Lesson framing
這個 lesson 會把 Chapter 1 和 Chapter 2 合併成一件事來看： 很多 AI 專案卡住的起點，往往是題目從一開始就被定錯了。
失敗往往從錯題開始
Chapter 1 先用一個工業案例展示常見的 AI 專案失敗模式：團隊想用 AI 取代現場專家，卻忽略了真實情境裡的成本、資料取得難度與錯誤代價。這種失敗常常來自一個一開始就不划算的題目設定。
這張圖適合用來提醒：模型看到的是一組被整理過的抽象變數，但現場專家處理的是完整情境。當兩者被錯誤地視為可互換時，專案風險就開始升高。
Source in book: Chapter 1
和上一張圖對照後，可以更容易看出 Chapter 1 想講的差距：真實世界的複雜性遠高於模型所表現出的乾淨結構。
Source in book: Chapter 1
先看錯誤代價，而不是先看 AI 能力
Chapter 1 最實用的部分，是它把「題目對不對」改寫成幾個很具體的判斷：
- 錯一次的代價是不是遠大於猜對的收益？
- 你是不是想用 AI 直接替代成熟的人類判斷？
- 你是否真的有可取得、可維護、足夠代表現場變異的資料？
這些問題都比「能不能做一個模型」更早該回答。
Chapter 2 的關鍵：Ask a better question
第二章最強的示範，是作者沒有停留在「AI 不適合幫農民判斷水澆夠了沒」這個層次，接著往前一步改問：農民真正焦慮的是什麼？答案聚焦在如何在不犧牲產量的前提下，知道哪裡可以少澆一點。
這個改寫很小，但本質上把題目從「挑戰專家」變成「幫專家在更大壓力下做更好的資源配置」。
做對題目之後，產品還要有韌性
第二章後段很值得留下來的一個觀點，是產品核心任務不該完全綁死在 AI 輸出品質上。書裡用推薦、prefill、autocomplete 這種情境來說明：如果 AI 猜對很好，但猜錯時仍然可以完成任務，這種產品核心就比較穩。
把兩章收斂成一套實用框架
如果把 Chapter 1 和 Chapter 2 合起來看，v1 最值得保留的是一組更容易在產品規劃時使用的問題：
- 這個 AI 題目是不是在直接挑戰既有專家？
- 錯誤代價是否大到足以吃掉全部收益？
- 問題是否被問成了錯的方向？
- 使用者是否仍有一個可工作的非 AI 核心流程？