M01.09｜AI 專案角色：產品、資料、工程、法務、資安

一句話搞懂

AI 專案需要五種核心角色 — 產品、資料、工程、法務、資安 — 缺少任何一個，專案都可能在某個階段翻車。

白話解說

蓋一棟房子需要建築師畫圖、結構技師算承重、水電師傅拉管線、室內設計師規劃空間，少了誰都住不舒服。AI 專案也是一樣，它不是「丟給工程師就好」的事情，每個階段需要不同專業的人把關。

產品經理 (PM) 負責回答「我們到底在解決什麼問題」。聽起來簡單，但這恰恰是最多 AI 專案失敗的原因 — 團隊一頭栽進技術，做出了一個很酷的模型，結果用戶根本不需要。PM 要定義問題、設定成功指標（例如「客服回應時間從 24 小時降到 2 小時」而不是「模型準確率要到 95%」）、並且確保整個專案始終對準業務目標。

資料科學家 / 資料工程師是 AI 專案的基底工程。資料工程師建造資料管線（從各系統撈資料、清理、轉換、儲存），資料科學家在乾淨的資料上做特徵工程、選模型、調參數、評估效果。這兩個角色在台灣經常由同一個人兼任，但工作性質其實很不同 — 前者像水電師傅，後者像建築師。

ML / 軟體工程師把實驗室裡跑得動的模型，變成真正能上線服務的系統。這包括把模型包成 API、設計推論架構、建立監控告警、處理流量高峰。很多專案在「Jupyter Notebook 裡表現很好」的階段就宣布成功，然後在部署上線時才發現一堆工程問題。

法務 / 合規人員在 AI 專案中越來越不可或缺。他們審查資料來源是否合法、模型決策是否符合反歧視法規、合約中的 AI 相關條款、智慧財產權歸屬。台灣某家新創曾經用爬蟲抓了競爭對手的公開定價資料來訓練模型，結果被對方以違反公平交易法提告 — 這就是沒有法務把關的後果。

資安人員負責確保整個 AI 系統不被攻擊、資料不被洩漏。從訓練資料的存取權限控管、模型 API 的身份驗證、到推論結果的日誌審計，都是資安的守備範圍。

應用場景

場景：一家台灣零售集團要建立 AI 商品需求預測系統

用簡化的 RACI 矩陣來看各角色的分工：

R = 負責執行, A = 當責（最終拍板）, C = 諮詢, I = 知會

如果你的團隊很小怎麼辦？

台灣多數中小企業不可能五個角色各配一個人。務實的做法是「角色不能少，但一個人可以兼多個角色」。例如：PM 兼任合規審查（但要接受基礎法規訓練）、資深工程師同時負責資料管線和模型部署、外聘法律顧問做定期審查而非全職聘僱。重點是每個角色的職責都要有人 cover，不能有空白。

常見誤區

1. 「法務最後簽名就好，不用一開始就參與」 — 這是最典型的翻車模式。如果法務在專案尾聲才介入，發現資料來源有合法性疑慮，整個模型可能要砍掉重練。法務應該在「資料規劃階段」就加入，確認資料蒐集方式、同意書範本、以及目標用途是否合規。

2. 「我們有資料科學家就夠了，不需要另外的工程師」 — 資料科學家擅長的是實驗與分析，把模型從 Notebook 搬到 Production 環境是完全不同的技能。沒有工程師的 AI 專案，常常做出很棒的 PoC 卻永遠無法上線，團隊士氣也因此崩潰。

3. 「AI 專案是 IT 部門的事，業務單位等結果就好」 — 如果業務單位不參與需求定義和驗收標準，工程團隊就只能靠猜的。最後做出來的東西技術上沒問題，但完全不符合業務現場的實際需求。產品經理（或業務代表）必須全程參與，不能只在開頭提需求、結尾看 demo。

小練習

1. 角色盤點：想像你的公司要啟動一個 AI 專案（例如智慧客服或銷售預測），列出五大角色，然後在每個角色旁邊寫上「公司裡誰可以擔任」。如果某個角色找不到人，寫下你打算怎麼補這個缺口（內訓？外聘顧問？外包？）。

2. 失敗案例分析：搜尋一個真實的 AI 專案失敗案例（例如亞馬遜的 AI 招募系統、微軟的 Tay 聊天機器人），分析它在五大角色中哪個角色的缺失或失職導致了失敗。寫出 3 句話的結論。