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)

2026/10/28
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工具內容行銷影音行銷

AI 角色一致性實用教學：男生、女生設定與社群、電商、短影音中文提示詞

想讓同一位 AI 人物出現在課程封面、社群貼文、商品展示與短影音裡，可以先準備一張確認過的主參考圖，再清楚交代每次要更換的場景、動作或服裝。日常最值得學會的，是把「人物本身」和「這次要拍什麼」分開寫。「主參考圖」就是你挑選並確認外觀的那張圖片。後續製作都以它為依據，逐張檢查人物是否仍然像同一個人。本文的範本可在支援參考圖編輯的影像功能中練習，例如 ChatGPT、Gemini 與 Grok Imagine。提示詞可以共用基本結構，各平台的結果仍要個別確認。可用功能、參考圖欄位與輸出規格會隨版本、方案及介面調整，操作時以你使用的平台為準。一、日常角色圖片，需要保留哪些設定？值得保留可以先省略一張清楚的主參考圖一次排滿七區的大型設定板臉部、髮型與身形的辨識特徵把每個人都套成肌肉男、大眼美女這次實際會用到的姿勢與表情一口氣做十種表情、六種姿勢明確指定這次保留或更換的服裝把同一角色永遠綁定同一套衣服已確認的商品與品牌資訊讓 AI 猜身高、材質成分或品牌色碼側面、背面和服裝細節都有用途，可以等到真的需要那個角度時再補。例如，只做講師半身宣傳圖，就先把臉和上半身造型做好；要拍全身街舞，再處理完整服裝、鞋子與動作空間。先完成會用到的圖片，再逐步補充角色設定。二、把提示詞分成「固定項目」與「本次任務」一份好修改的提示詞，可以用這個結構：人物參考＋固定特徵＋本次變動＋畫面規格固定特徵包括臉形、髮際線、眉眼、鼻型、原本的身形，以及你希望沿用的辨識配件。本次變動包括表情、姿勢、場景、光線，以及這次想替換的服裝。服裝要不要固定，取決於用途： **課程系列圖：**可以維持同一套造型，讓整個系列容易辨認。 **服飾電商：**可以固定人物，換穿不同商品。 **短影音：**同一段連續情節維持造型，換場或換主題時再安排新服裝。 OpenAI 的圖片提示指引也提供這種操作方向：交代要改什麼、哪些內容要保留，並說明每張參考圖的用途。三、男生、女生都先設定「看得見的細節」「帥氣男生」「漂亮女生」可以表達大方向，但還不足以定義一個容易辨認的角色。從零設計人物時，先選幾個看得見的特徵就好。設定項目可以怎麼寫成年年齡感約 30 歲的成年角色、約 45 歲的成熟角色臉形與眉眼方圓臉、橢圓臉、自然濃眉、平直眉型髮型短側分髮、及肩直髮、短捲髮、低馬尾身形一般身形、精實體態、較寬肩線、自然身體比例服裝俐落西裝外套、寬鬆襯衫、工裝褲、素色運動上衣辨識配件細框眼鏡、小圓耳環、固定款式的項鍊男女都能走親切、專業、運動或街頭方向。男性可以長髮、戴耳環；女性也可以短髮、穿寬鬆西裝。依角色用途選擇，不必把男性固定成肌肉身材，或把女性固定成細腰長腿。把抽象氣質改成具體畫面想呈現的感覺改成可看見的畫面親切嘴角輕微上揚，眼神放鬆，手掌自然打開自信身體站直，肩膀自然打開，平視鏡頭酷帥表情平靜，肩膀放鬆，一手插口袋專業服裝整齊，站姿穩定，手勢符合正在說明的內容例如，與其只寫：一位很專業、很有自信的女生。可以改成：一位穿著俐落西裝外套的成年女性，站姿穩定，肩膀自然打開，平視鏡頭，一手朝旁邊的空白區做出介紹手勢。如果你已經有真人照片，就以照片為準。不要再把這些外貌選項全部加上去，變成重新設計另一張臉。四、先建立一張主參考圖範例一：從零建立男性課程角色這個範例適合課程宣傳、知識型社群與產品解說。人物是虛構設定，可以自行更換年齡感、髮型與服裝。 123456789101112131415161718192021請建立一位原創虛構的成年男性，作為知識型課程的固定角色。外觀：約 35 歲的東亞男性，方圓臉、自然濃眉，短黑髮側分，戴細框長方形眼鏡。一般身形，肩頸放鬆，身體比例自然。造型：深藍色休閒外套，內搭米白色素面上衣，搭配深灰色直筒長褲與白色休閒鞋。表情與姿勢：閉嘴微笑，平視鏡頭，自然站立，雙手放鬆垂下，呈現親切、沉穩的感覺。畫面：3:4 直式，單一人物的全身主參考圖。從頭到鞋完整入鏡，人物占據主要畫面。淺灰色背景，均勻柔和的光線，寫實攝影風格。臉部清楚，保留自然皮膚紋理。不加入文字、拼貼或其他人物。可以怎麼調整？想改成街頭創作者，可以先換成寬鬆外套、工裝褲與運動鞋，搭配放鬆的站姿。選定人物後，再用主參考圖延伸造型，不必每次重新生成一張臉。範例二：從零建立女性品牌角色這個範例適合品牌介紹、知識型社群與生活風格內容，也能換成講師或街舞角色。 12345678910111213141516171819202122請建立一位原創虛構的成年女性，作為品牌內容的固定角色。外觀：約 30 歲的東亞女性，橢圓臉、自然平眉，黑色及肩直髮，髮尾微微向內收。一般身形，肩線與身體比例自然。妝感清淡，保留自然皮膚紋理。造型：深綠色俐落外套，內搭米白色素面上衣，搭配黑色直筒長褲與米白色平底鞋，雙耳各戴一枚小圓形銀色耳環。表情與姿勢：嘴角輕微上揚，平視鏡頭，自然站立，雙手放鬆，呈現沉穩、親切的感覺。畫面：3:4 直式，單一人物的全身主參考圖。從頭到鞋完整入鏡，人物占據主要畫面。淺灰色背景，均勻柔和的光線，寫實攝影風格。臉部清楚，不加入文字、拼貼或其他人物。可以怎麼調整？想改成街舞角色，可以先保留這張臉，再換成素色運動上衣、寬鬆工裝褲與運動鞋。若要同時改髮型，分成下一輪處理，方便檢查角色辨識度。範例三：使用自己的照片使用自己或已取得使用同意的人物照片。這條男女通用，不需要猜測照片中的年齡、身高或個性。 123456789101112131415請使用上傳照片中的同一位人物，製作一張後續社群內容會使用的半身主參考圖。臉形、眉眼、鼻型、嘴型、髮際線、髮型、膚色與可見的身形，以原始照片為準。保留原本的眼鏡、鬍鬚或其他可見辨識特徵。本次調整背景、光線、取景、站姿與表情。人物平視鏡頭，閉嘴微笑，肩膀自然放鬆。服裝沿用原照可見的造型。3:4 直式，腰部以上入鏡，背景改為淺灰色，光線均勻柔和。不要自行改臉、改年齡感、增加肌肉或改變體型。只生成一張單人圖片，不加入文字。若原照沒有拍到足夠的身體範圍，就先使用原照涵蓋的景別。需要完整服裝、鞋款或背面時，再補照片，或明確把那些部分當作新增設計。選出滿意的主參考圖後，把它保存下來。後續每次生成，都明確附上或指定這張圖。角色名稱可以方便整理，但名字本身不會讓模型自動知道角色長相。五、三種日常應用提示詞下面三種應用都能使用剛才建立的男性、女性角色，或自己的照片。操作方式很簡單：先附上主參考圖，再貼對應提示詞。應用一：課程與社群宣傳圖這類圖片通常需要清楚的人物、與文案配合的手勢，以及可以放標題的空間。先把人物與構圖做好，標題最後再排版。 12345678910111213141516請使用我上傳的主參考圖，製作同一角色的課程宣傳圖片。保留人物的臉部辨識特徵、髮型、身形、服裝與原有配件。人物站在畫面右側，腰部以上入鏡，面向鏡頭微笑。一隻手自然打開手掌，朝向畫面左側的空白區，呈現正在介紹課程內容的姿態。背景是簡潔、明亮的教室，只放少量模糊的桌椅，避免背景搶走注意力。人物清楚，光線柔和自然。輸出 16:9 橫式單一場景。左側約四成畫面保留乾淨留白，供後續加入標題。只出現一位角色，圖片內不額外加入文字或標誌。要做直式貼文，可以把比例改成 4:5，並將留白改成上方。不要只改比例，卻仍要求橫幅式的大面積左右排列。應用二：同一位電商模特兒換穿商品這次需要兩張圖：圖 1：人物參考。圖 2：商品上衣參考。因為目標是換衣服，就不要同時要求「原本服裝完全不變」。 12345678910111213141516171819請結合本輪上傳的兩張參考圖，製作服飾展示圖片。圖 1 是人物參考：保留這位人物的臉部、髮型、膚色與可見身形。圖 2 是商品上衣參考：把人物原本的上衣替換成圖 2 的商品。依商品照片保留可見的顏色、領口、袖長、口袋、印花位置與扣件設計，不額外加入沒有出現的裝飾。人物正面自然站立，雙臂稍微離開軀幹，讓衣服正面、袖子與輪廓清楚可見。展示範圍包含整件上衣，衣服自然合身，不透過改變人物體型來迎合服裝。輸出 4:5 直式，淺灰色背景，均勻棚燈。只生成一位模特兒的一張商品展示圖，不加入促銷文字或多格拼貼。商品圖必須核對實際商品，尤其是印花、文字、口袋與扣件。只有正面商品照時，先做正面展示；要展示背面，補上背面商品照。如果品牌標誌或文字必須精確保留，使用原始素材合成，並檢查成品。不要把生成的穿著效果當成尺寸或版型的實際量測。應用三：短影音或街舞主角先做好影片要開始的那一張畫面，再處理動作。人物參考圖負責外觀；影片起始畫面還要決定場景、景別、站位與動作空間。真人照片若只有頭像，先補全身造型資料。第一步：生成起始畫面123456789101112131415請使用我上傳並確認過的角色與完整造型，製作一張街舞短影音的起始畫面。保留人物的臉、髮型、身形、服裝、鞋子與配件。角色站在簡潔的室內舞蹈空間，面向鏡頭，雙腳自然分開，膝蓋微彎，雙手放鬆，準備開始跳舞。輸出 9:16 直式，完整全身入鏡。頭頂與鞋子都保留空間，人物左右有足夠動作範圍。鏡頭正面拍攝，避免強烈透視。光線均勻，臉部清楚，地面與背景簡潔。只生成單一場景、單一人物，不加入文字、字幕、多格設定板或拼貼。第二步：交給影片工具處理動作將這張圖放進影片工具的起始畫面欄位，再給動作要求。以下以工具支援的 10 秒影片為例： 12345678910111213141516171819以提供的圖片作為起始畫面，生成 10 秒直式影片。同一位角色，沿用起始畫面的髮型、服裝、鞋子與場景。鏡頭固定，全身持續入鏡。0～2 秒：角色面向鏡頭，保持準備姿勢，身體自然輕微律動。2～7 秒：向左右各踏一步，配合輕鬆的肩部律動與自然擺臂，動作連續，重心轉移清楚。7～10 秒：回到中央站位，收住動作，最後看向鏡頭輕輕點頭。動作以簡單、自然為主，不加入鏡頭切換、額外人物或字幕。第一次先用簡單動作檢查臉、衣服與身體是否穩定。若想進一步安排舞步與動態特效，可以接著閱讀豆包 AI 跳舞影片完整教學。這段適合測試畫面連續性，並不代表已精準對上某首歌的節拍；需要卡點時，再依實際音樂安排動作或剪輯。如果工具有角色參考欄，就放主參考圖；如果是首幀欄，就放單一場景的起始畫面。兩個欄位的用途要分清楚。六、有需要才補角度與表情做回頭、側身或背面動作時，再補相關參考。製作多角度參考時，可以逐角度生成，並在後續沿用已確認的參考圖片；每次都要核對角色是否仍像同一個人。可以一次只要求一個角度： 12345678請使用本輪上傳的原始人物照片與已確認造型，製作同一角色朝畫面右方的 90 度側面圖。只改拍攝角度，保留人物辨識特徵、髮型、服裝結構、配件與原本的視覺風格。只生成一張單人側面圖片，不做多格拼貼。照片未揭露的部分，以我已確認的設計為準。若未提供或確認側背面資訊，生成的補全部分應當作設計草稿，先確認再沿用。需要不同表情時，也可以只換一句：微笑：「嘴角輕微上揚，不露齒，眼神自然放鬆。」驚訝：「眉毛上揚，眼睛略張大，嘴巴微張。」思考：「視線偏向側上方，嘴唇輕抿。」保留人物骨相與辨識特徵，允許表情自然改變眉眼、嘴型與臉頰。七、畫錯時，只修正出錯的部分先指出哪裡不對，再說明要保留哪些已完成的內容。例如臉部走樣，可以同時附上原始主參考圖與目前成品： 1234567圖 1 是原始主參考圖，圖 2 是需要修正的成品。請以圖 1 為準，修正圖 2 人物的臉形、眉眼與髮際線，讓角色更接近原始參考。維持圖 2 的表情、服裝、姿勢、背景與構圖。不要重新設計整個人物。其他常見問題，也可以用短指令處理：問題修正方向手勢不自然只把抬起的手改成自然張開的手掌，朝向留白區全身被裁切拉遠取景，讓頭頂、雙手與鞋子完整入鏡衣服換錯依商品參考修正上衣，保留人物與目前場景背景太複雜簡化背景物件，保留人物與原本構圖文字要求仍需要檢查結果。OpenAI 官方文件也指出，角色與品牌元素的一致性、文字與版面控制仍可能出現偏差。若某個區域必須逐像素維持原樣，官方提示指引建議把核准的修改合成回原圖。八、用一個角色，完成三張日常作品挑選自己的照片，或先用男性、女性範例建立一位虛構角色，接著完成：一張有標題留白的課程或社群宣傳圖。一張同角色換場景，或換穿指定商品的圖片。一張 9:16 短影音起始畫面。每張只問四件事：還像同一個人嗎？造型符合本次要求嗎？動作與構圖有用嗎？重要細節看得清楚嗎？先把你最常用的這三張圖做好，就能開始把角色用進內容工作。等到新的場景需要側面、背面或特殊表情，再逐步補充參考。常見問答 (FAQ)Q1：如何讓 AI 每次生成的角色都像同一個人？先選出並保存一張清楚的主參考圖，後續每次生成都附上或明確指定它，再分開描述固定特徵與本次任務。固定項目可包括臉形、眉眼、髮際線、髮型、身形與辨識配件；每張成品都要核對，文字提示與參考圖仍無法保證完全一致。 Q2：同一個 AI 角色換衣服時，哪些設定要保留？保留人物的臉部、髮型、膚色與可見身形，明確指定只替換本次商品或服裝。服飾電商可分別上傳人物參考與商品參考，交代兩張圖的用途，並核對領口、袖長、口袋、印花與扣件。不要同時要求換裝與原本服裝完全不變，也不能把生成效果當成實際尺寸量測。 Q3：主參考圖可以直接當作短影音的起始畫面嗎？主參考圖主要用來確認人物外觀；短影音起始畫面還要安排場景、景別、站位與動作空間。若工具提供角色參考欄，就放主參考圖；首幀欄則放已確認的單一場景起始畫面。只有頭像時，先補齊全身造型資料；可生成的秒數與欄位以工具實際支援為準。參考資料 OpenAI 官方圖片生成教學 OpenAI 圖片提示指引 OpenAI 圖片生成能力與限制 Gemini 官方圖片生成與編輯說明 Gemini 角色多角度與圖片生成教學 Grok Imagine 官方圖片生成與編輯介紹
2026/9/18
AI工具內容行銷影音行銷

AI 影片新手最容易學錯的：把「高級感」當成影片能力

最近看了很多 AI 影片作品，我越來越覺得，新手最容易走錯的一條路，就是一開始便追求：電影感、精品感、高級光影、複雜運鏡、8K 畫質、人物微表情。最後做出來的影片確實很漂亮。但我一直很想問：然後呢？丟到 Reels、TikTok、Shorts，有人願意看完嗎？有人會分享嗎？有人會因為這支影片追蹤你嗎？甚至，有人願意花錢請你做嗎？這也是我現在對 AI 影片最大的觀念轉變：「做得漂亮」跟「做得好看」，其實是兩件完全不同的事情。漂亮，是畫面的事。好看，是觀眾的事。做得漂亮，為什麼不等於做得好看？畫面漂亮，通常代表技術表現到位：構圖舒服、光影精緻、人物逼真、運鏡流暢。這些能力當然有價值，也確實能讓作品第一眼看起來更完整。但觀眾留下來，不是因為畫面通過了攝影檢查，而是因為他想知道下一秒會發生什麼。如果一支影片只有漂亮畫面，卻沒有衝突、問題、角色或情緒，它很可能只得到一句「哇，好漂亮」，然後被滑走。我們可能把傳統影視的能力樹搬進 AI 時代了很多 AI 影片課程會教構圖、燈光、景深、運鏡、角色一致性、微表情與電影感。這些當然都有價值。但問題在於：這些真的是 AI 影片新手最應該先學的東西嗎？如果你本來就是導演、攝影師或設計師，答案可能是。因為 AI 可以放大你原本十幾年的專業，讓你更快把腦中的畫面變成作品。但如果你本來不是影視工作者，卻花半年時間研究怎麼讓 AI 模仿傳統電影製作，你其實是在跟一群已經累積十幾年經驗的人，比他們最擅長的事情。這不是 AI 給新手最大的機會。真正的機會反而是：重新定義什麼叫做「影片」。如果只能先學一件事，我會叫新手先學故事不是先學怎麼控制攝影機，而是先學怎麼讓人想看下一秒。你需要先理解： Hook：為什麼觀眾要停下來？衝突：角色遇到了什麼問題？角色：觀眾為什麼要在乎他？設定：這個世界有什麼規則或異常？情緒：觀眾要感受到緊張、好笑、驚訝還是感動？反轉：原本以為會怎麼發展，結果發生了什麼？ Payoff：前面的期待，最後如何被回收？再進一步，是怎麼讓人想看下一集。這才是我認為 AI 影片真正值得投資的底層能力。因為模型會換，畫質會提升，人物一致性會越來越簡單。今天需要寫幾百字 Prompt 才能控制的運鏡，未來可能一句話就完成。但是，你到底要講什麼？這個問題不會因為模型升級而消失。 AI 影片最有趣的地方，不是終於跟真人一樣AI 美女越來越像真人，AI 廣告越來越像精品廣告，AI 電影越來越像好萊塢。第一次看到確實很震撼。但當每個人都做得到之後呢？「像真的」很快就會從賣點變成基本配備。所以我反而越來越喜歡另一種 AI 作品：只有 AI 才做得出來的東西。不存在的生物。不符合物理法則的世界。辦公室突然長成森林。台北捷運直接開進宇宙。一碗牛肉麵裡爆發星際戰爭。人物穿模、世界融化、時間倒流。甚至是一些看起來很荒謬、很ㄎㄧㄤ，傳統導演根本不會這樣拍的東西。因為這時候 AI 才不只是「比較便宜的攝影機」，而是變成「以前根本不存在的影像工具」。 AI 影片新手的能力樹，應該重新排列以前可能是：攝影 → 構圖 → 燈光 → 運鏡 → 剪輯 → 作品現在我反而會排成：故事與傳播 → Hook 與節奏 → 角色與世界觀 → AI 工作流 → 角色／場景一致性 → 剪輯 → 精細的視覺控制前面的能力決定：有沒有人想看。後面的能力決定：看起來漂不漂亮。順序搞反，就很容易出現一種現在非常常見的 AI 作品：大家看完都說「哇，好漂亮」，然後滑走。這不是說視覺控制不重要，而是它應該服務故事，而不是取代故事。為什麼「高級感」可能是 AI 影片新手的陷阱？高級感很容易得到正向回饋。你放一支電影感 AI 影片出來，大家會留言：「太強了。」「這真的是 AI？」「電影業要完蛋了。」這些回饋很爽，但它不一定代表觀眾真的想看，更不代表市場真的願意付錢。真正困難的反而是：讓一個陌生人停下來。讓他看到第 10 秒。讓他想知道後面發生什麼。讓他看完之後傳給朋友。這些才是內容市場真正殘酷的測試。當所有人都能生成漂亮畫面，漂亮就不再稀缺所以未來真正稀缺的，我認為反而是： Taste × Story × Idea 你看過什麼？你想到什麼？你敢不敢做別人不會做的設定？你能不能建立一個讓人想追下去的角色？你能不能讓觀眾在 30 秒裡產生情緒？這些能力，比 8K、電影感、精準運鏡更難被模型升級直接抹平。先讓人想看下一秒，再讓他想看下一集所以如果今天有人問我：「AI 影片新手到底應該先學什麼？」我的答案已經不是先把畫面做漂亮，而是先學怎麼讓人想看下一秒。再學怎麼讓人想看下一集。最後才去研究怎麼讓它更漂亮。因為 AI 影片真正的競爭，很快就不會再是「誰生成的畫面最好？」而會變成：當所有人都能生成漂亮畫面之後，你還有什麼東西值得別人看？沒有攝影機、演員與物理定律，還能講什麼故事？我現在越來越相信，AI 影片的下一個戰場不是畫質，而是故事。不要只問 AI：你能不能把這個畫面做得更像電影？開始問：如果今天沒有攝影機、沒有演員、沒有片場，甚至沒有物理定律，我到底可以講一個什麼樣的故事？這才是 AI 影片真正有趣的地方。常見問答 (FAQ)Q1：AI 影片新手應該先學什麼？AI 影片新手應該先學故事與傳播，包括 Hook、衝突、角色、設定、情緒、反轉與 Payoff，先建立讓觀眾想看下一秒、下一集的能力，再逐步補上 AI 工作流與視覺控制。 Q2：學電影感、運鏡與構圖是不是不重要？電影感、運鏡與構圖仍然重要，但它們比較適合放在故事、節奏與角色之後學。視覺能力應該服務故事，不應該成為沒有內容時用來掩蓋問題的替代品。 Q3：什麼樣的 AI 影片比較可能讓觀眾看完？能讓觀眾持續產生期待的影片，比只有漂亮畫面的影片更有機會被看完。Hook、衝突、角色目標、情緒變化與清楚的 Payoff，都能幫助觀眾理解自己為什麼要繼續看下去。 Q4：什麼叫做「只有 AI 才做得出來」的故事？「只有 AI 才做得出來」的故事，是把不存在的生物、不符合物理法則的世界、世界融化、時間倒流或其他傳統影像工具難以呈現的設定，變成作品的核心，而不是只用 AI 複製真人電影的外觀。 Q5：如何判斷一支 AI 影片是真的好看？除了畫面是否漂亮，也要觀察陌生人是否願意停下來、看到第 10 秒、看完、分享、追蹤或進一步詢問服務。正向留言可以是鼓勵，但不能單獨代表觀眾真的想看或市場願意付費。
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
AI工具內容行銷影音行銷

【AI 短劇的下一站，可能不是抖音，而是 Steam】

當內容都能生成，下一步也許是讓人走進故事前幾天我看到一個很誇張的數字：2026 年上半年，抖音端上線超過 22 萬部 AI 劇漫劇。這裡先補充統計口徑。DataEye 的《2026 上半年 AI 劇漫劇數據報告》統計的是「AI 劇漫劇」，涵蓋 AI 真人劇、AI 漫劇等不同形式，不能直接把 22.19 萬部說成全部都是真人影像短劇。報告摘要指出，其中有 1,055 部播放量破億，約占 0.48%。DataEye 報告摘要這些數字讓我開始想：當 AI 劇漫劇多到這個程度，下一步會發生什麼？答案可能不是只生成更多影片，而是讓觀眾走進故事裡。最近我在 Steam 看到《幸存者笔记（Survivor’s Notes）》，覺得它讓這個方向變得具體。遊戲的 AI 生成內容聲明寫著：「All in-game materials are generated by AI.」也就是開發者表示，遊戲內的素材都是透過 AI 生成。Steam 遊戲頁面這背後有意思的地方，不只是「AI 做了一款遊戲」，而是生成影像、互動選擇與遊戲系統開始出現在同一個作品裡。它像一部「可以玩的 AI 短劇」《幸存者笔记》是一款全動態影像（FMV）生存遊戲。故事設定在 2026 年，全球爆發喪屍危機；玩家會跟著角色推進劇情，並透過選擇與快速反應事件，走進不同劇情分支與結局。Steam 遊戲介紹如果先把遊戲類型放在一旁，它呈現的組合很像： AI 影像＋互動敘事＋QTE＋分支劇情＋多重結局。但有一點要分清楚：Steam 頁面說明了玩家選擇會推進不同分支與結局，並沒有表示遊戲會依照每位玩家的輸入，即時生成全新的劇情。因此，這款作品能讓我們看到「AI 生成素材與互動影遊放在一起」的可能性；它本身還不能證明即時生成式戲劇已經成熟。 AI 影片可能讓分支劇情的影像製作變便宜以前拍一部真人互動電影，劇情走到第三集時，如果出現兩個選項：救女主角，或是不救，後面可能就要準備兩套劇本、場景、演出與剪輯版本。如果故事繼續分成 A1、A2、B1、B2，製作量會跟著分支增加。演員、攝影、燈光、道具、剪輯與後製，也可能需要再投入一輪。 AI 影像帶來的變化，是創作者或許能以較低的成本製作另一條影像支線。過去新增一個分支，常常意味著「再拍一次」；未來某些情境可能變成「再生成、再挑選與再剪輯一次」。這不代表新增分支會變成零成本。故事是否連貫、角色是否一致、畫面能否接起來、選擇有沒有意義，仍要有人設計與驗收。AI 降低的可能是部分影像製作門檻，內容設計與整合工作依然存在。這是我從生成影像與互動遊戲結合所看到的趨勢，不是《幸存者笔记》已公開的成本數據。 AI 短劇的下一站，可能不是「更多」現在大家還在比較：一天能生成幾支影片、角色能不能維持一致、運鏡像不像電影、畫面有沒有 4K。這些能力會繼續進步。當多數人都能生成漂亮影片，「漂亮」本身可能就不再稀缺。真正值得投入的，會是世界觀、角色、衝突、選擇、後果與情緒。觀眾為什麼想知道下一個選擇會帶來什麼？他們又為什麼願意在故事裡繼續走下去？這已經不只是 AI 影片的問題，而是互動內容怎麼設計。如果你也在思考 AI 影片產量增加後，創作者還能靠什麼取得注意力，可以延伸閱讀我寫的生成影片普及後，真正稀缺的是什麼；若想從創作者能力來看，也可以參考AI 影片素養與工作方法。從觀眾到參與者：生成式戲劇的想像傳統電影是看故事，短影音是滑故事，連續短劇是追故事。下一個階段或許會是進入故事、親自做選擇。例如，一部修仙題材的短劇演到一半，問你：「加入魔宗，還是拜入正道？」你選了魔宗，後續角色關係、任務與影片就隨之改變；另一位觀眾選擇正道，走進的可能是不同版本。再往前一步，AI 也許能依據選擇、角色關係、道具與前情，生成下一段劇情。這種作品不只提供固定的兩三條支線，而是讓每位玩家都能走進一個略有不同的故事版本。我會把這個方向稱為 Generative Drama，生成式戲劇。它目前更像一種內容設計的想像與目標，不是《幸存者笔记》已提供的功能。要真的做到，還得解決角色一致性、劇情品質、分支管理、生成成本與觀眾體驗等問題。 Vibe Coding 與 AI 影片正在合流以前做影片的人和做遊戲的人，常是兩群不同的創作者。現在，一個人可能用 AI 寫世界觀、劇本與角色，生成圖片、影片、配音和音樂，再請 Coding Agent 串起選項、劇情樹、存檔、成就、QTE、角色數值與結局。最後的作品可以是 Web App、手機 App，或一款上架 Steam 的互動影遊。當創作流程從視覺素材一路延伸到程式與互動邏輯，就很難再只用「導演」、「遊戲開發者」、「程式設計師」或「內容創作者」其中一個身分概括。他們可能是在建立一個世界，讓別人進來探索。我更在意的是：能建立什麼值得走進去的世界？「AI 影片能不能取代真人拍攝？」或許不是最有意思的問題。當影片開始變成可以由程式生成與串接的素材，我們能不能建立一些過去成本太高、做不起來的內容？十年前，我們把文字變成網站；後來把圖片和影片變成社群內容。現在，文字、圖片、聲音、影片、3D 與程式碼，都正在變成可以生成與組合的素材。所以下一步，可能不是再做一支更漂亮的 AI 影片，而是把素材串起來，建立一個觀眾可以走進去、做選擇，而且每個人的故事都不一樣的世界。看到《幸存者笔记》時，我想到的不是「AI 現在連 Steam 遊戲都能做了」，而是 AI 短劇下一個值得探索的戰場，可能根本不在短影音平台。當生成影片越來越便宜，我們要學的也許不只是怎麼生成影片，而是怎麼建立一個值得別人走進去的世界。常見問答 (FAQ)Q1：AI 短劇和互動影遊有什麼不同？AI 短劇通常以觀看連續影像為主；互動影遊會讓玩家透過選擇或操作影響劇情分支。兩者結合時，影像提供故事呈現，互動系統則讓玩家參與故事走向。 Q2：《幸存者笔记》會依照玩家選擇即時生成新劇情嗎？目前 Steam 頁面說明玩家選擇與 QTE 會推進不同分支和結局，但沒有說明遊戲會在遊玩當下即時生成新劇情。因此不能把它直接當成已成熟的即時生成式戲劇案例。 Q3：AI 影片會讓互動劇情變成零成本嗎？不會。AI 可能降低部分影像素材的製作成本，但劇本、角色連貫、分支設計、剪輯、測試與品質檢查仍需要投入。每增加一條分支，也會增加整合與驗收工作。 Q4：什麼是 Generative Drama（生成式戲劇）？Generative Drama 是依據觀眾或玩家的選擇生成後續劇情的內容構想。相較於固定分支，它希望讓不同玩家走進各自稍有差異的故事；目前仍須處理劇情品質、角色一致性、成本與分支管理等問題。
2026/9/14
AI工具內容行銷影音行銷

【36 秒就誕生一部 AI 短劇後，我反而覺得「會生成影片」開始不值錢了】

你花一天做一支 AI 影片，別人一週已經做完 60 集連續劇最近看到一個數字，我覺得做 AI 影片的人真的要警覺了。平均每 36 秒，就有一部 AI 短劇上線。不是一支 10 秒、15 秒的 AI 炫技影片。是「一部短劇」。根據中央社引述澎湃新聞的統計，2025 年 8 月抖音新上線的 AI 劇只有 655 部；一年後，這個數字已達 74,313 部，占當月新劇的 75.4%。報導另指出，2026 年 7 月平均每 36 秒就有一部新的 AI 劇上線。中央社報導更誇張的是，有些團隊已經可以做到： 5 個人，一週做完 60 集。成本甚至不到傳統真人短劇的十分之一。這些是媒體採訪中的個別團隊案例，不代表所有 AI 短劇都能達到相同產能或成本。不同作品的類型、品質和成本計算範圍，會讓估算出現落差。5 人團隊 7 天完成 60 集的報導、BBC 中文採訪報導存檔、另一份製作成本估算所以當大家還在研究：「哪個 AI 影片模型比較強？」「提示詞怎麼寫？」「怎麼保持角色一致？」「怎麼做運鏡？」我反而開始想另外一個問題：如果影片已經多到每 36 秒就生出一部，那「會生成影片」這項能力，到底還值多少錢？而這波 AI 短劇爆發，甚至已經養出一個以前不存在的新職業：「抽卡師」。什麼是「抽卡師」？不是遊戲裡抽 SSR 的那種抽卡。現在 AI 還沒有強到你丟一本劇本進去，它就直接吐出 60 集可以播的連續劇。所以中間還需要大量人工工作。例如把劇本拆成場景、角色、表情、動作、鏡位、光線、運鏡，再交給模型生成。但生成出來的東西不一定能用。可能角色變臉。可能手指壞掉。可能運鏡很怪。可能情緒完全不對。所以你要一直生成。生成 10 個、20 個、50 個版本，再從裡面挑一個最好的。很像抽卡。於是「抽卡師」就出現了。有些複雜素材的提示詞，甚至可以寫到 5,000 字。所以現在厲害的抽卡師，其實已經有點像：半個導演＋半個攝影＋半個 AI 模型操作員。但我反而覺得，這個職業可能不會存在太久。因為「抽卡」本身，就是 AI 還不夠成熟的產物為什麼今天需要抽卡？因為 AI 不穩定。同樣一句提示詞生成十次，可能得到十種結果。所以需要人一直生成、一直挑。但如果未來模型可以直接讀完整劇本呢？它自己理解人物。自己維持角色一致性。自己拆分鏡。自己設計鏡位。自己控制演員表情。自己產生不同 Take。甚至自己判斷哪個 Take 最好。那還需要一個人在那邊「抽卡」嗎？可能不用。所以我認為：「抽卡師」不是 AI 時代的終極新職業，而是一個過渡型職業。就像以前很多人專門幫忙切版、修圖、上字幕。技術進步之後，這些工作不一定完全消失，但市場價值會快速下降。真正留下來的，反而不是「會生成的人」。而是：知道什麼值得生成，以及知道什麼值得留下的人。更可怕的是，AI 已經把「內容產能」打爆了DataEye 研究院的《2026 上半年 AI 劇漫劇數據報告》統計，2026 年上半年抖音端新上線 22.19 萬部 AI 劇漫劇，其中 1,055 部播放量破億，占 0.48%。DataEye 報告摘要如果把 5,000 萬播放當作一條粗略的盈虧平衡線，能跨過去的比例大約只有 1.3%。換句話說：大約做 77 部，才有一部可能跨過這條線。這裡的 5,000 萬次播放，是 DataEye 報告採用的抖音端盈虧平衡參考線；報告也提醒，這組數據不代表所有平台與全行業的情況。它不是每一部短劇通用的保本保證。DataEye 報告摘要這個數字才是我覺得真正值得注意的地方。因為它告訴我們： AI 解決了「做不出來」的問題。卻製造了一個更嚴重的問題：大家都做得出來。以前拍一部短劇，要演員、攝影、燈光、場地、後製。有這些門檻存在，本身就會過濾掉大量競爭者。現在門檻突然被 AI 打掉。結果不是每個人都成功。而是內容開始大爆炸。當內容生產成本趨近於零，內容本身就會開始通膨這件事情不只發生在 AI 短劇。我覺得接下來所有自媒體都會遇到。文章。圖片。短影音。 Podcast。知識圖卡。電子書。甚至線上課程。以前一個人一週做三支影片，很厲害。 AI 出現後，一個人一天做 30 支都不是問題。但問題來了。當每個人都能一天做 30 支影片，你一天做 30 支影片還算優勢嗎？不算。這就像以前會 Photoshop 是一項專業。後來大家都有 Canva。現在連 Canva 都不用開，跟 AI 講一句話就做好了。當「製作能力」被普及之後，製作能力本身的價格就會下降。所以我最近越來越確定一件事： AI 時代真正稀缺的，不會是內容。而是：注意力。所以我現在看 AI 自媒體，已經不太在意「一天可以生幾支影片」很多 AI 自媒體教學還停留在： AI 寫文案。 AI 生圖片。 AI 生影片。 AI 配音。 AI 剪輯。 AI 自動發布。最後告訴你：「一個人也可以經營十個帳號。」技術上當然可以。但這可能正在回答一個錯誤的問題。真正的問題不是：「我怎麼一天生 100 支影片？」而是：「當全世界每天多出一億支 AI 影片，為什麼有人要停下來看我的？」這兩個問題，難度完全不同。前一個問題是 Production。後一個問題是 Content。甚至再往上一層，是： Taste、Story、Distribution。你選什麼題目？前三秒講什麼？故事怎麼鋪？情緒怎麼拉？什麼地方觀眾會滑走？什麼東西值得被分享？觀眾為什麼記得你？這些能力，反而會隨著 AI 變強而變得更重要。如果你想從「做得出影片」往「知道該做什麼」前進，可以延伸閱讀我寫過的 AI 影片素養與創作者工作方法；而選題、定位與觀眾需求，也和短影音定位策略密切相關。所以未來最值錢的人，可能不是最會用 AI 的人而是最知道：「AI 應該做什麼」的人。 AI 可以幫你一次生成 100 個鏡頭。但你要知道哪一個是好鏡頭。 AI 可以寫 100 個 Hook。但你要知道哪一句觀眾會停下來。 AI 可以一天產出 100 支影片。但你要知道哪一支值得做。所以我反而覺得「抽卡師」這個職業很有象徵意義。今天我們還在抽「畫面」。再過一陣子，我們可能開始抽「故事」。抽「廣告」。抽「課程」。抽「產品」。 AI 可以無限生成選項。但真正的能力，會從「生成」轉移到「選擇」。這可能才是生成式 AI 發展到下一階段後，最值得學的一件事。以前我們害怕： AI 會不會讓我做不出東西？現在真正該擔心的可能已經變成：當所有人都做得出來，我憑什麼被選中？常見問答 (FAQ)Q1：AI 影片生成能力變普及後，學會生成還有價值嗎？有價值，但它不再是唯一差異。生成能降低製作門檻；選題、故事、審美、品質判斷與發行，會更直接影響觀眾是否停留與分享。 Q2：「抽卡師」會成為長期職業嗎？目前它反映了生成結果不穩定、需要反覆產生與人工挑選的工作。模型若能更穩定地理解劇本、維持角色並評估鏡頭，這項工作的內容可能改變；它是否消失，仍取決於技術與製作流程如何演進。 Q3：AI 影片創作者要怎麼從大量內容中被看見？先從觀眾與題目開始，再設計前三秒、故事節奏、情緒轉折和分享理由。大量產出只能增加選項，不能代替對內容品質與發行方式的判斷。 Q4：5,000 萬次播放是所有 AI 短劇的固定回本門檻嗎？不是。這是 DataEye《2026 上半年 AI 劇漫劇數據報告》用來估算抖音端盈虧平衡的參考線；作品類型、成本與發行條件不同，實際回本門檻也會不同。
2026/9/8
AI Agent 內容行銷個人品牌

從「周同學」我開始想：個人品牌的下一步，可能不是做更多內容，而是把自己變成一個 IP

最近研究了一個很有意思的案例：「周同學」。如果你不知道周同學是誰，它是周杰倫的官方二次元 IP 形象。一開始看到它，你可能會覺得：不就是把周杰倫畫成卡通人物嗎？但我深入研究之後，發現真正值得研究的，完全不是「把真人畫成卡通」這件事，而是它背後正在做的轉換：把一個真人的影響力，轉換成一個可以獨立運作的 IP 資產。以下不是在盤點周同學所有合作或授權成果，而是從這個案例拆出一個品牌命題：真人的影響力，如何被轉換成可以延伸的角色、內容與世界。我從「周同學」看見的，不只是卡通角色周杰倫本人是一個超級 IP，但真人 IP 有一個天然限制：本人只有一個。一天只有 24 小時，也不可能每一場活動、每一個品牌、每一座城市、每一項商品都由本人親自出席。真人的時間、體力與出場頻率，會限制影響力能夠延伸的速度。「周同學」做的事情很有意思。它把周杰倫身上的辨識度、文化符號與粉絲記憶抽取出來，重新建立成一個二次元角色。接著，這個角色就能進入不同場景，例如：潮玩與文創 3C、食品與品牌聯名藝術展與商場活動城市活動與文旅場景數位角色與 AI 應用這時候我才發現：公仔只是產品，角色 IP 才是資產。真正的商業模式不是「周杰倫 → 卡通版周杰倫 → 賣公仔」，而是一條可以持續延伸的路徑： 1234567891011周杰倫 ↓人物符號化 ↓周同學 ↓角色 IP ↓內容、商品、品牌聯名與場景 ↓授權、數位角色與 AI 也就是把「一個人」，慢慢延伸成「一個世界」。為什麼角色 IP 比單一商品更有延展性？單一商品的價值，通常來自一次交易；角色 IP 的價值，則來自它能不能被反覆放進新的內容、媒介與使用情境。一個有辨識度的角色，可以成為：漫畫或動畫裡的主角商品與聯名活動的視覺入口展覽、商場或城市活動的互動人物品牌故事裡的共同角色數位服務與 AI Agent 的使用介面這些形式表面上不一樣，但背後共享同一個角色記憶。讀者或粉絲不需要每次重新認識一個陌生品牌，而是可以在不同場景裡持續遇見同一個角色。因此，IP 的重點不是「最後有沒有做出公仔」，而是角色能不能承載一套穩定的個性、價值觀、內容語言與世界觀。這也讓我重新思考「享哥」這個品牌這幾年我累積了很多東西：文章、課程與演講 AI 工具、Prompt 與網站影片、教學案例與工作流程 AI 漫畫、AI 漫劇與 Podcast 的研究 AI Agent、Skill 與實際應用經驗以前我常常把它們看成不同的內容或專案。這篇文章、那堂課、某一個工具，彼此之間好像各自存在。但如果換成 IP 的角度來看，可能完全不同。它們其實都可以被放進同一個世界： SeanVerse。我目前想像中的架構，大致會是： 123456789101112131415享哥 ↓角色 IP ↓SeanVerse ↓漫畫／漫劇／知識內容 ↓課程／教材／Prompt ↓數位商品／實體商品 ↓AI Agent ↓品牌聯名與授權這樣思考之後，我突然發現：我真正要做的，也許不是把享哥畫成動漫，而是把享哥這個真人品牌，轉換成一套可以持續延伸的 IP 系統。這個想法也和我之前思考「專業證據」以及「如何把經驗編譯成 AI 能執行的能力」有關。內容不是彼此孤立的作品，而是可以逐步累積成知識資產的材料。如果想理解個人品牌如何累積案例、判斷與方法，可以延伸閱讀〈AI 時代，你真正該累積的不是內容，而是「專業證據」〉；如果想進一步看經驗如何走向 Skill 與 Agent，則可以參考〈AI 時代，40 歲後最值錢的不是經驗，而是把經驗「編譯」成 AI 能執行的能力〉。我不想只做一個「Q 版享哥」如果只是： 1享哥 → Q 版 → LINE 貼圖 → 公仔我覺得有點可惜。因為角色真正有價值的地方，不只是「長得像我」，而是它能不能承載我的知識、價值觀、個性與世界觀。例如，SeanVerse 裡可以慢慢建立自己的品牌語言： AI Core：代表知識與 AI 的核心。 Knowledge Particles：代表我們在工作與學習中累積的經驗與知識碎片。 Future Library：所有文章、課程、案例與方法匯聚的地方。 Knowledge Gate：通往不同學習領域的入口，例如 Vibe Coding、AI 行銷或 AI Agent。 AI Bird：陪著角色探索新科技世界的夥伴，也可以成為引導讀者學習的角色。這些名詞不是為了把畫面做得更像科幻作品，而是希望逐步建立一套可以被辨認、被使用、被延伸的品牌語言。當讀者看到 Knowledge Gate 時，知道那是一條學習路徑；看到 Future Library 時，知道那是一座知識庫；看到 AI Bird 時，知道它可能會陪著角色探索新的工具與問題。這時候角色就不只是我的分身，它開始有自己的世界。周同學 IP 化的是明星影響力，SeanVerse 想 IP 化的是知識我跟周同學有一個很大的不同。周杰倫原本就擁有巨大的明星影響力，所以周同學很適合把明星的辨識度、粉絲記憶與文化符號商品化。但我不是明星。我是一個老師、一個創作者，也是一個每天都在研究新科技的人。所以如果我要走這條路，我真正能夠 IP 化的東西，不是明星光環，而是：知識。這也是我目前覺得最有意思的方向。周同學是在把「明星影響力」IP 化；而 SeanVerse 想做的，是把「知識」IP 化。這裡的知識，不只是把文章整理成一個資料夾，也不只是把課程換成角色講解。它還包括：我如何拆解一個新工具我如何判斷某個方法適不適合使用我在不同案例中看過哪些失敗為什麼某些做法在特定情境有效，換個情境卻不適用如何把複雜的 AI 概念轉成初學者可以實作的路徑這些反覆出現的觀點、判斷與教學方法，才是知識型 IP 最值得留下來的部分。角色不只是拿來看的，而是真的可以教你東西這也是 AI 時代跟以前最大的不同。以前的角色 IP，主要存在於漫畫、動畫、商品、公仔或遊戲。但現在多了一個全新的可能： AI Agent。未來你看到 SeanVerse 裡面的角色，不一定只是看它講一句話，也不一定只是在社群上按讚或分享。你甚至可以直接問：我想學 Vibe Coding，應該怎麼開始？角色可以帶你進入 Vibe Coding 的 Knowledge Gate，幫你規劃學習路線、給你任務、解釋觀念、檢查成果，甚至陪你完成第一個作品。這時候，角色與 AI 系統之間可以形成清楚的分工：層次在 SeanVerse 裡的角色角色 UI，讓人用熟悉、具辨識度的形象進入服務人格 UX，決定互動時的語氣、價值觀與陪伴方式文章、課程與經驗 Knowledge Base，提供內容、案例與判斷素材 LLM Brain，負責理解問題與組織回應 Agent Action Layer，負責規劃任務、呼叫工具與協助完成行動 SeanVerse World，承載角色、內容、產品與互動場景角色是 UI，人格是 UX；我的文章、課程與經驗是 Knowledge Base；LLM 是 Brain；Agent 是 Action Layer；而 SeanVerse，就是承載這一切的 World。這件事情很有趣，因為角色不再只是被動展示知識，而是可以成為知識服務的入口。如果想了解 AI Agent 與工具、Skill 之間的分工，也可以延伸閱讀〈Skill 之後，下一個 AI 開發者一定要懂的詞：Agent Harness〉。個人品牌的媒介，可能不等於真正的資產以前我們講個人品牌，通常會從媒介開始思考：我要不要經營 Facebook？要不要拍 YouTube？要不要做 Podcast？要不要寫文章？但這些其實都只是媒介。更往下一層思考，我們真正累積的到底是什麼？如果有一天：文章可以被 AI 大量產生影片可以被 AI 大量產生 Podcast 可以自動生成社群也可以由 AI Agent 協助經營那麼真正稀缺的，可能就不再只是內容本身，而是：你是誰。你的經驗、觀點、人格、方法論、故事、價值觀，以及別人對你的信任，才是難以快速複製的部分。這不代表內容不重要。內容仍然是建立信任、傳遞知識與留下證據的方式；只是內容不應該停留在一篇篇彼此分散的作品，而是要逐漸形成： 1觀點 → 方法 → 案例 → 知識庫 → 角色 → 服務與互動當這些東西累積到一定程度之後，其實就開始具備 IP 的條件。真人負責建立信任，角色負責突破人的限制這可能是我研究周同學之後，得到最大的一個啟發。未來的個人品牌，也許會慢慢變成：真人 IP × 角色 IP × AI Agent 三者的分工可能是：資產層主要任務享哥本人透過真實經驗、教學與互動建立信任角色 IP 跨越文章、漫畫、影片、商品與活動等媒介傳播 AI Agent 讓知識可以被查詢、被練習、被執行與被互動 SeanVerse 承載上述資產的世界觀、內容架構與商業延伸所以我目前想像中的 SeanVerse，最後可能會有三層： 123享哥本人＝信任資產角色 IP＝品牌資產SeanVerse＝可以持續延展的知識世界而 AI 從頭到尾都不是主角。 AI 只是讓這個世界可以被建立、被放大、被互動的一種技術。真正的主角依然是：人與知識。如果要開始，第一步不是做公仔，而是整理世界觀這個想法不代表今天就要立刻做出完整的角色商品，也不代表只要畫一個角色就會自動形成 IP。比較務實的起點，可能是先把以下幾件事情整理清楚：定義角色要代表什麼：角色的個性、語氣、價值觀與讀者關係是什麼？整理知識領域：哪些主題可以成為不同的 Knowledge Gate？建立內容與方法的對應：每一篇文章、每一堂課，能解決哪一種問題？留下判斷與案例：不只保存答案，也保存選擇、取捨、例外與失敗經驗。從一個 Agent 場景開始：先讓角色協助完成一個具體的學習或工作任務，再逐步擴展。這樣做的目的，是讓角色不只「看起來像享哥」，而是真的能代表一套可被使用的知識與方法。 SeanVerse 可能真正代表的事情AI 時代的個人品牌，下一場競爭可能已經不只是：誰的內容做得比較多？而是：誰能把自己累積多年的知識、人格與信任，建立成一個可以持續運作的 IP 世界？我想試著把這件事情做出來。也許未來的享哥，不只是一個寫文章、做課程、上台演講的人；也可能是一個有角色、有知識入口、有學習路徑，甚至能透過 AI Agent 陪人完成事情的世界。這可能就是 SeanVerse 真正的開始。常見問答 (FAQ)Q1：個人品牌為什麼需要發展成 IP？個人品牌發展成 IP，不是為了追求流行，而是讓累積的經驗、人格、方法論與信任，可以被延伸到更多內容、媒介、產品與互動場景，降低真人只能親自出場的限制。 Q2：知識型 IP 和一般角色 IP 有什麼不同？一般角色 IP 可能以故事、外觀與情緒連結為主；知識型 IP 除了角色辨識度之外，還要承載可被學習與使用的觀點、案例、方法、判斷與學習路徑。 Q3：SeanVerse 是什麼？SeanVerse 是我用來想像「享哥品牌如何延伸」的知識世界，未來可以承載角色 IP、漫畫、漫劇、課程、Prompt、數位商品、實體商品、AI Agent、品牌聯名與授權等內容。 Q4：AI Agent 在 SeanVerse 裡扮演什麼角色？AI Agent 是 SeanVerse 的互動與行動層。它可以根據知識庫與角色人格回答問題、規劃學習路線、安排任務、檢查成果，或協助使用者完成具體工作。 Q5：不是明星，也能建立個人 IP 嗎？可以。非明星的個人品牌不一定要 IP 化明星光環，而是可以從專業知識、真實案例、個人觀點、教學方法與長期信任開始，建立一個具有辨識度且能持續延伸的知識型 IP。
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。
2026/9/6
AI自動化 AI Agent 內容行銷

AI 時代，40 歲後最值錢的不是經驗，而是把經驗「編譯」成 AI 能執行的能力

最近看到一篇文章，裡面有一句話讓我想了很久： AI 愈強，40 歲以後累積的人生經驗，反而愈值錢。我很認同，但我覺得這件事還可以再往下一層。未來真正值錢的，可能不只是「你有多少經驗」，而是：你能不能把自己的經驗，編譯成 AI 可以執行的能力？做了 20 年，不代表擁有 20 年的專業我們很容易把「年資」跟「經驗」畫上等號，但其實不一定。有人工作 20 年，只是把第一年的工作方式重複了 20 次。也有人工作 5 年，卻做過幾百個案子、碰過不同產業、失敗過很多次，也不斷修改自己的做法。所以真正形成差距的，可能不是年齡，而是你的「判斷密度」：你看過多少不同案例？遇過多少種問題？做錯過多少決定？後來為什麼改變做法？什麼情況下 A 有效？什麼情況下你反而會選 B？這些東西才慢慢形成所謂的專業判斷。 AI 不必活過你的經驗，才能使用它很多人會說： AI 可以讀很多資料，但是 AI 沒有真正活過。這句話現在沒有錯，可是我覺得不能因此太樂觀。因為 AI 根本不需要自己活過。一個顧問做 20 年，可能服務過 500 個客戶；未來的 AI，則可能讀過大量案例、研究報告、客戶對話、論壇討論、專案紀錄與失敗經驗。因此真正難被取代的，不應該只是「這件事情我做過」，而是：我做過很多次之後，形成了一套別人沒有的判斷方式。更重要的是，這套判斷有沒有辦法被留下來、被驗證，甚至被重複執行。從經驗到 Skill：把判斷編譯成 AI 能執行的能力這是我最近研究 AI Agent、Skills、MCP 與 Agent Harness 時，愈來愈強烈的一個感覺。以前一個專家累積很多經驗之後，大概有幾種做法：寫書、寫文章、開課或做顧問。因為我們能做的，通常就是把腦袋裡面的知識說出來。但現在多了一條完全不同的路：經驗 → 判斷 → Framework → SOP → Skill → Agent 這不是把文章換一個檔案格式，而是把「在什麼情況下，做什麼判斷，接著採取什麼行動」整理成可執行的結構。先問對問題，再決定要不要用 AI例如，一家企業來找我說：我們想導入 AI 客服。剛接觸 AI 的人，可能第一個問題是：要用 GPT、Claude 還是 Gemini？但如果做過很多專案，你可能第一個問題根本不是模型，而是：每天有多少客服量？哪些問題一直重複？哪些回答需要查公司資料？哪些情況涉及訂單或交易？哪些事情 AI 絕對不能自己決定？什麼時候必須轉真人？問完之後，你才會判斷：這家公司需要的是 FAQ、RAG、Workflow、Agent，還是根本暫時不需要 AI。注意一件事情：這已經不只是「經驗」了，它其實是一棵 Decision Tree。如果我們把每一個問題、條件、判斷與下一步整理出來，就有機會先寫成 SOP，再進一步變成 Skill，最後交給 Agent 執行。原本只能存在資深顧問腦袋裡的能力，第一次開始可以被軟體化。如果你想先了解如何把長篇提示詞整理成可重複使用的 Skill，可以參考從提示詞到 Skill：5 個實務做法打造高效率 AI 自動化工作流。 Experience Debt：專業沒有被留下來的代價我最近想到一個詞：Experience Debt，經驗債。很多做了十幾、二十年的專業工作者，其實非常有價值，但那些價值散落在：腦袋裡 LINE 對話裡 Email 裡簡報裡客戶會議裡課堂回答裡客戶問一個問題，你馬上知道答案；新人做錯一件事情，你一眼就知道問題在哪裡。但是如果有人問：「為什麼你知道？」你可能只能回答：做久了就知道。這句話其實很危險，因為它代表這套能力還沒有被結構化。你知道，但是你的團隊不知道；你的學生不知道；甚至 AI 也不知道。AI 無法使用你沒有留下來的經驗。所以很多 40、50 歲的專業工作者，第一件事情不一定是急著經營自媒體，而是開始把自己的腦袋數位化。不只建立內容庫，而是建立 Judgment Library以前我們經營自媒體，很習慣建立文章庫、影片庫、素材庫與 Prompt 庫。但我覺得下一階段更重要的是： Judgment Library——判斷庫。例如，每次做完一個案子，我們都可以留下這些句子：大家通常以為是 A，但我後來發現其實是 B。遇到 X 情況，我通常不建議做 Y。如果客戶同時出現這三個條件，我會優先選擇 Z。以前我也相信這個做法，但做過幾十次之後，我改變想法了。這些句子看起來很普通，卻是專業人士腦袋裡最值錢的東西。因為 Google 找得到答案，AI 也可以整理知識；但是「什麼情況應該用哪一個答案」，才是真正的判斷。一個可以持續累積的判斷紀錄格式每次完成專案後，不必寫成完整文章，先留下以下六項就足夠：欄位要記錄的內容情境當時遇到什麼問題、對象與限制？常見假設多數人第一時間會怎麼想？觀察證據哪些案例、結果或訊號改變了你的看法？核心判斷你最後選了什麼做法？為什麼？適用邊界什麼情況下這個判斷不成立？下一步如果再遇到類似情境，第一個要做什麼？當這些紀錄累積到一定程度，就能看見反覆出現的條件、例外與決策順序。那時候才有機會把零散經驗整理成真正可用的 Framework。個人品牌會從內容入口，走向可執行產品這也會改變我們經營個人品牌的方法。以前做內容，我們會問：「今天要寫什麼？」以後可以多問三個問題：這件事情讓我形成了什麼判斷？這個判斷什麼時候成立，什麼時候不成立？這個判斷能不能變成 AI 可以執行的規則？久了以後，你累積的可能就不只是 500 篇 Facebook 文章，而是一套能力鏈：層次主要作用可能形成的產品案例庫記錄真實情境與結果案例資料庫觀點庫說明你如何理解問題文章、影片與課程判斷庫說明何時採用哪個做法決策規則 Framework 把判斷整理成可重複的方法顧問方法論 Skill 把方法寫成 AI 可遵循的指令與檢查可執行模組 Agent 讓 AI 使用工具、處理情境並完成工作 AI 服務內容只是入口，Framework 是方法，Skill 是產品，Agent 則可能成為服務。未來我們可能不是「賣知識」，而是在「出租判斷」以前專家的商業模式很簡單：顧問：「我幫你判斷。」講師：「我教你怎麼判斷。」作者：「我把我的判斷寫給你。」 AI 時代開始多出第四種可能：我把我的判斷方式封裝成 AI，讓它持續替你處理相似問題。這代表一個人的專業能力，第一次可以從「內容產品」變成「可執行產品」。以前一本書賣的是知識，一堂課賣的是方法；未來一個 Skill 或 Agent，賣的可能是專家的判斷能力。這不代表把所有決定都交給 AI。真正成熟的 Skill，應該同時寫清楚適用條件、禁止事項、需要查證的資料，以及什麼時候一定要交還給人處理。從 SEO、AEO 到 Agent：讓 AI 不只引用你，也使用你這也是我覺得個人 IP 下一階段很有趣的地方。 SEO 時代，我們努力讓人搜尋到你。 AEO 時代，我們開始思考讓 AI 引用你。 Agent 時代，可能還會再往下一步：讓 AI 使用你。不只是讓 ChatGPT 回答問題時說「某某專家曾經提出……」，而是當 AI Agent 遇到某個問題時，直接呼叫你的 Framework、Skill 或工具來完成工作。到了那一天，衡量一個專業工作者影響力的方式，可能也會改變。除了粉絲、瀏覽與訂閱，還可能包括：你的 Framework 被多少 Agent 使用？你的 Skill 一天被呼叫多少次？你的判斷模型參與了多少真實世界的決策？這些仍是需要持續觀察的未來可能，但方向已經值得現在開始準備。 40 歲後，現在可以從哪裡開始？如果你已經累積十年、二十年的專業，不必一開始就做一個完整 Agent，可以先從以下五步開始：每週留下一個案例。不只記錄做了什麼，也記錄當時為什麼這樣做。把「反直覺判斷」寫下來。特別是大家以為 A、你卻選 B 的時刻。補上成立條件與例外。沒有邊界的經驗，無法安全地交給 AI 執行。找出重複出現的判斷。把它整理成 Framework，再寫成 SOP 或 Skill。保留必要的人類審核。涉及金流、個資、合約、品牌風險或重大決策時，先設定清楚的交接點。如果你想延伸理解「專業如何被留下來並形成個人品牌資產」，可以參考AI 時代，你真正該累積的不是內容，而是「專業證據」；若想進一步理解 Agent 如何在工具與權限邊界內完成工作，也可以閱讀Skill 之後，下一個 AI 開發者一定要懂的詞：Agent Harness。結語：把二十年的自己，編譯成 AI 可以執行的能力如果你問我：AI 愈來愈強，我們累積十年、二十年的經驗還有沒有價值？我的答案當然是有，但我會再多補一句：不要只滿足於「我有經驗」。因為經驗如果永遠只存在你的腦袋裡，它的延展性仍然非常有限。真正值得做的，是開始把：經驗變成判斷，判斷變成方法，方法變成 Skill，Skill 再變成 Agent。以前我們花了二十年，讓自己成為一個更厲害的專家。接下來也許要開始思考另一件事：怎麼把這二十年的自己，編譯成 AI 可以執行的能力。我覺得這才是 AI 時代，「資深」真正厲害的地方。常見問答 (FAQ)Q1：40 歲後累積的經驗，如何轉化成 AI 時代的競爭力？關鍵不是單純累積年資，而是把案例、錯誤、選擇理由與適用邊界整理成專業判斷。當判斷能被寫成 Framework、SOP 或 Skill，就能被團隊、AI 與 Agent 重複使用。 Q2：什麼是 Experience Debt（經驗債）？Experience Debt 是指專業價值散落在個人腦袋、對話、Email、簡報與會議裡，卻沒有被整理成團隊或 AI 可理解的結構。它會讓個人知道怎麼做，但其他人無法複製，也讓 AI 無法使用這些經驗。 Q3：Judgment Library（判斷庫）和一般內容庫有什麼不同？內容庫主要保存文章、影片或知識；判斷庫則保存「什麼情況應該選哪個做法、為什麼，以及什麼時候不適用」。判斷庫的核心是條件、取捨、例外與下一步，而不只是答案本身。 Q4：要先學會 GPT、Claude 或 Gemini，才能把經驗做成 Skill 嗎？不一定。文章中的重點是先整理問題、判斷條件、禁止事項與交接邊界，再決定適合的模型或工具。若沒有清楚的方法，換模型通常只會把同樣混亂的流程交給另一個系統。 Q5：AI 可以讀過大量案例，專業人士還能靠什麼建立差異？「我做過這件事」本身不是最穩固的護城河；更有價值的是你從大量案例中形成的判斷方式，以及能清楚說明成立條件、例外與取捨的專業模型。這些內容被留下並可執行後，才有機會形成可持續的差異。
2026/9/6
AI Agent AEO 內容行銷

AI 時代，你真正該累積的不是內容，而是「專業證據」

最近看到一篇文章，裡面有一句話讓我想了很久：「以後客戶可能先問 AI，再決定找誰。」以前我們經營個人品牌，想的是：我要不要寫文章？這篇有多少人看？有多少讚？有沒有被分享？粉絲有沒有增加？但如果未來大家尋找專家、顧問、講師、合作夥伴的方式，慢慢從 Google 搜尋變成直接問 ChatGPT、Gemini、Claude：「台灣有哪些懂 AI Agent 的講師？」「推薦熟悉 LINE API 的顧問。」「有沒有懂中小企業 AI 導入的人？」「誰真的做過 MCP 的企業應用？」那問題就完全不一樣了。因為這時候你真正要問的，不再只是：「有多少人看過我？」而是：「網路上有多少證據，可以證明我真的懂這件事？」這也是我最近研究 AEO、AXO、AI Agent、Skill，以及「專業知識軟體化」之後，開始慢慢串起來的一件事。當客戶先問 AI，個人品牌的問題就變了假設有兩個顧問。 A 做了 15 年，能力很好、服務過很多客戶，也解決過很多困難的問題。但是這 15 年的經驗，全部存在他的腦袋、LINE 對話、會議紀錄和客戶現場，網路上幾乎沒有東西。另一個 B 同樣做了 15 年，但他持續留下：自己的專業判斷實際處理過的案例客戶經常遇到的問題失敗經驗與修正方式產業觀察做完之後得到的新理解如果今天有人問 AI：「誰比較擅長處理這類問題？」我不是說 AI 一定會推薦 B，也不是說公開文章多就代表能力一定比較好。但是至少有一件事很現實： AI 要理解 A，很困難。因為沒有足夠的公開資料，讓它辨識 A 的專業範圍、服務經驗與判斷方式。這讓我開始覺得，未來個人品牌真正重要的資產，可能不是「文章數量」，而是： Professional Evidence：專業證據。它不是替自己加上的形容詞，而是網路上可以被交叉理解的紀錄：你做過什麼、如何判斷、解決過哪些問題，以及什麼情況下你會選擇不要做某件事。知識會越來越便宜，但判斷反而越來越值錢以前我們很喜歡寫：「使用 ChatGPT 的 10 個技巧」「做 SEO 一定要知道的 7 件事」「經營 LINE 官方帳號的 5 個方法」這些內容不是沒有價值，但 AI 已經可以很快整理出一份看起來完整的清單。所以未來真正稀缺的內容，反而是：「我做過之後，發現了什麼？」例如：「我實際教了幾十個完全不懂程式的人使用 MCP 後，發現大家真正卡住的不是技術。」這句話就不一樣了。因為後面的答案不是單純從網路整理來的，而是來自你在真實情境中反覆觀察、判斷與修正後的經驗。所以我現在越來越認為，AI 時代最值得累積的內容，不只是 What，也不只是 How，而是： Why：為什麼要這樣做？ When：什麼情況適合這樣做？什麼情況反而不要？ Which：兩種方法都能用時，為什麼選 A 不選 B？再加上：失敗過幾次之後，我改變了什麼判斷？這些才是真正難以被通用答案取代的專業。如果你想進一步理解如何把領域經驗拆成規則、工作流程與軟體功能，也可以延伸閱讀把專業知識變成軟體：產業專家就是下一代產品經理。寫案例時，留下完整的判斷軌跡未來寫案例，我覺得不能只寫：「我們成功幫客戶導入 AI。」更有價值的案例，應該留下完整的判斷軌跡：客戶原本以為問題在哪？我進去之後發現真正的問題是什麼？為什麼我沒有選大家最常用的方法？第一次做失敗在哪？後來改了什麼？最後我得到什麼新的判斷？這些東西累積久了，其實已經不是單純的「內容」，而是一個人的： Professional Evidence Database：專業證據資料庫。它不一定要一開始就做成複雜的系統。你可以先從每次專案結束後，留下五個簡短欄位開始：問題、判斷、選擇、失敗、結果。專業證據如何變成 Skill 與 AI Agent？這也是我在思考「專業知識軟體化」之後，又往下一層看到的事情。一個專家的能力，最早存在：腦袋裡。接著我們把它：寫成文章。再把文章整理成：結構化知識。接著把方法、規則、判斷條件整理成： Skill。最後甚至可以變成： Software / AI Agent。所以完整路徑可能是： 123456專業經驗→ 專業證據→ 結構化知識→ Skill→ Software→ Agent 這條路徑不是把人變成沒有溫度的自動化機器，而是把原本只能靠口述、陪跑或臨場反應傳承的判斷，整理成可以被檢查、教學與重複使用的資產。以前一個專家離開現場，他腦袋裡很多東西可能就消失了。但如果你有意識地把判斷、案例、流程、例外狀況與決策邏輯留下來，你的專業就有機會慢慢變成一套「可以被機器使用的能力」。關於如何讓 Skill 真正支撐 Agent 完成任務，而不只是提供一段漂亮的說明，也可以參考Skill 之後，下一個 AI 開發者一定要懂的詞：Agent Harness。每一堂課，都可能是一份真實世界 Dataset這點是我自己特別有感的，因為我經常上課。以前上完一堂課：學生問問題我回答下課很多很好的問題，就這樣消失了。但如果換一個角度，每一個學生問的問題、每一次操作失敗、每一個誤解的地方、每一個成功案例，以及每一次我臨場改變教法的原因，其實全部都是資料。假設一年上 100 堂課，每堂課只留下 10 個真正有價值的問題，一年就是： 1,000 個真實世界的 AI 應用問題。這是文章中的假設計算，不是對任何課程成果的宣稱。它想指出的是：你親自面對的問題，往往比你從網路整理來的熱門資訊，更能形成自己的專業辨識度。新聞大家都有，但這些問題是你在真實工作裡遇到的。於是整件事情可以形成一個飛輪： 123456789實際工作→ 發現問題→ 專業判斷→ 寫成內容→ 結構化知識→ Skill→ 工具→ Agent→ 再回到真實世界驗證這已經不只是內容行銷，而是在累積自己的「專業模型」。從 AEO 走向 Expert AEO：AI 怎麼認識你？現在大家談 AEO、GEO，大部分都在討論：「怎麼讓品牌被 AI 找到？」但我覺得下一個值得觀察的方向可能是： Expert AEO。醫師、律師、講師、顧問、房仲、設計師、會計師、教練，每一個靠專業吃飯的人，未來都可能要開始思考： AI 知不知道我是誰？ AI 認為我擅長什麼？網路上有哪些證據支持這件事？當使用者問相關問題時，我會不會出現在答案裡？ AI 描述我的方式正確嗎？我的競爭者為什麼被提到，而我沒有？這甚至可能形成一個新的個人品牌觀察指標： AI Share of Voice。以前我們追蹤 Google 排名，未來或許可以追蹤：「在 100 個跟我專業相關的問題裡，AI 有幾次提到我？」目前「AI Share of Voice」比較適合作為一個觀察框架，不是已經普遍採用的標準指標。它的價值不在於追求每一次回答都被提到，而在於幫你檢查：AI 是否正確理解你的專業範圍、案例與適用情境。如果想先理解 AI 如何從 SEO、AEO 走向能執行網站任務的 AXO，可以閱讀SEO、AEO 之後的 AXO：讓 AI Agent 真正完成網站任務。現在就能開始累積的專業證據不要只問：「這篇文章會不會爆？」可以換成以下幾個更長期的問題：這篇文章，有沒有替我的專業多留下一份證據？我是否說清楚自己處理過什麼問題？我是否留下「為什麼選 A、不選 B」的判斷？我是否誠實記錄失敗、限制與不適用情境？這份經驗能不能被整理成下一次可重複使用的規則？可以從這些內容開始：專案結束後的決策紀錄不只寫成果，也寫問題定義與修正過程的案例課程中反覆出現的真實提問失敗經驗與不適用情境對工具、方法與流程的選型理由讀者可以獨立引用的 FAQ 與定義流量可能三天就沒了，Facebook 貼文也可能一個星期後就沉下去，演算法更會一直改變。但你留下來的判斷、案例、方法、失敗與成果，可能會慢慢構成 AI 對你的理解。所以我現在反而覺得：不要只是經營內容，要開始經營你的 Professional Evidence。讓網路上有足夠的證據說明：你是誰你懂什麼你做過什麼你怎麼判斷以及你能解決什麼問題再下一步，把這些證據整理成 AI 能理解的知識，再把知識封裝成 Skill，最後讓 Skill 變成 Agent 可以執行的能力。這可能才是 AI 時代個人品牌真正值得累積的長期資產。因為未來當客戶問 AI：「這件事情，我應該找誰？」真正重要的可能不是你自己說你很專業，而是：網路上有沒有足夠的證據，讓 AI 也知道你很專業。常見問答 (FAQ)Q1：什麼是「Professional Evidence」？Professional Evidence，也就是專業證據，指的是能在網路上說明一個人做過什麼、如何判斷、解決過哪些問題，以及哪些情境不適用的公開紀錄。它不等於文章數量，而是由案例、方法、失敗經驗、判斷理由與結果共同構成。 Q2：為什麼個人品牌不能只追求流量與文章數量？流量與文章數量能反映內容的曝光，但不一定能證明作者具備哪一種專業、處理過哪些真實問題，或在不同情境下如何做選擇。AI 時代更需要可理解、可交叉比對的案例、判斷與方法，讓讀者和 AI 都能更準確掌握你的專業範圍。 Q3：一篇有價值的專業案例應該留下哪些內容？至少可以記錄客戶原本認為的問題、實際發現的問題、選擇某種方法的理由、第一次失敗的地方、後續如何修正，以及最後得到的新判斷。這些內容比單純宣稱「成功導入」更能呈現專業思考。 Q4：專業證據如何進一步變成 Skill 或 AI Agent？可以先把案例與判斷整理成結構化知識，再將方法、規則、條件、例外與檢查標準封裝成 Skill。當 Skill 能被軟體或 Agent 呼叫，並在真實工作中反覆驗證與修正時，專業經驗就有機會轉化成可重複使用的 AI 能力。 Q5：什麼是 AI Share of Voice？AI Share of Voice 是本文提出的觀察框架，用來思考在一組與自己專業相關的問題中，AI 有多少次正確提到自己。它目前不是普遍採用的標準指標，不能單獨代表專業能力；更重要的是檢查 AI 是否正確理解你的專業、案例與適用情境。