我用 AI 做了一次網站的行銷分析——SEO 問題、文案角度、用戶路徑——這種事以前要嘛自己花大量時間研究，要嘛找專員。現在一個下午搞定，而且品質不差。
這讓我想到一個問題：這件事每個人都能做到嗎？
答案是：能，但很多人不會去做。不是因為工具難，而是因為他們不知道要花這個時間去研究。
兩條路，解決不同的問題
工程師跟一般用戶使用 AI 的方式，本質上是兩條不同的路徑。
工程師的 AI stack 圍繞著「讓我寫 code 更快、讓系統更好」：
- Claude Code / Cursor / Aider：直接在終端機或 IDE 裡跟 AI 協作，可以讀你的整個 repo、改檔案、跑指令
- API 直接呼叫：把 AI 能力整進自己的系統，自訂 prompt、控制輸出格式
- MCP / Skills：把 AI 的觸手延伸到外部工具（瀏覽器、資料庫、第三方服務）
這條路的核心優勢是可以把 AI 嵌進工作流，而不只是「問問題、拿答案」。你會寫 code，你就能把 AI 變成你系統的一部分。
一般用戶的 AI stack 圍繞著「幫我省掉需要專業人士才能做的事」：
- ChatGPT / Claude.ai：對話、寫作、整理、翻譯、解釋
- Perplexity：查問題，附來源，比 Google 快
- NotebookLM：把你自己的文件丟進去，讓 AI 幫你整理和問答
- Midjourney / DALL-E：圖像生成，不需要設計師
這條路的核心優勢是降低了以前需要花錢找人的門檻。
同一個需求，兩種人用不同工具
舉行銷分析這個例子：
一般用戶可以把網站內容貼給 ChatGPT，問「從行銷角度這個網站有什麼問題」——拿到的是可以參考的分析框架。工程師可以寫一個 script，把 sitemap 全部爬下來、跑 Lighthouse、把結果丟給 Claude API 做結構化分析，輸出成報告——這已經是工具了，不是一次性的問答。
不是哪個比較好，而是目的不同。一般用戶要的是「我現在能不能做這個判斷」，工程師要的是「我能不能把這個判斷自動化、可重複」。
可怕的不是工具難，是不願意投入時間
AI 工具降低門檻了，但沒有降到零。
現在有些工作，比如基礎的行銷分析、文案修改、資料整理，一般人只要願意花一兩個小時學怎麼問問題，就能不需要專員。這個門檻很低。
但問題是：很多人不願意花這個時間。不是因為學不會，而是因為沒有動力去研究。習慣了「這種事找人做」，就不會去想「我能不能自己用工具做」。
這是工程師和一般用戶之間真正的鴻溝——不是能力，是習慣。工程師本來就習慣碰到問題先去找工具、研究工具、讓工具幫自己。這個習慣放到 AI 時代，優勢被放大了。
如果你是一般用戶，要做的一件事
不是去學寫 code。
而是養成「碰到事情先問 AI 能不能幫上忙」的反射。不管是行銷分析、法律問題、財務試算、還是寫一封難開口的 email——先試試看，再決定要不要找人。
多數情況你會發現，AI 給的答案品質夠用，或者至少讓你能問出更好的問題，再去找真正的專家。
工程師的 Claude Code 跟你的 ChatGPT 解決的是不同問題，但起點是一樣的：知道這個工具能做什麼，你才能用上它。