AI專案9成失敗的真相:技術再強也沒用,關鍵在「工程師和使用者能否說上話」

我在公司推過不少AI專案,慢慢領悟到一個扎心的事實——很多人搞反了。我們總以為AI失敗是因為技術不夠牛、功能不夠酷、或使用者太難搞,但其實根本不是。失敗的原因很單純:工程師和使用者根本沒在同一頻道上

▋ 我們都曾犯過的錯

還記得之前有個專案,技術團隊拿出來的東西真的很亮眼。架構漂亮、演算法先進、功能堆得滿滿的。我看著那套系統的介紹文件,心想「這次肯定會轟動」。結果呢?上線後沒人用。沒人用。

反過來,也有專案是使用者把他們的需求講得天花亂墜。「我們需要這個功能、那個功能,還有這個自動化流程,最好再加上那個整合……」工程師在旁邊狂記筆記,眼神發光。大家都很興奮。然後開發開發開發,最後交付的東西,使用者看一眼就說「欸,這不是我要的」。

你知道最氣的是什麼嗎?雙方都沒錯。工程師做的技術沒問題,使用者說的需求也沒問題。問題在於中間那條線斷掉了——他們根本沒有真正對話過。

▋ 為什麼使用者會不買單

我後來才理解,使用者其實不在乎你的技術有多強。他們不會坐下來說「我想要一個用神經網路訓練過的系統」。他們只會說「欸,我現在每天要處理這堆文件,超煩的」。

工程師聽到這句話,腦子裡想的是「好,我用最新的模型來幫你自動處理」。但使用者真正的痛點可能根本不在自動化,也許是「我處理完以後,主管從來不信我的判斷」或「系統一出錯我就得全部重做」。

所以當產品上線了,再強的AI也救不了。因為你解決的根本不是真正的問題。

我們現在還有另一個常見的情況——工程師問「你需要什麼?」,使用者開始講他的困境,講了半小時,工程師卻沒真的聽進去。雙方各說各的話,最後工程師按照自己的理解去做,當然就是四不像。

▋ 一個專案能活下去的祕密

一個AI專案要真的被人用起來,甚至用得開心,只有一個條件:使用者要感覺到他有參與,他的聲音有人在聽

這聽起來很心靈雞湯,但實際上超重要。當使用者知道「這個功能是因為我提出來的」、「工程師還有問我的想法」,他就會想試試看、會給建議、會把這個工具推薦給同事。這種使用者粘著度,比任何行銷都有效。

反過來,如果使用者覺得「這是上面硬塞給我的東西,我根本沒被問過意見」,他才不管你的AI有多神奇,就是不用。這時候工程師再急也沒辦法。

而且,使用者的反饋要有回應。他說了問題、提了建議,然後呢?石沉大海嗎?那下次他就不會再說了。如果他看到「欸,我上次講的那個問題,這個版本修好了」,他會爆炸開心,會變成你最忠實的擁護者。

▋ 為什麼我們一直在「拿著錘子找釘子」

科技發展得超快,新的AI技術一直冒出來。我們有時候就是會被炫花眼——「欸這個技術很新欸,我們用這個做點什麼吧」。但這就像拿著一把錘子到處敲,看有沒有釘子在。

問題是,使用者根本不想被當釘子敲。他們有自己的問題,他們要的是有人能直接幫他解決,而不是被迫去學會使用某個新工具。他們不想說「為了用你的AI系統,我得改變我的工作流程」。他們想說的是「你這個東西直接就解決我的麻煩,我愛死了」。

這時候就輪到產品經理出場了。

▋ 產品經理最難的功課

產品經理要做的,就是在這個漩渦中心保持平衡。一邊是工程師說「我們有什麼能力」,另一邊是使用者說「我們有什麼需求」,產品經理要在中間找到真正值得做的交集。

但這不是簡單的「兩個都聽」。而是要有判斷力——知道哪些功能是大多數人真的會用的,哪些只是某一個人的特殊需求。要會說「不」,即使那個需求來自很有權力的人。要能排優先順序,因為資源永遠有限。

最重要的是,要能把工程師的專業術語翻譯成使用者能懂的語言,也要能把使用者模糊的痛點翻譯成工程師能實作的清楚需求。這才是真正的「連結」。

▋ 初期的勝利有多重要

還有一個被很多人忽略的點——初期要贏。

別想一口吃成大胖子。第一版不用完美,但一定要快、一定要解決一個核心問題、一定要讓人用了以後眼睛一亮。「哦,原來可以這樣用」。

而且成本要控制得好。讓大家看到「用少少的資源,卻換來這麼大的效益提升」,下一輪預算就會滾滾來。反過來,如果第一個專案就投入巨資卻沒什麼成果,所有人對AI都會變得保留和懷疑。

▋ 現在的我

說了這麼多,歸根結柢就一件事:連結比技術重要

技術會一直進化,新的AI工具會不斷出現,越來越快、越來越多、越來越聰明。但使用者的需求永遠在那邊等著你。不是等著你拿最新的技術去轟炸他們,而是等著有人真正去聽他們說話,理解他們的痛點,然後一起找到解法

如果你是工程師,問問自己有沒有真的和使用者對過話。如果你是使用者,別被技術術語嚇到,要大聲說出你的需求。如果你是產品經理或決策者,就是要在這之間架一座橋,讓雙方一起創造東西,而不是各唱各的調。

現在新的AI東西一直冒出來,但我一點都不擔心。因為只要你能做到「連結」,技術只是輔助而已。

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin