AI 讓我工作快了一倍，為什麼我沒有賺更多？我開始重新理解「需求」這件事

先講結論以外的部分：這篇沒有結論。

它是我最近幾個月一邊用 AI 工作、一邊經營公司、一邊想公司接下來要往哪裡走，慢慢長出來的一組想法。我把過程留下來，包含我中途改口的地方。半年後回頭看，有些段落可能會覺得想錯了，那也正是我想留下它的原因。

先說已經發生的事。

我的公司做網站、SEO、廣告與社群，也接品牌與流程顧問的案子。過去一年，這些工作裡有很大一部分被 AI 改變了節奏：網站的版型與前端程式、文案初稿、資料整理、競品研究、影片素材的盤點與粗剪。以前要花一整天的事，現在很多時候幾個小時就能做到可以交出去的程度。

這不是感覺，是排程表上看得到的差別。

一開始我的想法非常直覺：效率提高 → 可以做更多 → 應該賺更多。 這條推論在腦袋裡幾乎不需要思考，它太順了。

但它沒有發生。

公司沒有出事，案子也還在做。只是「省下來的時間」並沒有同比變成「多出來的收入」。我做得更快了，並沒有因此有更多人來買。

那段時間我一直在找原因：是不是行銷做得不夠？是不是報價的方式要改？後來我發現問題可能不在這些地方，而是我把兩件事混在一起了。

AI 幫我提高了供給能力， 卻沒有自動讓更多人想買。

把它拆開來看就清楚了。

如果全世界只有我一個人在用 AI，那我的成本下降、速度變快，確實可能形成優勢——同樣的價格我可以做得更好，或同樣的品質我可以更便宜。

但現實是：我在用 AI，我的競爭者也在用，連我的客戶都開始自己用。

網站可以更快做出來。文章可以大量生成。圖片可以大量生成。影片可以大量生成。程式可以更快寫完。整個市場的「供給能力」一起往上跳了一級。

可是市場上需要網站、需要內容、需要行銷的客戶，並沒有因此突然變成兩倍。

THE MISMATCH

Productivity↑≠Demand↑

當「會做」這件事變得普及，原本靠「會做」形成的稀缺性就下降了。稀缺性下降，價格就會有壓力。這不是我一個人的處境，我猜大部分做「產出型」服務的人，這一年都多少感覺到了。

WHAT I OBSERVE

AI → Supply

↑↑

Demand

→

Price pressure

↓

我要特別說明：這不是經濟學公式，我也沒有能力寫出一個嚴謹的模型。它只是我這一年在自己的公司裡看到的現象，用最簡單的方式畫出來。

AI 很會生產，但它不會自動讓人想買。

這句話我後來一直放在心裡。它把我的問題從「怎麼做更多」，轉到另一邊：如果 AI 解決的是供給，那 AI 時代真正稀缺的，會是什麼？

一開始我的答案是「創造需求」。供給變便宜了，能創造需求的人會更值錢。聽起來很合理。

但我拿兩個老故事來對照，就覺得這四個字怪怪的。

第一個是電影《華爾街之狼》裡那句 Sell me this pen。很多人把它當成「厲害的業務可以把任何東西賣給任何人」。可是仔細看，那個賣筆的人並不是憑空創造出「書寫」這個需求——他做的是製造一個情境：請你在餐巾紙上寫下名字。你需要寫，你手上沒有筆，需求就浮出來了。

需求本來就在那裡，只是沒有被觸發。

HOW A NEED SURFACES

1. Latent Need潛在需求：本來就存在，但沒有被意識到
2. Situation Trigger情境觸發：一個讓需求變具體的場景
3. Active Demand主動需求：現在就想要、願意付出

第二個是華人商業圈很常講的「把梳子賣給和尚」。它常被拿來當成「說服力」的範例，但我覺得比較聰明的讀法不是「怎麼說服沒有頭髮的人梳頭」，而是重新問：這個產品還能解決誰的什麼問題？ 故事裡把梳子變成寺廟送給香客的紀念品或祝福品，就是把同一個東西接到另一個本來就存在的需求上。這只是一個說明概念的寓言，不是真實商業案例，但它把方向講清楚了。

把這兩個故事放在一起，我整理出四種不同的動作：

1. 發現需求——它已經存在，只是還沒有人好好處理。
2. 喚醒需求——它存在但沒有被意識到，需要一個情境讓它浮現。
3. 重新定義需求——同一個問題，換一個角度看，解法就不一樣。
4. 創造新的解法或使用情境——不是創造需求本身，而是創造連接需求的方式。

差的業務想辦法說服和尚需要梳頭； 好的業務先問：和尚到底需要什麼？

所以我修正了自己的說法。

原本我想的是：AI 增加供給，所以未來「創造需求」會更值錢。

現在我覺得比較準確的版本是：真正重要的可能是找到需求 → 讓需求浮現 → 理解對方真正想完成的 Outcome → 把適合的解法與需求連接起來。

這個修正看起來只是換幾個字，但它改變了我問問題的方式。

「創造需求」很容易滑向「怎麼讓根本不需要的人買」。那條路我走過，它的盡頭是廣告費、折扣、和一堆做完就不會再回來的客戶。

換成「發現」之後，問題變成：誰已經存在一個沒有被好好解決的問題？ 這個問題的答案，不會在我的腦袋裡，而在外面。

我開始把可能的需求訊號來源列出來，暫時叫它 Demand Radar。這還是一個正在形成的概念，不是已經在跑的系統：

• Google 搜尋：autocomplete、People Also Ask、Trends
• Threads、Reddit、YouTube 底下的留言
• 社團與論壇裡反覆出現的問題
• 商品與 SaaS 的評論，尤其是負評
• 客戶的詢問、客服的問題、業務對話裡被問到的東西
• 流失的客戶：他們後來去了哪裡
• 使用者自己拼湊出來的 workaround

列完之後我發現一個陷阱：很容易把「熱門」當成「需求」。

熱門只代表 Attention，代表大家在看、在講。它不一定代表有人願意為了解決一件事付出時間或金錢。Trending 和 Demand 是兩件事。

真正值得研究的訊號，我目前的清單是這五個：

• Frequency——這件事多常發生？
• Pain——發生的時候有多痛？
• Money——有沒有人已經在為它花錢？
• Urgency——不處理會怎樣？
• Existing Workaround——現在他們怎麼硬撐過去？

其中最有價值的是最後一個。如果一個人每週願意花三個小時，用一個很笨的方法處理某件事，那比一句「如果有這個功能我會想用」有價值太多了。前者是已經付出的行為，後者只是客氣話。

大概就在這段時間，我看到 Starter Story 對 Fastlane 創辦人 Gaurav 的訪談。

Fastlane 是一個做短影音行銷的 AI 工具。根據創辦人在受訪時分享的內容，他們從 2025 年 8 月開始做 customer discovery，兩位共同創辦人每週維持大約 20 通 customer calls，到訪談時累積約 2,000 通。產品在 2026 年 3 月公開推出，訪談中提到的數字是每月經常性收入約 6.9 萬美元、超過 1,000 位付費用戶——這些是創辦人自己在訪談裡講的數字，不是經過獨立審計的財報，我照原樣轉述。

我在意的不是營收。

我在意的是他們的過程。他們原本做的是一個很寬的 AI 行銷工具，SEO、Reddit 互動、短影音都想包。但在一通一通的訪談裡，問題被逐漸縮小，最後整個產品收斂到短影音這一件事。他們甚至在產品裡放了一顆按鈕：跟團隊約一通電話，多送七天使用權。用真實的對話與使用行為，一直修方向。

這剛好補上了我前面那份清單缺的東西。

Demand Radar 可以告訴我們：哪裡可能有礦。 Customer Interview 才能幫忙確認：這裡到底是不是真的有礦。

雷達是遠距離的，它能掃出訊號，但訊號會騙人。要知道底下有沒有東西，還是得走過去、蹲下來、跟人講話。

講到訪談，我重讀了 Rob Fitzpatrick 的《The Mom Test》。這本書的核心很簡單：問對方的生活，不要問你的點子；問過去發生過的具體事情，不要問未來的假設。因為人會出於禮貌說好聽話，尤其當他們看得出你很在乎這個點子。

照著這個原則，我現在準備用的問題大概長這樣：

• 上一次發生這個問題是什麼時候？
• 當時你怎麼處理？
• 多久會發生一次？
• 每次花多少時間？
• 花了多少錢？
• 現在是用什麼方法撐過去的？
• 如果不處理，會發生什麼？

沒有一題是「你覺得這個點子怎麼樣」。

「這個點子不錯」是一個弱訊號，弱到幾乎可以忽略。真實的行為、已經付出的時間與金錢、正在使用的替代方案——這些才是能拿來做決定的東西。

這是我想得比較遠的一段，先講清楚：它是假設，不是我已經做到的事。

需求很多時候不是憑空出現，它是某個事件的下游。颱風預報發布，人們開始預期幾天不能出門，於是提前採購，某些商品的需求在幾小時內上升。禽流感爆發，生產端受影響，供給可能下降，價格與替代品的需求跟著變化。

這些例子的共同結構是：

DEMAND FORECAST

1. Event一個可觀察的事件
2. Behavior Change人的行為因此改變
3. Problem新的問題出現，或舊的問題變嚴重
4. Emerging Demand需求開始浮現

我不認為 AI 可以「預測未來」。但 AI 很適合做一件事：同時監控大量訊號，把異常挑出來。推論的部分——這個事件會不會真的導致那個問題、影響有多大、值不值得動——仍然需要證據、驗證，以及人的判斷。

順帶一提，同樣的想法在金融市場裡有人做了很久，叫 alternative data：用衛星影像、信用卡消費、貨運資料去推估公司的營運狀況。但金融市場的價格會很快吸收資訊，「預測需求」不等於可以穩定預測價格，更不等於可以穩定獲利。我沒有要把這篇寫成投資教學，這條線我先放著。

有一個觀點幫我把前面的東西串起來。

AI 最先商品化的，往往是 Method：寫文章、做網站、整理資料、寫程式、做圖、剪影片。這些都是「方法」，是把一件事做出來的手段。

如果一個人的身份完全建立在「我是會做 X 的人」，那當 X 被 AI 壓低價值的時候，會非常痛。我自己就是做網站起家的，這一段我讀起來不太舒服。

但往上一層問，問題會不一樣：我原本用 X，是要替誰完成什麼 Outcome？

以我的公司為例。客戶來找我們做網站，網站本身其實不是目標。真正的目標可能是：

WHAT A WEBSITE IS FOR

1. 被找到
2. 被理解
3. 被信任
4. 產生詢問
5. 成交

當「做網站」變便宜，這條路並沒有消失，只是其中一個環節的價格變了。如果我把自己定義成「做網站的」，那我的價值就跟著那個環節一起下滑；如果我把自己定義成「幫客戶走完這條路的人」，那 AI 反而是我手上多出來的一組工具。

DON'T CONFUSE THEM

METHOD≠DIRECTION

不要把 Method 當成 Direction。

寫到這裡，很容易順手接一句「所以理解人的能力是 AI 取代不了的」。我不打算這樣寫，因為我不完全相信。

AI 已經可以讀大量評論、分析客服紀錄、把兩千場訪談整理出 pattern，甚至做出前面說的那種需求預測。「理解需求」這件事的很多環節，它會越做越好。把它說成人類的永久護城河，只是另一種安慰。

那什麼比較值得保留？我目前的答案是三個字：Judgment、Agency、Responsibility。

AI 可以 Observe、Analyze、Generate、Predict。它可以把選項攤在你面前，甚至幫你排序。

但仍然有人要決定：相信什麼？服務誰？什麼值得做？願意承擔什麼？選擇往哪裡走？

這些不是能力問題，是位置問題。你得是那個站在後果前面的人，才會做這些決定。而只要你還願意站在那個位置上，AI 就是幫你看得更遠的東西，而不是取代你的東西。

把上面所有東西收攏，我得到的不是一個結論，而是一個工作的迴圈：

THE LOOP

1. Observe看訊號：搜尋、留言、評論、客戶問題、workaround
2. Interview跟人講話：問過去、問行為、不問點子好不好
3. Experiment小規模試：一個內容、一個 offer、一個小收費
4. Outcome看行為與付費，不看讚數
5. ↺回到第一步

寫得再細一點就是：Demand Signal → Human Conversation → Hypothesis → Small Experiment → Payment / Behavior → Result → Iterate。

它跟我以前的工作方式最大的差別是：以前是「先做出來，再想辦法賣」，現在是「先確認有人要，再決定做什麼」。AI 在這個迴圈裡的角色也不一樣了——它不只是把「做」變快，它可以把「看訊號」和「整理對話」也變快。

我現在還不知道最後的答案。這篇文章裡的每一段，都可能在幾個月後被我自己推翻。

但我準備停止一直問「AI 還能幫我做更多什麼」，改成問：現在到底有哪些問題值得做？

接下來會實際去測的事情：

• 把 Demand Radar 從一份清單變成一套真的在跑的流程
• 用《The Mom Test》的方式，跟現有客戶與流失客戶做 customer discovery
• 用內容做小型實驗：這篇文章本身就是其中一個
• 小額付費的實驗：先確認有人願意付，再決定做不做
• 重新看公司現有的服務，哪些是 Method、哪些才是客戶要的 Outcome
• 試著把 AI 用在「發現需求」的效率上，而不只是「提高供給」

這些都還沒有結果。有結果我會寫在這裡，不管好壞。

AI 讓「做」變得越來越便宜。 也許接下來真正重要的，不是誰做得最多， 而是誰比較早知道什麼值得做。

這不是真理，是我準備拿自己的公司去驗證的一個假設。

我會繼續把這場實驗記錄在這裡。如果你也遇過「AI 讓工作變快，但收入沒有跟著增加」的情況，我很想知道你實際發生了什麼——Instagram 私訊找得到我。

至於為什麼我會坐在咖啡廳而不是辦公室想這些，跟我把最難的工作移到早上那次實驗有點關係，那是另一篇了。

---

延伸閱讀與來源

• Starter Story，〈The Insanely Obvious Secret Behind This $69K/Month SaaS〉，Pat Walls 訪談 Fastlane 創辦人 Gaurav，2026 年 8 月 30 日。文中關於 customer calls 次數、推出日期、MRR 與付費用戶數，皆為創辦人受訪時自述。
• Rob Fitzpatrick，《The Mom Test: How to Talk to Customers & Learn If Your Business Is a Good Idea When Everyone Is Lying to You》，2013。文中只提煉原則，沒有引用原文段落。
• 「Sell me this pen」出自電影《華爾街之狼》（2013）；「把梳子賣給和尚」為流傳已久的商業寓言，兩者都只作為概念說明，不是真實商業案例。