用都沒用，就寫了一封反對信：效果推理怎麼救回一個被因果推理殺死的專案

我收到過一封信。寫信的人，從來沒有打開過我們開發的那套系統。

那是一封上千字的內部回饋，結構完整、邏輯清晰、口氣客觀，讀起來幾乎無懈可擊。他說，產品的願景相當完整，我描述的應用範圍已經涵蓋市場研究、提案規劃、受眾分析、素材生成、廣告建立與優化建議，目標是透過 AI 與自動化降低人力需求、提升服務規模化與營運效率。

然後是關鍵的一段：

「然而，目前系統仍處於驗證階段，包含平台穩定性、資料串接完整性、AI 分析品質，以及實際客戶操作流程等面向，尚缺乏足夠的商業化驗證與大規模實際案例支撐。因此，相較於直接導入既有客戶服務流程，我認為現階段更適合以獨立專案方式進行市場驗證與營運測試。」

再往下，是更完整的建議：由我主導成立獨立測試單位，設定明確的營運目標、預算與業績指標，直接以新客戶開發為主要驗證對象；等到產品完成市場驗證、建立可複製的成功案例、證明具備規模化營運能力之後，再評估與現有服務流程整合。

最後一段幾乎是判決書：「待產品完成市場驗證、建立可複製的成功案例，並證明其具備規模化營運能力後，再進一步評估與現有服務流程整合的可行性，將有助於降低導入風險，同時提升組織整體資源運用效益。」

翻譯成人話就是一句話：我們不用。你自己去找客戶證明給我看。

如果你只看這封信的邏輯，你很難反駁。穩定性不夠？是。資料串接不完整？是。缺乏商業化驗證？也對。他每一條都對。

但這裡有一件事很怪。他從來沒有用過這個系統。他不是試用完之後發現問題，他是完全沒有碰過，就寫出了一封邏輯完整的反對信。

他並不是花三天想出來的，透過 AI 的輔助，一分鐘就能產出一封「看起來有立場、看來客觀、且站得住腳」的反對信。這年頭，讓 AI 幫你把立場包裝得漂漂亮亮，是一種新的職場技能。

而這裡的荒謬在於：他剛剛動用 AI，寫了一封信，反對一個 AI 產品。

這件事讓我難過，也讓我失望。但更讓我倒抽一口涼氣的是，我忽然看懂了一件事——他反對的其實不是那套系統。他反對的，是一種他還不熟悉的思維方式。他用的是「因果推理」在評估一個還在「效果推理」階段的東西。這兩套邏輯，看起來都是「理性」，但它們評估世界的方式，根本不在同一個平面上。

萬維鋼老師在《現代思維工具 100 講》裡講「效果推理」那一講，我讀完之後第一個想到的就是這封信。他打了個比方，我覺得精準得不得了：科技產品創新有兩種，一種叫「憋大招創新」，一種叫「華強北創新」。

憋大招的邏輯是：我想要什麼，這個東西面臨什麼問題，我解決這些問題，我推出產品。因果推理就是這樣，目標已知，手段待選，中間不能有意外。

華強北的邏輯剛好相反。你先看手裡有什麼東西，把這些東西排列組合，弄出一個產品，推到市場上，再看好不好賣。你做的是你「能」做的事兒，而不是你「該」做的事兒。世間大多數創新不是先有偉大願景，而是先有一堆零件；不是從「我知道未來」開始，而是從「我手裡有這些東西」開始。

那封信之所以讓我難過，是因為我認出了那個場景。這個場景不只發生在我的公司裡，它發生在過去三十年大多數台灣企業的身上。我們本來是最會拼零件的人，後來卻一個個把拼零件的能力弄丟了，只剩下會算成本、會省製程。

這篇文章，我想把這件事拆開來講。從台灣企業怎麼把「華強北」弄丟談起，落到我自己那個失敗的專案上，用薩拉斯瓦蒂的五個原則把它從頭到尾過一遍，最後回到一個判斷上：為什麼在 AI 時代，效果推理比因果推理更管用。

因為不確定性只會更高，不會更低。

先說一個我很久沒想通，直到今年才想通的問題：台灣企業到底是怎麼把「華強北」弄丟的？

前面那組比喻，放到台灣身上會看得更清楚。你回想一下台灣製造業的起點，它其實不是憋大招，它是最典型的華強北創新。早年我們替國際品牌代工、做零組件，做的事情本質上就是「客戶給我什麼規格，我手裡的機台、模具、供應鏈能湊出什麼」。我們不是先有偉大願景，我們是先有一堆設備和人。那不叫代工，那叫用資源拼產品。

真正讓台灣站上世界舞台的，是那種能在小訂單裡快速改版、能在客戶提出需求前就先備好料、能一個月改三版還不出錯的手感。這種手感，就是華強北創新的核心能力。

問題是，成功會改變一個組織評估事情的方式。

公司做大了，要上市、要對股東負責、要編預算、要設 KPI、要做預測。組織化的第一堂課，就是把「我手裡有什麼」換成「我想要什麼」。一份專案書遞上來，主管看的是市場有多大、幾季回收、毛利多少、跟現有業務衝不衝突。這每一條，都是因果推理的問句。

於是能力開始萎縮。以前看到一顆零件會想到一個產品，現在看到一顆零件會想到一筆投資。小量迭代的本能在組織裡被磨掉了，最後只剩下一個地方還算得出確定性，那就是省製程、省成本。因為成本是你唯一能預測的東西，其他都太不確定。

我去翻了一下最近的產業數字，會發現這件事已經走到很極端的地方。據報導，台灣 ODM 廠商佔全球高端 AI 伺服器組裝市場超過六成，聽起來是主導地位，但代工的毛利一路往下掉，二〇二六年第一季，其中一家大廠的毛利率正式跌破百分之五。賣得越多，毛利被上游吃掉的比例越高，代工廠某種程度上變成在替供應商「搬運價值」。

那反觀中國呢？當年山東、深圳那些山寨起家的工廠，被內卷逼著必須不斷找新的小機會。你去淘寶逛一圈就知道我在說什麼。桌面上的陪伴 AI 小物、會跟著人爬來爬去的小機器人、可以夾在眼鏡上的即時翻譯模組，這些莫名其妙但真的有人在買的東西，全是華強北創新。低成本、小批量、快速試錯，做十個死九個，剩下一個賺回來。

我甚至懷疑，今天真正在體驗華強北創新的，是這群在淘寶上賣著奇怪小東西的人，而不是那些喊著「產業升級」的大企業。

再講一個我自己的例子。我買過蘋果的 Apple TV 第三代，那種「一插上去就回不去了」的驚豔感，我記得很清楚。前陣子蘋果發表了第四代，要價約九千九百元台幣，規格全都升級了，處理器更快、支援更新的影像規格。但我看完規格表的第一反應是：「就這樣？」

它沒有變差。是我根本沒有「想更新」的衝動。

蘋果是憋大招的極致。它有能力決定「我要什麼」，然後花好幾年把問題一個一個解決掉，最後憋出一場發布會。這套方法在它還能定義市場的時候，無人能敵。但當世界的變化速度超過了它憋大招的週期，憋出來的那個大招，可能在你打開包裝的那一天，就已經不是最新的答案了。

這就是我想說的轉折點。台灣企業用華強北創新的能力起家，靠這股能力累積了資本和規模。但在把規模變成組織的過程中，它選了因果推理當作唯一的評估語言。結果是，它把自己最擅長的那件事，一個一個從決策清單上劃掉了。

我們不是不會拼零件了。我們是不再被允許，用拼零件的方式做決定了。

現在，我把鏡頭拉回自己身上。

前面講的那種組織退化的機制，我不只是觀察者，我是當事人。我花了將近三年，在公司內部推動一個 AI 行銷平台，它涵蓋市場研究、提案規劃、受眾分析、素材生成、廣告建立與優化建議，目標是用 AI 與自動化降低人力需求、提升服務的規模化能力。它最後失敗了。而我想用薩拉斯瓦蒂的五個原則，把它從頭到尾過一遍。

不是為了給失敗找藉口。是因為這五個原則像五道探照燈，照下去才發現，我當時做的每一件事，其實都對；而那些讓它失敗的力量，也每一步都對。只是我們講的是兩種語言。

效果推理的第一個原則是「手中之鳥」。它不問你想達成什麼目標，它先問你三個問題：我是誰？我會什麼？我認識誰？

我回頭看，發現這一步我做對了。二〇二三年初，AI 剛開始發燙的時候，我沒有寫商業計畫書，我只是每週跟執行長和營運長開一小時的會，介紹我看到的趨勢和變化，讓他們理解 AI 是什麼、它可能會怎麼改變我們這個行業。那段時間，我用的是自己買的各家 AI 付費版本，一個月大概自掏腰包三千到四千元台幣。

這聽起來很小，但它精準回答了「手中之鳥」的三個問題。我是誰？一個在行銷現場待了多年、對工具變化敏感的人。我會什麼？我能讀懂趨勢，也能動手把工具用起來。我認識誰？我認識願意每週花一小時聽我講的兩位決策者。

我沒有先去問「市場有多大」。我先問的是「我手上有什麼」。

而那位寫反對信的主管，他也在盤點手中之鳥，只是盤點的結果剛好相反。他手裡有的是既有客戶、既有流程、既有的部門目標。這些東西全部指向一個結論：不要動。手中之鳥這個原則本身沒有對錯，它只是誠實。你手裡有什麼，你就會往哪裡走。他手裡握著的是一整片已經在運轉的田地，他當然不想拿它去換一個不知道能不能長東西的新品種。

第二個原則「可承受損失」，問的是你能輸多少。

這一條，是我整個專案裡最關鍵的暗線。

一開始是每月三、四千元台幣的自費。二〇二三年下半年，我請老闆把這件事從我的私人信用卡，換成公司信用卡。我當時的理由很直白：新科技變化太快，我會這個月買一個工具、下個月停掉又換一個，如果每一筆都走先申請後報銷的流程，等核下來，工具都過時了。

接著是逐步擴大。二〇二四年中，老闆以公司名義買了五人的團隊版，讓內部有意願的人先加入。二〇二五年初，開放給全公司，升到十六人版。

真正的轉折在二〇二六年。四月，我先用自己的錢買了個人版的 AI 編程工具，投入大概三百到五百美金。試了一個多月，我覺得有機會，才去跟老闆商量，改用公司信用卡投入大約三千美金。

你注意到這個節奏了嗎？每一次加碼，都是一次「輸得起」的測試。錢是像爬樓梯一樣，一階一階往上走的。每一步失敗，我都還站得住，都能退回上一階。

而這條路的另一頭，站著一個完全不同的數字。內部曾經評估，要開發一個可用的最小可行版本，需要一百八十萬元台幣的啟動資金。老闆的思路是「以案養案」——先有客戶願意買單，再拿這筆錢去開發。但這裡有個死結：沒有工具、沒有畫面，客戶憑什麼掏錢？

這一百八十萬，就是因果推理的世界。它要求你在出發之前，先證明終點存在。而在目標還模糊、市場還不存在的地方，這個要求本身，就等於無限期拖延行動。我沒有那一百八十萬，所以我只能用手裡的三千塊開始爬。

第三個原則是「瘋狂拼布」。你帶著一個粗糙的想法，盡快去找人談，看誰願意給你真實的承諾——願意試用、願意介紹客戶、願意付訂金、願意開放一點通路。每個人貢獻一塊布，最後拼出一床誰都沒想到的被子。

我這三年，其實一直試圖在拼這床被子。

每週跟執行長和營運長的那一小時，就是一塊布。公司信用卡的核可，是一塊布。五人的團隊版、十六人的公司版，都是一塊布。二〇二六年七月的股東會上，我報告了那個還很粗糙、完全不考慮介面與體驗的早期版本，那也是一塊布。

但這床被子始終沒有拼起來，因為最關鍵的一塊布被抽走了。那位主管的信裡，其實藏著一個拼布的邀請——建議成立獨立測試單位、找指標性客戶驗證。可他的結論是「你自己去證明」，而不是「我們一起來試」。前者是評審，後者是夥伴。當所有人都只想當評審，這床被子就永遠拼不成形。

我後來才想通一件事：瘋狂拼布的難，不在於找人。找人很容易。難的是，你要找的人，願不願意為一個「還不確定的東西」，押上一點他自己的東西。承諾是有重量的。願意給承諾的人，手上那塊布也都是有價值的。而我當時手上能拿出來交換的，實在太薄了。

第四個原則叫「檸檬水」。美國有句俗話，當生活給你檸檬，你就把它做成檸檬水。效果推理裡的檸檬水，是一個非常硬的動作：意外發生了，不要問「這偏離計畫多遠」，要問「這個意外，給了我什麼新的入場券」。

老實說，我原本以為這輩子用不到這一條。因為我用它的方式，代價太大了。

二〇二六年八月底，專案確認破局。同一個月，老闆決定以退休的名義，把公司收掉。

這裡我不打算美化。那不是一個英雄式的轉身，那是一個我完全沒有預料到的結局。我推了將近三年的東西，最後是被一封沒用過產品的人寫的信，加上一個想退休的老闆，聯手畫下句點。那段時間我確實難過，也很失望。

但如果用檸檬水的眼睛重看這件事，會看到一些當時沒看到的東西。

第一，政治博弈結束了。這聽起來很冷，但它是真的。過去每一次要往前推一步，我都得先穿過組織裡的利害關係。誰的部門會被影響、誰的心態需要被照顧、誰的 KPI 會被動到。公司一收，這整個棋盤被掀翻，那些博弈也一併消失了。我手上那顆檸檬，是自由的檸檬。

第二，我這三年形成的一個核心判斷，被外部事件驗證了。二〇二六年八月十四日，就在公司收掉的同一個月，谷歌花了一千萬美金，買下一家破產航空公司 Spirit Airlines 的內部數據。買的是五億條內部聊天記錄、一億封員工郵件、三十年來的商業決策痕跡。谷歌的官方說法是，這批數據用來改進它的 AI 模型；而在我看來，它要學的，正是那些「為什麼這樣決定」的過程數據，而這種數據，只有真正在現場操盤過的人才累積得出來。

這正好是我在專案裡反覆講的那件事。在我看來，AI 時代真正的護城河，是只有前線操盤才能產生的過程數據，而不是演算法或算力。你跑一場廣告、調整一次受眾、救回一個掉下來的成效，這些決策的痕跡，比任何報表上的結果數字都值錢。谷歌願意為一家破產公司的決策痕跡掏一千萬美金，就是在替這個判斷定價。

第三，公司收掉，反而清空了產品最重的那個包袱。過去它一直卡在「要先服務既有客戶、要配合現有流程」，每一條需求都在把它往客製化的方向拽。現在這些牽絆沒有了，它可以重新長成一個乾淨的東西。

所以我做了一個決定。我開始用自己的錢，負擔全部的 AI 開發費用。我看不清未來，但我看清了手裡這顆檸檬能做什麼。目前這樣的投入大概還能撐半年。我給自己設的目標是，二〇二六年底之前，做到一個暫時不再新增大型功能、但已經可以收費的版本；然後用二〇二七年第一季，去找投資或者全面商業化經營的機會。

我知道這聽起來像在賭，但效果推理從來不否認賭，它只是要求你，賭輸得起的東西。

第五個原則叫「駕駛艙裡的飛行員」。未來的走向，一部分由你控制，一部分不由你控制。效果推理要求你，把注意力放在你能控制的那一部分上，而不是整天盯著你控制不了的天氣。

我這三年遇到的所有阻力，用這個原則看，本質都是同一件事：大多數人想當乘客，不想當飛行員。

乘客的心態是：給我一個明確的航線、確定的到達時間、保證不會延誤，我才上飛機。表現在組織裡，就是「你先證明終點存在，我再投入」。那封反對信要求我「先有商業化驗證、先有成功案例、先證明可規模化，再談整合」，邏輯上完全正確，但它同時也把球，永遠踢回了那個還沒出發的人腳下。所有人都站在月台上，等一班已經被證明會到達的列車。

飛行員的心態剛好相反。他知道自己控制不了天氣，也可能遇到亂流，但他手上有操縱桿、有儀表板、有航向。他做決定的依據是「在現在這個天氣下，我這一步怎麼飛」，而不是「天氣會不會變好」。

我回頭看，我這三年的每一個動作，其實都是在搶操縱桿。我用個人信用卡買第一個工具，是在搶一個不經申請就能動手的權限。我每週跟執行長開會，是在搶一個能影響決策的位置。公司收掉之後我選擇個人全額投入，是在搶一個「不必再問任何人能不能做」的自由。

這不是逞強。這是一個很務實的判斷：當你控制不了天氣，唯一能做的事，就是確保操縱桿還在你手裡。因為只要操縱桿還在，你就有下一步可以飛；操縱桿一旦交出去，你就只能等天氣。

而那位想退休的老闆、那位寫反對信的主管，他們其實也都做了選擇。只是他們選的是把操縱桿交出去，交給市場、交給既有流程、交給一個「等一切確定了再說」的未來。在一個變化沒那麼快的世界裡，這是理性的。可惜我們現在身處的世界，不站在這一邊。

講到這裡，我想回到一開始那個判斷：為什麼在 AI 時代，效果推理比因果推理更管用？

我認為有兩件事同時發生，而且方向相反。

過去，「憋大招」要花很多錢。你要先寫一份完整的需求文件，找一組工程師，開發三個月到半年，做出一個能看的版本，才知道它行不行。這中間的每一週都在燒錢，所以組織必須先做因果推理——先算清楚市場有多大、多久回本，才敢啟動。

所以一百八十萬台幣的啟動資金要求，在過去是合理的。它是一個門檻，用來過濾掉那些異想天開的點子。

但 AI 把這個門檻拆掉了。我自己的經歷就是證據。二〇二六年四月，我用一個個人版的 AI 編程工具，投入幾百美金，就開始把一個過去要一百八十萬才能啟動的東西，一點一點拼出來。到了七月，我手上已經有一個能跑、能用的版本，雖然完全沒有做介面和使用體驗。

換句話說，過去用來卡住行動的那個成本門檻，現在降到一個個人就跨得過去。當啟動成本從一百八十萬降到幾千塊，因果推理最有力的那個武器，忽然就不靈了。它還在問「你怎麼證明終點存在」，可你已經出發了，而且你出發的方式，本身就正在把終點慢慢造出來。

因果推理有一個誘人的地方：它看起來很專業。一份結構完整、層層推導、引經據典的評估報告，讀起來就是權威。問題是，AI 讓這種「看起來很專業」的產出，變得太便宜了。

回到那封反對信。他從來沒打開過系統，卻能產出一封邏輯嚴密、層次分明、挑不出毛病的信。這種信在過去，是一個人真的要花心思、要研究、要反覆推敲三天才寫得出來的。而現在，AI 一下子就能產出。這代表什麼？代表「用因果推理否定一件事」的成本，也趨近於零。

於是就出現一個荒謬的場景：AI 讓一個從來沒用過產品的人，用最漂亮的方式，擋下了一個 AI 產品。他動用了 AI，卻沒有意識到，AI 真正在提醒他的，可能是他手裡那些報表、流程、評估，正是接下來最容易被 AI 接手的那一塊。

而這裡，才是整件事真正的警鐘。

那位主管的部門，做的是什麼工作？整理報表、跑數字、評估成效、寫分析。這些工作的本質，是處理「結果數據」——發生了多少、轉換了多少、成效如何。而這正是 AI 最擅長吃掉的部分。他在用一封 AI 幫他寫的反對信，來保衛一個 AI 馬上就會接手的工作，卻還在問「這產品怎麼賣、要賣給誰」的老問題。

這裡有個很現實的判斷標準，我從自己的經歷裡總結出來，也寫在「護城河」那篇文章裡。你可以拿它去照自己的工作：你每天花最多時間處理的，是「結果數據」還是「過程數據」？結果數據是發生了多少、轉換了多少、成效如何，一份報表就能講完，換誰來跑都一樣。過程數據是像「這個客戶為什麼突然砍預算，我怎麼一步步排查、最後怎麼把單救回來」這種帶著判斷痕跡的東西，它只存在於親自下場的人腦子裡。你每天在做的工作，如果大多落在前者，你就站在 AI 最容易打穿的位置上；如果大多落在後者，你做的，恰恰是 AI 拿不到、也複製不了的東西。

SaaS 那一套「按人頭收費、按功能分級」的商業模式，我認為正在被 AI 直接打穿。當 AI 能自己完成過去要一整個 SaaS 團隊才做得完的事，你還在問「這個產品怎麼賣、要賣給誰」，問的就已經是一個舊世界的問題了。

所以回到最根本的地方。因果推理沒有錯，效果推理也沒有比較高尚。它們是兩種工具，分別適合兩種世界。

在一個變化緩慢、可以預測、成本高昂的世界裡，因果推理是對的。先想清楚，再動手，減少浪費，這是工業時代最寶貴的智慧。

但在一個變化劇烈、無法預測、啟動成本趨近於零的世界裡，效果推理才是對的。先盤點手裡有什麼，先踏出輸得起的一步，再讓每一步的結果，去告訴你下一步往哪走。

而我們現在，明明已經活在第二個世界裡，卻還在用第一個世界的語法做決策。

只是那個世界，正在關機。