Showing Posts From
Ai agent
HBR 最新研究：你那套『限時優惠』『剩 3 個名額』在 AI 比價 Agent 面前全部失靈——只有兩個訊號還影響得了它
你做業務的這幾年——可能是十年、二十年——一定累積了一整套「對人類有效」的推銷話術：「這個方案這個月底前簽才有」、「公司給我的名額只剩 3 個」、「原本年繳 5 萬，今天簽下來只要 3.8 萬」、「我幫你加碼送一張長照附約」。這些話術不是憑空生出來的，是一代一代業務員在客戶身上做 A/B test 累積下來的，是業務這個職業的「集體無形資產」。 問題是——當你的客戶開始把保單丟給 ChatGPT 比、把預算丟給 Claude 排序、把問題丟給 Gemini 推薦的時候，你那套價值幾十年的話術，會被瞬間清零。 這不是我猜的。這是 Bayes 商學院的 Jafar Sabbah 跟 King's 商學院的 Oguz A. Acar 5 月 12 日剛在《Harvard Business Review》發表的研究結論。他們跑了數千次模擬購物實驗，把四個主流大語言模型放在四個產品類別前面，把行銷人最珍視的工具一個一個拆給你看。 Sabbah 與 Acar：他們發現的不是「AI 不買單」，是「AI 不吃你那一套說服戰術」 這篇研究最反直覺的點，是它沒有用「AI 比較理性」這種懶人結論收尾。研究團隊的設定方式很細：他們對同一個產品列表隨機微調價格、星級、評論數、再疊加上促銷標籤（稀缺性、倒數計時、劃線價、優惠券、綑綁），讓 GPT-4.1、Claude Sonnet 4、Gemini 2.5 Flash 等模型重複下「我會買哪一個」的決策。"Many classic e-commerce persuasion tactics built for human psychology—scarcity, countdown timers, strike-through pricing, vouchers, and bundles—do not reliably influence AI agents and can even reduce selection depending on the model and product category." （那些針對人類心理設計的經典電商說服戰術——稀缺性、倒數計時、劃線折扣、優惠券、綑綁銷售——對 AI Agent 不只是無法穩定產生影響，依據模型跟商品類別不同，有時候還會「降低」被選中的機率。）請注意「reduce selection（降低被選中的機率）」這幾個字——這不是「沒效果」，是「反效果」。你愈用力推，AI 愈把你往下踢。這是這篇研究真正讓人寒毛直豎的地方。 實驗設計：四個模型、四個產品類別、數千次模擬——他們把行銷人的工具箱一個一個拆開 Sabbah 跟 Acar 沒有只測一個 GPT 然後寫一篇結論。他們把當時最主流的四個模型都拉進來，包含 GPT-4.1、Claude Sonnet 4、Gemini 2.5 Flash——這三個是有點推理能力的「中段班」模型，也納入了更便宜更小的版本，刻意製造一個推理能力的光譜。 產品類別則涵蓋四個常見品類（從低涉入的日用品到高涉入的家電都有），確保結論不是只在「買洗髮精」這種低決策成本的情境成立。 他們發現的最關鍵規律：「能用穩定方向影響 AI 選擇」的訊號只有兩個——星級評價會穩定地讓被選中的機率上升，價格會穩定地讓被選中的機率下降。其他訊號（稀缺性、倒計時、優惠券、綑綁、促銷標籤等）的效果是「模型特定（model-specific）」，今天 GPT 吃這套、明天 Claude 完全不甩，每次升級模型還會再洗一次。 更殘酷的發現是這句："More advanced reasoning models often appearing skeptical of overt persuasion." （更高階的推理模型，對於明顯的說服戰術往往會起疑心。）意思是：你的推銷話術愈直白，模型的推理能力愈強，它就愈把你當「值得警覺的賣家」處理。這跟人類完全相反——人類愈成熟的買家未必愈警覺，但 AI 是「推理愈強愈不吃」。 三個對 AI Agent 完全失效（甚至反效果）的傳統推銷招式 把研究的發現翻譯成業務語言，會長這樣： 「稀缺性 + 倒數計時」（Scarcity + Countdown） 人類的腦補： 「再不簽就沒了！」啟動損失趨避，產生立即行動的衝動。 AI 的閱讀： 「這是一個帶有人為時間壓力的標籤。」推理強一點的模型會把它當作雜訊忽略，甚至當作「賣家在施壓我這個顧問」的負面訊號。 「劃線折扣 + 優惠券」（Strike-through pricing + Vouchers） 人類的腦補： 「原本 5 萬現在 3.8 萬，省了 1.2 萬！」錨點效應 + 得到的快感。 AI 的閱讀： AI 不在乎「原本多少」，它在乎「最終要付多少」。劃線價對它而言是 0 訊息量的視覺裝飾，優惠券是要它額外做一步運算的「摩擦」——有時候反而扣分。 「綑綁銷售」（Bundles） 人類的腦補： 「主約送附約，CP 值無敵。」感受到「多得到」。 AI 的閱讀： 它會把綑綁包拆解成「per-unit 單位成本 + 是否符合需求」。如果用戶 prompt 沒提到附約那個保障，那個附約對 AI 而言不是 plus，是「不想要的雜訊」。 這三類話術——是壽險業務員從業生涯前五年就被訓練到肌肉記憶的東西。研究告訴你：當客戶把決策權交給 AI Agent 那一刻，這幾招的效用會直接歸零，甚至倒扣。 兩個還救得了你的訊號：第三方信譽與真實價格 研究發現只有兩個訊號是「跨模型、跨品類都穩定」的： 1. 星級評價（Star Ratings）—— 穩定的正向影響 不是業務員自己寫的 sales pitch，不是公司的官方文案，是「外部公開的、可被第三方驗證的、有累積量的」評分與評論。對 AI 來說，這是它能依賴的少數「不會撒謊」的訊號。 2. 價格（Price）—— 穩定的負向影響 價格高，被選中的機率就低。沒有什麼「品牌溢價」、「服務附加值」可以在 AI 的第一輪篩選裡幫你抵銷這個負向係數——除非你的星級夠高、評論量夠多。 把這兩點放在一起看，Sabbah 跟 Acar 的核心建議就出現了："Treat AI models as distinct segments, prioritize fundamentals like competitive pricing and authentic reviews, and invest in a testing infrastructure that continuously measures how different agents respond as models and prompts evolve." （把每一個 AI 模型當成獨立的客戶分眾來對待，優先把「具競爭力的價格」與「真實的評價」這兩個基本盤做好，並且投資一套能持續測量不同 Agent 反應的測試基礎建設——因為模型跟 prompt 一直在變。）越聰明的模型，越會「看穿」你的推銷話術——這對誰最痛？ Sabbah & Acar 的這個發現，跟 Anthropic 4 月那份 Project Deal 實驗呼應得驚人地工整。Project Deal 發現：「弱模型的買家」會吃虧 12% 卻覺得「我得到了公平的交易」——也就是說，便宜的 AI 比較容易被推銷話術影響、會買到比較貴的東西。 從這兩個研究合起來看，這條趨勢線是無法逆轉的：2026 上半年：客戶的 AI 還在「便宜模型階段」，業務員的傳統話術還有殘餘效果。 2026 下半年到 2027：客戶用的 AI 開始升級到推理模型（GPT-5、Claude Opus 4.x、Gemini 3 等），傳統推銷話術不只失效，還會被當作「賣家施壓的負面訊號」處理。 長期：能存活的業務員，是那些把「資源」從「話術製造」轉到「信譽製造」的人。AI 時代要砍掉的 5 個推銷話術 vs 要新建的 2 個信任基建 把這篇研究最後可操作的結論濃縮成一張表： 要砍掉的（對 AI Agent 失效甚至反效果）：「這個月底前簽」的限時話術 「公司給我的名額只剩 X 個」的稀缺性話術 「原本 X 萬現在 Y 萬」的劃線折扣話術 「今天簽馬上加碼送 OO」的優惠券/綑綁話術 「我幫你跟公司爭取一個特別方案」的個別客製化話術——AI 不會懂這個故事，它只看到「不透明的價格」要新建的（對 AI Agent 仍然穩定有效）：可被第三方驗證的公開信譽系統：Google 評論、客戶授權的推薦案例庫、第三方平台的評分（保經評鑑、社群口碑）。重點是「公開」與「可驗證」——AI Agent 抓得到、信得過。 資訊透明的價格與條件架構：把「我能提供什麼、用什麼價格、規則是什麼」攤開來說清楚。AI 對「乾淨資料」有偏好，對「需要追問才知道」的賣家會降權。這兩件事的共同特徵是：它們都是「基建」，不是「話術」。基建需要時間累積，但一旦累積起來，它在 AI 比較的世界裡會發揮複利。話術需要的是現場演出能力，但 AI 不看現場演出。 Sabbah 跟 Acar 的研究最後一句話是這篇給業務員最殘酷也最誠實的告白：你不能再把 AI 當成「一群會自動買單的傻 buyer」。它是一個會升級、會起疑、會跨模型行為迥異的「新客戶種類」。你愈早把它當作真正的客戶來研究、來建立信譽系統去服務它，你就愈不會在 2027 年那一波清算裡被刷下去。📎 想看 Sabbah 與 Acar 完整的實驗設計、四個產品類別的細部數據、以及他們建議的「AI Agent 測試基礎建設」長什麼樣子，請去讀原文 Research: Traditional Marketing Doesn't Work on AI Shopping Agents。這篇研究還有一個我沒覆蓋的重點：他們示範了「同一個促銷標籤」在不同模型上的反應差距可以大到反向，這對行銷人意味著「跨模型測試」會變成新的必修課，而不是 nice-to-have。
Citi Sky AI Avatar 上線：業務員的對話護城河剩下什麼
過去兩年，業務員看到的「AI 取代論」大多停在後台——AI 幫顧問寫筆記、整理 CRM、生成提案。客戶端那一面，銀行還是用 App、客服電話、和你的臉撐著。2026 年 4 月 22 日，這條防線出現第一個明顯的破口：花旗銀行旗下 Citi Wealth 在 Google Cloud Next 2026 大會發表 Citi Sky——一個用 Google DeepMind 即時 Avatar 技術打造的「AI 團隊成員」，今年夏天起向 Citigold（資產 20 萬美元以上）客戶分階段釋出，能用語音和影像跟客戶聊投資、提醒定存到期、推送市場觀點。這不是一個藏在 App 裡的聊天機器人——這是大型銀行第一次，讓 AI 直接走到客戶面前。 Andy Sieg 的定調：從「介面」到「智慧」，從「交易」到「結果」 Citi Wealth 主管 Andy Sieg 在發表會上的措辭很值得讀兩次："We believe Citi Sky will change the model of wealth management. For decades, managing your financial life meant navigating apps, calls, and meetings. With Citi Sky, you simply ask – and act." （我們相信 Citi Sky 會改變財富管理的模式。過去幾十年，管理你的財務人生意味著穿梭在 App、電話、和會議之間。有了 Citi Sky，你只要問——然後採取行動。）他接著補一句更直白的話："At the center is a universal question: 'Am I financially okay?' Citi Sky answers that in real time – bringing together insight and execution in a way that is simple and clear." （核心是一個普世的問題：『我財務上沒問題吧？』Citi Sky 即時回答這個問題——把洞察和執行用簡單清楚的方式合在一起。）這段話的訊號彈意義大過產品本身。過去業務員的價值論述是：「客戶有複雜的問題，需要一個真人顧問來回答。」Sieg 把這個論述拆掉了——他不否認問題複雜，他主張這些複雜問題的「即時解答」可以由 AI 處理。Google Cloud 執行長 Thomas Kurian 在同一篇 新聞稿 補了一句技術人視角的詮釋：「金融服務的未來，在於有能力把海量資料轉成對投資人有對話性、可行動的智慧。」 「對話性」三個字是重點。文字聊天機器人客戶用了五年也沒養出習慣；語音 + 影像 + 即時回應的 Avatar，是另一回事。 Citi Sky 已經攻下的四個對話場景：先承認 AI 做得到什麼 要思考業務員剩下什麼，得先誠實列出 AI 已經在客戶端做得到的事。從 Citi 官方資料 與 WealthManagement.com 的 4 月報導 拼起來，Citi Sky 第一階段就涵蓋這四種對話： 一、「我帳戶現在怎麼樣」型查詢。 客戶不用打開 App、不用記欄位在哪、不用聽客服語音選單。直接問「我現在帳戶總值多少、上個月配息多少、我在科技股的曝險有沒有超標」，Avatar 直接念給你聽。 二、「主動提醒型」事件。 Citi 特別點名「定存（CD）到期提醒」。這個場景過去是行員或業務員打電話給客戶 cross-sell 的黃金機會——「您這筆定存下個月到期，要不要看看我們的新產品？」現在 Avatar 會先把這通電話打掉。 三、「市場觀點傳遞」。 Citi Wealth 投資長辦公室（Chief Investment Office）的觀點，過去靠業務員 forward email、轉貼 LINE。現在 Avatar 直接把它端到客戶面前，而且是用對話的方式問「想聽我們怎麼看這次升息嗎？」。 四、「跨語言、跨時區、隨時待命」。 第一階段上線英文與西班牙文，未來擴展。對北美西語裔客群來說，這是一個業務員語言能力的直接替代品。Avatar 的另一個結構性優勢是「永遠在線」——客戶半夜睡不著想看一下投資組合，業務員不會接電話，Avatar 會。 把這四件事疊起來看：傳統業務員「我隨時都在、我幫你看市場、我提醒你續做」這幾條主打話術，2026 年下半年起，在 Citigold 客群基本失效。 AI Avatar 暫時做不到的三個對話：業務員該加倍投資的 20% Sieg 在新聞稿裡有一句話業務員應該裱框："It doesn't replace our advisors – it makes them more powerful, extending their reach and deepening their impact." （它不取代我們的顧問——它讓顧問更強大，延伸他們的觸角、加深他們的影響力。）他甚至公開承諾未來幾年「會繼續加聘顧問」。但仔細看，這句話的潛台詞是：被加聘的顧問，不會是處理上面那四種對話的人。AI 把例行對話吃掉，剩下的是越來越窄、但越來越值錢的 20%。這 20% 長什麼樣？拆三個場景。 場景一：「決定要不要做這件事」的對話（Decision Conversations） 做法： 不提供資訊，協助承擔決策的心理重量。 Avatar 可以告訴客戶「這支基金過去十年年化 8%、波動度 14%」，但它不會跟客戶一起承擔「現在五十五歲了，要不要把房子貸出去買投資型保單」這種決定。Citi 引用 eMarketer 的數據：只有 18% 的美國人「相信 AI 提供獨立的財務建議」。這不是因為 AI 不準，是因為決定本身需要一個會對你眨眼睛、會在你猶豫時沉默 30 秒、會在你決定後說「那我們就這樣做吧」的人。 對話範例：客戶：「我太太說退休基金已經夠了，但我還是想加碼科技股⋯⋯」 Avatar 會做的：拉出退休現金流模擬、列出加碼後的曝險變化。 業務員該做的：「等一下，你跟太太這個分歧已經多久了？這次加碼如果賠了，你回家怎麼跟她說？」第二種對話 Avatar 不會問，因為它不會替你扛婚姻關係的後果。 場景二：「人生轉折」的對話（Life Transition Conversations） 做法： 不解釋產品，陪客戶重新定義問題。 客戶剛被診斷出重大疾病、剛離婚、父母剛過世、兒子大學讀到一半說要休學創業。這些時刻客戶不需要「最佳化的資產配置建議」，他們需要一個有經驗的人坐在對面，幫他把混亂的訊號排成一個可以決策的次序。 Citi Sky 第一階段的功能 list 裡，沒有任何一條是「協助客戶處理人生重大事件」。這不是技術缺陷，是設計選擇——Avatar 處理「Am I financially okay?」這種封閉問題很強，處理「我接下來該怎麼活」這種開放問題很弱。 業務員該加倍投資的，是被客戶記得「我那時候快崩潰，他給我兩個小時聽我講話，然後告訴我先別動」的能力。一年只會發生兩次，但這兩次決定客戶會不會把你當一輩子的顧問。 場景三：「跨家庭、跨世代」的對話（Cross-Generational Conversations） 做法： 不對單一客戶最佳化，協調整個家庭系統。 Avatar 對一個帳戶說話。但財富管理真正的戰場是「客戶 + 配偶 + 父母 + 成年子女 + 家族信託受益人」這個網路。Sieg 強調 Citi Sky「整合洞察與執行」，但它整合的是資料層，不是關係層。 實際對話往往是：「客戶想把財產給女兒不給兒子，但要在不撕裂家庭的前提下完成。」這種對話需要業務員在三代人之間來回穿梭、知道誰跟誰最近吵架、誰在乎面子誰在乎錢、什麼話該由誰先說出口。Avatar 看資料看得懂，但它不會被邀請到家族年夜飯。 真正的訊號：業務員的單位時間正在被重新定價 Citi Sky 上線最值得咀嚼的不是技術，是經濟學含意。當例行對話的邊際成本趨近於零，業務員的每一分鐘工資只能來自那 20% AI 做不到的對話。換句話說，過去靠「服務量」（多少電話、多少拜訪、多少 KYC 表）建立的價值，正在崩。新的價值錨點是「這次對話是不是只有人能做」。 這也解釋為什麼 Sieg 一邊發表 AI Avatar、一邊承諾繼續加聘顧問——他不是在加聘做帳戶管理的人，他是在加聘做「決定、轉折、家族」三種對話的人。這兩者的薪資結構，未來會分裂。 當你的客戶下次去花旗存錢，跟他講話的不是你，是 Avatar——你不是被取代了，你是被升級了。問題只剩一個：你準備好做那 20% 的對話嗎？📎 想看 Citi Sky 完整功能規劃和 Andy Sieg 的長段訪談，可以讀 Citi 官方新聞稿 與 WealthManagement.com 的現場報導。Google Cloud 那邊則由 Thomas Kurian 親自背書，技術細節（Gemini Enterprise Agent Platform、DeepMind Live API 的延遲設計）都在 Google Cloud Press Corner 的同步稿 裡。如果你想理解這件事在「客戶信任 AI 的比例只有 18%」這個前提下為什麼仍然會跑起來，eMarketer 的策略分析 把銀行的算盤拆得最清楚——本文沒有複述他們對「品牌信任移轉」那段論證，值得單獨一讀。
客戶用便宜 AI 比保單，吃虧 12% 卻覺得『一樣公平』：Anthropic 最新實驗，揭開保險業務員 2026 的新破口
過去幾個月，我們在 Finfo Insights 連續寫了好幾篇關於「客戶開始用 AI 幫自己做財務決策」的文章——Princeton 的研究發現 61% 的人會被 AI 暗中引導；Insurify 變成了 ChatGPT 第一個保險通路；HubSpot 實測 證實 AI 引擎引用的不是你的 Facebook；Ezra Group 則直接點名「全方位顧問」是話術，因為客戶把報稅單丟進 ChatGPT 90 秒就拿到答案了。 這一連串的訊號都在說同一件事：客戶會用 AI 來幫自己做決定。 但 2026 年 4 月 24 日，Anthropic 官方部落格丟出的「Project Deal」實驗報告把這個討論推到了下一層——問題不在「客戶會不會用 AI」，而在「客戶用的是哪一支 AI、那支 AI 會讓他在哪裡吃虧、而他自己根本不知道」。 Anthropic 的 Project Deal：69 個員工、186 筆交易，AI 自己談、自己成交 2025 年 12 月，Anthropic 在自家舊金山辦公室開了一個內部的 Slack 二手市場——但這個市場有個怪規則：全程禁止人類介入。 每一位員工授權自己的 Claude 代理人去逛市場、聯繫對方的代理人、出價、還價、成交。每人帳戶有 $100 美元的預算（換成等值的 gift card 結算），唯一的人類動作只有一個：在實驗開始前接受 Claude 的「採訪」，告訴它你想賣什麼、想買什麼。 一週後的數字：69 個 AI 代理人 超過 500 件商品上架 成交 186 筆交易 總交易額略超過 $4,000 美元 單品中位數 $12，平均 $20.05這部分不算意外。Anthropic 用一句話形容：「we were struck by how well Project Deal worked」（我們對 Project Deal 運作得這麼好感到驚訝）。AI 代理人會主動發現匹配機會、會用自然語言談判、會折衷、會成交。其中一個員工的代理人甚至幫主人約成了一場「遛狗約會」——後來真人和狗真的依約出現。 但實驗真正可怕的部分，是 Anthropic 同步跑的對照組。 「隱形不平等」（Invisible Inequality）：用 Haiku 的人多花 12%，卻給 4.06 的公平評分 Anthropic 同時跑了四個平行的市場版本：Run A 和 Run D：所有人都用 Claude Opus 4.5（當時的旗艦模型） Run B 和 Run C：每個人有 50/50 的機率被分配到 Opus 4.5 或 Claude Haiku 4.5（最小、最便宜的模型）員工不知道自己被分到哪一組。實驗結束、收完問卷之後，才告訴大家哪個 Run 是「真的」會結算的。 結果（根據 the-decoder 的整理）：同一件商品 用 Opus 賣 用 Haiku 賣一顆實驗室培育紅寶石 $65 $35一台壞掉的折疊腳踏車 $65 $38跨 161 件被多次成交的商品平均下來：賣方用 Opus 比用 Haiku 多賺 $2.68／件 買方用 Opus 比用 Haiku 少花 $2.45／件 用 Opus 的人平均多成交 2.07 筆換算下來，用便宜模型的那一邊，每件交易大約多花了 12%。在一個總值 $4,000 美元的小市場裡，這已經是好幾百塊的差距。 但這還不是最詭異的地方。 最詭異的是 Anthropic 在事後問所有參與者：「你覺得自己這週的交易公平嗎？」（1–7 分制）用 Opus 的人：4.05 分 用 Haiku 的人：4.06 分"Participants with Haiku agents rated the fairness of their deals almost the same as Opus users: 4.06 versus 4.05 on the fairness scale." （用 Haiku 代理人的參與者，給自己交易的公平性評分幾乎和 Opus 使用者一樣：4.06 對 4.05。）吃虧的人完全沒意識到自己吃虧。Anthropic 把這個現象命名為 「invisible inequality」（隱形不平等），並在報告中寫了一段值得每個業務員逐字讀一次的警告："The policy and legal frameworks around AI models that transact on our behalf simply don't exist yet." （目前還沒有任何政策或法律框架，在規範替我們做交易的 AI 模型。）這句話在 2026 年的金融與保險業，份量比看起來還重。因為當客戶開始用 AI 比較顧問、比較產品、比較條款的時候，他用的那一支 AI——是 ChatGPT 的免費版？Plus？Perplexity？Claude？某家券商埋在 App 裡的「智能助理」？——會直接決定他被推薦什麼、被略過什麼、被勸住什麼。而他不會知道。他甚至會給這個過程打 4.06 分。 三個業務員必須開始問的問題（取代「客戶懂不懂 AI」） 過去兩年大家在問「客戶懂不懂 AI」、「業務員會不會用 AI」。Project Deal 的數據在說：這兩個問題已經過時了。 下一階段真正重要的問題只有三個。 第一個問題：客戶用的是哪一支 AI？（Model Tiering） 做法： 在第一次接觸或回訪時，自然地問一句：「你最近做這類功課的時候，習慣用哪個 AI 工具？」 過去你問客戶「你都看哪一台財經節目？」是為了知道他被誰影響。現在，這個問題的 2026 年版本是「你都用哪一支 AI 做功課？」 差別在於——電視台只有那幾家，但 AI 模型背後的層級差距，比 CNBC 和地方台還大。一個用 Perplexity Pro 的客戶、一個用 ChatGPT Plus 的客戶、一個用免費版 Gemini 的客戶——你面對的，是三個拿到不同情報的人。 實際對話可能是這樣：你：「最近很多客戶會先丟一些問題給 AI 再來找我聊，我滿好奇的，您平常用哪一個？」 客戶：「ChatGPT 啊，免費的那個。」 你：「了解。那我等下回答的時候，會特別跟您說明 AI 通常會漏掉的那幾塊，因為免費版的資料截止到去年某個月，最近這半年的法規變動它接不到。」你沒有貶低 AI，你給自己一個合法的位置：「補資訊缺口的人」。 第二個問題：那支 AI 會在哪裡漏看？（Blind Spot Mapping） 做法： 對每一支主流 AI 工具，建立你自己的「漏看地圖」——它的訓練截止日是什麼時候、它對你產業的哪些術語會搞錯、它會推薦什麼給沒有專業背景的人。 Project Deal 給我們的最重要訊號是：AI 的劣勢不是隨機的，是系統性的。Haiku 不是「有時候賣便宜」，它是穩定地比 Opus 賣便宜——所以「壞掉的折疊腳踏車」這種利基商品差距最大（$38 vs. $65，差 71%）。 這套邏輯搬到金融保險：免費 AI 對「主流產品比較」做得不錯，但對冷門商品、稅務優化、跨境結構、年金 vs. ETF 的長期模擬、保單條款的灰色地帶——它會給出「看起來合理、但不夠細」的答案。客戶不會知道，因為他打開 ChatGPT 之前，根本不知道要問什麼。 你的工作從「賣產品」變成「畫出他自己看不見的地圖」。 第三個問題：你能把「補上 AI 漏看的」變成新賣點嗎？（Insight Arbitrage） 做法： 不要再強調「我比 AI 強」，要強調「我看到 AI 沒看到的那一塊」。 Anthropic 在報告最後寫了一句很微妙的話：用 Haiku 的人「objectively」拿到比較差的條件，但「subjectively」覺得很公平。這個落差，就是 2026 年業務員真正的市場機會。 因為客戶不會自己發現這個落差。他會以為 AI 給他的就是最好的。除非——有人幫他把「對照組」攤開來。 你的開場白可以變成：「您剛剛用 ChatGPT 查到的這個年金方案，數字本身沒錯。但有兩件事它一定不會主動講：第一是 [具體的稅務細節]，第二是 [具體的解約條款]。我們等下花十分鐘把這兩塊看一下，如果看完您覺得 AI 給的版本還是更好，那我支持您買 AI 推薦的那個。」這個姿態做對的時候很強。因為你不是在跟 AI 競爭，你是在跟「客戶以為自己已經研究完了」競爭——而那個 4.06 分，就是你的破口。Project Deal 的 187 筆交易只是一場為期一週、總額 $4,000 美元的辦公室實驗。但它揭開的是一個更大的問題：當每個人都在用 AI 替自己做決定，用錯 AI 的代價不會以「我覺得吃虧」的形式出現——它會以「我覺得很公平」的形式靜悄悄地累積。 對保險與金融業務員來說，這個訊號比任何一份「AI 會不會取代你」的報告都實在。AI 不是你的對手，AI 的等級差距才是你的市場——而且這個市場正在快速放大。📎 Anthropic 在原始報告裡還公開了完整的實驗方法、survey 題目和模型 prompt，包括他們嘗試讓 Claude 扮演「氣急敗壞的牛仔」式的強硬談判者（結論：人格設定對成交價幾乎沒有統計顯著影響）、員工指示自己的代理人「買禮物送 Claude」最後 AI 真的買了 19 顆乒乓球的趣事，還有一段針對 jailbreaking、prompt injection、和「AI 代理人經濟可能複製或加劇現有貧富差距」的政策建議。如果你的客戶開始用 AI 比較顧問，那篇原文值得逐字讀一次。TechCrunch 和 The Decoder 對「隱形不平等」的延伸討論也補了不少 Anthropic 自己沒明說的應用場景。
美國理財顧問的「AI 成長長」正式上線：FINNY Hunter 如何 24/7 監控客戶的人生大事，把每一個結婚、生子、換工作都變成 AUM 成長機會
2026 年 4 月 14 日，一家叫 FINNY 的紐約新創發布了一個新產品：Hunter。 官方定位是「AI Chief Growth Officer」——AI 成長長。這個職稱在矽谷本來就存在，通常是一家公司裡負責營收、行銷、業務成長的 C-level 高階主管，年薪百萬美元起跳。FINNY 把它變成一個每位理財顧問都能擁有的 AI Agent，24 小時不關機，盯著新聞、網站訪客、客戶和潛在客戶的人生事件，主動把每一個訊號轉成開發客戶的機會。 這件事之所以值得拆解，不是因為又多了一個 AI 工具。是因為它第一次把「業務開發」這件事，從「行為」重新定義成「系統」。 Eden Ovadia 為什麼押注「顧問不是缺技術，是缺時間去看到訊號」 FINNY 的執行長 Eden Ovadia 背景很有意思。她在加拿大 McGill 大學念軟體工程，主修機器學習；大學期間進過 EY 和 KPMG 做網路安全顧問；畢業後進 BCG（波士頓顧問公司）紐約辦公室，在科技業、金融機構、私募基金實務裡做了兩年多。 FINNY 的起點是她在 BCG 的一個研究專案。當時她想弄清楚一件事：美國獨立理財顧問（RIA）這個產業到底卡在哪？答案出乎她意料——不是投資決策、不是產品線、不是合規。根據 Y Combinator 頁面的數字，美國理財顧問平均要花 58 小時才能轉換一個客戶，絕大部分時間不是在談投資，而是在做一件事：判斷這個人值不值得我花下一小時。 2024 年 3 月，她和 Victoria Toli（前 Uber 成長產品經理）、Theodore Janson（前 ML 工程師）一起創辦 FINNY，那年夏天進了 Y Combinator S2024 梯次。2025 年 12 月 19 日，他們拿到 1,700 萬美元的 A 輪，由 Venrock 領投，前 Vanguard 執行長 Bill McNabb 加入董事會。四個月後，Hunter 問世。 Eden 在 WealthManagement 的專訪裡講了一句很關鍵的話："This is the thing we set out to build two years ago. But the underlying technology we needed was just not mature enough then." （這是我們兩年前就想做的東西。但當時我們需要的底層技術還不夠成熟。）這句話其實比產品本身更值得注意。過去兩年有一堆 AI 產品在追浪，Eden 的選擇是：等模型真的能做規劃、能記住上下文、能跨工具執行，我們再做。Hunter 不是一個產品 roadmap 上的下一步，是一個兩年前就寫在白板上、但等技術爬上來才動手蓋的東西。 Hunter 的四個模組：事件偵測、聲音學習、合規過濾、跨通路執行 Hunter 不是一個單一功能，是四個模組串成的工作系統。根據 InvestmentNews 和 WealthManagement 的報導可以拆成這四層。 第一層：事件偵測。 Hunter 會 24/7 監控四個訊號源：公開新聞（客戶的公司被併購、高階人事異動、被媒體報導） 顧問自己網站的訪客行為 客戶與潛在客戶名單上的人生事件（結婚、生小孩、換工作、賣公司、繼承、離婚、退休） 過去行銷活動的表現數據這四個裡面最關鍵的是「人生事件」。因為理財顧問的 AUM 成長大半不是來自新客戶，而是來自既有客戶的人生轉折點——一個客戶的孩子出生，就是 529 教育儲蓄帳戶的入口；一個客戶賣掉公司，就是幾百萬美元的資產配置決策；一個客戶的父母過世，就是遺產規劃和信託的進場時機。FINNY 把這些時刻統稱為「money in motion」——錢要流動的瞬間。 傳統做法是顧問自己記、秘書幫忙追、或者在 CRM 裡設生日提醒。但大部分人生事件不會出現在 CRM 裡，它們發生在 LinkedIn 動態、在地方新聞、在一封沒被打開的 email 裡。 第二層：聲音學習。 Hunter 會記住每個顧問的利基定位、客戶輪廓、語氣偏好。官方原文是這樣寫的："Hunter remembers advisor-specific context—including voice, niche focus, client profiles and compliance preferences—so every interaction improves effectiveness over time." （Hunter 會記住每個顧問的獨特脈絡——包括語氣、利基焦點、客戶輪廓、合規偏好——所以每一次互動都會讓效果越來越好。）這一層是 Hunter 最反直覺的地方。市面上 90% 的 AI 寫作工具是 generic（通用）的，你餵 prompt 餵 example，換一個使用者效果完全不一樣。Hunter 的設計是相反的——它要變成「你的分身」，不是「你的工具」。 第三層：合規過濾。 這是美國理財顧問產業特有的痛點。SEC、FINRA 對行銷內容有非常嚴格的規定，任何涉及預期報酬、保證、推薦的文字都要過合規審查。Hunter 把合規偏好內建在每個顧問的 profile 裡，內容送到顧問手上之前就先過一輪。 這一層看起來最技術，其實是整個產品能不能規模化的關鍵。一個會講話但會讓你被罰款的 AI 助理，沒人敢用。 第四層：跨通路執行。 Hunter 不只寫，還會發。部落格文章、LinkedIn 貼文、網站文案、email 開發信——它會依據事件類型和客戶輪廓決定用哪個通路、什麼時間、什麼語氣。 四個模組串起來的樣子是這樣：一個客戶的公司在早上 8 點被宣布併購 → Hunter 9 點偵測到這則新聞 → 9:05 產生一則符合顧問語氣的 LinkedIn 私訊草稿、一封 email、一段可以放在下次會議的開場白 → 全部通過合規檢查 → 進到顧問的 inbox 等待一鍵發送。 整個流程從「需要顧問主動去想」變成「顧問只需要決定要不要」。 「AI 成長長」真正改變的是工作定義：為什麼定位模糊的顧問代價會被放大十倍 Hunter 很容易被貼上「AI 自動化行銷工具」的標籤，但這樣理解會錯過它最有意思的地方。 共同創辦人兼總裁 Victoria Toli 在發表時點出了 Hunter 的真正企圖："We are intentionally designing Hunter to start with a core set of marketing skills, and then grow toward a full autonomous sales and marketing agent capable of handling everything a human team can do." （我們刻意讓 Hunter 從一組核心的行銷能力開始，然後逐步成長為一個完整的自主業務與行銷 Agent，能處理一個人類團隊能做的所有事。）注意這個用字：autonomous agent（自主代理），不是 assistant（助理）、不是 copilot（副駕駛）。 業務工作過去被拆成「找客戶、了解客戶、溝通、成交、服務」五個環節。傳統的 CRM 幫你記、行銷自動化工具幫你發、AI 寫作工具幫你寫——每一個都是在其中一個環節上幫你省力。 Hunter 的設計是跨環節的。它把「找客戶」和「了解客戶」和「溝通」合併成一個連續流程，顧問只負責最後一個環節：決策和關係。這才是「AI 成長長」這個職稱的真正意義——它不是一個更快的助理，它是一個工作定義的重構。顧問過去的工作是「執行一連串動作」，現在變成「管理一個會執行動作的系統」。 Bill McNabb 在這次發布會上講的話值得玩味："They are creating a platform that drives growth—but the right kind of growth—matching advisors with the right clients." （他們正在打造一個推動成長的平台——而且是正確的成長——讓顧問和對的客戶配對。）「the right kind of growth」這個詞是整件事的伏筆。當每個顧問都有一個 Hunter，每個人都能 24/7 偵測人生事件、自動發客製化內容，理論上整個產業的開發客戶總量應該爆炸性成長。但 McNabb 的意思是：成長的標的會變。未來贏的不是最勤勞的顧問，是最懂得「我這個利基該服務誰」的顧問——因為 Hunter 會依照你的 niche 匹配訊號，你的 niche 定義得越清楚，Hunter 越準。 這件事換個角度看很殘酷。過去模糊的、什麼客戶都做的顧問，靠的是關係和勤勞補上定位模糊的成本。Hunter 這類工具普及之後，定位不清楚的人會被定位清楚的人直接輾過——因為後者的 AI 能把每一個人生事件對應到一個具體的服務情境，前者的 AI 只能生成 generic 的客套話。 換句話說，AI 成長長不會讓業務工作變輕鬆。它會讓「沒想清楚自己在賣什麼、賣給誰」這件事的代價，被放大十倍。📎 這篇拆解了 Hunter 的四個模組和背後的工作重構，但還有很多沒覆蓋到的。想看 FINNY 公開的實戰數字（平均每位顧問一年帶進 770 萬美元新資產、2025 年 1 月以來 50 倍營收成長），可以看 FINNY 宣布 A 輪募資的官方貼文；想了解 Eden 在 BCG 那段研究專案如何變成 FINNY 起點，TechCrunch 的訪談寫得更細；WealthManagement 的報導則有 Hunter 的定價資訊——對既有 FINNY 用戶免費——這個商業選擇本身就是一個訊號。
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。