開頭先坦白一句：我們來說說實話——身為演算法技術人員，偶爾會帶點「我懂技術你不懂」的微妙傲慢與偏見。當然不是故意的，就只是…技術真的很迷人，而人性真的很複雜。
身為演算法技術人員，我們常常覺得自己是智慧生命體，而客戶是凡人；但現實是——真正把專案毀掉的，就是我們彼此的誤會、沉默與期待。
下面這些，是 AI 專案最常見的自然死亡原因。
1. 技術人員以為資料會自己變乾淨；客戶以為資料原本就很乾淨
技術人員的夢想是： 「資料像生魚片一樣，新鮮乾淨、分類完整、可直接入口。」
客戶的想法是： 「資料都在那啊，你們工程師不是很會整理？」
結果最後整理得最乾淨的，是預算。
真相：
一週後：資料還在路上
一個月後：資料在排隊
三個月後：資料在輪迴轉世
你看到的資料不是事實，是流程崩潰後的殘影。資料不會自己變好，但專案會因此變沒了。
2. 不去現場，把流程想像成迪士尼樂園
技術人員腦中的現場流程：
A → B → C → 模型輸出 → 完美！
真實現場的流程：
A → A’ → A’’ → 又回到 A → B? → C* → SOP 今天暫停 → 例外 27 種 → 下週流程會更新喔。
這時客戶會笑，因為他們知道這是真的。技術人員會笑不出來，因為他們以為客戶在玩笑。
真相：
你不去現場，你做的不是模型，是一場不準確的都市傳說。3. 講話太技術，害使用者以為你是外星人；客戶只想知道會不會省他五分鐘
技術人員常說：
「這是用 gradient boosting 再加上 feature embedding……」
「我們這裡用 XGBoost 進行特徵重要度排序…」
客戶聽到的：
「所以我明天 Excel 還要不要開？」
真相：
客戶不是不懂，是不想懂。他們要的是結果，不是你把論文報告念一遍。
4. 高準確率的模型，輸給使用者懶惰的手
技術人員最自豪的一句話：「準確率 98％！」
使用者最在意的一句話：「可以比我現在更省事嗎？」
於是模型輸給了一顆用了 14 年的 Excel 按鈕。
真相：
你今天不是在跟錯誤率競爭，你在跟習慣競爭。而習慣是世界最堅固的框架。高準確率模型如果不能用，就只是：一個很努力卻沒朋友的孩子。
5. 現場流程更新三輪；模型還停留在上一世代
客戶日常：「我們流程昨天又微調一下。」（實際上是重建）
技術人員日常：「模型下次更新預計在下個季度。」
結果模型更新完成時，客戶會慈祥微笑：「但我們流程…又改啦。」
真相：
AI 模型不是雕像，是寵物。要養、要餵食、要清潔，不然會死。
6. 大家都在等大家：最溫柔也最致命的死亡螺旋
客戶：「你們技術這麼強，應該知道能做什麼吧？」
技術人員：「你們最懂流程，需求要你們講清楚啊。」
於是專案 timeline 上最後只剩一行字：「持續對齊中」
翻譯：「誰都不想先講，但大家都堅信對方會先講。」
7. POC 成功，但大家假裝那是產品
最常見的悲劇：
POC 本來只是示範：「它理論上 可以 長這樣。」
客戶卻以為：「太好了！那我們下週上線！」
真相：
POC 是 AI 的 cosplay，不是角色本人。
8. 專案真正的魔王：不是資料，是內部政治
技術人員以為 AI 專案的難點是參數調整。其實真正的難點是：
- 模型結果會影響誰的 KPI
- 自動化後誰的權力會變小
- 上線後誰要負責
- 部門之間誰要多做事
最大阻力不在 GPU，在「人」本身。
9. 按鈕設計再好，但使用者永遠走後門
你以為使用者會點你設計的流程？不，他們會：
- 找 workaround
- 用舊系統
- 私底下手動做
- 用 Excel 偷跑
因為——最快的流程永遠是最違規的那一個。
10. 客戶與技術用不同標準判斷成功，但誰都沒講破
技術人員關心：
- 模型準不準
- 系統穩不穩
- 資料漂不漂
客戶關心：
- 我有沒有感覺到方便？
- 會不會比現在麻煩？
- 拿出去講會不會很帥？
這種落差如果不講明白，專案會一直在「我們做得很好」與「我完全不想用」之間循環。
那怎麼讓 AI 專案不要死？
- 別等資料乾淨——資料永遠長得像災後現場。
- 現場不走一遍，就別說你知道需求。
- 技術語講越少，使用者越願意講實話。
- 模型可以不準，但不能不好用。
- 模型不是雕像，是活體，要養。
- 需求不是等來的，是一起吵出來的。
- POC 不是產品，千萬別混淆。
- AI 專案成功靠 KPI，不是 GPU。
- 最重要的是：讓使用者願意按下第一個按鈕，才是真正的勝利。
總結：AI 專案的真正敵人不是技術，而是大家的沉默與想像。
技術人員以為客戶知道；
客戶以為技術人員懂；
誰都不說破，誰都不問清楚。
專案最後就靜悄悄地死在一個 Google Sheet 裡。厲害的分析師不是技術最強，而是最能讓人願意「用」他做的東西。
