跳到主要內容

發表文章

目前顯示的是 3月, 2026的文章

市場不會因為你努力就買單 - 簡單但也不簡單的事

今天不講 AI ,來聊聊自己。 這幾年一路走下來,我越來越明白一件事情。 如果今天只是自己開一個小公司,或者只是帶一個小團隊,很多事情其實都還可以靠能力、靠意志力、靠自己撐過去。很多問題,就算方向沒有那麼完整,或者判斷沒有那麼成熟,可能都還不至於立刻出大問題。 因為小團隊有時候可以靠彈性、靠拚勁、靠創辦人的直覺,先把事情往前推。 可是當今天的位置,不再只是做一個小團隊的帶領者,而是要去經營一個企業、經營一個組織、經營一個部門,甚至是要為整個團隊的方向、資源配置、成長結果負責的時候,思考方式就完全不一樣了。 這時候真正重要的,往往已經不是「我會做什麼」,而是 「我到底應該怎麼看這件事情」 。 以前的我,很多時候還是很自然地會用技術的角度來思考。這也很正常,因為那本來就是我熟悉的語言,也是我長期最有信心的地方。遇到問題,我很習慣先拆解問題、理解邏輯、找方法、找工具、找系統性的解法。對我來說,技術不只是能力,它某種程度上也是我理解世界、處理事情的一種方式。 但走到現在,我慢慢發現, 真正困難的從來不是技術本身 。 AI 很厲害,工具很多,流程可以設計,系統可以導入,服務也可以包裝,可是這些東西,終究都只是工具。工具很重要,但工具不等於方向。技術很重要,但技術不等於市場。服務很重要,但服務也不等於真正的價值成立。 真正重要的事 你到底怎麼看市場? 你到底怎麼評估市場? 你看到的市場回饋到底是不是對的? 你的驗證到底是不是真的成立? 如果方向是對的,你要怎麼把它放大? 如果方向是錯的,你要怎麼承認、怎麼修正、怎麼轉向? 我越來越覺得,這些事情,才是真正重要的事情。 因為如果你對市場的理解是對的,理論上,市場會用很直接的方式回饋你。它不一定一開始就非常明顯,但它會慢慢用結果告訴你,你是不是走在一個對的方向上。那個結果不是掌聲,也不是稱讚,而是更實際的東西。是有人願不願意付錢,是客戶願不願意持續合作,是需求有沒有持續浮現,是你的產品或服務有沒有真正被需要。 如果方向對了,市場其實會講話,而且講得很直接。 它會用營收講話。 會用訂單講話。 會用續約講話。 會用採用率講話。 會用成長講話。 可是反過來說,如果你對市場的定義是模糊的,你對需求的理解是不準的,你只是覺得這東西很厲害、很有潛力、很值得做,那最後市場給你的回饋,很多時候就會停留在另...

算力取代人力的殘酷真相:利潤取決於你把 AI 放在「產出內容」還是「資源分配」

OpenClaw 造成一股熱潮,對於商業上是什麼意義? 這很少人探討,卻也是很值得探討的事情。 . 有人提到龍蝦,歡樂不已,覺得生產力直接頂天。 也有人提到龍蝦,恐懼不已,覺得他會刪檔案造成混亂。 . 很高興此次受到 James 邀請到『數位關鍵字』節目跟大家聊聊最近很紅的這條龍蝦 從應用面,商業面,架構面以及團隊面,倒底『你』該不該使用『龍蝦』。 . 2026 GTC 大會上黃仁勳在狂推 NemoClaw,AI 長出手腳,讓事情可以一步做到好做到完整。Claude Code 推出 Agent-team,Cowork,Perplexity Computer 也在試接管電腦,所有人都在瘋「養龍蝦(OpenClaw)」,想讓虛擬員工代勞一切。 . 問題與學習 . 真正的摩擦力從來不是工具不夠聰明,而是自己方向不明。 . 如果團隊連 ChatGPT 的基本效能都發揮不到 20%,導入 Agent 只會放大混亂。給一個沒有 SOP 限制的虛擬員工最高權限,它只會在一秒內搞砸你的資料庫。 . 這段時間最大的學習,就在主軸定義, 用於推進 Cymkube 智能製造,智能供應鏈, . 我們看 『龍蝦』 AI 代理人的視角完全不同。 不只是單純的讓 AI 寫漂亮公關信,而是試著讓它處理最簡單和最難的事情:跨職能溝通,弭平跨部門的數據斷層,再試著接上手腳。 . 同時試著將混亂中找到勝利方程式,把「客戶焦慮」變成了「定價槓桿」,轉換率跳升,交付的邊際成本卻趨近於零。 . 在《數位關鍵字》這一個半小時,跟 James 一起拆解這波 Agent 狂熱的底層邏輯。大家看到開源免費,卻沒算到除錯時間與系統重構的隱形成本。 . 真正的自動化,不是買一台 Mac mini ,也不是直接買一台最強的引擎。 . 而是組裝一台能穩定變現的系統,結合團隊與虛擬技能進行組裝。 . 很殘酷現實: . 算力取代人力的交叉點,取決於你把 AI 放在「產出內容」還是「資源分配」。 黃仁勳賣的是算力基礎建設,這些對於台灣 AI 產業鏈的確很有道理,但回歸到自己的企業營運以及利潤,往往藏在沒有人想碰的跨系統資料清洗,以及跨組織架構上。 . 這階段我所學習的是 『如果商業流程本來就是錯的,AI 代理人只是讓錯誤跑得快 10 倍。』 . 對於許多老闆來說,養龍蝦到底在養什麼?你到底應不應該進場?聽聽這...

「翻譯」 員工 0 人,我如何靠 Claude Code 獨自處理 60 家客戶的稅務與會計

https://x.com/kandmybike/status/2032817897119096855 2026年3月14日 發表於 X (Twitter) 今天,我要徹底公開我事務所幕後的運作機制。我的事務所裡 沒有任何員工 ,但我手頭上有 60 家顧問客戶 。在稅務行業的常態中,通常認為每 10 家客戶就需要 1 名員工,處理 60 家客戶至少需要 6 人,換算成人工成本每年超過 3,000 萬日圓。 但我用 0 人就做到了,核心工具就是 Claude Code 。 你可能會覺得「這是在吹牛吧?」,但這真的是事實。本文將從具體的系統架構到處理流程完整呈現,希望能為同業或從事後勤(Back-office)工作的人提供參考。 一、整體圖像:我事務所的系統架構 首先看整體架構。在我的事務所,以下機制每天都在自動運行: Claude Code(司令塔) 🤖 每晚 21:00:freee(會計軟體)自動分錄 🤖 每晚 22:00:X(Twitter)追蹤者數據記錄 🤖 MCP(Model Context Protocol)連接 :連結 freee API、Gmail、Google日曆、Notion、Slack。 Claude Code 扮演大腦的角色,將各個工具串聯起來。重點在於 「不需要人類每次下指令」 。系統分為「定時自動執行」與「我手動輸入指令啟動」兩種模式。 二、核心自動化流程:每晚處理 60 家公司的帳務 這是最具衝擊力的部分。每晚 21:00,Claude Code 會自動啟動,處理 60 家公司在 freee 上所有未處理的交易明細。 Phase 1:獲取未處理明細 透過 API 抓取各公司的銀行流水,鎖定「未處理」且「支出」的項目,並篩選出當前會計年度的數據。 Phase 2:兩階段自動判定會計科目 這是最關鍵的技術點,我採用兩階段邏輯: 【第 1 階段】關鍵字辭典匹配: 針對 14 個常用科目(如旅費、消耗品、通信費),建立超過 100 個關鍵字。系統會將摘要正規化(半角/全角轉換)後比對。如果是「法律事務所」則自動歸類「支付報酬」,並自動抓取廠商名稱。 【第 2 階段】Claude API 補位: 關鍵字無法判定時,才呼叫 Claude API。提供 14 個備選科目...

AI 是放大器,不是魔法:你的基數是 1 還是 10?

點出了一個在 AI 浪潮中很多人忽略的現實: AI 本質上是一個「放大器」(Multiplier),而不是「無中生有」的魔法。 它的價值取決於使用者本身的「基數」以及他們願意探索的「廣度」。 我們可以用數學的角度來拆解你這個深刻的觀察: 1. 永遠停留在起點的 $1^x = 1$ 如果一個人的思維被限縮,或者抗拒改變,他的能力基數就是 $1$。 封閉的心態: 把 AI 當作單純的 Google 搜尋,只問最表面的問題,得到淺薄的答案後就認為「AI 也不過如此」。 缺乏領域知識: 如果連自己要解決的問題是什麼都不知道,即使有了最強大的模型,也無法給出有效的提示詞(Prompt)。不管 AI 的能力這個指數 $x$ 有多大,最後的產出依然是 $1$。 2. 迎來爆發性成長的 $10^x$ 相反地,如果一個人具備深厚的實力與開放的心胸,他的基數就是 $10$。 領域知識的加乘: 當你在規劃複雜的系統架構、優化供應鏈管理的商業策略,或是設計客製化零售的自動化流程時,你本身的專業知識就是那個「10」。AI 在這個基礎上幫你快速生成程式碼、梳理邏輯或是提供架構靈感,這時 AI 就是那個指數 $x$。 跨領域的觸角: 打開心胸意味著你願意將 AI 應用在不同的節點上(例如從前後端開發延伸到 AI Agent 框架的整合),這會讓你的能力範圍產生 $10^x$ 的指數型躍升。 甚至還有 $0$ 或負數的風險 我們甚至可以把你的比喻再延伸一點:如果一個人不僅基數低,還盲目相信 AI 生成的所有內容(沒有能力去驗證程式碼或商業邏輯的正確性),那他的基數可能是 $0$ 甚至是小於 $1$ 的分數。在指數運算下,分數的指數成長反而會讓他越來越趨近於 $0$(例如 $0.5^2 = 0.25$),這在實際專案中就表現為技術債或是嚴重的架構錯誤。 總結來說: AI 賦能的極限,其實就是人類想像力與專業能力的極限。工具再強,駕駛員的眼界依然決定了這艘太空船能飛多遠。