規則優先

先問：規則能解決嗎？

接到新需求時，AI 產品經理的第一步不是挑模型。

而是先問：這個問題，能不能用一條簡單規則解決？

如果一條規則就能做到模型一半的效果，急著導入 AI 可能只是多花錢。

這就是規則優先：先用規則建立基準，再決定要不要換成模型。

規則是最好的基準

規則有四個明顯優點：開發快、成本低、好解釋、容易除錯。

模型則要付出開發、推論與維護成本。

所以規則很適合當成基準：任何 AI 方案，都要先跟它比一比，看看多出多少效益。

情境：自動分類客訴

假設某電商客服主管想導入 AI 模型，把客訴自動分到「退貨」「物流」「付款」三類。

工程團隊估計，模型要花三個月開發，每月還要付推論費用。

分類錯了會怎樣？客訴會轉錯部門，回覆跟著延遲。

先寫規則，再測試

第一步，先寫關鍵字規則。例如信件出現「退貨」「退款」，就歸到退貨類。

這種規則一天就能上線。

第二步，用假設的 500 封歷史客訴測試：規則正確率 80%，模型原型 88%。

現在你有了基準，可以具體比較兩者差多少。

多 8 分值不值得？

第三步，比較成本。模型只多出 8 個百分點的正確率。

代價卻是多花三個月開發，加上每月持續的推論費用。

效益比不上成本，所以結論是：先上線規則。

這不代表模型不好，只是現在還不划算。

事先寫好換模型的條件

規則不會永遠夠用。情況太多變、規則多到難以維護，或錯誤率影響使用者與商業目標，規則就做不好了。

但還要再確認：模型多出的效益，是否高於開發、推論與維護成本？

這些時機要用可衡量的條件事先定義，不要憑直覺。

例如客服案例：正確率掉到 75% 以下，或客訴類別多到規則難以維護，就導入模型。

帶回你的工作

下次遇到新需求，照這個順序走。

先寫規則、測出基準，再比較模型多出的效益與成本。

最後寫下換成模型的條件，定期檢查。

這樣能省下不必要的開發與維護成本，也讓導入 AI 的決定有憑有據。

一位 AI 產品經理接到新需求：自動把使用者的留言標成「好評」或「負評」。他接下來應該_____

• 先問這個問題能不能用簡單規則解決
• 先比較市面上哪個 AI 模型最準

答案: 先問這個問題能不能用簡單規則解決

面對新需求，第一步不是挑模型，而是先問簡單規則能不能解決。規則開發快、成本低，可以當成衡量任何 AI 方案的基準。

假設某訂餐 App 想自動判斷訂單備註是不是「要求不加辣」。團隊測試後發現：關鍵字規則正確率 90%，AI 模型原型 91%。模型要多花六個月開發，每月還要付推論費用。判斷錯了的影響很小。比較合理的做法是哪一個？

• 先上線規則，因為模型多出的效益比不上成本
• 改用模型，因為模型的正確率比規則高
• 規則和模型都不用，因為兩者都不是 100% 正確
• 改用模型，因為規則以後一定很難維護

答案: 先上線規則，因為模型多出的效益比不上成本

模型只多出 1 個百分點，卻要多花六個月和每月費用，多出的效益不及成本，所以先上線規則。模型比較準，不代表就值得改用。

一個團隊決定先用規則上線。對於「什麼時候該換成模型」，比較好的做法是_____

• 事先訂好可衡量的條件，例如正確率掉到某個數字以下就換
• 先不訂條件，等大家覺得規則不好用時再討論

答案: 事先訂好可衡量的條件，例如正確率掉到某個數字以下就換

換成模型的時機應該事先用可衡量的條件定義，例如「正確率掉到某個數字以下」，而不是憑直覺決定，這樣才不會太早或太晚換。