Vibe Coding 退燒之後：為什麼大多數 AI 寫的應用死在上線前

一、蜜月期結束了

「Vibe Coding」這個詞去年才誕生，而且一出場就帶著光環。社群上每天都有人展示：不會寫程式的創辦人一個週末做出訂閱制網站、行銷主管自己拼出內部工具、國中生做出遊戲。工具是真的驚人——這點到今天也沒變。

變的是最近這六個月，後面的故事開始被講出來。越來越多團隊發現同一件事：AI 生成的應用，大多數死在上線前；僥倖上線的，死在第一次真實考驗。資安圈整理出一批又一批把 API 金鑰寫死在前端、權限形同虛設的 AI 生成網站；企業內部的版本則更安靜——那個「兩週就 demo 給老闆看」的內部工具，在要接真實資料、要過資安審查、要給兩百人用的那一刻卡住，然後在某個季度會議上被悄悄結案。

值得說清楚的是：這不是 AI 的失敗。同一段時間，用 AI 加速交付、而且真的上線、真的穩定運轉的系統也在增加——只是它們幾乎都有同一個共同點：背後有專業工程團隊在指揮。

市場只花了一年就學到的事，其實一句話就講完了：AI 降低了「做出來」的門檻，沒有降低「上線」的門檻。而企業要的從來不是做出來，是上線之後的三年。

二、Demo 與 production 之間的八道牆

為什麼 demo 跑得好好的東西，上線就出事？因為 demo 的環境把最難的部分全部藏起來了。具體來說，是八道牆：

這八道牆有個共同特性：它們都不會出現在需求描述裡。你跟 AI 說「幫我做一個請假系統」，它會給你一個能請假的系統——它不會主動問你「代理人簽核的權限怎麼設計」「特休按勞基法還是按曆年制折算」「稽核需要保留幾年紀錄」。這些問題，是工程師在需求訪談的第一個小時就會問的。

換句話說：AI 回答問題的能力已經很強，但它不知道哪些問題該被問。知道該問什麼，目前仍然是人類專業的護城河。

三、同一套 AI，兩種結果：差在駕駛，不在引擎

有趣的是，專業團隊和非專業使用者用的常常是同一套工具。差別在使用的方式。

非專業的用法是「跟團導航」：描述需求、收下程式碼、看起來能跑就往下走。這個模式最危險的時刻，不是 AI 寫不出來，而是 AI 寫錯了但看起來是對的——薪資算出來有數字，只是四捨五入的時點錯了；權限檢查有寫，只是漏了一條 API。這種錯不會在 demo 現場爆炸，它會在三個月後的薪資單、或某一次滲透測試裡爆炸。

專業的用法是「持續糾偏迴圈」：先把規格寫清楚（包含那八道牆），讓測試先於實作，AI 產出的每一段程式都過 review，架構決策由架構師拍板並留下紀錄。在這個迴圈裡，AI 貢獻的是驚人的速度——把五週的活壓到兩週——而品質的底線由紀律守住。我們把這種做法叫 Agentic Coding：AI 在開發迴圈裡加速，工程紀律沒有打折。

至於「那我找兩個自己人配上 AI 慢慢摸，是不是也行？」——成本帳我們在另一篇算得很細：自己用 AI 做還是找顧問做？企業客製系統的 18 個月成本帳。短版結論：DIY 的帳要到第 18 個月才結算，而那時重做一次的代價，是一開始就找對人的三倍。

四、我們自己的例子：取代 Swingvy 的 EKel HR

講方法講太多會像在傳教，看東西比較快。

我們自己原本用 Swingvy 管人資。後來決定用 Agentic Coding 的方法自建：4 週，交付 Web + iOS + Android 三端——請假與代理簽核、請款、符合台灣勞基法規則的薪資計算、現金流與財務分析。上線至今，它每天支撐 EKel 自己的營運；我們也退掉了那份 SaaS 訂閱。

它不是為了寫這篇文章做的樣品。你可以直接看：

• 完整 3 分鐘操作影片——薪資計算、簽核中心、財務儀表板，全部是營運中的真實畫面（在服務頁也看得到）
• 案例的完整拆解——範圍、取捨、我們踩過什麼

重點不是「我們做得出來」，而是：它跨過了那八道牆。權限有設計、勞基法規則有測試覆蓋、有文件、有 CI/CD——所以它活過了上線，也活過了之後的每一天。

五、上線前，先回答這十個問題

如果你手上正好有一個 AI 生成（或號稱兩週能好）的系統，上線前拿這十題檢查一遍：

1. 有沒有一份寫下來的規格，說清楚「誰、在什麼情況下、能做什麼」？
2. 權限模型撐得起你真實的組織結構嗎——包含代理人和離職？
3. 用十倍於現在的資料量試過嗎？
4. 你所在產業的法規邊界條件（勞基法、個資法、行業規範），寫進測試了嗎？
5. 出錯的時候，系統會告訴你，還是等使用者告訴你？
6. 金鑰和機敏設定在哪裡？前端找得到嗎？
7. 寫這套系統的人明天離職，後天誰能改？
8. 有沒有人 review 過 AI 寫的每一段程式——還是「看起來能跑」就過了？
9. 稽核來要六個月前的操作紀錄，拿得出來嗎？
10. 這套系統的架構決策，有人能解釋「為什麼是這樣做」嗎？

十題全過，恭喜，不管是誰做的，它大概真的能上線。過不了一半——問題不在工具，在流程裡沒有工程紀律。

結語：AI 沒有拉平差距，它放大了差距

一年前，很多人以為 AI 會讓「會寫程式」變得不值錢。實際發生的事情相反：AI 把專業和非專業的產出差距拉得更開了——因為兩邊都快了五倍，一邊快速地累積可上線的系統，另一邊快速地累積技術債。

所以「Agentic Coding 應該交給專業團隊」不是同業的自我保護，是這六個月市場用真金白銀驗證出來的結論。引擎人人都有，方向盤才是稀缺的。

如果你手上有一個想做的系統——或一個做到一半、開始不對勁的系統——跟我們聊 30 分鐘。CTA 親自接。如果你的情況其實用現成 SaaS 就夠，或你的團隊自己就能收尾，我們會直說。