未必每個產品都需要 AI
有些產品反而比以前更需要「人味」 （human touch)
最近在產品評審和 Roadmap 會議中，我不斷看到同樣的劇本上演：
「我們應該加上 AI。」
這樣做，並非因為用戶有要求，也非因為它解決了核心瓶頸 - 純粹因為這樣感覺才像未來。
逆風觀點：未必每個產品都需要 AI。事實上，為了度過這個週期，有些產品反而比以前更需要「人味」 （human touch)
難的不是持有這種觀點，而是在一個把「AI」當作「創新」代名詞、把「沒有 AI」誤解為「反進步」的房間裡，把這話說出口。
想有效反擊，你需要轉換框架。
AI 不該被視為功能╴它是一種能力。如果它不能為真實用戶移除真實限制，那它就稱不上創新，只是裝飾品。
讓我們具體一點。
隱形成本：所謂的「AI 稅」
必須說清楚：加入 AI 不只是工程投入，更是永久的營運債務。產品上線那一刻，你就開始繳「AI 稅」：
品質債務：你用機率性的幻覺（Hallucinations）、不穩定性和邊緣案例，取代了原本確定的程式邏輯。
信任赤字：用戶無法判斷何時該相信結果，迫使你設計新的 UX 模式來讓他們驗證。
數據與隱私負擔：你必須定義哪些數據可以傳送、儲存、訓練和稽核。
營運拖累：你引入了以前不存在的延遲、查詢成本（Query costs）和對供應商的依賴。
產品模糊性：用戶該如何除錯（Debug）？如何衡量成功？什麼樣的輸出才算「好」？
有時這筆稅值得繳。但多數時候，得不償失。
判斷準則：AI 何時真正值得?
如果你想要一個判斷高投報率 (High-ROI) 的AI solution，請尋找這種問題組合:高頻率、重複性高、文字重度，且對結果容錯率高。
AI 發光的場景:
長文摘要 Summarize :「大體正確」就能節省大量時間，些微錯誤可以接受。
草擬初稿 :人類原本就要介入編輯，AI 只是提供素材。
非結構化輸入分類:手動分類不可能完成，需要路由大量雜亂數據。
探索發想:幫助用戶發散思維(腦力激盪)，目標不是收斂到單一的「正確」事實。
在這些情況下，AI 顯著降低了「初稿產出時間」(Time-to-First-Draft) 或認知負擔。即便不完美，帶來的效用也高!
陷阱：AI 何時會破壞價值？
當產品的核心價值建立在信任、品味、當責性或情感安全之上時，AI 往往回報率極低甚至有害。
危險區域：
高風險正確性（金融、醫療、法律、資安）：輸出錯誤會造成實質損害。為了修正它所設的護欄過於沈重，「AI 魔法」消失殆盡。
品味導向價值（品牌語氣、創意指導、社群管理）：用戶付錢不是為了速度，而是為了人類的判斷力與細微差別。
工作流完整性（稽核軌跡、合規）：用戶的工作依賴精確的可重複性。機率性的輸出只會製造摩擦 - 沒人喜歡跟自己的工具爭辯。
權力動態（績效評估、招募）：如果由 AI 撰寫，用戶會問：「誰要為此決定負責？」
這正是「比以往更需要人味」成為競爭優勢的地方。隨著自動化擴張，用戶會更重視清晰度、責任感，以及「真的有人在乎」的感覺。
策略：如何說服老闆（且不被視為絆腳石）
多數產品主管聽不進「用戶不想要」這種話。但他們會對風險、機會成本和具體影響有反應。
你的目標是將對話框架從「我們該加 AI 嗎？」轉變為「我們正在移除什麼用戶限制？哪種方式最高價值？」
步驟 A：從用戶出發，而非技術
不要拒絕工具 - 要保護「待完成的工作 (Job to be Done)」。
例子：「用戶現在卡在註冊問題。如果解決註冊，他們能更快、更安全地完成交易。AI 或許是解法之一，但我們需要驗證它是否比簡單的規則邏輯 (Rule-set) 更好。」
步驟 B：強迫追問「為什麼」
在會議中使用這個實用提問：
提問：「我們具體改善了用戶的哪個瞬間？我們要如何衡量該瞬間已被改善？」
如果沒人答得出來，那這個 AI 點子就只是跟風 ，談不上是計畫。
步驟 C：重新命名阻礙
將技術擔憂轉譯為商業風險：
別說「幻覺」。改說「品質責任 (Quality Liability)」。
別說「隱私風險」。改說「數據限制將封頂我們的市場觸及率」。
給領導層的「責任檢查表」：
數據：我們是否有權安全地使用這些數據？
品質：我們能否規模化地評估什麼是「好」？
體驗 (UX)：用戶能分辨結果何時不確定嗎？他們能復原嗎？
營運：用量成長 10 倍時，單位經濟效益會如何？
品牌：如果出錯，用戶會怪罪模型，還是怪罪我們？
步驟 D：要求成長假設
團隊常說「AI 能做出差異化」，卻沒定義它如何帶動業務成長。強迫將功能歸類為以下三種成長機制之一：
獲客 (Acquisition)： 它是否創造了能驅動註冊的「哇塞」亮點？
活化 (Activation)： 它是否減少了首次使用時的價值提取時間？
留存 (Retention)： 它是否創造了黏性依賴或工作流鎖定？
好用的台詞： 「如果我們在這裡上線 AI，四週內哪個指標會動？如果說不出來，我們應該把這視為 R&D（研發），而不是 Roadmap。」
替代方案：除了說「不」，你該提什麼
只說「不做 AI」會製造決策真空。請用更好的計畫來填補那個真空。
選項 A：「先自動化，後 AI」 提出干預的階梯：
先用確定性的 UX 改良修復工作流摩擦。
加入規則/模板來移除重複性勞動。
最後才加入 AI 來移除剩餘的複雜性。
沒在阻擋創新，只是安排創新的順序。
選項 B：「將 AI 限制在輔助層」 不要讓 AI 產出最終結果，讓它做支援工作：
建議，而非決定。
起草，而非發布。
標記，而非重寫。
推薦，而非執行。
提供速度的同時，保留了信任與當責性。
選項 C：「設有護欄的實驗」 如果領導層堅持要「做點 AI」，那就把核心產品圈起來保護好。
加上功能開關 (Feature flag)。
從狹窄的使用場景開始。
定義明確的成功/失敗門檻。
包含清晰的退場機制 (Off-ramp)。
好用的台詞： 「我很樂意進行 AI 實驗，只要我們先講好：看到什麼數據就該把開關關掉。」
決策框架
如果你的 PRD 需要簡單的篩選標準，請用這四個問題。拿不到 3 個「是」，就別把它當核心功能發布。
頻率：這項任務的發生頻率，是否高到速度至關重要？
容忍度：用戶能否接受「大體正確」的結果而不受害？
落地性（Grounding）：我們能否用自有數據可靠地約束輸出結果？
當責性：如果出錯，我們能否解釋並修正？
結語
當前最成熟的產品姿態，並非「萬物皆 AI」。
關鍵在於品味。
品味是知道 AI 在哪裡能創造槓桿——以及在哪裡會悄悄破壞信任。品味是有能力說出「這部分應該保留給人類」，並且不為此感到尷尬。
未來不會獎勵把 AI 釘在所有東西上的團隊。未來屬於那些更少盲目推出AI 功能，但做得更好，並且讓用戶真正感受到差異的團隊。