「AI 就像在屋頂上騎腳踏車，易學難精。」
這句話出自已故的陳昇瑋教授，對此我深感共鳴。每個碰到的專案，做到一定階段或者說一開始，腦中總會跳出同一個問題：「一定要用 AI 嗎？」
這是每天我都在問自己的核心命題。
數據開始走紅，大概是從「資料科學家會是 21 世紀最性感的職業」這篇報導開始。慢慢地，開始有人談大數據、工業 4.0、AI 或是數位轉型，大家都朗朗上口，好像每個人都是專家。但回到事情本身：你真的在賣場看過尿布放啤酒旁邊嗎？
如果你手上只有名為 AI 的這把大槌，那所有東西看起來都會是釘子。所以正確地說，我們要不斷地反問自己：「要不要放棄用 AI 的手法來解決問題？」
回顧自己 11 年的經驗，不論是身處甲方還是乙方，歷經公司內部稽核、外部接案輔導、評審，大大小小的案子共看過 400 多件。
案子為什麼成功好像沒什麼具體的準則，但失敗倒是驚人的相似，想想也該整理一下，算替自己有個交代。
東西最終有沒有落地，還是要回歸到營運層面來說。你或許曾聽過這樣的吐槽：「如果不執行這專案，公司就省了多少錢……」或者像微軟某位主管在大專案搞失敗、難過得要引咎辭職時，上面的老闆卻對他說：「我花了那麼多錢讓你試，你要在這個經驗上把下個專案弄成功。」因此留任了他。
本系列名稱靈感正來自上述兩件事。於是我盤點了一下手上看過或經歷過的專案總成本，粗估大概是 30 億元，因此有了這個系列名稱：《30億的維運教訓：一個 IT 工程師的 AI 落地避坑指南與營運思維》。
現在我自己大概會用這樣的流程來進行避坑，大致如下:
大概的流程圖會長如下這樣:
實務上，不見得要嚴格按照上面的流程走，如果有些東西已經確定繞不開，早點止損也好；但為了敘事方便，我從最簡單的情況說起。引述巴菲特的觀點：
「找到打擊率 4 成的好手，然後不要指手畫腳！」
同理，如果找到對的人，後面交給他就好了，這大概是最輕鬆省力的做法（當然是在有得選的前提下），所以第一大項我會先談一下強打者的特徵。
但天底下哪有那麼好的事？再強的打擊者都會有低潮，所以如果你發現一段時間以來這傢伙好像沒有 4 成打擊率，那麼該怎麼辦？畢竟沒有走到終點，沒有人知道究竟是不是遇人不淑。
不過，如果未來要相處的團隊有考慮到接下來談的一些重要事項，我會很願意與之一起走到最後。這些重要事項，我通常會照上面的流程圖走（註 1），概念上是 「先處理非政治問題，再處理政治問題」。
或許你聽過這樣的說詞：「身為技術工程師，這案子我聽起來沒有太大的問題，但基於某某原因，我要再跟 PM 或上級請示一下。」
我很喜歡這樣的說法。原因是技術上的東西相對客觀，所以可以相對容易地形成共識，例如問題的定義可不可以被量化目標，以及規劃使用的解決方案技術可行性是否存在。當目標被量化出來時，通常也代表後面的效益在某種程度上被量化了，大家是在同一個客觀基礎上討論，比較不容易公說公有理、婆說婆有理，能有共識做下一步決策。
因此，談完第一大項的人才之後，我會接著談在極小成本下，怎麼快速看一下第二大項量化目標與第三大項技術可行性。
反過來說，有些老闆還沒聽你報告，就會先問：「效益是多少？回收年限是多少？」
經濟效益就這樣非常赤裸地砸在臉上，那就先評估它也行。但 AI 這東西嘗試性質偏大，經驗上長官在初期通常都不會卡太緊，甚至有點財大氣粗的味道，讓你前面盡量試，這時就全力衝刺吧！所以我把效益放在第四大項講。
（實際上熟練了之後，都會參雜著一起評估完。）
最後，專案第一次落地時，我只能說一樣米養百樣人，沒有一套設計能完全符合每個人的需求，但至少要能搞定大部分人。這大部分人的行為我通稱組織文化，只能說一個蘿蔔一個坑、一個鍋配一個蓋，這往往最令人煩心。
所以個人建議是優先評估非政治問題，如果沒太大問題，再來看政治問題怎麼折衝。然後又繞回原點——如果一開始我可以挑合作對象……總而言之，第五大項我會盡量談一下組織文化。如果看到某些徵兆請及早避開（船大難掉頭），除非你有決心讓大象學會跳舞。
冗長的序言就到這裡吧！接下來 5 天，預計都是關於第一大項人才的議題，明天我們就從「選人」開始談起。
註 1：偶爾會遇到上天派來的天使，讓你知道要提前確認某些事情，那就去做吧！不要猶豫。例如某位大神跟你提醒過往類似專案曾被某法規卡住、或是某某客戶特別在意什麼細節。
iThome鐵人賽
看影片追技術