掙扎7年、擁有50萬用戶卻仍忍痛收攤，從AI輔助寫程式工具Kite的故事中可以學到什麼？

有時候失敗的故事，遠比成功的案例帶來更多的省思。

Kite是一款2014年成立的AI寫程式幫手，在技術環境還不那麼發達時，就以「自動化寫程式」為目標打造產品，並在正式上線後成功協助開發人員提升效率，每月擁有高達50萬名的活躍用戶。

然而，儘管產品順利被市場接受，這家新創的營運卻走到盡頭，於2022年11月宣布中止所有業務。Kite的商業模式和營運過程出了什麼問題，被迫放棄7年來的努力忍痛收攤？

花了5年做出產品，累積數十萬用戶卻始終零收入

Kite創辦人暨執行長Adam Smith曾在2006年創立電子郵件分析工具Xobni，並於2013年被Yahoo收購。隔年，Adam Smith就開啟他的第二度創業成立Kite，嘗試以AI技術來加速寫程式的效率。

雖然當時AI應用還不豐富，但Kite想解決的問題很簡單，想讓程式語言裡許多重複的元素能被自動化處理，並像Word中的「拼寫檢查器」一樣，藉由機器學習來幫助開發人員檢查錯誤。如此一來，開發人員就能專注在提升軟體品質，而不是花大把時間在debug與維護程式碼。

Kite以GitHub上的程式碼為訓練數據建立AI學習模型，花了5年不斷修正和優化後，終於在2019年做出能被市場接受的產品，可以為開發人員精準預測一整串程式碼的接續用詞。正式上線後，在行銷支出幾乎為零的狀況下，攀升到每月達50萬名活躍用戶。

然而，儘管使用人數顯著擴大，營運約3年左右以來，Kite卻沒有獲得任何收入，除了獲利狀況不盡理想，要打造出能真正完整理解程式碼邏輯的AI產品，也比想像中困難。

用戶不想花錢、技術無法支撐，Kite為什麼做不起來？

Adam Smith在結束業務的聲明中提到，Kite之所以走不下去，主要和2大原因有關：商業模式失敗和技術不夠成熟：

1.商業模式失敗：50萬用戶不願意掏錢？

「我們的50萬名開發人員不願付費使用Kite。」Adam Smith在聲明中表示。他指出，Kite的個人使用者多半只需免費版本就能滿足，因此原本主要鎖定的付費客群就是企業用戶，然而大多狀況中，工程師的主管單位頂多只願意花錢解鎖個別功能，而不想長期訂閱任何付費方案，「就算Kite能讓寫程式提升了18％的效率，也沒有成功吸引他們。」

Adam Smith說，在尋求獲利碰壁時，他們曾嘗試探索更多業務轉型的可能方向，但考量到經過了7年的高壓工作後，整個團隊已經筋疲力盡，還是決定停止Kite的一切業務。

而Kite的商業模式之所以失敗，除了付費方案不夠吸引人，《Devclass》報導中也提到，像Kite這類的開發者工具，雖然的確能幫到使用者，但由於產品開發成本很高，在打入市場時往往不具價格優勢，此時當其他大型公司也提供了類似工具時，便更難成功讓使用者買單。

2.技術不夠成熟：起步時機太早、AI發展還不到位

Adam Smith提到，另一個導致Kite失敗的致命原因，則是時機上的錯誤選擇。

他表示，雖然Kite有做出一定的成績，但並未達到「提升10倍效率」目標，這是因為Kite的起步時機過早，沒考量到整體科技環境尚未準備就緒，且直至今日AI發展也遠遠不夠成熟，他強調：「就算是現在最先進的AI模型，也沒辦法完全理解程式語言的結構。」

Adam Smith透露，其實Kite還在營運時，曾在訓練模型上取得很大的進展，卻礙於資源不足而無法繼續研發，而以他個人的經驗來說，估計要建立出真正可靠的AI生成程式碼工具，至少得投入超過1億美元的資金。

但Adam Smith也認為，Kite的失敗並不代表這條路不可行，他相信運用AI技術徹底改變軟體開發的一天仍會到來，比如由Github與Open AI合作打造的自動完成程式碼工具Copilot，就擁有很可觀的潛力，「只是仍有很長一段路要走。」他說道。

在正式結束運作後，目前Kite的大部分程式碼都已經開源上傳GitHub，包含Python類型推理引擎、Python公共套件分析器、桌面軟體、整合編輯器、GitHub爬蟲與分析器等。

開源資源幫助有限，打造AI產品還有哪些挑戰？

事實上，雖然Kite的失敗和商業模式出錯脫不了關係，但也帶出AI產品發展的侷限現況：即便有越來越豐富的開源程式碼，大多數人仍很難有足夠的硬體設備和資金，去實際運用開源資源。

正如知名電腦資訊出版商《O'Reilly》高級主管Mike Loukides近期的文章指出，雖然有很多公司都聲稱自己在發展AI，但推動AI發展上有比較顯著成果的其實只有Meta、OpenAI和Google，而這三間公司的共同點是，都擁有無比強大的運算基礎設施。

Mike Loukides表示，這三間公司都響應開源而公開了部分的內部程式碼，但由於它們本身就是為了大規模運算而編寫的，導致不論是個人、企業或研究機構，都很難用手邊擁有的一般硬體裝置，實現自行訓練這些大型AI模型。

換句話說，AI技術要做到開源精神，不只是公開程式碼，而是要有更突破的做法，讓開發人員能真正接觸到巨頭公司的技術內涵，以讓整體科技有更大的前進能量。否則在此之前，很難訓練出擁有巨大影響力的AI模型，另外，再加上層出不窮的法律規範、隱私權、機器犯罪等爭議，打造AI產品的道路充滿層層挑戰。

資料來源：Kite、TechCrunch、iThome、Silicon Republic、Devclass、O'Reilly