最近開始用 AI 直接進行 SaaS 專案開發後，我有一種很強烈的感覺：
很多人以為 AI 改變的是「工程師怎麼寫程式」，
但實際上，它更深層改變的，可能是產品經理如何理解一個系統。
過去幾年，軟體開發最大的瓶頸之一，是實作成本。
很多需求不是不能做，而是：
- 人力有限；
- 開發時間有限；
- 系統修改成本太高。
但 AI 出現後，「把東西做出來」這件事，突然變得沒有那麼困難了。
於是新的問題開始浮現：
當生成程式碼不再稀缺後，
什麼才是真正稀缺的能力？
這段時間我慢慢發現，答案可能是兩件事：
- 對真實世界的理解；
- 對工程秩序的堅持。
而這兩件事，剛好都不是 AI 最擅長的。
AI 很擅長生成「合理的世界」
AI 有一個很有趣的特性：
它會傾向生成一個「看起來合理」的系統。
因為它學習的來源，本來就是大量公開世界中的標準答案。
這讓它非常擅長：
- 做抽象化；
- 建立分類；
- 生成標準架構；
- 推導理論上漂亮的資料模型。
但問題是：
真實商業世界，很多時候其實並不漂亮。
例如在金融資料設計上，AI 很自然會傾向：
用「銀行」作為資產管理的主分類。
聽起來很合理。
但只要真的碰過金融系統，就會知道現實並不是這樣運作。
同一個網銀帳號底下，可能同時存在：
- 台幣帳戶；
- 多筆不同到期日的外幣定存；
- 黃金存摺；
- 投資帳戶；
- 子帳戶。
如果一開始過度抽象化，後面在串接真實銀行 API 時，很容易整個模型失真。
後來我越來越覺得：
AI 很知道世界「理論上應該長怎樣」。
但產品經理真正重要的能力，反而是知道：
世界實際上是怎麼混亂地運作。
而這種理解，往往不是從文件裡學來的。
它比較像是一種長期接觸商業流程後累積出來的「現實感」。
AI 讓「工程紀律」突然變得異常重要
另一個很反直覺的地方是：
很多人以為 AI 會讓開發流程變得更隨性。
但實際情況可能剛好相反。
因為 AI 生產程式碼的速度太快了。
快到如果沒有嚴格約束，系統會以驚人的速度開始腐爛。
以前一個工程團隊可能一天只改幾十行程式碼，
現在 AI 幾分鐘內就能重構一大片模組。
這代表：
如果沒有測試、沒有驗證、沒有邊界控制，
錯誤會被高速放大。
而且 AI 有一種很危險的特性：
它會非常自信地告訴你：
「已完成修改」
即使實際上系統根本還沒真的穩定。
所以後來我慢慢理解一件事：
AI 開發最重要的，可能不是 Prompt 技巧，
而是：
如何建立一套「不依賴信任」的驗證機制。
包括：
- 強制測試；
- 自動化驗證；
- 編譯檢查；
- 規格約束；
- CI/CD；
- 防呆流程。
這些過去很多人覺得「很工程、很無聊」的東西，在 AI 時代反而變成真正重要的基礎設施。
因為當產能被無限放大時，
秩序本身就會開始變得昂貴。
未來的 PM，可能越來越像「系統世界的翻譯者」
以前很多人認為 PM 的工作是：
- 排需求；
- 畫流程；
- 開會協調。
但 AI 出現後，我反而開始覺得：
PM 的核心能力，正在慢慢變成另一件事：
把模糊而混亂的真實世界，翻譯成系統能理解的規則。
因為 AI 雖然會寫程式，
但它其實不真的理解：
- 人類組織；
- 商業慣例；
- 例外情境；
- 灰色地帶；
- 歷史包袱；
- 使用者那些「講不清楚但又真實存在」的習慣。
它能快速生成答案。
但未必知道：
哪個答案比較接近現實。
而這可能也是 AI 時代最有趣的一件事：
技術門檻正在下降，
但「理解世界」的門檻反而開始上升。
結語
這段時間做 AI 專案後，我最大的感受是：
AI 並沒有讓軟體開發變簡單。
它只是把「困難的位置」整個換掉了。
以前最困難的是：
- 怎麼把功能做出來。
現在更困難的開始變成：
- 怎麼避免系統偏離現實；
- 怎麼建立可長期維護的秩序；
- 怎麼讓高速生成的東西不快速腐壞。
某種程度上，AI 很像一個產能極高、但不真正理解世界的協作者。
而產品經理的角色，也因此開始慢慢從「功能設計者」，變成：
- 現實世界的觀察者；
- 系統規則的定義者；
- 還有那個負責踩煞車的人。
