Showing Posts From
自動化
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。