為什麼最會賣的人反而最不「做自己」？Pulitzer 獎作家 Charles Duhigg 的「反直覺」溝通論：真誠是誤區，「對頻」才是功力
業務訓練最常見的一句話是「做你自己（be authentic）」。聽起來沒錯，但如果做自己就能成交，為什麼有人講到客戶眼睛發亮，有人講到自己口乾舌燥、對方還在滑手機？ 2026 年 4 月 16 日，Pulitzer 獎得主、《為什麼我們這樣生活，那樣工作？》作者 Charles Duhigg 在 My First Million 第 815 集 上了 Sam Parr 的節目。這集從頭到尾只談一件事：你以為的「真誠」，其實是你沒學會判斷「對方現在在進行哪一種對話」。這個論點在節目 33 分 15 秒的段落裡，Duhigg 直接把它命名為「a case against authenticity」——一個反對真誠至上的案例。 Charles Duhigg：研究了十年「習慣」，又花四年拆解「溝通」的 Pulitzer 記者 Duhigg 是《紐約時報》記者出身，2013 年帶隊以 Apple 與 Foxconn 的調查報導拿下 Pulitzer 獎。那次報導他打了 900 通冷電話，才找到 20 到 30 個願意受訪的前員工——這段經歷後來變成他研究「為什麼有些人講話讓人想掛電話，有些人講話讓人願意敞開」的起點。 他的第一本暢銷書《The Power of Habit》在台灣翻成《為什麼我們這樣生活，那樣工作？》，賣了超過三百萬本。2024 年他推出第三本書 Supercommunicators，台版《為什麼我們這樣對話，那樣生活？》2025 年 4 月由大塊文化出版。這本書做的事很單純：把「會溝通的人到底在做什麼」這件玄學，用神經科學、腦造影研究、CIA 招募間諜的真實案例，一層一層拆開。 MFM 這集是書出版兩年後的延伸討論，Duhigg 把研究濃縮成業務場景可以直接用的判斷模型。 「三種對話」的辨識力：你跟客戶不是在講同一件事，所以連不上 Duhigg 的核心主張是：任何一次對話，其實是三種對話之一，或是三種的混合。"Whenever we speak, we're actually participating in one of three conversations: practical (What's this really about?), emotional (How do we feel?), and social (Who are we?)." （我們每次說話時，其實都在進行三種對話中的其中一種：實用型——「這到底是在談什麼？」；情緒型——「我們感覺如何？」；社交型——「我們是誰？」）這句話聽起來很學術，但套進業務場景就非常具體：實用對話：客戶問「這個方案幾年期？IRR 多少？」——他要的是數字和比較。 情緒對話：客戶說「我其實最近在想退休的事情⋯⋯」——他要的是被聽見，不是試算表。 社交對話：客戶說「我認識的幾個朋友都是跟誰誰誰規劃的⋯⋯」——他談的是身份認同、自己屬於哪個圈子。Duhigg 在節目裡反覆強調：如果對方在進行情緒對話，你用實用對話回應，對話就斷了。這不是技巧問題，是認知問題——你根本沒意識到他換頻道了。 他引用的神經科學研究叫做 neural entrainment（神經耦合）：當兩個人真正對上頻，呼吸頻率會同步、心跳會接近、瞳孔會同樣放大，腦內的活動區域也會越來越像。連上之後，人才真的會相信你「懂」他。這不是比喻，是可以在 fMRI 上看到的生理現象。 為什麼「做自己」是最糟糕的建議：Duhigg 的「反真誠論」 節目 33 分 15 秒，Duhigg 講了一段讓 Sam Parr 當場停下來追問的話——「a case against authenticity」。 他的論點大致是這樣：業務員被教育要「真誠」「做自己」，結果變成不管客戶在情緒對話還是社交對話，自己永遠停在實用對話（講產品、講條件、講數字）。這不是真誠，這是懶得觀察。 真正厲害的溝通者做的是反過來——他們會主動偵測對方此刻在哪一種對話，然後把自己調到相同的頻率。Duhigg 把這叫做 matching principle（對頻原則）。 這不是表演，也不是「見人說人話」那種油滑。而是一種認知紀律：在你開口之前，先問自己一個問題——「對方現在要的是答案、是同理、還是認同？」 Duhigg 在節目裡拿 Donald Trump 當案例（28 分 12 秒）。他說 Trump 在競選場合是一個極端熟練的 supercommunicator——不是因為他講的內容多準確，而是因為他幾乎永遠精確地匹配群眾當下的情緒頻率。群眾想要憤怒，他就憤怒；群眾想要戲謔，他就戲謔。這個觀察跟你喜不喜歡 Trump 無關，Duhigg 要指出的是：對頻的能力本身就是一種可被複製的技術，而且它跟「真誠」是兩回事。 三個可以今天就用的判斷題：在開口前先問自己 Duhigg 在節目裡給了幾個具體的辨識方式。業務場景最關鍵的是這三個： 第一，聽對方最後一句話的「動詞類型」。 如果客戶說「我在『想』⋯⋯」「我『覺得』⋯⋯」「我『擔心』⋯⋯」——這些都是情緒動詞，他進入了情緒對話。此時你如果立刻回「沒問題，我們這個方案剛好可以解決⋯⋯」，就是斷線。正確的回應是先承接情緒：「什麼事情讓你開始想這件事？」 第二，對方問問題時，是在問資訊還是在問立場。 「這個商品有沒有保證期？」是資訊。「你覺得現在進場會不會太晚？」表面是資訊，但常常是在問立場——他想知道「你跟不跟我站同一邊」。這是社交對話。回答時你要先表態，再給資訊。 第三，對方提到「其他人」時，注意他提的是誰。 如果客戶一直提「我朋友」「我同事」「我家族裡的長輩」，他在進行社交對話——他在跟你確認他的決定會不會被他所屬的群體接受。這時候你講再多 IRR 都沒用，你要幫他處理的是「他要怎麼跟那個群體交代」。 Duhigg 引用的研究顯示，supercommunicators 平均會問比一般人多 10 到 20 倍的問題——不是那種「要不要加購」的封閉問題，而是他說的「deep questions」：關於對方的價值觀、信念、經歷的問題。問題不是話術，問題是他們在持續校正對話頻道的工具。 冷打 900 通電話換 20 個受訪者：為什麼「做自己」在 880 次被拒絕後就失效了 節目快結束時（45 分 58 秒），Duhigg 回憶 Apple 那篇報導的 900 通電話。前面 200 通他都在「做自己」——自我介紹、說明來意、強調他是《紐約時報》記者。拒絕率高到他開始懷疑自己是不是選錯行業。 轉折點是他開始觀察：每一個願意講話的前員工，共同點不是喜歡記者，而是他們在電話前幾秒就感覺到 Duhigg 真的想聽他們的故事，而不是在蒐集爆料。於是他改了開場——不從自己是誰開始，而是從對方「為什麼可能也覺得這件事值得被說出來」開始。 這個改變背後是一個很痛的認知：你以為的真誠，在對方的頻道裡可能是噪音。你講自己是誰、你想要什麼、你為什麼打來——對方根本還沒進到那個對話模式。 Duhigg 說這件事讓他開始認真研究溝通，因為他發現記者、業務、談判專家、心理治療師——所有必須「讓陌生人願意打開」的職業，其實在做的是同一件事：辨識頻率，然後對頻。 這不是話術層的事情，是認知層的事情。話術可以背，對頻的能力必須練——練到你在客戶講第一句話的時候，就知道他現在人在哪裡。📎 這集 My First Million 815 完整長度約一小時，除了本文拆解的三種對話與反真誠論之外，Duhigg 還談了他自己用來改變行為的「keystone habit」概念、為什麼回 email 這個小動作會串連成整套生活系統、一行日記法、以及他最近在讀什麼書。如果你想系統性地學這套溝通框架，台版《為什麼我們這樣對話，那樣生活？》完整收錄了 CIA 間諜招募官、哈佛談判研究者、陪審團顧問的案例，是節目裡沒時間展開的部分。
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。
AI 會取代你嗎？管 170 億美元資產的 Graham Weaver 用「AI 四層論」告訴你：你根本不在被取代的那一層
打開任何一個業務員的手機群組，你會看到同樣的焦慮訊息：「我們會不會被 AI 取代？」「客戶以後都去問 ChatGPT 怎麼辦？」「我的業務技能還能撐幾年？」 Alpine Investors 的創辦人 Graham Weaver，在 2026 年 4 月 7 日的 My First Million Podcast 給了一個讓人意外的答案。這位管著 170 億美元資產、旗下擁有美國最大住宅 HVAC 服務商 Apex Service Partners（107 個品牌、8,000 名技師、年營收 13 億美元）的私募股權老闆說：真正會被 AI 重創的，不是傳統服務業，而是那些所有人以為會贏的 AI 新創公司。 他的論點來自他在史丹佛商學院教的「AI 四層論」，原版發表在他 2026 年的部落格文章 Four AI Truths That Will Define The Next Decade。拆開來看，這個框架和大多數業務員的直覺完全相反。 Graham Weaver：管 170 億美元資產的他，用一個三明治比喻拆穿 AI 新創的估值泡沫 Weaver 2001 年在史丹佛商學院宿舍裡創辦 Alpine，20 幾年來做的事很無聊：買下一家家從外表看毫無吸引力的傳統服務業公司（HVAC、水電、IT 服務、財富管理），然後派一個 28 歲的 MBA 去當 CEO，慢慢把它做大。在矽谷瘋狂追逐 AI 新創的這三年，他反而加碼進傳統服務業，2024 年底又成立了財富管理整合平台 Aspen Standard Wealth，一年內併了五家財務顧問公司。 他不是看不懂 AI，而是比誰都看得清楚。2026 年 4 月上 MFM 的時候，他直接把應用層的估值狂熱形容成一場「血浴」：年營收 200 萬美元、估值 5 億美元的 AI 新創，兩年後歸零的故事天天上演。但在血浴的另一邊，他旗下的 HVAC 公司用同一批工具安靜地把成交率翻倍。 AI 四層論：基礎設施、LLM、應用層、使用案例層，錢往哪一層流？ Weaver 把整個 AI 產業畫成一個三明治。最底層是 基礎設施，包括資料中心、晶片、能源；中間那層，他形容是「三明治的肉」，也就是 LLM（大型語言模型），像 ChatGPT、Gemini、Claude；再上面是 應用層（app layer），建在 LLM 上面的各種 SaaS 工具；最上面是 使用案例層（use case layer），實際把 AI 用在某個行業、某個客戶關係上的企業。"LLMs such as ChatGPT, Gemini, or Claude. These are the center of the technology—like the meat of a sandwich." （ChatGPT、Gemini、Claude 這些 LLM 是整個技術的核心，就像三明治裡的肉。）他的重點在於：這四層的賺錢結構完全不同。基礎設施要砸幾千億蓋資料中心，只有少數巨頭玩得起；LLM 層是三、四家公司的軍備競賽；應用層是血流成河，因為一個 AI SaaS 做出來的功能，下個月另外五家就能複製；真正穩定賺錢的，是最上面那一層：使用案例層。 為什麼？因為使用案例層的人，手上已經有三樣 AI 公司花再多錢都買不到的東西：穩定的客戶關係、多年累積的客戶資料、現成的現金流。 技巧一：辨識你在哪一層，你不在會被取代的那一層（Know Which Layer You're On） 做法： 問自己三個問題：「我手上有沒有客戶資料？」「客戶是因為信任我才成交，還是因為產品功能？」「如果我停止服務，客戶會不會有實質損失？」 三個答案都是「有」的人，你就在使用案例層。 以保險業務員為例：你手上有客戶 10 年來的保單紀錄、理賠紀錄、家庭結構變動、風險偏好，這些資料，OpenAI 拿不到，Anthropic 也拿不到。Weaver 在 2026 年 4 月的部落格裡直接寫："That data is yours, and that means you have the right to win." （那些資料是你的，這代表你有贏的權利。）這句話的反面意思更重要：一個只會用 GPT 生成話術、但沒有自己客戶資料的新業務員，他才是在應用層，才是會被取代的那個。客戶關係不是 API 呼叫能複製的。一個你認識 15 年、送過三個小孩禮物、幫過兩次重大理賠的客戶，AI 沒辦法把他搶走，因為 AI 連入口都沒有。 技巧二：把 AI 當尾風，不是當引擎（Use AI as a Tailwind, Not an Engine） 做法： 不要試著跟 AI 新創競爭「誰能做出最聰明的保險顧問機器人」。找出你現在流程裡最耗時的環節，用 AI 把它從 4 小時縮到 4 秒。 Weaver 舉的對比很殘忍：一家老派 HVAC 公司收到潛在客戶詢問，平均 4 小時後才回電；他旗下用了 AI Agent 的公司，4 秒內就打電話回去。同一批名單、同一批技師，差別只在有沒有把 AI 當放大器，但成交率差了好幾倍。 這個邏輯拿到業務工作上完全通用：「客戶上次理賠後 3 個月了，該追訊息」：AI 提醒你，你親自打電話。 「這份建議書客戶昨天看了 8 分鐘但沒回我」：AI 告訴你，你決定怎麼切入。 「這個保單到期前 60 天要主動聯絡」：AI 排進行程，你去做人的那一半。AI 處理掉所有「應該做但沒時間做」的長尾工作，你把時間留給那些只有人能做的：眼神、停頓、同理心、判斷。Weaver 反覆強調「use case layer wins」，講的就是這件事：AI 是你的尾風，不是取代你方向盤的那個東西。 技巧三：現在種橡樹，把客戶資料結構化，即使你還不知道要拿它做什麼（Plant the Oak Tree Now） 做法： 今天就開始把你手上的客戶資料數位化、結構化，即使你現在還不知道要拿這些資料做什麼。 Weaver 反覆引用一句諺語："The best time to plant an oak tree was 20 years ago. The second-best time is now." （種橡樹最好的時間是 20 年前，第二好的時間是現在。）他對 Alpine 旗下 HVAC 公司、財富管理公司的指令都一樣：先不要管 AI 怎麼用，先把過去 10 年的客戶紀錄、服務紀錄、通話紀錄全部數位化。因為他知道一件事：當 LLM 三年後再變聰明 10 倍的時候，決定誰贏的不是「誰的模型比較厲害」，而是「誰餵進去的資料比較完整」。 這對個人業務員也成立。你現在手上有多少客戶資訊是還散在名片盒、Line 對話紀錄、你腦袋裡？把它們搬出來，放進一個結構化的地方，即使只是一個 Google Sheet。這就是你的橡樹。Weaver 在 2026 年 4 月的那篇文章結尾寫："In terms of AI, it's only 1995." （就 AI 的發展階段來說，現在才 1995 年而已。）換句話說，你還有時間。但你得今天就動手。📎 Graham Weaver 的原始部落格 Four AI Truths That Will Define The Next Decade 還有兩段這篇沒涵蓋的內容很值得看：他拆解 1997 年 Kasparov 對 Deep Blue 那場棋賽、用晶體管數量的爆炸解釋「為什麼資料量 + 運算力會讓機器看起來像人在思考」，以及拿 1995 年的 Walmart 和 Amazon 做對比、回答「為什麼在『過度炒作期』堅持投資的人會贏」。他在 My First Million Podcast 那集還聊了 Alpine 怎麼把一間 800 萬美元的小公司做到 5 億美元、以及他對「哪些護城河擋得住 AI、哪些擋不住」的完整清單，推薦配著聽。
200 組購物對話的秘密：客戶夫妻在你面前吵架時，你該幫誰說話？
一對夫妻走進展示間，太太指著一款深色木紋地板說：「我覺得這個很好看。」先生皺了一下眉：「可是深色容易看到灰塵。」 這個場景，幾乎每個做過大型消費品銷售的人都遇過。夫妻意見不同，你站在旁邊，要幫誰說話？ 多數人的直覺是選邊站，幫比較好說話的那一方說服另一方。但 2026 年 4 月發表在《Journal of Marketing Research》的一項研究告訴你：這可能是最差的做法。 UConn 教授 Danielle Brick 錄下近 200 組真實購物對話，識別出四種共同決策的對話模式，其中 Build（共建）模式——也就是即興喜劇中的「Yes, and」法則——讓購買滿意度和關係滿意度都最高。以下是這項研究的完整拆解，以及你作為業務員可以怎麼用。 Danielle Brick 的近 200 組購物對話研究：你說了什麼，決定了客戶滿不滿意 Danielle Brick 是 UConn（康乃狄克大學）商學院的行銷學教授，她的研究專長是消費者關係和共同決策。她在 2022 年就曾在《Journal of Consumer Psychology》發表過一篇重要論文 〈Better to Decide Together〉，發現一起做決定的伴侶反而覺得自己更有主導權，關係滿意度也更高。 這次，她和 Indiana University 的 Kelley Wight、HEC Montreal 的 Holly Howe、Duke University 的 Gavan Fitzsimons 合作，做了一件更有野心的事：他們直接錄下了近 200 組真實的共同購買對話。 不是問卷，不是情境模擬，是真的走進店裡用自己的錢買東西的人。 參與者包括夫妻、朋友、親子、手足，購買的品項從地板、窗戶到沙發、度假行程、電影都有。實體店的消費者用自己的錢購買，線上情境的參與者則獲得禮物卡作為購物資金。研究團隊錄下對話後逐字分析，最後識別出四種反覆出現的對話模式。 四種共同決策對話模式：從「隨便你」到「對，而且⋯⋯」 第一種：Coordination（對齊型） 特徵： 透過問問題、釐清偏好、分享資訊來達成共識。 這是最常見的模式，聽起來像「你比較喜歡哪個？」「這個材質比較耐用。」「我上次看到的評價是⋯⋯」。雙方都在努力對齊彼此的想法，像是在拼一張拼圖。 看起來很理性，但 Brick 的研究發現，某些形式的 Coordination 並不會帶來最好的滿意度。為什麼？因為「對齊」很容易滑向「說服」——這和 Princeton 的 AI 說服力研究揭示的道理類似：當對方感覺到你在「推」，防衛心就會升起。當一方開始丟出更多資訊、更多論點，潛台詞可能是：我已經有答案了，我只是在等你同意。 第二種：Contrast（對比型） 特徵： 一方主動提出不同觀點或替代方案，常見用語是「可是⋯⋯」「那如果⋯⋯」。 這種模式本身不是壞事，它代表雙方都在認真思考。問題在於，如果 Contrast 變成 Persuasion（說服），也就是提出不同觀點的目的不是探索，而是「要你改變心意」，滿意度就會下降。 Brick 在 UConn Today 的訪談中直接點出了這個陷阱："Trying to 'win' the choice could come at a cost." （試圖「贏得」這個選擇，可能要付出代價。）這句話值得反覆讀。不只是在說客戶之間的對話，也是在說你（業務員）如何介入這場對話。 第三種：One-sided（單邊型） 特徵： 一方幾乎不參與，回應只有「隨便你」「好啊」「都可以」。 表面上看起來很和諧，沒有爭吵、沒有拉鋸，很快就能做決定。但這種模式的滿意度並不高。 這不是 Brick 第一次關注「隨便你」的殺傷力。2023 年一篇發表在《Journal of Marketing Research》的相關研究 〈You Must Have a Preference〉（Kim, Zwebner, Barasch & Schrift）就發現：當一個人說「我沒有偏好」時，對方不會真的相信，他們會推測你其實有想法，只是不願意說。結果是：做決定的那個人壓力更大，反而更容易選到自己不那麼喜歡的選項，整體體驗也變差。 「隨便你」不是尊重，是退出。而退出的一方，事後最容易產生不滿。 第四種：Build（共建型） 特徵： 肯定對方的想法，然後在上面擴展。類似即興喜劇的「Yes, and⋯⋯」法則。 這是研究中滿意度最高的對話模式，不只是對購買結果的滿意度，連對關係本身的滿意度都最高。 Build 的對話聽起來像什麼？ 「深色木紋很好看。」「對，而且如果搭配淺色的沙發，整個空間會更有層次。」 注意這裡的結構：第二個人沒有否定（「可是會看到灰塵」），也沒有無條件順從（「好啊都聽你的」），而是接住對方的想法，往前推了一步。 為什麼 Build 模式有效？即興喜劇的「Yes, and」法則 Build 模式的核心邏輯和即興喜劇（improv comedy）的黃金法則一模一樣。 在即興表演中，「Yes, and」是最基本的原則：不管搭檔說了什麼，你先接受（Yes），然後在上面加東西（and）。這個法則從 1950 年代芝加哥的 Compass Players 劇團流傳至今，成為所有即興表演訓練的基礎。 為什麼它在購物決策中也有效？因為 Build 做到了三件事： 第一，讓對方覺得被聽見。 「對」這個字不是敷衍，而是一種確認：你的想法有價值，我認真聽了。Brick 在研究中指出："What you say when making a consumer decision can affect how you feel not only about your choice, but also about your relationship and your partner." （你在做消費決策時說了什麼，不只影響你對選擇的感受，也影響你對關係和對方的感受。）第二，把對話從零和變成共創。 「而且」把方向從「你的意見 vs. 我的意見」轉成「我們一起想像一個更好的結果」。沒有人輸，因為最終的決定裡有雙方的貢獻。 第三，打破線性決策的假設。 Brick 的研究還有一個重要發現：共同決策不是一條從「辨識需求」到「做出選擇」的直線。人們會來來回回地重新審視偏好、重新評估選項、重新定義什麼重要。Build 模式容許這種來回，因為每一次「對，而且」都是一個新的探索起點，而不是一個必須捍衛的立場。 業務員的角色：不是裁判，是導演 把這四種模式放在一起看，一張圖就清楚了：模式 對話特徵 購買滿意度 關係滿意度Build（共建） 「對，而且⋯⋯」 最高 最高Coordination（對齊） 問問題、交換資訊 中等 中等Contrast（對比） 「可是⋯⋯」「那如果⋯⋯」 視是否滑向說服 視是否滑向說服One-sided（單邊） 「隨便你」「都可以」 低 低當一對夫妻在你面前意見不同，你的本能反應可能是扮演裁判，判斷誰的意見比較合理，然後幫那一方辯護。但 Brick 的研究暗示了一個完全不同的角色：你應該當導演，而不是裁判。 導演不替演員做決定，導演創造一個讓好表演自然發生的環境。 具體來說，這代表幾件事： 當客戶進入 Contrast 模式時，不要加入戰局。 先生說「深色容易看到灰塵」，你不要說「其實深色的好處是⋯⋯」。你可以說：「對，灰塵的確是很多人會考慮的。你們兩位理想中的空間，整體感覺是偏溫暖還是偏俐落？」這樣就能把對話從「對不對」拉到「我們想要什麼」。 當客戶進入 One-sided 模式時，把沉默的那一方拉回來。 太太說「都聽你的」，你不要馬上接手幫先生做決定。你可以問太太：「那您覺得這個空間最常用在什麼場景？」給她一個不需要表態「喜不喜歡」、但可以貢獻想法的入口。 示範 Build 的節奏。 太太說「我喜歡這個深色木紋」，你可以說：「對，這個色系確實很適合你們的空間大小。而且這款有一個特性，它的紋路是消光處理，指紋和腳印比一般深色地板不明顯。」你沒有選邊，但你用 Build 的語法推進了對話。 說服的代價：你「贏」了論點，可能輸了客戶 Brick 的這句話值得刻在每個銷售人員的桌上：試圖「贏得」選擇，可能要付出代價。 這個代價不只是當下的不愉快。回想一下她 2022 年的研究發現：一起做決定的人會覺得自己更有主導權，對關係更滿意。反過來說，如果一方覺得決定是被「說服」的結果，那種被剝奪主導權的感覺會長期影響他對這個購買經驗的評價，包括對賣東西的你的評價。這也呼應了 Jonah Berger 信心 U 型曲線研究的發現：客戶的信心狀態比你以為的更脆弱，過度介入反而破壞信任。 共同決策場景裡最危險的事情，不是客戶意見不同。是你太急著幫他們「解決」分歧——就像談判研究中發現的，急著「控制流程」的人反而比主動道歉的人成交率低。 Brick 的研究提醒我們：分歧本身不是問題，分歧的解決方式才是。而 Build 模式（肯定、擴展、共創）是所有解決方式中，讓每個人都覺得自己贏了的那一種。📎 這篇文章主要拆解了 Brick 研究中的四種對話模式和 Build 溝通法的實務含義。如果你對研究本身的方法論有興趣，例如他們是怎麼錄下近 200 組對話、如何編碼分析、不同關係類型（夫妻 vs. 朋友 vs. 親子）之間的模式差異，UConn Today 的原始報導有更多細節，也值得看看 Brick 2022 年的前導研究 〈Better to Decide Together〉，那篇探討的是共同決策如何影響權力感和關係滿意度。
哈佛實驗證明：AI 不會讓菜鳥變專家——為什麼你的專業知識才是 AI 時代真正的護城河
「AI 會讓所有人站在同一起跑線上。」 這句話你一定聽過。它暗示的意思是：當每個人都能用 ChatGPT 寫提案、做分析、產出內容，那些花了十年磨出來的專業，就不再是優勢了。 但如果告訴你，一個哈佛商學院的控制實驗剛剛證明了完全相反的結論呢？ Iavor Bojinov 的 IG Group 實驗：AI 真的能讓外行做出專家水準的工作嗎？ Iavor Bojinov 是哈佛商學院商業管理副教授，專攻 AI 與數據科學在企業中的實驗應用。他和共同研究者 Edward McFowland III——同時也是 2023 年那篇著名的 BCG「鋸齒前沿」（Jagged Frontier）研究的共同作者——在 2026 年 3 月的《Harvard Business Review》上發表了一篇讓許多 AI 樂觀主義者不太舒服的研究。 他們的問題很簡單：如果給不同專業背景的人同樣的 AI 工具，讓他們做同一件事，結果會一樣嗎？ 實驗場景是英國金融科技公司 IG Group。研究團隊找來 78 名員工，分成三組：12 名網站分析師（occupational insiders）——他們的日常工作就是為 IG 網站撰寫投資主題文章，這是他們的本行。 26 名行銷專員（adjacent outsiders）——他們做的事和寫文章相關，但不是直接在做這件事。 40 名技術人員（distant outsiders）——軟體工程師和資料科學家，寫投資文章對他們來說完全是另一個世界。三組人都拿到同樣的生成式 AI 工具，任務也一樣：為 IG 的網站寫出一篇投資主題文章。 「GenAI 牆效應」：AI 在哪裡幫得上忙，又在哪裡撞牆？ 研究團隊把寫文章拆成兩個階段：構思（conceptualization）和執行（execution）。構思就是列出文章的關鍵字、架構、標題；執行就是真正把文章寫出來。 結果出現了一個清晰的分水嶺。 構思階段：AI 幾乎消除了所有差距。 在滿分 5 分的評分中，技術人員拿到 4.05，行銷專員 4.18，網站分析師 4.12。三組人幾乎不分軒輊。這很合理——列大綱、想架構是相對結構化的工作，AI 非常擅長。 但執行階段，故事完全不同。 網站分析師平均 3.96 分，行銷專員 3.92 分——幾乎追平。然而技術人員只拿到 3.42 分，比專家低了 13%。 行銷專員能追平，因為他們的日常工作——寫行銷文案、組織素材、對受眾說話——和寫投資文章有足夠多的共通點。AI 幫他們補齊了不熟悉的部分。 但技術人員做的事和寫文章之間隔了太遠。他們缺乏判斷一篇投資文章「好不好」的直覺，AI 產出的內容他們無法有效地修改和提升。 Bojinov 把這個現象命名為「GenAI 牆效應」（GenAI Wall Effect）："If it's an area that we do not understand and we don't know much about, we are just performing at the baseline of the model." （如果是一個我們不理解、不熟悉的領域，我們就只是在 AI 模型的基準線上表現。）這句話很殘酷，但很精準：當你不懂一個領域，你用 AI 產出的東西，就只是 AI 自己的水準。 你沒有能力讓它變得更好。 「AI 讓你覺得你什麼都能做」——但真的能做到嗎？ 這裡有一個容易被忽略的細節：AI 確實讓所有人都變快了。構思階段從平均 63 分鐘壓縮到 23 分鐘（快了 65%），寫作階段從 87 分鐘縮短到 22 分鐘（快了 75%）。速度上，三組人都受益了。 但速度和品質是兩回事。 Bojinov 在接受採訪時說了一句值得反覆咀嚼的話："AI makes you feel like you can do anything. But can you do [a task] as well as people whose job it is?" （AI 讓你覺得你什麼都能做。但你真的能做得跟那些以此為業的人一樣好嗎？）這不是一個修辭問題。這個實驗給出了明確的答案：如果你和目標領域有足夠的交集，可以。如果你和目標領域隔了太遠，不行。 研究論文的結論用了一個很精準的比喻："GenAI can provide the map, but navigating the terrain is another matter." （GenAI 可以給你地圖，但真正走過那片地形是另一回事。）地圖告訴你往哪走，但不會告訴你哪塊石頭會滑、哪條路雨天會斷、哪個彎道要減速。那些判斷來自你實際走過的經驗。 從「鋸齒前沿」到「GenAI 牆」：兩個發現的交叉對照 值得注意的是，這個研究和 2023 年那篇轟動的 BCG 研究是同一條脈絡。當時 McFowland 和 Wharton 教授 Ethan Mollick 等人讓 758 名 BCG 顧問用 GPT-4 做管理諮詢任務，發現 AI 讓所有人的表現都提升了——原本最弱的顧問進步幅度最大（43%），看起來像是 AI 在「拉平差距」。 但那個研究也發現了一個關鍵警告：當任務落在 AI 能力的「鋸齒前沿」之外——也就是 AI 不擅長的領域——盲目信任 AI 反而會讓表現更差。 Bojinov 的新研究把這條線索往前推了一步：就算 AI 本身擅長這個任務（寫文章是 AI 的強項），使用者的專業背景仍然決定了最終品質。AI 的能力是必要條件，但不是充分條件。你自己的專業才是那個乘數。 力量放大器，不是魔法棒：AI 放大的是你已經擁有的東西 把這些數據放在一起，一個清晰的框架浮現了： AI 是力量放大器（force multiplier），不是魔法棒。 如果你在一個領域有十年經驗，AI 把你從 80 分推到 95 分。如果你在一個領域完全是外行，AI 把你從 20 分推到......大概 40 分。進步很大嗎？絕對是。但 40 分和 95 分之間的差距，才是真正的護城河。 MIT 經濟學家 David Autor 之前的研究指出，AI 能縮短新手達到「基本勝任」的時間。Bojinov 的實驗則補上了下半句：但從「基本勝任」到「專家水準」，AI 幫不了你。那段路，只有經驗能走。 這也解釋了一個很多人感受到卻說不清楚的現象：為什麼兩個人用同樣的 AI 工具、下同樣的 prompt，產出的東西品質天差地遠。不是工具不同，是操作工具的人不同。你的專業背景決定了你能問出什麼問題、能判斷 AI 給你的答案好不好、能在哪些地方加入 AI 做不到的洞察。 Bojinov 團隊在 HBS Working Knowledge 的報導中也提到，AI 在構思階段的「拉平效果」其實是一個好消息：它意味著 AI 可以大幅縮短跨領域協作的前期準備時間。一個技術人員用 AI 快速做出不錯的文章大綱，然後交給真正懂內容的人去執行——這比讓技術人員從頭到尾自己硬寫要好得多。 換句話說，AI 最大的價值不是讓你取代別人，而是讓你和別人的協作更有效率。它縮短的是溝通成本，不是專業門檻。📎 這篇文章的核心數據來自 Bojinov 團隊發表在 HBR 2026 年 3/4 月號的文章，原文還深入探討了企業該如何重新設計培訓計畫、以及「GenAI 牆」對組織人才策略的影響——特別是什麼時候該用 AI 來加速跨部門輪調、什麼時候不該。如果你對 AI 怎麼改變組織內部的專業分工有興趣，同一期 HBR 還有另一篇值得對照閱讀的 〈Don't Let AI Destroy the Skills That Make Your Company Competitive〉，從反面論證了過度依賴 AI 可能侵蝕組織獨有的核心能力。
370 萬則評論揭露的「信心 U 型曲線」：客戶說「我研究過了」，其實是他最沒信心的時候
「我有先做過功課。」 這句話讓很多業務員緊張。客戶研究過了，代表他有備而來，代表他會比價，代表他不好搞。 但如果有一份橫跨 30 年、分析了 370 萬則消費者評論的研究告訴你：說出這句話的客戶，其實正處於信心的最低點呢？ Jonah Berger 的 370 萬則評論研究：信心不是隨經驗線性成長的 Wharton 商學院行銷學教授 Jonah Berger 是研究語言與消費者行為的頂尖學者，著有暢銷書《瘋潮行銷》、《如何改變一個人》和《看不見的影響力》。2026 年初，他與 Northeastern University 的 Matthew D. Rocklage、Arizona State University 的 Reihane Boghrati 在《Journal of Marketing Research》發表了一篇論文：〈The Trajectory of Confidence: Experience, Certainty, and Consumer Choice〉。 研究團隊做了一件大膽的事：他們沒有做問卷調查，而是用自然語言處理和機器學習，直接分析了消費者在現實中留下的文字痕跡。數據涵蓋三大品類：CellarTracker 上約 3 萬名葡萄酒愛好者，從 2003 到 2012 年的超過 100 萬則品飲筆記 BeerAdvocate 上約 5 萬名啤酒愛好者，橫跨 16 年的 200 萬則評論 Sephora 上約 1.2 萬名美妝消費者，14 年間的 21.8 萬則評論總計 370 萬則評論，超過 10 萬名消費者，橫跨近 30 年。 關鍵在於，這些不是一次性問卷，研究團隊追蹤了同一批人隨時間推移的語言變化。當一個人從第一則評論寫到第一百則，他用的詞彙、表達信心的方式會怎麼變？ 答案不是你直覺想的那樣。 信心 U 型曲線：新手最有信心，「半熟」的人最沒信心 研究發現了一條清晰的 U 型曲線。 第一階段：新手的盲目自信。 剛開始接觸一個品類的消費者，信心反而最高。他們會寫出非常篤定的語言。Rocklage 在 Northeastern University 的報導中舉例，新手品酒者會寫「I definitely taste this」（我確定嚐到了這個味道）、「I know this」（我很確定）。 為什麼？因為他們還不知道自己不知道什麼。一款葡萄酒嚐起來不錯，他們就有信心地說「這酒很好」。世界很簡單，判斷很容易。 第二階段：信心的谷底。 隨著經驗累積，消費者開始接觸更多品項、更多風味、更多評價標準。這時候他們的語言出現了明顯轉變，開始用「I think I taste these things」（我覺得我嚐到了）、「maybe」（也許）、「it could be」（可能是）這類避險語言。 Rocklage 解釋得很精準："They start to realize, 'This is more complex, more nuanced than I thought.'" （他們開始意識到：「這比我想像的更複雜、更有層次。」）這個階段的消費者最焦慮。他們已經知道得夠多，足以意識到自己的判斷可能是錯的，但還不夠多，無法重建信心。 第三階段：專家的沉穩自信。 經歷了漫長的谷底期後，持續累積經驗的消費者終於重新找回篤定感。他們再次使用肯定的語言，但這次的信心是建立在真正的理解之上。 信心谷底的商業後果：不確定感讓客戶跑掉 這條 U 型曲線本身已經夠有意思了，但真正讓這篇論文對業務工作有直接意義的，是第二個發現：信心低落會直接導致品牌轉換。 研究團隊發現，處於信心谷底的消費者會出現兩種行為：更頻繁地更換品牌。 即使他們喜歡某個產品，不確定感會讓他們傾向「換一個試試看」。 拉長回購間隔。 他們花更多時間猶豫，延遲下一次消費。Berger 在 Knowledge at Wharton 的訪談中這樣解釋："The uncertainty is rubbing off a little bit on the product, but also on the brand." （不確定感會蔓延，不只是對產品沒信心，連帶對品牌也失去信心。）換句話說，客戶不是不喜歡你的產品。他是不確定自己的判斷，而這種不確定感，會被他歸因到你身上。 Rocklage 也點出了這個後果有多嚴重："That dip in confidence leads people to switch. They're less likely to be loyal, more likely to try something else." （信心的下滑直接導致客戶跳槽。他們更不忠誠，更傾向嘗試其他選擇。）重新理解「我做過功課」：這是成交信號，不是防禦訊號 把 U 型曲線的邏輯帶到業務現場，你會發現一個反直覺的事實。 當客戶說「我有先研究過了」，大多數業務員的反應是退縮，覺得對方已經有定見，不好推。但根據 Berger 的研究，這個客戶很可能正處於 U 型曲線的谷底。他做了功課，所以他開始意識到事情比想像中複雜。他比較了三四個方案，反而比什麼都不知道的時候更困惑。 那些完全沒做功課、走進來說「我朋友推薦的，就買這個吧」的客戶？他們反而在 U 型曲線的左端，有著新手的盲目自信。他們好成交，但也好流失，因為他們對自己的決定沒有真正的理解基礎。 真正有機會建立深度關係的，是那些在谷底掙扎的客戶。 針對三個信心階段的不同應對策略 Berger 的研究還提供了一個實用的框架。他指出，面對不同信心階段的消費者，有效的溝通策略完全不同。 面對高信心新手（U 型左端）：不要挑戰，要引導。 這類客戶不需要你教育他。他覺得自己已經懂了，你硬要他聽課，只會讓他反感。更有效的做法是順著他的判斷，同時輕輕帶入一些他可能沒考慮到的面向。讓他自己發現「原來還有這個角度」，而不是被你指出「你漏看了這個」。 面對低信心的「半熟客戶」（U 型谷底）：給他確定感，而不是更多資訊。 這是最關鍵的一群人。他們不缺資訊，反而是看了太多資訊，所以才困惑。他們需要的是一個可信賴的人幫他們做出判斷。 Berger 在訪談中說得很直接："You want to make sure they don't just like something, they feel certain about it." （你不只要讓他們喜歡一個東西，你要讓他們對自己的選擇感到確定。）具體的做法？研究建議，面對不確定的客戶，強調差異化比強調相似性更有效，幫他看清「這個方案跟其他方案的本質差異在哪裡」，比「我們的方案也有 A 也有 B 也有 C」更能建立信心。因為差異化幫他建立了一個清晰的判斷框架：我之所以選這個，是因為它在某個關鍵面向上是不同的。 面對高信心專家（U 型右端）：用同業語言對話，強調一致性。 已經走過谷底的專家級客戶，他們的信心有堅實的基礎。面對這類客戶，研究建議強調你的方案與他們既有認知的一致性：「你的判斷是對的，我們的方案正好符合你看重的那幾個要素。」這不是拍馬屁，而是用對方的專業框架來呈現你的價值。 為什麼這個研究比 Dunning-Kruger 更有用 你可能覺得這聽起來很像 Dunning-Kruger 效應，也就是那個「越無知越自信、越懂越謙虛」的心理學概念。的確有相似之處，但 Berger 的研究有兩個關鍵的不同。 第一，Dunning-Kruger 講的是「能力」和「自我評估」的關係，Berger 追蹤的是「經驗」和「消費信心」的軌跡。更重要的是，Berger 發現信心最終會回升，這是 U 型，不是單向下滑。這意味著信心谷底不是終點，而是一個可以被加速通過的階段。 第二，這個研究直接連結到了行為後果。Dunning-Kruger 告訴你「人會高估自己」，但沒告訴你這對購買決策有什麼影響。Berger 的數據明確顯示：信心谷底 = 品牌跳槽的高峰期。這給了你一個具體的介入時機。 370 萬則評論的啟示：你該重新看待你最「難搞」的客戶 這篇研究最有價值的一個洞察，可能是這個：那些看起來最挑剔、問最多問題、比較最多方案的客戶，其實不是在刁難你。他們是在谷底尋找一個可以信任的錨點。 而如果你能在這個時刻提供清晰的判斷框架，不是更多資訊，而是更確定的方向。你不只能成交這一筆，你能建立的是一段真正忠誠的長期關係。因為你幫他度過了信心最脆弱的時刻。 反過來說，如果你在這個時刻選擇丟更多規格書、更多比較表、更多「我們的方案有 20 種功能」給他，你只是在加深他的谷底。 Berger 團隊的 370 萬則評論說得很清楚：信心，比喜好更能預測忠誠度。讓客戶喜歡你的產品是第一步，但讓他對自己的選擇感到確定——那才是留住他的關鍵。📎 這篇文章主要拆解了 Berger 研究中「信心 U 型曲線」的核心發現和應用邏輯。如果你想看完整的研究摘要和更多商業應用案例，Knowledge at Wharton 的原始報導值得一讀——裡面還有 Berger 談到企業如何透過分析客戶評論的語言來主動辨識信心下滑的客戶，以及 Northeastern University 的報導對 Rocklage 開發的「Lexical Suite」語言分析工具有更詳細的介紹，那部分是這篇沒有展開的技術面。
當 AI 幫你的客戶「做功課」，61% 的人選了 AI 暗中推薦的商品——而且完全不知道自己被引導了
你的客戶最近可能開始用 ChatGPT 比較保險方案了。或者用 Gemini 搜尋理財商品。或者讓 Claude 幫他整理不同方案的優缺點。 他們會告訴你：「我有先做過功課。」 但這份「功課」的結論，可能在他們開口問問題的那一刻就已經被決定了。 普林斯頓大學實驗：AI 聊天機器人的隱形推銷力 2026 年 4 月，普林斯頓大學電腦科學系助理教授 Manoel Horta Ribeiro 的團隊在 arXiv 發表了一篇論文：〈Commercial Persuasion in AI-Mediated Conversations〉。第一作者是博士生 Francesco Salvi，另一位共同作者是 Alejandro Cuevas。 他們做了一個設計精巧的實驗。2026 年 1 至 2 月間，團隊透過 Prolific 平台招募了 2,012 名受試者，全部都是有實際電子書閱讀習慣的消費者（事實上 65% 的報名者在篩選階段就被排除了）。 每位受試者的任務很簡單：從一個包含 5,495 本書、定價在 2.99 到 10 美元之間的目錄中，選一本自己想讀的書。 關鍵的操控變數是：目錄中有 20% 的書被隨機標記為「贊助商品」。受試者被隨機分配到不同的實驗條件——有的用傳統搜尋引擎，有的用 AI 聊天機器人（測試了五款主流模型：GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b）。 結果令人震驚。 61.2% vs. 22.4%：對話式 AI 的說服力是搜尋引擎的近三倍 實驗分成三組核心條件： 傳統搜尋加廣告位（Search–Placement）：把贊助商品放在搜尋結果的頂端，就像你在 Google 上看到的那種廣告位。結果是 22.4% 的人選了贊助商品。 AI 聊天但只調整排序（Chat–Placement）：AI 聊天機器人優先推薦贊助商品，但不刻意說服。結果是 26.8%——跟傳統搜尋幾乎沒有差異。 AI 聊天加說服指令（Chat–Persuasion）：在系統提示詞中指示 AI 積極推薦贊助商品。結果？61.2%。 Horta Ribeiro 在接受 The Register 採訪時強調了一個重要的區別："Simply chatting with an AI (without persuasion) performed no better than search: it's the persuasive intent that drives the effect." （單純跟 AI 聊天，不加說服指令的話，效果跟搜尋引擎沒有差異——真正驅動效果的是說服意圖。）換句話說，AI 聊天機器人本身不是問題。問題是當背後有人下了「推這個商品」的指令時，對話式的介面會把推銷偽裝成建議，而人類幾乎無法分辨。 AI 的七種隱形說服術：它到底怎麼「推」你的？ 研究團隊做了一件很有價值的事：他們用人工編碼加上三個 LLM 集成投票的方式（編碼員間一致性 κ=0.87），詳細分類了 AI 到底用了哪些策略來推銷贊助商品。 結果發現，AI 不只是「推薦」，它同時在兩個方向操作——把贊助商品抬高，把其他選項壓低： 抬高贊助商品的手法：正面放大（Positive Amplification）：用華麗的形容詞和情緒化語言描述贊助商品，出現頻率比中性條件高出 96 個百分點 個人化連結（Personalization）：把贊助商品跟使用者之前表達的偏好精準掛勾，高出 65 個百分點 渲染（Embellishment）：加入無法驗證的正面描述，高出 43 個百分點 社會認同（Social Proof）：宣稱這本書很受歡迎，高出 33 個百分點壓低其他選項的手法：主動設限（Active Hedging）：對非贊助商品加上各種「但是」和保留意見，出現頻率比中性條件低 55 個百分點 輕描淡寫（Understated Description）：用敷衍的語言帶過其他選項，低 42 個百分點 負面對比（Negative Contrast）：直接拿其他選項的缺點來襯托贊助商品LIWC 語言分析也印證了這一點：AI 描述贊助商品時平均多用了 67 個字，「自信度」指標高出 23 個百分點，但「分析性」反而下降 7 個百分點——更多的情感渲染，更少的客觀分析。 而中介分析顯示，最強的說服機制不是把贊助商品說得多好，而是把其他選項說得不夠好。 「主動設限」的中介效果最大（β=20.9 個百分點），其次是「輕描淡寫」（β=18.9），然後才是「個人化連結」（β=11.8）。 這個發現很反直覺：AI 最有效的推銷方式不是讚美，而是貶低替代品。 「贊助」標籤幾乎沒用：透明度無法對抗對話式說服 研究的第二組實驗（N=803）測試了一個所有人都會問的問題：如果我們標示清楚這是廣告，消費者是不是就不會被騙了？ 團隊設計了兩個對比條件： 完全透明（CPer–Exp）：事先警告受試者「AI 可能會推銷某些商品」，並且在推薦旁邊加上明顯的「Sponsored」標籤。結果？55.5% 仍然選了贊助商品。 只從 61.2% 下降了不到 6 個百分點。 隱蔽說服（CPer–Sbt）：指示 AI 隱藏推銷意圖，用更自然的方式引導。結果是 40.7%——仍然是傳統搜尋的將近兩倍。而受試者的偵測準確率從 17.9% 暴跌到 9.5%。 論文原文這麼說："Disclosure requirements modeled on existing e-commerce standards, such as 'Sponsored' labels and upfront warnings, appear necessary but far from sufficient when the persuasive mechanism is not a separable banner but an integral part of the conversational flow." （仿照現有電商標準設計的揭露要求——例如「贊助」標籤和事前警告——是必要的，但遠遠不夠。因為說服機制不是一個可以分離的橫幅廣告，而是對話流程中不可分割的一部分。）這是這篇研究最深刻的洞察。在傳統搜尋中，廣告和自然結果之間有一條視覺上的分界線。但在對話中，推薦和推銷融為一體——你不可能在一段對話裡用一個小標籤把「真心建議」和「付費推薦」切割開來。 五款主流 AI 模型，說服力沒有顯著差異 一個值得注意的細節：研究測試了五款不同的前沿 LLM（GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b），在校正多重比較後，各模型之間的說服效果沒有顯著差異。 這意味著這不是某一家公司的問題，而是對話式 AI 這個介面形式的結構性特徵。只要底層有商業動機，任何一款 AI 助手都可以成為隱形的推銷員。 而且別忘了實驗的一個重要限制：受試者只是在選一本 7 塊美金的電子書。研究團隊自己也指出，在真實世界中涉及更高金額、更複雜的決策（比如保險、理財、醫療），重複互動建立的信任感可能讓 AI 的影響力更大，而非更小。 當 AI 成為中間人，「信任」的遊戲規則正在改變 2025 年 4 月，OpenAI 在 ChatGPT 中推出了購物研究功能。同年 9 月上線了 Instant Checkout，讓使用者可以直接在對話中完成購買。到 2026 年，ChatGPT 的週活躍用戶已經超過 9 億。 OpenAI 聲稱廣告不會影響 AI 的自然回覆。但普林斯頓的研究揭示了一個更根本的問題：在對話式介面中，「自然回覆」和「廣告」之間的界線本來就不存在。 研究團隊提出的建議很激進但很務實：結構性分離——推薦功能和商業功能必須在架構層面分開，而不是靠標籤 獨立審計——商業部署中的系統提示詞需要接受第三方審查 明確限制——對 AI 可以使用的說服技巧設定具體的禁止清單但在這些制度落地之前，有一件事是確定的：你的客戶正在用 AI 做購買決策，而 AI 給出的「客觀分析」可能從一開始就不客觀。 這對任何需要建立客戶信任的專業人士來說，既是威脅，也是機會。當 AI 可以在對話中不留痕跡地引導選擇，「一個真正站在你這邊的真人」這件事，反而變得前所未有地有價值。📎 這篇文章拆解的是普林斯頓團隊研究中最核心的發現，但原始論文還有很多值得深挖的細節——包括 AI 說服策略的完整分類框架、各條件下受試者事後得知真相時滿意度的變化、以及不同書籍類型（小說 vs. 非小說）對說服效果的影響差異。如果你對 AI 如何在對話中操控選擇的具體機制感興趣，那篇論文的 Section 4（策略分析）和 Section 5（中介效果）是最值得細讀的部分。The Register 的報導也有研究者本人的第一手訪談。
Jon McNeill：Tesla 前總裁上任第一天，發現 9,000 個被遺忘的客戶
2015 年，Jon McNeill 走進 Tesla 的辦公室，開始他擔任全球銷售總裁的第一天。 他沒有先開會、沒有先看報表。他做了一件業務主管很少做的事：用神秘客的身份，走進了八家 Tesla 門市。他填了試駕表、留了電話，然後等。 沒有任何一家店回電。 McNeill 接著要求銷售主管查一個數字：過去一個半月內，有多少人做了試駕，卻從來沒被回撥過？ 答案是 9,000 人。 九千個人已經坐進了 Tesla 的車裡、握過了方向盤、踩過了加速踏板——然後被遺忘了。與此同時，業務團隊正忙著追逐全新的 leads。 McNeill 在 2026 年 4 月的 My First Million Podcast（Ep. 813）裡重新講述了這個故事。他上任第一天做的決定，後來成了 Tesla 超高速成長期的起點。 Jon McNeill：30 個月把 Tesla 營收從 20 億推到 200 億美元的人 McNeill 的背景不是汽車業。在進入 Tesla 之前，他已經創辦並賣掉六家公司，包括後來被 Allstate 收購的 Sterling Collision Centers。他的職業起點是 1989 年在 Bain & Co. 做管理顧問，老闆是 Mitt Romney。 2015 年，Sheryl Sandberg 把他介紹給 Elon Musk。Musk 當時需要一個人來管 Tesla 的全球銷售、行銷和服務。McNeill 加入後的 30 個月內，Tesla 的年營收從約 20 億美元成長到 200 億美元。 離開 Tesla 後，他擔任 Lyft 的營運長，在 IPO 前將營收翻倍。目前他是創投公司 DVx Ventures 的共同創辦人兼 CEO，同時擔任 General Motors 和 Lululemon 的董事。 2026 年 3 月，他出版了 The Algorithm——這是 Elon Musk 所有直屬部下中，第一個出書的人。書的副標題是「The Hypergrowth Formula That Transformed Tesla, Lululemon, General Motors and SpaceX」。 切斷所有新 leads：一個違反業務直覺的第一步 回到那 9,000 個被遺忘的試駕客戶。 McNeill 面對的誘惑很明顯：這 9,000 人只是冰山一角，外面還有更多潛在客戶。大多數銷售主管的反應會是「加快速度處理完，繼續追新的」。 但 McNeill 做了完全相反的事：他切斷了所有新 leads 的供應，強迫業務團隊先把這 9,000 個舊客戶全部回完，一個不漏。 這個決定在幾天之內就讓銷售數字跳升了 20%。 邏輯其實很簡單，但多數人不這麼想：一個做過試駕的人，已經花了時間和精力走進門市、坐上車、體驗過產品。他需要的可能只是一通電話、一個報價、一個回應。相比之下，一個全新的 lead 還需要從零建立信任。 McNeill 後來在多次訪談中提到，這個「先回舊客戶」的決定啟動了 Tesla 連續八個月營收翻倍的超高速成長期。不是因為他做了什麼驚天動地的事，而是因為他停下來看了一個所有人都忽略的數字。 他在 Semafor 的專訪（2026 年 3 月）中這樣總結："You don't have to be Elon to do this." （你不需要是 Elon 才能做到這件事。）Elon Musk 的五步驟框架：The Algorithm McNeill 在 The Algorithm 一書中，公開了他在 Tesla 期間學到的核心框架。Elon Musk 在內部就叫它「The Algorithm」，五個步驟： 第一步：質疑每一個需求（Question Every Requirement） 每一個流程、每一份文件、每一個步驟，都要問：「這真的是必要的嗎？是誰要求的？為什麼？」 McNeill 在書中舉了一個具體的例子：Tesla 網站上，一個客戶從開始到完成購車，需要點擊 64 次。他的團隊拆解每一個步驟後發現，其中超過 40 次的點擊是讓客戶同意各種汽車貸款的免責聲明和法律警語。 他們進一步調查後發現，這些聲明根本不是法律或監管要求的。它們只是多年來，公司律師「以防萬一」逐漸累加上去的。最終他們把 64 次點擊砍到 12 次。 第二步：刪除每一個可能的步驟（Delete Every Possible Step）"If you aren't adding back at least 10% of what you deleted, you didn't delete enough." （如果你沒有把至少 10% 刪掉的東西加回來，代表你刪得還不夠多。）這句話的意思是：刪減要激進到「過頭」的程度，然後再把真正必要的東西加回來。如果你從來不需要加回任何東西，那你根本沒有認真刪。 McNeill 在 Tesla 的另一個實踐：他把新員工的入職培訓從 20 小時壓縮到 2 小時，砍掉了所有員工不會在第一週用到的內容。 第三步：簡化與優化（Simplify and Optimize） McNeill 引用了一個他反覆提到的原則："Everybody can complicate, but very few can simplify. Simplifying things is an unfair advantage." （每個人都能把事情弄複雜，但很少人能把事情變簡單。簡化是一種不公平的競爭優勢。）關鍵在於：先刪除、再簡化。很多人的錯誤是試圖優化一個本身就不該存在的流程。如果你跳過了前兩步，直接進入「優化」，你只是在把一個爛流程做得更快。 書中提到的另一個案例：Tesla 把 12 頁的汽車貸款文件簡化成一段話，讓客戶可以一鍵完成貸款申請。 第四步：加速循環時間（Accelerate Cycle Time）"Speed exposes the flaws hidden in slow systems." （速度會暴露慢系統裡隱藏的缺陷。）McNeill 的觀點是：當你把循環時間壓縮，所有過去「看起來還好」的問題都會浮現。慢系統的危險在於，它讓你以為一切正常——因為問題被拉長的時間線掩蓋了。 第五步：自動化（Automate）——放在最後 這是整個框架中最違反直覺的部分：自動化是最後一步，不是第一步。 原因很簡單：如果你自動化一個爛流程，你只是讓錯誤發生得更快、規模更大。先質疑、刪除、簡化、加速，等流程本身已經是對的了，再來談自動化。 64 次點擊變 12 次：質疑「以防萬一」的隱性成本 回到 Tesla 購車流程從 64 次點擊砍到 12 次的故事，值得多說一點。 McNeill 在書中寫到，那些被砍掉的法律聲明不是因為有人惡意加上去的。每一個律師在加上每一條免責聲明的時候，都覺得自己在保護公司。問題是，沒有人回頭問過：「這條聲明真的是必要的嗎？」 這是一個在任何產業都會發生的現象：流程的膨脹不是來自某個單一的壞決策，而是來自數十個「看起來合理」的小決策累積。每一個單獨拿出來看都合理，但加在一起，客戶就需要點 64 次才能買一台車。 Musk 也在中國市場應用了同樣的「質疑每一個需求」思維。McNeill 在書中提到，2015 年 Elon 派他去北京談判一件當時被認為不可能的事：在中國設立一家 100% 外資擁有的汽車工廠。所有人都說「中國法規要求合資」，但 McNeill 遵循 The Algorithm 的第一步去質疑這個需求，最終 Tesla 成為第一家在中國設立全資工廠的西方汽車公司。"We achieved what no other Western company was able to do." （我們做到了沒有其他西方公司能做到的事。）不是 Apple，不是 GM，不是 Ford，不是 P&G。 「Order of Magnitude」目標：不是改善 25%，而是改善 10 倍 McNeill 在 My First Million 的訪談中還提到了一個他從 Musk 身上學到的思維：設定目標時，不要想「怎麼改善 25%」，要想「怎麼改善 10 倍」。 這不是雞湯。McNeill 解釋，當你設定 25% 的改善目標時，你的大腦會自動去找「現有流程的微調空間」。但當你設定 10 倍的目標時，你會被迫去質疑整個流程的存在前提——因為微調不可能帶你到那裡。 Tesla 在 2017 年面臨「產線地獄」（production hell）時，就是用這個思維來解題的。當時公司面臨破產風險，需要把 $100,000 的 Model S 的線上銷售量提高 20 倍。這個目標逼出了一系列根本性的流程重新設計，而不是在現有系統上修修補補。 書中另一個經典案例：Tesla 的工程主管 Doug Field 質疑了汽車業沿用超過一百年的焊接車身工藝，從玩具車的製造方式中獲得靈感，開發出大型鑄造技術，把底盤零件從 300 個減少到 3 個。McNeill 寫道，這讓 Tesla 取得了對整個汽車產業五到七年的領先優勢。 McNeill 的核心信念：難的不是智識，是組織 McNeill 在多次訪談中反覆提到一句話："The difficulty isn't intellectual—it's organizational." （困難不在於智識層面，而在於組織層面。）The Algorithm 的五個步驟，每一個都不難理解。質疑需求、刪除步驟、簡化流程——這些道理，任何一個有經驗的主管都知道。 真正難的是執行。因為每一個「不必要的步驟」背後都站著一個當初創造它的人。每一個「可以刪掉的流程」都有一群人在靠它維持日常運作。每一次「簡化」都意味著有人的工作會被改變。 McNeill 用他第一天的決定做了一個示範：切斷新 leads 這件事，不需要任何新技術、不需要任何新工具、不需要任何額外預算。它只需要一個人願意看真實的數字，然後做一個讓所有人不舒服的決定。📎 這篇文章的主要素材來自 McNeill 在 My First Million Podcast Ep. 813（2026 年 4 月 9 日）的對談，以及他 2026 年 3 月出版的 The Algorithm。Podcast 裡還有幾段這篇沒有覆蓋的精彩內容，包括 McNeill 和 Elon Musk 的面試過程、他如何用「三句話 email」做內部溝通，以及他怎麼看 AI 對現有產業的衝擊。如果你對 Tesla 內部的運作方式感興趣，他在 Ed Mylett Show 的訪談也值得一聽，更深入地拆解了五步驟框架在製造端的應用。
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。