AI 時代的限制理論：為何開發產出加倍，營收卻沒翻倍？
這篇文章整理自我在悠識數位的演講。為了讓文字版讀起來更順，我重新調整了部分順序，也把演講後 QA 裡幾個重要的補充整合進來。
若想看我完整兩小時的分享，歡迎到 悠識學院 購買看回放。
如果只記得這場分享的一句話，我希望是這句：AI 可以讓我們做出更多東西，但「做得更多」不等於「創造更多營收」。
當開發速度改變，整個產品工作的瓶頸也會跟著移動。如果我們還沿用以前的工作習慣，只會變得更忙，不一定變得更有價值。
唯一確定的是：AI 讓大家更忙了
進入 AI 時代後，大家最明顯的感受，應該都是產出變快了。
即使 AI 完成一件事情仍要十分鐘，你也可以同時跑三個對話，產出自然就可能變成原來的兩倍、三倍。工程師開發變快，產品經理寫文件變快，設計師做圖變快，連測試與資料整理也開始自動化。
但有一個問題很奇怪：AI 讓產出多了一倍，公司營收卻沒有跟著翻倍，營收沒翻倍的話，你的薪水當然也沒有跟著翻倍。
更常見的情況反而是，大家做的事情變多了，工作變得更忙，Backlog 被消化得更快，PM 必須不斷補題目、寫規格、驗收，還要幫團隊做各種自動化。
所以我真正想回答的問題不是「可以用 AI 做什麼」，而是 AI 已經讓我們做得更快之後，我們要怎麼把這些速度轉換成真正的商業成果？
AI 讓開發變快，卻沒有讓市場變大
我很喜歡高德拉特在《目標》裡談的限制理論。
假設一間工廠的流程是備料、生產、銷售。如果備料一天可以準備一百件，生產一天可以做五十件，銷售一天卻只能賣十件，那麼這間公司的營收不會由備料能力決定，也不會由生產能力決定，而是由一天只能賣十件的銷售環節決定。
整個系統的產出，是由最弱的環節決定的。
軟體產品也一樣。它的流程大致可以拆成：規劃、開發、驗收、市場、回饋。
AI 進來後，開發速度突然提高，規劃與部分驗收工作也跟著加速。可是市場沒有因此變大，用戶一天仍然只有二十四小時，注意力也沒有增加。功能上線後，要等一週或兩週才能看到數據，這段回饋時間同樣沒有消失。
以前，開發可能是瓶頸。現在，瓶頸逐漸往後移到市場與回饋。
這就是為什麼大家都用了 AI，營收卻不一定成長。你做出一百個功能，用戶可能只注意到其中十個，這十個功能還是需要一樣多的市場驗證時間，你仍得一個一個等結果。
AI 加速了前半段，但真正創造營收的速度，卡在後半段。
當瓶頸移動，前面的效率可能變成浪費
當工程團隊消化 Backlog 的速度大增，最直接的反應通常是：那就再準備更多 Backlog。
於是 PM 為了追上開發，規劃開始變得粗糙；上線項目變多，要驗收的項目也變多。單元測試、整合測試可以自動化，但真正從用戶角度確認產品是否合理的 UAT，很難等比例加速。
我也看到幾個新的問題。
- 第一，PM 的工作量暴增。除了寫規格、驗收與開會，還開始用 Vibe Coding 幫團隊做活動網站、會員營運、自動化流程、數據撈取與 Dashboard，慢慢變成團隊裡的內部技術解題者。
- 第二，各種 Bug、資安疑慮與技術債一起增加。PM 可能很快做出一個能動的版本，卻不一定看得見底層問題，最後仍要請工程師驗證。
- 第三，專案管理變得更難。PM 不熟悉技術邊界，時程容易估不準；老闆看到 AI 好像什麼都能做，也容易覺得「這不是一下就好了嗎？」偏偏 AI 的能力邊界幾乎每一季都在改變，團隊很容易雞同鴨講。
- 第四，產品經理可能失去產品手感。以前我們會用手慢慢拉 Prototype，一邊操作、一邊想流程順不順。現在如果直接請 AI 產 PRD 後，馬上做 Prototype，再把結果交出去，很容易得到一個乍看合理，深入使用卻漏洞百出的產品。
AI 時代，什麼事情不會變？
我很喜歡 Amazon 創辦人 Jeff Bezos 講過的一句話：「大家總愛問未來十年會改變什麼，但更值得問的是，未來十年有哪些事情不會改變？」
我認為，不只未來十年，甚至未來一百年都不太會改變的一件事，就是「人類想要達成目標」。
我們希望用更聰明的手段達成目標，也希望用更敏捷的方法前進，不要做了一年才發現方向錯了。達成一個目標後，我們又會設定下一個目標。因為，目標這件事情沒有最高，只有更高。
所以 AI 時代真正重要的，不是追著每一個新工具跑，而是要問，若要達成目標，我們現在要解決的核心問題是什麼？哪個瓶頸真正限制了結果？什麼樣的行動最可能讓我們跨過去？
從小優化、中突破、大躍進，看產品資源配置
我把產品團隊常做的事情，簡單分成三類。
- 小優化，通常是漏斗轉換率、表單流程、按鈕文案之類的改善。它的成功率較高，開發時間較短，但成功後帶來的提升通常也比較小。
- 中突破，通常是 Retention、Engagement 或產品體質的改善。成功率比較低，時間比較長，但一旦成功，影響也比較大。
- 大躍進，則是增量市場、新商業模式或顛覆性功能。它最難成功，成本也最高，但一旦命中，可能直接讓成果翻倍。
我用一組假設數字來說明這三類事情的差異。
- 小優化一個要做一個月，成功率是 50％，成功後提升 2％，單次期望值就是 1％。一整年都做小優化，可做12次，期望值會是 12%
- 中突破一個要做二個月，成功率是 10％，成功後提升 30％，單次期望值是 3％，一整年都做中突破，可做6次，期望值會是 18%
- 大躍進一個要做三個月，成功率是 5％，成功後提升 100％，單次期望值是 5％，一整年都做大躍進，可做4次，期望值會是 20%
在 AI 出現之前，若你整年都在做大躍進，你大概只有 18.5% 的機率在一年內交得出具體成果，也就是你大概率是會被說「忙了整年，結果什麼都沒有」，你很難向老闆、股東或下一份工作的面試官交代。
中突破也是，若你整年都在做中突破，你大概只有 46.9% 的機率在一年內交得出具體成果，比大躍進好一點，但是如果你運氣不好一點，一整年交不出具體成果還是有可能的。
所以囉，即便是一整年都做大躍進期望值比較高，但團隊還是會偏好成功率高、容易看見成果的小優化。
AI 以後，開發變快了，資源配置邏輯卻沒變太多
但 AI 把開發週期縮短後，同樣一年可以進行的嘗試次數增加了。AI 不一定讓單次大躍進更容易成功，卻能讓團隊更快做出原型、更快投入測試，也更有機會在一年內多試幾次。
這會改變資源配置的邏輯。
以前，我們因為承受不起長期失敗，只好大量做小優化。現在，如果開發速度真的提高了一倍，團隊就應該把更多資源移往中突破與大躍進，而不是把省下來的產能全部拿去做兩倍數量的小優化。
為什麼呢？我們來看看數據，AI 若把開發速度變一倍之後，會發生什麼事：
- 小優化一個要做0.5個月，成功率是 50％，成功後提升 2％，單次期望值就是 1％。一整年都做小優化，可做24次，期望值會是 24%
- 中突破一個要做一個月，成功率是 10％，成功後提升 30％，單次期望值是 3％，一整年都做中突破，可做12次，期望值會是 36%
- 大躍進一個要做1.5個月，成功率是 5％，成功後提升 100％，單次期望值是 5％，一整年都做大躍進，可做8次，期望值會是 40%
現在做中突破，有 71.8% 的機率在一年內交得出具體成果，而大躍進有 33.7% 的機率在一年內交得出具體成果。比有 AI 之前，大幅增加快要一倍。
這會改變資源配置的邏輯。
以前，我們因為承受不起長期失敗，只好大量做小優化。現在，理性的團隊就應該把更多資源移往中突破與大躍進，而不是把省下來的產能全部拿去做兩倍數量的小優化。
否則，你只是用更快的速度，把更多低期望值的項目送進同一個市場與回饋瓶頸。
不是停止小優化，而是重新分配比例
演講後有人問我：競爭者也在用 AI，客戶對產品體驗的標準只會越來越高。如果不做小優化，會不會在大躍進成功以前，客戶就先流失了？
答案是會。所以重點從來不是完全停止小優化。
有些小優化是維持競爭力的基本盤。不做，客戶體驗會落後；做了，營收也未必成長。它比較像止痛劑，能讓客戶不至於離開，卻不一定能打開新的成長空間。
真正的策略，談的是資源配置。
過去，我可能把六到七成資源放在小優化，剩下做中突破。現在，如果 AI 確實讓產能增加，我會傾向把小優化壓到一半以下，將更多資源挪到中突破與大躍進。
但這不是通用比例。每家公司都要看自己的產品成熟度、競爭環境、客戶流失風險與商業模式。唯一不變的是，你必須刻意討論這個比例，不能只是讓容易做的項目自然塞滿所有產能。
產品經理的工作，要從「排序」變成「出題」
以前開發是瓶頸，PM 最重要的工作之一，是替既有 Backlog 排序：哪一個項目效益高、成本低，就先做哪一個。
當開發速度加快，光會排序已經不夠。真正稀缺的能力，變成主動提出高期望值的中突破和大躍進題目。
哪些做法可以改善產品體質？什麼新商業模式值得測試？哪一個新市場值得進入？有沒有一個顛覆性功能，可以讓產品進入完全不同的成長曲線？
這些題目不像調整按鈕或優化表單那麼容易想到。它需要更強的目標感、更大的全局視野，也需要更多差異夠大的選項。
所以我認為，AI 時代的工作習慣至少要做三個改變。
- 從替 Backlog 排序，變成主動出題。不要只消化眼前的需求，要持續產生能帶來中突破與大躍進的候選方案。
- 把公司的目標當成自己的目標。當你真的在乎，才會像老闆一樣追問：現在這個做法夠不夠強？它真的有機會達標嗎？
- 降低失敗成本，而不是追求每次都小成功。中突破與大躍進大多數都會失敗，重點是用 MVP、快速驗證與清楚的停止條件，讓團隊失敗得起。
AI 讓我們更有本錢冒險，不代表要把所有資源押在一個賭注上。它真正帶來的優勢，是讓我們可以用更低的成本，累積更多高期望值的嘗試。
為什麼做高期望值的事，符合限制理論？
講到這裡，可能有人會問：優先做高期望值的事情，和前面談的限制理論，到底有什麼關係？
在限制理論裡，找到瓶頸後，下一步不是要求所有環節繼續加速，而是「充分利用瓶頸」。
假設一間工廠的瓶頸機台，一天只能運作十個小時。你不會把低價值、準備不完整，甚至可能做壞的半成品，隨便送進這台機器。因為瓶頸機台浪費一個小時，整間工廠就永遠少掉一個小時的產出。
你會把瓶頸的產能，留給最有價值、最有機會轉換成營收的工作。
AI 時代的產品團隊也是一樣。
當市場注意力與回饋速度成為瓶頸，每一個上線項目都會消耗稀缺資源：用戶注意力、實驗流量、樣本數、等待數據的時間，以及團隊分析結果的心力。
這些資源不會因為 AI 而自動增加。
假設一個按鈕文案的小優化，和一個新定價方案，都需要兩週才能取得足夠數據。前者的單次期望值是 1％，後者的單次期望值是 5％。從開發角度來看，按鈕文案可能比較便宜；但從市場與回饋這個瓶頸來看，兩者都會占用一次驗證機會。
既然使用的是同一份稀缺資源，當然應該優先驗證期望值更高的項目。
所以，更精準的產品排序方式不是只看「期望值 ÷ 工程成本」，而是要看「期望值 ÷ 瓶頸資源」。
當開發是瓶頸時，我們要問的是：每一單位工程產能，可以創造多少期望值？當市場與回饋是瓶頸時，我們要問的則是：每一單位用戶注意力、實驗流量與驗證時間，可以創造多少期望值？
分母已經換了，產品團隊的排序邏輯當然也必須跟著改變。
AI 時代真正昂貴的，是市場和驗證
這也解釋了為什麼「開發只要一天」，不再代表一個項目真的很便宜。
它可能只占用一天工程時間，卻占用了兩週的驗證時間、一批用戶的注意力，以及團隊一次學習市場的機會。
從限制理論來看，這才是真正昂貴的成本。
更進一步說，限制理論還要求其他非瓶頸環節服從瓶頸。既然市場來不及消化、團隊來不及取得回饋，開發團隊就不應該再以「每個人都要塞滿工作」為目標。
如果做出來的東西來不及驗證，繼續增加開發量只會堆高半成品，讓團隊同時等待更多結果，反而降低學習品質。
所以，AI 時代真正的浪費，不是工程師偶爾沒有東西可以做，而是把有限的市場注意力與回饋額度，消耗在不值得驗證的東西上。
當然，高期望值不等於大專案。
一個位在產品飛輪關鍵節點的小優化，或是一個可以同時影響多項指標的功能，也可能擁有很高的瓶頸資源報酬率。
反過來說，一個規模很大的專案，如果需要消耗大量用戶注意力與驗證資源，期望值卻沒有相應提高，也不符合限制理論。
真正該做的，不是盲目追求大躍進，而是把每一次珍貴的市場驗證機會，留給每單位瓶頸資源期望值最高的事情。
小結：不是做得更多，而是選得更準
回到文章一開始的問題：為什麼 AI 讓產出增加了兩倍、三倍，公司營收卻沒有跟著翻倍？
原因不是 AI 不夠強，而是開發速度提高後，限制成果的瓶頸已經移動了。當市場注意力、回饋速度與驗證機會成為瓶頸，產品團隊真正需要的，就不再是更多 Backlog，而是更好的題目。
產品經理要做的，也不只是把事情排好、寫完並交出去，而是看見現在的瓶頸在哪裡，把有限資源留給期望值最高的事情，並且讓整個團隊的工作方式服從這個瓶頸。
AI 可以幫我們發散選項、整理資訊、產生原型，甚至完成開發。但目標是什麼、什麼事情值得做、哪些選項應該捨棄，最後仍然需要人來判斷，再交給市場驗證。
在 AI 時代，做得快只是基本配備；知道什麼值得做，才是人類真正的價值。
--
不想錯過我的新文章：訂閱免費電子報 我的線上課：數據化營運、產品增長 和 產品企劃力，歡迎大家報名
關於作者：Mr.PM 下午先生
The post first appeared on Mr. PM 下午先生.
点赞
收藏
点踩
分享