When AI Makes the Impossible Possible… Rethinking Product Development
內容目錄
有時候會想一件事…
過去在做產品開發時，腦袋裡其實有不少想法，並不是沒有人想過，而是當時評估完之後，發現做起來太麻煩、成本太高，或是需要太多專業人力。
最後只好放著。
這種情況在產品開發裡並不少見。
想把舊工程圖轉成 3D 模型，可能需要工程師重新建模；想讓產品依照不同客戶需求快速修改，可能會遇到設計資料無法重複利用的問題；想在設計階段就把各種可能的錯誤找出來，也可能因為測試時間和人力有限，只能先處理最重要的項目。
不是不知道怎麼做，而是做一次的成本太高，沒有辦法變成日常流程。現在 AI 開始進入產品開發，讓人重新想到一個問題…AI產品開發協助實現過去沒實現的….產品。
以前做不到的事情，是不是有機會重新拿出來做一次？
以前不是沒有想法，而是條件不允許或是沒想到
回頭看過去的產品開發，有些構想最後沒有實現，原因其實不一定是技術完全做不到。
有時候是技術上可以，但需要投入太多時間；有時候是需要很多人一起處理，溝通和整合的成本反而超過產品本身的價值。
也有一些工作，必須依賴少數有經驗的人才能完成。當這些工作無法標準化，也很難大量複製，就會變成產品開發的瓶頸。
以前想把一張工程圖轉成可修改的 3D 模型，工程師可能得先判讀尺寸、視圖和幾何特徵，再進入 CAD 軟體重新建立模型。
如果只有一張圖，可能還算單純；但當公司累積幾百張、幾千張舊圖面時，這件事就不只是建模，而是人力和時間的問題。
所以很多資料明明還有價值，最後卻只能留在資料夾裡。
這類問題以前不是沒有人想解決，而是投入的成本和能得到的效益，很難取得平衡。
AI產品開發帶來的改變，不只是把工作做快
現在談 AI，常常會先想到幫忙寫文件、整理資料、產生圖片或程式。
這些確實有用，但對產品開發來說，我覺得還有另一個值得觀察的方向…
AI 是否能讓原本需要大量人工處理的工作，變成可以被重新設計的流程？
這兩件事不太一樣。
如果原本需要工程師花三天整理資料，現在 AI 可以在幾分鐘內完成，這是效率提升。
但如果過去因為人工整理太花時間，所以公司根本沒有能力把所有舊資料拿來分析，現在 AI 讓這件事變得可行，那就不只是省下幾天時間，而是多出了一種過去沒有辦法採用的工作方式。
這可能才是值得注意的地方。
AI 不一定要直接取代原本的專業工作，也不一定要從頭設計一個全新的產品。
有時候，只要把原本卡住的其中一個環節打通，整個產品開發流程就可能出現不同的選擇。
已經有一些過去很難實現的事情，開始出現新進展
這不是單純的想像。
2026 年已經有一些研究和產品，開始嘗試把過去需要大量人工處理的工程工作交給 AI 協助。
舊工程圖轉成 3D CAD
2026 年 9 月發表於 Manufacturing Letters 的研究，提出利用 Agentic AI，從過去留下來的 2D 工程圖重建 3D CAD 模型。
研究把工作拆成視圖辨識、特徵描述和建模程式生成，再透過不同階段的 AI 處理。
研究使用了 13 組航空相關的舊工程圖進行測試，並以工程師重建的 3D 模型作為比較基準。
這讓人想到一件事…
過去公司累積的工程圖，除了查閱和保存之外，有沒有機會重新轉成可以修改、延伸設計的數位資產？
當然，13 組案例還不能代表所有工程圖都能成功轉換，圖面品質、尺寸標註、視圖完整性和模型複雜度，都會影響結果。
但至少，這件事已經不只是概念了。
從設計構想走向工程模型
另一個方向是讓 AI 參與早期的產品概念設計。
2026 年發表於 Nature Communications 的 iDesignGPT，嘗試把設計方法、需求整理、資料蒐集、概念發想和方案評估整合成一個 AI 協作流程。
它不只是請 AI 想幾個外觀，而是把產品設計過程拆成不同階段，讓 AI 協助整理需求、探索設計方向，再依照評估條件比較方案。
這讓原本需要不同專業人員反覆討論的前期工作，有了另一種協作方式。
不過，概念設計得到的結果，並不等於已經通過工程驗證，更不代表可以直接量產。
這些研究讓人看到一個變化…
以前需要先投入大量人力，才有辦法開始做的事情，現在可能可以先利用 AI 建立初步成果，再由專業人員確認、修正和驗證。
工作順序開始有了不同的可能性。
但 AI 做得到，不代表產品就做得出來
這裡有一個地方，我覺得不能忽略。
AI 可以產生一個 3D 模型，不代表這個模型就能拿去加工。
AI 可以提出一個設計方案，不代表結構強度、散熱、材料、成本和製造條件都符合要求。
AI 可以產生測試項目，也不代表測試真的涵蓋了所有風險。
產品開發最終還是要回到實際條件。
模型能不能修改？尺寸是否正確？材料能不能取得？製程是否可行？測試結果是否可信？後續維護有沒有辦法接手？
這些問題不會因為 AI 出現就自動消失。
最近看到一篇 2026 年的工程 AI-CAD 評論研究，整理了 107 篇相關資料。裡面提到一個值得注意的落差…
目前 AI 在幾何生成和程式執行方面已有進展，但要讓模型保留可修改的參數、原始設計意圖、穩定的特徵歷史，以及後續 CAD、CAM、CAE 流程能繼續使用，仍然有不少問題需要解決。
換句話說，外觀看起來像一個零件，和真正能交給工程部門使用，是兩回事，評估 AI 能不能實現一個過去做不到的構想，不能只看它能不能產生結果。還要看這個結果能不能被確認、能不能被修改、能不能接進原本的開發流程，以及出了問題之後能不能找到原因。
這些才是產品能不能落地的關鍵。
重新翻出以前被放棄的構想
這讓我想到，現在產品開發或許可以換一個角度思考。
以前做產品規劃時，遇到某些想法，可能很快就會評估出結論…
- 需要太多工程師，成本太高。
- 資料太複雜，整理不起來。
- 需要大量測試，開發時間不允許。
- 客戶需求太分散，沒有辦法逐一客製。
這些判斷在當時可能完全合理，但現在 AI 的能力、工具和整合方式一直在變，過去的結論不一定永遠成立。
也許可以重新檢查以前被放棄的構想，看看當初真正卡住的是哪個環節。
- 是資料整理？
- 設計建模？
- 程式開發？
- 測試驗證？
- 還是不同部門之間的資訊整合？
如果 AI 能處理其中一部分，原本不划算的事情，會不會突然變得值得做？
當然，不是每個過去被放棄的想法都值得重新開發。有些需求本來就沒有市場，有些則是材料、物理條件或製造成本無法克服。
AI 不會讓所有不合理的產品變合理，但它可能改變某些事情的開發成本，讓原本沒有機會進入評估階段的構想，重新有了被驗證的機會。
產品開發，或許可以從重新檢查不可能開始
我覺得 AI 時代有趣的地方，不只是現在能做出多少新產品。
而是以前那些曾經想過、討論過，最後因為做不到或不划算而放棄的事情，現在是不是有機會重新評估？
這不一定要從很大的產品開始。
可能是一張沒有人想重新建模的舊工程圖，也可能是一個過去需要好幾個工程師花很多時間才能完成的測試流程。
先找到真正的限制，再看看 AI 能不能補上那個缺口，如果可以，就試著做出一個小規模的驗證。
結果不理想，就知道還差在哪裡；結果可行，再考慮怎麼接進產品開發流程，以前很多事情做不到，可能不是因為想法不好，而是當時的條件還不允許。
現在條件變了，或許值得再想一次。
有些被放棄的構想，不一定真的過時了，只是終於等到另一種實現方式。
更多文章…
AI 產品時代，ID 還能只負責外觀嗎？
企業級AI Agent自動化重構，多Agent協作架構的思考
從命令AI到AI Agent自動化……未來工作流程的重構邏輯
發佈留言