一家汽車材料商——三個倉庫、四萬個料號、三十名員工——花了三週重建了進銷存系統。微服務、三倉即時庫存同步、一條 event bus、業務用的手機 App、老闆看的 BI 儀表板。兩人的資訊組用 AI 程式助手做掉了大部分工作。

而這個專案的起點，是一位業務報了一組倉庫已經沒貨的煞車總成，客戶掉了。舊系統的庫存數字只在倉庫每天下班前鍵入進出貨時才更新。一條「倉庫每筆進出一小時內過帳」的規定，加上報價前先查庫存的習慣，就能解決。沒有人問過。

這就是 AI 讓它變得便宜、幾乎看不見的失敗模式：為錯誤的問題建造正確的解法。AI 讓任何技術方案都能快速建造。它沒有讓正確的方案變得更容易辨認——而分辨兩者的能力，不是來自知道技術如何運作，而是來自曾經把它們裝進一家公司、並為出錯的地方付出代價。

消失的剎車

當換一套進銷存意味著一年、一家廠商、以及一筆老闆親自簽字的預算，這個成本會強迫一場對話。有人必須問：系統是真的不行了，還是真正的問題是倉庫六點才過帳？實作成本是一道過濾器：只有嚴重到足以證明開銷合理的問題，才會得到複雜的解法。其他所有問題都靠改流程或一份 Excel——不是出於原則，而是出於預算。

這道過濾器從來不是設計出來的，所以它消失時也沒有人補上替代品。當 AI 助手能在一週內搭出一套客製進銷存，就不會有那場一年的對話，也不再有一個自然的節點強迫某人問出「我們需要這個嗎？」沒有過濾器的廣度不是資產，是暴露面：一個在早上八點門市開門時掛掉的同步服務、一組倉管會忘記的帳號、一個沒人維護的條碼模組。做對的材料商，是刻意補上了這道剎車的公司——一場先問「這解決什麼問題」再問「怎麼做」的審查，以及一個工作就是說「不」的人，通常是倉庫主管而不是資訊人員。

AI 加速的是哪一半

技術知識有兩種。模式知識是多倉庫存同步如何運作、料號與 SKU 的資料模型長什麼樣、條碼掃描器怎麼接會計系統。它活在廠商文件和每一個語言模型的訓練資料裡。現在幾秒鐘就有。

情境知識是：這家材料商、配上這份品項目錄和這批員工，導入條碼進銷存後是否真的會更好——還是第一個月就垮了，因為供應商送來的零件裝在沒標籤的紙箱裡、同一片煞車皮有五個可互換的料號、門市老手憑車型和記憶找料比任何掃描器都快。這種知識不在任何文件裡，因為文件描述的是技術，不是你的倉庫。它只有一種累積方式：把系統裝上去、和它一起過日子、把它的失敗帶著走成為直覺。

AI 把第一種知識完全加速了，第二種則完全沒有。模式知識過去是判斷力的代理指標——如果你懂多倉同步怎麼運作，你大概是在需要它的公司裡學到的。這個代理指標已經失效。現在任何人都能產出模式正確、背後卻沒有情境判斷的成果，而它看起來和資深系統整合商的產出一模一樣。差異會在幾個月後的門市櫃檯浮現，成為一筆沒有人追溯到當初那個決策的成本。

問題陳述本身就是錯的

給 AI 一個需求，它就建造這個需求。這是整條工具鏈裡最危險的特性，因為需求幾乎從來不是商業問題的陳述。它們是某個人對解法的第一個猜測，穿著需求的外衣。「我們需要即時庫存」意思是業務答應了客戶沒有的貨。「我們需要 AI 需求預測」意思是那位知道雨季前哪些零件會動的資深採購要退休了，沒人知道他怎麼決定。「我們需要一個 App」意思是二代接班人剛聽完一場研討會。

有情境知識的工程師聽到需求，會先問發生了什麼事。掉單的問題，用一小時內過帳加上報價前先查一下就能解決——不需要 event bus。採購退休的問題，是先花三個月把他怎麼決策記錄下來，再談任何預測模型。AI 做不到這件事。它無從得知上個月發生了什麼。它把問題陳述當成既定事實。看穿陳述、直達真正的痛點，不是一項技能。那是疤痕組織。AI 沒有。

投資收斂，而非廣度

當一項新能力出現，本能反應是去取得更多。這是錯誤的方向。廣度現在是免費的。真正的限制是收斂：把「能做什麼」的巨大空間，縮小到「該做什麼」的那一件事。

收斂看起來像一位資訊主管先在門市櫃檯後面站一個早上，再打開筆電。像一場從「最簡單可行的方案是什麼」出發的審查。它被系統性地投資不足，因為它不產生看得見的產出：勸退材料商不要建一套用不到的平台的工程師，省下的比漂亮建出來的那位更多，但只有其中一位有 App 可以拿出來。轉型預算獎勵建造。沒有任何東西獎勵正確地不建造。

當實作昂貴時，稀缺的技能是建造複雜的東西。現在它便宜了，稀缺的技能是知道什麼時候不該建造。這種知識不在模型裡。它在那些把足夠多系統裝進足夠多公司、知道哪些令自己後悔的人身上。

在 AIDARIS，這就是我們帶來的東西：不是技術廣度——AI 已經給你了——而是把這份廣度收斂到商業真正需要的方案上的實戰判斷。如果你正在評估下一套系統該不該建，我們很樂意交流。