AI 幫你補齊了 PM、設計、工程、QA，一個人就能做完整個產品，那還缺什麼？這篇帶你看懂一人團隊最容易少掉的那一塊，以及三種把它補回來的方法！
2006 年，Paul Graham 寫了一篇〈The 18 Mistakes That Kill Startups〉，列在第一條的錯誤是「只有一個創辦人」。他的理由裡有一句話：就算你一個人做得完所有工作，你還是需要同事，陪你想點子、在你要做蠢決定時把你勸回來、在事情出錯時替你打氣。
二十年後，這句話的前半段成真了。AI 能寫規格、畫介面、寫程式、跑測試，一個人真的做得完一個產品的所有工作。Carta 在 2025 年 12 月的報告裡統計，美國新成立的新創公司裡，只有一位創辦人的比例從 2019 年的 23.7%，升到 2025 年上半年的 36.3%。
所以很多人開始問：AI 讓我一個人能做完整個產品，那我還缺什麼？
我的答案在 Graham 那句話的後半段。AI 補得起產出的角色，補不了一個沒有跟你綁在一起、會對你說「不」的人。一人團隊缺的是摩擦，人手 AI 補得上。
左邊那四個「不」，沒有一個是為了反對而反對。每個角色顧的東西不同，所以會在不同的地方踩煞車。右邊的你和 AI 也做得出四個角色的東西，但它們都從同一個人的想法長出來，不會互相打架。
快速回答 一人團隊缺的是「摩擦」，人手 AI 補得上。AI 可以低成本扮演 PM、工程、設計、測試的第一版產出角色，但它補不了一個和你利益不同、敢對你說「不」的人。一人做產品的關鍵，是替自己設計反向約束機制：引入外部驗證者、客觀數據指標、嚴格的測試腳本與真實使用者訪談。
AI 能在兩天內產出各角色的第一版，但盲點只有進到真實環境才會現形
先講 AI 確實補上的部分，這部分我很有感。這個網站從寫作規範到程式，是我和 Claude Code 一起維護的。我替網站做會員中心時，規格、程式、資料庫腳本都和它一起寫，分三期，兩天內做完。換成幾年前，這是一個小團隊要排好幾週的工作。
PM 的需求文件、設計師的畫面、工程師的程式、QA 的測試案例，AI 都給得出一份像樣的第一版。等待也跟著變短：想法還粗糙時就能整理成規格，沒有設計師也能先有原型，沒有完整團隊也能把一段流程跑起來。
但會員中心最後卡住的地方，都不在這些產出裡。有一個後台功能沒有部署上去、學員作品的圖片破圖，這些是上線、真的有人在用之後才冒出來的問題（過程寫在〈Plan、Build、Verify、Ship 是什麼？AI 寫程式變快後，進度要怎麼算？（2026 完整懶人包）〉那篇）。規格、程式、測試都是我和 AI 寫的，它們看不到我沒想到的事。告訴我出錯的，是真實環境。
一人創業的明星案例也是這樣。以色列創業者 Maor Shlomo 一個人創辦 Base44，沒拿創投的錢，做出一個用對話就能生成應用程式的工具。半年內累積 25 萬名使用者，2025 年 6 月被 Wix 以 8,000 萬美元現金收購。這常被拿來當「一個人也能做成」的證據。但 TechCrunch 報導收購時特別寫了一句：他其實沒那麼「一個人」，被收購時有 8 名員工。25 萬個使用者每天用或不用，就是最直接的否決。
Carta 的報告裡有個數字也指向同一件事：只有一位創辦人的公司，請第一位員工的時間反而比較早，中位數是成立後第 399 天，多位創辦人的公司是第 480 天。一個人創辦，很少一直一個人做。
團隊裡的否決來自利害衝突：AI 傾向附和且不承擔後果，無法扮演真正的反對者
團隊為什麼會有人說「不」？因為每個角色要承擔的後果不一樣。團隊裡的否決權，來自角色之間的利害衝突：
- 做了沒人用，要對老闆交代
- 誰真的需要這個？
- 使用者卡住，被客服轉來抱怨
- 這個按鈕沒人找得到
- 半夜被叫起來修
- 這樣寫之後維護不起
- 壞掉的功能被說沒測到
- 你沒走過這條路徑
這些「不」讓事情變慢，也讓產品在上線前先被幾種不同的眼光檢查過一遍。
一個人加 AI，四個角色的產出都在，衝突卻不在了。AI 寫的規格照你的提示寫，AI 寫的測試照你描述的路徑測，AI 畫的畫面照你想像的使用者畫。四份東西看起來是四個角色，其實都從同一個人的偏好長出來。
能力邊界變大，盲點也會跟著集中。沒有人在需求會議問「誰真的需要這個」，沒有人做 code review，測試可能只照自己預期的路徑跑。〈AI Coding 驗證閉環〉那篇講過同樣的結構：出題、答題、閱卷都是同一個來源，錯就會一起錯，也會一起「通過」。一人團隊把這個結構，從測試放大到整個產品。
這篇論文的第一張圖就把「附和」量化出來：研究者請 AI 評論同一段論點，只在提示裡多加一句自己喜不喜歡。
那請 AI 扮演反對者呢？可以當第一輪練習，但我不會把它當否決。原因有兩個。第一，AI 有附和使用者的傾向。Anthropic 的研究人員在 2023 年測了五個主流 AI 助理，發現它們普遍會順著使用者的看法回答，而且人類評分者有時更喜歡有說服力的附和，勝過正確的答案。2025 年 4 月，OpenAI 還因為 GPT-4o 的一次更新變得太會討好使用者，在幾天內退回前一個版本。第二，就算它說出了很好的反對意見，它也不必承擔後果。它不會半夜被叫起來，不會損失一毛錢，你按一下重新生成，反對意見就換成另一個版本。
柏克萊 8 個月實地研究：缺乏同事踩煞車，一人專案的工作範圍只會無限制膨脹
摩擦還有另一個作用：讓人停下來。
加州大學柏克萊分校的 Ranganathan 與 Ye，在一家約兩百人的美國科技公司觀察了八個月，2026 年 2 月把結果發表在《哈佛商業評論》。公司沒有強制使用 AI，員工卻自己加快速度、接下更多原本不屬於自己的工作，把工作延伸到休息時間，沒有人要求他們這麼做。
在公司裡，至少還有主管或同事會注意到你在做的事越來越多。一個人做產品，沒有人會說「這個功能先不要做」。工具永遠能再生成下一個頁面，所以範圍只會一直長，直到某一天你發現自己做了很多東西，卻沒有一樣交給別人用過。
從外部接回否決點：用真實試用者、付費意願與法規審查替產品裝上三道煞車
既然團隊內部的否決點消失了，就要從外面接回來。我認為有三種最可靠，它們有一個共同點：說「不」的人和你的產品有真實的利害關係。
- 試用者：找接近真實使用者的人，讓他自己完成一個任務，記下他卡住、誤解、繞路的地方
- 做出第一個能操作的版本時
- 付費意願：預購、訂金、願意排進下一季預算，用錢表態
- 投入大量時間之前
- 法規審查：碰到個資、金流、醫療、未成年使用者，找真正的專業人士看
- 碰到這些之前
試用者要找對人。朋友會出於支持略過問題，懂技術的人會自動補完介面沒說清楚的步驟。最好的試用者是真的會遇到這個問題、但不認識你的人。別問他「你覺得好不好」，看他自己做，他停下來的地方就是他的「不」。
付費意願是最難被客套話騙過的訊號。很多人會說「做出來我一定用」，願意先付一筆訂金的人少得多。Base44 能證明自己，靠的也是使用者數和獲利。
法規審查是唯一不能靠多試幾次學會的。個資外洩、金流出錯，一次就夠了。
另外，我會再加一道自己設的關卡：開工前寫下停損點。例如「找五個人試用，有三個人完成不了主要任務，就縮小範圍或換問題」。這不能取代外部的否決，但它讓你在看到結果時，沒辦法臨時改規則說服自己。
例外邊界：自用工具靠自己就能否決，但面向市場的產品不能好幾個月不見使用者
這個判斷有邊界。如果你做的是只給自己用的工具，整理自己的檔案、自動化自己的報表，那你就是唯一的使用者，你自己的「不好用」就是否決，不需要再找人。
一個人做生意本身也不是新鮮事。主計總處的人力資源調查裡，自己經營、沒有僱人的「自營作業者」，2025 年平均約 127 萬人，大約每 9 個就業者就有 1 個，這個人數十幾年來都在 127 到 133 萬之間。巷口一個人顧的小吃攤，每天都在接受否決：客人不回來，隔天就知道了。
AI 帶來的新情況，是一個人可以做出一個很大的產品，卻好幾個月都不必面對一個真正的使用者。真正要問的，是你離下一個會說「不」的人有多遠。
組織那一邊在期待什麼樣的 AI Native，可以對照〈AI Native Builder 是什麼？公司要的已經不只是「會用 AI」（2026 職場趨勢整理）〉。公司裡的人有同事和主管替你踩煞車；一個人做產品，煞車要自己裝。
結論：在作品還小時就交出去面對檢驗，別讓 AI 取消了別人對你說「不」的機會
我在辦 AI 實戰營。我認為一個人學做產品，最值得練的一件事，是在作品還小的時候就交出去，讓真的會用的人告訴你哪裡不行，再讓他的反應改變你的下一步。這比多會一套工具重要。
想帶一個真實問題，在有人會對你說「不」的環境裡把它做完，可以看 AI Native Builder Program 線下實戰營。
一個人可以更早開始，但不能因此取消別人對你作品說不的機會。
常見問題
一個人用 AI 真的能抵上一支產品團隊嗎？
在「產出速度」上可以，在「決策盲點」上不行。AI 能幫一人開發者完成多個專業角色的初稿與實作，但真正的團隊價值在於跨職能間的互相挑戰與制衡；一人開發者缺乏這種摩擦，極容易把力氣浪費在沒有真實需求的完美功能上。
讓 AI 扮演「反對者」做 Code Review 或產品審查夠不夠？
不夠。模型沒有真正的個人立場與利害關係，它的反對只是基於統計機率的論述演繹。只要你稍微堅持自己的偏好，AI 很快就會順著你的語氣妥協。它無法替代那些在真實市場中會直接用腳投票的使用者。
一人開發者最容易陷入的盲點是什麼？
最容易陷入「做出來很爽」的沉沒成本陷阱。因為靠 AI 寫出完整系統太快了，開發者容易沉溺在技術架構的堆砌中，連續開發幾週卻遲遲不敢找真實客戶驗證付費意願，最後做出一款功能齊全卻無人使用的作品。
什麼時候必須引入真正的真人提供回饋？
在決定「要不要做這個功能」與「收不收得到錢」的時候。只要涉及定價測試、流程是否符合客戶直覺、以及產品的核心承諾是否具備說服力，都必須走出對話框，向真實潛在客戶做深度訪談。
延伸閱讀
- AI Native Builder 是什麼？公司要的已經不只是「會用 AI」（2026 職場趨勢整理）
- AI 寫的測試全過，為什麼功能還是錯的？驗證閉環完整懶人包（2026）
- Plan、Build、Verify、Ship 是什麼？AI 寫程式變快後，進度要怎麼算？（2026 完整懶人包）
- Vibe Coding 是什麼？做出來會動，為什麼還不能直接給別人用？（2026 新手必看）
參考資料
一人創業
- Paul Graham, The 18 Mistakes That Kill Startups（2006-10） https://paulgraham.com/startupmistakes.html
- Peter Walker & Hamza Shad（Carta）, Solo Founders Report 2025（2025-12-09） https://carta.com/data/solo-founders-report/
- Julie Bort（TechCrunch）, Six-month-old, solo-owned vibe coder Base44 sells to Wix for $80M cash（2025-06-18） https://techcrunch.com/2025/06/18/six-month-old-solo-owned-vibe-coder-base44-sells-to-wix-for-80m-cash/
- 行政院主計總處, 人力資源調查〈歷年就業者之從業身分〉（政府資料開放平台，2026-10-16 擷取） https://data.gov.tw/dataset/31834
AI 與附和
- Sharma, M., Tong, M., Korbak, T., et al., Towards Understanding Sycophancy in Language Models（arXiv 2310.13548, 2023；ICLR 2024） https://arxiv.org/abs/2310.13548
- OpenAI, Expanding on what we missed with sycophancy（2025-05-02） https://openai.com/index/expanding-on-sycophancy/
工作量
- Aruna Ranganathan & Xingqi Maggie Ye, AI Doesn't Reduce Work—It Intensifies It（Harvard Business Review, 2026-02-09） https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it
- UC Berkeley Haas Newsroom, AI promised to free up workers' time. UC Berkeley Haas researchers found the opposite（2026-02-18） https://newsroom.haas.berkeley.edu/ai-promised-to-free-up-workers-time-uc-berkeley-haas-researchers-found-the-opposite/
留言0
登入後就能留言。
登入