Showing Posts From
生產力
業務員用 AI 省下三小時，掉的可能是十年功——Kitces 第 190 集：你優化『效率』的同時，正在悄悄餓死判斷力肌肉
業務員圈最近的 AI 報導幾乎口徑一致：「AI 自動化外圍工作，你會有更多時間做高品質客戶會議。」 聽起來像是不用花錢的免費午餐——直到你聽到 Michael Kitces 在 Kitces & Carl Podcast 第 190 集（2026 年 5 月 14 日）講了一句很冷的話：「AI 能不能提高效率不是重點，重點是『你的公司在優化什麼』。」 這集是 Michael Kitces（Kitces.com 創辦人、財務規劃領域權威）和 Carl Richards（《The Behavior Gap》作者）的對話。他們把整個產業沒人敢碰的取捨，攤到桌面上：你今天用 AI 省下來的每一個小時，可能正在悄悄餓死你十年後最值錢的那條肌肉——判斷力。 Kitces 的反問：「你在 solve for 什麼？」 整集的核心，是 Carl Richards 丟出的一個簡單問題："What are you solving for?" （你到底在解什麼題？）Kitces 接過去，直接把場景拆成兩半。 場景一：你五到十年後要把公司打包賣掉、要退休、要把練習換成現金。"If my retirement is within five to ten years, I can amp up efficiency... You're not solving for talent 20 years from now; you're solving for income before you sell it." （如果我五到十年內要退休，我當然全力衝效率。我不是在解二十年後的人才問題，我是在解『出售前還能擠出多少現金流』這題。）這個場景，AI 全速狂奔是合理的。把所有外圍工作自動化、把單位產能拉到極限、把 EBITDA 撐到最高、然後賣個好價錢。沒問題。 場景二：你想經營一個能持續十年、二十年、甚至傳承的事業。 Kitces 說，這時候你優化「短期效率」，可能正在把長期的競爭力一張一張撕掉。 差別不在 AI 本身，差別在你拿 AI 來放大什麼。 「腦袋只能透過做事學習」——AI 偷走的不是時間，是練習量 Kitces 在這集講了另一句很狠的話："The brain only learns by doing the work... until we get Matrix-style downloads, the brain has to learn through repetition and exercise." （在《駭客任務》那種知識直接下載到大腦的科技出現之前，腦袋只能透過『真的去做』來學習。重複、練習，沒有捷徑。）這句話翻譯成業務員的語言是這樣的： 你三年前做過五十張保單對話、被五十個客戶拒絕、被主管退回二十次需求分析表——那些被你嫌棄、覺得浪費時間的「雜工」，正是你今天面對複雜家庭、看一眼就知道對方真正在乎什麼的「直覺」的來源。 那種直覺不是讀書讀出來的，是被退稿退出來的。 Carl 補了一句更直白的比喻："If I don't go do the landscaping, if I don't touch the dirt, I won't be able to do the cognitive, emotionally-demanding work tomorrow." （如果我今天不去做園藝、不去碰土，明天我就做不了那些需要動腦、需要消化情緒的工作。）「做雜工」不是浪費時間。「做雜工」是你大腦長肌肉的方式。 Kitces 接著點出產業正在發生的事："We have a training shortage... our solve is technology that eliminates the entry-level jobs that actually fill the talent pipeline." （我們本來就有訓練斷層的問題，現在我們的『解法』，是用科技把那些原本能訓練新人的入門工作消滅掉。）當新人不再被丟去整理客戶資料、不再被要求逐字打逐字稿、不再被退十次需求分析表——他們再也學不到那些苦工裡藏著的判斷直覺。 這不是新人的問題，這是你自己的問題。因為當你把同樣的雜工外包給 AI，你也在用同一個方式餓死你自己的肌肉。 AI 該外包 vs 必須自己留：一個保險業務員的雙欄拆解 把 Kitces 的觀點翻譯成業務員的決策框架，可以畫成兩欄。 第一欄：交給 AI 是賺到的工序 這類工作的共通點是「重複性高、規則明確、做一萬次也不會讓你變更厲害」：會議錄音轉逐字稿 商品條款比對表的初稿生成 客戶資料卡的標準化整理 例行的續期提醒、生日簡訊、節慶問候 投影片模板的版面排版 報表的數據匯整 公開資訊的研究（產業新聞、稅法更新摘要）這些事你做一千次和做一萬次，判斷力不會有差別。它們是「執行力」，不是「判斷力」。讓 AI 做，沒虧到。 第二欄：交出去就是把十年後的競爭力一起送走的工序 這類工作的共通點是「每一次都不一樣、需要消化情緒、做一次累積一次直覺」：第一次需求訪談的開場與追問——AI 可以生成問題清單，但「客戶說『差不多』的時候，下一句該追什麼」是直覺，不是清單 異議處理的當下反應——客戶說「我跟太太討論一下」，那個瞬間你決定要笑著退一步還是溫柔追進去，是被退稿一百次磨出來的 拒絕一筆你接得到、但不該接的單——這是判斷力，不是話術 複雜家庭關係的拆解——爸爸再婚、前妻有兩個小孩、現任太太想為自己的孩子留一筆——AI 給你的是流程圖，看穿真正動機的是你 保單建議書的核心邏輯（不是排版）——為什麼是這個組合、為什麼不是另一個，這個「為什麼」是你的職業壽命 客戶情緒崩潰時的陪伴——這個直接是你存在的理由第二欄的事，一旦讓 AI 代勞，你會發現自己「省了時間」，但「掉了功力」。 Kitces 對自己也問的那個問題：「我真的想要每天六小時會議嗎？」 這集還有一個 Kitces 對自己很誠實的反問："What are we actually trying to solve for? Did I want six hours of meetings daily, or deeper analysis for fewer clients?" （我們到底在解什麼問題？我真的想要每天開六小時的客戶會議嗎？還是我想要為更少的客戶，做更深的分析？）業務員圈很習慣的一個敘事是：「AI 幫你省時間，所以你可以見更多客戶、開更多會議、做更大的業績。」 但 Kitces 點出：把客戶面時間從 25-30% 拉到 60-70%，不一定讓你變強，可能讓你變成一條生產線。"Optimizing for maximum efficiency risks pushing the profession toward an 'assembly line' model that is poorly suited to relationship-driven, high-empathy work." （把效率優化到最大，會把這個行業推向『裝配線』模式——但裝配線模式根本不適合需要關係、需要同理心的工作。）換句話說：你可能不需要更多會議，你需要的是「更深的會議」。AI 該被用來讓你在每一場會議裡，多看穿三層，而不是讓你的會議多三場。 五年後的測試：你還做得了那種更難的單嗎？ 這集最值得每個業務員問自己的問題是： 「我今天交給 AI 的那些工作，五年後，是讓我有時間做更難的單，還是讓我做不了更難的單？」 Kitces 用了一個更狠的說法："We're creating efficiency at the cost of hollowing out the apprenticeship pipeline." （我們正在用『掏空師徒制管道』作為代價，換取效率。）「師徒制管道」不只是新人的訓練——它也是你自己每一筆難單的肌肉來源。當你三年沒親手寫過一份完整的需求分析表，你還能在客戶丟出一個奇怪家庭結構的時候，當場拆出三個方案嗎？ 判斷力不會生鏽，會「萎縮」。它是一條肌肉，不練就會掉。 Kitces 沒有反對 AI，他反對的是「不問自己在優化什麼，就一頭栽進去」的盲衝。 那條判斷力的肌肉，是你在 AI 浪潮裡唯一不會被同質化、唯一不會被便宜替代的東西。 不要為了今年多開十場會議，把它一起賣掉。📎 這集 Kitces & Carl 第 190 集還討論了「為什麼純把客戶會議時間最大化反而會傷害財務規劃品質」、「事務所合夥人世代如何用 AI 設計新人訓練曲線」、以及 Carl Richards 從財務治療師角度對「業務員自己的職業情緒消耗」的觀察。如果你正在思考怎麼設計團隊裡 AI 工具的導入順序，建議直接聽 Kitces & Carl Episode 190 完整版，特別是後半段他們聊到「為什麼 AI 應該是放大師徒制、而不是取代師徒制」的部分。
哈佛商業評論最新警告：你用 AI 省下的每一個小時，可能正在悄悄摧毀你最值錢的業務判斷力
2026 年 4 月，《哈佛商業評論》刊出了一篇我看完之後忍不住重讀好幾次的文章——《Don't Let AI Destroy the Skills That Make Your Company Competitive》。標題直白到刺耳：別讓 AI 摧毀你公司之所以有競爭力的那些技能。 這個訊號很值得停下來想一下。在所有人都在比誰用 AI 用得更兇、誰的工作流自動化得更徹底的此刻，HBR 卻把一個反方向的問題擺到桌面上：你以為自己在加速，其實可能正在掏空自己。 Kenny 和 Pogrebna：把 AI 風險講得最清楚的一組搭檔 兩位作者的組合很有意思。 Graham Kenny 是 Strategic Factors 的 CEO，也是澳洲唯一一位長期固定在 HBR 撰稿的策略管理顧問。他長期關注一個問題：為什麼企業的「新策略」總是長得跟舊策略一樣？ Ganna Pogrebna 則是雪梨大學商學院的行為商業分析教授，同時擔任英國 Alan Turing Institute 行為資料科學線的主導人。她的研究主題是「人在不確定性下的決策」——也就是 AI 永遠無法真正取代的那一塊。 一個從策略管理切入，一個從行為決策科學切入，兩個人在這篇文章裡合力指出一件事：AI 被包裝成「生產力加乘器」，但用錯了，會把公司的個性殺死。 「AI practice」的核心邏輯：你正在用「效率」交換你最值錢的東西 文章一開場就丟出一句很重的話："AI can kill the individual DNA of an organization by cleaving to the generic standard." （AI 會把一家組織的個性 DNA 殺死，因為它總是朝向通用標準靠攏。）接著作者用一組對比把整個論點壓到了一個句子裡："More automated, yet less adaptive; more data-driven, yet less wise; more efficient, yet less legitimate in the eyes of employees and customers." （更自動化，但更不靈活；更倚賴數據，但更不睿智；更有效率，但在員工和顧客眼中更沒有正當性。）這裡的關鍵詞是「正當性」。當員工和客戶都隱約知道「這個建議是 AI 跑出來的」，整個組織的權威感、可信度、與人味道，會以一種你看不到的速度蒸發。 Kenny 和 Pogrebna 的解方是建立一套刻意的「AI practice」——不是「AI 使用守則」這種公司公告等級的東西，而是每一個專業工作者要在自己腦中跑的一套日常規矩：哪些任務該繼續用自己的腦子處理，哪些才交給 AI。下面是他們列出的三個紅旗。 紅旗一：判斷力外包（Skill Atrophy）——你以為自己變強了，其實是 AI 變強 第一個風險最直觀，也最容易被輕忽：員工因為什麼都丟給 AI，反而沒有機會練到自己的判斷力。 這個現象 Pogrebna 在 2026 年 2 月 European Leadership Network 的一份報告中講得更狠。她的結論是「Decision independence is disappearing」——決策的獨立性正在消失。 聽起來很抽象。換成具體場景就是：以前一個業務員拿到客戶的資料，會花 20 分鐘把客戶的人生階段、現金流壓力、潛在保障缺口一點一點推一遍，然後形成一個「我覺得這個客戶適合 X 商品」的直覺。現在他把資料貼進去，AI 30 秒給他一份 80 分的提案，他改兩個字就拿去談。 問題是，那 20 分鐘的推導，本身就是在訓練「讀客戶」的肌肉。你少做一次，肌肉就少練一次。一年以後，你的「判斷力」很可能完全是 AI 的判斷力，而不是你的。當客戶丟出一個 AI 沒抓到的細節時，你會發現自己接不住。 HBR 2026 年 2 月一篇文章中，作者 David S. Duncan 也發現了類似的不對稱："It was helping me a lot more than it was helping my less-experienced colleagues." （AI 幫我幫得比幫我那些經驗較少的同事還多。）對資深的人，AI 是放大器；對新手，AI 是替代品。差別是——資深的人是先有判斷再來驗證，新手是直接拿 AI 答案當自己的判斷。 紅旗二：決策黑盒化（Decision-Making Opacity）——當你解釋不出為什麼，你就不再為它負責 第二個紅旗講的是一個更深的問題：當決策被埋在不透明的演算法裡，「責任」這件事會悄悄消失。 Kenny 在一場與 Pogrebna 的公開對談中說過一句很關鍵的話："AI assists decision-making, but accountability can't be automated." （AI 可以輔助決策，但問責不能自動化。）這句話放在業務工作裡的意義是這樣的：客戶問你「為什麼建議我選這個方案」，你的回答如果是「我跑了一個 AI 模型，它推薦這個」，那你已經輸了一半。客戶要的不是答案，是答案背後的人。 更危險的是內部審查。當一個提案出問題，你回頭去看當初為什麼這樣推，發現自己根本記不得——因為當初也不是你想出來的。你只是接收了一個輸出。Pogrebna 在訪談裡的另一句話把這層次講透了："Algorithms influence far more of our thinking than we realise." （演算法影響我們思考的程度，遠遠超過我們所意識到的。）她也補了一個很反直覺的觀察："Most strategic decisions are made intuitively. Data is often used to justify decisions already taken." （大多數的策略性決策其實是直覺做出來的。數據經常只是被拿來合理化早就做好的決定。）換句話說，問題從來不是「我們有沒有用 AI」，而是「我們有沒有意識到自己已經被 AI 帶著走」。當你開始用 AI 的輸出去合理化你原本沒有那麼確定的判斷，你的決策已經被外包了，你只是還沒發現而已。 紅旗三：信任真空（Collaborative Erosion）——當每場對話都靠 AI，你就失去了「讀人」的能力 第三個風險最隱形，但對業務工作者殺傷力最大：人與人之間建立信任的協作場景，正在因為 AI 而消失。 以前一個客戶對保單有疑慮，業務員的反應是約一杯咖啡、現場讀對方的眼神、邊聽邊調整話術。現在他的反應可能是：把客戶的訊息貼進 ChatGPT，問「這個客戶在抗拒什麼？我該怎麼回？」 兩件事的差別在哪？前者讓你練「臨場讀人」這個能力；後者讓你練「下 prompt」這個能力。前者是你帶得走的，後者是 AI 進化一次就會把你淘汰的。 Kenny 和 Pogrebna 的提醒是：那些「面對面建立的信任」「不靠演算法形成的共識」「在咖啡店裡才會冒出來的洞察」——這些是組織真正的競爭力來源，但因為很慢、很麻煩、看起來「不夠生產力」，經常第一個被 AI 取代。 文章裡那句話可以倒過來重讀一次：當組織變得更有效率、但在員工和顧客眼中更沒有正當性，那才是真正的危機。 一條實作規則：每天花十分鐘做這件事，把判斷力鎖在你身上 Kenny 和 Pogrebna 的解方不是「少用 AI」，而是建立一套刻意的個人 AI practice。我把他們散落在文章和訪談裡的建議整理成一條可執行的日常規則： 做法： 每天工作開始前，花十分鐘畫兩張清單。 清單 A——這件事我必須自己做（即使很慢）：任何需要「讀人」的判斷（客戶的猶豫、夫妻的拉扯、家族的張力） 任何你之後要為其負責的核心決策（為什麼這個方案？為什麼這個時機？） 任何能讓你長期累積「行業直覺」的小決定（這個保額合不合理？這個保費結構奇不奇怪？）清單 B——這件事 AI 比我快十倍（直接交給它）：純資料處理（彙整、比對、翻譯、格式化） 模板化的初稿（提案大綱、會議紀錄、追蹤訊息） 跨領域的快速查詢（稅法條文、商品結構、其他公司類似商品）關鍵是：**清單 A 永遠不能因為「AI 也能做」而被搬到清單 B。**因為一旦搬過去，那塊肌肉就會開始萎縮，而且你不會察覺。 這個邏輯背後其實有一句總結，我覺得是整篇 HBR 文章最值得記下來的一句："AI should augment organizational intelligence—not replace the human capabilities on which long-term performance depends." （AI 應該增強組織的智慧，而不是取代那些長期績效真正依賴的人類能力。）把「組織」換成「你自己」，這句話一樣成立。AI 應該是放大你的判斷力，而不是代替你判斷。當你發現自己已經分不清楚「這是我的想法」還是「這是 AI 的想法」的時候，那條線已經被你跨過去了。📎 完整的 HBR 原文 還有更多關於組織層級的對策——包括如何設計透明的決策流程、如何在董事會層面追蹤 AI 風險，以及作者給高階主管的具體治理檢查表。如果你管著一支團隊、而不只是管自己的工作流，那部分尤其值得花錢買來看。另外推薦搭配 Kenny 和 Pogrebna 的完整對談影片——他們在裡面講了一些文字版沒寫進去的具體案例，特別是「為什麼數據很多時候只是合理化既定決策的工具」這一段。
你的客戶在 ChatGPT 問『哪家顧問可靠』時，AI 引用的不是你的 Facebook——HubSpot 實測四大 AI 引擎後的三個震驚發現
想像一個場景：一位 45 歲的企業主在週末的家裡，打開 ChatGPT，輸入「我想幫小孩規劃 3,000 萬的資產傳承，台灣有哪些顧問值得信賴？」——然後 AI 給了他一串名單。 這個名單上有沒有你，跟你上週在 Facebook 發了幾則貼文、LINE 群發了幾條訊息，幾乎沒有關係。 這是 HubSpot 行銷總監 Kipp Bodnar 與 SVP Kieran Flanagan 在 2026 年 4 月中的 Marketing Against The Grain 連發兩集 Podcast 最核心的結論。第 417 集《We Found Where AI Gets Its Answers (It's Not Your Website)》與第 418 集《We Asked 4 AI Tools About Our Brand》請來了 HubSpot 全球成長資深總監 Aja Frost、以及 XFunnel 創辦人 Beeri Amiel（已被 HubSpot 併購，現任產品開發總監）一起實測 ChatGPT、Claude、Perplexity、Gemini 四個答覆引擎。 結論可以簡化成一句話：你花在經營「自家門面」的時間，AI 根本不看；你該在意的是別人怎麼談論你。 HubSpot 的 Answer Engine Optimization：當 AI 變成客戶的「事前調查員」 傳統的搜尋引擎優化（SEO）邏輯是這樣的：客戶輸入關鍵字 → Google 給出十個藍色連結 → 客戶挑一個點進去看 → 你的官網內容說服他。 但當客戶改用 ChatGPT、Perplexity、Google AI Overviews 時，這個流程被壓縮成一步：客戶問問題 → AI 直接給答案，可能附上幾個來源連結。根據 HubSpot 自己的調查，42% 的 B2B 買家在研究過程中已經開始使用答覆引擎。消費者端更誇張，Frase 的 2026 AEO 報告指出，72% 的消費者預計會更常在購物時諮詢 AI。 這件事對業務的致命影響，Beeri Amiel 在節目裡講得最清楚："The core of AEO is understanding what the answer engines know about you. SEO is not going away. But where it was a much bigger component before, it is now just one slice of the pie." （AEO 的核心是搞清楚答覆引擎對你「知道」些什麼。SEO 不會消失，但它過去佔很大一塊，現在只是餡餅裡的其中一片。）這不是一個技術名詞的進化，而是「客戶端對你的第一印象」徹底換了一個審核員。過去是 Google 的演算法，現在是 LLM 的知識庫。而 LLM 的知識庫，跟你想的不一樣。 三個震驚發現：AI 引用的地方，不是你以為的地方 發現一：AI 幾乎不看品牌官網，它看 Reddit、YouTube 與第三方清單（Listicle） HubSpot 自己做了一個實驗：用 ChatGPT 搜尋「最好的 CRM」，結果 AI 引用的首要來源不是 HubSpot 的官網，而是 Zapier 的一篇比較文章。Kipp Bodnar 在節目裡提到他們後續用自家產品追蹤 AI 引用的結果："We can basically go from, 'hey, you're tracking these prompts, here are the actions you would take to show up in this prompt—create a video, engage in this thread on Reddit, create a LinkedIn, create a blog post on your own site.'" （我們基本上可以做到：『嘿，你正在追蹤這些問題，而你要在這些問題裡出現，具體該做的事情是——拍一支影片、去參與 Reddit 的這個討論串、發一篇 LinkedIn、在自己網站上寫一篇部落格。』）注意這個順序：影片、Reddit、LinkedIn，最後才是自家的部落格。這是 HubSpot 實際透過工具拆解出來、按優先級排序的行動建議。 CMSWire 引用 Tinuiti 2026 Q1 AI Citations Trends Report 拆得更細：在 Perplexity 上，大約 24% 的引用來自 Reddit；在 Google AI Overviews 上，社群媒體佔了所有引用的 13%，而這 13% 裡有 44% 是 Reddit。HubSpot 自己的內部數據更驚人——Reddit 驅動的引用數從 2025 年 5 月的 178 次，成長到 12 月的 14.6 萬次。 這代表什麼？代表業務員每天花三小時在 Facebook 發理財文、週末拍一支 IG 限動、把名片換成 QR Code——這些動作對「在 AI 面前被看見」的貢獻接近零。因為 ChatGPT 和 Claude 不讀 Facebook，也不讀你的 LINE 帳號動態。 發現二：AI 最愛的內容格式是「清單型文章」，不是品牌故事 Aja Frost 在第 417 集直接點名：listicles（清單型文章）主宰了 AI 的引用來源。 HubSpot 的 AEO 案例研究 給了非常具體的數字：他們寫了一系列「5 best CRMs for construction businesses」這類「某產業最好的 X 個工具」文章，引用數成長 642%，品牌提及數成長 58%。 更新產品功能頁面加上 FAQ 與結構化資料，AI 引用成長 56%。 建立名詞解釋的 FAQ 詞彙庫，讓特定問題的引用佔有率提高 60%，品牌在認知階段提問的能見度提高 35 個百分點。為什麼是清單型文章？因為 LLM 在「整理答案」時，本質上就是在做一件事：從多個來源抽取「可比較的要點」。清單型文章的結構——「第一名：理由、第二名：理由」——剛好是最容易被 LLM 拆解、重組、引用的格式。 對照來看，一篇「我入行十年感悟」的長文故事，人類讀者可能感動落淚，但 LLM 幾乎抽不出什麼「可引用的答案單元」。 發現三：AI 會主動推薦你的競爭對手，而你完全不知道 這是第 418 集最讓人冒汗的部分。HubSpot 同時用四個 AI 工具詢問自家品牌相關問題，結果發現：不同的 AI 會給出不同的競爭對手推薦清單，而且這些清單是 HubSpot 內部從未主動送進去的資訊。 用 Bodnar 的話來說，這叫「看不見的推薦戰場」。過去 SEO 時代，你至少知道 Google 的第二名是誰，你可以去看他們寫了什麼。AI 時代，你連「AI 在客戶面前怎麼介紹你的競品」都不知道——除非你主動去問。 根據 TechTarget 對 HubSpot AEO 發布的報導，Constellation Research 分析師 Liz Miller 的觀察是：企業將開始「減少 SEM 投資，轉向在 Reddit 這類答覆引擎高度重視的平台上建立權威性」。 換句話說，這不是多一個要做的事，而是既有行銷預算結構的重新洗牌。 把力氣挪到對的地方：從「自家門面」到「被引用的信號」 讀完這兩集 Podcast 最大的感受，不是 AEO 很難，而是多數人把有限的內容時間花在了 AI 根本不看的地方。 過去的內容心法是：「多元分散、每個平台都要有、讓客戶在哪都能找到我。」 AEO 時代的內容心法倒過來：「少而集中、出現在 AI 會引用的地方。」 那些地方大致是這四類：Reddit 或在地論壇的實質參與——不是廣告，是真的回答問題、被按讚、被其他人引用。 YouTube 的教學型影片——尤其是「前五大/前十大」這類格式，AI 會讀字幕。 LinkedIn 的長文貼文——有觀點、有架構，被人收藏與討論。 第三方清單型文章——被寫在「XX 產業最值得信賴的十位顧問」這種別人寫的比較文裡。這四個地方有一個共同點：它們都不是你的「自家門面」，而是別人口中的你。 Beeri Amiel 在節目裡有一句話值得業務員反覆讀：答覆引擎關心的不是你怎麼說自己，而是別人怎麼說你。這跟傳統銷售訓練最違反直覺的一點重疊了——客戶買的從來就不是你的自我介紹，而是別人對你的第三方評價。只是過去的第三方評價靠口碑、靠轉介紹；現在的第三方評價，一半以上被 LLM 綁架在 Reddit、YouTube、LinkedIn 上。 HubSpot 自己的實測結果是：AI 驅動的潛在客戶成長 1,850%，轉換率是傳統搜尋流量的 3 倍。這不是因為 AI 更聰明，而是因為 AI 在把客戶送到你面前之前，已經幫你做了一輪「權威性篩選」——它相信你了，客戶才會相信你。 那接下來一季，你打算從 Facebook 挪幾個小時出來，去寫一則 Reddit 回答、或拍一支 YouTube 的「2026 年最值得關注的五個退休規劃工具」嗎？ 這是一個比「要不要做 IG 限動」更值得認真回答的問題。📎 HubSpot 這兩集 Podcast 的完整內容遠不只以上篇幅能覆蓋。第 417 集 還實際示範了 XFunnel 這個工具如何拆解「AI 追蹤的提問 → 對應的具體行動」，第 418 集則實測了 ChatGPT、Claude、Perplexity、Gemini 對同一個品牌問題的回答差異，包含競爭對手清單的對照。若你想看更完整的案例數據，HubSpot AEO 案例研究 詳細拆了他們如何把 CRM 品牌做到 AI 搜尋第一名，裡面的 FAQ 頁面、產業別清單、結構化資料策略都有具體數字佐證，值得業務端與行銷端一起看。
美國理財顧問的「AI 成長長」正式上線：FINNY Hunter 如何 24/7 監控客戶的人生大事，把每一個結婚、生子、換工作都變成 AUM 成長機會
2026 年 4 月 14 日，一家叫 FINNY 的紐約新創發布了一個新產品：Hunter。 官方定位是「AI Chief Growth Officer」——AI 成長長。這個職稱在矽谷本來就存在，通常是一家公司裡負責營收、行銷、業務成長的 C-level 高階主管，年薪百萬美元起跳。FINNY 把它變成一個每位理財顧問都能擁有的 AI Agent，24 小時不關機，盯著新聞、網站訪客、客戶和潛在客戶的人生事件，主動把每一個訊號轉成開發客戶的機會。 這件事之所以值得拆解，不是因為又多了一個 AI 工具。是因為它第一次把「業務開發」這件事，從「行為」重新定義成「系統」。 Eden Ovadia 為什麼押注「顧問不是缺技術，是缺時間去看到訊號」 FINNY 的執行長 Eden Ovadia 背景很有意思。她在加拿大 McGill 大學念軟體工程，主修機器學習；大學期間進過 EY 和 KPMG 做網路安全顧問；畢業後進 BCG（波士頓顧問公司）紐約辦公室，在科技業、金融機構、私募基金實務裡做了兩年多。 FINNY 的起點是她在 BCG 的一個研究專案。當時她想弄清楚一件事：美國獨立理財顧問（RIA）這個產業到底卡在哪？答案出乎她意料——不是投資決策、不是產品線、不是合規。根據 Y Combinator 頁面的數字，美國理財顧問平均要花 58 小時才能轉換一個客戶，絕大部分時間不是在談投資，而是在做一件事：判斷這個人值不值得我花下一小時。 2024 年 3 月，她和 Victoria Toli（前 Uber 成長產品經理）、Theodore Janson（前 ML 工程師）一起創辦 FINNY，那年夏天進了 Y Combinator S2024 梯次。2025 年 12 月 19 日，他們拿到 1,700 萬美元的 A 輪，由 Venrock 領投，前 Vanguard 執行長 Bill McNabb 加入董事會。四個月後，Hunter 問世。 Eden 在 WealthManagement 的專訪裡講了一句很關鍵的話："This is the thing we set out to build two years ago. But the underlying technology we needed was just not mature enough then." （這是我們兩年前就想做的東西。但當時我們需要的底層技術還不夠成熟。）這句話其實比產品本身更值得注意。過去兩年有一堆 AI 產品在追浪，Eden 的選擇是：等模型真的能做規劃、能記住上下文、能跨工具執行，我們再做。Hunter 不是一個產品 roadmap 上的下一步，是一個兩年前就寫在白板上、但等技術爬上來才動手蓋的東西。 Hunter 的四個模組：事件偵測、聲音學習、合規過濾、跨通路執行 Hunter 不是一個單一功能，是四個模組串成的工作系統。根據 InvestmentNews 和 WealthManagement 的報導可以拆成這四層。 第一層：事件偵測。 Hunter 會 24/7 監控四個訊號源：公開新聞（客戶的公司被併購、高階人事異動、被媒體報導） 顧問自己網站的訪客行為 客戶與潛在客戶名單上的人生事件（結婚、生小孩、換工作、賣公司、繼承、離婚、退休） 過去行銷活動的表現數據這四個裡面最關鍵的是「人生事件」。因為理財顧問的 AUM 成長大半不是來自新客戶，而是來自既有客戶的人生轉折點——一個客戶的孩子出生，就是 529 教育儲蓄帳戶的入口；一個客戶賣掉公司，就是幾百萬美元的資產配置決策；一個客戶的父母過世，就是遺產規劃和信託的進場時機。FINNY 把這些時刻統稱為「money in motion」——錢要流動的瞬間。 傳統做法是顧問自己記、秘書幫忙追、或者在 CRM 裡設生日提醒。但大部分人生事件不會出現在 CRM 裡，它們發生在 LinkedIn 動態、在地方新聞、在一封沒被打開的 email 裡。 第二層：聲音學習。 Hunter 會記住每個顧問的利基定位、客戶輪廓、語氣偏好。官方原文是這樣寫的："Hunter remembers advisor-specific context—including voice, niche focus, client profiles and compliance preferences—so every interaction improves effectiveness over time." （Hunter 會記住每個顧問的獨特脈絡——包括語氣、利基焦點、客戶輪廓、合規偏好——所以每一次互動都會讓效果越來越好。）這一層是 Hunter 最反直覺的地方。市面上 90% 的 AI 寫作工具是 generic（通用）的，你餵 prompt 餵 example，換一個使用者效果完全不一樣。Hunter 的設計是相反的——它要變成「你的分身」，不是「你的工具」。 第三層：合規過濾。 這是美國理財顧問產業特有的痛點。SEC、FINRA 對行銷內容有非常嚴格的規定，任何涉及預期報酬、保證、推薦的文字都要過合規審查。Hunter 把合規偏好內建在每個顧問的 profile 裡，內容送到顧問手上之前就先過一輪。 這一層看起來最技術，其實是整個產品能不能規模化的關鍵。一個會講話但會讓你被罰款的 AI 助理，沒人敢用。 第四層：跨通路執行。 Hunter 不只寫，還會發。部落格文章、LinkedIn 貼文、網站文案、email 開發信——它會依據事件類型和客戶輪廓決定用哪個通路、什麼時間、什麼語氣。 四個模組串起來的樣子是這樣：一個客戶的公司在早上 8 點被宣布併購 → Hunter 9 點偵測到這則新聞 → 9:05 產生一則符合顧問語氣的 LinkedIn 私訊草稿、一封 email、一段可以放在下次會議的開場白 → 全部通過合規檢查 → 進到顧問的 inbox 等待一鍵發送。 整個流程從「需要顧問主動去想」變成「顧問只需要決定要不要」。 「AI 成長長」真正改變的是工作定義：為什麼定位模糊的顧問代價會被放大十倍 Hunter 很容易被貼上「AI 自動化行銷工具」的標籤，但這樣理解會錯過它最有意思的地方。 共同創辦人兼總裁 Victoria Toli 在發表時點出了 Hunter 的真正企圖："We are intentionally designing Hunter to start with a core set of marketing skills, and then grow toward a full autonomous sales and marketing agent capable of handling everything a human team can do." （我們刻意讓 Hunter 從一組核心的行銷能力開始，然後逐步成長為一個完整的自主業務與行銷 Agent，能處理一個人類團隊能做的所有事。）注意這個用字：autonomous agent（自主代理），不是 assistant（助理）、不是 copilot（副駕駛）。 業務工作過去被拆成「找客戶、了解客戶、溝通、成交、服務」五個環節。傳統的 CRM 幫你記、行銷自動化工具幫你發、AI 寫作工具幫你寫——每一個都是在其中一個環節上幫你省力。 Hunter 的設計是跨環節的。它把「找客戶」和「了解客戶」和「溝通」合併成一個連續流程，顧問只負責最後一個環節：決策和關係。這才是「AI 成長長」這個職稱的真正意義——它不是一個更快的助理，它是一個工作定義的重構。顧問過去的工作是「執行一連串動作」，現在變成「管理一個會執行動作的系統」。 Bill McNabb 在這次發布會上講的話值得玩味："They are creating a platform that drives growth—but the right kind of growth—matching advisors with the right clients." （他們正在打造一個推動成長的平台——而且是正確的成長——讓顧問和對的客戶配對。）「the right kind of growth」這個詞是整件事的伏筆。當每個顧問都有一個 Hunter，每個人都能 24/7 偵測人生事件、自動發客製化內容，理論上整個產業的開發客戶總量應該爆炸性成長。但 McNabb 的意思是：成長的標的會變。未來贏的不是最勤勞的顧問，是最懂得「我這個利基該服務誰」的顧問——因為 Hunter 會依照你的 niche 匹配訊號，你的 niche 定義得越清楚，Hunter 越準。 這件事換個角度看很殘酷。過去模糊的、什麼客戶都做的顧問，靠的是關係和勤勞補上定位模糊的成本。Hunter 這類工具普及之後，定位不清楚的人會被定位清楚的人直接輾過——因為後者的 AI 能把每一個人生事件對應到一個具體的服務情境，前者的 AI 只能生成 generic 的客套話。 換句話說，AI 成長長不會讓業務工作變輕鬆。它會讓「沒想清楚自己在賣什麼、賣給誰」這件事的代價，被放大十倍。📎 這篇拆解了 Hunter 的四個模組和背後的工作重構，但還有很多沒覆蓋到的。想看 FINNY 公開的實戰數字（平均每位顧問一年帶進 770 萬美元新資產、2025 年 1 月以來 50 倍營收成長），可以看 FINNY 宣布 A 輪募資的官方貼文；想了解 Eden 在 BCG 那段研究專案如何變成 FINNY 起點，TechCrunch 的訪談寫得更細；WealthManagement 的報導則有 Hunter 的定價資訊——對既有 FINNY 用戶免費——這個商業選擇本身就是一個訊號。
哈佛實驗證明：AI 不會讓菜鳥變專家——為什麼你的專業知識才是 AI 時代真正的護城河
「AI 會讓所有人站在同一起跑線上。」 這句話你一定聽過。它暗示的意思是：當每個人都能用 ChatGPT 寫提案、做分析、產出內容，那些花了十年磨出來的專業，就不再是優勢了。 但如果告訴你，一個哈佛商學院的控制實驗剛剛證明了完全相反的結論呢？ Iavor Bojinov 的 IG Group 實驗：AI 真的能讓外行做出專家水準的工作嗎？ Iavor Bojinov 是哈佛商學院商業管理副教授，專攻 AI 與數據科學在企業中的實驗應用。他和共同研究者 Edward McFowland III——同時也是 2023 年那篇著名的 BCG「鋸齒前沿」（Jagged Frontier）研究的共同作者——在 2026 年 3 月的《Harvard Business Review》上發表了一篇讓許多 AI 樂觀主義者不太舒服的研究。 他們的問題很簡單：如果給不同專業背景的人同樣的 AI 工具，讓他們做同一件事，結果會一樣嗎？ 實驗場景是英國金融科技公司 IG Group。研究團隊找來 78 名員工，分成三組：12 名網站分析師（occupational insiders）——他們的日常工作就是為 IG 網站撰寫投資主題文章，這是他們的本行。 26 名行銷專員（adjacent outsiders）——他們做的事和寫文章相關，但不是直接在做這件事。 40 名技術人員（distant outsiders）——軟體工程師和資料科學家，寫投資文章對他們來說完全是另一個世界。三組人都拿到同樣的生成式 AI 工具，任務也一樣：為 IG 的網站寫出一篇投資主題文章。 「GenAI 牆效應」：AI 在哪裡幫得上忙，又在哪裡撞牆？ 研究團隊把寫文章拆成兩個階段：構思（conceptualization）和執行（execution）。構思就是列出文章的關鍵字、架構、標題；執行就是真正把文章寫出來。 結果出現了一個清晰的分水嶺。 構思階段：AI 幾乎消除了所有差距。 在滿分 5 分的評分中，技術人員拿到 4.05，行銷專員 4.18，網站分析師 4.12。三組人幾乎不分軒輊。這很合理——列大綱、想架構是相對結構化的工作，AI 非常擅長。 但執行階段，故事完全不同。 網站分析師平均 3.96 分，行銷專員 3.92 分——幾乎追平。然而技術人員只拿到 3.42 分，比專家低了 13%。 行銷專員能追平，因為他們的日常工作——寫行銷文案、組織素材、對受眾說話——和寫投資文章有足夠多的共通點。AI 幫他們補齊了不熟悉的部分。 但技術人員做的事和寫文章之間隔了太遠。他們缺乏判斷一篇投資文章「好不好」的直覺，AI 產出的內容他們無法有效地修改和提升。 Bojinov 把這個現象命名為「GenAI 牆效應」（GenAI Wall Effect）："If it's an area that we do not understand and we don't know much about, we are just performing at the baseline of the model." （如果是一個我們不理解、不熟悉的領域，我們就只是在 AI 模型的基準線上表現。）這句話很殘酷，但很精準：當你不懂一個領域，你用 AI 產出的東西，就只是 AI 自己的水準。 你沒有能力讓它變得更好。 「AI 讓你覺得你什麼都能做」——但真的能做到嗎？ 這裡有一個容易被忽略的細節：AI 確實讓所有人都變快了。構思階段從平均 63 分鐘壓縮到 23 分鐘（快了 65%），寫作階段從 87 分鐘縮短到 22 分鐘（快了 75%）。速度上，三組人都受益了。 但速度和品質是兩回事。 Bojinov 在接受採訪時說了一句值得反覆咀嚼的話："AI makes you feel like you can do anything. But can you do [a task] as well as people whose job it is?" （AI 讓你覺得你什麼都能做。但你真的能做得跟那些以此為業的人一樣好嗎？）這不是一個修辭問題。這個實驗給出了明確的答案：如果你和目標領域有足夠的交集，可以。如果你和目標領域隔了太遠，不行。 研究論文的結論用了一個很精準的比喻："GenAI can provide the map, but navigating the terrain is another matter." （GenAI 可以給你地圖，但真正走過那片地形是另一回事。）地圖告訴你往哪走，但不會告訴你哪塊石頭會滑、哪條路雨天會斷、哪個彎道要減速。那些判斷來自你實際走過的經驗。 從「鋸齒前沿」到「GenAI 牆」：兩個發現的交叉對照 值得注意的是，這個研究和 2023 年那篇轟動的 BCG 研究是同一條脈絡。當時 McFowland 和 Wharton 教授 Ethan Mollick 等人讓 758 名 BCG 顧問用 GPT-4 做管理諮詢任務，發現 AI 讓所有人的表現都提升了——原本最弱的顧問進步幅度最大（43%），看起來像是 AI 在「拉平差距」。 但那個研究也發現了一個關鍵警告：當任務落在 AI 能力的「鋸齒前沿」之外——也就是 AI 不擅長的領域——盲目信任 AI 反而會讓表現更差。 Bojinov 的新研究把這條線索往前推了一步：就算 AI 本身擅長這個任務（寫文章是 AI 的強項），使用者的專業背景仍然決定了最終品質。AI 的能力是必要條件，但不是充分條件。你自己的專業才是那個乘數。 力量放大器，不是魔法棒：AI 放大的是你已經擁有的東西 把這些數據放在一起，一個清晰的框架浮現了： AI 是力量放大器（force multiplier），不是魔法棒。 如果你在一個領域有十年經驗，AI 把你從 80 分推到 95 分。如果你在一個領域完全是外行，AI 把你從 20 分推到......大概 40 分。進步很大嗎？絕對是。但 40 分和 95 分之間的差距，才是真正的護城河。 MIT 經濟學家 David Autor 之前的研究指出，AI 能縮短新手達到「基本勝任」的時間。Bojinov 的實驗則補上了下半句：但從「基本勝任」到「專家水準」，AI 幫不了你。那段路，只有經驗能走。 這也解釋了一個很多人感受到卻說不清楚的現象：為什麼兩個人用同樣的 AI 工具、下同樣的 prompt，產出的東西品質天差地遠。不是工具不同，是操作工具的人不同。你的專業背景決定了你能問出什麼問題、能判斷 AI 給你的答案好不好、能在哪些地方加入 AI 做不到的洞察。 Bojinov 團隊在 HBS Working Knowledge 的報導中也提到，AI 在構思階段的「拉平效果」其實是一個好消息：它意味著 AI 可以大幅縮短跨領域協作的前期準備時間。一個技術人員用 AI 快速做出不錯的文章大綱，然後交給真正懂內容的人去執行——這比讓技術人員從頭到尾自己硬寫要好得多。 換句話說，AI 最大的價值不是讓你取代別人，而是讓你和別人的協作更有效率。它縮短的是溝通成本，不是專業門檻。📎 這篇文章的核心數據來自 Bojinov 團隊發表在 HBR 2026 年 3/4 月號的文章，原文還深入探討了企業該如何重新設計培訓計畫、以及「GenAI 牆」對組織人才策略的影響——特別是什麼時候該用 AI 來加速跨部門輪調、什麼時候不該。如果你對 AI 怎麼改變組織內部的專業分工有興趣，同一期 HBR 還有另一篇值得對照閱讀的 〈Don't Let AI Destroy the Skills That Make Your Company Competitive〉，從反面論證了過度依賴 AI 可能侵蝕組織獨有的核心能力。
一個人管六個行銷管道、零程式背景——Anthropic 成長行銷人 Austin Lau 的 AI 工作流拆解
Austin Lau：零程式背景，獨扛一間 3,800 億美元公司的成長行銷 2026 年 2 月，Anthropic 剛完成 300 億美元的 G 輪募資，估值 3,800 億美元。這家公司 70% 的 Fortune 100 企業都是客戶，年化營收衝到 190 億美元——而他們的成長行銷團隊，在長達近十個月的時間裡，只有一個人。 Austin Lau 是 Anthropic 的第一位成長行銷人。在加入 Anthropic 之前，他在 Dropbox、Webflow、Notion 等生產力工具公司累積了成長行銷經驗。但他不會寫程式——連終端機都沒打開過。 他一個人負責付費搜尋、付費社群、App Store 優化、Email、SEO 共六個管道。按照業界基準，這個規模的公司通常需要 150 到 200 名行銷人員。前廣告科技公司 Ampush 創辦人、現 Gateway X 創辦人 Jesse Pujji 在 2026 年 3 月的 X 貼文中拆解這個案例時直接說：廣告文案製作時間縮短到原來的 12.5%，創意產出提升 10 倍。 這不是一個「AI 好棒棒」的勵志故事。這是一個有具體工作流程、有實際產出數字的操作手冊。 從「不知道終端機是什麼」到一週內建好兩套工作流 Austin 在 Anthropic 2026 年 1 月發布的案例文章中坦承，他第一次聽到 Claude Code 的反應是："My first reaction when we launched Claude Code was, I have zero idea what this product is for." （我第一次聽到我們推出 Claude Code 時的反應是：我完全不知道這個產品是幹嘛用的。）他甚至得 Google「怎麼在 Mac 上打開終端機」。 但一週後，他已經建好了兩套徹底改變工作方式的自動化流程。他做的第一件事不是直接衝去搞大工程，而是先叫 Claude Code 幫他做一個簡單的計算機 app——純粹為了搞懂這個工具能做什麼。 這個起手式值得注意。Austin 在訪談中反覆強調的原則是："You don't need to know how to code. All you need to know is how to explain your challenge and what you're trying to solve in a very clear, concise manner." （你不需要會寫程式。你只需要知道怎麼清楚、簡潔地解釋你的問題和你想解決的事情。）Figma 外掛：半秒鐘產出所有廣告尺寸變體 Austin 的第一個正式工作流，是一個 Figma 外掛。 做過廣告投放的人都知道這個痛苦：同一組文案，你得在 Figma 裡手動套進正方形、橫幅、直式、故事尺寸⋯⋯每換一個版本就得複製貼上、調整排版，一批素材搞下來半小時跑不掉。如果同時跑 5 組文案測試，就是 2.5 小時的純手工操作。 Austin 直接跟 Claude Code 說："Claude, I'm working in Figma. I really want to be able to solve this challenge of this repetitive copy and pasting. Can you help me build a Figma plugin?"45 分鐘到一小時後，外掛就做好了。使用方式很直覺：從 Google Sheets 把標題文案貼進去，指定要用哪個設計框架，按一下按鈕——所有尺寸、所有文案排列組合，瞬間全部生成。 原本 30 分鐘的工作，現在 30 秒。 這不是概念驗證，這是每天實際在用、直接投放到廣告平台的生產工具。 Google Ads 文案工作流：讓 AI 讀完你的成效數據再寫文案 第二個工作流更有意思，因為它不只是提速，而是改變了文案產生的邏輯。 Google 的回應式搜尋廣告（Responsive Search Ads）要求每則廣告提供 15 個標題和 4 段描述文字，系統自動組合測試。手動寫 15 個不重複、有變化、又符合字數限制的標題，是一件極度消耗心力的事。 Austin 在 Claude Code 裡建了一個自訂指令，輸入 /rsa（他自創的快捷指令，代表 responsive search ads），Claude Code 就會開始問他要三樣東西：現有的廣告活動數據——哪些文案跑得好、哪些跑得差 目前在用的文案——避免重複 目標關鍵字——確保方向對然後 Claude Code 會交叉比對這些數據，同時參照 Austin 預先設定好的 Agent Skills——包含 Anthropic 的品牌語氣指南、產品描述的準確性要求、以及 Google Ads 的最佳實踐規範。 最後直接輸出一個可以上傳的 CSV 檔案。不用再手動整理格式，不用再從聊天視窗一條一條複製。 關鍵在於：AI 不是在真空中「創作」文案，而是在讀完了你的歷史成效數據、品牌規範、和平台規則之後，才開始生成。這跟在 ChatGPT 裡打「幫我寫 15 個 Google Ads 標題」是完全不同層次的事情。 不是取代團隊，是改變一個人能做的事情的上限 這裡有一個容易被忽略的細節：Austin 並不是唯一在 Anthropic 做行銷的人，他是唯一負責「成長行銷」的人。Anthropic 還有品牌行銷、產品行銷、內容行銷等其他團隊。 但即使只看成長行銷這塊，一個人同時操作六個管道，這在傳統行銷組織裡是不可能的。不是能力問題，是物理時間的限制。 Austin 自己的反思是："I would say a few years ago, if you had an idea to build something like this workflow, you would probably need a team of engineers." （我會說幾年前，如果你有這個想法要建這樣的工作流程，你大概需要一整組工程師。）而 Anthropic 內部其他行銷團隊的數據也印證了這個趨勢：影響者行銷團隊用 Claude 寫腳本，每月省下超過 100 小時；客戶行銷團隊把案例研究的初稿時間從 2.5 小時壓到 30 分鐘；數位行銷團隊的生產力年增 5 倍；合作夥伴行銷團隊把展會準備時間縮短了 40%。 真正值得學的不是工具，是工作流設計的思維 Austin 的案例之所以值得仔細看，不是因為他用了多厲害的工具——Claude Code 任何人都能用。值得看的是他設計工作流的思路： 第一，他把問題拆成「重複性高 + API 可接取」的單元。 不是把所有行銷工作都丟給 AI，而是精準鎖定那些量大、規則明確、格式固定的環節。廣告素材套版、文案變體生成、成效數據比對——這些都符合「高頻、重複、有明確規則」的特徵。 第二，他讓 AI 帶著上下文工作。 不是給 AI 一個空白提示詞，而是把品牌規範、歷史數據、平台規則全部餵進去。AI 的產出品質直接取決於你給它多少上下文，Austin 的 Agent Skills 設定就是在解決這個問題。 第三，他保留了人類判斷的環節。 所有文案範例都是「和產品行銷與文案團隊合作」產出的基礎上再延伸。AI 產出的是初稿和變體，最終的品牌判斷、策略方向、創意決策仍然是人在做。 Austin 自己說得最到位的一句話是："I think growth marketing is going the way of almost like a product manager. We're not only able to execute on campaigns, we're able to actually build products." （我覺得成長行銷正在往產品經理的方向走。我們不只是執行行銷活動，我們能真正建造產品。）這句話的含義很深。當一個行銷人可以自己建工具、自己跑數據、自己做自動化，他的角色就不再是「執行者」，而是「系統設計者」。瓶頸不再是你會不會寫程式，而是你有沒有能力定義問題、設計流程、判斷品質。 Jesse Pujji 在他的分析中指出，Ampush 過去管理超過 10 億美元的數位廣告預算，團隊超過 100 人，而 Austin 一個人用 AI 工具做到的產出量級，已經超過了大多數完整編制的行銷團隊。傳統代理商按人頭、按工時計費的模式，正在被每月不到 100 美元的軟體成本取代。 這不是未來式。這是正在發生的事。📎 Austin 的完整案例收錄在 Anthropic 官方部落格的 How Anthropic's Growth Marketing team cut ad creation time from 30 minutes to 30 seconds with Claude Code，裡面有更多關於 Figma 外掛的操作畫面和 Google Ads 工作流的詳細設定步驟，還有 Anthropic 其他行銷團隊（影響者、內容、合作夥伴）各自怎麼用 Claude 的具體案例。另外，Austin 在 2024 年 7 月接受 Passionfroot 的 AMA 訪談，聊了更多關於成長行銷策略的底層邏輯——什麼時候該投廣告、什麼時候該先做 SEO、怎麼用不能規模化的方法先跑起來——那些是 AI 工具之前的基本功，值得一讀。
Gumloop 創辦人 Max Brodeur-Urbas：「50 個 AI Agent 幫我經營公司」是一個謊言
Max Brodeur-Urbas：被禁入美國五年，在臥室裡打造出日處理 400 萬工作流程的自動化平台 你最近一定看過這類貼文：「我用 50 個 AI agent 經營整間公司」「一個人 + AI = 百人團隊」。每滑一次，焦慮就多一分。 但如果告訴你，做 AI 自動化平台的人自己跳出來說這是謊言呢？ Max Brodeur-Urbas 是 Gumloop 的共同創辦人兼 CEO。這家公司 2023 年中創立，經歷了 Y Combinator W24，2026 年 3 月剛拿到 Benchmark 領投的 5,000 萬美元 B 輪，Nexus VP、First Round Capital、Shopify Ventures 跟投。Gumloop 目前每天處理超過 400 萬個工作流程，客戶包括 Shopify、Instacart、DoorDash、Ramp、Gusto。 Max 的背景本身就是一個很不典型的創業故事。他是加拿大人，McGill 大學軟體工程畢業，在微軟工作過一段時間。後來因為簽證問題被禁止入境美國五年——在矽谷創業圈，這幾乎等於被判出局。但他待在溫哥華的臥室裡，和共同創辦人 Rahul Behal（前 Amazon 機器學習工程師）一起，48 天內就做出了 Gumloop 的第一版，遠端參加 YC，硬是把公司做了起來。 2026 年 3 月，Max 在 EO Studio 的訪談中丟出一句話，直接戳破 AI agent 的泡沫："50 AI agents running my company — that's not automation. That's a slop machine." （「50 個 AI agent 幫我經營公司」——那不是自動化，那是垃圾製造機。）這句話之所以有重量，是因為說這話的人自己就靠賣 AI 自動化工具吃飯。他不是在唱反調博眼球，而是在講他花了三年踩過的坑。 從 AutoGPT 的教訓到「少用 AI」的反直覺哲學 Gumloop 最早其實是 AutoGPT 的 UI 包裝。當時的想法很直覺——讓 AI 自主完成任務，使用者只要下指令就好。但 Max 很快發現了問題。 他在 E2B 的訪談中回憶，非技術用戶提出的需求其實很直接：「幫我爬這個網站然後分析資料」「幫我整理這些客戶名單」。但自主 agent 在這些任務上的表現卻很不穩定。"Throwing AI at every step of the way will only make things expensive and unreliable." （在每個環節都丟 AI 進去，只會讓事情變得又貴又不可靠。）這個教訓讓 Gumloop 做了一個反直覺的轉向：一家 AI 自動化公司，開始主張少用 AI。 Max 的邏輯是這樣的：大多數工作流程裡，真正需要 AI 判斷的環節其實很少。爬網站、呼叫 API、格式轉換、資料搬運——這些用傳統程式邏輯就能穩定完成。AI 應該只出現在需要「理解」和「判斷」的節點，例如分類一封郵件的意圖、從一堆資料裡摘出關鍵資訊、決定下一步該走哪條路。 用 Max 自己的話說，Gumloop 的工作流程大概是「90% 基礎架構、10% AI」。聽起來不性感，但結果是更穩定、更便宜、更可預測。 工作流程是劇本，Agent 是四分衛——順序不能反 Max 在 Gumloop 官方部落格用了一個美式足球的比喻，把他的方法論講得很清楚："Workflows are plays, and agents are quarterbacks. You can't just go straight to agents. It's like trying to be a quarterback without ever studying the playbook." （工作流程是戰術，agent 是四分衛。你不能直接跳到 agent。那就像一個四分衛從來沒讀過戰術手冊就上場。）這個比喻精準地點出了多數人部署 AI agent 時犯的錯：他們跳過了「設計劇本」的階段，直接把四分衛丟上場，期待他自己想辦法。 Max 的建議是先工作流程，後 agent。具體來說： 第一步：把你要自動化的工作拆成明確的步驟。 每一步的輸入是什麼、輸出是什麼、成功的標準是什麼——這些都要在引入 AI 之前就想清楚。一個好的工作流程應該像食譜一樣可以被任何人重現。 第二步：只在需要判斷力的節點放入 AI。 不是每個步驟都需要 AI。收到一封客戶郵件 → 判斷意圖（這裡需要 AI）→ 根據意圖走不同流程（這裡不需要 AI，用條件分支就好）→ 產出回覆草稿（這裡需要 AI）→ 發送（不需要 AI）。 第三步：當你有了足夠多穩定的工作流程，才考慮用 agent 來調度它們。 Agent 的角色是根據情境判斷「現在該跑哪個劇本」，而不是從零開始自己發明劇本。 這個順序看起來理所當然，但多數公司做的恰恰相反——先買一堆 agent 工具，然後才發現底層根本沒有可靠的工作流程讓 agent 去執行。結果就是 Max 說的「垃圾製造機」：agent 在那裡空轉，重複做同樣的 Google 搜尋，產出一堆似是而非的東西，沒人敢直接用。 好產品不是一鍵生成的：Gumloop 內部怎麼做自動化 Max 在 EO Studio 的訪談中分享了五條他建立 Gumloop 的原則，其中一條特別值得注意："Great products aren't built in one click." （好產品不是按一個按鈕就能做出來的。）這聽起來像廢話，但放在 AI 的語境下就不是了。現在太多人的期待是：我裝一個 AI 工具，按一下，一切就自動化了。Max 說不是這樣的。即便在 Gumloop 內部，每一個自動化流程都經過刻意設計、反覆測試、逐步迭代。 他在 Gumloop 的企業部署指南中提到一個有趣的觀點："An agent is only as good as the tools it can use or the workflows that it can actually trigger." （一個 agent 的能力上限，取決於它能使用的工具和觸發的工作流程。）換句話說，你的 agent 再聰明，如果底層沒有設計好的工作流程讓它調用，它也只是一個很會說話但什麼都做不了的聊天機器人。 Max 也分享了他在客戶端推動 AI 採用的經驗。他發現最有效的方式不是由上而下的強制推行，而是找到一個具體的成功案例，錄一段十分鐘的使用者訪談，讓其他團隊看到「原來可以這樣用」。他說："If you promote someone for using AI, they're going to want to use AI." （如果你表揚一個人使用 AI 的成果，其他人就會想要用 AI。）這背後的邏輯是：與其發一封全公司的信說「大家要開始用 AI」，不如讓一個具體的人講一個具體的故事——「我以前每天花兩小時整理客戶資料，現在十分鐘就搞定了」——這種病毒式擴散比任何政策都有效。 為什麼做自動化的人反對盲目自動化 回到那個核心問題：一個賣 AI 自動化的人，為什麼要跳出來潑冷水？ 因為 Max 看到的現實是：盲目堆疊 agent 的公司，最後反而離真正的自動化更遠。他們花了大量時間和金錢部署工具，卻沒有花時間理解自己的工作流程。結果是一堆 agent 各自為政、輸出品質參差不齊、沒有人知道哪個 agent 做了什麼決策、出了問題也無從追溯。 相反，那些先花時間把工作流程拆解清楚、在關鍵節點才導入 AI 的公司，反而得到了真正可靠的自動化。Benchmark 的合夥人 Everett Randle 在投資 Gumloop 時說得很直接：企業選擇 Gumloop 的原因就是它在「強大功能」和「易用性」之間找到了平衡。 這不是反 AI 的論述。Max 自己的公司就是靠 AI 自動化賺錢。他反對的是那種「裝了 50 個 agent 就等於數位轉型」的思維。真正的 AI 原生公司不是擁有最多 agent 的公司，而是最清楚哪裡該用 AI、哪裡不該用的公司。 下次你看到有人在社群媒體上炫耀「我用 N 個 AI agent 取代了整個團隊」的時候，可以想想 Max 的那句話：那不是自動化，那是垃圾製造機。真正的自動化，從來都不性感——它安靜、可靠、刻意，而且大部分時間根本不需要 AI。📎 Max 的完整訪談在 EO Studio 的 YouTube 頻道上，大約 16 分鐘。除了自動化哲學之外，他還聊到自己被禁入美國五年的經歷、怎麼從客戶中找到早期員工、以及為什麼他認為「真正的人脈不是在雞尾酒派對上建立的」。如果你想更深入了解 Gumloop 的技術取向，Max 的 AI Workflows vs AI Agents 這篇文章用美式足球的比喻把工作流程和 agent 的關係解釋得非常清楚。
用 Notion Custom Agents 打造你的第一個 AI 員工，不用寫程式
每天花兩小時處理瑣事，是你最貴的隱形成本 Notion Custom Agents 要解決的問題，其實每個工作者都遇過——整理客戶資料、回覆重複的問題、彙整週報、把新進的任務分配給對的人——這些事情不難，但加起來每天至少吃掉一兩個小時。更麻煩的是，它們散落在 Slack、Email、行事曆、各種資料庫之間，你得不斷切換工具，逐一處理。 過去的解法不外乎兩種：請一個助理，或者用 Zapier、Make.com 這類自動化平台串接流程。前者有人事成本，後者需要花時間搞懂觸發條件和 API 串接——對不寫程式的人來說，門檻不低。 2026 年 2 月 24 日，Notion 發布了 3.3 版本，推出 Custom Agents。這個功能的核心概念很直接：你用自然語言告訴 AI 要做什麼、什麼時候做、能碰哪些資料，它就會在背景持續運作，不需要你盯著。 Notion Custom Agents：用一句話定義工作內容的 AI 自動化員工 Custom Agents 不是聊天機器人。它不是你問一句、它答一句的互動模式，而是你設定好規則之後，它在背景 24/7 自動執行的自主工作者。 Notion 官方把 Custom Agents 分成三種類型： Q&A Agent——自動回答重複性問題。你把知識庫指定給它，當有人在 Slack 頻道或 Notion 頁面 @mention 它，它就根據現有資料回覆。金融科技公司 Ramp 在內部跑了超過 300 個 Agent，其中一個叫「Product Oracle」，每天自動回答幾十個關於產品路線圖和功能的問題。 Task Routing Agent——自動分類任務並指派負責人。新需求進來時，它會讀取內容、判斷類別、補充相關資訊，然後分派給對的人。遠端工作平台 Remote 用一個 triage agent 完全取代了 IT 服務台，每週省下 20 小時的人工處理時間。 Status Update Agent——自動產出報告。它從 Notion、串接的工具和網路上蒐集資訊，定時生成日報、週報或 sprint 摘要。Braintrust 做了一個「Deal Spotter」Agent，每週自動產出升級機會報告，讓業務團隊不用手動翻 CRM。 目前 Custom Agents 可以串接 Slack、Notion Calendar、Figma、Linear，也支援自訂的 MCP（Model Context Protocol）伺服器。換句話說，只要你的工具有 API，理論上都接得上。 三步驟建立你的第一個 Notion Custom Agent 整個設定流程不需要寫任何程式碼。Notion 官方的說法是：「Setting up any Custom Agent is as simple as writing a short job description and chatting with it to make updates.」（設定 Custom Agent 就像寫一段簡短的職位描述，然後跟它聊天來調整。） Step 1：在側邊欄點選「Agents」，按下「+ New agent」 打開 Notion，左側邊欄會看到「Agents」區塊。點進去之後按「+ New agent」，你會進到一個對話介面。這裡不需要填表單或選流程圖，直接用自然語言描述你要這個 Agent 做什麼。 舉個例子：如果你想做一個「客戶跟進提醒 Agent」，你可以這樣寫：每天早上 9 點，檢查「客戶資料庫」裡所有「上次聯繫日期」超過 7 天的客戶，把他們列成一份清單，發到 #sales-followup 的 Slack 頻道，並附上每位客戶的最新互動紀錄。Notion 會根據你的描述自動生成 Agent 的指令、建議要連接的頁面和工具。你可以在右側即時看到設定的變化。 Step 2：設定觸發條件與權限 Custom Agents 支援兩種觸發方式： 事件觸發（Event-driven）：當特定事情發生時啟動。例如有人在 Slack 頻道 @mention 這個 Agent、資料庫裡新增了一筆資料、或收到一封特定類型的訊息。 排程觸發（Scheduled）：按照你設定的時間自動執行。每天早上 9 點、每週一下午 2 點、每個月第一個工作天——都可以。 權限設定也很關鍵。你可以控制 Agent 能看到哪些頁面和資料庫、能不能編輯內容、能存取哪些 Slack 頻道。Notion 建議的原則是：除非必要，否則預設給「僅檢視」權限，避免 Agent 改到不該改的東西。 Step 3：測試、啟動、追蹤執行紀錄 設定完成後，先按「Run」手動跑一次，確認輸出結果符合預期。如果 Agent 會發訊息到 Slack，建議先指向一個測試頻道。 每次 Agent 執行後，你可以在「Activity」分頁看到完整紀錄——什麼觸發了它、它做了哪些動作、結果是什麼。如果哪次執行的結果不對，Notion 支援「Undo」，可以把 Agent 做的變更還原。 確認沒問題之後，點「Share」可以邀請團隊成員使用。你對 Agent 指令做的任何修改，會自動套用到之後的所有執行。 三個實用的 Custom Agent 設定範例 講完流程，來看三個具體的場景： 客戶跟進提醒 Agent：設定排程觸發（每天早上 9 點），連接客戶資料庫，篩選超過 7 天未聯繫的客戶，自動在 Slack 發出跟進清單。這比設行事曆提醒強，因為它會動態讀取資料庫的最新狀態，不是固定的靜態提醒。 每週業績摘要 Agent：設定每週五下午 4 點執行，從銷售資料庫拉取本週新增的商機、成交的案件、推進中的案件數量，自動生成一頁摘要，發到管理層的 Slack 頻道。不用再花週五下午一小時手動做報告。 常見問答自動回覆 Agent：設定事件觸發（Slack 頻道 @mention），連接產品知識庫和 FAQ 頁面。當同事或客戶在指定頻道問問題，Agent 會先搜尋現有知識庫，找到相關內容後直接回覆。找不到答案時，它會標記給指定的負責人。Ramp 的經驗顯示，這種 Q&A Agent 能處理掉大部分的重複性提問。 Notion Custom Agents 的定價與免費試用方案 Custom Agents 需要 Notion Business 方案（每人每月 $20 美元）或 Enterprise 方案才能使用。 免費試用期：即日起到 2026 年 5 月 3 日，Business 和 Enterprise 用戶可以免費使用 Custom Agents，不消耗任何 credits。 Credits 計費：2026 年 5 月 4 日之後，每次 Agent 執行會消耗 Notion credits。Credits 的價格是每 1,000 credits 收費 $10 美元。根據 Notion 官方的估算，1,000 credits 大約可以執行 45 到 90 次 Agent（視任務複雜度而定）。 換算一下：如果你的 Agent 每天跑一次，一個月大約 30 次執行，1,000 credits 綽綽有餘。也就是說，一個簡單的 Agent 每月 credits 成本大約在 $3 到 $7 美元之間。 要注意的是，credits 以工作區為單位共享，每月重置，用不完不會累積到下個月。如果 credits 用完，Agent 會自動暫停，直到管理員加購。 現有 AI 功能不受影響：Notion Agent（個人 AI 助手）、AI Meeting Notes、Enterprise Search 這些功能仍然包含在方案內，不額外收費。Custom Agents 的 credits 是獨立計算的。 Notion Custom Agents 的限制與注意事項 講了這麼多好處，也要說說目前的限制。 第一，Custom Agents 只支援 Business 和 Enterprise 方案。如果你用的是免費版或 Plus 方案，得先升級。對個人用戶來說，每月 $20 美元不算便宜，但如果你本來就在用 Notion 管理工作，升級的門檻比從零開始導入新工具低很多。 第二，Notion 官方在 2026 年 2 月的公告裡直接提到了 prompt injection 的風險——有人可能透過隱藏指令試圖操控 Agent 的行為。他們說有內建防護機制，管理員也可以限制 Agent 的存取範圍，但這代表你不該讓 Agent 無限制地存取所有資料，權限設定要認真看。 第三，Agent 的品質取決於你給的指令和它能存取的資料。如果你的知識庫本身就很混亂，Agent 的回答品質也不會太好。先整理好你的 Notion workspace，再來建 Agent。 Notion 在 2026 年 2 月的公告裡提到，他們內部「agents 的數量比員工還多」，早期測試者已經建了超過 21,000 個 Agent。這個數字至少說明一件事：這個功能確實有人在用，而且用量不小。 如果你的工作裡有任何「每天或每週固定要做的重複性任務」，現在是嘗試的好時機——免費試用期還有一個多月，夠你驗證這東西到底能不能幫上忙。📎 Notion 官方的 Custom Agents 發布文章寫得很完整，包含設計理念和更多企業客戶的使用案例（Ramp、Remote、Braintrust）。如果你關心資安面，他們另外有一篇專文說明 Custom Agents 的安全機制設計。想直接動手的話，Notion Help Center 的 Agent 教學有步驟截圖，比這篇更適合邊看邊做。
Vercel 的瘋狂實驗：讓工程師跟蹤最強業務 6 週，打造一個年薪三萬的 AI 分身
最近科技圈最瘋狂的一則新聞：軟體公司 Vercel 把 10 人的銷售團隊，縮編到剩 1 個人加一個 AI。 不是裁員。是他們的 AI agent 真的能做到那 10 個人在做的事。 Jeanne DeWitt Grosser：從 Google 到 Stripe 再到 Vercel 的營運長 Jeanne DeWitt Grosser 是 Vercel 的營運長（COO），之前在 Stripe 當 Chief Business Officer、再之前在 Google 帶過業務團隊。她在 2025 年 11 月的一集 Lenny's Podcast 上分享了這個故事，引爆了整個 SaaS 圈的討論。 Vercel 是一家開發者工具公司，做的是網站部署平台。他們的銷售團隊原本有 10 個 SDR（Sales Development Representative，負責開發潛在客戶的業務代表），做的事情包括回覆客戶訊息、過濾垃圾郵件、分類需求、回答問題、把案子往上丟給資深業務。 Vercel 如何用六週打造 AI 銷售分身 Vercel 的做法不是去買一堆 AI 工具拼湊。他們做了一件很聰明的事： Step 1：找出你最強的那個人。 團隊裡一定有一個人，成交率最高、客戶回頭率最好、處理問題最俐落。Vercel 找到了他們的 top performer。 Step 2：派工程師去「跟蹤」。 三名工程師花了整整六週，像影子一樣跟著這位最強業務。他們記錄每一個動作：怎麼讀訊息、怎麼判斷哪些是垃圾、怎麼回覆客戶、什麼時候把案子升級、用什麼語氣、遵循什麼邏輯。 不是問他「你平常怎麼做」——因為人往往說不清楚自己的工作流程。而是直接觀察、直接記錄。 Jeanne 在訪談中解釋：「People can't always articulate what makes them great. You have to watch them.」（人們不一定能說清楚自己為什麼厲害，你必須去觀察他們。） Step 3：把流程變成 AI agent。 六週的觀察資料，成為 AI agent 的訓練藍圖。這個 agent 現在能自動做到：篩選訊息、過濾垃圾、回覆客戶提問、判斷案子的優先順序、把需要人處理的案子丟給那位唯一留下的人。 結果？ 10 個人的工作量，現在由 1 個人 + 1 個 AI agent 完成。AI agent 一年的運行成本大約一千美元。對比原本團隊超過一百萬美元的年薪支出。 而且那 9 個被「取代」的人並沒有被裁掉——他們被調去做更有價值的 outbound prospecting（主動開發客戶），也就是 AI 目前還做不好的事。 能寫成 SOP 的工作，AI 就能接手 Jeanne DeWitt Grosser 說了一句讓人頭皮發麻的話："If you can document a workflow, it's now pretty straightforward to have an agent do it." （如果你能把一個工作流程寫成文件，那讓 AI agent 來做就很直接了。）這句話的殺傷力在於它的適用範圍。不是只有科技公司能這樣做。任何一個重複性高、流程明確的工作，都在射程範圍內。 反過來說，如果你的工作沒辦法被寫成 SOP？那你反而是安全的。 Vercel 把人調去做 outbound，就是因為那需要判斷力、創造力、人與人之間的信任——這些東西目前還寫不成 SOP。 更值得注意的是 Vercel 的方法論：他們沒有去買市面上的 AI 銷售工具，而是從自己最強的人身上「萃取」能力。因為每家公司的客戶不同、產品不同、銷售流程不同，通用工具永遠比不上從自己的 top performer 身上複製出來的 agent。 Vercel 目前已經部署了 6 個 AI agent，目標是在未來一年內擴展到上百個——每一個都是某個 top performer 的數位分身。 三個問題，檢視你的團隊能不能這樣做 Jeanne 在訪談中強調，這個方法的核心不是技術能力，而是「觀察力」。任何公司都可以用這三個問題開始：你的團隊裡，誰的表現最好？ 不是主管覺得最好的，是數據上表現最好的。成交率、客戶滿意度、處理速度——用數字說話。他做的事情，能不能被拆解成步驟？ 如果可以，那這就是 AI agent 的候選工作。如果不行，那這個人做的事可能更有價值，不應該被自動化。你願意投入多少資源來觀察？ Vercel 投入了三名工程師六週的時間。這不是小投資，但對比省下的百萬美元人力成本，ROI 非常明確。Vercel 的案例證明了一件事：AI agent 最有效的建造方式，不是買現成工具，而是從你最強的人身上「萃取」能力。 因為每家公司的客戶不同、產品不同、流程不同，通用工具永遠比不上量身打造的 agent。 這不是未來式，是現在進行式。📎 Jeanne DeWitt Grosser 在那集 Lenny's Podcast 裡不只講了 AI agent 的事，還分享了 Vercel 從零到規模化的完整 GTM 策略，以及她在 Stripe 和 Google 累積的 B2B 銷售經驗。如果你對「科技公司怎麼打造銷售引擎」這個主題有興趣，推薦完整收聽：What the best GTM teams do differently — Lenny's Podcast。