很多人問我，一人公司到底要選哪個最強的 AI 模型。我的答案越來越掃興：先別急著換模型，先把你的工作環境講清楚。

最近看到一篇研究，讓幾個主流模型寫「高維資料兩兩距離」的程式。題目本身沒有變，但其中一組一開始就告訴 AI：記憶體只有 128MB，十秒內要跑完。14 組比較裡有 13 組的記憶體用量下降，三個模型的平均執行時間也都變快，最快差到 3.1 倍。把條件壓到 96MB 時，原本只看題目的作法幾乎交不出同時正確又不超預算的結果；先交代限制後，成功次數明顯提高。

我覺得這件事很像小公司用 AI 最常犯的錯。你丟一句「幫我做客服自動化」或「幫我整理訂單」，得到的通常是一套看起來很完整、但根本落不了地的方案。它可能要串三個付費服務、每天吃掉大量 API 額度，還要有人花時間盯錯誤。展示很漂亮，月底一算帳就想關掉。💰

我的做法會先寫一張很短的驗收契約，不需要工程背景也能寫：資料從哪裡來、每月最多花多少、一次最多處理幾筆、多久要出結果、錯了由誰接手、最後長什麼樣子才算可用。例如商品 FAQ 可以規定「只讀現有說明頁，每月工具費不超過一千元，答案不確定就轉人工，每週抽查 20 則」。

這不是在限制 AI 發揮，反而是在幫它少走冤枉路。沒有邊界時，模型很容易給出理論上最全面的解法；有成本、速度和交接規則後，它才有機會找出適合小公司活下去的解法。

所以我現在評估 AI 工具，不再只問它聰不聰明，而是問：在我的預算、資料品質和人力下，它能不能穩定交件？模型能力當然重要，但資源限制和驗收標準先講清楚，才是把 AI 從玩具變成幫手的第一步。