請 AI 做出一個程式原型,和把那個原型交給別人使用,中間還有多少工作?

▶ 聽舊版摘要(尚未同步本次文字修訂)
AI 合成語音・作者本人聲線克隆

談 Vibe Coding 時,我覺得最容易被省略的就是這段距離。對話讓人更快看見想法的雛形,但功能是否正確、資料怎麼處理、出錯時誰能修,仍然要一項一項確認。

「程式碼變便宜」帶來的機會,就在這裡:我們可以重新評估哪些想法值得試,也更需要分清楚,自己省下的是哪一段成本。

Vibe Coding 讓試作更容易開始

Vibe Coding 通常指透過自然語言和 AI 來回溝通,產生程式、觀察結果,再繼續調整的做法。Collins 將它選為 2025 年度詞彙,也反映這種工作方式已進入公共討論。

對不熟悉程式的人,這提供了一個入口:先把想解決的問題說出來,再用可操作的結果檢查需求。畫面和流程出現後,人往往更容易指出哪裡不對。

但能試作,不代表已經知道系統如何運作。如果結果只用「看起來可以」判斷,漏掉的可能是錯誤輸入、權限或資料保存等平常不會立刻出現的問題。

便宜的是產出程式碼,交付仍有成本

Simon Willison 在 〈Writing code is cheap now〉中,把這兩件事分得很清楚:AI 降低產出程式碼的成本,但好程式仍需要驗證,處理錯誤,也要能測試、維護,並解決正確的問題。

這個區分比「一年工作縮成一小時」更有用。短時間產出一份實作,不能直接換算成需求釐清、試錯、整合與維運也全部縮短。要比較效率,至少得知道兩次交付的範圍是否相同。

我會把成本拆開看:產生初稿要多久,確認它可用要多久,交付後又要花多少力氣照顧它。三段都看,才不會把寫出來的速度當成整個專案的成效。

以前不值得做的事,可以重新估一次

以前因為開發時間太長而擱置的想法,如今可能值得用小範圍試作重新評估。重點是把試驗的成本與後果控制在能承擔的範圍內。

例如,一個只在本機處理測試資料的小工具,和一個會改動客戶資料的系統,需要的確認就不同。前者可以先看是否解決問題;後者還得處理授權、錯誤復原與責任安排。

這是我從成本變化推導出的做法:先縮小要驗證的問題,讓原型回答它。試得便宜,才有機會多試幾個方向;但原型通過之後,仍要另外決定是否值得投入正式交付。

從寫程式,到讓代理持續做事

個人 AI 助理又把問題往前推了一步:當助理能持續接收任務、使用工具並保存工作脈絡,人要管理的就不只是一段程式,而是它可以做哪些事。

可以把兩者的差別放在一個需求裡看。請 AI 寫出查車次的工具,和授權助理替你訂票,是不同程度的委託。後者會涉及時間、票種、付款與取消條件,不能靠一句「它應該知道」帶過。

因此,我關心的下一步是把權限說清楚:哪些資料可以讀,哪些動作可以自行執行,哪些結果需要人確認。工具接得越多,這些問題越需要在使用之前回答。

知識工作的判斷,也需要可檢查的結果

同樣的問題會出現在寫作、設計和資料分析。AI 可以協助產出候選內容,但我們仍要說明怎樣才算做好:文章是否有根據、設計是否解決使用者的問題、分析是否回答了原本的提問。

判斷力也需要落到具體工作。指出哪一句沒有來源、哪個流程會讓人走不下去、哪一筆數字算錯了,比籠統地說「人要保留判斷力」更能幫助協作。

下一次覺得某個想法不值得開發時,我會先問:能不能用一個小原型,確認它是否值得繼續?而在交付之前,再問一次:除了能跑,它還有哪些事情尚未證明?

四格漫畫:從 Vibe Coding 到 AI 代理,誰負責交付?Vibe Coding 通常指透過自然語言和 AI 來回溝通,產生程式、觀察結果,再繼續調整的做法。對不熟悉程式的人,這提供了一個入口:先把想解決的問題說出來,再用可操作的結果檢查需求。但能試作,不代表已經知道系統如何運作。我會把成本拆開看:產生初稿要多久,確認它可用要多久,交付後又要花多少力氣照顧它。除了能跑,它還有哪些事情尚未證明?