這個年代不談 AI 彷彿就落伍了。技術的發展速度以週、以日計，焦慮變成一種新日常。
作為 Tech-enabled 的角色，我們經常協助客戶釐清方向。然而，常常感覺大家討論著偉大的航道，卻卡在沒有船和水手的奇怪困境裡。
回到起跑線：現實的落差比想像更大
相較於之前區塊鏈談的讓資訊價值流動起來，AI 這幾年的發展比較是在放大及釋放資訊潛在價值。在過去兩年接觸一些希望導入 AI 的企業，各行各業都有。有個有趣現象是製造業及傳媒公司看起來領域很遠，但遇到的問題又出奇的非常雷同。資料龐雜、規格眾多、格式不一等各種情況讓第一步的啟動往往就不容易。
比如聽到客戶說想要將產線老師父的手藝及配方提取出來，可原始資料是一堆手寫文件及意義不明的表格。與其這時候衝進去做 RAG 試著梳理資料好像還不如躺個半年試試看 chatgpt 能不能看出點端倪。
回到硬體上似乎也是一樣，今年就聽到好幾個團隊在農曆年間 deepseek 橫空出世後才發現好像硬體不用買到這樣規格。
反正都很亂了，再等等似乎也沒關係或者好像會更好 … ?搞不好下一版 chatgpt 就治百病了。
知識管理系統的現實檢驗：終極型態究竟是什麼？
從 LLM 衍伸的產品，知識管理系統（Knowledge Management System，KMS）是個很直覺的答案。
初期的嘗試總是讓人驚艷。
系統能夠快速回答問題，從厚厚的手冊中找出相關條文，用流暢文字回答你，甚至能夠生成看似專業的報告。
然而，蜜月期很快就結束了。
說到底人心總是不容易滿足，或者人始終想要追求更好。
就算我得到了好的回答，問題在於後續的操作到底是什麼：感謝你介紹給我這個好的金融產品，然後 … 我要怎麼買？
這正是 AI agent 領域面臨的挑戰：要做到完整流程整合，必須深度介入業務流程。當產品與專案邊界模糊，找到合適的抽象層也變得極為困難。(或者搞不好這個議題也是要等 AI 自己來解決)。
收費方式的困境依然存在
除了系統開發成本溝通，收費模式也是一場戰役。
傳統軟體的收費相對明確：按帳號數、功能模組、使用時間或比例計費。雖然明確，但維護與授權費用仍需不斷教育與溝通。
AI 服務的成本結構則更複雜。隨著資料庫日益龐大，模型與 prompt 持續調整更像是開發而非維護，Token 數量計費難以預估。
過去基礎設施成本上升多因用戶數或黏著度增加，但現在 Token 使用暴增，可能是有人在無意義聊天，導致成本飆升。
然後 … 隨著系統越用越深，好像早點下雲才是個正確選項？
你必須確定的「確定性」
IoT 時代追求將實體世界數位化，AI 時代則是將人類智慧系統化。
但人類不像物質世界那樣理性，許多事情難以明確界定。
過去系統開發與顧問工作，常從「人與軟體協作」角度出發，尋找兼顧成本、品質與時程的規格。
AI 介入後，人與軟體之間多了一個新角色 — — 助手。這個角色是成為人的輔助，還是讓軟體更智能？邊界感變得至關重要。
架構設計必須更注重開放性 — — 你怎麼知道下週不會突然冒出一個神奇的 agent，解決過去無法處理的問題？同時，也要確保系統彈性，容許多種方案並存。
不知何時會結束的追逐戰
軟體界有本經典著作《人月神話》，揭示了許多軟體開發的真理。作者 Frederick P. Brooks 老先生於 2022 年 11 月辭世，而震驚世界的 ChatGPT 於同年 12 月問世。
有時不禁感慨，若他能多活一段時間，或許會帶來更深刻的洞察。
歷史總是充滿巧合。
隨著 AI 快速演進，過去幾年討論的許多議題逐漸淡出。Prompt Engineering 隨著 AI 理解力提升而簡化，RAG 與資料清理功能也不見得比 AI 差。
這場追逐戰何時結束，仍是未知數。
技術在演進，商業模式在改變，用戶需求也不斷變化，我們只能努力建立「擁抱不確定性的確定性」。
