主題式重點整理

1. 同一個案子，兩天兩種講法

這次最有意思的巧合，是 91APP 派了三位講者橫跨兩天，其中兩位講的其實是同一個專案：把商品上架時要填的規格欄位交給 AI 自動填。

李昆謀在年會用產品長的視角講這件事，落點在「人腦、規則引擎、AI 代理三方怎麼分工」；吳剛志在開發者年會用首席架構師的視角講同一件事，落點在「怎麼帶團隊跑幾十輪改善循環把數字拉上來」。

兩邊給的基準數字不一樣：

兩份簡報的呈現方式不太一樣：李昆謀那組全部是五的倍數、畫在一張總量一百的長條圖裡；吳剛志那組帶到小數點，看起來像評估程式跑出來的原始值。一種可能是同一批資料的兩種呈現層級，年會主場對非技術聽眾取整數說故事，開發者場對工程聽眾給精確值（本表推測，無外部來源）。 但這只是推測，不能當結論。

兩人的最終狀態是一致的，起點數字不一致。可能是取樣批次不同，也可能是兩人講的是不同輪次的評估。公開資料無法判斷哪一組才是那個專案的官方數字，所以兩組並列，不做裁決。真正該記住的是兩邊都同意的那條原則：覆蓋率可以犧牲，正確率不能。寧可讓 AI 少答一半，也不要讓它每題都答但只對七成。

2. 企業導入卡在哪裡

四家企業案例（玉山銀行、91APP、簡訊設計、薩泰爾娛樂）加上物流業與印刷業的案例，講的困難點高度重疊，而且幾乎沒有一個是技術問題。

第一次導入失敗是常態。林鉦育直接把玉山銀行第一次導入 AI 編碼工具的失敗攤開來講，結論是「工具買了但沒有改變」才是常態，關鍵變因是量測機制與流程改造。黃仕鎮同樣先講難看的起手式：行內對話平台上線初期，開放對象裡只有 17.8% 的人用過，每天實際使用的只有 2.1%，用過的人裡有 58.8% 沒有再回來。

主管不動，底下就不會動。林鉦育把這件事講得最白，張志祺則從另一頭進來：他發現真正卡住的是心理門檻不是技術門檻，所以團隊乾脆放下技術，改從體驗設計切入，把 AI 藏進大家原本就在用的介面裡（Slack 的表情符號、Google 試算表的擴充功能），讓人不需要「決定要開始用 AI」。

沒有現成系統就自己長一套語言。鄭晴元面對的是一間四十人的娛樂公司，市面上根本沒有針對這個產業的管理系統。他的做法是先盤點「人跟機器」「機器跟機器」之間的資訊節點，再用領域驅動設計與 Mermaid 流程圖把口述經驗變成可以持續討論、也可以交給 AI 讀的結構。

法遵不是藉口，是設計條件。玉山銀行兩場都反覆回到同一句話：客戶資料不能外流，所以每一個特定用途的應用都選擇自建，不用現成的整合型服務。這跟新創圈「能用 SaaS 就不要重造輪子」的預設完全相反。

3. 正確率與覆蓋率

如果要選一組這屆最重要的名詞，就是這兩個。它們在三場裡各自被獨立提出來：

• 吳剛志把它定義成可操作的指標：覆蓋率是 AI 有回答的比例，正確率是有回答之中答對的比例。
• 李昆謀把它變成組織分工的依據：AI 只做它有把握的部分，剩下的還給規則引擎跟人。
• 林彥廷則從研究端談同一件事的另一面：你怎麼設計評測標準，決定了所有人往哪座山爬。

三個人站在完全不同的位置，講的是同一個問題：在一個天生不確定的系統上，你要怎麼定義「夠好」。吳剛志的補充最實際——內部自己用的提示詞跑一百次可以逐筆檢查，產品化之後跑一百萬次不可能逐筆檢查，這個量級差異本身就決定了你必須先有評估機制。

4. 代理人被拿來做什麼

講代理人的場次不少，但真正拿出實際用途的，幾乎都是很不性感的雜事。

李慕約那句「AI agent 終究會比人類會用工具，人類要做好甲方，好的甲方需要驗收跟招標」，其實正好可以當這一整組案例的總結。保哥的做法就是很典型的「招標」：表單刻意標高每次執行的成本，逼提需求的人把需求寫清楚。

5. MCP 在這一年的位置

張文鈿那場是這兩天技術密度最高的一場，也是唯一一場把一個規格從頭到尾講完的。他很誠實地指出當時遠端部署與身分驗證這兩塊都還很不成熟，甚至細到某個除錯工具的哪一版有 bug、要降版才能跑。

有趣的是這個題目在兩天裡的擴散速度：保哥在下半場一開口就說「自從看到 ihower 講 MCP 我就把題目改了」；黃仕鎮在隔天的企業案例裡，把 MCP 列進玉山銀行下一步的代理整合規劃。一個五月才剛在社群裡熱起來的協定，同一場活動裡就同時出現了規格講解、工程實作與銀行的中期規劃。

6. 不寫程式的人怎麼開始

年會刻意排了一整個系列給非工程師，三位講者的路徑幾乎一樣：先做出一個能動的小東西，再滾雪球。

• Vivi Chen 從兩小時做出一支 LINE 問答機器人開始，一年後能生出有儀表板的專案管理系統。
• Peggy Lo 用女兒起床前的清晨時間，半年間大約每一到兩週生一個小幫手。她的觀察最尖銳：AI coding 對組織裡雜務最多的底層工作者反而是翻身工具，因為主管沒有應用場景，所以學不會。
• 海馬則是把六個月的學習曲線壓成一個月，只用四個免費版模型。

三個人都提到同一件事：卡住他們的從來不是「不會寫程式」，是不知道怎麼問、不知道怎麼判斷 AI 給的東西對不對。Peggy Lo 說她現在九成時間花在討論與寫文件，只有一成在除錯，剛好跟一開始相反。

7. AI 影像的一體兩面

年會刻意把 AI 影像放在最後三場，而且順序本身就是一個安排：先講怎麼騙人，再講怎麼創作。

李怡志的講題是「如何生成有效的圖騙」，整場其實在教你辨識。他的核心論點是：圖做得像不像根本不是重點，重點是它有沒有踩中你的立場、情緒、知識落差，以及你對轉發者的信任。

陳志信與 Davis Chang接著談創作。陳志信主張真正決定影片好不好看的是產圖之前的構圖設計，不是模型；Davis 則認為生成式 AI 改變的不是畫面品質，而是「誰能開始創作」——製作團隊從上百人壓縮到幾個人，接下來稀缺的是美感判斷力而不是工具操作能力。

同一天、同一個廳，一邊示範怎麼讓假圖更有效，一邊示範怎麼讓創作門檻更低，用的是同一批模型。這個對照本身就是這屆最強的一個安排。

8. 觀點交鋒

這幾組立場是真的互相衝突，此處不寫成共識。

模型該收斂還是該蒸餾。紀懷新整場的主軸是 convergence：把原本各自為政的功能全部收進同一個大模型，連機器人控制都強調是 one model 而不是多個模型。吳柏翰整場的主軸則相反：把巨型通用模型的知識蒸餾進企業負擔得起的小模型，讓它可以地端跑。兩人講的都是產業現實，只是一個站在超大規模平台方，一個站在企業客戶方。

等模型變強，還是現在就用工程手段補。李慕約的第三個策略直接叫「躺平」——如果一件事現在做起來有點勉強，與其花力氣教模型，不如再等一季。吳剛志跟李昆謀的做法完全相反：用規則引擎、結構化輸出、幾十輪改善循環，硬把正確率從五成推到九成。兩邊都對，差別在你有沒有一個現在就得上線的產品。

AI 導入該由上而下還是由下而上。林鉦育與張志祺都認為關鍵在主管與組織設計；Peggy Lo 的觀察正好倒過來，她認為最有動機也最學得會的是底層。

評測要不要看公開排行榜。林彥廷花了不少篇幅講公開評測的失真，包括模型會為了迎合使用者而犧牲正確性；吳剛志則乾脆放棄公開指標，自己定義正確率與覆蓋率。前者是研究者的問題意識，後者是產品端的解法。

要不要學技術。Davis Chang 收尾說得很直接：就算用 AI 寫出來的東西有錯，你還是得找工程師，因為只有他有經驗告訴你東西的好壞，所以不要停止學習。這跟同一天前面幾場「不會寫程式也沒關係」的樂觀語氣是有張力的。

9. 量化成效總表

把兩天出現過的成效數字集中在這裡。多數是講者自述，有外部佐證的另外標明。

這張表最誠實的地方是最右邊那一欄：幾乎全部都是講者自述。企業案例的成效數字本來就很難有外部稽核，這不是這些講者的問題，但看的時候要知道自己在看什麼。

10. 主要資料來源