第3篇|寫第一行程式之前,先確認問題值得解
本頁為沈立平(Robin)閱讀 范冰《前線部署工程師(FDE)》(Forward Deployed Engineer (FDE))後,以自己的話整理與評論的原創讀書筆記,並非原書內容、節錄或官方出版物。書中方法與概念由 范冰 提出,其他概念來源依文中註明。內容僅供參考,不構成投資建議。

《前線部署工程師(FDE)》第2章〈解決正確的問題〉
第二章以一句話開場:「在錯誤的問題上,一切執行力都是浪費。」作者先描述一種常見的狀態,他稱為「概念驗證墳墓」。概念驗證(Proof of Concept,簡稱PoC),是企業在正式導入前,先小規模試做、證明可行的階段。很多人工智慧專案就卡在這裡,沒有被叫停,也沒有真正上線,年年報告都寫「持續推進中」。
為什麼會這樣?作者引用上一篇提到的MIT報告,列出五大障礙:一是員工嘴上抗拒,私下卻自己用ChatGPT;二是擔心輸出品質;三是現有產品不好用;四是缺少高層支持;五是組織變革困難。模型、算力和技術都不在前五名。書中的例子是,一家公司花5萬美元買合約分析工具,資深律師卻繼續用免費的ChatGPT,因為工具產出的摘要很死板,不能照律師的習慣調整。作者的結論是,真正讓專案失敗的,是問題定義錯了,以及忽略了組織的真實狀況。
所以他提出PSF(Problem-Solution Fit,問題與解法的契合)。大家熟悉的PMF(產品與市場契合)看的是市場要不要這個產品;PSF看的是這一個客戶的這一個問題,值不值得做,我們又解不解得了。它有三道檢驗。第一是痛點要具體到人。「提升客服效率」只是方向;「客服主管每週一早上要花3小時,從4個系統手動彙整上週的升級工單」才是痛點,這裡的升級工單,指一線處理不了、要轉給上層處理的案件。第二是算經濟帳,估算省下多少人力時間、成本和出錯的賠償。作者提醒,很多企業選題時,偏好展示效果好看的題目,而不是真正值錢的題目。第三是可行性:資料在哪裡、狀態如何,準確率要多高。很多時候,90%的準確率加上人工複核就是最好的選擇,因為要從90%做到99%,投入往往要多出一個數量級,也就是十倍左右。
作者也給了三道防線,避免掉進墳墓。第一,每個PoC都要有「畢業標準」,事先講好試幾週、看哪個指標、達到多少才進入付費部署,沒達到就體面結束。第二,留意三種危險信號:只有資訊部門當聯繫窗口,沒有業務負責人;客戶只給看,不給真實資料;第一次開會就要求涵蓋全公司。出現兩種以上就要高度警惕。第三,拒絕時留台階,把「現在不做」說成「什麼時候可以做」,例如先指出資料還缺哪三件事,建議下一季再談。
羅賓小弟覺得,這一章對新創特別重要。新創的人力有限,一個錯誤的PoC,可能拖住整個團隊好幾個月。作者也提到,外部專業供應商的成功率約為企業自建的兩倍,原因是按結果收費的一方,要自己承擔問題定義錯誤的代價。
結論是,選對問題比做快更重要。先用PSF三道檢驗篩選題目,再用畢業標準管住每一次試做,才不會讓團隊的力氣耗在永遠畢業不了的專案上。
三個行動建議
一、把每個候選題目寫成一句話,說清楚是哪個職位的誰、每週在什麼工作上花多少時間;寫不出具體的人和時間,就先不要開工。
二、每個PoC啟動前,和客戶書面約定試做幾週、看哪個指標、達到多少就簽約,沒達標就體面結束,避免專案無限期拖延。
三、新創評估客戶時,檢查是否有業務負責人、能否拿到真實資料、範圍是否小到可以先做一個部門;三項中有兩項不合格,就先婉拒並約好下次再談的條件。
Robin延伸|台灣觀察
人工智慧科技基金會在2026年4月發布《2026台灣產業AI化大調查》,把企業導入的落差歸成三類,第一類就是選題與成效評估。執行長溫怡玲在發布會上形容:「就算我結案,但是上線之後呢?不好用、不能用、沒有人用」。基金會也指出,何時確認實驗失敗該喊停,是企業正面對的真實問題。我的解讀是,作者主張的PSF檢驗和畢業標準,正好回應台灣企業眼前的這個卡關點。
延伸資料來源與查證日期:
- 遠見雜誌〈台灣企業瘋上課,導入AI為何仍卡關?最新調查指出三大問題〉,2026-05-04,https://www.gvm.com.tw/article/129848(2026-11-09查閱)
- 人工智慧科技基金會〈AIF攜手高通公司發布《2026台灣產業AI化大調查》〉,2026-05-01刊出(發布會2026-04-30),https://edge.aif.tw/2026-ai-research-news/(2026-11-09查閱)
#前線部署工程師 #FDE #讀書筆記
本文為依個人理解整理之讀書摘要與心得,建議搭配原書閱讀,以掌握完整脈絡。
留言討論
你怎麼看?歡迎分享你的經驗或問題。
登入會員後即可留言、回覆和按讚。 登入/註冊
留言載入中…