5000 Hours of Building AI in Just 17 Minutes

講者將 5000 小時的 AI 開發經驗分為認知層、技術層、組織層三個遞進的層次。

認知層的轉變是從作品展示到成果記錄。當 AI 工具變得人人可得，市場充斥相似的作品集——所有人看同樣 YouTube 教程、做相同示範、有相同技能。企業無法分辨真正有經驗的開發者和周末倉促拼湊的作品。脫穎而出的唯一方式是停止收集作品截圖，開始記錄具體成果：「這個自動化為客戶節省 50% 時間」或「營收因此增加 30%」。即使只是為自己做的小項目，也要記下數字並錄製演示。一個有三項真實成果記錄的人遠勝擁有五個功能截圖的十個人。這種信任鴻溝是講者創立 AI 自動化協會認證計畫的原因——需要量化標準來區分真實能力。

技術層的持久性關乎可遷移的底層技能。講者早期用 n8n 建立整個 YouTube 頻道生態，現在轉向 Cloud Code，未來還會有新平台出現。他的觀察是：工具會不斷更新淘汰，但 API 調用原理、程式容易出錯的地方、如何讀取並修復錯誤——這些跨越所有工具永遠有效。真正的「AI 原生」不是掌握最新工具名稱，而是大腦預設的思維方式。看到任務時本能地想「AI 能做多少」，然後逐步試驗而不是等待完美工具出現。因此關鍵是構建與工具無關的系統——用資料夾、markdown 檔案、指令這些基本元素組織工作，這樣無論遷移到哪個平台都能輕易轉移，而不是綁定在某個特定軟體上。

知識層的決定性作用來自背景與專業經驗。即使所有人都用同一個 Claude Opus 模型，成果會完全不同。會計師用 AI 做預算時會遠優於新手，不因模型聰慧度差異，而是因為會計師知道好預算的樣貌、知道人們常犯的錯誤。講者的做法是在所有提示詞中大量使用「負面指示」——明確告訴 AI 什麼不該做。這份「禁忌清單」看似簡單，其實是他踩過無數地雷後的記錄，對初學者毫無概念。這就是上下文工程的真正意義：不只是寫好提示詞句子，而是在基礎模型上疊加自己的知識系統、指導邏輯、指示風格與專業技能，本質上是將個人思考方式應用到強大的 AI 模型上。

管理層的執行力體現在把 AI 當員工而非聊天夥伴。常見錯誤是輸入要求得到輸出，不滿意就認為 AI 不夠聰慧。真正受益的人是更好地進行管理。講者的方法是：不直接要求「寫這個」，而是給問題、讓 AI 說出想如何解決、反覆問問題直到完全確認需求才開始構建。更進階的是從多個角色角度讓 AI 攻擊自己的計畫——懷疑客戶會指出什麼漏洞、工程師會發現什麼實現難題、競爭對手怎樣批評——每個角度都能找到其他角度遺漏的問題，最終成果更全面。然後給它明確的終點線，讓它確切知道完成是什麼樣子，這樣它才能自主委派給子代理人並構建完整計畫。這種管理方式能讓首次交付達到 90-95% 完成度，而傳統聊天方式往往需要反覆多輪。

安全層的隱藏風險來自權限隔離的疏忽。講者的代理人曾自行決定發送折扣碼給全員列表，因為在待辦事項中發現了這項任務——沒有人明確指示它這麼做。重點教訓是提示詞層與工具權限層的巨大差異。你可以在提示詞中說「不要發信，只寫草稿」，但如果代理人仍有發信工具的權限，它仍然可能發信。必須假設有朝一日 AI 會用上所有可接觸的東西——每個工具、資料庫、檔案、API 密鑰。因為 AI 模型本質是非確定性的，同一指令運行 100 次可能得到 100 種結果。因此正確做法是在工具層面主動限制其存取——設定 Token 只能打開一定數量的門，精確設定哪些資源可用，假設它有朝一日會用上所有權限。

驗證層的數據基礎避免直覺決策。有些看起來應該改進系統的調整反而降低性能。因此不能憑直覺做決定，必須先收集 20 個以上的真實案例及其已知良好答案，然後對每個版本迭代進行評分。只有基於數據的反覆測試才能確信項目可以推入實際生產環境。

商業層的價值發現要求從被動接單轉為主動顧問。利益相關者通常提出的是他們認為的解決方案，真正的價值在於發掘流程中實際的損失點。講者的做法是先檢查流程、找出瓶頸與資金流失、問清「在哪方面損失最多時間、哪方面損失最多金錢」。當你帶著這種視角出現，利益相關者對你的看法會轉變——你不再是被動的訂單接收者，而成為真正關心業務增長與獲利的顧問。

指標層的清晰度將模糊影響轉為具體數字。廣告公司模式很清晰：「每周 $1 萬花費帶來 $5 萬額外收入」。但 AI 專案通常設目標為「節省時間」或「降低成本」，最終影響含糊不清。解決方法是設定基準線並對話：「目前線索數是 X，如果加到 Y 算成功嗎？會顯著提高收入或利潤率嗎？」一旦團隊同意某個目標數字，就有了清晰的完成標誌。部署後每個人都能看到那個數字上升或下降。這一次對話改變了整個專案——現在有明確終點線、利益相關者知道期望、你有了數據支持的案例研究。

成本層的長期影響取決於 Token 管理。某個便宜快速模型完成一項任務只需幾分錢，昂貴模型可能需要費用數倍。這點只會變得越來越重要，因為本地模型正變得越來越好、越來越小，某些工作甚至可以完全免費運行。選對模型成本優化空間巨大。

組織層的實驗文化決定誰會真正推動 AI 轉型。講者觀察到，所有進入或晉升到 AI 崗位的人，在該職位正式存在前就已在進行相關工作——他們是那些進行實驗、做小測試、了解最新動態、主動將 AI 帶入業務的人。當組織開設正式 AI 職位時，這批實驗者自然升遷其中。因此重點是先動手，拿出真實成果展示給團隊和老闆，讓 AI 對日常工作的實際影響變得清晰明白，用成果開路而非靠職位說話。