部落格

不定期分享最新資訊文章

徐享／享哥

AI應用規劃師

具有 10 年經驗在數位行銷與電商廣告領域，專精生成式AI應用與個人資料保護，致力於以獨特商業洞察與實戰案例研討，助力品牌突破成長瓶頸。

AI工具 (94) ChatGPT (21) 商業策略 (34) AI自動化 (95) AI Agent (51) SEO (13) AEO (8) 內容行銷 (28) Cursor (2) Vibe Coding (45) Codex (17) MCP (3) 職場溝通 (3) 影音行銷 (56) AI Coding (2) Gemini (12) Meta Ads (1) Higgsfield (1) AI風險控管 (5) NotebookLM (1) GEO (1) AI繪圖 (9) n8n (29) API串接 (13) 社群行銷 (4) 自動化講師應用 (6) 社群自動化 (1) Facebook機器人 (1) RAG (1) VLM (1) 向量資料庫 (1) Cloudflare (6) Claude (6) Claude API (1) AI創業 (1) 工作流 (1) 享哥宇宙 (10) 科幻喜劇 (8) AI故事 (8) Seedance (2) 技術選型 (1) Electron (1) Tauri (1) 奇幻喜劇 (2) 台灣民間信仰 (2) Git (1) 知識變現 (4) Google (1) Google Colab (1) Google Vids (1) GSAP (1) n8n新手教學 (11) Zeabur (1) Remotion (2) Antigravity (1) 前端架構 (1) PWA (1) 資料處理 (1) 個人品牌 (1) Power Automate (1) Playwright (1) LINE (1) 雲端部署 (1)

2026/11/5
AI工具商業策略 AI自動化

別再一直建立 AI Agent 了！你真正需要的是學會管理 AI 員工

未來最有競爭力的人，不一定是最會寫提示詞的人，而是最懂得管理 AI 團隊的人。最近看到 Lauren Tan 分享 Grok Bot 的使用與團隊管理觀念，看完之後，我最大的感想是：我們是不是一直把 AI Agent 當成工具，卻忘了它其實更適合用管理員工的方式來安排工作？過去使用 ChatGPT，我們習慣問一個問題、得到一個答案。後來有了 Claude Code、Codex，我們開始讓 AI 幫忙寫程式、整理資料、製作報表。現在進入 AI Agent 時代，AI 不只能回答問題，還能使用工具、執行任務；搭配平台支援的排程或事件觸發機制，也能在授權範圍內啟動例行工作。這時候，真正重要的能力已經開始改變。不是你會使用多少 AI 工具，而是你能不能建立一套讓 AI 持續替你工作的系統。本文以 Lauren Tan 分享的管理觀念為起點，結合我對 AI Agent 工作流的實務思考，並非原指南的逐條翻譯。文中的角色、訂單與課程流程是說明用的設計情境，不代表每套平台都能直接完成。Skills 與 Routines 的基本機制可參考 Grok Bot 官方工作指南。一、AI 員工不是越多越好，如何讓分工更清楚？從這些分享中，我讀到一個很重要的觀念：與其建立一大群 Bot，不如先把少數幾個 Bot 的工作做好。這點我非常認同。以前我們在研究 Multi-Agent 多代理架構時，很容易陷入一個迷思：既然可以建立很多 Agent，那是不是每個工作都應該有一個專屬 Agent？行銷一個、寫文章一個、查資料一個、寫程式一個、管理信箱一個……最後建立了十幾個 Agent，卻發現自己每天光是決定要找誰工作，就已經很累了。這跟管理真實員工很像。員工越多，不代表生產力越高。如果沒有清楚的職責、工作流程與管理制度，反而會增加溝通成本。我認為比較合理的做法，是先建立幾個核心角色： AI 角色主要職責可以驗收的交付物 AI 幕僚長任務管理、進度追蹤與工作分派任務清單、負責角色與進度摘要 AI 研究員蒐集資訊、研究技術與驗證資料附來源的研究筆記與待確認事項 AI 內容編輯文章、社群貼文與行銷素材可審閱的內容草稿 AI 工程師開發工具、建立自動化流程可執行的程式與驗證紀錄甚至不一定需要四個獨立的 Bot。如果系統能妥善管理角色、上下文與權限，也可以由一個主要 Agent，根據任務切換不同的專業角色。但角色切換不等於權限隔離。如果不同工作需要不同的資料存取或核准規則，仍要確認平台能否真正限制權限。重點從來不是 Agent 的數量，而是工作能不能被正確完成。如果你還在釐清聊天工具與代理的差異，可以先閱讀AI 聊天機器人與 AI Agent 的差別。二、如何把 AI 的成功經驗，整理成可重用的 Skills？這是我特別喜歡的觀念：當你教 Bot 執行某項任務時，可以要求它把成功的工作流程整理成 Skills。為什麼？因為 AI 有一個很常見的問題：今天教會它的事情，過了一段時間，換個對話或執行環境，可能又得重新說明。尤其當工作涉及很多細節時，光靠一大段提示詞，很難保證每次執行都一致。這時候，Skills 就非常有價值。例如，我經常需要將 AI 技術研究整理成部落格文章，再改寫成 Facebook 粉專貼文。與其每次重新交代「幫我研究技術背景、確認資料、加入實際應用案例，再改成適合粉專閱讀的語氣」，不如把這些步驟整理成一套內容製作 Skill。以後只要告訴 AI：使用我的科技文章 Skill，研究這個主題。在支援這套 Skill、具備必要工具與資料權限的環境中，AI 就能依照既定流程執行。一套實用的 Skill，至少應該交代：什麼情況要使用，以及需要哪些輸入資料。工作步驟與判斷規則。預期輸出格式與驗收標準。遇到缺漏或錯誤時如何回報。哪些操作需要人類核准。這些要素也與 Grok Bot 官方文件對 Skill 的說明一致：先完成一次任務、修正到可靠，再保存工作方法，最後才考慮自動化。更進一步，也可以把不含機密或個資的 Skills 集中儲存在 GitHub 私有儲存庫，透過版本管理持續改善；實際載入與同步方式則取決於所用平台。這其實就是企業很熟悉的 SOP（標準作業程序）。以前我們把工作經驗寫成 SOP，交給新人學習；現在可以把 SOP 整理成 Skills，交給 AI Agent 執行。想進一步整理自己的方法，可以參考從 Prompt 走向 Skill 工作流。但也要注意：Skills 不保證 AI 永遠不會出錯，仍然需要測試、驗收與持續修正。三、哪些工作交給 AI Agent，哪些應該寫成 Scripts？另一個值得深入研究的方向，是請 Bot 幫你寫程式，把重複性的工作流程自動化。這個做法看似簡單，背後卻牽涉到 AI Agent 的成本與架構設計。假設每天都要處理 100 封訂單郵件。如果讓 AI Agent 每次都打開信箱、閱讀郵件、擷取欄位、開啟試算表、填入資料，每個步驟都需要模型判斷，可能消耗大量 Tokens，也增加執行時間。但換個方式呢？第一次先請 AI Agent 分析工作流程，幫忙寫好 Script。之後透過程式自動讀取授權範圍內的郵件、解析固定格式、整理訂單資料。只有遇到格式不一致、資訊缺漏或需要判斷的情況，才交給 AI Agent 處理。這種設計有機會減少重複的模型呼叫，讓固定步驟更容易檢查；實際成本與穩定性仍要依郵件格式、錯誤率與維護需求驗證，不能只看 Token 數量。我認為比較成熟的架構，可以這樣分工：組成負責什麼訂單情境中的例子 AI Agent 思考、規劃與處理例外判讀不規則來信、列出缺漏資訊 Scripts 固定且重複的執行擷取固定欄位、去除重複紀錄、產出資料表 Skills 保存工作方法與驗收規則定義訂單欄位、核對步驟與人工確認條件自動化流程決定何時啟動、如何交接收到符合條件的郵件後啟動處理三者互相搭配，再由自動化流程串起來，而不是什麼事情都丟給大型語言模型。這也是為什麼我最近越來越重視 Codex、Cloudflare、GitHub 與各種自動化工具的整合。因為 AI 最有價值的地方，不只是幫你完成一次工作，而是幫你建立一套以後可以持續運作的流程。四、如何用 Routines，讓 AI 在適當的時間主動工作？Routines 可以理解為例行任務。依 Grok Bot 官方工作指南，它可以依排程，或在支援的事件發生後啟動工作。排程型：在指定時間執行例如每天早上八點，檢查授權的信箱、整理重要訊息、確認行事曆，並產出今日工作摘要。事件觸發型：符合條件才開始工作例如當指定客戶寄來新郵件，AI 自動整理需求、更新允許修改的客戶紀錄，並準備回覆草稿。可用的事件來源與連接器，仍要以平台實際支援為準。這兩種模式讓工作方式出現變化：以前我們要記得叫 AI 做事，現在可以讓系統在適當的時間，或特定事件發生時，自動開始工作。但這裡也有一個很重要的管理問題：不是所有工作都需要每五分鐘檢查一次。觸發太頻繁，可能增加成本，也可能產生大量重複資訊。所以我認為，設計 AI 自動化時，應該先思考三件事：這件事情需要多即時？有沒有辦法先過濾不重要的事件？哪些結果需要人類確認才能執行？例如一般新聞整理，每天執行一次可能就夠了；重要客戶的緊急需求，則可能需要更即時的通知。只有出現值得處理的變化時再通知，也能減少干擾。真正好的 AI Agent，是知道什麼事情值得做、什麼時候該做。五、如何像培訓新同事一樣，讓 AI 正確完成任務？我們也可以用一個問題檢查自己的管理方式：如果今天聘請一位實習生，你會如何讓他熟悉工作，並確保他能正確完成任務？假設公司來了一位新員工，你會不會只跟他說「幫我把公司行銷做好」，然後就期待他自己把所有事情完成？應該不會吧！你至少會告訴他：公司是做什麼的、客戶是誰、有哪些工作流程、可以使用哪些工具、什麼事情需要主管核准，以及完成工作的標準是什麼。但很多人在使用 AI Agent 時，卻只給它一句簡單的提示詞。發現結果不理想，就認為 AI 不夠聰明。問題可能不只在模型能力，也在於我們沒有提供足夠的工作背景與驗收標準。這也是為什麼我認為，企業導入 AI Agent，不能只停留在提示詞教學，還需要建立：工作角色與職責。知識庫與 Skills。工具使用權限。標準作業流程。任務驗收與錯誤回報機制。以客戶回覆為例，「幫我處理客戶郵件」太籠統。比較清楚的交代是：整理來信需求、標示需要補問的資訊、依範本產出回覆草稿，完成後交給我審核，取得核准才寄出。尤其涉及客戶資料、金流、對外發送訊息等工作，更需要明確的權限與審核制度。 AI Agent 可以自主執行工作，但自主不代表不需要管理。六、下一階段的競爭，為什麼是 AI 管理能力？回頭看看這幾年的 AI 發展：最早大家比的是誰比較會寫 Prompt，後來比的是誰會使用更多 AI 工具，接著開始比誰會使用 AI Agent、誰會建立自動化流程。但我認為，接下來真正拉開差距的，可能是另一種能力：你能不能把自己的工作方法，轉換成一套 AI 可以持續執行、持續改善，而且能夠驗證成果的系統？例如我現在要製作一門 AI 課程。理想中的工作方式，是告訴 AI 幕僚長：我要規劃一門六小時的 AI 實戰課程，對象是沒有技術背景的企業學員，希望每個人最後都能完成實際作品。接著由 AI 研究員整理工具與案例、AI 教學設計角色規劃課程、AI 工程師建立互動式教學網站、AI 內容編輯準備招生文案。每個階段都要有清楚的輸入、交付物與交接條件。最後由我檢查課程品質、調整教學策略、決定正式版本。這才是我期待的 AI 工作模式。當然，這不代表目前每一套 AI Agent 平台都能完整做到，也不代表可以完全不需要人工介入。但這個方向值得持續實驗：我們正在從「使用 AI 工具」，走向「管理 AI 工作系統」。從今天開始，先盤點這五個問題不要急著問自己還能建立多少個 AI Agent，先問問自己：我每天有哪些工作，一直在重複做？哪些工作方法，可以整理成 Skills？哪些固定流程，可以直接寫成 Scripts？哪些事情，可以交給 AI 自動監控與處理？哪些決策，仍然需要我親自把關？當你開始用這樣的方式思考，就已經開始扮演一位 AI 團隊的管理者。未來，真正有價值的可能不是一個人會操作十種 AI 工具，而是這個人能不能帶領一支由 AI Agent、Skills、Scripts 與自動化流程組成的團隊，完成過去需要好幾個人才能完成的工作。你不需要擁有最多的 AI 員工，你需要的是一支真正能幫你完成工作的 AI 團隊。這才是我認為 AI Agent 最值得期待的未來。如果今天可以聘請三位 AI 員工，你最希望他們幫你處理哪三件事？歡迎留言分享！常見問答 (FAQ)Q1：開始管理 AI 團隊，一定要建立很多個 AI Agent 嗎？不一定。先依工作目標、工具需求與核准邊界定義角色，再決定是否拆成不同 Agent。如果一個主要 Agent 就能妥善管理上下文並完成工作，可以先從單一 Agent 開始；只有在分工確實有幫助時才增加成員，並指定各階段的負責角色與交付物。 Q2：Skills、Scripts 與 Routines 有什麼差別？Skills 保存工作方法、判斷規則與驗收標準；Scripts 以程式執行固定且重複的步驟；Routines 決定何時依排程或支援的事件啟動工作。AI Agent 則負責理解目標、規劃流程與處理例外，四者可以搭配使用，實際支援方式依平台而異。 Q3：如何降低 AI 自動化的成本，又保留人工把關？先把格式固定的重複步驟交給程式，將需要判斷的例外交給 AI，再依任務時效設定排程與事件篩選。對外寄信、金流或重要資料變更，應先定義核准條件與驗收標準。實際節省幅度仍要量測模型用量、錯誤率與維護成本，不能假設自動化一定更便宜。參考資料與延伸閱讀 Grok Bot 官方工作指南：Bots、Skills 與 Routines：用於核對角色設定、工作方法保存與例行任務的基本機制。 Lauren Tan 的 Grok Bot 補充建議原始貼文：原始頁面於本次整理時無法直接讀取，本文不將中文轉述當成已核對的逐字引文，也不主張已完整核對原指南的建議總數。建立自己的 AI Skill 工廠：延伸思考如何持續整理與改善工作方法。本文依據 Lauren Tan 分享的 Grok Bot 管理觀念延伸，結合個人對 AI Agent 工作流的實務思考；相關平台功能仍須以實際版本與方案為準。
2026/10/28
商業策略內容行銷影音行銷

從劉德華 HAC 談 AI 網紅與虛擬 IP：如何打造能長期經營的角色？

如果連劉德華都開始打造虛擬 IP，你還只想用 AI 生成漂亮的圖片嗎？最近看到關於劉德華與虛擬角色「HAC」的消息，讓我想到一個問題：一位已經紅了幾十年的藝人，為什麼還需要打造另一個虛擬角色？這件事值得正在研究 AI 短影音、AI 網紅和自媒體經營的人思考：我們製作的究竟是一張圖片、一支影片，還是一個可以長期累積的品牌資產？本文以 HAC 的公開消息作為討論起點。文末保留原稿提供的社群帳號連結；目前尚無法獨立確認 HAC 與劉德華的合作關係及角色設定，以下相關描述依原稿所述，未來發展與商業模式則屬於觀察和推測。虛擬 IP 和一般 AI 網紅有什麼不同？IP 原意是智慧財產權（Intellectual Property）。在內容產業中，「打造 IP」也常指經營一個具備辨識度、故事性和粉絲關係，並能持續發展的角色或品牌。例如哆啦 A 夢、Hello Kitty 和蠟筆小新，能讓人長期記住的不只是外表，還有角色個性與特色。外表讓人注意，故事與個性則可能讓人留下來。 AI 可以生成漂亮的角色，讓人物唱歌、跳舞或拍短影音。但如果換一張臉，觀眾也沒有感覺，角色可能還沒有建立起足夠的辨識度和情感連結。AI 網紅可以是虛擬 IP 的一種形式，而 IP 的經營還需要持續累積角色、內容與受眾關係。從 HAC 的角色設定，可以想到哪些內容方向？依原稿所述，HAC 被定位為「對世界好奇的機械少年」，名稱概念包含 Heart（心與情感）、Art（藝術與創作）及 Connect（連結與交流）。這些設定若能轉化成內容，就有機會發展出一系列故事：機械少年第一次認識人類情感，會遇到什麼事？第一次旅行、交朋友，會如何看待陌生世界？當他理解什麼是感動，又會做出什麼選擇？這些只是創作構想，可以發展成短影音、動畫或漫畫，並非 HAC 已公布的製作計畫。品牌聯名、周邊商品和角色授權也是虛擬 IP 可能採用的模式，但目前不能據此推定 HAC 未來會如何商業化。明星的知名度可能幫助角色被看見；角色能否長久經營，仍要看內容與角色本身是否能吸引觀眾持續關注。 AI 降低製作門檻，為什麼經營角色仍不容易？過去製作虛擬角色內容，可能需要插畫、動畫、編劇、配音與剪輯等不同專業。現在透過 ChatGPT、Google Flow 等工具，個人創作者也有機會讓 AI 協助角色設計、定裝照、劇本、分鏡、影片生成及後製。但工具降低的是製作門檻，並不保證角色受到喜愛。幾分鐘生成一個角色，或一天做出十支影片，都不代表觀眾會記得她。觀眾追蹤的可能是角色帶來的情緒、故事、觀點與陪伴感；這些仍需要創作者持續設計、測試與調整。如何開始打造自己的 AI 角色 IP？1. 先決定角色是誰先想清楚角色的個性、興趣和看待世界的方式，再決定外型。她喜歡旅行、熱愛美食，還是對科技充滿好奇？這些特質會影響未來的內容方向與說話方式。 2. 建立角色一致性整理臉型、髮型、服裝、聲音、說話習慣與常出現的場景，做成角色設定。每次製作時參照設定，並檢查不同作品是否仍讓觀眾認得是同一個角色。 3. 設計能持續發展的故事故事不一定需要複雜的世界觀。例如，一位探索臺灣美食的 AI 女孩，可以從早餐店、夜市、咖啡廳一路介紹到不同縣市。每支影片能獨立觀看，累積起來也是角色的生活故事。 4. 邀請觀眾參與除了發布影片，也可以讓粉絲投票選擇下一站、推薦餐點，或參與故事發展。適合的互動能讓觀眾從觀看內容，逐漸變成陪伴角色成長的人。 5. 再思考商業化當角色具備辨識度、內容也有穩定受眾時，可以評估品牌合作、商品推薦或角色授權。漂亮的 AI 人像只是起點，不代表角色已經具備商業價值。未來值得累積的，也許是角色本身我最近也在研究 AI 網紅的製作流程，從角色設計、4K 定裝照、人物一致性，到生活 Vlog 和短影音自動化。研究越深入，越覺得工具是生產內容的方法，角色則可能成為值得長期累積的資產。今天使用 ChatGPT，明天換 Google Flow，未來也可能出現更強的生成工具。工具會更新，但如果角色已經擁有粉絲、故事和辨識度，創作者就有機會把累積的關係延續下去。不是每個 AI 角色都能成功，也不是每個創作者都需要打造虛擬 IP。但對想長期經營自媒體或品牌的人來說，不妨問自己：我現在是在製作一支影片，還是在打造一個未來能持續經營的角色？常見問答 (FAQ)Q1：AI 網紅和虛擬 IP 有什麼差別？AI 網紅通常指透過 AI 輔助製作或呈現的虛擬人物；虛擬 IP 更強調角色的辨識度、故事、受眾關係與持續發展。AI 網紅若能長期經營這些元素，也有機會成為虛擬 IP。 Q2：一個人可以打造 AI 角色嗎？可以利用 AI 工具協助角色設計、寫腳本、製作影像與影片，降低製作門檻。不過角色定位、品質檢查和持續經營仍需要創作者投入時間。 Q3：AI 角色什麼時候適合商業化？可以先觀察角色是否有穩定辨識度、持續內容和明確受眾，再評估品牌合作、商品推薦或授權是否符合角色定位。商業化成果沒有保證。參考連結原稿提供的 HAC Instagram：https://www.instagram.com/hacal0001 原稿提供的 HAC 抖音：https://v.douyin.com/aUg_S7ePNiA/
2026/10/11
AI工具 ChatGPT 商業策略

365 個免費 AI 行銷 Skills 開源了！我用一個賣雞排的案例，帶你實際玩一次

最近看到行銷人邱煜庭分享了一個很有意思的開源專案，叫做 Marketing Skills for Everyone。他把十幾年來的行銷實戰與教學經驗，整理成 365 個免費的 AI 行銷 Skills，放到 GitHub 開放大家使用。我覺得這件事最有價值的地方，不是「哇！竟然有 365 個提示詞可以免費拿」。而是它想解決一個很多人在使用 AI 時都會遇到的問題： AI 很會給建議，但我們怎麼知道它的建議到底能不能用？例如，你問 ChatGPT：「我開了一家雞排店，最近生意不好，該怎麼做行銷？」 AI 可能馬上給你十個建議：拍短影音、經營 Instagram、找網紅合作、推出會員制度、投放 Facebook 廣告……聽起來都很合理。但問題是，你一個月只有 5,000 元行銷預算，這十件事情到底應該先做哪一件？而且，你連一份雞排賣出去到底賺多少都還沒算清楚，就開始花錢打廣告，真的適合嗎？這就是我覺得這套 Skills 值得研究的原因。它把行銷工作拆成具體的方法，包含需要什麼資料、怎麼分析、最後要交付什麼結果，以及怎麼檢查答案。今天就用一個簡單案例，帶大家試試看。一、如何下載並使用免費的 AI 行銷 Skills？這套工具的使用方式，其實沒有想像中困難。不需要先學會寫程式，也不一定需要訂閱昂貴的 AI 服務。只要你使用的 AI 工具能上傳並讀取 Markdown 檔案，就可以照著以下方式操作；實際檔案上傳額度與支援情況，依工具當下的方案為準。第一步：下載教材 GitHub 開源專案：Marketing Skills for Everyone 官方教學網站進入 GitHub 後，點選綠色的 Code，再選擇 Download ZIP，下載後解壓縮。第二步：找到 INDEX.md這個檔案可以把它想成 365 個行銷方法的目錄。你不用自己一個一個研究，先把 INDEX.md 上傳到 ChatGPT 或 Claude。第三步：告訴 AI 你遇到的問題讓 AI 幫你找出適合使用哪個 Skill。第四步：上傳對應的方法包依照 AI 找到的路徑，從下載的資料夾中找到對應的 Markdown 方法包，上傳到同一段對話。這樣 AI 就能根據方法包中的步驟進行分析。需要哪個方法，就讀取哪個方法，不必把 365 個檔案全部上傳。索引用來選方法；還沒讀到方法包全文時，不要讓 AI 只靠索引摘要就宣稱完成分析。二、實際情境：一家雞排店，想用 5,000 元增加業績我們來設計一個虛構案例。假設我開了一家「阿亮炸雞排」，最近發現平日生意普通，想拿 5,000 元做促銷。老闆原本的想法很簡單：「不然買兩份雞排折 20 元，再花一點錢投廣告好了！」但如果你是行銷顧問，應該不會直接說好。你可能會先問：「老闆，你一份雞排到底賺多少？」因為有些活動看起來營業額增加了，實際上卻可能越賣越虧。所以這次我們不急著叫 AI 寫廣告文案，先讓 AI 幫我們算清楚獲利，再決定要不要做促銷。準備測試資料以下數字全部是教學用的假設資料，不是真實店家的營運數據。項目金額或方案一份雞排售價 90 元雞肉及醃料 35 元／份炸油、粉料、調味 8 元／份包裝袋 3 元／份每份額外變動人工成本 4 元／份預計行銷預算 5,000 元促銷方案買兩份折 20 元這些資料已經足夠讓我們進行第一輪簡單試算，但還不能直接視為完整的店家淨利分析。三、第一個提示詞：讓 AI 幫我們選 Skill先將 INDEX.md 上傳到 ChatGPT，接著輸入：提示詞 1：選擇合適的行銷方法123456789101112131415我經營一家雞排店，想用 5,000 元行銷預算增加銷售。目前一份雞排售價 90 元，正在考慮推出買兩份折 20 元的活動。請根據我上傳的 INDEX.md，幫我找出最適合分析這個問題的 2～3 個 Skills。這一步只比較候選方法，不要直接執行多項工作。請告訴我：1. 每個 Skill 的名稱與檔案路徑。2. 為什麼適合我的情境。3. 我需要準備哪些資料。4. 建議先執行哪一個。請只使用索引中確實存在的 Skills，不要自行編造名稱。尚未讀取方法包全文時，請先等我上傳，不要用索引摘要代替方法。這一步最重要的概念是：先選方法，再解決問題。就像看醫生，不是看到病人就直接開藥，而是先確認問題在哪裡。在這個案例中，我們可以優先尋找與「單品貢獻毛利計算」及「檔期預算與獲利預估」相關的方法。實際名稱和檔案路徑，請以下載版本的 INDEX.md 為準。四、第二個提示詞：上傳 Skill，開始計算找到適合的 Skill 後，把對應的 Markdown 方法包上傳到同一段 AI 對話，然後輸入：提示詞 2：執行雞排獲利分析12345678910111213141516171819202122請依照我上傳的行銷 Skill 方法包，分析以下雞排店的促銷方案。商品售價：90 元。每份成本：- 雞肉及醃料：35 元- 炸油、粉料、調味：8 元- 包裝：3 元- 額外變動人工：4 元促銷方案：買兩份折 20 元。行銷預算：5,000 元。請幫我：1. 計算原價與促銷後的單份貢獻毛利。2. 比較每賣出兩份雞排的獲利差異。3. 計算需要增加多少銷量，才有機會回收 5,000 元行銷費用。4. 提醒我哪些成本還沒有納入。5. 提供是否值得推出活動的初步建議。請依方法包的規則執行，列出計算公式、假設條件與檢查結果，不要把未知數字當成已知事實。若問題超出已上傳方法的範圍，請指出需要補充的資料或方法包。五、手動核對：AI 應該得到什麼結果？這一步很重要。因為我們不應該只看 AI 寫得有沒有道理，還要檢查它算得對不對。原價一份雞排 90 元，已知每份變動成本合計 50 元： 12每份已知變動成本 = 35 + 8 + 3 + 4 = 50 元原價每份貢獻毛利 = 90 − 50 = 40 元如果推出買兩份折 20 元，兩份雞排原價 180 元，折扣後收 160 元，成本合計 100 元： 12促銷後每兩份貢獻毛利 = 160 − 100 = 60 元促銷後每份平均貢獻毛利 = 60 ÷ 2 = 30 元比較項目原價促銷後每份平均收入 90 元 80 元每份變動成本 50 元 50 元每份貢獻毛利 40 元 30 元貢獻毛利率 44.4% 37.5% 也就是說，折扣之後，每份雞排的貢獻毛利少了 10 元，下降 25%。這裡的貢獻毛利率以成交收入為分母；它不是扣完租金、固定薪資等支出後的淨利率。 5,000 元行銷預算，需要賣出多少雞排才能回收？如果全部都是新增銷量，而且全部以促銷價格成交： 1235,000 ÷ 30 = 166.67 份每筆促銷訂單為兩份，因此須以雙份套餐進位：5,000 ÷ 60 = 83.33 組 → 至少 84 組 = 168 份至少需要額外賣出 168 份雞排，也就是 84 組雙份套餐，才有機會以新增貢獻毛利回收這筆行銷費用。小心：原本就會買的客人，也可能使用折扣如果原本就會買原價雞排的客人，也跑來使用折扣，實際效果就會不一樣。例如原本會買兩份的客人，現在少付 20 元，店家就少賺 20 元。所以 168 份不是活動保證回本的數字，而是在特定假設下的試算門檻。這也是為什麼做行銷不能只看營業額，還要看新增銷量、原有訂單被折扣取代的比例，以及真正增加的貢獻毛利。目前也還沒完整納入可能存在的稅費、金流或外送平台費、耗損、額外能源成本、加班或產能變動，以及租金與固定薪資等支出。應先確認哪些會隨訂單增加，哪些屬於固定成本，避免漏算或重複扣除；5,000 元行銷費用在本例另外扣除。六、第三個提示詞：檢查促銷是否真的值得做接著，我會再問 AI 一個問題；若需要另一份方法包，就先依索引找到並上傳，再繼續分析。提示詞 3：檢查促銷活動風險123456789101112131415161718請繼續依照行銷 Skill 的分析方式，幫我檢查這次雞排促銷的風險。假設活動期間有部分消費者原本就會購買雞排，只是因為折扣而改買促銷套餐。每筆促銷訂單均為兩份雞排。請比較以下三種情境：1. 所有促銷訂單都是新增購買。2. 50% 的促銷訂單原本就會以原價購買兩份。3. 80% 的促銷訂單原本就會以原價購買兩份。請以「沒有促銷時的貢獻毛利」為比較基準，分別計算回收 5,000 元行銷費用所需的促銷訂單數，並說明：- 哪種情況下活動比較有價值？- 哪些數字需要實際測試才能確認？- 有沒有比全面打折更好的促銷方式？若每筆平均新增貢獻為零或負數，請明確說明無法靠增加同類訂單回收費用。請區分數學試算與實際營運建議。這時候 AI 就不只是幫你計算，而是開始協助你判斷行銷活動的可行性。用新增貢獻檢查三種情境我們也可以先建立核對基準。令 p 為原本就會以原價購買兩份的促銷訂單比例： 12345真正新增的雙份訂單：每筆增加 60 元貢獻毛利原有雙份訂單改用折扣：每筆減少 20 元貢獻毛利每筆促銷訂單平均新增貢獻 = (1 − p) × 60 − p × 20 = 60 − 80p活動新增貢獻淨額 = 促銷訂單數 × (60 − 80p) − 5,000 情境每筆平均新增貢獻回收 5,000 元所需促銷訂單數全部是新增購買 60 元至少 84 筆，共 168 份 50% 原本就會買兩份 20 元 250 筆，共 500 份 80% 原本就會買兩份 −4 元依此假設無法回收；每增加一筆促銷訂單，平均新增貢獻反而減少 4 元這是固定比例與固定成本假設下的數學試算，不是實測成果。尤其第三種情境，促銷訂單本身仍有 60 元貢獻毛利，但相較於沒有活動時的訂單組合，平均反而少了 4 元；兩者的比較基準不同。也許最後你會發現，比起全面買兩份折 20 元，更值得測試的是平日離峰時段優惠、新客限定優惠，或搭配其他商品提高客單價。但這些都需要實際測試，不能光靠 AI 推測。七、這套 Skills 真正值得學習的地方：建立判斷很多人使用 AI，都是從「我要什麼答案」開始，例如：「幫我寫一篇雞排店促銷文案。」但有經驗的行銷人，可能會先問：「這個活動有沒有賺錢的機會？」這兩種提問方式，最後產出的價值差很多。我覺得 Marketing Skills for Everyone 很值得借鏡的地方，就是把行銷工作從「產出內容」往前推到「建立判斷」。而且作者選擇用 Markdown 方法包公開，不一定要懂程式、不一定要串接 API，也不需要一開始就建構複雜的 AI Agent。只要 AI 工具能讀取檔案，就可以先從一個真實問題開始練習。當然，Skill 不是魔法。資料不完整、假設錯誤，AI 還是可能算錯或給出不適合的建議。所以最好的用法，是讓 AI 幫我們整理問題、選擇方法、進行分析，再由人來核對與決定。如果你想進一步理解如何把工作經驗整理成方法包，也可以閱讀：從 Prompt 到 Skill Library：如何打造自己的 AI 工作能力庫。這次用雞排店只是示範。同樣的流程，也可以拿來分析電商商品定價、課程招生預算、LINE 會員回購活動，甚至企業的年度行銷計畫。如果你從來沒用過 AI Skills，我建議先不要急著研究全部 365 個。先挑一個你現在真的遇到的行銷問題，下載方法包，照著做一次。你會發現，AI 真正有價值的地方，不只是讓我們把事情做得更快，而是讓我們有機會把事情想得更清楚。免費開源專案與教學來源 GitHub：Marketing Skills for Everyone 官方教學：365 個免費 AI 行銷 Skills 方法索引 INDEX.md 也感謝邱煜庭把多年累積的行銷經驗整理開源，讓更多人可以從實際問題開始學習。如果是你，你會想先拿 AI Skills 解決什麼行銷問題？歡迎留言分享，我也想看看這套方法還能用在哪些有趣的情境。常見問答 (FAQ)Q1：使用這 365 個 AI 行銷 Skills，需要寫程式或付費訂閱嗎？本文示範的是下載 Markdown 方法包，再上傳給能讀取檔案的 AI 工具，不需要寫程式或串接 API。方法包本身免費開源；AI 工具是否提供檔案上傳、可用額度與方案限制，仍須依當下服務確認。 Q2：為什麼先上傳 INDEX.md，而不是一次上傳全部方法包？INDEX.md 是選擇方法的目錄，讓 AI 依問題找出確實存在的方法名稱與完整路徑。選定後再上傳對應方法包全文，才能依具體步驟執行與核對，避免只靠索引摘要猜測分析方式。 Q3：雞排店額外賣出 168 份，就一定能回收 5,000 元嗎？不一定。168 份的門檻假設所有促銷訂單都是新增購買、每筆兩份、每份變動成本固定為 50 元，且沒有其他未計入的變動成本。若原本就會買原價雞排的客人改用折扣，新增貢獻會下降，甚至無法靠增加促銷訂單回收費用。 Q4：貢獻毛利等於店家最後賺到的淨利嗎？不等於。本例貢獻毛利是成交收入扣除已列出的變動成本，仍需要用來支付租金、固定薪資與其他固定支出。完整營運判斷也要確認稅費、耗損、平台費和產能變動等成本是否適用。 Q5：AI 依照 Skill 算出結果後，還需要人工檢查什麼？至少核對資料來源、公式、成本有無漏算或重複扣除、訂單與份數的單位，以及新增銷量和原有訂單折扣替代的假設。方法包能提供分析步驟與核對依據，實際促銷效果仍需以測試和營運資料確認。
2026/10/2
AI工具 ChatGPT 商業策略

ChatGPT Plugin 這波，我想先丟 5 個產品上去測水溫

最近看到有人把 ChatGPT 裡的工具生態，比喻成早期的 App Store 或 Facebook 應用程式。這個類比未必代表它們會走向同一種結果，但我看完後開始想另一件事：我手上是不是早就有很多可以重新包裝的產品？我不是想直接 All in，也不想先猜哪一個一定會紅。我比較想趁著做產品的成本降低，挑幾個真實工作裡反覆出現的需求，試著放進新的對話入口裡測一輪。這篇說的「Plugin」，先把名稱講清楚我這裡先用「Plugin」當一般說法，指的是讓使用者在 ChatGPT 對話裡叫得動的工具或工作流程。實際開發時，產品形式和上架流程要先分清楚：OpenAI 現行文件把 Plugin 描述成可組合 Skills、連接 App 等能力的工作流程；開發者也可以透過 Apps SDK 建立在 ChatGPT 中運作的 App，並了解如何提交到 ChatGPT app directory。OpenAI 的 Plugin 說明與 Apps SDK 介紹是兩條值得先讀的官方資料。官方說明也提到，ChatGPT 會在相關情境使用已安裝的 Plugin，並可能在對話中推薦 Plugin。這讓我想到一個新的產品入口：使用者先說出需求，對話工具再協助他找到能完成工作的能力。**這是一個值得驗證的可能性，不代表每支產品都會被推薦或自然取得流量。**產品能否上架、被看見、被使用，仍要看平台當時的規則與實際數據。查看 Plugin 的使用與推薦方式。我以前做過的工具，換個角度看都像產品雛形這一兩年，我為了課程、客戶和自己的工作，做過不少小工具：個資去識別化工具 LINE OA 預約系統客戶名單整理與報名資料處理活動核銷文件整理講師查詢系統報價、請款和行政文件 Google Sheet 自動化與 AI 客服 B2B 名單開發流程以前我會把它們分成 Vibe Coding 專案、小型 SaaS，或課程案例。現在我開始想：如果使用者不用先找到我的網站，而是先在 ChatGPT 說出需求，這些工具能不能從新的入口被找到？我不是說工具做完就能自動找到客人。對 SaaS 來說，產品開發常常只是第一關；接下來還要面對 SEO、廣告、社群、內容行銷、業務開發和留存。若一個工具能進入使用者本來就在工作的對話情境，也許可以減少「先知道網站在哪裡」這一道門檻。至於能不能因此獲得流量，仍要實際測試。我想先測的五個產品方向01｜Privacy Cleaner：把個資整理成可分析的資料很多人想用 AI 分析 Excel，卻會先卡在姓名、電話、Email、身分證字號或地址能不能直接提供給 AI。使用者真正會說的可能是：幫我把這份資料裡的個資移除，我想交給 AI 分析。初版可以讓使用者上傳 Excel 或 CSV，選擇要遮罩或替換的欄位，再輸出一份處理後的檔案。若產品需要保留日後還原的對照表，就要把它和處理後的資料分開保管，並限制存取；不能只把「可以還原」當成預設功能。我想先從它開始，是因為自己已經做過類似問題，而且一句話就能說清楚工具要幫什麼忙。若想延伸了解企業使用 AI 時的個資與風險控管，也可以讀個人資料保護與 AI 風險控管。 02｜Customer List Cleaner：整理亂七八糟的客戶名單真實世界的名單常有電話格式不一、姓名多空白、Email 前後有空格、公司名稱寫法不同，或同一個人重複報名等狀況。使用者只要說「幫我整理這份客戶名單」，工具就可以先辨識欄位，再清除多餘空白、統一格式、標記可能重複的資料，最後輸出整理結果。重複資料如何判定、哪些內容可以合併，應該讓使用者檢視或設定，避免把不同的人誤合成一筆。這種工具一點都不性感，卻有機會處理每天都會重複發生的小麻煩。 03｜Taiwan Expense Assistant：整理台灣活動核銷資料做政府計畫、協會活動、職訓、講座或補助案的人，活動結束後常要整理簽到表、照片、發票、收據、講師鐘點費、領款憑單和支用單據。工具可以協助列出目前收到哪些資料、還缺什麼、金額是否需要人工核對，以及哪些文件尚未簽名。它也可以依照特定案件需求產生核銷清單。它能協助檢查與整理，不應把 AI 判讀當成正式核銷審核或憑證效力的保證。這類產品的價值不只在模型能力，而在於理解台灣在地流程與文件習慣。對大型國際產品來說可能太細，對每天在處理這些文件的人卻很具體。 04｜Taiwan Business Docs：先把報價和行政文件做好「幫我做一張報價單」可能比「幫我打造企業級營運平台」更接近小公司老闆每天會說的話。第一版可以從報價單、估價單、請款單、領據或活動簽到表等固定格式開始，讓使用者提供項目、數量、金額和客戶資訊，再產出可編輯的文件。之後才視需求串接 Gmail、Google Drive 或付款追蹤。先把一份文件做好，再確認使用者是否願意反覆使用，比一開始就建置整套 CRM、文件管理和付款流程更容易驗證。若你也在探索 AI 如何降低小型 SaaS 的開發門檻，可延伸閱讀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。 05｜LINE Booking Manager：有價值，但整合成本較高我做過 LINE OA 預約流程，包含 AI 意圖判斷、查詢 Google Calendar 和人員時段、建立預約、寫入資料，再回覆 LINE。未來如果能透過對話查詢「星期六還有哪些教練有空」，或調整某一筆預約，確實很有意思。但它也牽涉 LINE API、Google Calendar、OAuth、資料庫、租戶隔離與權限設定。這些都是產品要面對的工作，不是把現有系統接上一個 Plugin 名稱就會消失。若這次的目標是測試使用者會不會從 ChatGPT 入口找到工具，我會把這個方向排在後面，先測小而明確的任務，再評估複雜整合是否值得投入。五個產品不等於五套大工程我想測的不是五個做到完美的產品，而是五個清楚的使用情境。能重用的帳號、資料處理或文件輸出能力就盡量共用；每個方向先定義一個使用者需求、一個最小任務，以及怎樣算完成。除了曝光、安裝或啟用等平台實際提供的資料，我還想觀察：使用者有沒有完成第一次任務？任務完成率如何？中途卡在哪一步？使用者是否回來再次使用？ 7 日或 30 日後是否仍有需求？哪些需求是使用者主動反覆提起的？平台未必提供所有分析數據，所以能取得什麼訊號、如何合規記錄使用情形，也要列入實驗設計。不要先用自己的喜好判定哪個方向最好，讓可取得的使用資料和實際回饋幫忙篩選。新的產品入口，也許需要研究「人話」以前做 SEO，我們常研究使用者會搜尋什麼關鍵字。若使用者開始在對話裡直接說需求，我想還要多研究另一件事：他會怎麼把工作說出口？我暫時把這件事叫作 Intent SEO。這是我對可能出現的產品發現方式的稱呼，不是說它已經有一套公認的排名規則。以 Privacy Cleaner 為例，工程師可能會說「企業級去識別化服務」，一般使用者更可能說：幫我把名字遮掉。這份資料可以匿名化嗎？我想把電話換成假的，再交給 AI 分析。 Excel 有個資，怎麼處理比較安全？這些說法可以整理成 Prompt Intent Library，拿來設計工具描述、範例提示與任務流程。技術名詞要不要放在說明裡，可以再測；第一步是先確定使用者真的會用什麼語言描述問題。 Plugin Idea 可能就在自己的工作紀錄裡如果現在要開始找方向，我不一定會先打開排行榜或再腦力激盪十個新創點子。我會先回頭看自己的工作紀錄：哪件事我問過 AI 好幾次？哪個 Excel 我每個月都要重整？哪份 SOP 每次都要重新解釋？哪個流程我已經做過工具，但還需要別人找到它？哪些客戶、講師或協會反覆遇到同一種麻煩？這些紀錄至少說明有真人遇過這個問題，值得進一步訪談和測試。它們不保證市場夠大，卻比只靠想像產品點子更接近真實工作。我不會 All in，但會趁成本低時下注我現在不是要預測 ChatGPT Plugin 或 App 生態一定會成為下一個 App Store。平台入口能不能帶來穩定流量，現在都還需要實際驗證。我想做的比較像一次產品實驗：從已經解過的工作問題出發，選五個小任務，跑過需求、最小版本、平台上架、使用回饋和迭代。若有方向被持續使用，再集中資源；如果沒有，至少多學會一套把工作流程變成可用產品的方法。這一路也可能變成教材：先自己踩一次，再把 Vibe Coding、既有工具產品化、Prompt Intent 設計和市場驗證的過程整理出來。看完這波 ChatGPT 工具生態的變化，我現在更想問的不是「Plugin 一定會不會紅」，而是：我手上還有多少已經解決過的工作問題，可以換一個入口再測一次？如果要先選一支，我會從 Privacy Cleaner 開始。不是因為我知道它會成功，而是因為我已經碰過這個問題，也知道可以先從哪個小任務動手。平台是不是新的流量入口，最後還是要讓使用者的行為來回答。常見問答 (FAQ)Q1：ChatGPT Plugin 和 ChatGPT App 是同一件事嗎？OpenAI 的文件把 Plugin 描述成可組合 Skills 和連接 App 等能力的工作流程；Apps SDK 則提供開發 ChatGPT 內 App 的工具與提交 app directory 的指引。兩者相關，但產品形式和發布方式應依官方當下文件分別確認。 Q2：為什麼要先測五個方向，而不是只做一個完整產品？這篇文章的做法是先比較五個範圍明確的小任務，觀察哪個方向有人完成任務並持續回來使用，再決定是否加大投入。五個點子本身不會保證成功，也不表示要先打造五套大型系統。 Q3：測試 ChatGPT 工具應該看哪些數據？可以先定義首次任務完成率、使用者卡住的位置、再次使用，以及 7 日或 30 日後是否仍有需求。平台未必提供所有指標，應依當時可取得的數據與合法合宜的紀錄方式調整。 Q4：五個方向裡，哪一個適合先做？作者目前想先測 Privacy Cleaner，因為已有相關工具經驗，而且使用者需求容易用一句話說清楚。這是作者的起點選擇，不代表它已經被市場驗證或一定比其他方向更有需求。 Q5：為什麼 LINE 預約系統先不做？LINE 預約牽涉 API、行事曆授權、資料庫、租戶隔離與權限等整合工作。若目標是先驗證新的對話入口是否有人使用，先測單一、明確、較少前置整合的任務會更容易看出需求。
2026/9/23
商業策略 AI自動化 AI Agent

2026 年了，現在做 AI 還有沒有搞頭？從 AI 工具到工作流程重設計

今天有人問我：現在 AI 還有搞頭嗎？我想了一下，答案是：有，而且我甚至覺得，現在才真正開始有搞頭。只是有一件事情已經變了。以前只要會用 ChatGPT、會下 Prompt、會生圖片、會做簡報，就可能被叫做「AI 專家」。現在不太一樣了，因為這些能力正在快速變成基本能力。所以真正應該問的，不是「AI 還有沒有搞頭」，而是：接下來 AI 的錢，到底在哪裡？我會把這個變化分成幾個階段來看。第一階段：賣「會用 AI」還有價值嗎？前幾年最容易賺錢的，是資訊差。很多人還不知道 ChatGPT 能做什麼，因此只要你會寫 Prompt、做簡報、生圖、寫文案、摘要文件，就能開課、接案或提供顧問服務。這個市場沒有完全消失，但門檻已經快速降低。AI 越來越能理解自然語言，很多以前需要寫一大串 Prompt 的事情，現在只要用幾句話描述需求就能開始。所以我一直覺得： Prompt 不會消失，但「只會 Prompt」會越來越不值錢。 Prompt 仍然是與模型溝通的方法，只是它不再是完整的商業護城河。真正的差異會逐漸移到你理解什麼問題、怎麼判斷結果，以及能不能把結果放進一個可交付的流程。第二階段：只賣一個 AI 工具，風險越來越高接著市場出現大量 AI SaaS： AI 寫文案 AI 做簡報 AI 生成社群貼文 AI 客服 AI 摘要 AI 履歷 AI SEO 這些產品當然還有市場，尤其是能掌握特定資料、流程、權限或客戶關係的產品。但問題也越來越明顯：你今天辛苦做出一個功能，半年後 ChatGPT、Gemini、Claude、Canva 或其他大型平台，可能直接把它內建成一個按鈕。所以我現在看一個 AI 產品時，會先問：如果下一代模型直接把這個功能內建，我還剩下什麼？如果答案是「什麼都沒有」，那產品就很危險。能留下來的，通常不是單一生成按鈕，而是專屬資料、產業判斷、流程整合、權限管理、稽核紀錄、客戶關係，以及一套穩定交付結果的方法。第三階段：AI 開始進入工作流程我認為這才是現在真正有意思的地方。不要只想： AI 可以幫我寫一封 Email。而是想像一整段工作：客戶填完表單。 AI 自動判斷需求並整理資料。根據規則為客戶分級。產生合適的回覆並寄信。透過 LINE 通知業務。建立後續追蹤任務。把結果寫回 Dashboard 或 CRM。這時候 AI 已經不是單純的聊天機器人，而是公司流程的一部分。Google Sheet、GAS、n8n、MCP、AI Agent、Codex，單獨看每一個工具，其實都沒有那麼重要。真正重要的是：它們串起來之後，可以拿掉多少原本需要人工處理的工作？這也是企業導入 AI 時，應該從「哪個工具最好」轉向「哪段流程最值得重設計」的原因。若想延伸理解企業可以如何組合不同 AI 能力，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：專業知識開始軟體化這是我最近非常有感的一件事。未來最有價值的人，可能不一定是最懂 AI 的人，而是：最懂某個產業，又知道怎麼叫 AI 做事的人。例如房仲。真正懂房仲的人知道屋主在意什麼、同社區競品怎麼比較、什麼叫價格問題、什麼叫曝光問題，以及物件掛了多久開始需要調整。這些都不是 AI 原生知道的，它需要人的產業經驗。但過去這些經驗通常只能存在一個資深業務的腦袋裡，現在可以逐步整理成：規則流程 Prompt Skill Agent Web App 最後甚至可以變成一套軟體。這就是我最近一直在講的：專業知識軟體化。你以前賣的是自己的時間，現在可以開始賣：你的經驗被 AI 執行之後的結果。這不代表把所有判斷都丟給 AI。好的流程仍然需要定義輸入、判斷規則、例外情況與人工審核，並且持續檢查結果是否符合產業要求。關於把經驗整理成可重複執行能力，也可以延伸閱讀從經驗到 AI Skill：把專業知識變成可執行能力。第五階段：不是導入 AI，而是重新設計公司這可能是我目前最看好的方向。很多企業現在問的是：我們公司要怎麼導入 AI？但我覺得這個問題還不夠深。真正應該問的是：如果這家公司今天才成立，它還會用現在這套流程嗎？例如以前的流程可能是： 12345678客戶填表單→ 行政下載資料→ 整理 Excel→ 寄給主管→ 主管確認→ 行政再寄 Email→ 業務打電話→ 人工更新 CRM 以前只能這樣做，因為每一個系統彼此不會說話。但現在 AI Agent 可以理解內容、呼叫工具、跨系統搬運資料，也能在明確權限下完成多步驟任務，很多流程其實可以重新設計。重點不是在原本流程裡塞一個 ChatGPT，而是：把整條流程重新畫一次。也許表單不需要由行政下載，也許 Excel 不需要被人工整理，也許主管只需要看例外案件，也許業務收到的不是一份待處理清單，而是一個已經完成分級、附上建議下一步的任務。自動化是讓舊流程跑得更快；AI 原生設計則可能讓其中一部分流程直接消失。這也是我在AI 時代真正會被淘汰的，可能不是員工，而是「組織圖」一文中想繼續追問的問題。所以現在做 AI，到底有沒有搞頭？我會說：非常有。只是「AI」本身已經慢慢不是賣點了。你不能只說：我會 ChatGPT。我會 Gemini。我會 Claude。我會生圖。我會 Vibe Coding。這些能力最後都會變成基本能力。真正值錢的是：你能不能幫一個人完成一整件事情？你能不能把一個產業的 SOP 重新設計？你能不能把某個專家的知識變成 AI 可以執行的流程？你能不能把原本五個人做的工作，重新設計成一個人加 AI？我現在越來越認為，未來真正有競爭力的公式可能是：產業知識 × AI × 工作流程 × 商業能力而不是單純「AI 技術很強」。如果想從變現角度看另一條由時間、知識、能力、結果到資產的升級路徑，也可以參考AI 變現五階段：賣時間 → 賣知識 → 賣能力 → 賣結果 → 賣資產。 AI 最後會變成基礎設施再過幾年，我們可能根本不會特別講「AI 公司」。就像現在也很少有人說「我要成立一家 Internet 公司」。 Uber 是交通公司，Netflix 是娛樂公司，Shopify 是電商公司，只是它們都建立在 Internet 上。未來應該也是一樣：房仲公司本來就會用 AI，行銷公司本來就會用 AI，製造業本來就會用 AI，教育公司本來就會用 AI。AI 最後會變成基礎設施，而不是每次都要被拿出來當成主標題。所以如果今天再有人問我：現在 AI 還有沒有搞頭？我可能會回答： AI 當然有搞頭，只是「靠 AI 兩個字賺錢」的時代正在慢慢結束。下一個階段真正有搞頭的，是拿 AI 去改掉一個原本很爛、很慢、很貴的工作方式。以前我們在學「AI 可以做什麼？」接下來更值得研究的是：如果 AI 本來就存在，這件事情還需要這樣做嗎？我覺得真正的大機會，會藏在這個問題裡。常見問答 (FAQ)Q1：2026 年只會使用 ChatGPT，還能算是 AI 專家嗎？只會使用 ChatGPT、下 Prompt 或生成內容，會越來越接近基本能力。更有價值的能力是把 AI 放進產業流程，定義判斷規則、處理例外，並且交付可以驗收的結果。 Q2：AI SaaS 會不會被 ChatGPT 或其他模型的內建功能取代？單一生成功能確實可能被大型平台內建，因此產品需要累積模型之外的價值，例如專屬資料、產業知識、流程整合、權限、稽核紀錄、客戶關係與穩定的交付能力。 Q3：什麼是「專業知識軟體化」？專業知識軟體化，是把原本存在專家腦中的判斷、規則與流程，整理成 Prompt、Skill、Agent、Workflow 或 Web App，讓 AI 能在明確條件與檢查機制下重複執行。 Q4：企業導入 AI，第一步應該做什麼？先盤點一段高頻、耗時、跨人員或跨系統的工作流程，畫出目前的輸入、判斷、交接與輸出，再問哪些步驟可以刪除、合併、交給 AI 執行或保留人工審核，而不是先決定要買哪一個 AI 工具。 Q5：未來最有競爭力的 AI 能力是什麼？最有競爭力的組合會是產業知識、AI 使用能力、工作流程設計與商業能力。單一工具會快速變動，但能把專業經驗轉成可執行流程並交付商業結果，通常更能持續累積價值。
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。
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。
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。
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。
2026/9/7
AI工具商業策略內容行銷

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。