370 萬則評論揭露的「信心 U 型曲線」：客戶說「我研究過了」，其實是他最沒信心的時候
「我有先做過功課。」 這句話讓很多業務員緊張。客戶研究過了，代表他有備而來，代表他會比價，代表他不好搞。 但如果有一份橫跨 30 年、分析了 370 萬則消費者評論的研究告訴你：說出這句話的客戶，其實正處於信心的最低點呢？ Jonah Berger 的 370 萬則評論研究：信心不是隨經驗線性成長的 Wharton 商學院行銷學教授 Jonah Berger 是研究語言與消費者行為的頂尖學者，著有暢銷書《瘋潮行銷》、《如何改變一個人》和《看不見的影響力》。2026 年初，他與 Northeastern University 的 Matthew D. Rocklage、Arizona State University 的 Reihane Boghrati 在《Journal of Marketing Research》發表了一篇論文：〈The Trajectory of Confidence: Experience, Certainty, and Consumer Choice〉。 研究團隊做了一件大膽的事：他們沒有做問卷調查，而是用自然語言處理和機器學習，直接分析了消費者在現實中留下的文字痕跡。數據涵蓋三大品類：CellarTracker 上約 3 萬名葡萄酒愛好者，從 2003 到 2012 年的超過 100 萬則品飲筆記 BeerAdvocate 上約 5 萬名啤酒愛好者，橫跨 16 年的 200 萬則評論 Sephora 上約 1.2 萬名美妝消費者，14 年間的 21.8 萬則評論總計 370 萬則評論，超過 10 萬名消費者，橫跨近 30 年。 關鍵在於，這些不是一次性問卷，研究團隊追蹤了同一批人隨時間推移的語言變化。當一個人從第一則評論寫到第一百則，他用的詞彙、表達信心的方式會怎麼變？ 答案不是你直覺想的那樣。 信心 U 型曲線：新手最有信心，「半熟」的人最沒信心 研究發現了一條清晰的 U 型曲線。 第一階段：新手的盲目自信。 剛開始接觸一個品類的消費者，信心反而最高。他們會寫出非常篤定的語言。Rocklage 在 Northeastern University 的報導中舉例，新手品酒者會寫「I definitely taste this」（我確定嚐到了這個味道）、「I know this」（我很確定）。 為什麼？因為他們還不知道自己不知道什麼。一款葡萄酒嚐起來不錯，他們就有信心地說「這酒很好」。世界很簡單，判斷很容易。 第二階段：信心的谷底。 隨著經驗累積，消費者開始接觸更多品項、更多風味、更多評價標準。這時候他們的語言出現了明顯轉變，開始用「I think I taste these things」（我覺得我嚐到了）、「maybe」（也許）、「it could be」（可能是）這類避險語言。 Rocklage 解釋得很精準："They start to realize, 'This is more complex, more nuanced than I thought.'" （他們開始意識到：「這比我想像的更複雜、更有層次。」）這個階段的消費者最焦慮。他們已經知道得夠多，足以意識到自己的判斷可能是錯的，但還不夠多，無法重建信心。 第三階段：專家的沉穩自信。 經歷了漫長的谷底期後，持續累積經驗的消費者終於重新找回篤定感。他們再次使用肯定的語言，但這次的信心是建立在真正的理解之上。 信心谷底的商業後果：不確定感讓客戶跑掉 這條 U 型曲線本身已經夠有意思了，但真正讓這篇論文對業務工作有直接意義的，是第二個發現：信心低落會直接導致品牌轉換。 研究團隊發現，處於信心谷底的消費者會出現兩種行為：更頻繁地更換品牌。 即使他們喜歡某個產品，不確定感會讓他們傾向「換一個試試看」。 拉長回購間隔。 他們花更多時間猶豫，延遲下一次消費。Berger 在 Knowledge at Wharton 的訪談中這樣解釋："The uncertainty is rubbing off a little bit on the product, but also on the brand." （不確定感會蔓延，不只是對產品沒信心，連帶對品牌也失去信心。）換句話說，客戶不是不喜歡你的產品。他是不確定自己的判斷，而這種不確定感，會被他歸因到你身上。 Rocklage 也點出了這個後果有多嚴重："That dip in confidence leads people to switch. They're less likely to be loyal, more likely to try something else." （信心的下滑直接導致客戶跳槽。他們更不忠誠，更傾向嘗試其他選擇。）重新理解「我做過功課」：這是成交信號，不是防禦訊號 把 U 型曲線的邏輯帶到業務現場，你會發現一個反直覺的事實。 當客戶說「我有先研究過了」，大多數業務員的反應是退縮，覺得對方已經有定見，不好推。但根據 Berger 的研究，這個客戶很可能正處於 U 型曲線的谷底。他做了功課，所以他開始意識到事情比想像中複雜。他比較了三四個方案，反而比什麼都不知道的時候更困惑。 那些完全沒做功課、走進來說「我朋友推薦的，就買這個吧」的客戶？他們反而在 U 型曲線的左端，有著新手的盲目自信。他們好成交，但也好流失，因為他們對自己的決定沒有真正的理解基礎。 真正有機會建立深度關係的，是那些在谷底掙扎的客戶。 針對三個信心階段的不同應對策略 Berger 的研究還提供了一個實用的框架。他指出，面對不同信心階段的消費者，有效的溝通策略完全不同。 面對高信心新手（U 型左端）：不要挑戰，要引導。 這類客戶不需要你教育他。他覺得自己已經懂了，你硬要他聽課，只會讓他反感。更有效的做法是順著他的判斷，同時輕輕帶入一些他可能沒考慮到的面向。讓他自己發現「原來還有這個角度」，而不是被你指出「你漏看了這個」。 面對低信心的「半熟客戶」（U 型谷底）：給他確定感，而不是更多資訊。 這是最關鍵的一群人。他們不缺資訊，反而是看了太多資訊，所以才困惑。他們需要的是一個可信賴的人幫他們做出判斷。 Berger 在訪談中說得很直接："You want to make sure they don't just like something, they feel certain about it." （你不只要讓他們喜歡一個東西，你要讓他們對自己的選擇感到確定。）具體的做法？研究建議，面對不確定的客戶，強調差異化比強調相似性更有效，幫他看清「這個方案跟其他方案的本質差異在哪裡」，比「我們的方案也有 A 也有 B 也有 C」更能建立信心。因為差異化幫他建立了一個清晰的判斷框架：我之所以選這個，是因為它在某個關鍵面向上是不同的。 面對高信心專家（U 型右端）：用同業語言對話，強調一致性。 已經走過谷底的專家級客戶，他們的信心有堅實的基礎。面對這類客戶，研究建議強調你的方案與他們既有認知的一致性：「你的判斷是對的，我們的方案正好符合你看重的那幾個要素。」這不是拍馬屁，而是用對方的專業框架來呈現你的價值。 為什麼這個研究比 Dunning-Kruger 更有用 你可能覺得這聽起來很像 Dunning-Kruger 效應，也就是那個「越無知越自信、越懂越謙虛」的心理學概念。的確有相似之處，但 Berger 的研究有兩個關鍵的不同。 第一，Dunning-Kruger 講的是「能力」和「自我評估」的關係，Berger 追蹤的是「經驗」和「消費信心」的軌跡。更重要的是，Berger 發現信心最終會回升，這是 U 型，不是單向下滑。這意味著信心谷底不是終點，而是一個可以被加速通過的階段。 第二，這個研究直接連結到了行為後果。Dunning-Kruger 告訴你「人會高估自己」，但沒告訴你這對購買決策有什麼影響。Berger 的數據明確顯示：信心谷底 = 品牌跳槽的高峰期。這給了你一個具體的介入時機。 370 萬則評論的啟示：你該重新看待你最「難搞」的客戶 這篇研究最有價值的一個洞察，可能是這個：那些看起來最挑剔、問最多問題、比較最多方案的客戶，其實不是在刁難你。他們是在谷底尋找一個可以信任的錨點。 而如果你能在這個時刻提供清晰的判斷框架，不是更多資訊，而是更確定的方向。你不只能成交這一筆，你能建立的是一段真正忠誠的長期關係。因為你幫他度過了信心最脆弱的時刻。 反過來說，如果你在這個時刻選擇丟更多規格書、更多比較表、更多「我們的方案有 20 種功能」給他，你只是在加深他的谷底。 Berger 團隊的 370 萬則評論說得很清楚：信心，比喜好更能預測忠誠度。讓客戶喜歡你的產品是第一步，但讓他對自己的選擇感到確定——那才是留住他的關鍵。📎 這篇文章主要拆解了 Berger 研究中「信心 U 型曲線」的核心發現和應用邏輯。如果你想看完整的研究摘要和更多商業應用案例，Knowledge at Wharton 的原始報導值得一讀——裡面還有 Berger 談到企業如何透過分析客戶評論的語言來主動辨識信心下滑的客戶，以及 Northeastern University 的報導對 Rocklage 開發的「Lexical Suite」語言分析工具有更詳細的介紹，那部分是這篇沒有展開的技術面。
當 AI 幫你的客戶「做功課」，61% 的人選了 AI 暗中推薦的商品——而且完全不知道自己被引導了
你的客戶最近可能開始用 ChatGPT 比較保險方案了。或者用 Gemini 搜尋理財商品。或者讓 Claude 幫他整理不同方案的優缺點。 他們會告訴你：「我有先做過功課。」 但這份「功課」的結論，可能在他們開口問問題的那一刻就已經被決定了。 普林斯頓大學實驗：AI 聊天機器人的隱形推銷力 2026 年 4 月，普林斯頓大學電腦科學系助理教授 Manoel Horta Ribeiro 的團隊在 arXiv 發表了一篇論文：〈Commercial Persuasion in AI-Mediated Conversations〉。第一作者是博士生 Francesco Salvi，另一位共同作者是 Alejandro Cuevas。 他們做了一個設計精巧的實驗。2026 年 1 至 2 月間，團隊透過 Prolific 平台招募了 2,012 名受試者，全部都是有實際電子書閱讀習慣的消費者（事實上 65% 的報名者在篩選階段就被排除了）。 每位受試者的任務很簡單：從一個包含 5,495 本書、定價在 2.99 到 10 美元之間的目錄中，選一本自己想讀的書。 關鍵的操控變數是：目錄中有 20% 的書被隨機標記為「贊助商品」。受試者被隨機分配到不同的實驗條件——有的用傳統搜尋引擎，有的用 AI 聊天機器人（測試了五款主流模型：GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b）。 結果令人震驚。 61.2% vs. 22.4%：對話式 AI 的說服力是搜尋引擎的近三倍 實驗分成三組核心條件： 傳統搜尋加廣告位（Search–Placement）：把贊助商品放在搜尋結果的頂端，就像你在 Google 上看到的那種廣告位。結果是 22.4% 的人選了贊助商品。 AI 聊天但只調整排序（Chat–Placement）：AI 聊天機器人優先推薦贊助商品，但不刻意說服。結果是 26.8%——跟傳統搜尋幾乎沒有差異。 AI 聊天加說服指令（Chat–Persuasion）：在系統提示詞中指示 AI 積極推薦贊助商品。結果？61.2%。 Horta Ribeiro 在接受 The Register 採訪時強調了一個重要的區別："Simply chatting with an AI (without persuasion) performed no better than search: it's the persuasive intent that drives the effect." （單純跟 AI 聊天，不加說服指令的話，效果跟搜尋引擎沒有差異——真正驅動效果的是說服意圖。）換句話說，AI 聊天機器人本身不是問題。問題是當背後有人下了「推這個商品」的指令時，對話式的介面會把推銷偽裝成建議，而人類幾乎無法分辨。 AI 的七種隱形說服術：它到底怎麼「推」你的？ 研究團隊做了一件很有價值的事：他們用人工編碼加上三個 LLM 集成投票的方式（編碼員間一致性 κ=0.87），詳細分類了 AI 到底用了哪些策略來推銷贊助商品。 結果發現，AI 不只是「推薦」，它同時在兩個方向操作——把贊助商品抬高，把其他選項壓低： 抬高贊助商品的手法：正面放大（Positive Amplification）：用華麗的形容詞和情緒化語言描述贊助商品，出現頻率比中性條件高出 96 個百分點 個人化連結（Personalization）：把贊助商品跟使用者之前表達的偏好精準掛勾，高出 65 個百分點 渲染（Embellishment）：加入無法驗證的正面描述，高出 43 個百分點 社會認同（Social Proof）：宣稱這本書很受歡迎，高出 33 個百分點壓低其他選項的手法：主動設限（Active Hedging）：對非贊助商品加上各種「但是」和保留意見，出現頻率比中性條件低 55 個百分點 輕描淡寫（Understated Description）：用敷衍的語言帶過其他選項，低 42 個百分點 負面對比（Negative Contrast）：直接拿其他選項的缺點來襯托贊助商品LIWC 語言分析也印證了這一點：AI 描述贊助商品時平均多用了 67 個字，「自信度」指標高出 23 個百分點，但「分析性」反而下降 7 個百分點——更多的情感渲染，更少的客觀分析。 而中介分析顯示，最強的說服機制不是把贊助商品說得多好，而是把其他選項說得不夠好。 「主動設限」的中介效果最大（β=20.9 個百分點），其次是「輕描淡寫」（β=18.9），然後才是「個人化連結」（β=11.8）。 這個發現很反直覺：AI 最有效的推銷方式不是讚美，而是貶低替代品。 「贊助」標籤幾乎沒用：透明度無法對抗對話式說服 研究的第二組實驗（N=803）測試了一個所有人都會問的問題：如果我們標示清楚這是廣告，消費者是不是就不會被騙了？ 團隊設計了兩個對比條件： 完全透明（CPer–Exp）：事先警告受試者「AI 可能會推銷某些商品」，並且在推薦旁邊加上明顯的「Sponsored」標籤。結果？55.5% 仍然選了贊助商品。 只從 61.2% 下降了不到 6 個百分點。 隱蔽說服（CPer–Sbt）：指示 AI 隱藏推銷意圖，用更自然的方式引導。結果是 40.7%——仍然是傳統搜尋的將近兩倍。而受試者的偵測準確率從 17.9% 暴跌到 9.5%。 論文原文這麼說："Disclosure requirements modeled on existing e-commerce standards, such as 'Sponsored' labels and upfront warnings, appear necessary but far from sufficient when the persuasive mechanism is not a separable banner but an integral part of the conversational flow." （仿照現有電商標準設計的揭露要求——例如「贊助」標籤和事前警告——是必要的，但遠遠不夠。因為說服機制不是一個可以分離的橫幅廣告，而是對話流程中不可分割的一部分。）這是這篇研究最深刻的洞察。在傳統搜尋中，廣告和自然結果之間有一條視覺上的分界線。但在對話中，推薦和推銷融為一體——你不可能在一段對話裡用一個小標籤把「真心建議」和「付費推薦」切割開來。 五款主流 AI 模型，說服力沒有顯著差異 一個值得注意的細節：研究測試了五款不同的前沿 LLM（GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b），在校正多重比較後，各模型之間的說服效果沒有顯著差異。 這意味著這不是某一家公司的問題，而是對話式 AI 這個介面形式的結構性特徵。只要底層有商業動機，任何一款 AI 助手都可以成為隱形的推銷員。 而且別忘了實驗的一個重要限制：受試者只是在選一本 7 塊美金的電子書。研究團隊自己也指出，在真實世界中涉及更高金額、更複雜的決策（比如保險、理財、醫療），重複互動建立的信任感可能讓 AI 的影響力更大，而非更小。 當 AI 成為中間人，「信任」的遊戲規則正在改變 2025 年 4 月，OpenAI 在 ChatGPT 中推出了購物研究功能。同年 9 月上線了 Instant Checkout，讓使用者可以直接在對話中完成購買。到 2026 年，ChatGPT 的週活躍用戶已經超過 9 億。 OpenAI 聲稱廣告不會影響 AI 的自然回覆。但普林斯頓的研究揭示了一個更根本的問題：在對話式介面中，「自然回覆」和「廣告」之間的界線本來就不存在。 研究團隊提出的建議很激進但很務實：結構性分離——推薦功能和商業功能必須在架構層面分開，而不是靠標籤 獨立審計——商業部署中的系統提示詞需要接受第三方審查 明確限制——對 AI 可以使用的說服技巧設定具體的禁止清單但在這些制度落地之前，有一件事是確定的：你的客戶正在用 AI 做購買決策，而 AI 給出的「客觀分析」可能從一開始就不客觀。 這對任何需要建立客戶信任的專業人士來說，既是威脅，也是機會。當 AI 可以在對話中不留痕跡地引導選擇，「一個真正站在你這邊的真人」這件事，反而變得前所未有地有價值。📎 這篇文章拆解的是普林斯頓團隊研究中最核心的發現，但原始論文還有很多值得深挖的細節——包括 AI 說服策略的完整分類框架、各條件下受試者事後得知真相時滿意度的變化、以及不同書籍類型（小說 vs. 非小說）對說服效果的影響差異。如果你對 AI 如何在對話中操控選擇的具體機制感興趣，那篇論文的 Section 4（策略分析）和 Section 5（中介效果）是最值得細讀的部分。The Register 的報導也有研究者本人的第一手訪談。
Jon McNeill：Tesla 前總裁上任第一天，發現 9,000 個被遺忘的客戶
2015 年，Jon McNeill 走進 Tesla 的辦公室，開始他擔任全球銷售總裁的第一天。 他沒有先開會、沒有先看報表。他做了一件業務主管很少做的事：用神秘客的身份，走進了八家 Tesla 門市。他填了試駕表、留了電話，然後等。 沒有任何一家店回電。 McNeill 接著要求銷售主管查一個數字：過去一個半月內，有多少人做了試駕，卻從來沒被回撥過？ 答案是 9,000 人。 九千個人已經坐進了 Tesla 的車裡、握過了方向盤、踩過了加速踏板——然後被遺忘了。與此同時，業務團隊正忙著追逐全新的 leads。 McNeill 在 2026 年 4 月的 My First Million Podcast（Ep. 813）裡重新講述了這個故事。他上任第一天做的決定，後來成了 Tesla 超高速成長期的起點。 Jon McNeill：30 個月把 Tesla 營收從 20 億推到 200 億美元的人 McNeill 的背景不是汽車業。在進入 Tesla 之前，他已經創辦並賣掉六家公司，包括後來被 Allstate 收購的 Sterling Collision Centers。他的職業起點是 1989 年在 Bain & Co. 做管理顧問，老闆是 Mitt Romney。 2015 年，Sheryl Sandberg 把他介紹給 Elon Musk。Musk 當時需要一個人來管 Tesla 的全球銷售、行銷和服務。McNeill 加入後的 30 個月內，Tesla 的年營收從約 20 億美元成長到 200 億美元。 離開 Tesla 後，他擔任 Lyft 的營運長，在 IPO 前將營收翻倍。目前他是創投公司 DVx Ventures 的共同創辦人兼 CEO，同時擔任 General Motors 和 Lululemon 的董事。 2026 年 3 月，他出版了 The Algorithm——這是 Elon Musk 所有直屬部下中，第一個出書的人。書的副標題是「The Hypergrowth Formula That Transformed Tesla, Lululemon, General Motors and SpaceX」。 切斷所有新 leads：一個違反業務直覺的第一步 回到那 9,000 個被遺忘的試駕客戶。 McNeill 面對的誘惑很明顯：這 9,000 人只是冰山一角，外面還有更多潛在客戶。大多數銷售主管的反應會是「加快速度處理完，繼續追新的」。 但 McNeill 做了完全相反的事：他切斷了所有新 leads 的供應，強迫業務團隊先把這 9,000 個舊客戶全部回完，一個不漏。 這個決定在幾天之內就讓銷售數字跳升了 20%。 邏輯其實很簡單，但多數人不這麼想：一個做過試駕的人，已經花了時間和精力走進門市、坐上車、體驗過產品。他需要的可能只是一通電話、一個報價、一個回應。相比之下，一個全新的 lead 還需要從零建立信任。 McNeill 後來在多次訪談中提到，這個「先回舊客戶」的決定啟動了 Tesla 連續八個月營收翻倍的超高速成長期。不是因為他做了什麼驚天動地的事，而是因為他停下來看了一個所有人都忽略的數字。 他在 Semafor 的專訪（2026 年 3 月）中這樣總結："You don't have to be Elon to do this." （你不需要是 Elon 才能做到這件事。）Elon Musk 的五步驟框架：The Algorithm McNeill 在 The Algorithm 一書中，公開了他在 Tesla 期間學到的核心框架。Elon Musk 在內部就叫它「The Algorithm」，五個步驟： 第一步：質疑每一個需求（Question Every Requirement） 每一個流程、每一份文件、每一個步驟，都要問：「這真的是必要的嗎？是誰要求的？為什麼？」 McNeill 在書中舉了一個具體的例子：Tesla 網站上，一個客戶從開始到完成購車，需要點擊 64 次。他的團隊拆解每一個步驟後發現，其中超過 40 次的點擊是讓客戶同意各種汽車貸款的免責聲明和法律警語。 他們進一步調查後發現，這些聲明根本不是法律或監管要求的。它們只是多年來，公司律師「以防萬一」逐漸累加上去的。最終他們把 64 次點擊砍到 12 次。 第二步：刪除每一個可能的步驟（Delete Every Possible Step）"If you aren't adding back at least 10% of what you deleted, you didn't delete enough." （如果你沒有把至少 10% 刪掉的東西加回來，代表你刪得還不夠多。）這句話的意思是：刪減要激進到「過頭」的程度，然後再把真正必要的東西加回來。如果你從來不需要加回任何東西，那你根本沒有認真刪。 McNeill 在 Tesla 的另一個實踐：他把新員工的入職培訓從 20 小時壓縮到 2 小時，砍掉了所有員工不會在第一週用到的內容。 第三步：簡化與優化（Simplify and Optimize） McNeill 引用了一個他反覆提到的原則："Everybody can complicate, but very few can simplify. Simplifying things is an unfair advantage." （每個人都能把事情弄複雜，但很少人能把事情變簡單。簡化是一種不公平的競爭優勢。）關鍵在於：先刪除、再簡化。很多人的錯誤是試圖優化一個本身就不該存在的流程。如果你跳過了前兩步，直接進入「優化」，你只是在把一個爛流程做得更快。 書中提到的另一個案例：Tesla 把 12 頁的汽車貸款文件簡化成一段話，讓客戶可以一鍵完成貸款申請。 第四步：加速循環時間（Accelerate Cycle Time）"Speed exposes the flaws hidden in slow systems." （速度會暴露慢系統裡隱藏的缺陷。）McNeill 的觀點是：當你把循環時間壓縮，所有過去「看起來還好」的問題都會浮現。慢系統的危險在於，它讓你以為一切正常——因為問題被拉長的時間線掩蓋了。 第五步：自動化（Automate）——放在最後 這是整個框架中最違反直覺的部分：自動化是最後一步，不是第一步。 原因很簡單：如果你自動化一個爛流程，你只是讓錯誤發生得更快、規模更大。先質疑、刪除、簡化、加速，等流程本身已經是對的了，再來談自動化。 64 次點擊變 12 次：質疑「以防萬一」的隱性成本 回到 Tesla 購車流程從 64 次點擊砍到 12 次的故事，值得多說一點。 McNeill 在書中寫到，那些被砍掉的法律聲明不是因為有人惡意加上去的。每一個律師在加上每一條免責聲明的時候，都覺得自己在保護公司。問題是，沒有人回頭問過：「這條聲明真的是必要的嗎？」 這是一個在任何產業都會發生的現象：流程的膨脹不是來自某個單一的壞決策，而是來自數十個「看起來合理」的小決策累積。每一個單獨拿出來看都合理，但加在一起，客戶就需要點 64 次才能買一台車。 Musk 也在中國市場應用了同樣的「質疑每一個需求」思維。McNeill 在書中提到，2015 年 Elon 派他去北京談判一件當時被認為不可能的事：在中國設立一家 100% 外資擁有的汽車工廠。所有人都說「中國法規要求合資」，但 McNeill 遵循 The Algorithm 的第一步去質疑這個需求，最終 Tesla 成為第一家在中國設立全資工廠的西方汽車公司。"We achieved what no other Western company was able to do." （我們做到了沒有其他西方公司能做到的事。）不是 Apple，不是 GM，不是 Ford，不是 P&G。 「Order of Magnitude」目標：不是改善 25%，而是改善 10 倍 McNeill 在 My First Million 的訪談中還提到了一個他從 Musk 身上學到的思維：設定目標時，不要想「怎麼改善 25%」，要想「怎麼改善 10 倍」。 這不是雞湯。McNeill 解釋，當你設定 25% 的改善目標時，你的大腦會自動去找「現有流程的微調空間」。但當你設定 10 倍的目標時，你會被迫去質疑整個流程的存在前提——因為微調不可能帶你到那裡。 Tesla 在 2017 年面臨「產線地獄」（production hell）時，就是用這個思維來解題的。當時公司面臨破產風險，需要把 $100,000 的 Model S 的線上銷售量提高 20 倍。這個目標逼出了一系列根本性的流程重新設計，而不是在現有系統上修修補補。 書中另一個經典案例：Tesla 的工程主管 Doug Field 質疑了汽車業沿用超過一百年的焊接車身工藝，從玩具車的製造方式中獲得靈感，開發出大型鑄造技術，把底盤零件從 300 個減少到 3 個。McNeill 寫道，這讓 Tesla 取得了對整個汽車產業五到七年的領先優勢。 McNeill 的核心信念：難的不是智識，是組織 McNeill 在多次訪談中反覆提到一句話："The difficulty isn't intellectual—it's organizational." （困難不在於智識層面，而在於組織層面。）The Algorithm 的五個步驟，每一個都不難理解。質疑需求、刪除步驟、簡化流程——這些道理，任何一個有經驗的主管都知道。 真正難的是執行。因為每一個「不必要的步驟」背後都站著一個當初創造它的人。每一個「可以刪掉的流程」都有一群人在靠它維持日常運作。每一次「簡化」都意味著有人的工作會被改變。 McNeill 用他第一天的決定做了一個示範：切斷新 leads 這件事，不需要任何新技術、不需要任何新工具、不需要任何額外預算。它只需要一個人願意看真實的數字，然後做一個讓所有人不舒服的決定。📎 這篇文章的主要素材來自 McNeill 在 My First Million Podcast Ep. 813（2026 年 4 月 9 日）的對談，以及他 2026 年 3 月出版的 The Algorithm。Podcast 裡還有幾段這篇沒有覆蓋的精彩內容，包括 McNeill 和 Elon Musk 的面試過程、他如何用「三句話 email」做內部溝通，以及他怎麼看 AI 對現有產業的衝擊。如果你對 Tesla 內部的運作方式感興趣，他在 Ed Mylett Show 的訪談也值得一聽，更深入地拆解了五步驟框架在製造端的應用。
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。
沒有 Plan B 怎麼辦？哈佛商業評論最新框架：五種在弱勢局面創造談判籌碼的方法
你只有這一個客戶。或者更精確地說——這個案子只有你能做，但對方知道你非接不可，所以開出了一個離譜的條件。 這是談判課本最不想面對的場景。因為課本的第一課就是：你要有一個強大的 BATNA（Best Alternative to a Negotiated Agreement，最佳替代方案）。沒有 BATNA，你就沒有籌碼。沒有籌碼，你只能任人宰割。 但現實是，你常常就是沒有 Plan B。 Jonathan Hughes 與 Saptak Ray：三十年高風險談判的方法論 Jonathan Hughes 在哈佛大學修過國際外交和賽局理論，畢業後加入了 Roger Fisher 和 Bruce Patton 創辦的 CMI（Conflict Management Inc.）——就是寫出經典談判著作《哈佛這樣教談判力》的那個哈佛談判研究中心團隊。CMI 解散後，他與幾位合夥人創立了 Vantage Partners，在那裡待了將近 25 年，專門處理企業間的高風險談判。現在他是 Pareto Frontier Strategies 的 CEO，與 COO Saptak Ray 一起專注在高風險商業談判的顧問與軟體服務。 2026 年 5 月，兩人在《Harvard Business Review》發表了這篇文章，開頭就丟出一個他們親手處理過的案例。 一家大型公用事業公司宣布要蓋新電廠，向市場做出了交付承諾，但工程進度落後。他們選定的工程承包商是唯一能在時限內完工的廠商——這家廠商也知道這一點，於是開出了一筆公用事業公司根本負擔不起的鉅額預付款。 經典的「沒有 Plan B」困局。 Hughes 和 Ray 的建議不是「接受」或「拒絕」這個最後通牒，而是先問一個不同的問題：對方為什麼會提出這個要求？ 當你把焦點從「要不要答應」轉移到「這個要求合不合理」，整個談判的動態就會開始改變。 他們在文章中寫道："Dealmakers are rarely as constrained as they may believe." （談判者很少像他們自以為的那樣受限。）這句話是整篇文章的核心主張。以下是他們從三十年實戰中提煉出來的五種策略。 策略一：找出「部分替代方案」（Partial Alternatives） 你可能找不到一個能完全取代對方的選項，但你幾乎總能找到「部分」的替代。 文章裡有一個案例：一家高科技電子元件公司只有一個主要供應商，看起來完全沒有替代方案。但當他們認真盤點市場後，發現有兩家小型供應商加起來可以覆蓋約 30% 的需求。 30% 聽起來不多，但它改變了整場談判的心理結構。因為現在你傳遞的訊息不再是「我離不開你」，而是「我正在建立備選方案，而且已經開始了」。 這家公司最終用「承諾增加 5% 的採購量」來交換更好的價格條件——一個雙方都能接受的結果。這種「用交換取代讓步」的邏輯，跟 Todd Caponi 的四槓桿談判法有異曲同工之妙——當你把談判從「能不能便宜一點」變成「我們能交換什麼」，雙方都更容易找到出路。 關鍵不在於你的替代方案有多完整，而在於它是否足以讓對方意識到：壟斷的舒適圈正在鬆動。 策略二：挖掘你手上的「隱藏優勢」（Hidden Strengths）"Dependence in negotiations is rarely one-sided." （談判中的依賴關係很少是單方面的。）這可能是整篇文章最重要的一句提醒。 當你覺得自己完全仰賴對方的時候，先停下來想一件事：對方有多依賴你？ 文章舉了一個塗料原料供應商的案例。這家供應商要求漲價 10%，而客戶想要降價 5%。表面上看，客戶的採購金額只佔供應商營收的 10% 左右——好像不痛不癢。 但 Hughes 和 Ray 要求客戶深入分析供應商的成本結構，結果發現：這家供應商的固定成本極高，而且產品高度專業化。失去這個客戶的影響遠比營收比例所暗示的嚴重——因為他們很難用其他客戶的訂單來填補產能空缺。 這種分析需要做功課，但它能徹底改變你走進談判室時的姿態。你不再是一個「求人的人」，而是一個「知道自己價值的人」。 策略三：爭取「默認同意」而非明確批准（Tacit Consent） 這是五個策略中最巧妙的一個。 有時候你不需要對方說「好」，你只需要對方不說「不好」。 文章裡的案例是一家全球微處理器公司，他們發現同一個供應商在不同地區的報價差異極大。與其正式提出要求統一價格（這會觸發對方的防禦機制），他們選擇了一個更聰明的做法：直接按照最低報價付款。 沒有談判，沒有要求，沒有最後通牒。就是安靜地按照最有利的條件執行，讓慣性（inertia）幫你完成剩下的事。 Hughes 和 Ray 在文章中特別區分了「主動同意」和「默認同意」："Distinguish between active and tacit consent." （區分主動同意和默認同意。）這個策略的精髓在於：人類對「阻止一件正在發生的事」的動力，遠低於「拒絕一個新的要求」。當你把球放到對方的場上，讓他們必須主動喊停才能改變現狀，你就把談判的預設值設定在了對你有利的位置。 策略四：把威脅重新包裝成「警告」（Warnings, Not Threats） 威脅會觸發對方的戰鬥本能。警告不會。 差別在哪裡？威脅是「如果你不降價，我就找別人」——這是一個你主動選擇的攻擊行為。警告是「如果價格維持在這個水準，我們的管理層可能會被迫去尋找替代方案」——這是一個你不得不面對的外在壓力。"Frame the possibility of alternatives as warnings, not threats." （把替代方案的可能性包裝成警告，而不是威脅。）同樣的訊息，不同的框架，截然不同的效果。威脅把你放在攻擊者的位置，對方的自然反應是反擊或封閉。警告把你放在「同樣受到壓力」的位置，對方更容易產生同理心，甚至想要一起解決問題。這跟一項分析 22,880 句談判對話的機器學習研究的發現不謀而合——在談判中適時示弱（例如道歉）反而能提高成交率，因為它降低了對方的防禦心態。 文章裡提到一個經銷商談判的案例。一家小客戶（年營收只佔經銷商總營收的極小比例）在談判中發現，對方的業務主管已經達成了當年的業績目標——換句話說，這位主管沒有動力為這筆小生意做任何讓步。"I already met my numbers for the year." （我今年的數字已經達標了。）客戶的應對不是威脅要離開，而是找到一家競爭對手經銷商簽了一份小型合約，發了一則新聞稿，同時請一位重要的終端客戶出面表達對現有安排的關切。這些動作加在一起，傳遞的訊息不是「我要懲罰你」，而是「市場正在發生變化，你可能需要注意」。 策略五：訴諸公平原則（Appeal to Fairness） 當你真的沒有任何替代方案、沒有隱藏優勢、也無法用默認同意或警告來改變局面的時候，還有最後一張牌：公平。 Hughes 和 Ray 描述了一筆年度價值超過一億美元的資料授權協議。在這個案例中，客戶幾乎沒有任何傳統意義上的「籌碼」。但他們沒有選擇硬碰硬，而是把談判的焦點轉移到一個簡單的問題上：「這樣公平嗎？」"People will sometimes make concessions when forced to acknowledge unfairness." （當人們被迫承認某件事不公平的時候，他們有時候會讓步。）這個策略之所以有效，是因為它繞過了權力博弈，直接觸及人類對公平的基本需求。即使是在商業談判中，大多數人也不願意被視為「佔便宜的那一方」。當你能清楚地展示現有條件的不合理之處——不是用情緒，而是用事實和邏輯——對方要維持原有立場的心理成本就會大幅上升。 這筆交易最終沒有走向對抗，而是轉變成了一場關於如何共同成長的對話。 五種策略的底層邏輯：籌碼不是找到的，是創造的 回到那家被工程承包商獅子大開口的公用事業公司。Hughes 和 Ray 沒有建議他們去找另一家承包商（因為根本沒有），也沒有建議他們接受對方的條件。他們建議的是：不要在「接受或拒絕」的框架裡做選擇，而是質疑這個框架本身。 「你為什麼要這筆預付款？」當公用事業公司把問題從「我們付不付得起」轉變成「這個要求有沒有道理」，承包商突然發現自己需要為自己的立場辯護——而他們無法。 這就是整篇文章的核心洞察：談判籌碼不只是「你有沒有替代方案」，而是「你能不能改變對話的結構」。 部分替代方案改變了依賴程度，隱藏優勢改變了權力認知，默認同意改變了預設值，警告改變了情緒框架，公平原則改變了合理性標準。 五種策略，五個不同的角度，但目標只有一個：讓對方意識到，這場談判不是「你要就要，不要拉倒」的局面。"We can't live without them, but it's getting harder and harder to live with them." （我們離不開他們，但跟他們相處越來越難。）Hughes 和 Ray 說，這是他們三十年來從客戶口中聽到最多的一句話。如果你也有過這種感覺，這篇文章的五個策略就是你的起點。📎 這篇文章的框架來自 Jonathan Hughes 和 Saptak Ray 在《Harvard Business Review》2026 年 5-6 月號發表的〈Negotiating When There Is No Plan B〉。原文裡每個策略都有更完整的案例細節，特別是那個微處理器公司如何一步步執行「默認同意」策略的過程，以及經銷商案例中如何動員終端客戶來改變談判動態，值得細讀。如果你對 Hughes 的談判方法論有興趣，他在同期刊 2020 年 7 月號與 Danny Ertel 合寫的〈What's Your Negotiation Strategy?〉也值得一看——那篇更偏向「談判前的戰略規劃」，跟這篇的「弱勢局面戰術」剛好互補。
94% 的客戶在接你電話之前，心裡已經有答案了——2026 年 B2B 買家行為報告拆解
你終於等到客戶主動來電，語氣聽起來很有誠意，問了幾個技術問題，約了下週的 demo。你覺得這是一個全新的機會。 但根據 2025 年底發布的 6sense B2B Buyer Experience Report（調查近 4,000 位 B2B 買家），這通電話打來的時候，客戶心裡的排名早就定了——而且你有 77% 的機率，只是在陪跑。 6sense 報告：近 4,000 位買家告訴你，決定在第一天就做完了 這份報告的數據規模值得認真看待：將近 4,000 位來自北美、歐洲、亞太的 B2B 買家，採購中位金額在 20 萬到 30 萬美元之間，購買週期平均 10.1 個月。這不是一個快消品的衝動購買調查，而是高單價、多人決策的真實 B2B 採購。 核心發現可以用三個數字概括： 94% 的採購決策群體在聯繫任何業務員之前，就已經把供應商名單排好了優先順序。 77% 最終選了他們第一天的首選供應商。 95% 的最終採購對象，來自買家「第一天名單」上的那 3.6 家供應商。"94% of buying groups ranked preferred vendors before first contact, and they ultimately purchased from that preliminary favorite 77% of the time." （94% 的採購群體在首次聯繫前就排好了供應商偏好順序，其中 77% 最終選了那個初始首選。）換句話說，當客戶開始跟你聯繫的時候，比賽已經進入第四節。你以為的「機會」，很可能只是對方在走採購流程、湊齊比價報告。 暗漏斗（Dark Funnel）：你看不見的 70% 才是戰場 6sense 用了一個很精準的詞來描述這個現象：Dark Funnel（暗漏斗）。 買家旅程中至少有 70% 是匿名、不可見的。在這段時間裡，一個平均 10 人以上的採購委員會已經在做這些事：獨立研究，互相交換情報 定義需求和預算（83% 在聯繫業務前就完成了） 建立候選名單，排好順序 用 LLM（大型語言模型）做比較分析這裡的關鍵不只是「買家研究做得更多了」——而是整個決策過程發生在你看不見的地方。你的 CRM 裡沒有這些活動的紀錄，你的業務週報裡也不會出現這些線索。當機會終於「出現」在你面前時，它已經是一個接近定案的結果。 報告顯示，買家首次主動聯繫供應商的時間點，平均落在採購旅程的 61% 處。也就是說，當你接到那通電話，對方已經走了超過一半的路。 94% 的買家用 AI 做研究：你在 ChatGPT 裡是第幾名？ 這份報告中最具時代意義的數字可能是這個：94% 的 B2B 買家在採購過程中使用 LLM 做研究。 這不只是「偶爾問一下 ChatGPT」的程度。根據 Development Corporate 的分析，每天有超過 2,000 萬個 B2B 相關的 prompt 在 ChatGPT 上被輸入，跨所有平台則高達 8,000 萬到 1 億個。 LLM 的使用高峰出現在採購旅程的中段——買家已經有了候選名單，正在用 AI 來：並排比較不同供應商的功能差異 消化和摘要供應商的技術文件 模擬成本和 ROI 草擬 RFP 語言和評估框架更值得注意的是，AI 模型在回答時平均只會提到 3 到 4 個品牌。前 20 大網域拿走了 66% 的 AI 引用。如果你的公司不在這個引用範圍內，你甚至不會出現在買家的研究雷達上。"If ChatGPT doesn't mention your company, your buyer may never encounter you during research." （如果 ChatGPT 沒有提到你的公司，你的買家在研究階段可能永遠不會遇到你。）買家信任什麼內容？不是你的白皮書 2026 年 3 月，Reddit 與 SurveyMonkey 聯合發布的調查（1,200 位美國 B2B 決策者）揭示了一個讓行銷部門尷尬的事實： 買家認為最有價值的內容類型排名：內容類型 認為「非常有價值」的比例真實用戶見證 37%影片 Demo 32%社群討論 27%分析師報告 27%白皮書 17%你花了三個月寫的白皮書，在買家心中的份量只有真實用戶見證的一半不到。 而且問題更深：48% 的買家說，他們很難找到真實的用戶見證。46% 說他們必須費力地過濾掉供應商自己生產的內容。買家最想看的東西，恰恰是最難找到的。 在信任來源方面，73% 的買家信任同業推薦，而 AI 聊天機器人只有 39%。諷刺的是，94% 的買家在用 AI 做研究，但他們並不完全信任 AI 給的答案——他們信任的是 AI 幫他們找到的「人的聲音」。 61% 的買家想要沒有業務員的購買體驗 2025 年 6 月，Gartner 對 632 位 B2B 買家的調查發現：61% 的 B2B 買家偏好完全不需要業務員介入的購買體驗。 這不代表業務員沒有價值，但它意味著價值必須重新定義。買家不需要你來「介紹產品」——他們在聯繫你之前已經看了平均 11.4 篇內容。他們不需要你來「引導流程」——他們已經定義好需求，排好了名單。 他們需要的是你能做到他們自己做不到的事：解決跨部門的共識問題、處理他們研究中沒有覆蓋到的邊緣案例、提供只有內部人才知道的實戰經驗。 Consensus 的 2026 B2B Buyer Behavior Report 分析了 600 萬次買家互動後也得出類似結論：80% 的決策在業務員進場之前就已經發生了。而且他們的數據顯示，買家觀看產品 Demo 的注意力上限只有 5 分 14 秒——但大多數 Demo 的設計長度是 15 分鐘。 第一天名單效應：你要贏的不是提案，是「被想起來」 把這些數據拼在一起，會得到一個很清晰的圖像：買家在一開始就列了 3-4 家候選名單（Day One Shortlist） 他們用 AI、同業推薦、社群討論來驗證和排序 排在第一的那家，有 77% 的機率拿下訂單 等業務員終於有機會上場時，比賽已經進行了 61%這代表業務員的核心任務不再是「說服」，而是「在客戶決定要找誰之前，就已經在他們的名單上」。 怎麼做到？報告的數據其實已經指出方向： 讓你的客戶替你說話。 37% 的買家最信任真實用戶見證。如果你的現有客戶不會在公開場合提到你，不會在 LinkedIn 上分享跟你合作的經驗，你在暗漏斗裡就是隱形的。 讓 AI 找得到你。 94% 的買家在用 LLM 做研究。你的公司網站、客戶案例、技術文件，是否會被 AI 模型引用？如果你問 ChatGPT「[你的產業] 最好的 [你的產品類別] 有哪些？」而答案裡沒有你，那就是一個需要立刻處理的問題。 在買家定義需求的階段就出現。 83% 的買家在聯繫業務前就完成了需求定義。你能參與這個定義過程嗎？透過產業報告、觀點文章、或是在買家會去的社群裡提供有用的框架，讓你的思維方式影響他們的評估標準。 6sense 報告中有一個容易被忽略但極重要的數據：買家候選名單上的 5.1 家供應商中，平均有 3.8 家是他們之前就有過接觸的供應商。97% 的買家在名單上至少放了一家他們有過先前經驗的公司。 這意味著長期關係和品牌認知的價值，遠比任何一次完美提案都重要。你今天幫助的那個還沒準備好購買的人，可能在 10 個月後的某天早上 6 點，把你放進了他的第一天名單。📎 這篇文章的數據主要來自 6sense 的 2025 B2B Buyer Experience Report，完整報告裡還有更多關於 AI 如何改變（以及沒有改變）B2B 採購旅程的分析，包括經濟環境如何影響供應商選擇、買家在什麼時候最容易被翻盤等數據。另外，Consensus 的 2026 B2B Buyer Behavior Report 則從 600 萬次互動數據的角度，拆解了 Demo 設計的最佳長度和時段——如果你有在做線上 Demo，那份報告很值得看。
22,880 句談判對話的機器學習分析：道歉讓成交率高 10%，而「建議流程」反而搞砸交易
想像一下這個場景：你坐在客戶對面，對方對你的提案有疑慮，氣氛有點僵。你的直覺告訴你兩件事——第一，絕對不能道歉，因為道歉就是示弱；第二，趕快拿回對話的主導權，建議一個流程來推進討論。 一份 2026 年 2 月發表的研究告訴你：這兩個直覺都是錯的。 漢堡大學團隊：用機器學習拆解談判中的每一句話 Nale Lehmann-Willenbrock 是漢堡大學工業與組織心理學系的教授兼系主任，她的研究專長是用行為觀察和量化互動分析來理解人與人之間的動態過程——不靠問卷，靠的是逐秒分析錄影中的實際行為。 2026 年 2 月，她的團隊成員 Jan Niklas Engel、Jan Teichert-Kluge 和 Clara Sofie Hemshorn de Sánchez 在《Negotiation and Conflict Management Research》期刊上發表了一篇論文：〈Behavioral Dynamics in Negotiations: How Specific Verbal Behaviors Relate to Negotiation Agreements and Negotiation Processes〉。 他們做了什麼？他們錄下 40 場面對面的商業談判（共 176 位參與者），然後用一套叫做 NegotiAct 的編碼系統，把每一場談判中的每一個語言行為都歸類到 47 種互斥的行為類別中。 總共編碼了 22,880 個語言行為。編碼員之間的一致性達到 Cohen's Kappa 0.914——在行為研究中，這是極高的可靠度。 然後，他們用機器學習模型從這 47 種行為中篩選出最能預測談判結果的關鍵行為。最終，模型保留了 11 種。 結果裡有兩個發現，直接打臉了大部分人對談判的直覺認知。 道歉的力量：成交機率高出約 10 個百分點 在這 40 場談判中，18 場達成協議，22 場破裂。機器學習模型發現：道歉（apologizing）與達成協議呈顯著正相關，道歉的出現與成交機率提高約 10 個百分點有關。 10 個百分點。這不是統計誤差，這是一個有實質意義的差距。 更有意思的是研究團隊對道歉內容的分析：在所有被編碼為「道歉」的語言行為中，大約 56% 是同時包含遺憾表達和責任承認的完整道歉，而不只是「不好意思」這種敷衍了事的客套話。 論文中提到："when timely and well-formed, apologies may operate as internal micro-fluctuations that recalibrate expectations" （當道歉出現在適當的時機並且有好的形式，它可以作為一種內部微擾動，重新校準雙方的期望。）這個說法很精準。道歉不是投降，它是一個「重設鍵」。當談判陷入僵局，一方的道歉等於在告訴對方：「我理解你的感受，我願意承認我這邊可能有問題。」這會立刻降低對方的防禦姿態，讓雙方從「攻防」模式切換到「解題」模式。 這跟 Roy Lewicki 在 2016 年發表的道歉結構研究不謀而合——Lewicki 發現有效道歉有六個要素，其中最重要的是「承認責任」（acknowledgment of responsibility），其次是「提出修復方案」（offer of repair）。漢堡大學這份研究用真實談判數據證實了：有實質內容的道歉，確實會改變談判的走向。 時間分佈上也有一個有趣的差異：在成功達成協議的談判中，道歉分布在整個對話的各個階段，有一條延伸到後期的長尾。但在破裂的談判中，道歉大多集中在一開始——換句話說，失敗的談判者在開頭客套地「道歉」一下，然後就再也不道歉了。"apologies are more broadly distributed across the interaction, with a longer tail into later phases" （道歉更廣泛地分布在整個互動過程中，在後期階段有更長的尾巴。）這暗示了一個關鍵策略：道歉不是談判開場的禮貌公式，而是一個應該在整個過程中持續使用的溝通工具。 程序性建議的陷阱：主導流程反而推高破裂機率 第二個反直覺的發現更有殺傷力。 很多談判訓練課程會教你：「掌握對話的流程和節奏，展現專業感。」比如在會議一開始就說：「我建議我們先討論 A，再討論 B，最後做決定。」或是在對話卡住的時候說：「我們換個方式，先把各自的底線攤出來。」 這種行為在研究中叫做「程序性建議」（procedural suggestion）。直覺上，這應該是好事——你在幫助對話更有效率地推進。 但數據說的是另一個故事：程序性建議與談判破裂呈顯著正相關，每次出現與非協議機率提高約 3 個百分點有關。 在破裂的談判中，這類建議平均出現 13.82 次。"frequent procedural interventions might not only signal underlying coordination challenges but may also coincide with stalled progress" （頻繁的程序性介入不僅可能反映出潛在的協調困難，也可能與停滯不前的進展同時出現。）為什麼「幫忙安排流程」反而有害？研究中的序列分析（lag-sequential analysis）提供了線索：程序性建議之後，最常出現的回應是「substantiation」——也就是對方開始防禦性地強化自己的立場。同時，對方主動揭露立場資訊（positional information disclosure）的頻率反而下降了。 翻成白話：當你說「我建議我們按照這個流程來」的時候，對方聽到的不是「讓我們更有效率」，而是「你想控制這場對話」。他的反應不是配合，而是築牆。 這是一個很精妙的心理動態——程序性建議看起來是中性的、甚至是善意的，但它暗含了一個權力宣示：「我來決定我們怎麼談。」在一場雙方都在爭取利益的談判中，這種單方面的控制嘗試會觸發對方的抗拒本能。 閒聊也有代價：前五分鐘的陷阱 研究還有一個附帶發現值得注意：個人化閒聊（personal communication）也與談判破裂正相關。 資料顯示，不管談判最終成功還是失敗，閒聊幾乎都集中在前五分鐘。但問題是：在一場有時間限制的談判中（這些實驗的談判平均長度約 30 分鐘），即使是簡短的題外話也會壓縮到實質討論的時間。 達成協議的談判平均花了 26.88 分鐘，而破裂的反而更長——32.13 分鐘。這個差異在統計上是顯著的。談得更久不代表談得更好，反而可能意味著雙方在原地打轉。 「整體系統觀」：為什麼單一行為不能脫離脈絡理解 這篇論文最深刻的方法論啟示，不是某個特定行為的效果，而是它用數據證明了：談判是一個複雜適應系統（Complex Adaptive System），任何單一行為的意義都取決於它出現的脈絡。"a whole-system view is required because the meaning of any single act depends on the configuration of other acts unfolding around it" （需要一個整體系統的觀點，因為任何單一行為的意義取決於圍繞它展開的其他行為的配置。）這句話值得反覆讀。它的意思是：「道歉有效」不代表你應該在談判中瘋狂道歉。道歉之所以有效，是因為它出現在特定的行為序列中——在那個脈絡裡，它重新校準了雙方的期望。如果你把道歉變成一種機械式的策略，效果可能完全不同。 同樣的，「程序性建議有害」不代表你永遠不能討論流程。它的意思是，當你頻繁地、單方面地試圖主導對話的走向時，你正在向對方發送一個錯誤的信號。 研究團隊也很坦率地指出了自己的限制：47 種行為中，機器學習模型只保留了 11 種作為有效預測因子。這意味著大部分的談判行為——包括一些傳統上被認為很重要的行為，像是「多議題同時提案」（multi-issue offers）——在預測成交與否上並沒有顯著作用。"even behaviors traditionally considered constructive, such as procedural suggestions, may coincide with a higher incidence of non-agreement" （即使是傳統上被認為具有建設性的行為，例如程序性建議，也可能與更高的非協議發生率同時出現。）這一句話，基本上是在對所有談判教科書說：你們該更新了。 道歉怎麼說、程序性建議怎麼避 把這份研究的發現轉化成可操作的行動，有三個方向： 第一，把道歉當工具，不當認輸。 當客戶表達不滿或異議時，與其急著辯解或提出解決方案，不如先說：「這部分確實是我們沒有考慮周全，我很抱歉讓你有這個困擾。」注意——有效的道歉要包含責任承認（「我們沒考慮周全」），不是空泛的「不好意思」。而且不只是開場白用一次就好，在對話的任何階段，只要感覺到張力升高，道歉都可以是一個重設按鈕。 第二，少說「我建議我們這樣做」，多問「你覺得我們接下來怎麼處理比較好？」 程序性建議有害，不是因為討論流程本身有問題，而是因為「單方面提出流程」暗含了控制意味。如果你想推進對話，把它變成一個問題而不是一個指令，讓對方感覺流程是共同決定的，而不是被安排的。 第三，注意你的開場閒聊。 寒暄是人之常情，但如果你的會面時間有限，在三分鐘內切入正題，把社交性對話留到成交之後。數據很清楚：談得久不等於談得好。📎 Engel 等人的完整論文〈Behavioral Dynamics in Negotiations〉2026 年 2 月發表在 Negotiation and Conflict Management Research 期刊第 19 卷第 2 期。論文中還有大量這篇文章沒有覆蓋到的內容，包括 NegotiAct 編碼系統的完整 47 種行為分類、lag-sequential analysis 的詳細結果（哪些行為會觸發哪些後續反應）、以及「接受暫時性提議」（accepting interim offers）如何作為達成最終協議的漸進穩定器。如果你對談判中的微觀語言動態有興趣，這篇論文的圖表和序列分析值得細讀。
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。
你的客戶開始在 ChatGPT 買保險了——Insurify 如何成為 AI 通路的第一槍
2026 年 2 月 9 日，一個看起來不起眼的產品上線，卻讓華爾街的保險經紀股在一天內蒸發了數百億美元市值。 那天，Insurify 正式成為 ChatGPT App 商店的首批合作夥伴之一——也是第一個保險類 App。用戶只要在 ChatGPT 對話框裡輸入 @Insurify，就能用聊天的方式比較車險報價、瀏覽真實用戶評價、找到適合自己的方案。 隔天開盤，Willis Towers Watson（WTW）股價暴跌 12%，創下 2008 年以來最慘的單日跌幅。Arthur J. Gallagher 跌 9.9%，Aon 跌 9.3%，S&P 500 保險指數整體下挫 3.9%。 一個 App，還只能比較美國車險，為什麼嚇成這樣？ 因為所有人突然意識到：ChatGPT 每週有超過 8 億活躍用戶。如果保險變成「一段對話就能搞定的事」，傳統經紀人的存在意義是什麼？ Insurify：一個被車禍催生的比價平台，十年後站上 AI 風口 Insurify 的創辦人 Snejina Zacharia 是 MIT Sloan 的 MBA。創業故事很經典：她在 MIT 念書時出了一場小車禍，保費被大幅調高，她才發現——竟然沒有一個像 Kayak 那樣的比價平台可以讓你一次比較所有保險方案。於是她和前 Kayak 總裁 Giorgos Zacharia 共同創辦了 Insurify。 十年後的 2026 年，Insurify 已經在美國全部 50 州取得執照，累積了超過 1.96 億筆車險報價資料和 7 萬多筆用戶評價，串接超過 500 家保險公司。它不賣保險，它是持牌的數位保險經紀人——幫你比價，然後媒合。 這個定位，讓它成為 ChatGPT 保險生態的完美第一個合作對象。 在 ChatGPT 裡買保險，體驗長什麼樣？ 操作流程比你想像的簡單。打開 ChatGPT，在 App 目錄裡連結 Insurify，然後在任何對話中輸入 @Insurify，用自然語言描述你的需求。"Shopping for car insurance has traditionally been time-consuming, confusing, and frustrating for many drivers. With our new ChatGPT app, we're redefining the insurance shopping experience by making it feel as simple as having a conversation." （買車險一直是一件耗時、困惑又令人沮喪的事。透過我們的 ChatGPT App，我們正在重新定義保險購物體驗——讓它變得像聊天一樣簡單。）Insurify CEO Snejina Zacharia 在 2026 年 2 月的新聞稿裡這樣說。 系統會根據你提供的資訊——所在地、車型、年齡、信用狀況、駕駛紀錄、想要的保障範圍——從 1.96 億筆歷史報價中算出個人化的估價，同時讓你看到其他用戶對各家保險公司的真實評價。價格、服務、理賠速度、折扣優惠，全部可以在對話中比較。 決定好了？點一下連結，到 Insurify 網站上完成投保，幾分鐘搞定。 有一個細節值得注意：目前在 ChatGPT 裡拿到的是「估價」而非即時報價。真正的精確報價和投保動作，仍然需要回到 Insurify 網站完成。Insurify 的 ChatGPT App 也不會儲存你在對話中提供的任何資訊——除非你主動到網站上完成報價流程。 華爾街的恐慌：不是因為這個 App，而是因為它代表的趨勢 讓我們誠實地說：一個只能比較美國車險的 App，本身不足以顛覆任何產業。 但華爾街反應這麼劇烈，是因為它嗅到了一個結構性的轉變：AI 正在成為新的保險通路。 Bloomberg Intelligence 分析師 Matthew Palazola 在 2026 年 2 月指出，這類應用「可能威脅到保險經紀公司的部分諮詢業務」，但他同時也說，這更像是「force multiplier（力量放大器）而非 existential threat（存在性威脅）」。 而 Insurify 共同創辦人 Giorgos Zacharia 在 2026 年 3 月接受 Insurance Journal 專訪時透露了一個有趣的細節：在開發 ChatGPT App 之前，Insurify 就已經觀察到大量來自 AI 搜尋引擎的自然流量。消費者早就在用 AI 平台搜尋保險資訊了——Insurify 只是把這個已經存在的行為，變成了一個更流暢的體驗。"We are barely scratching the surface." （我們才剛觸及表面而已。）Giorgos 這句話，可能是整個事件裡最值得記住的一句。 果然，一個月後，更多保險 App 跟進。2026 年 3 月，Neptune Flood 上線了洪水險報價 App，Steadily 推出了房東保險 App，Jerry.ai 則推出了結合車險比價和維修估價的雙功能 App。 從車險到洪水險到房東保險——品類正在快速擴張。 恐慌過後，冷靜下來看：AI 到底能取代什麼，不能取代什麼？ WTW 暴跌 12% 的那天，很多人的第一反應是「保險業務員完了」。但一個月後，市場的看法出現了明顯修正。 2026 年 3 月，Barclays 發布報告，認為市場對 AI 顛覆保險經紀業的恐慌「過度了」，並將 WTW 從「減持」上調至「中性」，同時上調了 Arthur J. Gallagher 的評級。JPMorgan 的分析師也在 2 月就指出，真正的 AI 顛覆「至少還需要 24 個月」，認為拋售過度。 為什麼分析師們認為恐慌過頭了？因為他們區分了保險業務中「可以被 AI 取代的環節」和「不能的環節」。 AI 能做得更好的事：報價比較： 這是 Insurify 正在做的事。把 1.96 億筆資料丟給 AI，它能在幾秒內給你個人化的估價。沒有任何人類業務員能比 AI 更快、更全面地完成這個動作。 基本諮詢： 「第三責任險和全險差在哪？」「我的信用分數會影響保費嗎？」這類標準化問題，AI 可以回答得比大多數業務員更清楚、更有耐心。 行政流程： 填表、核保、文件整理——這些重複性工作正在被自動化吃掉。AI 做不到的事：複雜的保障規劃： 一個有三間房、兩台車、一個小公司的客戶，他的保險組合牽涉到責任歸屬、稅務影響、資產保護。這種跨領域的判斷，不是一段對話能解決的。 理賠時的陪伴： 當你家被水淹了、車被撞了、或者更嚴重的事故發生，你需要的不是一個聊天機器人，而是一個真人在電話那頭告訴你「我來處理」。業界數據顯示，在複雜理賠情境中，有真人經手的案件，客戶留存率顯著高於純自動化處理。 人生大事的諮詢： 結婚、生小孩、退休、創業——每一個重大人生轉折都會改變你的保險需求。這些對話需要信任、需要理解脈絡、需要一個人能根據你的整體狀況而不是單一數據點來給建議。Insurify CEO Snejina Zacharia 自己也這麼看："It will be an evolution. I think that everything will just become more automated and simpler, but a lot of the existing interfaces will remain and the existing relationships will continue to remain." （這會是一個演化的過程。一切會變得更自動化、更簡單，但很多既有的介面會留下來，既有的關係也會繼續存在。）她在 2026 年 3 月的 Insurance Journal 專訪裡這樣說。注意她的用詞：是「evolution（演化）」，不是「disruption（顛覆）」。連顛覆者自己都不認為這是顛覆。 真正的問題不是「會不會被取代」，而是「你的價值在哪一層」 這件事的真正啟示，不是「AI 要來搶業務員的飯碗了」這種標題黨。 真正的問題是：如果報價比較、基本諮詢、行政流程這些事，AI 都能做得比你快、比你好、比你便宜——那你花在這些事情上的時間，價值歸零。 但反過來說，當 AI 把低價值的工作吃掉，業務員花在高價值工作上的時間佔比就會提高。Insurify 自己內部也在這樣做——他們部署了 AI 工具來處理重複性任務，讓真人經紀人專注在「高價值的客戶諮詢工作」上，結果生產力創下新高。 這跟 Jeb Blount 說的邏輯完全一致：AI 不會殺死業務，但會嚴厲懲罰那些「只會做 AI 也能做的事」的業務員。 你可以花一個小時幫客戶比價——但 Insurify 在 ChatGPT 裡十秒鐘就做完了。 你也可以花一個小時坐在客戶對面，聽他說他剛被診斷出一個疾病、他擔心家人以後怎麼辦、他不知道現有的保障夠不夠。 同樣一個小時。但 AI 只能做第一件事。 第二件事，是你的護城河。📎 這篇只聚焦在 Insurify 上線 ChatGPT 的事件和它對業務員角色的影響。如果你想看更完整的脈絡——包括 Insurify 創辦人怎麼看 AI 搜尋引擎帶來的自然流量、他們內部如何用 AI 工具提升經紀人產效、以及 CEO 對「AI 會不會取代保險經紀人」的完整回應——推薦讀 Insurance Journal 2026 年 3 月的這篇專訪：Insurify's Founders Discuss Evolution of Insurance Shopping With AI。另外，想了解 ChatGPT App 商店上線後更多保險 App 跟進的狀況，Carrier Management 的 The List is Growing: More Insurance Apps on ChatGPT 有很好的整理。