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。
他們不是不要顧問，只是要不一樣的顧問：CFA Institute 六國調查 2,400 位下一代富人，拆解三個服務姿態的升級
有個迷思在業界流傳了很多年：「下一代年輕人都用 App、用 robo-advisor 自己搞定，他們根本不會想要理財顧問。」 這個說法在 2026 年 3 月被 CFA Institute 一份研究徹底打臉。 CFA Institute：橫跨六國、2,400 位下一代富人的第一手證據 CFA Institute 在 2026 年 3 月 23 日發布的〈Next-Gen Investors: A Guide for Wealth Managers & Financial Advisers〉調查了美國、英國、加拿大、印度、新加坡、阿拉伯聯合大公國六個市場的 2,400 多位 mass-affluent 到 VHNW（超高淨值）的 Gen Z 與千禧世代投資人。結論是："Wealthy Gen Z and millennial investors are not turning away from professional advice, but they are redefining it." （富有的 Gen Z 與千禧世代並沒有離開專業建議，他們只是在重新定義它。）這句話出自該報告的資深研究員 Genevieve Hayman 博士。報告的資深研究主管 Rhodri Preece 則把這個轉變形容為「從根本上重塑私人財富管理」。 為什麼這份報告值得所有理財、保險、財富管理從業者放在桌邊讀兩遍？因為它精準量化了一件過去十年大家都「隱約感覺到但講不清楚」的事：下一代客戶沒有在流失，他們只是正在用完全不同的方式出現。 關鍵數字：90% 付費，但錢付到哪裡變了 幾個讓人重新思考客戶畫像的數字：超過 90% 的受訪年輕富人正在付費使用某種形式的理財建議（人類顧問、robo-advisor、會計師、律師皆算）。 近 70% 有付費顧問的人，每個月至少跟顧問互動一次以上。 58% 的千禧世代透過投顧公司、財富管理機構或家族辦公室接觸付費專業人士。 43% 的 Gen Z 只使用 robo-advisor（不碰人類顧問）。 約三分之一 的受訪者用過生成式 AI 學理財。 但即便如此，人類顧問仍然是最被信任的資訊來源（the single-most-trusted source）。這幾個數字放在一起，一個畫面就出來了：他們不是不要顧問，而是把「顧問」這個角色的定義徹底改寫——從「一個每季打電話給我講市場的人」變成「一個我可以隨時打字問、會用數據回我、還願意跟我一起做決定的人」。 下一代要的三個服務姿態升級 報告的精華不在數字，而在它直接點出了下一代客戶真正要的三件事。這也是這篇文章真正的重點。 一、從「教育者」變成「即時解讀者」（FOMO Contextualization） 做法： 當客戶帶著一個你沒聽過的新資產（meme coin、tokenized real estate、某個 YouTuber 推的 AI ETF）來問你，你的第一句話不是「這很危險別碰」，而是「我來幫你拆解它在你整體配置裡扮演什麼角色」。 報告裡最尖銳的一個發現是：55% 的年輕富人承認自己做過「FOMO 投資決策」，特別集中在加密貨幣這類新興資產。 這個 55% 不是要你嘲笑他們衝動，而是要你意識到一件事：下一代客戶的資訊環境，已經不是「他們不懂所以要教他們」的環境，而是「他們每天被 30 個新資訊砸，分不清哪個該認真、哪個該無視」的環境。 報告的建議很直接——顧問要能「contextualize new developments and be a strategic, forward-looking partner, balancing innovation with prudent advice」（替新發展提供脈絡，扮演前瞻的戰略夥伴，在創新與審慎之間取得平衡）。 翻譯成白話就是：他不需要你告訴他 Bitcoin 是什麼，他可以問 ChatGPT。他需要你告訴他「以你現在的整體資產配置、三年內想買房的目標、還有老婆懷孕的狀況，這個該不該進、進多少、進了之後下一步該注意什麼」。 這就是從「教育者」變成「即時解讀者」。教育者解釋事物「是什麼」，解讀者解釋事物「對這個人在這個時間點的意義」。前者的價值被 AI 吃掉了，後者只會越來越貴。 二、從「說服者」變成「協作規劃者」（Collaborative Hybrid Models） 做法： 你不再是站在白板前面講兩小時然後推一張保單的老師，你是跟客戶一起打開 Google Doc 邊聊邊改財務藍圖的 co-pilot。 報告的原文："They expect active participation in financial planning and want collaborative, hybrid advice models that combine human expertise with technology-enabled personalization." （他們期待主動參與財務規劃，並且想要協作式的混合建議模式——結合人類專業與科技賦予的個人化。）這裡的關鍵字是「active participation」。老一代的客戶願意把錢交出來說「你幫我看著辦」；下一代客戶要的是「我們一起看著辦」。 為什麼？因為他們從 18 歲就在 Robinhood 跟 Wealthfront 上看自己的組合每天上下跳，他們對「看不見的黑盒子」有天然的排斥。如果你的服務模式還是「給我一個月時間我回來跟你報告」，他們第三次追蹤沒結果就走了。 協作規劃者做的事情很具體：會議不再是「我來報告你來聽」，而是共享一個即時儀表板邊看邊討論。 在做資產配置決策之前，先問「你對這個方向的感覺是什麼」而不是「你的風險承受度分數是多少」。 承認自己不知道的事情，並跟客戶一起查、一起問 AI、一起找答案——這反而建立信任，而不是削弱權威。三、從「面對面專屬」變成「混合數位體驗」（Digital-First Engagement） 做法： 客戶今天晚上 11 點在 LINE 傳給你「我剛看到一個新聞，要不要賣？」，你能在 30 分鐘內回一個有憑有據的判斷。 「近 70% 的年輕顧問客戶每月至少互動一次」這個數字很容易被誤讀。它不是在說「他們愛開會」，而是在說——他們把顧問關係當成一種「持續的數位對話」在經營，而不是「一年兩次的正式會面」。 報告指出下一代要的溝通模式：影片會議、訊息、App、即時儀表板。重點不在用什麼工具，而在「回應速度 + 數位可存取性」已經變成服務的基本面。 這裡有一個有趣的伴隨發現：下一代對「信任」的定義也變了。 過去的信任建立在人情、同業介紹、打過的幾場高爾夫。CFA Institute 的研究發現，下一代衡量一個顧問是否可信，看的是績效指標、專業認證、資料安全、費用透明——而不只是「他這個人感覺很暖」。 這個轉變對從業者有一個隱藏的好消息：如果你的專業扎實、CFA 或 CFP 考過了、系統跑得乾淨、費用說得清楚，你其實不用再辛苦地靠「陪吃飯」去經營信任。你只要把這些東西做出來並且讓客戶看得見，他們就會買單。 為什麼這份報告現在特別重要 因為「財富大交棒」（Great Wealth Transfer）的數字越來越嚇人。Cerulli Associates 預估從現在到 2045 年，光美國就有 84 兆美元的財富轉移；CFA Institute 這份報告裡的印度受訪者，超過 95% 預期自己會繼承財富，85% 會在未來十年內拿到。 這意味著：如果你現在手上一個案子裡的主要客戶是父母那輩，而你對他們的子女用的還是同一套服務模式（年度報表 + 節慶問候 + 偶爾約喝茶），你正在賠上一個已經算在你帳上、但即將易手的客戶關係。 CFA Institute 的 Preece 說這群下一代「從根本上重塑私人財富管理」，這句話聽起來像產業報告的客套話，其實很嚇人——它的意思是，你現在服務父母的方式，有很高的機率在他們的子女接手後被直接換掉。而下一代換掉你不會通知你，他們只是不回訊息、不約開會、然後在某個週末把資金轉到另一個顧問那裡。 這份報告其實是一份很貴的「提前通知」。它告訴你下一代客戶不是在拒絕服務，他們只是在等一個願意用新姿態服務他們的人。📎 這篇拆的是 CFA Institute 整份報告裡最有戰略意義的三個服務姿態升級，但原始報告還有更多可以挖的東西：六國（美、英、加、印度、新加坡、UAE）的國別差異（印度的繼承預期遠高於其他國家）、不同資產級距（mass affluent vs VHNW）的行為分歧、以及下一代對 ESG、加密、alternative assets 的具體配置偏好。如果你有實際在服務跨境客戶、或是想更精準掌握某個特定市場的下一代畫像，值得去讀完整報告：Next-Gen Investors: A Guide for Wealth Managers & Financial Advisers。
你的客戶明明很喜歡你，為什麼還是成交不了？Gong 分析 180 萬筆交易：單線接觸是最危險的預警訊號
客戶對你很客氣，每次約都準時出現，茶也倒了、笑也笑了，但案子就是拖。你心裡想：「他就是那個拍板的人，我跟他談得這麼熟，成交只是時間問題。」 這個判斷，可能正是案子停下來的原因。 Gong 資深內容研究總監 Dan Morgese 在 2025 年 4 月發表的一份報告裡，把這個現象講得很直白：如果一個非小額、非交易型的案子從頭到尾只有一個窗口，這本身就是風險訊號。 Dan Morgese：單線接觸不是「還沒擴大」，是「已經在漏水」 Gong Labs 分析了 2024 年完成的 180 萬筆 B2B 新業務機會。他們把「有幾位客戶端人員參與」和「最後是否成交」放在一起看，得出一個反直覺的結論：有 3 人以上接觸的交易，成交率是單線接觸的 2.4 倍 企業級（Enterprise）案件，這個倍數拉到 3.1 倍 5 萬美元以上的案子，多線接觸讓勝率 提升 130% 成交的案子，賣方團隊人數比失敗的案子 多 67% 大型策略型案件，平均有 17 位 客戶端人員參與Dan Morgese 的原話是這樣的："Single-threaded deals should be an immediate red flag that your deal is at risk." （單線接觸的案子，應該立刻被視為案子有風險的警訊。）這句話翻成業務員的日常語言就是：當你對一個客戶的印象是「他很喜歡我、我們關係很好」，但你畫不出這個案子裡還有哪些人在影響決定——你的案子已經在漏水，只是你還沒看到地板濕。 Pavilion 和 Ebsta 在 2025 年發布的 GTM Benchmarks 報告分析了 65.5 萬筆機會，得出一個互相印證的結論：決策者在銷售流程的前兩個階段就主動參與，勝率上升 55%。頂尖業務花大量時間「擴大接觸面」，不是因為他們愛社交，是因為他們知道單線接觸等於把案子壓在一個人的心情上。 為什麼單線接觸反而危險？因為你讓客戶一個人扛 業務員的直覺是「找對的那個人談」——這個人最有權力、最懂、最認識我。但從客戶的角度，當他變成唯一跟你對話的人，他要扛三件事：把你的說明翻譯給家人、夥伴、同事聽 承擔說服他們的情緒成本 如果決策後果不好，他要獨自負責這三件事加起來，讓他的最理性選擇是「拖」。拖不是因為他不喜歡你的方案，是因為獨自拍板的心理成本太高。 多線接觸的價值，不是「多賣給幾個人」，是把決策的重量分散到好幾個人身上。當太太、成年子女、會計師都在同一個房間裡聽過你的說明，他們彼此之間會自動開始討論，你的客戶不再需要獨自當傳話筒，拍板對他來說就從「孤獨的風險」變成「大家都同意的共識」。 多線接觸框架：擴大參與者，但比人數更重要的是「順序」 大部分業務員聽到「多線接觸」的第一反應是「好，我下次多約幾個人」。結果做錯了會更慘——這就是 Gong 另一組數據揭露的：時機比人數更關鍵。 Dan Morgese 在另一篇專門談高層接觸的分析裡提到：一開始就把客戶公司的高層（或自己公司的主管）拉進來，勝率 下降 6% 但如果在第三次接觸才讓高層登場，勝率 上升 5%一前一後，是 11 個百分點的差距。原因是：第一次見面就帶高層，客戶會覺得「你是來施壓的」；但如果你先跟一個信得過的窗口（champion）建立問題共識，第三次才讓高層出現幫忙確認，客戶會覺得「你們很重視我」。 同樣的邏輯可以套用到任何高權威角色——律師、會計師、醫師、資深顧問。時機對了，他們是加分項；時機錯了，他們變成壓力。 技巧一：先找 Champion，再擴大場面（Champion-First Sequencing） 做法： 第一次見面不要硬拉一群人，先找到那個「願意在你不在場時替你說話」的人。 Dan Morgese 提到識別 Champion 的幾個問題：「如果這個方案要推下去，誰會是最懷疑的人？」 「除了這件事，你們現在還有什麼事在搶你的時間？」 「如果我們下個月沒談成，最可能的原因會是什麼？」願意認真回答這三題的人，就是你的 Champion。他不是「比較喜歡你的那個」，是「願意跟你說真話的那個」。 套在保險/理財場景就是：與其追著先生問「你老婆會不會反對？」，不如直接問他：「如果這份規劃我們今天決定做下去，你老婆最可能從哪個角度挑戰你？」他回答得出細節，你才有真的 Champion。回答不出來，代表他其實也沒把握。 技巧二：幫 Champion 寫好邀請訊息（Ghostwrite the Invite） 做法： 不要丟一句「方便約你太太/爸爸/合夥人一起聊嗎？」給客戶自己去想辦法。你幫他把邀請訊息打好，讓他複製貼上就能發。 Dan Morgese 直接點出這個做法的心理邏輯：你請 Champion 幫忙的事情，每多一個步驟，他完成的機率就掉一半。 錯誤示範：「王先生，要不要下次把嫂子也約出來一起聊？我覺得她會有興趣。」正確示範：「王先生，我幫你草擬了一段訊息，你看看合不合適： 『老婆，我今天跟顧問聊了我們之前討論過的那個退休規劃，他提到有幾個跟你有關的選項。禮拜六下午他要來家裡再講一次，你也一起聽，我們兩個一起決定。』 你覺得可以的話，就轉發給她。不方便的話我們再調整。」第二種讓 Champion 動的門檻，從「想出一段話」降到「按轉發」。 技巧三：把第一次多人會議設計成「問題對焦」而不是「產品說明」（Problem Alignment Over Product Demo） 做法： 多人第一次同框時，不要重新講一次產品。先讓大家對「問題」達成共識。 Dan Morgese 給的原則是：在集體場合，主動邀請不同意見浮出來。 多人會議最糟的版本是：你對著四個人重講一次給 Champion 聽過的內容，其他人禮貌地點頭，回家各自消化後開始發簡訊互相抱怨。正確的版本是這樣開場：「今天請大家來，不是要我再講一次規劃細節——那些王先生會再跟你們說。我更想聽的是：你們每個人看這件事，最擔心的部分是什麼？如果等一下有人講出來的擔心跟其他人不一樣，那是好事，我們今天就是要把這些都攤開來談。」這段開場做對了兩件事：一是把「意見不同」正常化，讓太太敢講真心話，而不是在你面前假裝同意、回家再反悔；二是讓 Champion 變成「主持人」，而不是你的「翻譯官」——因為翻譯做久了會翻錯，主持做久了反而會幫你守案子。 從「找對的人談」改成「設計對的順序」 多線接觸的重點從來不是「人愈多愈好」，是你有沒有設計過這個案子裡每個人出現的順序。 單線接觸的案子會漏水，因為你把所有賭注壓在一個人的心情、記憶力、和說服他身邊人的意願上。多線接觸的案子會成交，因為每個人都聽過你親口說的版本，彼此之間的討論從「A 轉述給 B 聽」變成「A 和 B 一起回想那天顧問講的那句話」。 這兩種對話的品質，差一個訂單。📎 Gong 的完整報告還拆解了「AI 如何協助銷售員做 stakeholder mapping」、「為什麼頂尖業務比其他人多產出 77% 的收入」、以及「sales engineer 在哪個階段進場可以把勝率再往上推 30%」。Pavilion 和 Ebsta 的 2025 GTM Benchmarks 則有更細的行業別數據和決策者參與度分層分析。如果你想把這套方法做到底，這兩份原始資料值得花一個週末讀完。
MIT 教授 Andrew Lo：AI 已經比你懂得多，但它不會因為建議錯誤而坐牢——你真正的護城河是『法律責任』
Andrew Lo：你的護城河不是「人情味」，是「出事時會被抓去關」 Andrew Lo 是麻省理工學院史隆管理學院（MIT Sloan）的金融學講座教授，也是 MIT 金融工程實驗室（Laboratory for Financial Engineering）的主任。他跟研究生 Jillian Ross 正在研究一個很尷尬的問題：一個每天處理 ChatGPT 投資諮詢的 AI，能不能真的「取代」理財顧問？ 2026 年 4 月 6 日，他在 CNBC 的一篇報導 中給了一個讓整個理財顧問產業都該貼在牆上的答案。他沒有說「AI 不夠聰明」、「AI 缺乏同理心」、「AI 不懂人性」——這些都是已經被講爛的安慰話。他講的是一個更冷、更結構性的觀察："The problem that we have to solve is not whether AI has enough expertise. The answer right now is, clearly, AI has the expertise. What they don't have is that fiduciary duty. They don't have the ability to suffer consequences if they make a mistake to the same degree that a human advisor does." （我們要解決的問題，不是 AI 夠不夠專業。答案很清楚——AI 已經具備了專業。AI 缺的是信賴義務。它不會像人類顧問那樣，為了犯錯而承擔同等的後果。）Lo 的整個框架可以濃縮成一個字：teeth（牙齒）。他說，「把客戶利益放在自己前面」這句理財業每個人都在講的話，如果沒有法律責任撐腰，就是「沒有牙齒」的口號。 「信賴義務缺口」框架：專業 vs. 後果的不對稱 要理解 Lo 的邏輯，要先區分兩件事：knowledge（知識）和 accountability（後果承擔）。 AI 的知識是可以無限複製的。一個 LLM 讀完了全世界的金融教科書、CFP 考題、SEC 判例，它的「專業儲量」在技術上已經超過任何一個單一顧問。這件事不必爭辯，Lo 自己就承認了。 但後果不能被訓練、不能被複製、不能被模擬。一個人類顧問如果違反信賴義務，他會面對什麼？SEC 或 FINRA 的行政處分 客戶提起的民事求償 嚴重時的刑事起訴 吊照，職業生涯結束 房子被拍賣、家人被連累這些後果在 Lo 眼中不是「副作用」，而是信賴義務真正有效的原因。"Putting client interests first has no teeth without responsibility or legal liability." （「以客戶利益為先」這句話，如果沒有責任承擔和法律責任在後面，根本沒有牙齒。）一個 AI 聊天機器人給了錯誤建議，它的「後果」是什麼？它不會被吊照、不會被監禁、不會失去家人、連電都不會停。就算 OpenAI 被告到破產，那個 GPT-5 版本的模型還是存在、還是在跑。它和你的損失之間，沒有一條承擔鏈。 這就是 Lo 講的「信賴義務缺口」（fiduciary gap）。而這個缺口，不是產品改版、也不是 prompt engineering 可以填補的——它是一個法律結構問題。 三個從「信賴義務缺口」推導出來的業務定位 1. 把「後果承擔」做成你產品的第一頁（Accountability as a Product） 做法： 不要再用「我有 15 年經驗」、「我很用心」當作差異化。把你的法律責任具體化、寫出來，讓客戶看到。 很多顧問談差異化時，講的都是軟性的東西——「我會聽你說話」、「我了解你的家庭」、「我有熱情」。這些 AI 都能模擬，而且越來越逼真。Lo 的框架告訴你，真正不能被 AI 模擬的是：你有東西可以被拿走，它沒有。 試著在客戶第一次會談時這樣開場：「我想先告訴你一件 AI 不會告訴你的事。今天我給你的每一個建議，如果被證明是為了我自己的佣金而犧牲你的利益，我會面對金管會的調查、民事賠償，嚴重一點我會失去執照、失去這個工作。我所有的建議後面，都有我的職業生涯在擔保。你在 ChatGPT 上問到的任何建議，背後沒有人承擔這種責任。」這段話不是銷售話術，是把法律結構翻譯給客戶聽。它比任何「我很專業」都更具體、更不可被複製。 2. 幕後用 AI、幕前做人：Schwab 研究揭露的「10% 整合鴻溝」 做法： 把 AI 當成你無形的副手，但絕對不要讓客戶以為他們在跟 AI 互動。 2026 年 1 月 Schwab Advisor Services 發布的 2026 RIA & AI Research Study（訪問 533 位美國註冊投資顧問）揭露了一個很有意思的現象：63% 的獨立顧問已經在用 AI，但只有 10% 真正把它整合進業務策略。剩下的 53% 在做什麼？記筆記、草擬 email、整理會議紀錄。 Lo 的框架告訴我們這不是「整合不足」，而是一種正確的本能直覺。如果你把 AI 推到客戶面前，說「這是我用來分析你資產配置的工具」，你等於在幫 AI 跟你搶位置——客戶很快就會想：「那我自己用 ChatGPT 不就好了？」 正確的分工是：後台（AI 的戰場）：資料整理、歷史案例檢索、稅務試算、草擬報告、準備會議摘要、回覆例行信件 前台（你的戰場）：判斷、建議、承擔、在客戶面前說出「我建議你這樣做，因為我為這個建議負責」AI 越強，客戶越需要一個「人」來把 AI 的輸出翻譯成可以被追究的承諾。這個翻譯過程，就是你的收費合理性。 3. 對年長客戶，你的「存在」本身就是服務 做法： 不要把時間浪費在教 70 歲客戶用 AI，把時間花在成為他們「不需要用 AI」的原因。 Cerulli Associates 2026 Q1 《U.S. Retail Investor Edition》 報告揭露了一個會讓很多年輕顧問驚訝的數據：50 歲以下富裕投資人：60% 以上對 AI 理財感到安心 50–59 歲：42% 70 歲以上：只有 16%整體來說，只有 38% 的富裕投資人覺得 AI 理財服務讓他們安心——而且這個數字跟 2024 年的 39% 相比幾乎沒動。 換句話說，人對 AI 理財的不信任，不是「時間會解決的問題」。它是一個跟年齡、資產規模、風險敏感度強相關的結構性偏好。 Cerulli 的研究分析師 John McKenna 特別點出："If AI is to play a role in their business operations, advisors would do well to disclose where it is used, how clients' sensitive information will be protected, and how it enhances, rather than detracts from, the advisor-client relationship." （如果 AI 要在業務運作中扮演角色，顧問最好明確揭露 AI 用在哪裡、客戶敏感資訊怎麼被保護、以及 AI 是如何「強化」而不是「削弱」顧問跟客戶的關係。）對 70 歲以上、擁有退休金、房產、保險、繼承問題的高資產客戶來說，他們要的不是「更有效率的建議」，是一個會為這個建議負責的人。他們付你的錢，買的不只是專業，是承擔。 這是為什麼 Lo 跟他的共同研究者 Jillian Ross 目前在做的事情這麼重要——他們嘗試用 RAG（檢索增強生成）技術，把過去所有金融訴訟的判例訓練進 AI，想看看能不能用技術重建出一個「模擬的信賴義務」。研究還在早期階段，結果是：ChatGPT 4.0 表現「相對公平」，但其他模型吸收了網路資料裡的偏見（特別是性別偏見）。 Lo 自己也承認，在政策沒有同步改變之前——也就是，在監管機構沒有給 AI 建議加上法律後果之前——「我們不會走到可以把這些決定完全交給 AI 的那一天」。 信賴義務不會貶值，反而會升值 很多顧問現在的焦慮是：AI 會不會讓我的專業被稀釋？Lo 的框架給了一個反直覺的答案：AI 越強，信賴義務越值錢。 想像一個世界，AI 可以在三秒內給出一份比你更詳細的退休規劃建議。在這個世界裡，客戶最需要的不是「另一份建議」，而是一個會為這份建議的後果站出來的人。這個人的稀缺性，不會因為 AI 變強而降低——反而會因為「不負責任的免費建議」變得氾濫而變得更稀缺。 這就是為什麼 Lo 的結論不是「AI 會取代顧問」，也不是「顧問永遠不會被取代」。他的結論更精準： AI 把專業變成了 commodity，但把信賴義務變成了 premium。 你的工作不是跟 AI 比誰懂得多——那場比賽你注定會輸。你的工作是讓客戶清楚看到，你的建議後面有什麼 AI 永遠不會有的東西：一個可以被追究、可以被處罰、可以被告上法庭的『你』。 這聽起來很沈重。但在一個人人都能免費拿到「80 分建議」的時代，一個願意為建議負責的人，比任何時候都更值錢。📎 Andrew Lo 在 CNBC 的這篇訪談只是冰山一角。如果你想看他跟 Jillian Ross 完整的研究方法（包括他們怎麼用 RAG 把金融訴訟判例訓練進 AI、ChatGPT 4.0 跟其他模型在「公平性」上的差距、以及他們為什麼認為政府必須修法才能讓 AI 具備真正的信賴義務），建議直接讀 MIT Sloan 的完整訪談。想看 Schwab 研究裡「10% 真正整合 AI 的顧問」到底在做什麼用例，以及 2026 年 AI Summits 的議程，可以到 Schwab Advisor AI in Action 2026 專頁 看全貌。而 Cerulli 的年齡分層數據跟合規建議，原始新聞稿 有完整的圖表。
為什麼最會賣的人反而最不「做自己」？Pulitzer 獎作家 Charles Duhigg 的「反直覺」溝通論：真誠是誤區，「對頻」才是功力
業務訓練最常見的一句話是「做你自己（be authentic）」。聽起來沒錯，但如果做自己就能成交，為什麼有人講到客戶眼睛發亮，有人講到自己口乾舌燥、對方還在滑手機？ 2026 年 4 月 16 日，Pulitzer 獎得主、《為什麼我們這樣生活，那樣工作？》作者 Charles Duhigg 在 My First Million 第 815 集 上了 Sam Parr 的節目。這集從頭到尾只談一件事：你以為的「真誠」，其實是你沒學會判斷「對方現在在進行哪一種對話」。這個論點在節目 33 分 15 秒的段落裡，Duhigg 直接把它命名為「a case against authenticity」——一個反對真誠至上的案例。 Charles Duhigg：研究了十年「習慣」，又花四年拆解「溝通」的 Pulitzer 記者 Duhigg 是《紐約時報》記者出身，2013 年帶隊以 Apple 與 Foxconn 的調查報導拿下 Pulitzer 獎。那次報導他打了 900 通冷電話，才找到 20 到 30 個願意受訪的前員工——這段經歷後來變成他研究「為什麼有些人講話讓人想掛電話，有些人講話讓人願意敞開」的起點。 他的第一本暢銷書《The Power of Habit》在台灣翻成《為什麼我們這樣生活，那樣工作？》，賣了超過三百萬本。2024 年他推出第三本書 Supercommunicators，台版《為什麼我們這樣對話，那樣生活？》2025 年 4 月由大塊文化出版。這本書做的事很單純：把「會溝通的人到底在做什麼」這件玄學，用神經科學、腦造影研究、CIA 招募間諜的真實案例，一層一層拆開。 MFM 這集是書出版兩年後的延伸討論，Duhigg 把研究濃縮成業務場景可以直接用的判斷模型。 「三種對話」的辨識力：你跟客戶不是在講同一件事，所以連不上 Duhigg 的核心主張是：任何一次對話，其實是三種對話之一，或是三種的混合。"Whenever we speak, we're actually participating in one of three conversations: practical (What's this really about?), emotional (How do we feel?), and social (Who are we?)." （我們每次說話時，其實都在進行三種對話中的其中一種：實用型——「這到底是在談什麼？」；情緒型——「我們感覺如何？」；社交型——「我們是誰？」）這句話聽起來很學術，但套進業務場景就非常具體：實用對話：客戶問「這個方案幾年期？IRR 多少？」——他要的是數字和比較。 情緒對話：客戶說「我其實最近在想退休的事情⋯⋯」——他要的是被聽見，不是試算表。 社交對話：客戶說「我認識的幾個朋友都是跟誰誰誰規劃的⋯⋯」——他談的是身份認同、自己屬於哪個圈子。Duhigg 在節目裡反覆強調：如果對方在進行情緒對話，你用實用對話回應，對話就斷了。這不是技巧問題，是認知問題——你根本沒意識到他換頻道了。 他引用的神經科學研究叫做 neural entrainment（神經耦合）：當兩個人真正對上頻，呼吸頻率會同步、心跳會接近、瞳孔會同樣放大，腦內的活動區域也會越來越像。連上之後，人才真的會相信你「懂」他。這不是比喻，是可以在 fMRI 上看到的生理現象。 為什麼「做自己」是最糟糕的建議：Duhigg 的「反真誠論」 節目 33 分 15 秒，Duhigg 講了一段讓 Sam Parr 當場停下來追問的話——「a case against authenticity」。 他的論點大致是這樣：業務員被教育要「真誠」「做自己」，結果變成不管客戶在情緒對話還是社交對話，自己永遠停在實用對話（講產品、講條件、講數字）。這不是真誠，這是懶得觀察。 真正厲害的溝通者做的是反過來——他們會主動偵測對方此刻在哪一種對話，然後把自己調到相同的頻率。Duhigg 把這叫做 matching principle（對頻原則）。 這不是表演，也不是「見人說人話」那種油滑。而是一種認知紀律：在你開口之前，先問自己一個問題——「對方現在要的是答案、是同理、還是認同？」 Duhigg 在節目裡拿 Donald Trump 當案例（28 分 12 秒）。他說 Trump 在競選場合是一個極端熟練的 supercommunicator——不是因為他講的內容多準確，而是因為他幾乎永遠精確地匹配群眾當下的情緒頻率。群眾想要憤怒，他就憤怒；群眾想要戲謔，他就戲謔。這個觀察跟你喜不喜歡 Trump 無關，Duhigg 要指出的是：對頻的能力本身就是一種可被複製的技術，而且它跟「真誠」是兩回事。 三個可以今天就用的判斷題：在開口前先問自己 Duhigg 在節目裡給了幾個具體的辨識方式。業務場景最關鍵的是這三個： 第一，聽對方最後一句話的「動詞類型」。 如果客戶說「我在『想』⋯⋯」「我『覺得』⋯⋯」「我『擔心』⋯⋯」——這些都是情緒動詞，他進入了情緒對話。此時你如果立刻回「沒問題，我們這個方案剛好可以解決⋯⋯」，就是斷線。正確的回應是先承接情緒：「什麼事情讓你開始想這件事？」 第二，對方問問題時，是在問資訊還是在問立場。 「這個商品有沒有保證期？」是資訊。「你覺得現在進場會不會太晚？」表面是資訊，但常常是在問立場——他想知道「你跟不跟我站同一邊」。這是社交對話。回答時你要先表態，再給資訊。 第三，對方提到「其他人」時，注意他提的是誰。 如果客戶一直提「我朋友」「我同事」「我家族裡的長輩」，他在進行社交對話——他在跟你確認他的決定會不會被他所屬的群體接受。這時候你講再多 IRR 都沒用，你要幫他處理的是「他要怎麼跟那個群體交代」。 Duhigg 引用的研究顯示，supercommunicators 平均會問比一般人多 10 到 20 倍的問題——不是那種「要不要加購」的封閉問題，而是他說的「deep questions」：關於對方的價值觀、信念、經歷的問題。問題不是話術，問題是他們在持續校正對話頻道的工具。 冷打 900 通電話換 20 個受訪者：為什麼「做自己」在 880 次被拒絕後就失效了 節目快結束時（45 分 58 秒），Duhigg 回憶 Apple 那篇報導的 900 通電話。前面 200 通他都在「做自己」——自我介紹、說明來意、強調他是《紐約時報》記者。拒絕率高到他開始懷疑自己是不是選錯行業。 轉折點是他開始觀察：每一個願意講話的前員工，共同點不是喜歡記者，而是他們在電話前幾秒就感覺到 Duhigg 真的想聽他們的故事，而不是在蒐集爆料。於是他改了開場——不從自己是誰開始，而是從對方「為什麼可能也覺得這件事值得被說出來」開始。 這個改變背後是一個很痛的認知：你以為的真誠，在對方的頻道裡可能是噪音。你講自己是誰、你想要什麼、你為什麼打來——對方根本還沒進到那個對話模式。 Duhigg 說這件事讓他開始認真研究溝通，因為他發現記者、業務、談判專家、心理治療師——所有必須「讓陌生人願意打開」的職業，其實在做的是同一件事：辨識頻率，然後對頻。 這不是話術層的事情，是認知層的事情。話術可以背，對頻的能力必須練——練到你在客戶講第一句話的時候，就知道他現在人在哪裡。📎 這集 My First Million 815 完整長度約一小時，除了本文拆解的三種對話與反真誠論之外，Duhigg 還談了他自己用來改變行為的「keystone habit」概念、為什麼回 email 這個小動作會串連成整套生活系統、一行日記法、以及他最近在讀什麼書。如果你想系統性地學這套溝通框架，台版《為什麼我們這樣對話，那樣生活？》完整收錄了 CIA 間諜招募官、哈佛談判研究者、陪審團顧問的案例，是節目裡沒時間展開的部分。
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。
AI 會取代你嗎？管 170 億美元資產的 Graham Weaver 用「AI 四層論」告訴你：你根本不在被取代的那一層
打開任何一個業務員的手機群組，你會看到同樣的焦慮訊息：「我們會不會被 AI 取代？」「客戶以後都去問 ChatGPT 怎麼辦？」「我的業務技能還能撐幾年？」 Alpine Investors 的創辦人 Graham Weaver，在 2026 年 4 月 7 日的 My First Million Podcast 給了一個讓人意外的答案。這位管著 170 億美元資產、旗下擁有美國最大住宅 HVAC 服務商 Apex Service Partners（107 個品牌、8,000 名技師、年營收 13 億美元）的私募股權老闆說：真正會被 AI 重創的，不是傳統服務業，而是那些所有人以為會贏的 AI 新創公司。 他的論點來自他在史丹佛商學院教的「AI 四層論」，原版發表在他 2026 年的部落格文章 Four AI Truths That Will Define The Next Decade。拆開來看，這個框架和大多數業務員的直覺完全相反。 Graham Weaver：管 170 億美元資產的他，用一個三明治比喻拆穿 AI 新創的估值泡沫 Weaver 2001 年在史丹佛商學院宿舍裡創辦 Alpine，20 幾年來做的事很無聊：買下一家家從外表看毫無吸引力的傳統服務業公司（HVAC、水電、IT 服務、財富管理），然後派一個 28 歲的 MBA 去當 CEO，慢慢把它做大。在矽谷瘋狂追逐 AI 新創的這三年，他反而加碼進傳統服務業，2024 年底又成立了財富管理整合平台 Aspen Standard Wealth，一年內併了五家財務顧問公司。 他不是看不懂 AI，而是比誰都看得清楚。2026 年 4 月上 MFM 的時候，他直接把應用層的估值狂熱形容成一場「血浴」：年營收 200 萬美元、估值 5 億美元的 AI 新創，兩年後歸零的故事天天上演。但在血浴的另一邊，他旗下的 HVAC 公司用同一批工具安靜地把成交率翻倍。 AI 四層論：基礎設施、LLM、應用層、使用案例層，錢往哪一層流？ Weaver 把整個 AI 產業畫成一個三明治。最底層是 基礎設施，包括資料中心、晶片、能源；中間那層，他形容是「三明治的肉」，也就是 LLM（大型語言模型），像 ChatGPT、Gemini、Claude；再上面是 應用層（app layer），建在 LLM 上面的各種 SaaS 工具；最上面是 使用案例層（use case layer），實際把 AI 用在某個行業、某個客戶關係上的企業。"LLMs such as ChatGPT, Gemini, or Claude. These are the center of the technology—like the meat of a sandwich." （ChatGPT、Gemini、Claude 這些 LLM 是整個技術的核心，就像三明治裡的肉。）他的重點在於：這四層的賺錢結構完全不同。基礎設施要砸幾千億蓋資料中心，只有少數巨頭玩得起；LLM 層是三、四家公司的軍備競賽；應用層是血流成河，因為一個 AI SaaS 做出來的功能，下個月另外五家就能複製；真正穩定賺錢的，是最上面那一層：使用案例層。 為什麼？因為使用案例層的人，手上已經有三樣 AI 公司花再多錢都買不到的東西：穩定的客戶關係、多年累積的客戶資料、現成的現金流。 技巧一：辨識你在哪一層，你不在會被取代的那一層（Know Which Layer You're On） 做法： 問自己三個問題：「我手上有沒有客戶資料？」「客戶是因為信任我才成交，還是因為產品功能？」「如果我停止服務，客戶會不會有實質損失？」 三個答案都是「有」的人，你就在使用案例層。 以保險業務員為例：你手上有客戶 10 年來的保單紀錄、理賠紀錄、家庭結構變動、風險偏好，這些資料，OpenAI 拿不到，Anthropic 也拿不到。Weaver 在 2026 年 4 月的部落格裡直接寫："That data is yours, and that means you have the right to win." （那些資料是你的，這代表你有贏的權利。）這句話的反面意思更重要：一個只會用 GPT 生成話術、但沒有自己客戶資料的新業務員，他才是在應用層，才是會被取代的那個。客戶關係不是 API 呼叫能複製的。一個你認識 15 年、送過三個小孩禮物、幫過兩次重大理賠的客戶，AI 沒辦法把他搶走，因為 AI 連入口都沒有。 技巧二：把 AI 當尾風，不是當引擎（Use AI as a Tailwind, Not an Engine） 做法： 不要試著跟 AI 新創競爭「誰能做出最聰明的保險顧問機器人」。找出你現在流程裡最耗時的環節，用 AI 把它從 4 小時縮到 4 秒。 Weaver 舉的對比很殘忍：一家老派 HVAC 公司收到潛在客戶詢問，平均 4 小時後才回電；他旗下用了 AI Agent 的公司，4 秒內就打電話回去。同一批名單、同一批技師，差別只在有沒有把 AI 當放大器，但成交率差了好幾倍。 這個邏輯拿到業務工作上完全通用：「客戶上次理賠後 3 個月了，該追訊息」：AI 提醒你，你親自打電話。 「這份建議書客戶昨天看了 8 分鐘但沒回我」：AI 告訴你，你決定怎麼切入。 「這個保單到期前 60 天要主動聯絡」：AI 排進行程，你去做人的那一半。AI 處理掉所有「應該做但沒時間做」的長尾工作，你把時間留給那些只有人能做的：眼神、停頓、同理心、判斷。Weaver 反覆強調「use case layer wins」，講的就是這件事：AI 是你的尾風，不是取代你方向盤的那個東西。 技巧三：現在種橡樹，把客戶資料結構化，即使你還不知道要拿它做什麼（Plant the Oak Tree Now） 做法： 今天就開始把你手上的客戶資料數位化、結構化，即使你現在還不知道要拿這些資料做什麼。 Weaver 反覆引用一句諺語："The best time to plant an oak tree was 20 years ago. The second-best time is now." （種橡樹最好的時間是 20 年前，第二好的時間是現在。）他對 Alpine 旗下 HVAC 公司、財富管理公司的指令都一樣：先不要管 AI 怎麼用，先把過去 10 年的客戶紀錄、服務紀錄、通話紀錄全部數位化。因為他知道一件事：當 LLM 三年後再變聰明 10 倍的時候，決定誰贏的不是「誰的模型比較厲害」，而是「誰餵進去的資料比較完整」。 這對個人業務員也成立。你現在手上有多少客戶資訊是還散在名片盒、Line 對話紀錄、你腦袋裡？把它們搬出來，放進一個結構化的地方，即使只是一個 Google Sheet。這就是你的橡樹。Weaver 在 2026 年 4 月的那篇文章結尾寫："In terms of AI, it's only 1995." （就 AI 的發展階段來說，現在才 1995 年而已。）換句話說，你還有時間。但你得今天就動手。📎 Graham Weaver 的原始部落格 Four AI Truths That Will Define The Next Decade 還有兩段這篇沒涵蓋的內容很值得看：他拆解 1997 年 Kasparov 對 Deep Blue 那場棋賽、用晶體管數量的爆炸解釋「為什麼資料量 + 運算力會讓機器看起來像人在思考」，以及拿 1995 年的 Walmart 和 Amazon 做對比、回答「為什麼在『過度炒作期』堅持投資的人會贏」。他在 My First Million Podcast 那集還聊了 Alpine 怎麼把一間 800 萬美元的小公司做到 5 億美元、以及他對「哪些護城河擋得住 AI、哪些擋不住」的完整清單，推薦配著聽。
200 組購物對話的秘密：客戶夫妻在你面前吵架時，你該幫誰說話？
一對夫妻走進展示間，太太指著一款深色木紋地板說：「我覺得這個很好看。」先生皺了一下眉：「可是深色容易看到灰塵。」 這個場景，幾乎每個做過大型消費品銷售的人都遇過。夫妻意見不同，你站在旁邊，要幫誰說話？ 多數人的直覺是選邊站，幫比較好說話的那一方說服另一方。但 2026 年 4 月發表在《Journal of Marketing Research》的一項研究告訴你：這可能是最差的做法。 UConn 教授 Danielle Brick 錄下近 200 組真實購物對話，識別出四種共同決策的對話模式，其中 Build（共建）模式——也就是即興喜劇中的「Yes, and」法則——讓購買滿意度和關係滿意度都最高。以下是這項研究的完整拆解，以及你作為業務員可以怎麼用。 Danielle Brick 的近 200 組購物對話研究：你說了什麼，決定了客戶滿不滿意 Danielle Brick 是 UConn（康乃狄克大學）商學院的行銷學教授，她的研究專長是消費者關係和共同決策。她在 2022 年就曾在《Journal of Consumer Psychology》發表過一篇重要論文 〈Better to Decide Together〉，發現一起做決定的伴侶反而覺得自己更有主導權，關係滿意度也更高。 這次，她和 Indiana University 的 Kelley Wight、HEC Montreal 的 Holly Howe、Duke University 的 Gavan Fitzsimons 合作，做了一件更有野心的事：他們直接錄下了近 200 組真實的共同購買對話。 不是問卷，不是情境模擬，是真的走進店裡用自己的錢買東西的人。 參與者包括夫妻、朋友、親子、手足，購買的品項從地板、窗戶到沙發、度假行程、電影都有。實體店的消費者用自己的錢購買，線上情境的參與者則獲得禮物卡作為購物資金。研究團隊錄下對話後逐字分析，最後識別出四種反覆出現的對話模式。 四種共同決策對話模式：從「隨便你」到「對，而且⋯⋯」 第一種：Coordination（對齊型） 特徵： 透過問問題、釐清偏好、分享資訊來達成共識。 這是最常見的模式，聽起來像「你比較喜歡哪個？」「這個材質比較耐用。」「我上次看到的評價是⋯⋯」。雙方都在努力對齊彼此的想法，像是在拼一張拼圖。 看起來很理性，但 Brick 的研究發現，某些形式的 Coordination 並不會帶來最好的滿意度。為什麼？因為「對齊」很容易滑向「說服」——這和 Princeton 的 AI 說服力研究揭示的道理類似：當對方感覺到你在「推」，防衛心就會升起。當一方開始丟出更多資訊、更多論點，潛台詞可能是：我已經有答案了，我只是在等你同意。 第二種：Contrast（對比型） 特徵： 一方主動提出不同觀點或替代方案，常見用語是「可是⋯⋯」「那如果⋯⋯」。 這種模式本身不是壞事，它代表雙方都在認真思考。問題在於，如果 Contrast 變成 Persuasion（說服），也就是提出不同觀點的目的不是探索，而是「要你改變心意」，滿意度就會下降。 Brick 在 UConn Today 的訪談中直接點出了這個陷阱："Trying to 'win' the choice could come at a cost." （試圖「贏得」這個選擇，可能要付出代價。）這句話值得反覆讀。不只是在說客戶之間的對話，也是在說你（業務員）如何介入這場對話。 第三種：One-sided（單邊型） 特徵： 一方幾乎不參與，回應只有「隨便你」「好啊」「都可以」。 表面上看起來很和諧，沒有爭吵、沒有拉鋸，很快就能做決定。但這種模式的滿意度並不高。 這不是 Brick 第一次關注「隨便你」的殺傷力。2023 年一篇發表在《Journal of Marketing Research》的相關研究 〈You Must Have a Preference〉（Kim, Zwebner, Barasch & Schrift）就發現：當一個人說「我沒有偏好」時，對方不會真的相信，他們會推測你其實有想法，只是不願意說。結果是：做決定的那個人壓力更大，反而更容易選到自己不那麼喜歡的選項，整體體驗也變差。 「隨便你」不是尊重，是退出。而退出的一方，事後最容易產生不滿。 第四種：Build（共建型） 特徵： 肯定對方的想法，然後在上面擴展。類似即興喜劇的「Yes, and⋯⋯」法則。 這是研究中滿意度最高的對話模式，不只是對購買結果的滿意度，連對關係本身的滿意度都最高。 Build 的對話聽起來像什麼？ 「深色木紋很好看。」「對，而且如果搭配淺色的沙發，整個空間會更有層次。」 注意這裡的結構：第二個人沒有否定（「可是會看到灰塵」），也沒有無條件順從（「好啊都聽你的」），而是接住對方的想法，往前推了一步。 為什麼 Build 模式有效？即興喜劇的「Yes, and」法則 Build 模式的核心邏輯和即興喜劇（improv comedy）的黃金法則一模一樣。 在即興表演中，「Yes, and」是最基本的原則：不管搭檔說了什麼，你先接受（Yes），然後在上面加東西（and）。這個法則從 1950 年代芝加哥的 Compass Players 劇團流傳至今，成為所有即興表演訓練的基礎。 為什麼它在購物決策中也有效？因為 Build 做到了三件事： 第一，讓對方覺得被聽見。 「對」這個字不是敷衍，而是一種確認：你的想法有價值，我認真聽了。Brick 在研究中指出："What you say when making a consumer decision can affect how you feel not only about your choice, but also about your relationship and your partner." （你在做消費決策時說了什麼，不只影響你對選擇的感受，也影響你對關係和對方的感受。）第二，把對話從零和變成共創。 「而且」把方向從「你的意見 vs. 我的意見」轉成「我們一起想像一個更好的結果」。沒有人輸，因為最終的決定裡有雙方的貢獻。 第三，打破線性決策的假設。 Brick 的研究還有一個重要發現：共同決策不是一條從「辨識需求」到「做出選擇」的直線。人們會來來回回地重新審視偏好、重新評估選項、重新定義什麼重要。Build 模式容許這種來回，因為每一次「對，而且」都是一個新的探索起點，而不是一個必須捍衛的立場。 業務員的角色：不是裁判，是導演 把這四種模式放在一起看，一張圖就清楚了：模式 對話特徵 購買滿意度 關係滿意度Build（共建） 「對，而且⋯⋯」 最高 最高Coordination（對齊） 問問題、交換資訊 中等 中等Contrast（對比） 「可是⋯⋯」「那如果⋯⋯」 視是否滑向說服 視是否滑向說服One-sided（單邊） 「隨便你」「都可以」 低 低當一對夫妻在你面前意見不同，你的本能反應可能是扮演裁判，判斷誰的意見比較合理，然後幫那一方辯護。但 Brick 的研究暗示了一個完全不同的角色：你應該當導演，而不是裁判。 導演不替演員做決定，導演創造一個讓好表演自然發生的環境。 具體來說，這代表幾件事： 當客戶進入 Contrast 模式時，不要加入戰局。 先生說「深色容易看到灰塵」，你不要說「其實深色的好處是⋯⋯」。你可以說：「對，灰塵的確是很多人會考慮的。你們兩位理想中的空間，整體感覺是偏溫暖還是偏俐落？」這樣就能把對話從「對不對」拉到「我們想要什麼」。 當客戶進入 One-sided 模式時，把沉默的那一方拉回來。 太太說「都聽你的」，你不要馬上接手幫先生做決定。你可以問太太：「那您覺得這個空間最常用在什麼場景？」給她一個不需要表態「喜不喜歡」、但可以貢獻想法的入口。 示範 Build 的節奏。 太太說「我喜歡這個深色木紋」，你可以說：「對，這個色系確實很適合你們的空間大小。而且這款有一個特性，它的紋路是消光處理，指紋和腳印比一般深色地板不明顯。」你沒有選邊，但你用 Build 的語法推進了對話。 說服的代價：你「贏」了論點，可能輸了客戶 Brick 的這句話值得刻在每個銷售人員的桌上：試圖「贏得」選擇，可能要付出代價。 這個代價不只是當下的不愉快。回想一下她 2022 年的研究發現：一起做決定的人會覺得自己更有主導權，對關係更滿意。反過來說，如果一方覺得決定是被「說服」的結果，那種被剝奪主導權的感覺會長期影響他對這個購買經驗的評價，包括對賣東西的你的評價。這也呼應了 Jonah Berger 信心 U 型曲線研究的發現：客戶的信心狀態比你以為的更脆弱，過度介入反而破壞信任。 共同決策場景裡最危險的事情，不是客戶意見不同。是你太急著幫他們「解決」分歧——就像談判研究中發現的，急著「控制流程」的人反而比主動道歉的人成交率低。 Brick 的研究提醒我們：分歧本身不是問題，分歧的解決方式才是。而 Build 模式（肯定、擴展、共創）是所有解決方式中，讓每個人都覺得自己贏了的那一種。📎 這篇文章主要拆解了 Brick 研究中的四種對話模式和 Build 溝通法的實務含義。如果你對研究本身的方法論有興趣，例如他們是怎麼錄下近 200 組對話、如何編碼分析、不同關係類型（夫妻 vs. 朋友 vs. 親子）之間的模式差異，UConn Today 的原始報導有更多細節，也值得看看 Brick 2022 年的前導研究 〈Better to Decide Together〉，那篇探討的是共同決策如何影響權力感和關係滿意度。
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。