在一個不到 10 人的軟體公司當 CTO，你的日常大概是這樣的：早上寫 code，下午 review 別人的 code，中間穿插技術決策會議，偶爾還要幫忙 debug 客戶的奇妙問題。噢對了，DevOps 也是你、DBA 也是你、偶爾連 PM 都是你。聽起來很慘？其實還好，因為我找到了一個不會抱怨、不會請假、不會在週五下午突然說「我明天要 WFH」的虛擬同事 — AI。
小團隊的殘酷現實
大公司的技術團隊長什麼樣？有專職的 DevOps 工程師管 CI/CD pipeline，有 DBA 顧資料庫效能，有 SA 做系統架構，有 PM 管專案進度，有 QA 寫測試案例。每個人各司其職，分工明確。
小團隊呢？以上全部壓在三到五個人身上。
這不是因為老闆摳門不請人。說實話，台灣的軟體人才市場就是這樣 — 好的工程師大家搶，開出去的職缺三個月沒人來投是家常便飯。好不容易找到一個看起來不錯的，聊完之後發現對方期望薪資比你整個團隊的平均還高（然後你還不確定他到底行不行）。
所以小團隊的生存之道，一直都是「一個人當三個人用」。而 AI 的出現，讓這件事從「燃燒生命」變成「合理的工作方式」。
我不會跟你說 AI 能取代工程師，那是在騙人。但 AI 確實能把一個人變成 1.5 個人，甚至在某些場景下是 2 個人。而對一個 10 人團隊來說，憑空多出 5 個人力的效果，那是非常有感的。
我的 AI 工具箱
經過大半年的摸索和踩坑，我目前的 AI 工具箱大概長這樣：
1. AI 個人助理（7×24 全天候運行）
這是最早導入、也是效果最好的一塊。我的 AI 助理 24 小時在線，負責幫我：
- 管理行事曆：自動安排會議、提醒我即將到來的 deadline、甚至在早上推送「今天你有這些事要做」的摘要
- 發通知：每天早上自動發站會日報，彙整昨天的進度和今天的待辦
- 回覆例行問題：團隊成員問「那個 API 文件在哪」之類的問題，AI 直接從知識庫找答案回覆
- 整理筆記：開會的時候我隨手打的重點，AI 會自動整理成格式化的會議記錄
聽起來很像在講科幻片？但這些其實都是現有工具就能做到的事。關鍵在於你願不願意花時間把流程設定好。
2. AI Coding Agent
這是工程師最有感的部分。AI Coding Agent 能做的事包括：
- 寫 boilerplate：新增一個 API endpoint？從 route、controller、service、model 到測試，骨架幾乎全自動
- 重構程式碼：「把這個 class 拆成三個 service」，你描述需求，它動手重構
- Bug fix：丟 error log 給它，它能定位問題、提出修復方案，甚至直接改 code
- Code review：PR 提交後 AI 先做第一輪 review，標記潛在問題，人工再做最後確認
一開始我對 AI 寫的 code 是不太信任的。畢竟它有時候會寫出一些「看起來對但其實有 bug」的程式碼。但後來我發現，與其不信任它、什麼都自己來，不如建立一套 review 機制 — 讓 AI 負責初稿，人負責審核。這樣效率反而最高。
3. AI 資料分析
這塊比較偏我個人使用。我讓 AI 串接金融 API 做投資分析，每天自動跑技術指標、三大法人動態，推送摘要給我。另外也串了 Notion API 做任務追蹤，自動統計每週的工時分佈、任務完成率。
以前這些事情要手動拉數據、開 Excel 做圖表，現在全部自動排程執行，我只要看最後的結論就好。
4. AI 文件撰寫
工程師最討厭寫文件，我也不例外。但文件又不能不寫 — 技術文件、流程文件、API 文件、會議記錄…
現在我的做法是：開會時快速記幾個 bullet point，然後丟給 AI 擴寫成完整的文件。技術文件也是，我描述架構和設計決策，AI 負責填充細節和格式化。寫出來的東西我再花幾分鐘修改就好。
效率大概提升了 3-4 倍。而且 AI 寫的文件格式通常比我自己寫的整齊（是的，我承認）。
5. AI Email 處理
Email 是另一個吃時間的黑洞。每天幾十封信，八成是不需要我親自處理的。AI 幫我做的事情是：先掃描所有來信，分類重要程度，不重要的直接歸檔。需要回覆的，AI 先草擬一版回覆，我確認後送出。
光是「不用一封一封打開看是不是重要的」這件事，每天就省下十幾分鐘。
具體省下了多少時間？
講了這麼多，到底實際省了多少時間？以下是我粗略的估算：
| 任務 | 導入前 | 導入後 | 節省 |
|---|---|---|---|
| 每日站會日報 | 手動整理 15 分鐘 | 自動推送 0 分鐘 | 100% |
| Code Review | 完整人工 review | AI 先 review + 人工確認 | ~60% |
| 例行報告 | 手動拉數據 30 分鐘 | 自動排程推送 | ~90% |
| Email 處理 | 逐封閱讀 20 分鐘 | AI 篩選 + 草擬回覆 | ~70% |
| 文件撰寫 | 2 小時寫完一份 | 30 分鐘修改 AI 初稿 | ~75% |
粗算下來，每天大概省下 1.5-2 小時。一個月就是 30-40 小時。這幾乎等於一個 part-time 員工的工時了。
心態的轉變
導入 AI 這半年多，我最大的收穫其實不是省了多少時間，而是心態的轉變。
從「AI 會不會搶我工作」到「AI 幫我做不想做的事」
剛開始看到 AI 能寫 code 的時候，說不焦慮是騙人的。但用了幾個月之後發現，AI 搶走的都是我本來就不想做的事 — 寫 boilerplate、格式化文件、處理例行信件。而真正需要人腦的部分 — 技術決策、架構設計、和客戶溝通需求 — AI 目前還差得遠。
從「自己來比較快」到「教 AI 做一次，以後都不用自己來」
這是最難克服的心魔。第一次讓 AI 做某件事的時候，你確實會覺得「我自己做比較快」。但重點不是這一次，而是以後的每一次。你花 30 分鐘設定好 prompt 和流程，以後這件事就永遠不用再做了。
從「怕 AI 寫錯」到「建立 review 機制」
AI 一定會犯錯，就像新人也會犯錯一樣。你不會因為新人會犯錯就不請人，你會建立 code review 機制。對 AI 也是一樣的道理。
給小團隊 CTO 的建議
如果你也在小團隊，想開始導入 AI，以下是我的建議：
先從最痛的重複性工作開始。 不要一開始就想「用 AI 取代工程師」，先找出團隊裡最浪費時間的重複性任務，用 AI 自動化。這樣見效最快，團隊也最容易接受。
不要一次全面導入，先挑一個場景做 POC。 例如先讓 AI 做 code review，跑兩週看效果。有效再擴展到其他場景。一次改太多，團隊會很混亂。
AI 的成本比你想像的低。 目前我每個月在 AI 工具上的花費大概是幾百到幾千台幣。跟一個工程師的薪水比起來，這幾乎可以忽略不計。但效益是真實的。
但 AI 需要「管理」。 AI 不是裝了就會自己跑的東西。你需要設計好 prompt、建立流程、定期檢查品質。把它當成一個需要 onboarding 的新同事，花時間教它，它才能幫到你。
風險和限制
當然，AI 不是萬靈丹，還是有一些要注意的地方：
- AI 會犯錯。 重要的產出一定要人工 double check。我遇過 AI 自信滿滿地寫出一個 race condition，code review 沒看出來，上線後才爆的。從那之後我學到了 — 越是 AI 寫的 code，越要認真 review。
- AI 沒有 domain knowledge。 你的客戶有一些奇特的業務邏輯？那還是要人來處理。AI 能幫你寫 code，但它不知道「為什麼這個欄位在某些條件下要用不同的計算方式」。
- API 費用會累積。 一開始覺得便宜，但當你把越來越多東西串上 AI 之後，帳單會慢慢長大。要監控用量，設定預算上限。
- 團隊成員的接受度。 有些人會擔心被取代，有些人會覺得 AI 寫的東西不可靠。最好的方式是先讓他們看到好處 — 當他們發現不用再寫那些無聊的 boilerplate 時，通常就會自己開始擁抱了。
結語
小團隊最大的優勢是靈活。大公司還在開會評估 AI policy、討論 compliance、走簽核流程的時候，我們已經用 AI 跑了大半年了。
這不是在炫耀，而是想說 — 小團隊不要覺得自己資源少就什麼都做不了。AI 是一個真正的力量倍增器（force multiplier），而且進入門檻比你想像的低得多。
最壞的情況是你花了幾天設定好一套 AI 工作流，發現效果不好，那就關掉，損失的只是幾天的時間和幾百塊的 API 費用。最好的情況是你的團隊效率直接翻倍，而你終於有時間去做那些「一直想做但沒空做」的技術改善。
我覺得挺划算的。