AI時代-小型軟體接案公司該如何轉型

我一直認為，在 Claude Code 這類 AI coding agent 變得越來越強之後，接案型的軟體公司會過得很慘。

原因並不複雜。以前需要五個、十個工程師才能完成的系統，現在可能只需要一、兩個熟悉 AI coding agent 的工程師。甚至有些規模不大的公司，只要內部有一位懂軟體的人，就能自己做出管理後台、數據平台或內部工具。

當開發軟體的成本快速下降，傳統接案公司原本依靠的商業模式——按照工程師人數、開發工時和功能數量報價——自然會受到很大的衝擊。

我原本以為，這代表軟體接案公司的市場會越來越小。

但上週五中午，我跟以前一起創業的夥伴聊天之後，這個想法有了蠻大的改變。

他們以前接的案子，客戶大多是軟體新創，或是專門做硬體的大公司。但從今年開始，他們慢慢轉型成一家「協助傳統產業和製造業導入 AI」的公司。

這讓我發現，我之前的假設其實只對了一半。

在我的職業生涯中，我一直假設每一家有一定規模的公司，至少都會有一個 IT 部門，或是至少有一、兩位會寫程式的人。

但台灣有大量企業，根本不是這樣運作的。

我原本忽略的市場

根據經濟部《2025 中小企業白皮書》，台灣有超過 171.5 萬家中小企業，占全體企業超過 98%，合計銷售額超過 31 兆元。這不是一個邊緣市場，而是台灣經濟的主體。

這些企業裡，很多公司的核心競爭力是製造、加工、通路、貿易、農漁業或供應鏈管理，而不是軟體。

他們的老闆很清楚怎麼賺錢，也很清楚自己的產業，但不一定知道什麼是 API、Data Pipeline、RAG 或 AI Agent。更重要的是，他們可能根本不需要知道。

他們需要的不是一場 AI 技術演講，而是有人能夠走進公司，了解他們每天到底在做什麼，找出哪些流程浪費人力，再用適當的技術把問題解決。

這反而是小型軟體公司的機會。

傳統產業缺的不是 ChatGPT，而是資料能不能用

我那位創業夥伴舉了一個例子。

他前陣子拜訪了一家南部的水產公司，年營收數百億元，但內部仍然大量使用 Excel 管理資料。

公司有一百多位行政人員負責讀寫、整理和核對資料。不同部門各自維護自己的 Excel，檔案散落在不同電腦裡。每當老闆想知道目前的營運狀況，就需要有人把不同檔案收集起來，再花很多時間整理、對帳和彙總。

但這家公司長期都是這樣運作，所以大家也習以為常。

我朋友跟老闆提出的方案，不是要求他們立刻更換所有系統，也不是一開始就導入一套昂貴的 ERP。

原本的 Excel 作業方式可以先保留，但在後面加上一個數據中台。

員工仍然可以上傳 Excel，只是上傳時需要補充檔案用途、欄位定義、資料期間等資訊。系統再負責解析欄位、檢查格式、對應不同版本，最後把資料整理成老闆真正需要的 Dashboard。

這件事表面上像是「把 Excel 做成 Dashboard」，但真正的價值其實不是畫圖表。

價值在於把原本散落在不同員工腦中和電腦裡的資料，逐漸變成可以被驗證、追蹤和重複使用的企業資料。

Excel 只是使用者熟悉的輸入介面。後面的 Schema Mapping、資料驗證、權限、版本和 Data Lineage，才是系統真正需要處理的事情。

這類專案不一定需要十幾位工程師。接案公司可能只需要一位 PM，加上一位 Forward Deployed Engineer，先進入現場了解客戶的流程，再搭配 AI coding agent，很快就能做出第一個可以驗證價值的版本。

這裡的 FDE 也不是比較高級的駐點工程師。

他的工作是站在客戶現場，把「老闆覺得哪裡有問題」、「第一線員工實際怎麼工作」和「軟體能怎麼解決」翻譯成同一件事。

AI 可以幫忙寫程式，但 AI 不會自己走進水產公司，理解為什麼兩份看起來相同的 Excel，實際上代表完全不同的作業流程。

AI 降低了開發成本，卻沒有降低理解產業的成本

這是我現在認為最關鍵的地方。

AI coding agent 大幅降低了寫程式的成本，但它沒有同等程度地降低以下幾件事的成本：

• 取得客戶信任
• 找到真正值得解決的問題
• 理解產業流程和專有名詞
• 協調不同部門的利益
• 判斷資料到底能不能使用
• 讓系統真正進入日常作業

以前接案公司可以靠「我有二十位 Java 工程師」取得案子。未來這件事的價值會越來越低，因為客戶不在乎你有多少工程師，甚至人越多，還可能代表成本越高、溝通越慢。

未來真正值錢的能力，是能不能用很小的團隊快速進入一個產業，理解問題，做出第一個版本，然後證明它真的可以降低成本、縮短工時，或讓管理者更快做出決策。

小型軟體公司的優勢，不是擁有更多人，而是沒有大公司的包袱，可以用兩、三個人快速進場、快速修改，也不需要花三個月開會才決定技術架構。

現在可能正是傳產導入 AI 最好的時間

2026 年的台灣產業 AI 化調查顯示，傳統製造業中，進入 Ready AI 或 Scaling AI 階段的企業合計只有 38.5%。也就是說，仍有六成以上的企業停留在理解、觀望或評估階段。

但需求已經開始出現。

資策會 MIC 的調查顯示，2025 年傳統製造業的 AI 支出成長率達到 59.9%，而且高達九成的 AI 導入依賴外部供應商。

這兩個數字放在一起看，其實很有意思。

一方面，多數傳統企業還不知道該怎麼做；另一方面，他們已經開始編預算，而且內部通常沒有足夠的人可以自己完成。

這中間的落差，就是軟體接案公司的市場。

所以，與其參加一堆沒有實際內容的 AI 論壇大拜拜，不如真的去擴展人脈，接觸不同產業的人，了解他們目前還在用什麼方式工作。

• 一家工廠每天需要人工整理哪些報表？
• 業務人員怎麼查詢庫存和歷史報價？
• 品保人員如何判斷異常？
• 老闆每個星期需要等多久，才能拿到他真正想看的數字？

這些問題通常不性感，也不會出現在 AI Conference 的 Keynote 裡，但客戶願意為它們付錢。

製造業的問題通常不是技術，而是政治

即使是上市公司等級的大型製造業，各個事業群也可能有自己使用 AI 的方法。

有人自己買 SaaS，有人用公司內部模型，有人把資料放在私有雲，也有人叫工程師自己寫工具。不同事業群的資料格式、權限和流程都不同，最後自然很難整合。

理論上，如果公司有一位具備足夠權力的 CTO，他可以制定統一的資料規格、AI 治理方式和系統架構，要求不同事業群遵守。

但現實中，很多公司並沒有這樣的角色。即使有，也不一定真的管得動各個事業群。

我以前的創業夥伴認為，這也是他們公司的機會：協助企業設計一套規則，讓不同部門的 AI 系統可以彼此理解和交換資料。

只是以我待過大型公司的經驗，我對這件事沒有那麼樂觀。

要一間外部的小公司進來，要求各個事業群統一 API、統一資料格式，甚至規定 Markdown 或 Agent Protocol，不是單純的技術問題，而是政治問題。

各個部門可能已經有自己的廠商、預算和既有系統。即使新的架構技術上比較合理，也不代表大家願意配合。

所以小型接案公司一開始不應該試圖「統一整家公司」。

比較實際的做法，是先找到一個問題真的很痛、也有預算和決策權的部門，做出一個範圍清楚的專案。

先讓一個事業群證明成效，再讓其他部門主動想要使用，而不是一開始就拿著一份企業架構藍圖，要求所有人改變工作方式。

在大公司裡，成功案例通常比架構原則更有說服力。

小型軟體公司真正要轉型的是商業模式

所以，小型軟體接案公司要轉型的，不只是「開始使用 Claude Code」。

如果只是用 AI 把原本的功能寫得更快，最後很可能只是客戶要求你降低報價，公司的營收反而更少。

真正需要改變的是賣給客戶的東西。

以前賣的是工程師工時、功能數量和專案規模；未來應該賣的是對產業問題的理解，以及可以被量化的結果。

例如：

• 每個月減少多少人工整理報表的時間
• 把跨部門彙整資料的時間從五天縮短到一天
• 降低多少重複輸入和人工對帳
• 讓異常可以提早多久被發現
• 讓老闆每天而不是每個月看到營運數字

合作方式也可以改變。

一開始先做一段收費的 Discovery，進入現場盤點流程和資料；接著選擇一個有明確 KPI 的場景，在幾週內做出可以使用的版本；確定有效之後，再逐步擴大範圍，並轉成持續維護、資料治理或代營運的收入。

同時，接案公司也必須把每個專案累積下來的東西變成自己的資產。

例如 Excel 匯入和欄位對應工具、權限系統、稽核紀錄、Dashboard 元件、文件解析、知識庫、Agent Workflow，以及連接不同系統的 Connector。

下一個客戶不應該再從零開始，而是在既有能力上調整最後的 20%。

這樣公司才不是單純利用 AI 寫程式，而是逐漸建立一套可以跨客戶重複使用的產業解決方案。

總結

我以前認為，AI coding agent 會讓小型軟體接案公司的市場縮小。

現在我的看法是，純粹靠工程師人數和開發工時賺錢的接案公司，市場確實會快速縮小；但能夠進入產業現場、理解流程並完成 AI 落地的小型公司，機會反而可能變多。

AI 的出現，讓一些傳統企業不需要先花三年完成所有系統的雲端化，再開始談資料和 AI。

這不代表底層的數位化、資料治理和雲端完全不需要，而是企業可以跳過「先建一套龐大完整系統」的路徑，從一個真正有價值的問題開始，邊解決問題，邊建立資料能力。

他們可能從散落在本機的 Excel，直接進入有 AI 輔助的資料工作流程。

對接案公司來說，重點也不是把 AI 掛在嘴邊當成新的行銷語言，而是清楚告訴客戶：

我可以幫你省下什麼、加快什麼，或者讓你多看見什麼。

至於背後用了幾個 AI Agent、寫了多少程式，客戶其實沒有那麼在意。

最理想的結果，是接案公司用 AI 把原本需要十個人完成的工作，變成兩、三個人就能完成，但仍然按照為客戶創造的價值收費。

不是因為做得比較快，所以賺得比較少。

而是因為做得更快、更準，所以可以用更少的人，賺到一樣甚至更多的錢。