴、事故,以及凌晨三點修 Production 的經驗。😂 API 文件能說明端點、欄位和簽章方式;把這些技術細節放進真實商業情境後,流程上的例外與判斷往往還要靠產業經驗補足。 專業知識除了軟體化,也可以 Skill 化以前我們會想:我做了十年房仲,可不可以把我的判斷方法做成一套房仲 SaaS?我做了十年行銷,可不可以把我的 SOP 做成一套行銷系統? 我之前也寫過把專業知識變成軟體,讓產業專家成為下一代產品經理。現在可能又多了一條路:不一定要先做 SaaS,也可以先把專業知識整理成 Skill。 從產業經驗到 AI 可執行 Skill 的概念示意。 一個資深電商工程師的經驗,如果要整理成 AI 能使用的 Skill,可以從常見情境開始,逐步寫清楚: 什麼情況下要啟動檢查。 要沿著哪些訂單、金流和庫存流程追蹤。 哪些例外狀況需要特別確認。 要用什麼證據判斷流程真的完成,而不是只看單一測試顯示綠燈。 如此一來,AI 就不只是「會寫程式」,還能重複參照一套做過許多台灣電商專案的人累積的判斷方式。 下一波 Vibe Coding 機會,可能是台灣產業 Domain Skills未來 Skill 最有價值的地方,不一定是 React Skill、Next.js Skill 或 Python Skill。這些通用技術知識,模型本身會越來越強。 更可能形成差異化的,是懂得台灣產業實際怎麼運作的 Domain Skills,例如: 台灣電商金流與物流。 台灣電子發票、統編與發票規則。 LINE 官方帳號與會員流程。 政府 Open Data 與台灣個資保護情境。 房仲成交流程、補教招生、餐飲訂位、美容預約與傳統產業報價。 這些領域的共同點是:模型可能知道技術,但不一定知道台灣的商業流程、例外情境與在地作法。而真正掌握這些 Know-how 的人,往往是已經在產業裡工作十年、二十年的實務工作者。 Skill 不只是提示詞,而是可以交給 Agent 使用的 SOP我現在看 Skill,已經不只把它當成「提示詞」,而是可以被 AI Agent 使用的產業 SOP。 以前經驗存在腦袋裡,後來我們把它寫成 SOP,再把 SOP 做成軟體。現在又多了一種形式:把 SOP 整理成 AI Agent 能參照與執行的 Skill。 Vibe Coding 的競爭,可能不只是誰比較會下 Prompt、誰比較會用 Claude Code 或 Codex,而是誰能把自己十年、二十年的產業經驗,整理成 AI 可以重複使用的能力。 模型會越來越強,寫程式會越來越便宜,API 串接也會越來越簡單。但有一件事情不會因此自動出現:你踩過的那些坑。 而那些坑,可能才是 AI 時代真正值得被「程式化」的專業知識。 這也是我看到 ecommerce-cia 之後,覺得最值得研究的地方。它表面上是在處理台灣電商金流、物流與流程稽核,背後示範的也許是一個更大的方向:下一波 Vibe Coding,不只是讓 AI 幫我們寫軟體,而是開始把一個產業真正的 Know-how,寫進 AI 裡。 常見問答 (FAQ)Q1:什麼是台灣產業 Domain Skill?台灣產業 Domain Skill 是把在地產業常見的情境、判斷方式、執行流程與例外處理整理成 AI Agent 可重複參照的規範。它能補足通用技術知識與實際商業流程之間的落差。 Q2:Domain Skill 和一般 Code Review 有什麼不同?一般 Code Review 多半檢查程式碼或單一 Function 的正確性;Domain Skill 可以引導 AI 沿著跨系統流程檢查狀態如何傳遞,例如金流通知、訂單更新、庫存處理與出貨。兩者處理的問題不同,實務上可以搭配使用。 Q3:如何把產業經驗整理成 AI Agent Skill?先整理常見情境與踩坑案例,再把觸發條件、判斷方式、處理步驟、例外狀況與驗證證據寫清楚,最後交由熟悉該產業的人用真實案例檢查。這樣的 Skill 才能承載可重複使用的專業判斷,而不只是一段泛用提示詞。

  • article-AI 變現五階段:賣時間 → 賣知識 → 賣能力 → 賣結果 → 賣資產

    2026/9/8

    商業策略 AI自動化 AI Agent
    AI 變現五階段:賣時間 → 賣知識 → 賣能力 → 賣結果 → 賣資產

    最近很多人問我: 現在學 AI,到底可以怎麼變現? 接案?開課?做顧問?賣 Prompt?用 Vibe Coding 做 SaaS?還是弄一堆 AI Agent,包裝成「AI 員工」? 這些當然都可以。 但我最近越來越覺得,如果只是整理「100 種 AI 賺錢方法」,其實沒有太大意義。因為工具一直換、模型一直進步,今天還能單獨販售的東西,半年後可能就變成 AI 的內建功能。 真正值得研究的是: 你到底在賣什麼? 如果從這個角度來看,我認為 AI 變現其實可以分成五個階段: 賣時間 → 賣知識 → 賣能力 → 賣結果 → 賣資產 而且越往後走,你的收入就越不需要完全跟自己的時間綁在一起。 AI 變現五階段,差別在於你交付什麼 階段 你正在販售的東西 常見形式 收入與時間的關係 賣時間 親自執行的服務 接案、代做、客製專案 高度綁定個人時間 賣知識 可傳遞的方法與經驗 課程、顧問、內訓、教材 同一份經驗可以重複販售 賣能力 被軟體化的專業判斷 Prompt、Workflow、Skill、Agent、程式 開始具備複製與自動執行能力 賣結果 客戶真正想要的產出 名單、預約、內容、報告、成交 以成果而非工具作為價值單位 賣資產 長期累積的商業系統 品牌、資料、產品、流量、通路 有機會產生長期複利 這五個階段不是互相排斥的商業模式,而是一條可以逐步升級的路徑。第一階段能幫你建立現金流,後面的階段則讓每一次交付都留下可以持續使用的東西。 第一階段:賣時間,先把效率差轉成現金流這是最容易開始的 AI 變現方式。 例如: 幫客戶製作 AI 圖片 製作 AI 影片 撰寫文案 製作簡報 用 Vibe Coding 建立網站 串接自動化流程 整理資料 建立客服系統 以前一個網站可能需要做兩個禮拜。現在搭配 AI,可能兩三天就能完成。 以前剪一支影片需要幾個小時,現在 AI 可以協助處理腳本、配音、字幕、素材,甚至完成初剪。 於是你產生了一個非常大的「效率差」:市場還按照過去的價值付錢,但你的生產成本已經下降。 這其實就是現在很值得把握的一波:AI Service Arbitrage。 你利用 AI,把原本需要大量人工的服務成本壓低,再把節省下來的效率轉換成利潤或更有競爭力的報價。 問題是:你還是在賣自己的時間。 一天終究只有 24 小時。當案件變多,你會開始遇到交付上限,也一定會開始思考: 能不能不要每次都從頭做? 這個問題,就會把你帶到第二階段。 第二階段:賣知識,讓一次經驗可以重複交付當你做過十次、二十次之後,就會開始累積方法。 你會逐漸知道: 第一步應該做什麼 第二步應該問什麼 哪些地方最容易出錯 什麼 Prompt 比較有效 哪些流程可以省下時間 這時候你就可以開始販售: 課程 顧問服務 企業內訓 Workshop 教材 模板 你不再只是說: 我幫你做。 而是開始說: 我教你怎麼做。 這一步最大的改變,是同一份經驗開始可以賣很多次。你把過去在專案裡累積的做法整理成知識產品,交付的就不再只有一次性的勞動。 但它還有一個問題:你教完了,對方還是得自己做。 如果對方沒有時間、沒有經驗,或是不知道如何處理例外情況,那麼一份教材仍然不一定能直接變成成果。於是 AI 時代開始出現一個非常重要的第三階段。 第三階段:賣能力,把 Know-how 編譯成 AI 可以執行的能力這可能是我目前最看好的方向之一。 以前我們只能把 Know-how 寫成: 教材 SOP 書籍 課程 但現在開始可以把 Know-how 寫成: Prompt Workflow Skill Agent 程式 假設你很會寫廣告文案。以前你的變現方式可能是幫別人寫,或是教別人寫。 現在你可以把自己的判斷標準、文案架構、檢查流程、修改邏輯與產業經驗,全部整理成一套 Skill。 以後別人不一定需要「學會你」。他可以直接呼叫你的能力。 這是一個非常巨大的改變,因為我們第一次有機會把: 專業知識 → 編譯成 AI 可以執行的能力 例如: 房仲競品分析 Skill 短影音剪輯 Workflow AEO 分析 Agent 廣告法規檢查 Agent 行銷企劃 Skill 這些東西本質上都不只是 Prompt,而是被軟體化的專業能力。Prompt 比較像一次性的指令;Skill、Workflow 或 Agent 則可以把規則、步驟、判斷與檢查方式組合成可重複呼叫的模組。 如果想進一步理解 Prompt 與 Skill 的差異,也可以延伸閱讀:從提示詞到 Skill:5 個實務做法打造高效率 AI 自動化工作流。 當很多能力串在一起,就會開始變成 AI 系統,甚至是一間 AI 公司。 第四階段:賣結果,從工具服務走向 Outcome as a Service這一層我覺得很多人還沒有真正開始思考。 今天如果你賣的是: AI 業務 Agent,一個月 3,000 元。 客戶可能會問: 為什麼我要每個月付你 3,000 元? 但如果你說: 每帶來一個符合條件的潛在客戶,我收 500 元。 客戶思考的問題就會完全改變。他開始問的可能是: 那你一個月可以給我幾個? 這就是從 Software as a Service 慢慢往 Outcome as a Service 移動。 你不再只是販售工具,而是販售客戶真正想要的結果: 名單 預約 影片 報告 成交 流量 轉換 AI 只是你背後的生產機器。 客戶甚至不需要知道你使用的是 GPT、Claude、Gemini,還是十個 Agent。他只在乎一件事情: 結果有沒有出來? 當然,這種模式的前提是結果必須能被清楚定義、量測與驗收,雙方也要先約定交付範圍與品質標準。否則「賣結果」很容易變成責任不清的承諾。 我認為未來很多所謂的「AI 員工」,最後都會走到這一步。因為企業真正想買的從來不是 AI,企業想買的是產出。 第五階段:賣資產,讓前面的累積開始產生複利這才是我認為 AI 變現最後真正有意思的地方。 前面四層做久了,你會累積什麼? 客戶 資料 品牌 內容 SOP Skills Agents 軟體 流量 通路 Know-how 這些東西開始組合成一個不完全依賴你本人工作的商業資產。 例如你原本只是幫別人做 AI 短影音,後來把方法做成課程,再把流程寫成 Skill,接著做成自動剪輯工具。累積使用者之後,又產生大量資料與客戶。 最後你擁有的就不再只是: 我很會做 AI 影片。 而是一整套: 內容+技術+客戶+資料+品牌+產品 這時候 AI 已經不是你的商品,AI 變成公司的基礎設施。 這也是為什麼我認為,把專業知識做成軟體,會是 Vibe Coding 之後很值得關注的方向。可以延伸閱讀:Vibe Coding 下一階段:把專業知識變成軟體,產業專家就是下一代產品經理。 同一份專業,其實可以賣五次假設你很懂「AI 短影音」,同一份 Know-how 可以有五種不同的交付方式: 第一次,賣時間: 我幫你剪。 第二次,賣知識: 我教你剪。 第三次,賣能力: 我把剪輯方法做成 Skill,讓 AI 幫你剪。 第四次,賣結果: 你不用管怎麼剪,我每個月直接交付 30 支影片。 第五次,賣資產: 把整套系統變成產品、品牌、平台與客戶群。 你會發現,Know-how 從頭到尾可能根本沒有換。改變的只是你怎麼包裝它、怎麼交付它,以及價值如何被客戶理解。 這個例子中的 30 支影片,是交付形式的示意,不是對任何服務的固定承諾。真正的數量、品質與價格,仍然要依服務範圍與客戶需求定義。 如何把每一次交付,逐步變成資產?如果你現在還在第一階段,完全沒有問題。賣時間本來就是最快建立現金流的方法。重點不是跳過第一階段,而是在完成工作時,刻意留下可以累積的部分。 每做完一個案子,可以多問自己幾個問題: 這次交付裡,哪些步驟會重複出現? 哪些問題客戶每次都會問? 哪些判斷其實可以整理成規則? 哪些流程可以變成 SOP 或模板? 哪些經驗可以變成課程或 Workshop? 哪些能力可以變成 Skill、Workflow 或 Agent? 這個服務是否有機會按照成果收費? 長期下來,哪些內容、資料、客戶或通路會留下來? 你不需要一次把所有事情都做完。可以先保留一份 SOP,再把其中一個重複步驟整理成模板;接著,把模板變成 AI 可以執行的模組,最後才思考如何產品化與規模化。 如果每做一個案子,都留下其中一部分,事情就會開始不一樣。 AI 變現真正值得學的,是把勞動變成資產所以我現在看 AI 變現,已經不太看「用什麼工具」。 我反而會先問一個人: 你現在在哪一層? 你現在是不是還在接一個案子、做一次、收一次錢? 如果是,那沒有問題。第一階段本來就是最快建立現金流的方法。但完成交付後,可以多問一句: 這次交付裡,有什麼東西可以留下來? 賣時間,是今天做、今天有收入。 賣知識,是把昨天的經驗再賣一次。 賣能力,是讓 AI 開始替你執行專業。 賣結果,是把 AI 變成背後看不見的生產機器。 賣資產,則是讓前面所有累積開始產生複利。 所以如果今天有人再問我: 學 AI 到底要怎麼變現? 我的答案可能不會先叫他去學哪個工具。我會先問: 你現在有什麼能力,是市場原本就願意付錢的? 然後我們再來想,怎麼利用 AI,把這份能力從「只能賣一次」,一路變成「可以被複製、被執行、被規模化,最後成為資產」。 這可能才是 AI 變現真正值得走的路。 常見問答 (FAQ)Q1:AI 變現五階段分別是什麼?AI 變現五階段是「賣時間、賣知識、賣能力、賣結果、賣資產」。它描述的是同一份專業如何從一次性服務,逐步變成可複製的知識、可執行的 AI 能力、可驗收的成果,以及不完全依賴個人時間的商業資產。 Q2:AI 變現新手應該從哪一個階段開始?多數人可以先從賣時間開始,利用 AI 提升服務效率並建立現金流。完成數次交付後,再把重複流程整理成 SOP、教材、模板或 AI 模組,逐步往賣知識與賣能力前進。 Q3:Skill 或 Agent 和 Prompt 有什麼不同?Prompt 通常是一次性的指令;Skill 或 Agent 則能把專業規則、工作步驟、判斷標準與檢查流程組合成可重複呼叫或執行的模組。因此,Skill 與 Agent 更接近被軟體化的專業能力,而不只是更長的 Prompt。 Q4:什麼情況適合從賣工具改成賣結果?當客戶真正關心的是名單、預約、影片、報告、成交或轉換,而且這些產出可以被清楚定義、量測與驗收時,就可以思考 Outcome as a Service。此時要先與客戶約定交付範圍、品質標準與計價方式,避免把模糊期待當成結果承諾。 Q5:AI 時代所說的「賣資產」是什麼意思?賣資產是把長期累積的客戶、資料、品牌、內容、SOP、Skills、Agents、軟體、流量與通路組合成一套商業系統。這套系統即使不需要你親自參與每一個細節,也能持續支援產品、服務與收入。

  • article-AI 時代真正會被淘汰的,可能不是員工,而是「組織圖」

    2026/9/8

    商業策略 AI自動化 AI Agent
    AI 時代真正會被淘汰的,可能不是員工,而是「組織圖」

    最近看到一篇文章,標題下得很狠: 「市面上那些 AI 員工,將來多數都會是垃圾。」 文章裡有一句話讓我停下來想了很久: 「差別在於它取代的是一段流程,不是一個職稱。」 我覺得這句話,其實點出了現在很多企業導入 AI 時最大的問題。 我們嘴巴上說 AI 是全新的技術,但真正開始設計 AI 的時候,腦袋裡裝的卻還是幾十年前的公司組織圖。 公司有人資,所以做一個 AI 人資;公司有客服,所以做一個 AI 客服;公司有業務,所以做一個 AI 業務;公司有行銷,所以做一個 AI 行銷助理。 最後我們得到一間很有趣的公司:原本有十個人,現在變成一個人管理十個 AI 員工。 看起來很 AI,但仔細想想,公司的運作方式根本沒有改變。我們只是把組織圖裡面的人,換成 AI。 AI 真正取代的,可能不是職稱,而是一段流程傳統企業習慣用「職位」描述工作:客服負責回答問題、業務負責開發客戶、行政負責整理資料、行銷負責產出內容。 但客戶真正需要的,從來不是「某個職位完成自己的工作」,而是問題被解決、訂單被推進、報價被送出、客戶被妥善服務。 這中間的職位、部門與交接,很多時候只是人類在能力、時間、管理與協作都有限的情況下,發明出來的組織方式。 因此,AI 導入最值得問的問題,不一定是: 哪一個職位可以交給 AI? 而是: 哪一整段工作,可以重新設計成更短、更直接、更少交接的流程? 我們可能正在用「職缺」限制 AI今天的 AI 已經不只是聊天機器人。它可以搜尋資料、操作瀏覽器、處理文件、分析資料、寫程式、使用工具、串接 API,甚至建立完成任務所需要的小工具。 那麼問題來了:為什麼我們還要跟它說: 你是一個行銷助理,所以只負責行銷。 你是一個客服,所以只回答客戶問題。 你是一個業務,所以只負責開發客戶。 這其實很奇怪。 就像你買了一台可以挖土、搬運、測量,甚至自己規劃施工路線的機器,最後卻告訴它:「你的職稱是搬運工,所以你只能搬磚頭。」 不是 AI 不夠強,而是我們對 AI 的想像太小。我們把人類為了管理方便而設計的職缺,誤認成 AI 也必須遵守的能力邊界。 AI 導入的五個階段:從工具到 AI 原生組織如果把企業導入 AI 的路徑往前推,我會把它分成五個階段。 第一階段:AI 工具化這是大部分人現在最熟悉的階段: 幫我寫 Email。 幫我整理會議紀錄。 幫我做簡報。 幫我分析 Excel。 這個階段的 AI 是「工具」。人還是原本那個工作的人,只是完成工作的速度變快了。 它能提升個人生產力,但公司的基本分工、流程與責任邊界通常沒有改變。 第二階段:AI 職位化接下來是現在市場上很流行的: AI 客服 AI 行銷助理 AI 業務開發員 AI 人資助理 企業開始把一部分工作交給 AI,並且用人類熟悉的職稱來包裝它。這當然不是沒有價值,因為它能降低使用門檻,也容易讓組織理解「誰負責什麼」。 但如果停在這裡,我們其實只是把原本的人類組織數位化:人類客服變成 AI 客服,人類業務變成 AI 業務,舊有的交接方式與 SOP 仍然存在。 第三階段:AI 流程化真正有意思的轉變,是問題從: 哪一個工作可以交給 AI? 變成: 哪一整段流程可以交給 AI? 例如,以前客戶詢價可能要經過: 12345678910客戶填表單→ 行政整理資料→ 業務確認需求→ 查詢 CRM→ 找產品資料→ 計算價格→ 主管確認→ 製作報價→ 寄出 Email→ 三天後追蹤 如果 AI Agent 可以跨網站、CRM、Email、資料庫與內部系統工作,那麼我們為什麼還需要按照原本的十個步驟走? Agent 收到需求之後,可以自己理解問題、取得資料、計算價格、產生報價、更新 CRM、寄信,甚至安排下一次 Follow-up。這時候 AI 取代的已經不是某一個人,而是一整段工作流。 想進一步理解企業如何把不同 AI 能力組合成工作流,也可以參考企業工作自動化不只有 ChatGPT:6 大 AI 自動化能力解析。 第四階段:不是自動化流程,而是刪掉流程這可能才是未來企業 AI 導入真正拉開差距的地方。 很多企業現在談 Automation,做的事情其實是:原本有十個步驟,想辦法讓 AI 自動跑完這十個步驟。 但更值得問的是:這十個步驟真的有必要存在嗎? 為什麼需要填這張表?因為以前行政人員需要整理。 為什麼要整理成 Excel?因為主管需要查看。 為什麼主管需要查看?因為他要決定下一步。 如果 AI 能直接讀取原始資料、理解內容、做出判斷,再依照規則執行下一步,這張表還需要存在嗎? 那張表可能根本不需要存在,那份 Excel 可能不需要存在,甚至某些簽核、資料搬運與中間系統也可能不需要存在。 這時候真正省下來的,不只是「一個員工的薪水」,而是以下這些長期累積的成本: 等待與排隊 跨部門轉交 資料重打 格式轉換 跨系統搬運 重複確認與溝通 自動化是讓舊流程跑得更快;AI 原生設計則可能直接讓其中一部分流程消失。 第五階段:AI 原生組織如果繼續往前推,我甚至懷疑「AI 員工」這個詞本身都可能變得很奇怪。 真正成熟的 Agent,不一定需要固定職稱。今天它幫你研究市場,下一秒寫一支程式取得資料,接著分析資料;發現缺少工具,就自己建立工具,然後操作 CRM、更新網站、寄出 Email,再把結果整理給你。 你很難說它到底是工程師、研究員、行銷、業務,還是行政。它只是為了完成一個 Goal,動態呼叫自己需要的能力。 這也解釋了為什麼我最近越來越關注 Agent Harness。模型只是大腦,真正決定 AI 能做到多少事情的,還包括: 元件 在 AI 原生組織中的作用 Model 理解、推理與產生下一步行動 Context 提供目前任務、專案與環境所需的背景 Memory 保留可重複使用的歷史資訊與工作狀態 Skills 封裝特定領域的做法、規則與判斷方式 Tools 讓 Agent 搜尋資料、操作檔案、呼叫 API 或使用服務 Permissions 限制哪些資料與操作可以被存取 Workflow 定義任務如何拆解、串接與交接 Evaluation 驗證結果是否符合品質與安全要求 Harness 把上述能力組合成可持續執行的工作環境 因此,未來我們管理的可能不是「我有幾個 AI 員工」,而是: 為了完成這個目標,我可以調度多少模型、Skills、Tools、Memory、資料、權限與 Agent? 如果想深入了解 Skill 與 Harness 的差別,可以閱讀Skill 之後,下一個 AI 開發者一定要懂的詞:Agent Harness。 AI 導入真正該計算的 ROI:消滅多少工作我開始覺得,AI 導入真正的 ROI,不應該只算「取代多少人」,而應該算「消滅多少工作」。 這兩件事情完全不同。 一家公司可能完全沒有裁員,但原本每個月需要 500 小時的行政流程,最後只剩下 50 小時。那些人力並沒有消失,而是可以轉去做客戶關係、產品、策略、創意,以及真正需要人類判斷的事情。 這種轉變的價值,不只是節省薪資,還包括: 更短的回應時間 更少的交接錯誤 更即時的決策 更少的重複溝通 更高比例的時間投入在高價值工作 所以,評估 AI 專案時,可以把問題從「省了幾個人」改成以下幾個更接近實際營運的問題: 這段流程原本每月消耗多少工時? 有多少時間只是等待、搬運、重打與確認? AI 導入後,哪些步驟可以合併或直接刪除? 哪些決策仍然需要人類核准? 省下來的時間是否真的被轉移到更高價值的工作? 這樣算出來的 ROI,會比單純計算「少請一個人」更接近 AI Transformation 的真實價值。 重新設計公司,而不是替換組織圖上的人所以我現在反而不太想問:「我要哪一個 AI 員工?」 我會想問另外一個問題: 如果今天重新建立這家公司,而且一開始就知道 AI Agent 存在,我還會設計出現在這套組織與 SOP 嗎? 很多公司的答案可能是不會。 因為很多工作、職位與流程,其實都是過去技術限制下形成的產物。當限制改變,組織本身也應該重新設計。 可以把傳統問法改成這樣: 傳統問法 AI 原生問法 我需要哪一個 AI 員工? 我需要完成哪一個 Goal? 哪個部門負責這件事? 完成任務需要哪些資料與權限? 哪個人接手下一步? 哪個 Agent 或工具可以直接承接? 如何讓十個步驟自動執行? 哪些步驟可以合併或消失? 我有幾個 AI 員工? 我能調度多少能力來交付結果? 如果最後只是把「人類客服 → AI 客服」、「人類業務 → AI 業務」、「人類行政 → AI 行政」、「人類行銷 → AI 行銷」全部替換一次,那可能只是把舊公司的組織圖重新畫了一遍。 真正的 AI 原生企業,可能連那張組織圖都不一樣。 一人公司的下一步:建立 AI Operating System對一人公司來說,未來也不一定是一個老闆帶著十個有名字、有頭像、有職稱的 AI 員工。 更可能是:一個人擁有一套可以根據目標,動態組合模型、Agent、Skills、Tools、Memory 與工作流程的 AI Operating System。 在這種架構裡,人的角色不一定是每天親自執行所有步驟,而是: 定義想完成的目標 設計可接受的規則與權限 建立可重複使用的 Skills 決定哪些節點需要人工核准 檢查結果品質與風險 把省下來的時間投入關係、創意與決策 這和「用 AI 取代所有人」是兩件不同的事情。前者是重新設計工作的系統,後者只是把裁員當成導入 AI 的唯一答案。 結語:AI 改變的可能是公司存在的方式不要只是拿「職缺」去想像 AI,也不要只是用 AI 重現今天的公司。 真正值得思考的是: 如果 AI 的能力沒有被現在的職稱與 SOP 限制,我公司的哪些工作,甚至哪些流程,可以直接消失? 因為 AI 真正可能改變的,從來不只是某一個人的工作,而是我們過去認為「公司本來就應該這樣運作」這件事情本身。 常見問答 (FAQ)Q1:AI 員工和 AI 流程有什麼不同?AI 員工通常以人類職稱或部門為單位,模擬客服、業務或行政等角色;AI 流程則以「完成一個目標」為單位,讓 Agent 跨越多個系統與職能,直接處理一整段工作。 Q2:企業導入 AI,應該先從哪裡開始?應先盤點一段完整的端到端流程,記錄其中的交接、等待、資料重打、重複確認與人工決策,再選擇低風險、規則清楚的流程做小範圍試點,而不是先購買一個對應職稱的 AI 工具。 Q3:是不是所有流程都應該自動化?不是。導入 AI 前應先檢查每個步驟是否仍有存在必要,能合併或刪除的流程不必自動化;涉及高風險決策、法律責任、資金交易或個資的節點,仍應保留適當的權限控管與人工核准。 Q4:什麼是 AI 原生組織?AI 原生組織不是把每個人類職位各自換成一個 AI,而是以目標為中心,動態調度模型、Agent、Skills、Tools、Memory、資料、權限與工作流程來交付結果。 Q5:AI 原生組織會讓人類完全失去工作嗎?不一定。更合理的目標是消除低價值、重複與等待型工作,讓人類把時間轉向客戶關係、產品、策略、創意與需要責任判斷的任務。是否減少人力,取決於企業的策略與治理方式,不是 AI 導入的唯一衡量標準。

  • article-AI 越來越會做,我反而開始在意:你看見了什麼?

    2026/9/7

    商業策略 AI工具 內容行銷
    AI 越來越會做,我反而開始在意:你看見了什麼?

    最近看到一篇文章,講一個滿誇張的案例。 一位做了 11 年媒體工作的創作者「晚晚」,靠自己做出 48 集 AI 短劇《硯邊青梅》,最後播放破億。 看到這種故事,我以前第一個反應大概會是: 她用了什麼模型? 影片怎麼生成? 角色一致性怎麼處理? 一集要做多久? 整套工作流是什麼? 但這次看完,我反而對這些事情沒有那麼好奇。 真正讓我停下來想的,是另一件事: 如果今天大家都有一樣強的 AI,為什麼最後被看見的是她? AI 解決了「做不出來」,卻讓「做什麼」變得更難那篇文章提到一個很驚人的數字:2026 上半年,光抖音上線的 AI 短劇就超過 22 萬部;播放破億的只有 1,055 部,大約 0.47%。 這個數字值得想一想。 這兩年我們一直在談 AI 如何降低內容製作門檻。以前要拍一部劇,需要編劇、導演、演員、攝影、美術、剪輯、場景與服裝;現在一個人加上一堆 AI 工具,真的開始有機會完成以前一整個團隊才能完成的事情。 但當 22 萬部作品都出現之後,新的問題就來了: 做得出來,還重要嗎? 或者更精準地說: 當「做得出來」變成基本能力之後,下一個競爭門檻到底是什麼? 我最近自己玩 AI 影片、AI 音樂、AI 生圖,也越來越強烈感受到這件事。 以前看到一支很漂亮的 AI 影片,我會研究半天。現在滑到很多 AI 影片,我可能三秒就過去了。 不是那些作品變差了,而是漂亮的東西正在快速變多。當供給開始接近無限,「內容」本身就會開始通膨。 一個不到 100 字的人,如何長出 48 集作品?《硯邊青梅》的起點其實很小。 它來自顏真卿的《祭姪文稿》。創作者晚晚開始研究這段歷史,查《新唐書》、《舊唐書》等史料,最後發現一件事:關於顏真卿姪子顏季明的歷史記載,加起來甚至不到 100 字。 可是問題來了。 一個在歷史裡幾乎只剩下一個名字的人,為什麼會讓顏真卿寫下一篇流傳一千多年的祭文?顏季明到底是一個什麼樣的人? 我覺得整個故事真正厲害的地方,是從這裡開始的。 因為這個問題不是什麼厲害的 Prompt,甚至跟 AI 沒有直接關係。它只是某個人看到一段歷史之後,沒有直接滑過去。 她停了一下,覺得奇怪,然後開始查。最後從不到 100 字的史料,長出了一部 48 集的作品。 這讓我突然想到: AI 最容易複製的可能是答案,最難複製的,反而是你為什麼會問這個問題。 從 Prompt Engineering 走向 Question Engineering這幾年大家花很多時間研究 Prompt Engineering:提示詞怎麼寫、角色怎麼設定、上下文怎麼給、模型怎麼選、工作流怎麼串。 這些當然都重要,我自己也一直在研究。 但模型越來越強之後,我開始覺得另一個能力可能會慢慢浮上來:Question Engineering。 你到底有沒有一個值得 AI 幫你追下去的問題? 因為今天你叫 AI: 幫我寫一部唐朝背景的穿越愛情短劇。 它真的寫得出來,而且一秒鐘可以寫十個版本。問題是,其他 10 萬個人也可以。 但如果你的起點是: 一個在史書裡只留下不到 100 字的人,為什麼值得另一個人寫下一篇流傳千年的祭文? 後面的世界就不一樣了。 差別不是 AI 能力,而是你先看見了什麼。 這也和我最近思考的 AI 時代專業價值很像:當執行能力越來越容易被複製,真正能留下差異的,會是你怎麼觀察、怎麼判斷,以及你曾經用這些判斷完成過什麼。AI 時代,你真正該累積的不是內容,而是「專業證據」 經驗真正值錢的地方,不只是「我比較會做」很多人會問:AI 時代,做了十年、二十年的專業人士,到底還有什麼優勢? 如果答案只是「我比較會做」,這個優勢其實很危險。因為 AI 最擅長追趕的,就是執行能力:寫文案、剪影片、做簡報、整理資料、生成圖片、寫程式,很多以前需要幾年才能練熟的事情,門檻都正在快速下降。 可是老手還有另外一種東西。 做媒體 11 年的人,可能知道哪一句話怪怪的、哪一個不起眼的人值得追、哪一份看起來沒什麼的資料,背後卻可能藏著故事。 做行銷十幾年的人也是。看到一份企劃,他可能說不出完整理論,但就是知道:「這個消費者不會買。」 這些東西以前很難量化,現在反而可能越來越重要。 所以我最近很喜歡一個比喻: 新手跟老手都拿到同一台 AI,但老手知道該把它開去哪裡。 這不是說老手可以停止學新工具,而是提醒我們:工具熟練度只是起點,方向感才是稀缺能力。 AI 一人公司,不只是「一個人抵十個人」這個案例也讓我重新思考「一人公司」這件事。 我們常常把 AI 一人公司講成:以前十個人的工作,現在一個人完成,所以可以省人、降低成本、提高效率。 但我覺得這只是第一層。 真正有意思的是:以前只有組織有資格實現的想法,現在個人也開始有資格實現。 這完全是兩件不同的事情。 以前一個普通人突然說:「我要拍一部 48 集古裝劇。」大家第一個想到的不是劇情,而是錢:演員呢?場景呢?服裝呢?攝影呢?後製呢? 很多想法甚至還沒有開始,就被資源限制殺掉了。 AI 改變的是,那些以前根本沒有資格被執行的想法,現在開始可以被試試看。 所以 AI 帶來的最大改變,也許不只是企業可以少請幾個人,而是未來會出現大量以前根本不可能存在的一人製片公司、一人媒體、一人工作室與一人 IP。 這和我之前談過的「把專業知識變成軟體」其實是同一個方向:個人不只是在使用工具,而是開始有能力把自己的觀察變成產品、內容與服務。Vibe Coding 下一階段:把專業知識變成軟體,產業專家就是下一代產品經理 當每個人都有一間虛擬製片廠,真正稀缺的是什麼?假設再過幾年,每個人都可以一句話生成電影,每個人都可以做動畫、寫歌,也都有自己的虛擬演員、攝影師、剪輯師與設計師。 那時候真正稀缺的,可能不是生成能力,而是四件很老派的事情: 觀察:你到底看見了什麼? 提問:為什麼這件事值得追? 判斷:AI 給你 100 個答案,你知道哪一個比較接近真實、比較值得留下嗎? 選擇:所有人都在做同一個熱門題材時,你敢不敢去做那個只有不到 100 字的人? 這四件事也解釋了,為什麼 AI 素養不會只等於 Prompt 技巧。真正的人機協作,還包含分工、描述、判斷與負責;Prompt 只是其中一段。4D Framework:比 Prompt Engineering 更完整的 AI Fluency 框架 最後決定「這個值得做」的人,還是你AI 可以一天生成 100 個故事,但最後決定「這一個值得我花三個月做完」的那個人,還是你。 所以我現在反而覺得,AI 越強,人真正值錢的地方可能會變得越原始。 不是你按按鈕有多快,不是你懂多少模型名稱,甚至不只是 Prompt 寫得多漂亮,而是你對這個世界到底還有沒有好奇心。 兩個人走過同一條街,讀同一本書,看到同一段歷史。 一個人看完就走了,另一個人突然停下來: 等一下,這裡是不是有什麼故事? 以前從這個念頭,到真的把故事做出來,中間隔著一整個產業。現在 AI 正在把這段距離快速縮短。 所以也許 AI 時代真正巨大的機會,不只是「我們終於可以做更多東西」,而是: 那些你以前看見了,卻沒有能力做出來的東西,現在終於輪到你了。 常見問答 (FAQ)Q1:什麼是 Question Engineering?Question Engineering 可以理解成「問題工程」:先找到值得追問、查證與延伸的問題,再讓 AI 協助研究、生成與執行。它關注的不是提示詞格式,而是你為什麼問、問題是否有價值,以及你想把答案帶到哪裡。 Q2:AI 越來越強之後,創作者最該練習什麼?創作者應該持續練習觀察、提問、判斷與選擇。生成工具可以降低製作門檻,但無法替你決定哪個細節值得追、哪個故事值得投入,也無法替你對最後的作品負責。 Q3:AI 一人公司和「一個人抵十個人」有什麼不同?「一個人抵十個人」強調的是省人與效率;AI 一人公司更重要的意義,是讓個人有機會實現過去只有組織才有資源執行的想法,例如獨立完成一部長篇作品、打造一個媒體品牌或驗證一個產品構想。 Q4:沒有深厚的媒體或歷史背景,也能開始 Question Engineering 嗎?可以。可以從日常看到的矛盾、被忽略的人、反覆出現的問題或讓你感到奇怪的細節開始,先記下問題,再查資料、比較來源,最後用小規模作品驗證它是否值得繼續。重點不是一開始就提出完美問題,而是不要太快滑過值得停留的地方。 Q5:專業經驗在 AI 時代還有價值嗎?有,而且價值會從單純的執行熟練度,轉向辨識模式、發現異常、理解情境、做出取捨與承擔結果。新手與老手可以使用同一個 AI,但老手通常更知道該把 AI 帶往哪個方向,以及哪些產出值得被採用。

  • article-Vibe Coding 真正要殺死的,可能不是 SaaS,而是「不值得被做成軟體」這句話

    2026/9/2

    商業策略 AI工具 Vibe Coding
    Vibe Coding 真正要殺死的,可能不是 SaaS,而是「不值得被做成軟體」這句話

    今天看到一篇分享文,介紹一個很有趣的網站:Can I Vibecode It? 它收錄了超過 1,000 個付費軟體,然後問一個很暴力的問題: 這個服務,我能不能直接用 AI 自己做一個? 像 Linktree、Todoist、Tally、Bitly 這些服務,它甚至會直接告訴你:可以。 接著,它還會附上一段 Prompt,讓你丟進 Claude Code、Cursor 這類 AI Coding 工具,直接開始做。 一開始看到這個網站,我跟很多人的第一個反應差不多: 靠,這樣可以省很多 SaaS 訂閱費耶。😂 但想了一下,我反而覺得:省訂閱費,可能是這件事情最不重要的影響。 AI 正在讓「功能」快速商品化仔細看那些容易被 Vibe Coding 重做的軟體,會發現它們通常都有一些共同特色: 資料庫 表單 Dashboard 會員登入 幾支 API 再加上一個漂亮的 UI 以前要把這些東西組起來,你可能得找工程師、設計師,開發幾個星期。 所以即使功能不算複雜,也足以成立一家 SaaS 公司。 但 AI Coding 正在快速壓低這件事情的成本。 如果一套產品最核心的價值,只剩下: 我們已經幫你把這幾個功能寫好了。 那它的護城河就會越來越薄。 因為現在 AI 也會寫。 AI 可以複製 Feature,卻不等於複製 Service這裡有一個很容易掉進去的陷阱: AI 可以做出 80%,不代表我應該自己做,更不代表這套 SaaS 沒價值了。 因為 Demo 做出 80%,跟真正可以營運的產品完成 80%,完全是兩回事。 真正上線之後,你還會遇到: 權限管理 資安 備份 監控 API Rate Limit Webhook Retry 付款異常 資料遷移 多人協作 法規與客服 很多時候,畫面上最後那 10%,才是最貴的 60%。 所以我現在會把一件事情分成兩個層次來看: AI 很會複製 Feature,但要複製一個真正可靠的 Service,還是另一回事。 SaaS 真正的價值,早已不只功能這也是為什麼有些 SaaS 反而沒那麼容易被取代。 例如 Shopify、Figma、Intercom,甚至 ChatGPT、Claude,你真正付錢買的,早就不只是那些畫面上的功能。 你買的是: 整個生態系 累積多年的資料 團隊協作能力 第三方整合 Infrastructure 穩定性 資安與合規 出問題的時候,有一家公司幫你扛 所以未來 SaaS 真正的護城河,很可能會從: 我有什麼功能? 慢慢移到: 就算 AI 可以把我的功能全部重做一遍,你為什麼還是不想離開我? 我覺得這會變成未來幾年 SaaS 公司很重要的一道題目。 一人公司真正看見的是「Personal Software」但對我們這些一人公司、小企業來說,我看到的是另一個更大的機會。 假設我花兩天做一個自己的 Calendly,每個月省 12 美元。 其實我覺得沒有很厲害,搞不好我的時間還比較貴。😂 但如果我把它改造成: 台灣美容業 LINE 預約系統 事情就不一樣了。 除了預約,我再加入: LINE OA 通知 會員資料 預約提醒 回訪 生日行銷 AI 客服 顧客標籤 業績分析 這時候我做的已經不是 Calendly Clone,而是把某個產業真正的工作流程與 Know-how,變成一套軟體。 這就是我最近越來越有感的一件事情:專業知識軟體化。 以前我們找軟體配合工作,現在可以讓軟體配合自己這可能才是 Vibe Coding 最有意思的地方。 以前的軟體大概只有兩種。 第一種是商業軟體:做一套產品,賣給幾萬、幾十萬人。 第二種是企業客製:公司花幾十萬、幾百萬,請軟體公司開發。 但現在開始出現第三種:Personal Software。 它只為一個人、三個人或十個人存在,卻可以非常貼近使用者的實際工作方式。 例如: 我自己的講師邀約管理系統 自己的客戶 Follow-up 工具 自己的內容素材庫 自己的社群內容生產工作流 自己的 AI 影片成本計算器 公司裡某個每天重複 30 分鐘的小流程 以前你跟工程師說: 這個只有我自己會用。 工程師大概會問: 那幹嘛做?😂 因為開發成本根本不划算。 現在答案可能完全相反:就是因為只有你會用,所以更應該做成最適合自己的樣子。 從「省訂閱費」到「把工作方法變成產品」所以現在我看到 SaaS,開始會多問一個問題。 不是: 這套軟體一個月多少錢? 甚至不只是: AI 能不能把它做出來? 而是: 這個軟體裡,我真正需要的是哪幾個功能? 接著再問: 如果把那些功能拆出來,再加入我的工作流程與專業知識,會不會變成一個全新的東西? 這兩個問題差很多。 前者是在想:怎麼省掉每個月 20 美元。 後者是在想:我能不能把自己的工作方法變成產品。 如果你想延伸理解這條路徑,也可以先看〈把專業知識變成軟體,產業專家就是下一代產品經理〉,以及〈AI 讓程式碼越來越便宜,但知道什麼值得做正在變得越來越貴〉。 Vibe Coding 改變的是「軟體的經濟學」過去有非常多需求,不是做不到,而是:不值得做。 市場太小,不值得 只有三個人用,不值得 公司內部流程,不值得 一個月只省幾個小時,不值得 需求太客製,不值得 因為工程師太貴、開發週期太長、維護成本太高。 但是當 AI 把開發成本壓下來之後,大量以前「不值得被做成軟體」的需求,突然開始值得了。 所以我認為真正值得注意的,不是: AI 會殺掉多少 SaaS? 而是: 以前只有軟體公司值得開發的東西,現在每家公司、每個專業工作者,都開始值得擁有自己的軟體。 而這背後甚至可能形成一條新的產品路徑: 拆解 SaaS Feature → AI 重建 → 加入自己的工作流程 → 加入 Domain Knowledge → 變成 Internal Tool → 最後產品化成 Vertical SaaS 這條路徑的重點,不是把所有 SaaS 都重做一遍,而是從既有產品理解問題,再把自己的工作方法放進去。 結語:重新定義自己的軟體所以下次看到一套很棒的 SaaS,我可能不會第一時間想: 能不能不要付錢? 我反而會想: 它到底解決了什麼問題? 如果把這個能力,加上我比軟體公司更懂的產業知識,會變成什麼? 這可能才是 AI Coding 時代,真正值得玩的地方。 不是什麼都自己做,而是以前我們只能「選軟體」,現在開始有能力: 重新定義自己的軟體。 常見問答 (FAQ)Q1:Vibe Coding 會取代 SaaS 嗎?Vibe Coding 會讓許多 SaaS 的基礎功能更容易被重做,但不代表所有 SaaS 都會被取代。真正可靠的 Service 還包含資安、備份、監控、整合、穩定性、合規與客服等營運能力。 Q2:AI 可以做出 SaaS 的 80%,是不是就應該自己開發?不一定。是否適合自己開發,還要比較開發與維護時間、資料安全、權限管理、付款與整合等營運成本。如果只是為了省一筆訂閱費,自己的時間成本可能反而更高。 Q3:什麼是 Personal Software?Personal Software 是只服務一個人、小團隊或特定公司的軟體。它不追求服務大量使用者,而是把使用者自己的流程、規則與專業知識,做成最貼近實際工作的工具。 Q4:如何把 SaaS 功能變成自己的產品?可以先拆解 SaaS 真正解決的問題,挑出自己需要的核心功能,再用 AI 重建,接著加入自己的工作流程與 Domain Knowledge。完成後先作為 Internal Tool 使用,驗證有效再考慮產品化成 Vertical SaaS。 Q5:SaaS 在 AI 時代還剩下什麼護城河?SaaS 的護城河會越來越依賴生態系、累積資料、團隊協作、第三方整合、基礎設施、穩定性、資安、合規與服務承擔,而不只是功能數量。核心問題會變成:即使功能能被重做,使用者為什麼仍然不想離開?

  • article-2026 數位廣告變了:兩年沒認真研究廣告,我回來一看「靠北,已經是另一個世界」

    2026/9/2

    商業策略 AI自動化 Meta Ads
    2026 數位廣告變了:兩年沒認真研究廣告,我回來一看「靠北,已經是另一個世界」

    這兩年,我把大量時間放在 AI、系統開發、自動化、內容與 SEO 上。 廣告反而真的比較少碰。 最近因為發現 GA4 居然已經可以直接串 Meta Ads、TikTok Ads 的廣告成本,我才開始回頭補這兩年的廣告更新。 結果越補越覺得: 靠北,我錯過的根本不是幾個新功能,而是整個「數位廣告怎麼玩」的底層邏輯,都快換了一輪。 先說明一下:本文提到的 Advantage+、Andromeda、AI Max、Symphony、GMV Max 等功能與名稱,會隨平台版本、帳戶、地區和方案調整。這篇文章真正想整理的,不是功能清單,而是 2026 年重新看廣告時,應該如何理解「產品、素材、資料與 AI 投放系統」之間的關係。 一、我錯過的不是幾個功能,而是廣告的底層邏輯1. 受眾設定正在退居二線以前做 Facebook 廣告,我們很愛研究受眾: 興趣怎麼切? 年齡怎麼拆? Lookalike 要幾 %? 再行銷怎麼分層? 廣告高手很大一部分的能力,是「我比別人更會找人」。 但 Meta 這兩年的方向非常明顯:你不要找了,讓 AI 找。 Advantage+ 不斷把受眾、版位、預算與素材最佳化自動化。更底層的改變,則是 Meta 在 2024 年底公開的 Andromeda——一套新的廣告推薦引擎。 簡單講,以前我們比較像是: 我先告訴 Meta 我要找誰,再讓 Meta 從裡面找可能會買的人。 現在越來越接近: 我把商品、素材與轉換資料給 Meta,讓它自己決定這個東西現在最適合給誰看。 所以我覺得,未來廣告人的核心能力,正在從 Targeting 慢慢轉成: Signal + Creative + Offer 不是你多會按受眾,而是你給演算法什麼訊號。 2. 素材不只是廣告外皮,而是 Targeting 本身以前我們會說:先選受眾,再做適合這群人的素材。 現在這兩件事情正在融合。 你拍一支「新手第一次買房最容易踩的三個坑」,跟你拍一支「資產 3,000 萬以上的人,買房最在意什麼」,演算法本身就能從內容、互動、觀看、轉換訊號中,逐漸理解這兩支素材適合誰。 換句話說:素材本身正在成為受眾訊號。 這也解釋了為什麼現在廣告越來越強調 Creative Diversification。 以前是: 一個受眾,測很多素材。 未來可能越來越像: 給系統大量不同 Angle、Hook、Persona、Format 的素材,讓 AI 自己完成「素材 × 人 × 時機」的配對。 所以素材量的重要性,比兩年前又更高了。但「素材多」不是把同一張圖片換 30 個背景,而是提出 30 個不同的市場假設。 3. AI 已經不只是幫你寫廣告文案Meta 已經可以用生成式 AI 做素材延展、尺寸調整與創意變體。Google 把 Gemini 放進廣告系統。TikTok 的 Symphony 則開始處理: 文字生成影片 圖片生成影片 商品生成影片 Avatar 配音 翻譯 從商品網址產生廣告素材 2026 年 TikTok 又推出 Symphony Agent,開始往「AI 幫你理解趨勢、想創意、找 Creator、產素材」的方向走。Google 也把 Veo 等生成能力放進廣告素材工具。 所以兩年前我們講「用 AI 幫忙做廣告」,現在比較接近:AI 本身開始成為廣告製作系統的一部分。 這差非常多。 4. Google Search Ads 也不是以前認識的 Search Ads 了以前搜尋廣告的世界很直覺: Keyword → Search Query → Ad → Landing Page 廣告人的重要工作就是關鍵字、Match Type、Negative Keyword、出價與廣告文案。 但 Google Search 本身正在 AI 化。AI Overviews、AI Mode、Lens 與多模態搜尋出現之後,「搜尋」已經不一定是一個短短的 Keyword。 Google 推出的 AI Max for Search,方向就是讓 AI 協助擴展搜尋意圖、動態調整文案與選擇 Landing Page。傳統 Dynamic Search Ads 也逐步往 AI Max 的方向遷移。 所以 Google Ads 也正在從: 我買哪些 Keyword? 慢慢走向: 我的產品、網站、素材與轉換訊號,能不能讓 AI 正確理解我要賣給誰? 這其實跟 SEO 最近發生的事情很像。若你也在處理 AI 搜尋,可以延伸閱讀「SEO 轉型攻略:AEO 與 GEO 時代的 AI 內容優化實戰指南」。 5. Performance Max 開始補黑盒子的洞我以前對 PMax 最大的不爽就是:你叫我把錢給你,然後叫我相信 AI。 到底錢花去哪裡?哪些搜尋有效?哪些素材有效?哪些受眾有效?以前真的看得很痛苦。 但這兩年 Google 一邊推 AI 自動化,一邊也在補控制權,包含: Campaign-level Negative Keywords Brand Exclusions Demographic Exclusions Search Terms Insights 更多素材與 Channel Reporting 這透露出一個有趣的方向:廣告平台不是停止自動化,而是開始研究怎麼讓人類「控制 AI」。 我覺得這才是未來廣告操作真正需要學的能力:不是跟 AI 搶方向盤,而是知道什麼時候該給 AI 開,什麼時候要把它拉回來。 6. TikTok 已經不只是買流量TikTok 這兩年也非常值得重新研究。 Smart+ 越來越像 TikTok 版的 Advantage+ 或 Performance Max,系統幫你處理受眾、版位、素材與最佳化。TikTok Shop 又有 GMV Max;到了 2026 年,甚至出現 Agentic Hub,可以透過 AI Skills 協助建立、管理、分析與最佳化廣告。 這件事情最值得注意的不是功能名稱,而是三大廣告平台最後居然走向同一條路: 平台 自動化產品方向 系統期待你提供的東西 Meta Advantage+、Andromeda 商業目標、素材、商品與轉換資料 Google Performance Max、AI Max 產品、網站、素材與轉換訊號 TikTok Smart+、GMV Max、Agentic Hub 商品、內容、目標與成效資料 名字不同,方向幾乎一樣:你給我商業目標、素材、產品與資料,剩下讓 AI 幫你跑。 7. 平台從流量最佳化走向商業結果最佳化以前我們餵平台的是 Click、Lead、Purchase。 現在越來越多平台想知道:這個客戶值多少錢?是不是新客?是不是高價值客戶?這筆轉換到底是不是廣告帶來的增量? Meta 開始往 Incremental Attribution 發展;Google 則持續往 Conversion Value、New Customer Acquisition 與 Value-based Bidding 發展。 廣告平台真正想學的,已經不只是「誰會買」,而是: 我應該把有限的廣告預算,花在哪一個人身上,才能替企業增加最多真正的商業價值? 這是完全不同的問題。 8. 歸因終於開始承認大家都有問題廣告產業最荒謬的一件事情就是: Meta 說這個訂單是我的。 Google 說也是我的。 TikTok 可能也說有我的功勞。 每一個平台的 ROAS 都很好看。全部加起來,公司應該賺爛了。 財報打開:咦? 所以當我看到 GA4 開始可以直接把 Meta、TikTok、Pinterest、Reddit、Snap 的 Cost、Clicks、Impressions 拉進來時,覺得特別有意思。 這不能解決所有 Attribution 問題,但是方向很重要:我們終於開始從「平台說自己多厲害」,走向「把大家放到同一個 Measurement Framework 裡比較」。 這時候以前大家懶得管的 UTM、CAPI、Enhanced Conversions、First-party Data 與 CRM Data,重要性全部跑出來了。 9. 廣告操作員的價值正在重新定義把這兩年的東西補完之後,我最大的感覺反而不是「AI 好厲害」,而是以前很多我們認為叫做「廣告技術」的東西,正在快速商品化: 切受眾 調版位 分預算 調 Bid 產文案 Resize 素材 甚至產影片 這些事情 AI 都越來越能做。 所以如果一個廣告人的價值只剩「我很熟 Ads Manager」,未來會非常危險,因為平台自己正在努力消滅這些操作。 反而真正越來越值錢的能力是: 你知不知道客戶為什麼買? 你能不能設計 Offer? 你能不能找到不同的 Creative Angle? 你能不能建立正確的 Conversion Signal? 你能不能判斷平台說的 ROAS 到底是不是真的? 你能不能把廣告、CRM、網站、營收與 LTV 串在一起? 如果要用一句話總結這兩年廣告發生什麼: 廣告正在從「人操作平台」,進入「人提供策略與訊號,AI 操作平台」的時代。 二、2026 年重新學 Meta Ads:以前教的哪些東西已經退居二線?前一節談的是整個數位廣告產業的方向,這一節把焦點縮回 Meta Ads,重新檢查以前那些很熟悉的操作觀念。 1. 興趣受眾沒死,但已經不是主角以前投廣告,很大一部分時間都花在猜「我的客戶對什麼有興趣?」 賣健身課程,就切健身、減脂、重訓、蛋白粉;賣行銷課程,就切數位行銷、創業、Facebook Marketing,然後一直拆 Ad Set。 以前這叫精準,現在有時候反而是在限制演算法。 Meta 手上有瀏覽、觀看、停留、互動、點擊、購買與轉換等大量行為訊號,再加上 Advantage+ Audience。現在比較合理的思維是:把受眾設定當成提示,而不是答案。 你可以告訴 Meta「我覺得這群人可能會買」,但不要再執著「只有這群人才會買」。 2. Lookalike 還活著,但地位下降了上傳顧客名單、建立 1% Lookalike,再建立 2%、3%、5%,這套方法到現在當然還能用,Custom Audience 也沒有消失。 但它已經從核心 Targeting 武器,慢慢變成演算法的其中一個 Signal。 真正重要的問題不再只是「我的 Lookalike 幾 %」,而是「我拿什麼資料給 Meta?」 100 個亂七八糟的 Lead,跟 100 個真的成交、甚至高 LTV 的客戶,都是 100 筆資料,但價值完全不同。 3. 超細受眾切割,很多時候真的可以放下了以前一個 Campaign 裡可能有:男性 25–34、男性 35–44、女性 25–34、興趣 A、興趣 B、Lookalike,Retargeting 再各自分層。最後 Ads Manager 看起來超級專業,二十幾個 Ad Set 排得整整齊齊。 現在回頭看,很多時候其實只是把資料切碎:每一組都只有一點預算,每一組都沒有足夠 Conversion Signal,每一組都在重新學習。 結果不是幫 Meta,而是在妨礙 Meta。 我的理解會偏向:能合併,就不要為了「看起來很會投廣告」硬拆。尤其預算不大的帳號更是如此。 4. ABO 與 CBO 還能討論,但不是最值得吵的問題ABO 與 CBO 到現在仍有各自的使用情境。如果要做比較受控的測試,我可能還是會想控制預算;但如果目標是「我有 10 萬元,幫我找到最多轉換」,越來越多決策本來就會交給演算法。 所以我現在反而會問:你為什麼要控制這筆預算? 如果答案只是「因為我以前都這樣投」,那就值得重新思考。 5. 廣泛受眾從偷懶投法變成正常策略以前如果跟客戶說「我受眾沒設什麼,直接 Broad」,客戶可能會想:那我找你幹嘛? 現在 Broad 反而越來越合理,因為 Broad 不代表 Meta 隨機亂撒。真正的 Targeting 發生在你看不到的地方:系統會根據素材、轉換事件、歷史資料、網站訊號、帳號行為與預測模型,持續決定下一次 Impression 應該給誰。 所以 Broad 真正的意思不是「我沒有 Targeting」,而是「我把 Targeting 的一部分交給模型」。 6. 素材測試重要性不減反增看到 Advantage+、Andromeda 與 AI 自動化,最容易得到的錯誤結論是:「那以後什麼都給 AI 就好了。」 完全相反。 當 Targeting 越自動化,Creative 的重要性反而越高。因為你可以控制的變數正在減少,真正可以製造差異的地方變成: Hook、Angle、Offer、Persona、Pain Point、Visual、Format、Story。 一支影片講「AI 可以幫你省時間」,另一支講「每天加班兩小時的人,其實都在做 AI 可以完成的事情」。產品一樣、受眾可能一樣,但後者本身就帶著完全不同的受眾訊號。 我現在會把素材理解成: Creative is Targeting. 素材不只是拿來吸引人的,它本身就在告訴演算法「什麼人會對這個訊息有反應」。如果你正在建立短影音素材系統,也可以參考建立你的短影音定位策略:用對內容才會被看見。 7. 一支神素材打天下,這個觀念反而更危險以前很愛找 Winning Creative。找到一支 ROAS 很高的,就複製、加預算、繼續操,操到死為止。 現在這個概念需要升級。不是 Winning Creative 不重要,而是演算法越強、素材生成成本越低之後,真正重要的開始變成 Creative Portfolio。 你需要的不是 20 支長得差不多的影片,而是: 不同 Persona 不同 Pain Point 不同 Hook 不同 Offer 不同使用情境 不同證據 不同敘事方式 「素材多」不是叫 AI 把同一張圖片換 30 個背景,那只是 30 個檔案,不是 30 個 Creative Concepts。 8. Pixel 沒有死,但只裝 Pixel 已經不夠了以前網站裝 Pixel,看到 Purchase 有回傳,大家就覺得好了。 現在如果真的重視廣告成效,就不能只想 Browser-side Tracking。瀏覽器限制、Cookie、iOS、Ad Blocker 與 Consent 都可能讓資料流失。 因此 Pixel 加上 Conversions API,已經是更完整的思考方式:一邊從 Browser 傳,一邊從 Server 傳,再透過 Event ID 等機制處理 Deduplication。 這背後真正重要的不是 CAPI 這三個字,而是 First-party Data Infrastructure:你的網站、CRM、會員、訂單與 Server,能不能把真正有價值的商業結果回傳給廣告系統? 這會直接影響 AI 最後學到什麼。 9. Purchase 也不是最終答案假設 A 客人買 399 元,B 客人買 30,000 元,C 客人第一次買 1,000 元但未來一年買 100,000 元。 如果三個人在廣告系統裡都只是 Purchase = 1,其實就丟掉了很多商業資訊。 所以更值得研究的是: Conversion Value Customer Value New Customer LTV Offline Conversion CRM Signal 這也是為什麼我覺得,廣告技術正在慢慢變成資料工程問題。 10. ROAS 不要完全相信平台自己講的Meta 說「這個人看過我的廣告,所以這筆訂單算我的」;Google 說「他搜尋之前點過我,所以也是我的」;其他平台也可能說自己曾經出現過。 最後 Meta ROAS 6、Google ROAS 8、TikTok ROAS 4,全部加起來公司應該準備上市。財報卻只會問:「你們到底在供三小?」 所以現在更需要在意 Incrementality,也就是: 如果我沒有投這筆廣告,這筆訂單還會不會發生? 這和 Attribution 是兩個不同問題: 問題 它想知道什麼? Attribution 這筆訂單算誰的? Incrementality 沒有這個廣告,這筆訂單還存在嗎? 後面這個問題,其實更接近老闆真正想知道的事情。若要先從行銷漏斗整理問題,可以延伸閱讀用 ChatGPT 解剖你的行銷漏斗,找出真正的痛點。 11. Retargeting 還有用,但不要把它想成魔法以前 Funnel 很漂亮: Cold Audience → Warm Audience → Retargeting → Purchase 所以我們會建立看過影片 25%、互動過粉專、網站訪客 30 天、Add to Cart 14 天、Checkout 7 天,然後每一層都建一個 Ad Set。 這套方法不是完全不能用,而是今天 Meta 本身已經能跨大量 Signal 做最佳化,很多帳號未必還需要切成這麼漂亮的「漏斗藝術品」。 真正要問的是:這個切割有沒有產生額外價值?而不是「因為 Funnel 教科書長這樣」。 12. 廣告投手到底還剩下什麼?Targeting、Placement、Bidding、Budget Allocation、Creative Variation、Copy,甚至圖片與影片,都越來越能交給 AI。 但真正的廣告高手反而會更值錢,只是值錢的地方換了。 以前我們賣的是平台操作能力;未來真正值錢的可能是商業判斷能力: 你知不知道誰會買? 你知不知道他為什麼買? 你知不知道真正的競爭對手是誰? 你能不能設計更好的 Offer? 你能不能做出 10 個真正不同的 Creative Angle? 你知不知道該回傳什麼 Conversion Signal? 你知不知道平台的 ROAS 有沒有在唬爛你? 你能不能把 Ads、Website、CRM、Revenue、LTV 接起來? 2026 年重新學 Meta Ads,第一堂課我可能不會先打開 Ads Manager,而是先講:不要再把 Meta Ads 當成一個廣告投放工具,它現在比較像是一個大型 AI 推薦系統。 你的工作不是一筆一筆告訴它「廣告要給誰看」,而是設計一個系統,持續給它好的產品、好的 Offer、好的 Creative、好的 Conversion Data 與好的 Business Signal。 三、如果重新投 Meta 廣告,我不會再建立一堆廣告組合知道 Meta 廣告變了之後,下一個問題一定是:如果今天真的拿錢出來投,到底要怎麼投? 假設網站、Pixel、CAPI 都準備好了,也有基本的購買資料,我分別拿每天 1,000 元、3,000 元與 10,000 元重新投一次 Meta Ads,會怎麼做? 先講最大的原則:2026 年,我會比以前更努力讓帳戶變簡單。 不是因為我懶,而是現在真正需要複雜的地方,已經從 Campaign Structure 移到 Creative、Offer 與 Data 了。 每天 1,000 元:拜託不要切了以前可能會忍不住建立興趣一組、Broad 一組、Lookalike 一組、Retargeting 一組,每組再塞三支素材。 看起來超級專業,但你一天只有 1,000 元,切四組之後每組 250 元,還期待 Meta 幫你學出什麼東西。 這有點像給四個業務員每人 250 元,叫他們出去開發市場,晚上再開會檢討誰比較強。 如果是我現在做,反而會非常單純: 一個主要 Sales Campaign 受眾盡量 Broad 最佳化真正想要的 Conversion 把大部分精神放到 Creative 素材可以準備痛點型、利益型、故事型、見證型、比較型、UGC 型與 Demo 型,搭配不同 Hook。 不是建立八個 Ad Set,而是建立八個不同的說服理由。 因為一天只有 1,000 元,我最怕的不是 Meta 找錯人,而是根本沒有足夠資料讓它學。 每天 3,000 元:開始建立 Creative System到了這個預算,我才會開始增加一些結構,但不是為了把受眾切得更細,而是為了回答不同問題。 例如: 主要 Campaign 負責 Scale 另外保留一小部分預算,專門做 Creative Testing 這兩個目的完全不同。 Scale Campaign 問的是「現在誰最能替我賺錢?」;Creative Testing 問的是「下一個可以替我賺錢的素材是什麼?」 很多人把這兩件事情混在一起,所以每次看到某支素材花不到錢,就說「Meta 不公平,它根本沒有測!」 其實 Meta 本來就沒有義務公平。它的工作不是當科展評審,而是替你的預算找最大機率的結果。 所以如果真的需要理解 Hook A 和 Hook B 到底誰比較強,我會另外設計測試,不會期待 Delivery System 自己幫我完成科學實驗。 每天 10,000 元:開始在意 Creative Research System一天 10,000 元,一個月大概就是 30 萬。這時候我在意的已經不是 Campaign 數量,而是我們每週可以提出多少個不同的市場假設。 同一個產品,可能有不同的 Persona: 老闆買,是為了省人力。 行銷買,是為了提高產能。 業務買,是為了多成交。 員工買,是為了不要加班。 主管買,是為了管理效率。 五個 Persona,就可能有五套完全不同的 Creative Angle。 再往下拆,也可能有怕麻煩、怕浪費錢、怕學不會、怕被淘汰、想賺更多、想省時間等不同 Motivation。 這時候素材已經不是「設計部幫我做幾張 Banner」,而是一套 Creative Research System。 一個 Ad Set 放幾支素材,不如先問它們有沒有真的不同三支、五支、八支都不是固定答案。我會先問:這五支到底有沒有真的不一樣? 如果只是同一個文案、同一個商品、同一個賣點,換五張背景,對人類來說有五個檔案,對市場來說可能只有一個 Idea。 真正有意義的五個 Creative,可以是: Creative 說服角度 A 用了之後可以得到什麼? B 不用會損失什麼? C 別人用了得到什麼? D 為什麼以前的方法錯了? E 直接 Demo 給你看。 我甚至會建立一張 Creative Matrix。 橫軸放 Persona,縱軸放 Pain Point、Desire、Objection、Use Case 與 Proof,然後開始組合:老闆 × Pain Point、老闆 × Proof、新手 × Objection、專業人士 × Use Case。 再搭配短影音、UGC、圖片、輪播、Demo 與 Testimonial,素材就不只是「這週要交五支影片」,而是「這週要驗證五個市場假設」。 這個差別非常大。 Conversion Signal 才是很多廣告課講太少的地方假設今天兩家公司都花 30 萬廣告費,Creative 差不多,產品也差不多。 第一家公司只告訴 Meta:有人 Purchase。 第二家公司告訴 Meta:Purchase、Purchase Value、新客戶、高價值客戶、CRM 成交、Offline Conversion,甚至後續 Customer Value。 長期下來,哪一個 AI 比較有機會找到真正值錢的人?答案其實很直覺。 所以我現在會把 Pixel、CAPI、CRM、GA4、UTM 與訂單資料全部當成廣告系統的一部分,不是報表做漂亮而已。因為這些資料最後都可能影響 AI 到底學到了什麼。 不只看 Ads Manager,要建立三層成效判斷Ads Manager 當然還是看,但我不會只看 Ads Manager,至少會拆成三層: 層級 指標範例 用途 Platform Metrics CPM、CTR、CPC、CPA、Platform ROAS 操作廣告與找出異常 Analytics Metrics GA4 Conversion、Revenue、Source / Medium、跨渠道成本 比較不同渠道 Business Metrics 真實訂單、毛利、新客成本、回購、LTV、總營收 判斷企業真正結果 這三層數字一定不會完全一樣,沒關係。重點是你知不知道為什麼不一樣。 ROAS 不是最後答案,尤其當預算開始變大假設廣告 A 的 ROAS 是 8,廣告 B 的 ROAS 是 4,以前很簡單:A 勝,預算加 A。 但是如果 A 全部都是本來就會買的老客戶,B 帶進來大量第一次購買的新客戶,而且這些新客戶一年平均會再買三次,那誰比較值錢?突然就不一定了。 所以預算越大,我會越想知道: New Customer CAC Contribution Margin LTV Incrementality 而不只是 Ads Manager 裡面那個漂亮的 ROAS。 Retargeting 要不要另外開?看商業邏輯答案不是一定要,也不是一定不要。 以前 Cold、Warm、Hot 一定要切,現在我不會為了讓 Funnel 看起來漂亮,硬拆一個每天只有幾百人的 Retargeting Audience。 但如果今天有特殊 Offer、棄單優惠、高客單商品、Lead Nurturing 或特定 Customer Journey,我還是可能拆。 原則只有一個:因為商業邏輯需要,所以拆;不是因為老師以前說 Funnel 要三層。 四、把 Meta Ads 看成一個 Learning Loop如果要我畫 2026 年 Meta Ads 的架構,我現在腦袋裡大概會長這樣: Market → Offer → Creative System → Meta AI Delivery → Website / Landing Page → Pixel + CAPI → CRM / Order Data → GA4 / Measurement → Revenue / LTV → 把好的 Signal 餵回去 它已經不只是一個廣告 Campaign,而是一個 Learning Loop。 你的產品與素材,教 Meta 哪些人可能有興趣;使用者的行為,教 Meta 哪些人可能會轉換;訂單與 CRM,再告訴 Meta 哪些轉換其實比較值錢。下一輪,AI 再重新分配曝光。 所以我現在越來越覺得,2026 年真正厲害的廣告人,不一定是 Ads Manager 裡面按得最快的人,而是那個可以把: 市場 → 素材 → 廣告 → 網站 → 資料 → 營收 → AI 全部串成一個循環的人。 以前我們叫這件事情「投廣告」,現在回頭看,它其實越來越像在訓練一套替公司找客戶的 AI 系統。 結語:工具變複雜,行銷核心反而變簡單兩年沒看廣告,回來一次補完,突然覺得還滿有趣的。 因為繞了一大圈,當平台把 Targeting、Bidding、Placement 與 Creative Production 全部慢慢自動化之後,最後真正拉開差距的,居然又回到最古老的那些問題: 你賣什麼? 你賣給誰? 他為什麼要買? 你要用什麼角度說服他? 工具變得非常複雜,但行銷的核心,好像反而又變簡單了。 常見問答 (FAQ)Q1:2026 年投 Meta Ads,還需要設定興趣受眾與 Lookalike 嗎?可以使用,但不必再把它們當成唯一答案。興趣受眾與 Lookalike 比較適合被視為提供給模型的提示或訊號;實際成效仍會受到素材、轉換事件、網站資料、Offer 與帳戶歷史學習影響。 Q2:每天只有 1,000 元的 Meta 廣告預算,應該怎麼開始?建議先維持一個主要 Sales Campaign,受眾盡量 Broad,最佳化真正想要的 Conversion,並把主要精力放在測試不同的 Creative Angle、Hook 與說服理由,避免把有限預算切成太多 Ad Set。 Q3:Pixel 與 Conversions API 有什麼差別?Pixel 主要從瀏覽器端回傳事件,Conversions API 則從伺服器端回傳事件。兩者搭配並使用 Event ID 做 Deduplication,可以建立較完整的轉換資料回傳,但仍需同步處理 Consent、資料品質與事件設計。 Q4:為什麼不能只看 Meta Ads Manager 的 ROAS?平台 ROAS 是依照平台自己的歸因規則計算,可能和 GA4、真實訂單、毛利、新客成本與 LTV 不一致。更完整的判斷方式,是同時比較 Platform Metrics、Analytics Metrics 與 Business Metrics,並進一步觀察 Incrementality。 Q5:素材測試和廣告放量應該放在同一個 Campaign 嗎?不一定。放量 Campaign 的任務是替目前預算找最大機率的結果;Creative Testing 的任務是回答下一個有效素材或市場假設是什麼。如果需要比較 Hook、Angle 或 Persona,最好設計相對獨立的測試,避免期待投放系統自動完成公平的科學實驗。

  • article-Vibe Coding 下一階段:把專業知識變成軟體,產業專家就是下一代產品經理

    2026/8/31

    商業策略 AI Agent Vibe Coding
    Vibe Coding 下一階段:把專業知識變成軟體,產業專家就是下一代產品經理

    最近看到一個很有意思的案例。 一位房仲做了一套 591 競品分析工具。貼上一個 591 網址,就可以自動整理同社區競品、價格、刊登時間與曝光狀況,甚至判斷一間房子到底是「價格有問題」,還是「根本沒曝光」。 有趣的不是這個工具本身,而是他說: 「我一行程式都不會寫。」 但光是其中一個競品分析功能,就有 15 個程式檔案、9,324 行程式,前後修改 75 次;整個系統甚至累積到 3,000 多次修改。他主要靠 Claude Code,把這套東西慢慢做出來。 很多人看到這裡,第一個反應可能是:「現在 AI 真的太強了,不會寫程式也能做 App。」 但我看到的,其實是另外一件更大的事情。 Vibe Coding 真正改變的,可能不是程式設計以前我們談 No-Code、Low-Code,到現在談 Vibe Coding,大家一直在討論: 以後是不是不用學寫程式了? 但我覺得,這可能問錯問題了。 真正正在發生的是:大量原本只能存在「專家腦袋裡」的東西,開始可以被軟體化。 這才是我認為 Vibe Coding 最重要的改變。 真正值錢的不是那 9,324 行程式假設今天叫一個很厲害的工程師完成「591 資料抓取 → 整理 → Dashboard → 報表」,技術上可能完全沒問題。 但工程師怎麼知道: 刊登超過幾間叫供給過剩? 多少瀏覽才算曝光不足? 同一間房子被三個仲介刊登,到底算三筆還是一筆? 什麼情況代表價格有問題? 這些東西不是只靠寫程式就能得出來的。它來自一個房仲做過幾百次成交、看過幾千個物件之後,慢慢形成的判斷。 以前我們會叫這種東西「經驗」。但 AI Coding 出現之後,我開始覺得應該換一個角度看: 這些其實都是還沒有被寫成程式的商業邏輯。 未來值錢的能力,是把「我覺得」變成「如果……就……」例如,一個資深房仲可能會說:「這間我一看就知道不好賣。」 以前這句話很難交給電腦。但如果繼續追問「為什麼」,他可能慢慢拆出: 如果同社區待售超過 15 間; 如果價格高於近期成交行情 8%; 如果刊登 30 天但瀏覽不到 500; 如果照片數量低於某個數字; 如果三週都沒有有效詢問; 那麼成交機率就會開始下降。 這時候事情就完全不同了,因為專業經驗可以沿著一條清楚的路徑被轉換: 經驗 → 判準 → 規則 → Workflow → 軟體 這就是我最近越來越在意的一個概念:專業知識軟體化。 AI Coding 的最大機會,不是讓所有人變成工程師真正的機會是:讓每一個產業專家,都第一次有機會把自己的 Know-how 變成軟體。 所以,接下來很有優勢的可能不只是最會寫程式的人,也包括: 做了 20 年帳務的會計師; 看過幾千個案件的律師; 成交過幾百間房子的房仲; 教過幾千個學生的老師; 做過幾百個廣告專案的行銷人; 跑過幾百間工廠的顧問。 以前這些人的專業很難複製,因為 Know-how 在腦袋裡。新人只能跟著老師傅看、問、學、犯錯,再慢慢累積經驗。 但現在多了一條路:你可以開始問自己,「我每天到底在做哪些判斷?」然後一條一條把它寫出來。 這也延續了我在〈AI 讓程式碼越來越便宜,但「知道什麼值得做」正在變得越來越貴〉談過的觀察:真正稀缺的,往往不是把功能做出來,而是知道哪個產業問題值得被做成產品。 為什麼 Prompt 不是終點?很多人學 AI 還停在:「幫我寫一個厲害 Prompt。」 但 Prompt 本身很難形成太大的護城河。真正有價值的是 Prompt 後面的判斷規則。 例如,不是只叫 AI「幫我分析這個網站的 AEO」,而是明確告訴它: 什麼情況代表 Entity 不清楚? 什麼情況代表內容缺乏可引用性? 什麼結構不容易被 Answer Engine 理解? 哪些 Schema 缺失? 品牌資訊在不同來源出現矛盾時,風險怎麼計算? 最後甚至可以進一步形成完整流程: 檢查 → 評分 → 找問題 → 排優先級 → 提出修改 → 自動修正 這時候,它就不再只是一個 Prompt,而開始變成 Software。 Coding Agent 如何補上最後一塊拼圖?Claude Code、Codex 這類 Coding Agent 真正重要的地方,不只是「比較會寫程式」,而是它們開始可以: 讀取與建立檔案; 修改與執行程式; 查看錯誤並修正; 執行測試; 操作工具; 拆解任務並持續工作。 所以我們正在從「AI 告訴你怎麼做」,進入「AI 幫你把它做出來」。 這也是為什麼最近大家開始談 Agent Harness。Model 決定 AI 有多聰明;Harness 則決定:它到底能不能工作。 如果想更完整理解這個架構,可以接著閱讀〈Skill 之後,下一個 AI 開發者一定要懂的詞:Agent Harness〉。 當寫程式越來越便宜,知道該寫什麼反而越來越貴以前,「我有一個 Idea,但是我不會寫程式」是一個很大的障礙。 未來真正的障礙可能變成:「你到底懂不懂這個產業?」 因為 App 可以生成、Dashboard 可以生成、Database 可以建立、API 可以串、UI 可以改。真正難複製的是: 你做過 300 次之後,知道第 301 次應該怎麼判斷。 AI 原生產品的四個必要元素我現在會用另一個公式看 AI 原生產品: AI 原生產品 = Domain Expertise × Explicit Rules × Agent Harness × Iteration 這四個元素分別代表: Domain Expertise:真實累積的產業經驗。 Explicit Rules:把經驗講清楚、拆成明確判準的能力。 Agent Harness:讓 AI 能讀取資訊、使用工具並真正動手工作的環境。 Iteration:一次又一次測試、修正與調整。 少一個,都很難變成真正可用的 AI 原生產品。 專業知識軟體化,可能催生下一波 Vertical AI今天是一個房仲做 591 分析;明天可能是一個會計師,把自己的查帳流程做成系統。 也可能是一個老師,把自己批改幾千份作文的判斷做成工具;一個行銷顧問,把做過幾百個案子的診斷方法做成產品;一個製造業老師傅,把「聽聲音就知道機器哪裡不對」的經驗拆成判斷系統。 最後會發現,他們根本不是在「學寫程式」,而是在做另一件事情: 把自己的職業經驗,編譯成軟體。 學 Vibe Coding 前,先問自己這三個問題如果你最近正在學 Vibe Coding,我反而不建議第一個問題是:「我要做什麼 App?」 你可以先問自己: 有什麼事情,是別人每次都跑來問我的? 有什麼判斷,我做 30 秒,新手可能研究三小時? 有什麼工作,我已經重複做過 100 次以上? 那裡面很可能就藏著你的第一套 AI 工具,甚至是你的第一個 SaaS。 以前軟體公司的邏輯是: 找到產業需求 → 找專家訪談 → 寫規格 → 找工程師 → 做軟體 現在開始可能反過來: 專家自己就是產品經理,AI Coding Agent 就是他的工程團隊。 而他腦袋裡累積十年、二十年的 Know-how,就是最重要的原始碼。 所以我越來越相信:Vibe Coding 的終局,不是人人都變成工程師,而是每一個真正有專業的人,都有機會變成一家軟體公司。 常見問答 (FAQ)Q1:不會寫程式,也能用 Vibe Coding 做出軟體嗎?可以,但重點不只是會不會下 Prompt。你仍需要清楚描述問題、把專業經驗拆成判準與規則,並透過 Coding Agent 反覆建立、測試與修正。AI 可以降低實作門檻,卻不會自動補上你不具備的產業知識。 Q2:什麼是「專業知識軟體化」?專業知識軟體化,是把專家長期累積的經驗,從模糊的直覺拆成可說明的判準,再轉換為規則、Workflow 與軟體功能,讓原本只能靠個人判斷的 Know-how 可以被重複使用。 Q3:Prompt、Workflow 與軟體有什麼差別?Prompt 通常是一次性的指令;Workflow 把多個步驟、條件與工具串成可重複流程;軟體則進一步加入資料、介面、權限、錯誤處理與持續迭代。當 Prompt 背後有明確判斷規則並能穩定執行時,就開始具備軟體產品的雛形。 Q4:Agent Harness 在 AI 原生產品中扮演什麼角色?Agent Harness 是讓 AI Agent 能取得情境、讀寫檔案、使用工具、執行任務、處理錯誤並遵守權限邊界的工作環境。Model 決定 Agent 的能力上限,Harness 則影響它能不能可靠地把工作完成。 Q5:如何找到適合自己的第一個 AI 工具題目?先盤點別人經常請教你的問題、你能快速完成但新手需要研究很久的判斷,以及你已重複執行上百次的工作。優先選擇規則相對清楚、資料可取得、結果可以驗證的小流程,再逐步擴充成產品。

  • article-官網被駭後,我乾脆用 AI 一週重做一個品牌|鮮生小姐官網重建實錄

    2026/8/26

    商業策略 AI工具 Vibe Coding
    官網被駭後,我乾脆用 AI 一週重做一個品牌|鮮生小姐官網重建實錄

    這一週,我幾乎把工作重心都放在一件事情上:重新打造「鮮生小姐」的品牌官網。 起因其實很直接。 原本鮮生小姐的官網是用 WordPress 做的,前陣子碰到大漏洞,八月初直接被駭客弄掛。既然都已經要大修,我乾脆做了一個決定: 不要修舊網站了,直接用 AI 重新做一個。 而且這次不是單純把網站「做回來」,而是趁這個機會,把品牌、購物流程、商品圖片、內容行銷,甚至品牌角色都重新想一次。 先從品牌開始:打造 AI 代言人 Cherry第一個最大的改變,就是導入新的 AI 代言人:Cherry。 為什麼是 Cherry? 因為鮮生小姐做進口水果,最具代表性的商品之一就是櫻桃。 所以我跟 AI 討論了很久,希望她不是一個制式的「AI 美女」,而是真的有品牌個性。最後慢慢找到一個我很喜歡的方向: 怪美的,甜一點、酸一點,都好。 我希望 Cherry 有一點甜、有一點酸、有一點怪,但又讓人印象深刻。 接下來,她就不只是網站上的一張人物圖。她可以介紹商品、推薦水果、帶大家認識品牌,也可以出現在未來的社群內容裡。 做到後來,我甚至還直接用 Suno 幫 Cherry 做了一首歌和品牌 MV。 以前我們是在做一個網站;現在更像是在慢慢打造一個品牌角色,甚至是一個品牌世界。 重新設計購物流程:網站負責展示,LINE 負責成交第二個改變,是我把傳統電商購物流程重新想了一遍。 這次的新官網,目前沒有再串第三方金流,而是把流程改成: 官網介紹商品與產生興趣 → LINE 詢問、溝通與客製 → 銀行轉帳完成交易。 這算是我這次一個滿大的實驗。 以前做電商,很自然會想到: 商品頁 → 購物車 → 結帳 → 金流 → 訂單成立 但水果,尤其是水果禮盒、企業送禮,本來就不是每一筆交易都這麼標準。客人很常會問: 這個今天有貨嗎? 水果可以換嗎? 我要送 10 盒,要怎麼搭配? 某一天以前送得到嗎? 企業大量訂購,有沒有其他方案? 這些事情,本來就非常適合透過 LINE 溝通。 所以與其強迫每個客人都走標準購物車流程,我反而把網站跟 LINE 高度綁定: 網站負責把商品說清楚,LINE 負責把交易完成。 對小型品牌來說,我覺得這可能是一個很值得測試的新方向。它不一定適合所有商品,但對規格、庫存、數量與配送條件都可能需要討論的水果生意來說,彈性會比制式結帳流程更高。 AI 不是幫我找圖,而是直接幫網站生圖第三個讓我很驚喜的地方,是網站圖片。 以前做網站有一件很花時間的事情:找圖。 尤其水果更麻煩。你可能找到一張很漂亮的蘋果、一張很漂亮的葡萄、一張很漂亮的哈密瓜,但放在同一個網站裡,常常會發現光線、背景、構圖和攝影風格都不一樣,整個網站看起來就像從不同地方拼起來的。 這次我直接讓 AI 延續鮮生小姐原本的商品攝影風格,再按照網站實際需要去生成圖片。 我可以直接告訴 AI: 我要什麼比例。 主體要放在哪裡。 哪邊需要留白。 這張圖適合首頁還是商品頁。 整體光線、背景與質感要保持一致。 以前的流程是: 找圖片 → 配合圖片設計網站。 現在變成: 先設計網站 → 再生成最適合網站的圖片。 整個設計流程其實已經倒過來了。圖片不再只是網站完成後才補上的素材,而是可以跟頁面結構一起被規劃的品牌資產。 用 Codex 協同作業,一週把整個架構做起來這次整個網站,我主要是用 Codex 協同作業。 從網站架構、頁面設計、商品資料、LINE 導購流程,到部署、修改和調整,很多事情都是直接跟 AI 邊討論邊做。 我覺得最大的差別,不只是 AI 幫我寫程式碼,而是以前很多事情光想到就會覺得專案很大: 網站架構要改。 商品流程要改。 圖片要重做。 SEO 要處理。 手機版要調整。 部署還要弄。 然後就會想:「這專案好像有點大,改天再做。」 但現在可以直接把問題拆開,一個一個跟 AI 做。所以短短一週,就已經可以做到現在這個程度。 這裡的重點不是「AI 一週就能把任何品牌網站做完」,而是當架構、內容、圖片與部署都可以在同一個協作流程裡快速往返,一個人也更有機會把原本不敢啟動的專案先做出第一版。 網站不是做完,而是終於可以開始快速迭代當然,目前還有很多地方需要持續修改。 商品會繼續增加,Cherry 的角色設定還會繼續發展,SEO 文章也會慢慢補上,網站細節一定還會再調整。 但現在有一個很大的差別:底層已經建立起來了。 接下來要上架新商品,可以很快;要新增 SEO 文章,可以很快;要做季節水果活動頁,也可以很快。甚至未來要讓 Cherry 出現在更多內容裡,也已經有完整的方向可以延伸。 所以我現在看這個網站,它其實已經不只是一個官網,更像是: 品牌內容平台 商品展示平台 SEO 平台 LINE 導客入口 AI 真正改變的,是「我敢做多少事情」這次最大的感觸是:AI 真正改變的,不只是「做事情變快」。 而是讓原本一個人覺得太大的事情,開始變成可以直接動手做的事情。 以前可能會想: 「這個專案要找很多人、花很多時間,之後再說。」 現在則變成: 好,那這週就來試試看。 對一人公司、小型品牌、內容工作者來說,我覺得這才是 AI 真正厲害的地方。 它不是取代你做決定,而是讓你的想法可以更快變成真的東西。 鮮生小姐新版官網鮮生小姐新版官網目前正逐步上線中,歡迎看看這次用 AI 重做的品牌網站: 前往鮮生小姐新版官網 常見問答 (FAQ)Q1:為什麼不直接修復原本的 WordPress 官網?因為原網站在八月初遭遇漏洞並被駭客弄掛,既然已經需要大幅修復,就把這次機會用來重新思考品牌、購物流程、商品圖片與內容架構,直接用 AI 建立新版本。 Q2:為什麼讓官網展示商品、再用 LINE 完成交易?水果禮盒與企業送禮常涉及庫存、換果、搭配數量、配送日期與大量訂購方案,這些需求不一定適合標準購物車,因此讓官網負責說明商品,再透過 LINE 溝通與成交。 Q3:這次 AI 協助了哪些網站工作?AI 協助討論網站架構、頁面設計、商品資料、LINE 導購流程、商品圖片與部署調整,也支援 Cherry 品牌角色與後續內容方向的發展。 Q4:這個網站現在已經全部完成了嗎?還沒有。商品、Cherry 的角色設定、SEO 文章與網站細節都會持續更新;目前最重要的是底層架構已經建立,後續可以更快新增商品、文章與季節活動頁。

  • article-AI 讓程式碼越來越便宜,但「知道什麼值得做」正在變得越來越貴

    2026/8/19

    商業策略 AI工具 Vibe Coding
    AI 讓程式碼越來越便宜,但「知道什麼值得做」正在變得越來越貴

    最近看到越來越多 AI 小工具開始收費。 自動上字幕、自動剪 Shorts、自動產文案、自動整理素材、自動做簡報…… 然後底下很常出現一種聲音: 「這不就是包一層 AI?」 「這用 Skill 就能做了吧?」 「免費工具一堆,為什麼要付錢?」 「叫 AI 寫一下,自己也能做啊。」 這些話其實都沒有錯。 但我覺得,它們剛好看反了一件事。 AI 真正改變的,不是讓這些產品變得沒有價值,而是正在瘋狂降低「把一個解決方案變成產品」的成本。 以前,很多人不是沒有好點子,而是做不出來假設你是一個剪輯師。 你每天剪影片,早就知道最浪費時間的是:找精華、切片段、上字幕、斷句、找 B-roll,以及調成直式比例。 你甚至可能想過: 如果有一個工具,可以把 Podcast 丟進去,自動找出 7 個適合 Shorts 的片段,再把字幕跟直式影片做好,那該多爽。 問題是,以前想到這裡通常就結束了。 因為下一步是找工程師,然後開始面對開發費、需求溝通、UI、前端、後端、伺服器、部署與 Bug。 一個可能只值幾百元訂閱費的小需求,前期卻可能要花幾十萬元才能驗證。 所以很多非常好的小需求,最後根本沒有人做。不是市場不存在,而是以前的開發成本高到不值得做。 但 AI 把這件事情改掉了。 程式碼變便宜後,瓶頸轉移到「知道什麼值得做」Vibe Coding、Agent 與 Skill 出現之後,程式碼本身正在快速變便宜。 以前你可能需要 PM、UI/UX、前端、後端、測試與維運等角色;現在一個人搭配 AI,已經可以完成過去一個小團隊才能完成的事情。 所以新的瓶頸開始轉移。 以前最重要的問題是: 你做不做得出來? 現在慢慢變成: 你知不知道什麼值得做? 而這兩件事情完全不同。 一個工程能力很強的人,不一定知道會計每天最討厭做什麼;不一定知道房仲成交前有哪些流程最浪費時間;不一定知道剪輯師最想砍掉哪三個步驟;也不一定知道廣告投手每天打開後台時,哪些工作其實根本不需要人做。 但是,在這些產業工作十年的人知道。 所以我反而認為:AI 時代,一個人累積多年的產業 Know-how,正在變成新的「程式設計能力」。 這也是為什麼,AI 讓更多非工程背景的人有機會做產品。真正的優勢不一定是會寫出最多程式碼,而是能把工作現場的浪費描述得足夠精準。 不要小看那些「只是包一層 AI」的產品很多人看到一個 AI SaaS,第一個反應是: 這我自己用 Claude Code 或 Codex 寫也可以。 當然可以。 就像 WordPress 是免費的,你也可以自己架網站;Linux 是免費的,你也可以自己架 Server;開源模型是免費的,你也可以自己部署。甚至自己煮飯,也一定比天天叫外送便宜。 問題從來不是「我能不能自己做」,而是「我有沒有必要自己做」。 如果一套工具每個月收 300 元,但可以讓我每個月少花 3 個小時,我根本不在乎它底下是不是只有一個 Prompt、一個 Skill,還是呼叫某個 API。 我買的不是那幾行程式碼。 我買的是: 這件事情以後不要再來煩我。 這才是產品真正的價值。 Skill 是能力,Product 是交付這是現在很多技術人最容易混在一起看的地方。 一個 Skill 可能只是: 1輸入影片 → Whisper → 分析斷句 → 輸出 SRT 但一個真正讓普通人願意付錢的產品,可能還包含: 上傳影片與檔案格式檢查 進度顯示與錯誤處理 字體選擇與字幕樣式 歷史紀錄與專案管理 額度、付款與帳號權限 教學、客服、更新、效能與備份 最重要的是,它讓一個完全不知道 Whisper、API、Python 或 Skill 是什麼的人,也可以把工作做完。 這就是產品化。 Skill 是能力,Product 是交付。 兩者不是誰比較高級,而是處在完全不同的維度:Skill 解決「能不能完成這個動作」,Product 解決「使用者能不能穩定地得到結果」。 如果想延伸理解 Vibe Coding 如何從個人能力走向可交付的工具,也可以參考從零開始用 AI 寫程式的 Vibe Coding 指南;而產品化與 MVP 驗證的商業脈絡,則可參考AI 快速打造 MVP 代工模式全解析。 AI 創業不必一開始就做大平台某種程度上,現在確實是 AI 大創業時代。 但這不代表要去做下一個 Instagram、下一個 Airbnb,或一開始就想著打造 All-in-One AI 超級平台。 一人公司的真正機會,反而可能是把題目做得非常小。 太大的題目 可驗證、可收費的單一流程 AI 剪影片 50 分鐘 Podcast → 自動挑 7 個 Shorts → 字幕 → 9:16 → 輸出 AI 行銷工具 商品資料 → 產出 3 組 Meta 廣告素材與文案 → 建立廣告草稿 AI 客戶管理 LINE 電子名片 → 預約 → Calendar → 提醒 → CRM 「AI 剪影片」太大;「50 分鐘 Podcast 自動挑出 7 個 Shorts 並輸出直式字幕影片」就開始有產品味了。 「AI 行銷工具」太大;「把商品資料轉成三組 Meta 廣告素材、文案與廣告草稿」就比較接近一個能被驗證的解決方案。 「AI 客戶管理」太大;「LINE 電子名片串接預約、Calendar、提醒與 CRM」則已經是一個可以清楚描述、清楚交付的流程。 找 AI 創業題目時,先看這六件事如果今天要找一個 AI 創業題目,我會先看: 高頻 × 很痛 × 流程明確 × AI 能解 × 願意付錢 × 市場夠窄 其中最後一個,很多人會搞反。 市場夠窄不一定是缺點,反而可能是優勢。因為你不是要募資上市,可能只需要 500 個客戶。 如果一個客戶每個月願意付 500 元,500 個客戶就是每月 25 萬元。對大型 SaaS 公司來說,這可能連一個專案都不值得開;但對一人公司來說,完全是另一回事。 AI 正在讓大量「以前小到不值得被軟體公司服務的需求」,第一次有機會被做成生意。 窄市場還有另一個好處:你更容易理解使用者的語言、建立信任、收集回饋,也更容易知道下一個最值得開發的功能是什麼。先把一個小流程交付好,通常比一開始堆滿一百個 AI 功能更接近真正的產品。 從工作流程找出你的產品所以我現在越來越不鼓勵大家一直問: AI 還可以做什麼? 這個問題太大。 我反而會問: 你每天最不想做的是什麼? 把你一天、一週、一個月的工作流程全部攤開,找出那些: 重複的 浪費時間的 每次都在抱怨的 規則其實很明確的 但公司一直沒有人想處理的 那裡面可能就藏著你的產品。 整個路徑其實是: 123456Workflow→ Pain Point→ AI Solution→ Tool→ Product→ Business 先理解工作,再找到痛點;用 AI 解決,把解法做成工具;把工具包裝成產品,最後才把產品變成生意。 這個順序很重要。很多人一開始就問要用哪個模型、哪個框架、哪個 Agent,卻還沒有確認問題是否高頻、是否夠痛、是否有人願意付錢。 真正的第一步,通常不是打開 IDE,而是回到工作現場,問清楚這件事為什麼一直存在、誰最想把它拿掉,以及目前大家用什麼方式勉強處理它。 如果你想把這種「把日常工作交給系統」的思路再往前推,也可以延伸閱讀零人公司真正缺少的不是人,而是即時決策。產品的起點不是把人全部移除,而是先把流程、判斷與交付邏輯說清楚。 AI 時代,最昂貴的是問題判斷力我認為,AI 時代真正稀缺的能力,可能會慢慢改變。 以前: 我會不會寫程式? 非常重要。 未來: 我到底知不知道什麼問題值得解? 可能更重要。 因為程式碼會越來越便宜,模型會越來越強,Agent 能做的事情會越來越多。甚至有一天,你只需要把需求講清楚,AI 就能幫你把第一版產品做出來。 到了那個時候,真正昂貴的就不再只是實作能力,而是你在一個產業裡待了五年、十年之後,累積下來的那些洞察: 這裡其實超浪費時間。 大家一直都這樣做,但明明可以更簡單。 如果有人幫我把這件事情拿掉,我願意付錢。 以前它們只是經驗。 現在,它們可能都是產品。 常見問答 (FAQ)Q1:AI 讓程式碼變便宜後,AI 工具為什麼仍然有價值?AI 工具的價值不只在於底層程式碼或 Prompt,而在於把一個明確工作流程包裝成穩定、容易使用、能持續交付結果的產品,替使用者省下時間與注意力。 Q2:Skill 和 Product 有什麼差別?Skill 是完成某項能力的方式,例如把影片轉成字幕;Product 則包含上傳、進度、錯誤處理、權限、付款、紀錄、教學與客服,讓不懂技術的使用者也能完成工作。簡單說,Skill 是能力,Product 是交付。 Q3:如何找到值得做的 AI 產品題目?可以先盤點自己的工作流程,找出高頻、很痛、規則明確、重複浪費時間,而且有人願意付錢解決的問題,再確認 AI 是否能有效處理其中一段流程。 Q4:AI 產品的目標市場越窄越好嗎?市場不必盲目追求最大,但必須有足夠明確的痛點與付費能力。對一人公司而言,先服務一個窄市場、累積 500 個願意付費的客戶,可能比做一個面向所有人的大型平台更可行。