Knowledge Share · AI Product & Engineering

人人都能用 AI 寫網站之後，SaaS 還需要存在嗎？

真正被重新定義的，不只是「誰會寫程式」，而是軟體如何理解意圖、承接工作流，並在可控、可維護的前提下持續產生價值。

Vibe CodingContext EngineeringAgentic EngineeringB2B 工作流
01 / QUICK READ

先給結論：SaaS 不會消失，但「固定功能的軟體」會被重新定價

影片的核心不是預測某一批 SaaS 公司會立刻淘汰，而是指出：AI 讓軟體的生產成本快速下降後，競爭焦點會從「提供多少功能」移到「能否可靠地完成一段真實工作流」。

01

軟體從工具變成工作流

使用者不一定想買一個功能，而是想完成一個結果：研究、判斷、產出、驗證、交付。

02

Code 變便宜，判斷變昂貴

AI 可以快速生成程式，但需求定義、風險取捨、品質評估與持續維護仍需要人。

03

可靠性成為新護城河

真正的產品價值在於上下文、工具、資料、規則與評估機制能否組成穩定系統。

02 / THE SHIFT

從「按按鈕」到「說出意圖」：Application 的邊界正在鬆動

傳統軟體把一段工作拆成明確的輸入、按鈕與輸出。AI 時代的介面更接近：使用者先說明想達成的結果，系統再理解上下文、組合工具，最後交付 outcome。

關鍵提醒：工作流不會因為 AI 消失；它只是從「被固定寫在某個軟體裡」，轉為「由能理解意圖的系統動態組合」。
傳統 ApplicationInput → Function → Output使用者按照產品預設流程操作。
Intent-driven DevelopmentIntent → Interpretation系統理解使用者想完成什麼。
Agentic SystemContext → Tools → Outcome系統在規則與評估下執行多步工作。
03 / THREE LEVELS

Vibe Coding 不是終點：三種開發層次的差異

Vibe Coding｜快速試作

像在家煎蘿蔔糕：邊做邊看、邊改邊試。非常適合驗證想法、做原型、探索可能性。

  • 低門檻、速度快
  • 適合一對一修改
  • 容易累積不可見的技術債

Context Engineering｜建立作業環境

不只是寫更長的 prompt，而是設計 AI 能參考的知識、工具、資料、規則與護欄。

  • 明確的上下文與角色
  • 工具權限與資料來源
  • 避免誤刪資料等高風險行為

Agentic Engineering｜設計可運作的系統

把 AI 放進完整的計畫、執行、評估、迭代循環，讓它能穩定承接一段工作流。

  • Planning：先定義要解決什麼
  • Generation：產生方案或成果
  • Evaluation：檢查是否可靠

快速試作的成本曲線

前期只花 10–20% 的力氣，但後期可能需要 80–90% 的成本來修補、維護、重構與交接。

Agentic Engineering 的成本曲線

前期投入較高：先把流程、規則、資料與評估架好；但環境成熟後，能換來一致性與可複用性。

04 / BUSINESS APPLICATION

企業導入 AI，不要先問「能不能做」，先問「錯了會怎樣」

影片以企業主管每月彙整工廠、Excel、Word、網頁與各種渠道資料，再向董事會提出轉型分析為例，提醒我們：這不只是做一個「自動整理工具」，而是重新設計決策工作流。

第一步：釐清真正的使用者

除了執行整理的人，也要訪談董事會或報告接收者：他們需要看見哪些證據？要做什麼決策？什麼資訊能真正幫上忙？

第二步：定義錯誤的代價

餐廳推薦錯一次可能只是不好吃；董事會報告少一個零、關鍵數據錯置，則可能造成重大決策風險。風險不同，驗證強度就不同。

第三步：保留人類判斷節點

AI 可以加速蒐集、比對與產出，但不能取代對問題的理解、對證據的判斷，以及對結果負責的人。

第四步：建立可追溯證據鏈

每個結論都能回到來源、版本、計算邏輯與審核紀錄，讓系統不是「看起來很會寫」，而是真的能被信任。

05 / WHAT REMAINS HUMAN

AI 越強，人的價值越往「定義、判斷、創新」移動

不變的部分：找到值得解決的痛點、理解使用者、定義成功標準，並承擔決策後果。
會變的部分：工具、介面、工作分工、執行速度，以及我們能同時探索的方案數量。

加速做決定

AI 能快速整理大量資訊、提出反例與替代方案，縮短從資料到判斷的距離。

暴露盲點

把 AI 當成辯證與檢查工具，而不是只會順著自己想法產出答案的工具。

保留不完美的試錯

創新本來就不是一次完成。人類的想像、容錯與「試試看」的勇氣，仍是重要優勢。

06 / ACTION CHECKLIST

給團隊的 7 個導入檢核點

  • 我們要解決的具體痛點是什麼？不是「想用 AI」而已。
  • 真正的使用者、決策者與受影響的人分別是誰？
  • 成功的 outcome 如何衡量？速度、品質、成本還是風險？
  • 哪些步驟可以讓 AI 自動執行，哪些步驟必須保留人審？
  • AI 需要哪些資料、工具、權限與背景知識？
  • 如果結果錯了，錯誤代價是什麼？要怎麼追溯與復原？
  • 我們如何持續評估、修正與累積可複用的工作流？

複習 Q&A

Q：AI 讓人人都能寫網站，工程師會消失嗎？
A：角色會改變，但理解系統、品質、風險與可維護性的能力更重要。
Q：是不是 prompt 越長、上下文越多越好？
A：不一定。關鍵是上下文是否結構化、聚焦，並且能支援明確工作流。
Q：SaaS 的新價值在哪裡？
A：從單一功能移向可靠的資料、流程、協作、治理與可驗證的 outcome。