AI 選型的真正變數不是工具強度，是任務的不確定性

同一週內切換三種 AI 的 DeNA SRE 團隊發現：AI 選型的驅動力不是工具功能，而是任務的不確定性程度。

11 4月 2026 • 2 min read

同一個人，同一週，三種 AI

DeNA 的 SRE 團隊在一週內切換了三個不同的 AI 代理。不是因為工具壞了，也不是因為他們在比較功能，而是因為每個任務對 AI 的要求完全不同。

這打破了業界最常見的選型邏輯：「選最強的工具」。實際上，最強的工具不一定適合你現在的問題。

傳統的 AI 選型會比較精度、速度、成本。但 DeNA 的做法指向另一個維度——任務本身有多清晰。

他們用三個軸來判斷：

這在問：AI 什麼時候會卡住？

跨部門協調的任務、需要人工判斷的驗證、仍在探索方向的工作——在這些地方，AI 自主性會碰壁。不管你選哪個工具都一樣。

DeNA 的情況很具體：基礎設施移行佔 50%，廣報佔 20%，開發工作只剩 30%。在這個約束下，他們沒有因為有 AI 就承諾更多。反而是用 Devin 來自主完成明確的實裝工作，在既有時間內維持進度。

這挑戰了「AI 讓你做更多事」的直覺。AI 的價值在於：在既定時間內，做對的事。

但有個前提——任務規格必須夠清晰。如果不清晰，Devin 會產出需要人工修正的程式碼，反而浪費時間。選型的關鍵不是工具有多聰明，而是你有沒有把問題講清楚。

如果你正在評估 AI 工具，不要先問「哪個最強」。先問：

答案會告訴你該選什麼。有時候是 Devin，有時候是通用型 LLM，有時候根本不該用 AI。

我後來意識到，這不是一個工具問題。這是一個組織問題——你的團隊有沒有能力把任務講清楚。

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。