物理治療師自己蓋 App、PM 創造百萬美元價值 — Replit 看到的「十億開發者」世界

本文整理自 South Park Commons 的《Minus One》Podcast 2026 年 4 月播出的單集。

{{< youtube 7Doo2X9LPeY >}}

---

一個肩膀手術帶出的產品故事

馬薩德（Amjad Masad）最近做了肩膀手術，復健期間碰上一位專精筋膜療法的物理治療師。這位治療師有一個困擾她很久的想法：她想要一個 App，能對病患做 3D 身體掃描、追蹤活動範圍的變化、在家裡也能給動作指導和回饋。她跟外包開發團隊合作過，結果是一團亂。

後來她用了 Replit。幾個月之內，這位非技術背景的治療師做出了一個完整的醫療保健 App：使用者在 onboarding 流程中拍幾張照片，系統生成 3D 身體模型，接著可以追蹤復健進度、接收個人化動作建議。馬薩德自己都驚訝：「我不知道 Replit 可以做 3D 模型和 3D 體驗。」

這個故事之所以值得講，不是因為技術有多前沿，而是因為它點出了一個結構性的問題：為什麼這種 App 以前不存在？答案很簡單，因為市場規模不夠大。一個筋膜治療師的客群可能只有幾千人，在傳統的創投邏輯裡，這個市場養不起一個工程團隊。矽谷的優秀工程師不會去做這種東西，因為他們的時間太貴了。但當開發成本趨近於零，這些「不值得做」的產品就可以被它真正的領域專家創造出來。

Zillow PM 的內部創業

同樣的邏輯也發生在企業內部。馬薩德分享了另一個案例：Zillow（美國最大房地產平台）有一位產品經理，負責管理房地產經紀人團隊的 lead routing（潛在客戶分配）。他一直有很多提升轉換率的想法，但永遠排不進工程團隊的開發佇列。

這個 PM 開始用 Replit 自己做工具。結果是他創造了數百萬美元的營收價值，在公司內部一炮而紅，甚至開始參加董事會會議、跟創辦人直接互動。馬薩德說，「這也是創業精神，只是它發生在企業內部。」

這兩個案例的共同點是：價值被創造出來的原因，不是因為有了更好的工程師，而是因為擁有領域知識的人終於可以自己動手。物理治療師知道病患需要什麼，PM 知道經紀人的痛點在哪裡。他們過去缺的不是想法，而是把想法變成軟體的能力。

「ICP 已死」— 新的使用者畫像是一組特質

Replit 的使用者涵蓋獨立創業者和企業員工，表面上看起來像兩種完全不同的客群。但 Haya Odeh 說了一句讓我印象深刻的話：「你必須放下 persona 的思維，去看行為和特質。」

傳統的 ICP（Ideal Customer Profile，理想客戶輪廓）會定義「目標客群是在某某學校畢業、在某某職位、有某某年經驗的人」。但 Haya 發現這套方法在 AI 時代失效了，因為 Replit 的使用者跨越了所有人口統計學的分類。設計師在用、PM 在用、中小企業老闆在用、企業裡的分析師也在用。

把這些人連結在一起的不是他們的職稱或背景，而是一組共同的特質：他們想被聽見、他們發現了一個問題、他們想立刻對這個問題做些什麼、他們很固執、他們想贏。Haya 說這些特質在消費端和企業端的使用者身上一模一樣。這讓 Replit 的增長策略從「找特定族群」變成「找特定行為模式」。

對我來說，這個觀察呼應了一個我在台灣市場也看到的現象：用 AI 工具最積極的人，往往不是技術背景最強的人，而是「問題痛感最強」加上「動手意願最高」的人。一個完全不會寫程式的行銷經理，因為受不了每天手動整理報表，用 Claude 或 Replit 做了一個自動化工具。這種人沒有被任何傳統的技術社群觸及，但他們是 AI 工具真正的 power user。

Post-Prompting 世界：從「你問它答」到「它主動做」

馬薩德在訪談中拋出了一個大膽的判斷：我們正在進入「後提示詞時代」（post-prompting world）。他認為 prompting 已經到了能做到的事情的天花板，下一階段有兩個方向。

第一個是更自然的介面。他用電影《雲端情人》（Her）裡安裝作業系統的場景做比喻：人坐在螢幕前面，開著攝影機，用手勢和語音跟系統互動，就像跟另一個人說話一樣自然。Replit 剛推出的 Agent 4 Canvas 介面已經在往這個方向走：你在一個無限畫布上塗鴉、移動、口頭指示，AI 在背後把這些轉換成實際的程式碼和部署。

第二個方向是完全自主的 Agent，從「使用者拉取」變成「系統推送」。現在的 AI 工具都是你給它指令它才動，但馬薩德認為下一代的 Agent 應該要理解你的組織脈絡、學會你的偏好，然後主動在背景執行有用的工作。他舉例：「如果我每天早上都做同一件事，為什麼系統不能預測我要做什麼，直接幫我做好？」

這個判斷跟我自己使用 AI coding 工具的體感高度吻合。用了半年 Claude Code 之後，我最大的挫折不是模型不夠聰明，而是每次開新 session 它都不記得我的偏好、我的專案脈絡、我上次做到哪裡。我仍然在花大量時間「教」工具理解我的情境。如果哪天這個摩擦力消失了，工具主動基於我的使用模式來提議下一步，生產力的跳躍幅度可能遠超模型本身的智力進步。

AI 模型的演進：從「餵更多資料」到「思考更久」

馬薩德在訪談中也分析了 AI 模型能力的進化階段，幫助理解為什麼「現在」是這些非工程師使用者突然能做到這些事的時間點。

2020 到 2023 年是預訓練時代，核心邏輯很暴力：放更多資料、用更多參數、模型就會更好。然後遇到瓶頸：資料快被用完了，訓練基礎設施的複雜度讓規模很難再往上推。

2024 到 2025 年進入強化學習和推理時代。從 o1 和 DeepSeek 開始，訓練方式改變了。模型不只是「知道更多」，而是能在更長的時間跨度裡保持連貫性。馬薩德說 2025 年 9 月 Replit 推出 Agent 3 的時候，要讓它穩定跑一小時都很掙扎。到了同年底，突破發生了：只要在過程中加入評估（跑單元測試、用 computer use 檢查結果），模型幾乎可以無限期地保持連貫運作。

另一個他認為被低估的變化是：模型學會了管理自己的上下文。它們能把重要資訊壓縮後存進檔案，需要的時候再搜尋回來。這讓長期任務變得可行，也是為什麼複雜的 App 開發現在能在單次 session 內完成。

我的觀察：台灣的「領域專家變開發者」已經在發生

馬薩德預測五年內會有十億人在日常寫程式碼。這個數字聽起來誇張，但如果我們把「寫程式碼」的定義從「打開 VS Code 寫 Python」擴大到「用自然語言告訴 AI 幫我做一個工具」，它其實沒那麼離譜。

在台灣，我已經看到這件事在小規模地發生。一個做進口貿易的朋友用 Replit 做了一個報關單自動比對工具；一個獨立書店老闆用 AI 做了會員管理系統；一個在醫院做行政的人用 Claude 做了排班最佳化的小工具。這些人完全符合 Haya 描述的那組特質：有問題痛感、有動手意願、不想等別人來幫他們解決。

但台灣市場有一個跟美國不同的特性：我們的中小企業密度極高，而這些企業的數位化程度普遍偏低。這意味著「領域專家用 AI 工具自己做軟體」的潛在需求可能比美國更大。一間 20 人的公司不可能養一個工程師來做內部工具，但老闆或資深員工如果能自己用 AI 做出來，那就是直接創造商業價值。

馬薩德說得好：「當你讓領域專家成為創造者，你會解鎖一堆矽谷科技人永遠想不到要做的產品。」台灣不缺領域專家，也不缺問題。缺的是讓這些人相信「我也可以做」的信心，以及足夠低摩擦的工具體驗。這兩件事正在同時被解決。