Showing Posts From
Ai 趨勢
別再問『AI 能取代我幾成工作』——20 年最清醒的科技分析師 Benedict Evans 給你一把新的尺：task 還是 job？
每隔一段時間，就有人轉一張圖給你：「某某研究指出，業務這份工作有 73% 的內容可以被 AI 自動化。」你盯著那個數字，心裡一沉。 然後你打開另一篇報導，看到的安慰是：「別擔心，AI 取代不了人與人的溫度。」這句話聽起來很好，但它沒有給你任何可以拿來做決定的東西。一邊是精確到小數點的恐嚇，一邊是空泛到無法反駁的安慰。兩邊都沒用。 Benedict Evans 是過去 20 年公認最清醒的科技分析師之一（前 a16z 駐點分析師，每年的趨勢簡報是矽谷固定收看的節目）。2026 年 5 月底他上 Lenny's Podcast，沒有打雞血，也沒有講玄學。他只是把那個讓所有人焦慮的問題，換了一個問法——而光是換問法，整件事就清楚了。 Benedict Evans 的反框架：讓你停止焦慮的，不是答案，是換一個問題 Evans 對 AI 現況的定調是「這是 AI 的 1997 年」。重要，規模約等於網路或行動裝置——但也就這麼大，而且充滿不確定性。在這個座標下，他認為大家問錯了問題。 大多數人問的是：「AI 能做我這份工作的百分之幾？」Evans 說，這個問題本身就是壞掉的。因為它預設了「工作」是一堆任務的加總，只要把任務一個個算掉，剩下的百分比就是你的剩餘價值。 但工作不是這樣運作的。他在 5 月的文章〈Predicting AI job exposure〉裡寫得很直白："Sometimes, of course, the job really is just a task, that can be turned into a button, but that's actually pretty rare." （當然，有時候一份工作真的就只是一個任務，可以被變成一顆按鈕——但這種情況其實非常罕見。）罕見。這兩個字是整篇文章的支點。真正該問的不是「百分之幾」，而是一個是非題：我做的這件事，是一個任務（task），還是一份工作（job）？ 任務 vs 工作：用顧問的 75 頁簡報，看懂這條界線在哪 Evans 在 Podcast 裡舉了一個會讓很多人臉紅的例子：一個管理顧問的工作，不是「產出一份 75 頁的投影片」。 那份 75 頁的簡報，是 task。AI 現在確實可以幾分鐘做出來。但顧問被請來解決的，從來不是「做出這份簡報」——而是「這家公司該不該併購、組織該怎麼重整、董事會吵了三個月的那件事到底該怎麼拍板」。簡報只是把那個答案包裝出來的載體。 換句話說，task 是看得見的產出物，job 是產出物背後那團「沒人能完整講清楚、卻必須有人扛下來」的東西。Evans 形容真正的工作是："a complex mesh of things that we lack the capability to explain explicitly." （一團複雜交織的事，複雜到我們根本沒有能力把它明確地講清楚。）這句話對業務員特別有殺傷力，也特別有解放感。 殺傷力在於：你每天做的事裡，有一大塊其實是 task。整理保單比較表、把商品條款翻成白話、跑一份退休現金流試算、寄一封跟進信、回答「這個理賠賠不賠」——這些 AI 都做得到，而且會愈做愈好。你愈是把自己的價值建立在「我比別人更會整理資料」上，你愈危險。 解放感在於：客戶找你，從來不是為了那張比較表。他找你，是因為他正面對一團「沒辦法明確講清楚」的事——爸爸中風後家裡的財務該怎麼重新安排、夫妻倆對要不要幫小孩買終身險吵了半年、自己創業現金緊但又怕沒保障。這不是一個 task，這是一個 job。而 job，照 Evans 的判斷，「非常罕見」會被整包變成一顆按鈕。 做法：拿一張紙，把你上週實際做的事一條一條列出來。每一條只問一個問題——這是一個可以變成按鈕的任務，還是一團講不清楚的工作？兩邊都會有。重點不是哪邊多，而是你有沒有清楚意識到：你的時間，正在往哪一邊傾斜。 為什麼「會用 AI」救不了你：護城河在通路與情境，不在模型 Evans 的第二把刀，砍向一個很多人的逃生計畫：「那我趕快變成最會用 AI 的那個人就好了吧？」 他的論點是：價值正在從基礎模型（foundation model）往上層移動。模型本身會趨向商品化、利潤被壓平。他用了一個讓人印象深刻的歷史對照——行動通訊的電信商。 過去 25 年，全球電信商每年砸下大約 2,000 億美元蓋基地台、鋪網路，結果呢？智慧型手機革命創造的所有經濟價值，幾乎全部流向了 Apple、Google 和上層的應用程式公司，電信商自己的股東報酬接近於零。他們蓋了那條路，卻沒分到路上跑的錢。Evans 對模型實驗室丟出同一個問題："Why would they have pricing power?" （他們憑什麼有定價權？）如果連模型本身都沒有定價權，那「我會打 prompt」就更不可能是護城河——那只是會用那條被鋪好的路而已。Evans 的判斷是，價值會累積在掌握「通路（distribution）」和「特定使用情境（specific use cases）」的人手上。 把這句話翻成業務員的語言：模型是誰都能叫來的水電。真正稀缺的，是「客戶為什麼透過你、而不是透過一個 App 來解決這件事」的那個通路關係，以及「你比任何通用 AI 都更懂這個特定客戶、這個特定情境」的那層理解。前者是你二十年累積下來、別人插不進來的信任；後者是你坐在客戶對面，聽出他沒說出口的那句話。這兩樣，都不是模型，也不是 prompt 技巧。 專業服務不死的真正原因：它解的是「組織問題」，不是單點任務 最後一塊拼圖，Evans 用「為什麼 AI 公司自己反而帶動了顧問業大爆發」這個反直覺現象來收尾。 照理說，最該被 AI 取代的就是顧問——他們賣的不就是知識和分析嗎？但 Evans 觀察到的事實正好相反：愈多公司導入 AI，顧問業的需求愈旺。原因在於，專業服務解決的核心從來不是「資訊不足」，而是「組織問題」。 一家公司要不要導入 AI、流程該怎麼改、誰負責、舊系統怎麼接、員工會不會反彈——這些都不是「給我一個正確答案」就能解決的 task，而是一團牽涉到人、權力、時程、風險承擔的 job。AI 可以瞬間生出「理論上的最佳解」，但「讓這個解在一個有血有肉、會吵架會卸責的真實組織裡真的跑起來」，是另一回事。 Evans 在文章裡給了一個檢驗任何「AI 取代論」的測試，他稱之為報紙測試、Uber 測試、CPA 測試：報紙不是因為「記者這份工作變了」而倒，是因為網路改變了它的金流結構；計程車不是因為「開車這個任務被自動化」而被 Uber 顛覆，是因為科技換掉了底層的商業模式；而會計師——理論上最該被一個世紀的自動化淘汰的職業——人數反而一路上升。"would your approach have captured those effects?" （你的分析方法，當初抓得到這些效應嗎？）抓不到。因為這些都不是「某個任務被機器做掉了」這麼線性。同樣的，保險業務員會不會被取代，答案不在「AI 能不能算保費、能不能比保單」——它早就能了——而在於那團「複雜到講不清楚」的組織問題與人的問題，有沒有被誰更便宜地解決掉。 Evans 沒有給你一句安慰。他給的是一把尺。下次再有人轉「業務有 73% 會被自動化」的圖給你，你不用反駁，也不用焦慮。你只要拿出這把尺，把那 73% 攤開來看：哪些是 task，哪些是 job。被算進去的，多半是前者；而讓客戶非你不可的，從來是後者。 焦慮之所以無解，是因為「AI 能做我幾成」這個問題沒有答案。但「這是一個任務還是一份工作」——這個問題，你坐下來十分鐘就能回答。座標清楚了，路就清楚了。📎 這篇主要拆的是 Evans「task vs job」這把尺，但他在 Lenny's Podcast 這集（2026 年 5 月）聊的遠不只這個——包括他對基礎模型泡沫的判斷、AI 採用率在不同世代之間驚人的落差、以及為什麼他堅持「這是 1997 年，不是 1999 年」。如果你想看他把「無法預測哪些工作會被影響」這件事論證到底，他 5 月底的文章〈Predicting AI job exposure〉用報紙、Uber 與會計師三個案例把整套邏輯講得更透，很值得配著一起讀。
保險業務員的下一個對手不是同業：Sequoia 押 4200 萬美金給 AI 經紀人 WithCoverage，已搶走 700 家美國公司
3 月初，Sequoia 倫敦辦公室合夥人 Julien Bek 在自家網站貼出一篇 《Services: The New Software》。一句話的核心主張：「下一個 1 兆美金的公司，會是一家『偽裝成服務業』的軟體公司。」這篇文章在 X 上拿到接近 300 萬次瀏覽，Fortune 在 4 月 21 日專文放大後，徹底成為矽谷這個月最被反覆討論的論點之一。 對所有靠中介費吃飯的人——保險經紀、房仲、財務顧問、會計師、律師——這篇文章值得花一個小時逐字讀。因為它不是預測 AI 會幫你做什麼，而是在跟你的客戶解釋：你那一行的整個商業模式，可以被替換成什麼樣子。 Julien Bek 的「Services is the New Software」：為什麼 6 倍的市場是新獵物 Bek 的論點建立在一個經濟結構上的觀察：每花一美金在軟體，企業就要花六美金在人力服務。"For every dollar spent on software, six are spent on services." （每花一美元在軟體，就花六美元在服務上。）過去二十年，矽谷把巨大的價值灌進那「一」美金的軟體市場——從 SaaS 到雲端到 LLM API。但那六美金的服務市場，因為勞動成本太高、利潤被人力吃掉，過去 VC 不會真的去碰。 Bek 的判斷是：AI 把交付服務的邊際成本砍到接近零，這六倍的市場第一次變成「可被軟體公司吞下」的獵物。所以下一個兆美金公司不會賣訂閱、不會賣 token，會直接賣「客戶原本花錢請人做的那件事」——但用一小群人加上一堆 AI 去交付。"The next $1T company will be a software company masquerading as a services firm." （下一個一兆美金公司，會是一家偽裝成服務業的軟體公司。）這句話的關鍵字是「masquerading as」。從財務報表上看，這家公司會被歸類為服務業；但骨子裡的成本結構、毛利率、規模化方式，全部是軟體公司的玩法。 Copilot 賣工具，Autopilot 賣工作：兩種 AI 公司的本質差別 Bek 的第二個重要切割，是把 AI 公司分成兩種："A copilot sells the tool. An autopilot sells the work." （Copilot 賣的是工具。Autopilot 賣的是工作本身。）Copilot 模式：你還是請了一個律師、一個經紀人、一個顧問，但他們現在配備了 AI 工具，效率變高。客戶付的還是專業人士的工資，AI 幫專業人士節省時間，價值大部分留在那個專業人士身上。 Autopilot 模式：客戶付錢給一家公司，這家公司直接交付完成的成果——可能是一份談判完的合約、一個重新組好的保單、一份財報，過程中誰用 AI、誰是人類，客戶不在乎。價值留在公司本身，不留在某個專業人士身上。 Bek 認為 2025 年最快成長的 AI 公司多半是 Copilot；2026 年的競爭主軸會切換到 Autopilot。原因很現實：Copilot 的天花板就是它服務的那個專業人士的薪水，而 Autopilot 直接吃掉整個職位的預算。 Intelligence vs Judgement：哪些工作最先會被 Autopilot 吃掉 Bek 在文章裡又給了一個更有用的工具：把工作切成「智力（intelligence）」和「判斷力（judgement）」兩個維度。"Writing code is mostly intelligence. Knowing what to build next is judgement." （寫程式主要靠智力。知道下一個要做什麼，靠的是判斷力。）智力型工作有相對清楚的對錯——寫程式、做數學、查法條、比對保單條款。判斷力型工作沒有標準答案——要不要 push 客戶現在簽、這個案子值不值得接、客戶心裡真正擔心的是什麼。 Bek 給 AI-native 新創畫的甜蜜點很具體：已經被外包出去的工作 + 智力含量重 + 判斷力含量輕。 「已經被外包出去」很重要——因為這意味客戶心理上已經接受「我自己不做、付錢請別人做」。剩下的問題只是：付錢給誰、用什麼形式付。 「智力重判斷輕」也很重要——這是 AI 目前真正打得贏的場景。律師閱讀一千頁併購文件找風險點？AI 強。律師判斷這次合併該不該做？AI 弱。 把保險經紀的工作攤開來看就會冷汗。傳統經紀人 80% 的時間做的是：閱讀保單條款、比較不同保險公司的方案、跑詢價、整理風險清單、跟核保溝通。這些幾乎都是「智力重、判斷輕」的工作，還已經是被外包出去的。剩下 20% 真正需要判斷力的——客戶到底擔心什麼、什麼樣的保障結構符合他這階段的人生風險——其實才是 broker 的真正壁壘。 問題是現在很多經紀人連那 20% 都沒在做。 WithCoverage 拆解：當 broker 被換成「扁平費 + AI 政策掃描」會發生什麼 Bek 文章裡最具體的案例就是 WithCoverage。這家公司今年 1 月 14 日剛拿到 Sequoia 跟 Khosla 共同領投的 $42M B 輪。創辦人是 Opendoor 共同創辦人 JD Ross 跟前 Compound 早期成員 Max Brenner。 Ross 在 X 上的自介寫得很直白：「我上一家公司取代了房仲。今天我這家公司 WithCoverage 拿了 4,200 萬美金，要取代保險經紀人。」 WithCoverage 的商業模式有三個改變： 第一，計費方式從佣金改成扁平費。 傳統 broker 拿保費的百分比，所以 broker 的利益跟客戶相反——保費越高、broker 賺越多。WithCoverage 直接收一筆透明的服務費，跟保費脫鉤。 第二，用 AI 做政策掃描。 AI 引擎會自動讀完保單，找出條款裡的陷阱、保障缺口、跟市場標準不一致的地方，然後丟到幾十家保險公司之間做競標，最後給客戶一份逐條的風險拆解。 第三，人類專家負責真正需要判斷力的部分。 Bek 在 Fortune 的訪談裡用一個數字描述這件事的槓桿："[A customer] paid $100 for a service, but you offer them the same service for $80, but you can still do it at a high gross margin because you're using a lot of AI to deliver that service." （客戶原本付 100 美金買一個服務，你只收他 80 美金，但因為大部分交付靠 AI，你還能維持很高的毛利。）效果是什麼？根據 The Insurer 跟 Crowdfund Insider 的報導，WithCoverage 已經服務超過 700 家美國公司，包含 GoPuff、Eight Sleep、Blank Street、Hungryroot、Thirty Madison。其中 Hungryroot 一年省下 30 萬美金，Thirty Madison 省下 20 萬美金以上。Bek 給的形容更殘酷：「每個 WithCoverage 的人類專家，能服務的公司是傳統 broker 的 10 倍。」 讓我們把這個 10 倍翻譯成台灣業務員聽得懂的版本：你今天能服務 80 個客戶，明天 AI 加一個業務助理可以服務 800 個。如果這 800 個客戶的服務品質跟你那 80 個一樣好，甚至更好——你的客戶為什麼要繼續用 8 倍的價格找你？ 不是所有 broker 都會被取代：Bek 自己沒講出來的反作用力 Fortune 在文章後段也誠實列出這個論點的幾個破口： 第一，AI 推論成本還在漲，毛利不一定能撐。第二，企業客戶的 GTM（get-to-market）成本沒有解決——說服一家公司換掉用了十年的保險經紀，靠的是信任，不是 AI 比較會找條款漏洞。第三，受監管行業的客戶關係沒辦法在內部化，例如稅務、財務審計，法規本身就要求外部第三方。 最後這一點特別重要。在台灣，很多保險、財務、會計的業務環節，「責任歸屬」是綁在某個自然人身上的——你必須有一個有牌照的真人簽名負責。AI 公司目前還沒辦法承擔這個責任。這是台灣中介人最後一條護城河。 但護城河跟價值不能畫等號。如果你的價值停留在「我是有牌照的人，所以你必須透過我簽」，那你就是個收件中心；只要 AI 公司願意找一個牌照人來蓋章，你就被取代了。 如果你的價值是「我真的懂這個客戶、我真的在幫他想長期問題、我真的能在他結婚生子換工作的時候第一時間調整他的保障結構」——那這篇文章對你是利多。因為 WithCoverage 模式正好幫你把「找漏洞、跑詢價、整理表格」這些低判斷力的雜事自動化掉，讓你終於有時間做你最值錢的那 20%。 Bek 的論點往極端推：再過幾年，市面上只會剩兩種收費方式被客戶接受。一種是 Autopilot 公司，用六分之一的成本交付完成的工作成果。另一種是判斷力的提供者，價格更高、人數更少、但客戶願意付——因為那個判斷力是 AI 給不了的。 中間那個夾層——只是把表格從一個地方搬到另一個地方的「中介人」——會被擠掉。Sequoia 已經押了 4,200 萬美金在這個論點上。問題不是它會不會發生，是發生在你客戶頭上的時候，你正在做的是哪一邊的工作。📎 想看 Bek 完整的論點，可以直接讀 Sequoia 原文，他在文章裡點名了 20 多家 AI 原生新創（Harper、Rillet、Anterior、Crosby、Lawhive 等），並用一張矩陣圖把每家公司放在 Intelligence-Judgement 的座標上，能看到這個論點具體被押在哪些垂直行業。Fortune 的那篇報導額外整理了反方意見，包含 AI 推論成本、enterprise GTM、客戶關係慣性等幾個論點還沒解決的破口，值得對照著看。