編譯摘要

濃縮

1. AI 產品應把模型能力當原料，用人的經驗加工，而非與 AI 正面競爭。 三個方向（工作流販售、半成品加工、協作產品）的共通結構是：模型越強，原料品質越高，產品越有價值。

   • 證據：Astro 模板案例——AI 產出 60 分，人修到 90 分；AI 寫作工作流花超過一個月迭代建立。

2. AI 產品的成本結構決定存亡——API 成本不可控是 SaaS 模式的致命傷。 本機 App + 使用者自帶模型額度是更健康的商業模式。

   • 證據：API 消耗無法預估、大廠的商業模式是賣 API 和平台服務，不太可能做細分桌面工具。

3. AI 協作產品的設計思路應從 AI 產出出發（AI-native），而非在傳統 UI 上加 AI 功能。

   • 證據：Claude 設計工具——起點是 AI 產出，UI 是讓人精修的介面；傳統 SaaS 在角落加「AI 助手」按鈕的體驗完全不同。

質疑

結論一：人的判斷在最後 10-20 分不可取代

• 前提假設：AI 在品味、UX 判斷上有天花板。
• 如果不成立：AI 若能準確模擬真實用戶測試並自主調整細節，「人為精修」的價值空間會被壓縮。
• 反例：程式碼格式化、Linting 曾經需要人為判斷，現已被自動化完全取代。
• 邊界條件：高度標準化產業（合規文件、法律文書）中，人為判斷的空間本來就小，此結論適用性降低。

結論二：大廠不會做細分桌面工具

• 前提假設：大廠的商業模式是賣 API 和平台，不會進入細分市場。
• 如果不成立：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、Google Gemini 正在走這個方向。
• 邊界條件：如果你的細分市場大到足以引起大廠注意，這個護城河就不成立。

結論三：AI-native 設計比傳統 SaaS + AI 更好

• 前提假設：產品的核心操作是「修改 AI 的產出」。
• 如果不成立：在 ERP、CRM 等結構化數據系統中，核心操作是「輸入和查詢數據」，傳統 UI + AI 輔助可能仍是更好的做法。
• 適用範圍：主要適用於設計、寫作、內容創作等創意類任務。

對標

製造業 OEM/ODM 模式

品牌不自己生產零件，而是組裝和品管——跟「AI 產出原料、人來加工」的邏輯完全一樣。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，而做產品的人是「品牌組裝廠」。

廚師與食材供應鏈

食材品質提升（= AI 模型進步）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，就是那些只是把 AI 原始產出包裝一下就賣的人。

既有概念關聯

• 與「AI 是放大器」高度吻合——三個方向本質上都在描述如何讓 AI 放大專業價值
• 與「AI 時代自律」互補——選擇做什麼產品就是一種自律決策
• 與「領域專業深度 vs 跨領域廣度」呼應——三個方向都要求先有深度專業