別再等 GPT-6：你手上的 AI，已經比你會用的強太多了（Anthropic 工程師談「能力落差」）

你是不是也常收到這種訊息？

朋友或主管傳來一則連結，標題大概是「聽說下一代 AI 又要炸裂了」，然後你心裡默默想：「那我再等等，等更強的版本出來，再來認真導入 AI 好了。」

我懂這種心情。但 Anthropic（做 Claude 的那家 AI 公司）一位工程師會告訴你：這是你今年最貴的一個決定。

他叫 Thariq Shihipar，在 Anthropic 的 Claude Code 團隊，就是天天在打造那個能自己寫程式的 AI 代理的人。他最近在創投社群 South Park Commons 的一場對談裡丟出一句話，我聽完直接坐正：就算 AI 今天原地凍結、不再更新，光是你手上這一台，你都還有六到十二個月的紅利沒挖出來。

換句話說，瓶頸從來不是模型不夠強。

瓶頸是你。

分享給大家，這篇就來拆解他口中那個關鍵字：能力落差（Capability Overhang）。這不只是工程師的事，這是每一個買了 AI 工具、卻只用到皮毛的台灣電商老闆，都該照的一面鏡子。

先看一組數字：台灣人碰 AI 很多，用 AI 很淺

根據 資策會產業情報研究所（MIC） 的調查，台灣有 46% 的消費者用過生成式 AI 工具。聽起來很高對吧？

但同一份調查裡，只有 17% 的人願意自己付費，只有 9% 的人每天用一次以上。

再看企業端。台灣產業 AI 化大調查 顯示，台灣企業的 AI 化指數這一兩年明顯往上，接近半數企業已經跨過技術門檻、開始用 AI。但真正把 AI 規模化、變成營收動能的，仍是少數。

看懂這兩組數字了嗎？

大家不是沒買 AI，是買了之後用得很淺。碰過的一大票，天天用的一小撮，真正把它變成生意的更是鳳毛麟角。這中間巨大的空隙，就是 Thariq 講的能力落差在台灣的樣子。

能力落差：你摸到的，只是冰山一角

Thariq 給的定義很精準：能力落差就是「模型的聰明程度，遠遠超過現在的介面、提示、執行框架能讓它表現出來的程度」。

用生意人聽得懂的話講，這就像一座冰山。

你在水面上看到、摸得到的那一角，是你目前用 AI 的方式。而水面下那一整塊你根本沒碰到的巨大冰體，是這台 AI 真正的能力。多數人一輩子都在水面上那一角打轉。

Thariq 在另一場 AI Engineer 的演講裡（第三方媒體 TechTimes 與 explainx 都有報導）舉了一個超好懂的例子。他問 AI：「哪些寶可夢的名字是以 AW 結尾的？」

你如果只在聊天視窗裡問，模型常常會答錯，因為它是在「憑記憶硬背」。

但同一個模型，換到 Claude Code 這種能執行程式的環境，它會怎麼做？它直接去抓一份完整的寶可夢清單，寫一段小程式去篩選，然後乾淨俐落地告訴你答案是 Croconaw 跟 Drednaw 兩隻。

同一個大腦，換一種用法，結果天差地遠。

重點是什麼？

模型的能力一直都在那裡，只是被你使用它的方式「藏起來」了。而且 Thariq 特別提醒，模型不是平順地變強，是「尖刺式、跳躍式」地變強。你以為它還不會的東西，可能新一代早就會了，只是你沒發現。

所以他才說，就算開發停在今天，光是把既有能力挖乾淨，就夠你忙半年到一年。你現在在苦等的那個「更強的 AI」，其實有點像你車子還停在車庫沒開出去兜風，就先嫌它馬力不夠。你連手上這台的一半都還沒用到。

想深入了解「執行框架」這件事怎麼運作的，可以看我之前寫的 Agent Harness 是什麼，那篇把技術面講得比較細。

瓶頸是你，不是模型：怎麼把自己升級成 power user

我先承認一件事。

我自己剛開始用 AI 的第一年，也是把它當估狗（Google 搜尋）在用。丟一句「幫我寫個母親節文案」，它回三段，我覺得普普，就下結論說「AI 也不過如此」。這是我踩過最深的一個坑。

後來我才想通，問題根本不在 AI，在我。

現場有觀眾拋出一個說法，說重度使用者能從同一個模型榨出比一般人多好幾倍的能力。這個倍數我查不到明確出處，就當它是現場觀察、不是研究結論，別當成硬數據。但那個方向我認同：同一台 AI，會用的人跟不會用的人，產出的價值完全是兩個世界。

差別在哪？差在你腦中「怎麼跟 AI 溝通」的心智模型。

Thariq 講了一個反直覺的觀察：有時候，教會使用者怎麼跟模型溝通，比再去改進 AI 的介面還有價值。他自己在 Claude Code 導入的第一個功能，叫 ask user questions，白話講就是「讓 AI 反過來問你問題」，主動釐清你到底要什麼。這功能後來變成最受歡迎的功能之一。

以前你要一次把需求講到完美，AI 才給得出好東西。現在你可以讓 AI 先訪談你，把你自己都沒想清楚的地方逼出來。

這裡直接送你三個可以今天就抄去用的 meta-prompt（元提示，就是「用來讓 AI 幫你把問題問對」的提示）：

► 第一：叫 AI 反過來訪談你。 不要急著下指令。你可以說：「我想做一檔父親節的活動，但我還沒想清楚。請你用問問題的方式訪談我，一次問一題，把我沒考慮到的地方挖出來。」你會發現，光是被它問完一輪，你的企劃就清楚一半了。

► 第二：先分清楚「你知道的」跟「你不知道的」。 Thariq 自己會把任何一個問題拆成四塊：你知道自己要什麼、你要看到才知道要不要、你根本不知道有這個選項、還有你知道自己搞不懂但想弄懂。動手前先在腦中跑一遍這四塊，你就知道這題該怎麼問 AI。

► 第三：永遠找最便宜的方式先試。 這招我最愛。Thariq 說，如果你在弄一個設計，還沒想好長怎樣，就叫 AI「先用 HTML 做一堆粗略版本給我挑」，而不是一開始就叫它把整套系統寫死。因為 HTML 的假按鈕就只是個按鈕，改起來不用錢；但真的接進你的系統，背後一堆線路要接，改一次很貴。

你不用會寫程式也用得到這招。活動頁、落地頁、會員分眾長什麼樣，先叫 AI 出幾個粗版讓你挑，選定方向再做細。先便宜地試錯，再花錢做對的那一個。

這種「你管 AI 管太多、反而綁死它」的另一種失敗模式，我在 你的 AI 不是不夠聰明，是你管太多 那篇談過。一個是「管太多」，一個是「用太淺」，剛好是台灣老闆用 AI 最常見的兩種死法，建議搭配看。

產量 ≠ 營收：AI 最貴的一個陷阱

好，就算你把 AI 用得很深、產能翻了十倍，接下來這段才是真正的分水嶺。

會用 AI 只是第一關。真正危險的，是你把錯的事情，做得更快。

Thariq 用了一個我覺得神準的比喻，1995 年車商的 email 寓言。

想像你是 1995 年一家車商的老闆，email 這個新玩意剛出來。你有兩條路。

第一條，你給櫃檯接待員配個 email，他回信變快了，一天多回二十封，看起來生產力大增。第二條，你讓客人可以直接上網、用 email 下單訂車。

問題來了：哪一條真的讓你多賣車？

回信更快，不太會讓你多賣一台車。讓人能上網訂車，才會。

Thariq 講得很直白：他遇過不少客戶，就算把工程師的產出翻倍，營收大概一點都不會變。因為「做東西」變便宜了，不代表「賺到錢」。你多產出的那些東西，如果沒對準真正能帶來營收的環節，就只是回信更快的接待員而已。

這一段，台灣做電商的你一定要聽進去。

現在用 AI 狂產東西太容易了。一個下午可以生出五十則商品描述、十封 EDM（電子報）、三十組廣告素材。爽不爽？很爽。但你的 GMV（商品交易總額）有跟著動嗎？

多數時候沒有。

因為你只是把「做內容」這件事變便宜了，你沒有動到真正決定生意的東西：你要主打哪一支 SKU、你要打哪一群客人、你的品牌到底站在什麼位置、你手上的會員資料能不能餵給 AI 去做更準的分眾。

回想我在雨傘產業跑品牌、在百貨當過櫃哥那幾年，我學到最硬的一課就是：東西做得多，跟東西賣得掉，是兩回事。櫃上擺一百款傘，真正養活這個櫃的可能就那三款。AI 只是讓你「擺得更快」，它沒有幫你決定「該主打哪三款」。那個判斷，還是你的。

所以 Thariq 給創業者的建議，我覺得對電商老闆一樣受用：真正的護城河，正在從「會不會做」移到兩件事。

一是你的判斷力，你敢不敢押注、你能不能拿到內部共識。

二是你能不能把「被鎖住的資料」打通給 AI 用。他舉的是健康資料、銀行資料這種被法規鎖住的領域。對電商來說，你被鎖住的寶藏，是散在各處的第一方資料：你 91APP 或 Shopline 後台的會員輪廓、你的 CRM、POS 交易紀錄、LINE 官方帳號的標籤、EDM 名單。這些東西別人抄不走。誰能把它們餵給 AI、變成更準的選品跟分眾，誰就贏。

這也呼應我之前在 王董週刊 #2：Coding is Solved 之後 談過的：當「做東西」不再是瓶頸，瓶頸就會跑到「判斷該做什麼」上面。

你今天可以做的三件事

講了這麼多，不是要你去學寫程式。切入重點，給你三條今天就能動手的：

► 第一：這禮拜挑一個真實任務，逼自己用深一階。 別急著換更貴的工具。挑一個你已經在付錢的 AI，先叫它「反過來訪談你十個問題」，再讓它產出結果。把訪談前和訪談後的兩版 prompt 存起來對照，你會親眼看到水面下那塊冰山。

► 第二：把「產量」跟「營收」分開記帳。 下次你用 AI 產一批內容，至少記四個欄位：產出幾則、點擊率、轉換率、帶進多少 GMV 或名單。後面兩欄如果一直是空的，就先別說 AI 幫你賺到錢。

► 第三：這週先把你的第一方資料盤點出來。 不用馬上串 AI。先列清楚：會員資料躺在哪個平台、有哪些欄位、誰有權限匯出、能不能合法餵給 AI。光是把這張清單列出來，你就領先一堆同業了。

最後

如果你問我，這場對談最值錢的一句話是什麼？

不是那些酷炫的技術名詞，是這句：真正的瓶頸，已經從模型轉移到「你動手前有沒有把問題想清楚」。

以前我們卡在工具不夠好。現在工具好到你追不上，卡的變成你會不會用、敢不敢判斷。

這年頭就是判斷、判斷、判斷。

模型會一代一代變強，這件事你我都攔不住。但在那之前，先別當那個站在冰山一角、卻天天喊著要等下一座冰山的人。你手上這台，已經夠你挖很久了。

分享給大家，希望哪天真的幫得上你。

常見問題

Q：什麼是能力落差（Capability Overhang）？

指 AI 模型的實際能力，已經超過現在的介面、提示方式和使用習慣能發揮出來的程度。白話說，就是你手上的 AI，比你會用它的方式聰明很多，中間那段沒被用到的差距，就是能力落差。

Q：我該等更強的 AI 出來，再認真導入嗎？

不建議。Anthropic 工程師 Thariq Shihipar 的意思是，就算模型暫時不更新，多數人手上這台都還有一大段既有能力沒挖出來。與其等下一代，不如先把現在這台用深一階，投報率高得多。

Q：為什麼我用 AI 產出一堆東西，生意卻沒變好？

因為 AI 讓「做東西」變便宜，不等於幫你「賺到錢」。如果多產出的內容沒有對準真正帶來營收的環節，例如選品、分眾、會員經營，那就只是回信更快的接待員，產量上去了，GMV 卻不會動。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。

本文參考來源：Thariq Shihipar 於 South Park Commons 的對談影片 Anthropic Engineer on the Future of Coding with AI；資策會產業情報研究所（MIC）生成式 AI 調查；台灣產業 AI 化大調查；TechTimes、explainx 對 Thariq Shihipar 演講的報導。