隨著 AI 越來越強，許多功能在規劃時，很容易讓人有一種錯覺：「直接丟給大模型就能解了。」但真正要把它放進產品裡，問題就不只是大模型能不能做到。
以拍照辨識功能來說，用戶的角度很直覺：「我拍一張照片，AI 判斷這是什麼產品。」但實際上，這類功能不見得只靠單一模型完成，而可能是由多模態辨識、OCR / 文字辨識、搜尋補資料、資料庫比對與 LLM 整理判斷共同組成。LLM 只是其中一層，不是全部。
在開發 AI 教育平台時，我也接觸過另一類用 AI 辨識文件的場景，要處理文字辨識、版面結構與內容解析，把原始教材轉成可以教學與互動的內容。場景差很多，但同樣得在準確度、成本和用戶等待之間做取捨。
而這篇會以「消費品包裝辨識」這類較通用的情境來說明。也就是用戶拍下一個產品後，系統要判斷它是什麼、讀取包裝文字、補齊沒有被拍到的產品資訊，並且讓這些資料後續可以被其他功能使用。
所以這個功能在規劃時，背後其實會遇到一連串取捨，例如：
- - 辨識要多準？
- - 每一次辨識的成本能不能接受？
- - 用戶願意等多久？
- - 哪些技術雖然更準，卻不一定最後放進流程？
- - AI 不確定時，要不要讓用戶補救？
- - 這次拍照產生的資料，能不能成為下一次不用再辨識的基礎？
這篇整理的是我在參與 AI 拍照辨識相關功能規劃後，沉澱出的幾個產品判斷。為了避免涉及專案細節，我會抽象化具體產品類型、模型、API、資料庫規則與實作方式，僅以「消費品包裝辨識」這類較通用的情境來說明。
一、先考慮資料庫 : 讓辨識結果能被重複使用
這個功能就是用戶拍下產品後，系統能辨識產品，並取得較完整產品資料，讓用戶保存下來，後續再被其他功能使用。
但是只要用戶量上來，同一個產品很可能被不同用戶反覆拍到。如果每一次都重新進 AI，不只等待時間會一直存在，成本也會隨著使用量放大。因此，每次辨識產生的結果，能不能讓下一次不用再重新辨識，也是我一開始就會先考慮的問題之一。這也是為什麼我一開始設計功能都會先思考底層的資料庫、資料累積與比對等等要怎麼運用。
理想狀態不是每次都讓 AI 從零開始判斷，而是先看系統裡是否已經有可信可用的資料，如果已有可信結果，就優先回傳；只在資料不足、不確定或找不到時，才進入 AI 辨識層。這個設計不只是為了省成本、提高速度，也會直接影響體驗。因為對用戶來說，他們不會在意系統背後跑了幾層，只在意自己能不能快速得到用結果。「資料庫命中」的方式通常比重新辨識更快、更穩，也更容易維持一致結果。
而對我來說，AI 功能不應該只追求這一次辨識成功，還要思考這一次能不能累積成下一次更快、更便宜、更穩定的基礎。
二、OCR 讀得出字，但它知道這是哪個產品嗎 ?
正式開始產品的主流程規劃時，很容易覺得 OCR 乍看像是最快、最簡單的方式：讓用戶拍照後直接 OCR，把包裝文字讀出來，再存成產品資料。但這個方案很快遇到一個核心問題：
讀到文字，不等於認出產品。
OCR 解決的是「讀字」，但產品辨識要解的是「這到底是哪一個產品」。用戶可能只拍到細項文字、局部標籤或包裝背面，這時候系統即使讀出一堆文字，也未必知道它對應的是哪一個產品。更不用說，產品還可能有同名不同版本、不同國家規格、包裝改版或系列相近的情況，單靠 OCR 很容易讀到資訊，卻判斷不出產品真實身分。
更何況用戶實際拍照時，角度、光線、反光、包裝彎曲、字體與各國語言差異，都可能影響 OCR 結果。
如果把 OCR 當成主要辨識流程，很容易導致 AI「讀到了字，但認錯產品」的情況。所以在這類情境中，我把「產品辨識」和「文字讀取」拆了開。
產品辨識，需要 AI 綜合外觀、文字與上下文去判斷。這個場景中，OCR 或文字讀取，適合作為其中一部分或輔助線索，而不是直接等於產品辨識本身。
三、為什麼不是直接丟給更聰明的大模型？
在討論自動辨識流程時，我也想過一個問題：既然現在大模型越來越強，為什麼不直接把圖片丟給更聰明的大模型，讓它自己搜尋、自己判斷，最後直接回傳答案？
這個問題不只是成本問題，也不是單純比較哪個模型比較聰明。真正的問題是：消費品包裝辨識不能只依賴模型本身知道什麼。
因為產品可能很新、很冷門，也可能有不同國家版本、新舊包裝或同系列不同品項。大模型本身學過的知識有時間限制，未必知道最新產品（例如使用的是2025年模型，某產品是2026年推出）；即使它可以搜尋，搜尋結果也不一定就是正確答案。它可能找到相似產品、同品牌其他系列，或看起來很像但其實不是同一個商品的資料。
所以與其期待一個模型直接給出最終答案，更合理的做法是把流程拆開：先找出可能的產品候選，再根據圖片、包裝文字與候選資料去判斷哪一個比較符合。
四、產品辨識不是直接給答案
在排除純 OCR，也確認不能只期待一個大模型直接給最終答案後，自動辨識流程就被拆得更清楚。
這裡的自動辨識，不是一個單一動作，而是先透過圖片與關鍵線索找出可能的產品候選，再由另一個模型根據圖片、包裝文字與候選資料，判斷哪一個候選比較可能是正確產品。
也就是說，第一段不是直接產出最終答案，而是先回答：這張圖裡的產品，可能是哪幾個？
接著再由判斷模型去比對：這些候選裡，哪一個最符合圖片中的產品？如果都不像，是不是應該判斷為找不到？
這裡的 AI 不只是讀文字，也會看外觀。它會綜合產品形狀、顏色、包裝輪廓、瓶身特徵、出口樣式與可讀到的品牌名、產品名，去判斷產品身分。
舉例來說，當模型看到一個管狀、有擠壓開口的包裝時，它不一定只是讀包裝上的文字，也可能會根據管狀包裝、瓶口樣式與常見產品型態，推測它屬於膏狀擠壓式產品。所以這一層真正要處理的，不只是「看懂圖片」，而是把圖片線索、文字線索與候選資料放在一起判斷。
搜尋可以幫忙找候選，但搜尋結果本身不一定正確；模型可以幫忙判斷，但模型本身也不一定知道所有新產品。兩者要搭在一起，才比較有機會得到可用的基本辨識結果。
五、資料不是搜尋回來就能直接用
當產品基本資訊判斷出來後，下一步才是補齊更完整的產品資料。這一層處理的內容，可能包含產品說明、包裝資訊、公開資料，或第一階段 AI 不一定能直接知道的細節。
但這裡也不是「搜尋到資料就直接存起來」。
搜尋結果可能有很多種問題：可能找到相似產品、找到同品牌不同系列、找到舊包裝資料，或找到和圖片不完全一致的內容。尤其是消費品常常會有不同版本、不同地區規格、包裝改版或系列相近的情況，如果只看關鍵字就直接使用，很容易把不屬於同一個產品的資料補進來。
所以這階段的「搜尋補齊資料」的重點，不只是把資料撈回來，而是要把搜尋回來的內容整理成產品裡可以使用的格式，並確認它是否和目前辨識出的產品基本資訊對得上。
這一層通常會比前面的「基本辨識」更慢。因為它不是單純回答一個問題，而是要搜尋資料、整理內容、比對資訊，再轉成後續功能可以使用的資料。也因此，這裡開始出現另一個產品問題：
我們要把流程做到多準，才算夠？
又要在多準之前停下來，才不會讓成本和等待時間失控？
六、額外的信心度查證：資料回來之後才是「可不可信」的問題，
在流程規劃過程中，原本還有設計過一層額外的信心度查證。它的目的，是在產品基本資訊、搜尋資料與整理結果都出來後，再讓 AI 用不同角度回頭檢查一次：這是不是同一個產品？包裝文字和搜尋資料有沒有對上？產品說明或補充資訊是否合理？哪些資訊比較可信，哪些需要保留不確定性？
這個流程不是沒有價值。相反地，它確實有機會讓結果更準、更穩。因為同一份資料，換不同問題問，AI 的注意力會落在不同地方。第一次可能先抓產品名稱，第二次更注意包裝文字，第三次再回頭看整體資料是否一致。
但後來，這層額外的信心度查證流程被刪掉了。
原因不是它沒用，而是它太貴、也太慢。因為它是在原本的搜尋、候選比對、資料整理之外，再多加一層 AI 判斷。每多一層，就多一次等待，也多一次成本。問題就變成：
這個功能值不值得為了更高信心度，讓用戶多等一段時間，也讓公司多付一層成本？
如果是醫療、金融或法律這類高風險判斷，多做幾輪查證可能是合理的。因為錯誤成本很高，用戶也比較可能接受更長等待，換取更嚴謹的結果。
但這個功能的主要任務，是讓用戶快速保存一個產品，並取得後續可用的資料。對用戶來說，他不是在等待一份審核報告，而是在完成一個保存動作。等待太久，用戶不會覺得系統更嚴謹，只會覺得功能很慢，甚至懷疑是不是卡住了。
所以最後留下來的，是主流程裡必要的搜尋、候選比對與資料整理；而原本額外設計的信心度查證流程，則沒有放進最終流程。
AI 功能不是把所有能提升準確率的方法都堆上去，而是要判斷在這個場景裡，準確率、等待時間與成本之間，哪個組合才是剛好夠用的，因為這些都會直接影響用戶感受與接受度。
七、模型選擇不是一次決定，而是一路調整
另外，模型選擇不是到最後才發生的事，而是在整個流程拆解與驗證過程中，一路被調整。當流程被拆成快速辨識、搜尋補資料、信心度查證幾個環節後，就會很明顯發現：
不同位置需要的模型能力不一樣。有些地方需要快，有些地方可以慢一點；有些地方值得更準，有些地方只需要夠用。有些模型適合找資料，有些模型適合判斷候選，有些模型則適合把資料整理成產品可以使用的格式。
所以模型選擇不是單純的能力排名問題，也不是選一個最新、最強的模型就結束。它要跟著流程位置、等待時間、成本和任務風險一起判斷。
這也是為什麼當時更傾向用 multi-model 的方式思考，而不是期待一個模型完成所有事情。也就是說，模型不是越新或越強就越好。真正重要的是：這個模型放在這個位置，是否剛好適合它要解的問題。
也因為這樣，後續其實不能只靠感覺判斷哪個模型組合比較省。真正要比較成本，還是需要累積 log，看每一層實際花了多少 token、等待多久、成功率如何。否則很容易只看單次測試結果，就誤以為某個模型組合一定比較便宜或比較好。
八、當 AI 辨識失敗，用戶還能不能往下走？
主流程收斂後，我們還是額外做了一個 fallback 補救機制。因為 AI 不可能保證每一次都 100% 正確。產品太新、拍攝角度不好、包裝文字讀不清、背景資料找不到，或是某些語言與資訊格式暫時無法完整處理，都可能讓自動辨識結果不夠完整。
這時候，如果某些重要資訊其實就在產品外包裝上，用戶可以針對「局部細節」再拍一次，透過 OCR 把細項文字轉成文字紀錄。
但這個 fallback 的角色很單純：它只負責把用戶重新拍攝的文字轉出來，不做搜尋，也不重新辨識產品。所以在這個場景中，它有存在的必要，因為 fallback 的目的不是再做一套複雜的主流程，而是在自動辨識不完整時，讓用戶仍然可以保存資料、繼續往下走。
結語：不只選模型，更重要的是流程設計、取捨、找平衡
這個功能裡的每一層能力，看起來都跟拍照、文字和 AI 有關，但在流程裡負責的事情其實不一樣。如果沒有分清楚，很容易在產品中混成一團。最後可能會做出一個複雜、高成本又難用的功能。
所以 AI 模型的能力越強、越多元，運用上越需要設邊界。每一層能力都應該知道自己負責什麼，也知道自己不負責什麼。
一個 AI 拍照辨識功能，看起來像是模型能力問題，但真的放進產品裡，可能更是一種判斷與取捨。
所以這類 AI 功能真正要設計的，不只是「怎麼辨識」，而是怎麼在商業價值、用戶體驗、準確率、速度、成本、資料累積與失敗補救之間，找到一個能上線、能被使用，也能持續優化的平衡。