AI 時代的產品策略：三個模型越強、產品越有價值的方向
AI 文章延伸
選擇平台後可直接帶入閱讀脈絡，快速整理重點、補齊盲點，並延伸到同站相關文章。
AI 模型每隔幾個月就更強一輪，很多人擔心自己做的東西很快就會被淘汰，或是萬一大廠跳下來做，自己的產品就立刻被取代了，但如果換個角度想——有沒有一種產品，是模型越厲害，它反而越有價值的？
我認為有，而且至少有三個明確的方向。這三個方向的共通點是：它們不跟 AI 對著幹，而是把 AI 的能力當成原料，用人的經驗和判斷去加工。模型進步，原料品質提升，你的產品只會更好。
以下是我目前在實踐的三個 AI 產品策略，也是我認為不管模型怎麼演化，都能持續經營下去的方向。
方向一：販售 AI 工作流
AI 工具人人都會用，但「怎麼串成一條有效的流程」才是真正值錢的東西。
拿我自己的經驗來說，我花了超過一個月的時間，把用 AI 寫部落格文章的流程從零建立起來。從關鍵字研究、競品分析、大綱生成到文章產出，每個環節都經過反覆測試和調整，最後整合成一套可重複執行的 Skill。這套流程不是按一個按鈕就跑完的魔法，而是經過無數次迭代才磨出來的。
這種工作流程本身就是一個可以販售的產品。具體來說，我認為有四個階段可以逐步推進：
1. 從自身的問題開始
最好的工作流一定是先解決自己的問題。你每天在做的重複性工作，哪些可以用 AI 串起來？先讓自己變快，這個過程會逼你把流程中每一個環節都想清楚。
2. 把經驗分享出來
你踩過的坑、你試過但不管用的做法，這些都是別人願意付費跳過的彎路。透過分享這些知識，你能吸引到有相同需求的人，同時也在建立自己的專業形象。
3. 轉化為套裝方案
當你的工作流已經穩定運作，就可以包裝成一個可交付的方案。不只是賣一份文件，而是協助客戶把這套流程導入到他們的工作環境中。
4. 跨產業複製
這是最有挑戰的一步。整理工作流程非常考驗個人的產業經驗——你在 A 產業磨出來的流程，能不能搬到 B 產業？這取決於你對兩邊的理解深度。不是每個流程都適合跨產業，但一旦成功，你的市場就不只是一個垂直領域了。
要注意的是，AI 工作流的建立需要大量的前置投入，不是花一個下午就能搞定的事情，而是持續迭代、持續改進的過程，但也正因為門檻在這裡，別人不容易直接複製你的成果。
方向二：加工 AI 的半成品
AI 現在能做出很多東西，但老實說，大部分產出的品質大概在 40 到 60 分之間，能用，但離「好用」還有一段距離，這個差距就是機會。
我目前在做的一件事是設計 Astro 網站範本，這些範本的初始版本都是請 AI 產出的，過程看起來挺順利——幾分鐘就能生成一個看起來不錯的頁面，但實際上呢？版面的細節對不齊、互動邏輯不合理、響應式設計在某些斷點會崩掉，這些問題 AI 自己很難發現。
我做的事情就是把這些 60 分的半成品修到 90 分，這個「修」的過程，靠的是十年做網站累積下來的經驗——知道什麼樣的排版讓使用者舒服、什麼樣的操作邏輯符合直覺、哪些地方需要特別處理才不會在不同裝置上出問題。
你可能會問：AI 不是越來越強嗎？也許明年它就能直接產出 80 分的東西了，沒錯，但我觀察到的是，即使 AI 的基礎分數提高，最後那 10 到 20 分的差距，仍然需要人的判斷來補，因為那不是技術問題，而是品味和經驗的問題。
要做這類產品，有兩件事很關鍵：
選對生態系
你要從自己的專業出發，判斷哪個生態系有足夠的市場規模。像我選擇的是 WordPress 和 WooCommerce 生態系，這個市場夠大，而且持續有新的需求進來，但生態系越大，售後服務的負擔也越重——客戶會有安裝問題、客製化需求、相容性疑問。這些事前事後的客服成本，必須在定價時就考慮進去。
選對產品類型
如果你不想花大量時間在客服上，可以考慮做「視覺導向」的產品。靜態網頁範本、設計素材、簡報範本這類東西，客人喜歡就直接買，不太需要售後支援。相比之下，如果你做的是功能性的外掛或工具，客服量會高出很多。
這個方向的核心邏輯是：AI 負責量產初稿，你負責品質把關。模型越強，初稿品質越高，你花在修改上的時間反而更少，利潤空間更大。
方向三：打造 AI 協作產品
第三個方向我認為是最關鍵的，也是最有長期價值的。
想像一個情境：AI 幫你產出了一份設計稿，整體方向不錯，但有幾個地方需要微調。你會怎麼做？回到對話框裡打一段「請把第三個區塊的間距調大一點，顏色改成深藍色」，然後等 AI 重新生成，看看結果對不對，不對再繼續來回？
這個來回的過程，其實非常沒有效率。
最近 Claude 推出的設計工具就解決了這個問題。它讓 AI 先快速產出一個版本，然後你可以直接在畫面上針對指定的地方進行調整、修改細節，不需要再透過對話來描述你要什麼。這種「AI 產出 + 人類直接編輯」的模式，把兩邊的優勢都發揮出來了。
這跟傳統 SaaS 加入 AI 功能是完全不同的設計思路。傳統的做法是先有一個使用者介面，然後在某個角落加一個「AI 助手」按鈕，但從 AI 原生的角度設計，整個產品的起點就是 AI 的產出，使用者介面是為了讓人能夠精修這個產出而存在的。不同的設計決策，產生出來的體驗完全不同。
不過這類產品有一個很現實的經營問題：API 成本。每次使用者跟 AI 互動，你都要付費給模型供應商。使用量越大，成本越高，而且你很難預估每個使用者會消耗多少額度。
我認為更好的做法是：
設計成本機應用程式。 不要做成雲端 SaaS，改做桌面端或本機端的 App。
讓使用者用自己的模型額度。 透過模型供應商提供的機制（例如 API Key 或 Channel），讓使用者直接使用他們已經在付費訂閱的服務額度。你的產品只負責提供介面和工作流，不需要代墊 AI 的運算成本。
這樣做有兩個好處：你不用擔心 API 帳單暴漲，使用者也不用重複付費，而且因為是本機應用，大廠不太可能為了你這個細分市場去做一模一樣的東西——他們的商業模式是賣 API 和平台服務，不是做細分領域的桌面工具。
為什麼這三個方向不怕 AI 進化
回頭看這三個方向，它們有一個共同的結構：都是把 AI 當成上游原料，用人的專業來做加工和整合。
AI 工作流賣的不是 AI 本身，而是你對流程的理解。半成品加工賣的不是 AI 的產出，而是你把 60 分修到 90 分的判斷力。AI 協作產品賣的不是模型的能力，而是讓人和 AI 高效配合的介面設計。
這三件事情的價值，都不會因為模型變強而消失。相反的，模型越強，AI 工作流能做的事越多，半成品的起點越高，協作產品的體驗越好。
如果你也在思考要用 AI 做什麼產品，我的建議是：不要跟 AI 比誰會生成內容，而是想辦法站在 AI 的肩膀上，用你的經驗去做 AI 做不好的那一段。
延伸思考
這篇文章的觀點建立在幾個前提上，值得進一步思考：
- 「人的判斷在最後 10-20 分不可取代」——但程式碼格式化、Linting 這類曾經需要人為判斷的事，已經被自動化完全取代。如果 AI 在 UX 判斷上有突破性進展，「人為精修」的價值空間會被壓縮。在高度標準化的產業中，這個前提更脆弱。
- 「大廠不會做細分桌面工具」——但 AI Agent 可能讓大廠直接提供端到端服務，完全跳過「桌面工具」這個形態。Apple Intelligence 和 Google Gemini 正在走這個方向。
其他領域也有類似的現象：
- 製造業的 OEM/ODM 模式——品牌不自己生產零件，而是做組裝和品管。製造業裡活得最久的不是零件廠（會被更便宜的取代），而是有品牌和品管能力的組裝廠。AI 時代的「零件廠」就是模型供應商。
- 廚師與食材供應鏈——食材品質提升不會取代廚師，反而讓好廚師做出更好的料理。被取代的是只會「加熱即食品」的人，對應到 AI 產品就是那些把 AI 原始產出包裝一下就賣的人。
常見問題
AI 工作流不就是寫 Prompt 嗎？為什麼能賣？
Prompt 只是工作流的其中一小部分。真正有價值的是整條流程的設計——哪些環節用 AI、哪些環節需要人為介入、各環節之間怎麼串接、品質怎麼把關。這些設計背後是大量的測試和迭代，不是一句 Prompt 能解決的。
AI 半成品加工的市場會不會越來越小？
短期來看，AI 產出的基礎品質確實在提升。但「好用」和「能用」之間的差距，涉及的是使用者體驗、產業慣例、品味判斷這些難以量化的東西。這個最後一哩路的需求，在可預見的未來不會消失。
做本機 App 不是比做 SaaS 更難推廣嗎？
推廣確實是挑戰，但本機 App 的優勢在於不需要承擔伺服器和 API 成本。你可以用一次性買斷或低月費的定價模式，毛利率反而比吃 AI API 成本的 SaaS 更健康。