抓得到資料，然後呢？當 AI 讓社群爬蟲零門檻，真正值錢的是讀懂人心的判斷力
▲ 機器負責把全世界的聲音搬到你面前，但要聽懂哪一句、對誰說話，還是得靠人的判斷。
抓得到資料，然後呢？
今晚的 AI 小聚，現場擠了兩百多位朋友。主題是社群爬蟲與輿情分析，聽起來很技術，但主講的何佳勳一開場並沒有急著打開程式碼，而是先丟了一個問題到聊天室：你今天為什麼會來？做內容、投放廣告、做客服，還是純粹好奇？
那一刻我就知道，這不會是一場教你寫 prompt 的 AI 工具課。它談的其實是一件更根本的事：在這個資料垂手可得的時代，抓得到資料，到底還算不算本事？
兩個多小時聽下來，小圭老師從免費的 Google 快訊，一路示範到他自己那套會自動選題、自動寫文的 AI 中台，工具丟出來一個接一個，毫不藏私。可是真正被我抄進筆記本的，不是一個又一個的工具，而是一些看似很基本的問題。
小圭老師花了不少篇幅談品牌輿情。他說，行銷或公關最尷尬的處境，就是自家品牌被媒體點名、老闆被網友討論，結果你是最後一個知道的人。所以他早年沒有 AI 的時候，靠的是免費的 Google 快訊：把品牌名、老闆名輸入進去，關鍵字外面加上雙引號，代表整串字要完全命中才寄給你。這一招看似土法煉鋼，但至少讓你不會被蒙在鼓裡。
有了 AI 之後，抓資料這件事幾乎沒有門檻了。他一路示範 DailyHot API、JINA Reader，把微博、知乎、百度、Dcard、PTT 的熱榜與留言一把抓回來。可是他強調的重點，剛好是反方向的：抓回來不代表什麼，重點是抓回來之後，你有沒有可以沿用、可以變現的洞察？
這句話讓我很有共鳴。老實說，這些年我看太多人把「我能抓到資料」當成一種能力錯覺。當爬蟲把一千則留言搬到你面前，你就真的懂消費者了嗎？他提出一個很清楚的階梯：輿情分析有五層，第一層是量，有多少人在講；第二層是正負中，講的是好話還是壞話；再往上才是主題分類、競品比較，以及最難的預警。他說，多數人只做到第一層，能做到第二層的人已經不多。
下半場他又用一個老故事把這件事講得更透。兩個賣鞋的業務去非洲考察，一個回報說這裡沒生意，因為沒人穿鞋；另一個回報說這裡遍地是黃金，因為沒人穿鞋。同樣一筆資料，看見的行為洞察不同，結論就南轅北轍。他說得很直白：大家都在使用這個工具，差別在誰能把上千條留言變成一個能包起來賣的洞察。工具人人都會用，可是能從留言裡切出消費者的痛點、渴望與猶豫，這件事情小編做不到，因為只有老闆會做產品。
我完全同意。當人人都會抓資料，連初步的情緒分類 AI 也替你做完了，我們這些做內容、做研究的人，價值就被逼回到更上面那一層：你能不能看懂資料背後的人心。這跟寫作是同一個道理，素材誰都找得到，能不能長出觀點，才是分水嶺。技術會貶值，但判斷不會。這也是我在〈AI 做不到的五件事〉裡談過的核心：AI 把執行變便宜之後，真正稀缺的，是那些它替不了你的能力。
這也讓我想起一人公司的浪漫，很容易讓人以為什麼都該自己來、自己養一支 AI 軍團從頭打造。但他提醒的是另一面：真正的槓桿不在於你能不能做，而在於你有沒有把時間花在只有你能做的事情上？能買就買，把維護的痛外包出去，對一個人的公司來說，有時反而最理性。這一點，我在〈AI 時代的一人公司經營學〉讀書心得裡也有更完整的推敲。
教 AI 學你，而不是讓你越來越像 AI
今晚，小圭老師把自己那套 AI 中台完整走了一遍，我一邊聽一邊在筆記本上畫流程圖。系統抓到一個熱點，比如蝦皮調整免運門檻，接著用 RAG 去撈出他自己談定價心理學的觀點，算一個相似度分數，夠高了才動筆；然後 Claude 用一個記著何佳勳寫文風格的 skill 寫成初稿，推播到他的 Telegram 或 LINE 叫他審核，過了才發到 Threads、社群和網站，七天後再回看數據，讓下一次選題更準。這套思路，跟我一直在談的建立內容產製系統幾乎是同一件事：真正拉開差距的，從來不是一問一答，而是一整條會自己運轉的產線。
在我看來，最有趣的地方是他教 AI 學自己的手法。AI 寫完他不直接發，而是自己動手改，改完之後回頭跟 AI 說：請你學我剛剛改的地方，下次用我的風格寫。於是每一次改的幅度都越來越小。他還老實承認，大家常說的那個 AI 記憶，講白了本質就是 skill。這正是我自己在寫作流程裡摸索的事，AI 產出的第一版總是有一種一眼就認得出的塑膠味，真正的功夫不在讓它一次到位，而在建立一條回饋的迴路：你改、它學、下次它更接近你。
但他也留了一個很誠實的但書：當你一直用自己的風格去餵 AI，久了到底是 AI 越來越像你，還是你不知不覺越來越像 AI？工具讓你省力，但你的語感也可能被自己養的那個模型，慢慢同化過去。這也是為什麼我始終相信，提示詞會過期，你不會：當執行被 AI 變便宜之後，真正值錢的，是你的提問力與你獨一無二的聲音。
他刻意留下的那道關
而最打動我的，是他刻意在整條線的中間，留了一道人工審核的關卡。他大可以讓它全自動跑完，但他選擇讓自己還要進去看一眼。他說得很實在：除非審核機制能做到非常精準，否則這一關他跳不過去，因為他要那個內容的品質是好的。
這道關，其實回答了我一直在想的無人公司題目：一個人加上一支 AI 軍團，到底能把多少事情交出去？答案是，自動化不是把自己整個抽掉，而是把重複的、機械的環節交給機器，然後把你這個人，穩穩地留在那個唯一不能妥協的位置上：品味與判斷。系統可以幫你寫到八十分，但那最後的二十分，也就是它到底像不像你、值不值得掛你的名字，只有你能簽字。
如果你也想替自己搭一條這樣的內容產線，把選題、抓資料、寫初稿交給 AI，只把最關鍵的判斷留給自己，這正是 solo.tw〈AI 內容產製系統工作坊〉在陪大家做的事；而如果你連工具本身都想親手做出來，〈Vibe Coding 實戰工作坊〉會帶你把點子當天變成上線的作品。
喜歡這種把 AI 用在刀口上的思考？ 歡迎訂閱我的 Vista AI 靈感補給站，我會把每天精選的 AI 工具、內容心法與第一線觀察，第一時間分享給你，陪你在 AI 時代把判斷力磨得更利。
要聽得對、看得懂、做得對
今晚的分享，小圭老師提醒大家：要聽得對、看得懂、做得對。找到對的聲音，看懂人心，說對話、做對事。
這場談社群爬蟲與輿情分析的 AI 小聚，講到最後其實跟爬蟲已經沒有太大的關聯，反而是人的連結更關鍵。要緊的是當機器可以替我們抓來全世界的聲音之後，我們這些人還能不能安靜地聽懂其中一兩句真正重要的話？
散場走出場地的時候，我並不焦慮，反而有點踏實。因為這一晚再一次確認了：值得我花時間去磨的，始終是那個坐在螢幕前、需要做判斷的人。
想更有系統地把「抓資料 → 洞察 → 內容 → 變現」這條路走完，歡迎到 solo.tw 看看相關課程：想讓內容一源多用、自動化產出，看〈AI 內容產製系統工作坊〉；想親手打造自己的抓資料與輿情小工具，看〈Vibe Coding 實戰工作坊〉；想把你獨到的洞察包成一個會賣的產品，看〈概念變現陪跑營〉。
