效率化幻覺 — 有 code 不等於有產品

上週我收到三份 AI 相關的需求提案。每一份都讓我內心炸裂。

不是因為提的人不認真，恰好相反 — 他們非常認真，而且都已經用 AI 工具跑出了 prototype。問題在於，他們把「AI 能產出 code」等同於「這個東西能上線」。

我把這個現象叫做效率化幻覺：AI 工具讓 prototype 的速度變快了十倍，於是人們誤以為 production 也變快了十倍。

兩個真實案例

案例一：為了一個 blog，想重刻 GA4

需求是這樣的：我們有一個部落格，想知道讀者行為。聽起來合理。但提案的解法是：自建一個整合 GA4、Search Console 等多個數據源的主控台，再加上一個 AI 聊天機器人來做自然語言查詢。

拜託。GA4 本身就有 dashboard。Looker Studio 免費串接。就算真的要 AI 問答，市面上已經有十幾個現成工具。但提案者用 Cursor 花了一個下午就跑出一個 demo，覺得「既然 code 都寫好了，應該很快就能上線」。

code 是寫好了，但誰來維護？數據源的 API 限制考慮了嗎？GCP 每月費用算了嗎？

案例二：音影片全自動 pipeline

另一個需求更有野心：投入任何音軌或影片，自動產出逐字稿、辨識講者、把結果灌進 RAG 系統，最後訓練出一個能總結所有會議內容的 AI 機器人。

拆開來看，每一段都是獨立的工程問題。Speaker diarization 的準確率在多人場景下仍然不穩定。RAG 的 chunk 策略和 embedding 選型需要反覆調校。更關鍵的是 — 我們沒有 GPU 資源。推論成本完全沒有人算過。

提案者同樣是因為看到了某個 demo，就覺得串起來很簡單。

效率化幻覺的三個症狀

觀察這些案例，我歸納出效率化幻覺的三個典型症狀：

1. 需求直接跳到解法

正常流程：問題 → 約束條件 → 解法。效率化幻覺下的流程：看到 AI demo → 這就是解法 → 反推出一個問題來合理化它。

2. 基礎設施成本隱形化

AI 工具跑在本地或用免費額度時毫無感覺。一旦要上線，GPU、儲存、API 呼叫、頻寬全部是錢。但因為 prototype 階段是「免費」的，人們下意識覺得 production 也差不多。

3. 把 demo 當 production spec

一個 demo 能跑 ≠ 能承受真實流量。能處理乾淨數據 ≠ 能處理現實世界的髒數據。跑在 M4 Mac 上順暢 ≠ 部署到 server 也順暢。

解藥：三個檢查點

每當收到一個 AI 加持的需求，我現在會先問三個問題：

1. 有沒有現成工具能解？ 如果 GA4 + Looker Studio 就能達到 80% 的效果，為什麼要自建？
2. 基礎設施夠不夠？ GPU 要多少？API 月費多少？誰出錢？
3. 維護成本誰扛？ 寫 code 的 AI 不會幫你 on-call。模型更新、API 改版、數據格式變動，全部是人要處理的事。

如果三個問題都答不上來，這個需求就需要退回去重新想。

有 code 和有資源是兩回事

AI 工具確實改變了軟體開發。但它改變的是「產生 code 的速度」，不是「把產品做出來的速度」。

一個產品需要的不只是 code — 它需要基礎設施、需要維護人力、需要成本規劃、需要 oncall 機制。這些東西 AI 一行都不會幫你寫。

下次當你或你的團隊因為「AI 都幫我寫好了」而興奮時，停下來想一秒：有 code 不等於有產品。

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。