Showing Posts From
Ai
AI 不會讓你失業，它會把你這份工作的門檻往上抬——Box 執行長 Aaron Levie 的『Jevons 悖論』怎麼讀？
打開任何一個財經社團，關於 AI 的貼文幾乎清一色是同一種情緒：焦慮。「AI 會不會取代業務員？」「保單試算被自動化了我還剩什麼？」這半年我讀了太多這類文章，方向幾乎一面倒——先嚇你，再賣你一個護城河。 所以當我聽到 Box 執行長 Aaron Levie 在 2026 年 7 月 2 日的 My First Million 這一集（主持人 Sam Parr 與 Shaan Puri）講出一套「反向樂觀」的框架時，我停下來重聽了三次。他沒有安慰你，他遞給你一把尺。 Aaron Levie：用一個 19 世紀的經濟學悖論，把「AI 焦慮」翻譯成「標準升級」 Levie 是那種你會想聽他講 AI 的人——他不是自媒體，是真的在賣 AI agent 給企業、每天看著客戶怎麼用的執行長。他在 LinkedIn 的長文〈Jevons Paradox for Knowledge Work〉（2026 年）裡，把整個 AI 對工作的衝擊，濃縮成一個大多數人沒聽過的概念：Jevons 悖論（Jevons Paradox）。 這個悖論來自 19 世紀的英國經濟學家 William Stanley Jevons。他發現：當蒸汽機讓燒煤變得更有效率、每單位產出用的煤更少之後，英國的煤炭總消耗量不但沒下降，反而暴增。為什麼？因為煤變「划算」了，於是原本因為太貴而不會啟動的用途——工廠、鐵路、鋼鐵——全部一起冒出來，需求整個被打開。 效率提升，不會讓需求萎縮；它會讓需求爆炸。 這就是 Levie 拿來看 AI 的那把尺。 核心邏輯：AI 每做掉一份工作的一部分，這份工作的「定義」就往上長一層 Levie 最狠的一句話是這個："Even as AI progresses to accomplish more of an entire workflow, we will simply expect more from the work that we're doing. Ultimately ensuring that today's jobs are tomorrow's tasks." （即使 AI 進步到能完成整個工作流程裡越來越多的環節，我們也只會對自己產出的『工作』要求更高。最終的結果是：今天的『一份工作』，會變成明天的『一個任務』。）讀慢一點。他說的不是「AI 幫你分擔工作量」，而是「AI 把整個標準往上抬」。你今天要花一整天做的事，明天會被壓縮成一個按鈕；但你不會因此提早下班，你會被期待去做那些過去根本不會啟動的事。 他舉了一個實證的例子。1970 年代的美國，行銷相關職位大概只有幾十萬人；到了今天，是好幾百萬人。中間發生了無數次「效率革命」——CRM、分析軟體、設計工具、投放平台——每一次都號稱要取代人力。結果呢？職位不減反增五倍以上。因為工具讓行銷變便宜、變簡單，於是原本請不起行銷的小店、小公司，全部都開始做行銷了。需求被工具打開，而不是被工具吃掉。 然後他把這句話對準了知識工作者："The vast majority of AI tokens in the future will be used on things we don't even do today...the software projects that wouldn't have been started, the contracts that wouldn't have been reviewed, the medical research that wouldn't have been discovered." （未來絕大多數的 AI 運算，會被用在我們今天根本不做的事情上……那些原本不會被啟動的軟體專案、原本不會被審的合約、原本不會被發現的醫學研究。）這就是那把尺的刻度：AI 省下來的時間，不是拿去放假的，是拿去把「這件事該做到什麼程度」的標準整個抬高的。 技巧一：把你的工作拆成「舊定義」與「被抬高後的新定義」兩層 做法： 拿一張紙，把你現在做的事分成兩欄——「AI 明年就能做掉的」和「AI 做掉之後，我該補上的更高一層」。 這不是抽象的思考練習，是一個很具體的動作。以保單規劃為例：舊定義（會被做掉的）：試算保費、比對條款、整理需求摘要、寫文書、回覆「這個理賠賠不賠」的標準問題。 被抬高後的新定義（你該補上的）：判斷這個家庭三年後的現金流會不會崩、在客戶自己都說不清楚需求時幫他把問題問對、處理那些沒有標準答案的複雜個案、以及承擔「如果建議錯了，是我負責」的責任。Levie 的框架告訴你的殘酷真相是：如果你的工作內容，全部落在左邊那一欄——那 AI 確實會取代你。但這不是因為 AI 太強，是因為你從來沒有把自己的工作定義往上抬過。門檻抬高的時候，站在原地就等於後退。 技巧二：把 AI 當成「需要你給脈絡的實習生」，而不是「會自己交件的外包」 做法： 每次用 AI 前，先問自己「這個任務缺的脈絡是什麼，只有我知道？」——那個部分，就是你不可取代的價值。 Levie 在文章裡特別澄清了一件事，這點很多 AI 樂觀論者不敢講：AI agent 不是丟進去就會產出價值的。他說，把這些被自動化的任務「串進一個更大的工作流程去產生真正的價值，仍然需要人的判斷，還有大量的力氣（a ton of effort）」，因為 AI agent 需要「管理、監督，以及大量的脈絡（substantial context）才能發揮全部的效益」。 翻成白話：AI 很會做「一個任務」，但它不知道這個客戶上個月剛離婚、他嘴上說要高報酬其實半夜睡不著、他媽媽的長照費用是全家不能說的秘密。這些脈絡，是你坐在客戶對面三年才累積出來的東西。AI 的產出品質，上限就卡在「你餵給它的脈絡」有多深。 所以真正的分水嶺不是「你會不會用 AI」，而是「你手上有沒有 AI 拿不到的脈絡」。前者一個週末就能學會，後者是你這份工作真正的護城河。 技巧三：用「Jevons 尺」重讀每一則 AI 恐嚇文 做法： 下次再看到「AI 取代 XX 職業」的貼文，把它翻譯成一個問句——「這件事變便宜之後，會打開哪些過去沒人做的需求？」 這是我覺得 Levie 這套框架最實用的地方：它是一副眼鏡。戴上它，你看 AI 新聞的視角會整個翻轉。 「AI 能秒算保單」→ 那些過去嫌麻煩、根本不做規劃的一般家庭，現在有沒有可能開始想做了？市場是不是被打開了？ 「AI 能寫出 80 分的衛教內容」→ 那 80 分變成免費之後，客戶會不會反而更渴望那個「只有真人才給得出來」的判斷與陪伴？ 需求從來不是固定的一塊餅。Levie 整篇文章要說服你的，就是這件事：你一直以為 AI 在跟你搶同一塊餅，但真相是,餅正在因為 AI 而變大，而且大出來的部分，是給那些願意把自己往上抬一層的人。 當然，這套框架不是無條件的安慰。它有一個很硬的前提：你得真的動起來，把自己的工作重新定義到更高一層。站在舊定義裡不動的人，Jevons 悖論救不了他。這把尺量的不是「AI 有多可怕」，而是「你有沒有跟著把標準抬上去」。📎 這篇只拆了 Levie 框架的骨架。My First Million 那一集（Ep. 838，2026 年 7 月）其實聊得更廣——他講到 Box 當年怎麼從消費性市場轉向企業市場、拒絕鉅額收購的心路、創業者的焦慮與看心理諮商的經驗，還有他自己看好的幾檔 AI 軟體股。想聽他完整的「反向樂觀」論調怎麼串起來，值得去聽整集 podcast；而想讀他把 Jevons 悖論寫成文字、附上更多產業數據的版本，直接看他那篇 LinkedIn 長文最完整。
你的客戶帶著 AI 給的膽量走進來——HSBC 兩萬人調查：49% 因為 AI 更敢冒險，真要下決定時只有 12% 信 AI
過去三年，幾乎每一份「AI 對財富管理的衝擊」報告都在問同一個問題：客戶會比較相信 AI，還是比較相信真人？這個問法本身就錯了。 HSBC 在 2026 年 6 月 24 日發布的「信任門檻」（The Trust Threshold）全球調查，委託 Ipsos 在 2026 年 1 月 6 日到 2 月 6 日訪問了 10 個市場（含台灣）共 9,993 名富裕與高資產投資人。它沒有去問「AI 還是人」，而是問了一個更聰明的問題：在客戶決策旅程的哪一個點上，他相信誰？ 答案揭開了一個全新的客戶行為位移——而這個位移，正好畫出了你佣金真正的來源。 HSBC「信任門檻」：客戶在探索時信 AI，在下手時信你 先看這道門檻有多陡。HSBC 問受訪者：你上一個投資想法是從哪裡來的？真人專業與機構佔 62%，AI 佔 32%。差距已經存在，但還沒到誇張。 真正的斷崖在下一題：你上一筆「實際決定」，最具影響力的因素是什麼？真人專業跳到 37%，而 AI 掉到 12%——整整三倍的落差。在美國市場這個數字更極端，只有 7% 的人說 AI 驅動了他們上一次的重大決定。"Clients use AI to explore options, but value judgment, context, and accountability from trusted advisers." （客戶用 AI 去探索各種選項，但他們真正看重的，是值得信任的顧問所提供的判斷、脈絡與當責。） ——Barry O'Byrne，HSBC 國際財富與卓越理財業務執行長，2026 年 6 月這就是「信任門檻」的核心邏輯：客戶的信任不是一個總分，而是一條會在「下決定那一刻」突然抬高的門檻線。探索階段，門檻很低，AI 暢行無阻；可一旦要把錢真的押下去，門檻瞬間升起，AI 被擋在外面，客戶回頭找人。 「被 AI 灌了膽」的客戶：49% 更敢冒險、51% 更有掌控感 過去客戶來找你，常常是因為他「不懂、不敢、沒方向」。現在不一樣了。 HSBC 的數據顯示，AI 改變的不只是客戶的資訊量，更是他的心理狀態：49% 的人說 AI 讓他們更願意承擔可計算的風險、51% 覺得對自己的投資更有掌控感（只有 26% 覺得失控）、20% 說 AI 降低了投資的「被嚇到」感。而在 Z 世代與千禧世代身上，這股膽量更猛——分別有 59% 與 58% 說自己更敢冒險。 換句話說，走進你辦公室的那個客戶，已經被 AI 灌飽了膽量。 他帶著一堆從 ChatGPT 挖來的想法、一張自己跑出來的資產配置、一個「我覺得現在該 all-in 半導體」的結論。他不是來請你掃盲的，他是來請你驗證他壯起來的膽子到底該不該壯的。 這是業務員角色的根本位移：你不再是「資訊的提供者」（那個位置 AI 已經佔了），你變成「站在信任門檻上的那個人」——在客戶要下手的瞬間，提供判斷、驗證與煞車。 把「信任門檻」變成三個你能交付、AI 給不了的東西 HSBC 同一份調查問了一個關鍵問題：客戶到底看重顧問的什麼？答案剛好就是門檻線那一邊、AI 跨不過去的三件事。 一、安心感（Reassurance）——80% 的人排第一 做法： 不要急著證明你比 AI 算得準，而是讓客戶在按下決定鍵之前感覺到「有人在這裡兜底」。 高達 80% 的受訪者把「安心感」列為顧問最重要的價值，遠高於其他項目。這不是軟性的客套，這是門檻最高、AI 最給不出來的東西——因為安心感的本質是當責（accountability）：AI 給完建議就消失，沒人為錯誤負責；而你的名字、你的執照、你的關係，都壓在這筆決定上。 當客戶說「我用 AI 跑過了，它說這樣配沒問題」，最弱的回應是「我幫你再算一次」。最強的回應是：「數字它算得很好。我想跟你確認的是——如果明年市場真的腰斬，這個配置會讓你睡不著，還是還睡得著？這一題 AI 沒辦法替你回答，但我會陪你想清楚。」你把對話從「算術」拉回「承擔」，那正是門檻的這一側。 二、策略專業與驗證（Strategy & Validation）——72% 與 32% 做法： 把客戶帶來的 AI 結論，放進他「整張人生財務地圖」裡檢查，而不是孤立地評價那個結論本身。 72% 的客戶看重顧問的策略專業，32% 明確說要顧問來「下判斷與驗證」。客戶用 AI 算的，往往是一個局部最佳解——這支基金好不好、這個比例合不合理。但他沒有的是全局：這筆錢和他三年後要付的學費、五年後想換的房子、退休後的現金流，是不是打架。 AI 給的是答案，你給的是「這個答案放在你身上對不對」。當客戶拿著一個漂亮的回測來，你要做的不是挑回測的毛病，而是問：「這個策略假設你十年不動它，但你前年才跟我說想三年內買房——這兩件事我們得先對一下。」 三、抓出 AI 的錯誤（Catching AI Errors）——29% 的人明說要 做法： 把「驗證 AI」變成一個你主動提供的服務環節，而不是等客戶踩雷才補救。 這是最被低估的一格：29% 的受訪者直接說，他們希望顧問幫忙抓出 AI 生成內容裡的資料錯誤，另有 28% 要顧問幫忙把複雜資料個人化。AI 會自信地給出過期的稅率、虛構的條款、張冠李戴的數字——而客戶往往沒有能力分辨。 你可以把這件事直接搬上檯面：「你用 AI 查到的這幾點，我幫你核對一下哪些是現在還有效的、哪些它記錯了。」這一句話，瞬間把你從「跟 AI 競爭的人」變成「替客戶監督 AI 的人」——而後者，是 AI 結構上不可能自己扮演的角色。 台灣座標：相對保守的 43%，更需要那道煞車 這份調查對台灣讀者有直接意義。台灣有 43% 的投資人說 AI 讓他們更敢承擔可計算的風險——這個數字低於印度（64%）、阿聯（63%）、馬來西亞（54%）、香港（53%），被 HSBC 歸類為「相對保守」的市場，與美國、新加坡、英國同一檔。 別把「保守」讀成「AI 影響小」。它的真正含義是：台灣客戶在跨過信任門檻時會更猶豫、更需要那一句「我覺得可以」或「我覺得再等等」。換句話說，門檻這一側的真人判斷，在台灣的權重只會更高，不會更低。 客戶被 AI 灌的膽，到了下手那一刻會自己縮回來，而那個縮回來的瞬間，就是他最需要你的時候。 整份報告其實在傳遞一個很反直覺的好消息：AI 越強，客戶探索得越多、想法越大膽，被推到門檻邊緣的客戶就越多。AI 負責把人帶到河邊，而過不過河、什麼時候過，仍然是人在決定要不要拉客戶一把。你的工作從「把水送到客戶面前」變成「站在河邊那個值得託付的人」——這一格，正是 HSBC 兩萬人用數據幫你圈出來的、AI 跨不過去的護城河。📎 這篇只拆了「信任門檻」最核心的決策落差與三項顧問價值，但 HSBC 的完整新聞稿還有更多值得細看的數字：各世代使用 AI 的比例（Z 世代高達 86%）、客戶把多少投資報酬「歸功」給 AI（平均 33%，高資產族群更達 39%），以及 10 個市場逐一的風險偏好對照。如果你想把這套框架套進自己的客戶名單，建議直接讀原文，把你客戶所在世代與市場的那一格數字標出來——那會是你下一次面談最好的開場座標。
你在團隊裡用 AI 省下的那些『讓菜鳥做的雜事』，正在悄悄殺掉你 5 年後的接班人——Kitces 給的不是危言聳聽，是會計業 25 年前活生生的劇本
5 月 15 日 Michael Kitces 在 ThinkAdvisor 投書 一篇看似在唱反調的文章。整個產業正在歡呼「AI 終於可以讓一個顧問服務更多客戶」，他卻問了一個沒人想聽的問題："How are entry-level advisors supposed to become experienced if all entry-level tasks are eliminated?" （當所有入門工作都被消滅之後，新人到底要怎麼變成老手？）這個問題對台灣保險業團隊長尤其刺耳。多數團隊現在最頭痛的事情就是「增員難」、「年輕人留不下來」，多數人把它歸因於「世代差異」、「年輕人不能吃苦」。但 Kitces 給了一個更不舒服的框架：是你親手把新人的成長階梯拆掉了。 Kitces 的反直覺論點：AI 不是替代你，是先拆掉你的接班樓梯 Kitces 在那篇 5/15 投書裡描述了一個畫面，他說那是「weirdly dystopian」（怪異得近乎反烏托邦）：未來的顧問花 80% 時間都在跟客戶開會，剩下 20% 在「審視 AI 已經做好的決策」。聽起來很爽——終於不用做雜事了——但他立刻接著問：那新人在哪裡？ 傳統上，一個壽險業務員或顧問是這樣成長的：先做最簡單的「資料蒐集」（call 客戶問家庭狀況、整理保單）、然後「提案撰寫」（依照學長的範本改）、再來是「跟件」（送件、追件、處理體檢通知）、最後是「簡單的稅務或理賠協助」。這些工作枯燥、低利潤、沒有「sexy」可言——所以一旦 AI 能做，老闆們的第一反應就是「把這些通通自動化掉」。 問題是，Kitces 點出來：這些枯燥的工作，正是新人把「書本知識」變成「肌肉記憶」的唯一管道。 你不可能讓一個剛入行的人直接跟 HNW 客戶談退休現金流策略，他必須先做過 50 份提案、追過 30 件體檢、處理過 10 個複雜理賠，他才能在客戶面前說出有判斷力的話。 當你把這 50 份提案交給 AI 做完，恭喜你，你今年的人均產能上升了。但你也同時砍掉了下一代「判斷者」的養成路徑。 TurboTax 劇本：會計業 25 年前親手把自己的人才管線燒掉 Kitces 的論點之所以難以反駁，是因為他不是在預測未來，他是在指一個已經發生過的真實案例：美國會計業。 1990 年代末，Intuit 推出 TurboTax，把「簡單個人報稅」自動化了。當時 senior partner 的反應是什麼？跟現在保險業老闆對 AI 的反應一模一樣——「太好了，我們不用再讓菜鳥浪費時間做這些簡單的 1040 報稅了，可以把他們直接拉去做複雜的企業稅務」。 聽起來很合理。結果呢？根據 UCLA Anderson Review 的研究，2009 到 2019 這 10 年，美國「會計類軟體投資」越多的公司，雇用會計師的支出反而越少——軟體不是讓會計師更有產能，而是直接取代了他們的初階職缺。 25 年後的今天，美國發生了什麼事？比 5 年前少了 34 萬名會計師 全美只剩 160 萬名會計師 報考 CPA 的人數創 2006 年以來新低 多州被迫修法降低 CPA 的學歷門檻（從 150 學分降回 120 學分），因為再不降，整個產業要崩盤最諷刺的是，會計類學生人數的下滑速度，跟「會計軟體投資成長速度」幾乎完全反向。年輕人不是笨——他們看見學長學姐在做的工作正在被軟體取代，理性的選擇就是去學金融、去學資工、不要進這個被自動化掉的行業。 Kitces 的警告就是這句話：壽險與顧問業正在 25 年後的路徑上，走得比會計業還要快。 為什麼這次比 TurboTax 還要嚴重：6-12% 的時間節省 vs. 100,000 的人才缺口 很多人會說「但 AI 不一定會這麼快取代啊」。Kitces 引用的 McKinsey 報告給了一個冷酷的數字：他們估計就算 10 年後，gen-AI 工具給顧問業帶來的時間節省也只有 6% 到 12%——一點也不誇張，根本沒有「一人取代十人」這回事。 但同一份報告也指出：美國顧問業未來 10 年的人才缺口會達到 10 萬人。 把這兩個數字放在一起看，你就會看到 Kitces 真正擔心的東西：產業需要的新血是 10 萬人，AI 能補的產能缺口只有 10%。 你用 AI 自動化掉了 50% 的入門工作（因為這部分最簡單最容易被取代），但 AI 只還給你 10% 的整體產能。剩下 40% 的缺口，本來應該由新人來填，現在卻沒有人願意進來。 Kitces 在 Kitces.com 5 月 AdvisorTech 月報 裡也直接點名一個案例：Savant Wealth Management 宣稱他們的新 AI agent 會讓每個員工「產能翻倍」。Kitces 的評論很不留情面：「There's no evidence so far of AI generating anywhere near that kind of a productivity boost」（目前完全沒有任何證據顯示 AI 能帶來這種規模的產能提升）。 換句話說，老闆們正在用一個「翻倍」的幻覺，去合理化「砍掉新人成長階梯」這個決定。 團隊長現在能做的三件事：重新設計『AI 時代的新人成長階梯』 讀完 Kitces 的論點，你不應該得到的結論是「所以不要用 AI」。產業競爭壓力下，你不用，你的對手會用。真正的結論是：新人的成長階梯需要重新設計，因為舊的那條已經被 AI 拆掉了。 把「執行任務」換成「驗證任務」（Verify, Don't Execute） 做法： 過去新人做提案，學的是「怎麼把資料變成提案」。現在 AI 30 秒生成提案，新人要學的不是「重做一次 AI 已經做過的事」，而是「找出 AI 哪裡做錯了」。 具體情境：客戶資料丟給 AI，10 秒鐘吐出建議組合。團隊長交給新人的任務不是「你也做一份比較」，而是：「這份建議書裡有 3 個地方是錯的，你找出來。」 新人要學會什麼？他要看懂保單條款的細節、要記得這個客戶 3 個月前提過想要早期退休、要意識到 AI 沒考慮到他另一半剛換工作。這些「判斷力」過去是靠「自己做 50 份提案」累積出來的，現在必須換成「驗證 50 份 AI 提案」來練。 把「跟件流程」換成「異常處理」（Handle Exceptions, Not Norms） 做法： AI 處理 80% 的標準流程是好事，但 20% 的異常案例就是新人的訓練場。明確地把這 20% 留給新人，而不是讓資深業務「順手」處理掉。 舉例：體檢報告回來顯示客戶有 1 項以上的核保疑慮，AI 系統會自動把件擋下來。這個時候，不要讓資深的 case manager 直接打電話給客戶——把它交給新人，讓他們去處理那場尷尬的對話、去理解為什麼核保部門會質疑、去學怎麼跟客戶談「我們可能要重新設計這份保單」。 這 20% 的「不舒服場景」才是壽險業務真正值錢的肌肉。AI 處理掉的那 80%，本來就學不到什麼東西。 把「績效里程碑」換成「判斷力里程碑」 做法： 過去新人的成長路徑用「件數」、「FYC」量化。在 AI 時代，這些指標越來越容易被工具放大——一個會用 AI 的新人，產能可能瞬間追上資深業務，但他的判斷力其實還是新人。 重新設計里程碑：不是「累積到 50 件」才晉升，而是「獨立處理過 X 個複雜核保案件」、「拒絕過 Y 個不適合的客戶」、「在 AI 建議錯誤時做出 Z 次正確判斷」。 這個改動最痛苦，因為老的 KPI 是「結果可量化、容易管理」，新的 KPI 是「過程要評估、需要主管真的看每一個案例」。但這是唯一能在 AI 時代保住「判斷者」這個位置的方式。Kitces 這篇投書沒有給溫情的安慰。他真正想說的是：產業的下一個 10 年，不是缺 AI 工具，是缺人。而你今天每一個「讓 AI 做掉新人工作」的決定，都在加速這個缺口的擴大。 會計業已經修法降門檻了。壽險與顧問業還有時間，但前提是團隊長要意識到：你管的不是「今年的產能」，你管的是「5 年後還有沒有接班人」。📎 完整論點建議直接讀 ThinkAdvisor 5/15 原文，Kitces 在文章後半還討論了「為什麼大型 RIA 比獨立顧問風險更高」、以及他對 McKinsey 報告中「100,000 advisor shortage」數字的拆解——這篇沒有覆蓋到。會計業 25 年前的數據細節，可以看 UCLA Anderson Review 的研究報告，裡面有 2009-2019 軟體投資 vs. 會計師雇用的完整迴歸分析。如果你想追蹤 Kitces 對顧問業 AI 趨勢的持續觀察，他的 AdvisorTech 月報系列 是業內最完整的工具評析來源。
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。
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。
Jeb Blount：AI 時代的三種業務員，只有一種能活下來
你的信箱裡是不是越來越多那種「一看就知道是 AI 寫的」開發信？千篇一律的開頭、假裝很熟的語氣、永遠在第二段問你「有沒有時間聊十五分鐘」。 Jeb Blount 說，發那種信的業務員，正在親手毀掉自己的職涯。 Jeb Blount：17 本銷售書作者，全球最大銷售 Podcast 主持人 Jeb Blount 是 Sales Gravy 的創辦人兼 CEO，也是全球下載量最高的銷售 Podcast《Sales Gravy》的主持人。他寫過 17 本銷售相關的書，其中《Fanatical Prospecting》幾乎是每個英語系國家業務人員的必讀書目，講的是為什麼「瘋狂開發」才是業績的根本。 2024 年 9 月，他和另一位銷售大神 Anthony Iannarino 合著了《The AI Edge》，專門談業務員該怎麼用 AI 來賣更多，而不是被 AI 取代。2026 年 3 月，他在 Sales Gravy Podcast 的一集〈The AI Edge: How to Use Technology Without Losing Your Human Touch〉裡，把這套觀點濃縮成一個很直覺的框架：AI 時代的三種業務員。 核心觀念：AI 不會殺死業務，但會嚴厲懲罰平庸 Blount 的立場很明確：AI is not going to kill sales, but it is absolutely going to punish mediocrity. 這句話的重點在後半段。AI 不是來搶你的工作的，它是來放大差距的。好的業務員用 AI 變得更強，平庸的業務員用 AI 變得更顯眼地平庸——因為客戶現在收到的垃圾開發信比以前多了十倍，對制式內容的容忍度已經降到零。 在同一集裡，他還丟出一個很精準的觀察：在 AI 能提供無限情報（intelligence）的時代，真正稀缺的東西是智慧（wisdom）。情報是知道客戶公司剛融了一輪、智慧是知道該在什麼時機、用什麼方式提起這件事。AI 可以幫你做前者，但後者只有人能做。 第一種：被取代的業務員 這種人的工作模式，本質上就是一台效率不高的機器：照著腳本打電話、用範本發信、把客戶資料從 A 系統搬到 B 系統。 Blount 的判斷標準很簡單：如果你的工作內容可以被寫成一套 SOP，那 AI 就能做，而且做得比你快、比你便宜、比你不會請假。 這不是假設，而是正在發生的事。越來越多公司把 SDR（銷售開發代表）的初階工作交給 AI agent 處理。被取代的不是「業務員」這個角色，而是「只會執行流程」的那種業務員。 最危險的信號？你每天花大部分時間在做的事，不需要判斷、不需要讀人、不需要隨機應變。 第二種：抗拒的業務員 這種人的反應是把頭埋進沙子裡，假裝 AI 不存在。他們的邏輯是：「我做業務做了二十年，靠的是關係和直覺，那些都是 AI 學不會的。」 Blount 同意關係和直覺很重要——但他不同意這是你可以不學新工具的藉口。 抗拒型業務員的問題不是他們的技能過時，而是他們的效率正在被拉開。當你的競爭對手用 AI 在十分鐘內研究完一個客戶的產業背景、最近的法說會內容、LinkedIn 上發過的每一篇文章，然後帶著這些洞察走進會議室的時候，你還在靠「我跟他很熟」吃老本。 關係確實是 AI 取代不了的護城河。但光有關係，沒有效率和深度準備，護城河會越來越淺。 第三種：把 AI 當力量放大器的業務員 這是 Blount 認為唯一能長期勝出的那種。 他在 Podcast 裡分享了自己怎麼用 AI：用它來更快地準備（prepare faster）、更聰明地寫東西（write smarter），然後把省下來的時間花在只有人能做的事——建立連結、解讀現場氣氛、在對的時刻說對的話。 「The reps who survive and thrive will be the ones who use technology as a force multiplier without losing their humanity in the process.」（能存活並且勝出的業務員，是那些把科技當成力量放大器，同時不在過程中失去人性的人。） 這裡的關鍵字是「force multiplier」（力量放大器），而不是「replacement」（替代品）。差別在哪？ 用 AI 當替代品的人，讓 AI 幫他寫開發信然後直接發出去。結果那封信跟其他一千封 AI 信長得一模一樣，收件者直接封鎖。 用 AI 當放大器的人，讓 AI 幫他整理客戶情報、起草初稿、模擬可能的反對意見，然後自己加入判斷、個人風格和時機感，寫出一封只有他能寫的信。 Blount 在書裡提出了一個叫「三個 A」的框架來描述這個過程：Adopt（採用）：先接受新工具的存在，願意試 Adapt（適應）：把 AI 融入自己的銷售流程，找到自己的用法 Adept（精通）：反覆練習到 AI 的使用變成第二天性聽起來很基本？但 Blount 的觀察是，大多數業務員卡在第一步和第二步之間——他們可能試過 ChatGPT，覺得「也就那樣」，然後就放棄了。真正的競爭優勢來自第三步：你用 AI 用到不需要思考怎麼用的程度。 AI 開發信的陷阱 Blount 在 2026 年 3 月的 Podcast 裡特別點名了一件事：AI-generated emails are not just getting deleted — they are getting you blocked and costing you access to prospects permanently. AI 寫的開發信不只是被刪掉。它們讓你被封鎖，永久失去接觸那個潛在客戶的機會。 為什麼？因為當每個人都用 AI 生成「個人化」的開發信，這些信反而變得最不個人化。收件者一眼就看得出來，他們的反應不是「這封寫得不好」而是「這個人連寫信都懶得自己來，他真的在乎我的生意嗎？」 這是一個反直覺的結果：AI 讓制式溝通的成本降到幾乎為零，但同時也讓制式溝通的效果降到幾乎為零。在每個人都能用 AI 寫出「看起來還不錯」的信的世界裡，只有真正投入心力的溝通才能突圍。 智慧 vs. 情報 Blount 在這集裡提出的另一個區分也很值得記住：wisdom is scarce in a world of unlimited intelligence. 在 AI 以前，掌握情報本身就是競爭優勢。你知道客戶公司的組織架構、最近的策略方向、關鍵決策者的背景——光是知道這些，你就贏了一半。 現在？任何人花五分鐘就能用 AI 查到這些。情報不再稀缺。 稀缺的是智慧——知道這些情報以後，判斷該怎麼用。什麼時候提？怎麼提？用什麼脈絡包裝？配合什麼時機？這些判斷需要經驗、需要對人的理解、需要在現場讀出那些沒被說出口的訊號。 這也是為什麼 Blount 認為第三種業務員會贏。他們用 AI 獲取情報（這個步驟比以前快了一百倍），但用自己的智慧來決定怎麼行動。AI 負責「知道什麼」，人負責「知道怎麼做」。 這不是一個關於 AI 的故事。這是一個關於你選擇成為哪種人的故事。📎 Jeb Blount 的 Sales Gravy Podcast 幾乎每週都有新集數，是英語系銷售圈最有影響力的 Podcast 之一。這篇談的「三種業務員」框架來自他和 Anthony Iannarino 合著的《The AI Edge》。如果你還沒讀過他更經典的《Fanatical Prospecting》，那本講的是所有技巧之前最重要的事——開發量。兩本搭配著看，會對「AI 時代業務員該怎麼活」有更完整的理解。
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。