Showing Posts From
自動化
馬斯克的『白痴指數』＋傳奇基金經理人 Nick Sleep 的『規模經濟共享』：兩個讓你重看自己『時間定價』與『護城河』的硬框架
每週固定收聽 My First Million 的人都知道，Sam Parr 和 Shaan Puri 最厲害的不是挖商業八卦，而是把一個別人聽過卻沒真正用過的框架，掰開來告訴你「這東西其實可以套在你身上」。2026 年 6 月初的第 831 集就是這種——他們一口氣拆了兩個框架：一個是馬斯克拿來把火箭成本砍到剩零頭的「白痴指數」，另一個是傳奇基金經理人 Nick Sleep 用來賺進 921% 報酬的「規模經濟共享」。 這兩個框架表面上一個講製造、一個講投資，但放在一起看，剛好回答了業務員最該問自己的兩個問題：我的時間到底花在哪裡？省下來的時間，又該流向誰？ 白痴指數（Idiot Index）：成品價 ÷ 原物料價，比值越高代表你越有得救 「白痴指數」這個詞出自 Walter Isaacson 寫的馬斯克傳記。它的算法粗暴得可愛——Idiot Index = Cost of a part or finished product divided by cost of its component raw materials at commodity level. （白痴指數＝一個零件或成品的成本，除以它在原物料層級的基本材料成本。）舉例：一個火箭閥門賣你 10,000 美元，但它的鋁、鋼這些原料攤開來只值 200 美元，那它的白痴指數就是 50。馬斯克的邏輯是：指數越高，代表你花的錢越不是花在「材料」上，而是花在「製程、複雜度、外包、惰性」上——而這些，全都是你可以改的。 所以 SpaceX 跟 Tesla 的財務團隊會逐零件去追蹤每個零件的白痴指數，然後從指數最高的那個開始攻。SpaceX 發現一枚火箭的材料成本，只佔傳統發射報價的一小塊，剩下的全是供應鏈疊上去的；於是他們把引擎、航電、軟體全部收回自己做，再做出可回收火箭。Tesla 則用一體成型的大鑄件，一塊取代過去要焊接幾十次的零件。 這個框架最反直覺的地方在於：高白痴指數不是壞消息，是好消息。 它代表那個環節「有得救」。指數接近 1 的東西（材料本身就貴），你再怎麼努力也擠不出多少；但指數 50 的東西，每砍一刀都是純賺。 把它翻成『時間白痴指數』：一個客戶吃掉的工時 vs. 真正創造價值的工時 業務員沒有火箭閥門，但你有比鋼鐵更貴的原料——你的時間。 把公式換個變數： 時間白痴指數 ＝ 一個案子（或一個客戶）吃掉的總工時 ÷ 其中真正創造價值的工時。 「真正創造價值的工時」指的是那些只有你能做、客戶也真的願意為它付錢的事：判斷他的風險承受度、在他恐慌想砍倉時把他攔下來、把一份複雜的保單拆成他聽得懂的人話。「總工時」則包含所有其他的——排約、整理對帳單、把資料從一個表格搬到另一個表格、追文件、重複回答同一個問題。 算一個你最熟的案子。假設你花了 12 小時成交，但其中只有 3 小時是上面說的「真正創造價值」，那它的時間白痴指數是 4。這個 4，就是你的攻擊清單。 那 9 小時裡，哪一段是可以丟給 AI、丟給助理、或乾脆系統化掉的？ 馬斯克的紀律不是「全部都優化」，而是先排序，從指數最高的環節下手。業務員最容易犯的錯，是把心力花在「把已經很省的環節再省 10%」——例如不斷微調話術——卻對那個指數 4 的行政黑洞視而不見。先去抓你那個「賣 10,000 但只值 200」的環節。對多數業務員來說，那個環節幾乎一定是重複性的資料整理與溝通往返，而那正是 2026 年的 AI 最擅長吃掉的東西。 這裡有個馬斯克自己強調的但書值得抄下來：在砍之前，先問「這個環節為什麼存在？」有時候高指數是合理的（合規要求、客戶情緒需要被慢慢承接）。白痴指數是用來提問的工具，不是用來無腦砍的刀。 它只負責告訴你「該先看哪裡」。 規模經濟共享（Scale Economies Shared）：Nick Sleep 用它賺了 921% 砍完之後，真正的問題才來：省下來的時間，你要拿去做什麼？ 這就是 Sam 跟 Shaan 在同一集裡拆的第二個框架。Nick Sleep 是 Nomad Investment Partnership 的操盤手，他和搭檔 Qais Zakaria 在 2001 到 2014 年間做出 921% 的報酬，遠勝同期 MSCI 世界指數的 117%。他壓最重的三檔，是 Costco、Amazon 和波克夏。而貫穿他整套投資哲學的核心概念，就叫「規模經濟共享」。 他在 2008 年給合夥人的信裡這樣描述（這封信收錄在 《Nomad Letters》 這本合集裡）："As the firm grows in size, scale savings are given back to the customer in the form of lower prices. The customer then reciprocates by purchasing more goods, which provides greater scale for the retailer who passes on the new savings as well." （隨著公司規模變大，省下的成本以更低價格的形式還給客戶。客戶則用購買更多來回報，這又給了零售商更大的規模，於是它再把新省下的錢繼續還出去。）關鍵的分岔在這裡：多數公司變大之後，會把規模省下的成本「吃」成自己的利潤；只有極少數最耐久的公司，選擇把它「還」給客戶。 Costco 的毛利率被刻意壓在 14–15%，賺的是會員費。華爾街一度覺得這太蠢——margin 這麼低多危險。但 Sleep 看到的是相反的東西：正因為它把效率全還給客戶，它築起了一條對手幾乎跨不過的護城河。他算過，光是要把價格壓到跟 Costco 一樣，山姆會員店一年就得多燒大約 14 億美元。Sleep 自己的結論很傳神："That is why competing with Costco is so hard to do. The firm is not interested in today's static assessment of performance." （這就是為什麼跟 Costco 競爭這麼難。這家公司根本不在乎今天這一刻的績效快照。）做大之後，你要把效率吃成 margin，還是還給客戶？ 把這兩個框架接起來，業務員的劇本就出來了。 用白痴指數，你砍掉了低價值工時，每個月多出了二十、三十個小時。這時你面前有兩條路： 第一條，吃成自己的 margin——服務的客戶數不變、收的費用不變，但你變更輕鬆、賺得更省力。這沒有錯，但它不會幫你築任何護城河。你只是變成一個「比較有效率的自己」，而你的對手明年也會用上一樣的 AI 工具，把你的效率優勢抹平。 第二條，是 Sleep 的路——把省下的效率還給客戶。同樣的費用，你現在能提供更多：更頻繁的主動聯繫、更深的人生大事追蹤、原本只有大客戶才有的服務，現在中間客戶也享受得到。你沒有多收一毛，但客戶感受到的價值在變厚。而這正是轉介紹的燃料——客戶不會因為「你變有效率」而幫你介紹朋友，但會因為「你給的比收的多」而忍不住開口。 這兩個框架真正的威力，在於它們互相咬合：白痴指數負責生產出多餘的時間，規模經濟共享負責決定那些時間的去向。 只做前者，你會變成一個更省力但更容易被取代的人；加上後者，你才把效率轉成了別人抄不走的關係資產。 AI 時代每個人都在談「省下多少小時」。但省時間從來不是終點——它只是把一個更難的選擇推到你面前：你打算把這些時間，偷偷收進自己口袋，還是大方地還到客戶桌上？ Costco 用三十年證明了，後者那條路雖然慢，卻是唯一一條對手追不上的路。📎 這集 My First Million Ep. 831 除了這兩個框架，還花了不少篇幅拆一個年營收 2.7 億美元的肉品供應商怎麼長出來的、以及 Sam 跟 Shaan 對「如何打破自己的思考框架」「怎麼當一個 king maker」的閒聊，很適合通勤時整集聽完感受他們的拆解節奏。想更深入規模經濟共享的，Nick Sleep 那批傳奇的合夥人信件已經集結成 《Nomad Letters》，裡面對 Costco、Amazon 護城河的逐年觀察，比任何二手摘要都值得一讀。
AI 正在大量砍掉理財業的『內勤職』，但理專人數到 2033 反而成長 17%——Bloomberg 與 BLS 數據揭穿切線在哪
「AI 到底會不會取代我？」這個問題，過去一年被問到爛了。多數的回答都停在哲學層次——判斷力護城河、task 還是 job、信託責任⋯⋯講得很漂亮，但你聽完還是焦慮，因為它們都沒給你一個數字。 2026 年 6 月 5 日，Bloomberg 發了一篇專題，同一天 InvestmentNews 跟了一篇評論。這兩篇罕見地不講玄學，直接把硬就業數據攤在桌上。結論很反直覺：AI 確實正在大量砍人——但砍的不是坐在客戶對面的那個人，而是坐在他背後的整個內勤層。 這篇想做的事很簡單：把「AI 取代哪一層」這個抽象框架，翻譯成一條你看得見、量得出來的切線。看完你會知道自己現在站在哪一邊，以及該往哪一邊移動。 17 分鐘搬完幾萬個帳戶：AI 吞掉的是「事務層」，不是「你」 先看一個具體到讓人發毛的案例。 券商平台 Cambridge Investment Research 把一件原本要「一整個團隊」處理的工作——當公司挖角一位顧問過來、要把他名下成千上萬個客戶帳戶從舊東家轉移過來——交給 AI 去跑。 過去這是出名的苦差事：核對資料、填表、來回確認、處理例外。一個團隊埋頭做要花上好幾天。 AI 跑完，用了 17 分鐘。 InvestmentNews 把這類被吃掉的工作講得很白："It's replacing the labor of back office workers who oversee the transfer of accounts... it's replacing the tedious task of filling out forms when clients buy specific products like annuities." （它取代的是監督帳戶轉移的後勤人力⋯⋯取代的是客戶購買年金這類特定商品時、那些填表的繁瑣工作。）帳轉、年金文書、表單、合規核對、客服電話——注意這些工作的共同點：它們有標準答案、可以被流程化、不需要看著客戶的眼睛。這正是 AI 最擅長吞的東西。Cambridge 的 17 分鐘不是奇蹟，它是這條切線最清楚的示範：凡是「對著表單做」的工作，正在以指數速度蒸發。 BLS 的硬數據：理專人數逆勢成長 17%，被砍的是表單不是關係 如果 AI 真的在大砍理財業的人，那理財顧問的就業數字應該往下掉才對。 結果完全相反。 根據美國勞工統計局（BLS）的官方預測，個人理財顧問（personal financial advisors）的人數，會從 2023 年的 32.1 萬人，成長到 2033 年的 37.59 萬人——增幅 17.1%，遠高於所有職業的平均成長率。BLS 還估計，這十年間平均每年會釋出約 2.7 萬個理財顧問職缺。 更值得玩味的是，BLS 在另一份專門分析 AI 衝擊的報告裡，把理財顧問列為「會受到 AI 影響、但人數依然高速成長」的職業之一。也就是說，AI 影響它、卻沒有縮減它。 為什麼？BLS 給的成長動能講得很直白：嬰兒潮世代大規模退休、壽命延長、退休期變長，會有愈來愈多人需要有人陪他規劃這輩子剩下的錢。而這件事，恰恰是 AI 接不住的。 把兩組數字疊在一起，那條切線就浮出來了：內勤事務層（帳轉、文書、客服、合規）——被 AI 大量吞噬，人力下滑。 客戶關係層（理解人生、處理焦慮、陪做重大決定）——逆勢擴張，未來十年多開 5 萬個位子。同一個產業，兩條完全相反的曲線。問題從來不是「理財業會不會被 AI 取代」，而是「你把自己的時間，主要花在哪一層」。 股市用腳投票，但它投錯了對象 市場其實早就嗅到這條切線——只是它一開始投錯了。 2026 年初，雲端券商平台 Altruist 推出一個 AI 稅務規劃工具（內建在它的 Hazel 平台上）。這工具能直接讀客戶的 1040 報稅表、薪資單、帳戶對帳單、會議筆記、甚至 email，然後套上稅務邏輯，自動生出一份個人化的稅務策略——幾乎不用人手動輸入。 消息一出，投資人立刻拋售理財平台類股：LPL Financial 當天重挫 8.3%、Charles Schwab 跌 7.4%，Raymond James 也同步跳水。市場的恐懼很直接：如果 AI 能把報稅、稅務規劃這種「專業服務」自動化，那這些平台靠收費維生的商業模式，是不是要被重估了？ 但 InvestmentNews 的評論點出市場其實搞錯了重點：被重估的是平台層、事務層——那些靠「處理流程、收手續費」賺錢的環節。真正坐在客戶對面、靠關係與判斷創造營收的顧問本身，並沒有變得更不值錢，反而因為事務被 AI 接走、得以騰出更多時間做高價值的事。 換句話說，股市那一跌，跌的是「填表的人」和「靠填表收費的平台」，不是「陪你做決定的人」。市場一開始把這兩者混為一談，所以反應過度了。 真正的切線：把時間從「文書層」搬到「關係層」 把這幾組證據連起來，這篇文章真正想翻譯的方法論其實只有一句話： 你的安全感，不取決於你會不會被 AI 取代，而取決於你每天的時間，落在切線的哪一側。 很多業務員嘴上說自己是做「關係」的，但攤開行事曆——填要保書、跑核保、對帳、回 LINE 確認資料、處理保全變更——一週七成的時間，其實都耗在切線「被吞掉的那一側」。這很危險，因為這正是 17 分鐘案例要吃掉的部分。而那些真正會讓 BLS 數字成長的工作：坐下來陪一個剛喪偶的客戶重排現金流、在客戶換工作時提醒他別斷了保障、在他孩子出生那週主動打一通電話——這些佔的比重，反而少得可憐。 切線不會等你。你不主動把時間從文書層搬到關係層，AI 會替你把文書層「清空」——只是那時候被清空的，連同坐在那張椅子上的你。 好消息是，這條切線是雙向的。每一件被 AI 接走的事務，理論上都該換來你多一個鐘頭，可以拿去做機器做不到、而且市場需求未來十年只增不減的事。Bloomberg 與 BLS 給的不是一張裁員名單，而是一張搬家地圖：被自動化的不是這個行業，是這個行業裡「對著表單」的那段時間。 別再問 AI 會不會取代你。問你自己：明天早上九點，你要把那個小時，花在哪一側？📎 Bloomberg 6/5 的原始專題還訪了多家券商與顧問本人，細談他們怎麼在內勤崩塌的同時重新定位自己的角色；InvestmentNews 的評論則更尖銳地拆解了「為什麼市場一開始投錯了對象」。想看完整的 BLS 數字與成長動能，可以直接讀 BLS 對個人理財顧問的官方職業展望，以及它專門談 AI 衝擊的就業預測報告——這兩份政府資料，是你下次再被「AI 要取代你了」嚇到時，最值得收藏的定心丸。
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。