沒有 Plan B 怎麼辦？哈佛商業評論最新框架：五種在弱勢局面創造談判籌碼的方法
你只有這一個客戶。或者更精確地說——這個案子只有你能做，但對方知道你非接不可，所以開出了一個離譜的條件。 這是談判課本最不想面對的場景。因為課本的第一課就是：你要有一個強大的 BATNA（Best Alternative to a Negotiated Agreement，最佳替代方案）。沒有 BATNA，你就沒有籌碼。沒有籌碼，你只能任人宰割。 但現實是，你常常就是沒有 Plan B。 Jonathan Hughes 與 Saptak Ray：三十年高風險談判的方法論 Jonathan Hughes 在哈佛大學修過國際外交和賽局理論，畢業後加入了 Roger Fisher 和 Bruce Patton 創辦的 CMI（Conflict Management Inc.）——就是寫出經典談判著作《哈佛這樣教談判力》的那個哈佛談判研究中心團隊。CMI 解散後，他與幾位合夥人創立了 Vantage Partners，在那裡待了將近 25 年，專門處理企業間的高風險談判。現在他是 Pareto Frontier Strategies 的 CEO，與 COO Saptak Ray 一起專注在高風險商業談判的顧問與軟體服務。 2026 年 5 月，兩人在《Harvard Business Review》發表了這篇文章，開頭就丟出一個他們親手處理過的案例。 一家大型公用事業公司宣布要蓋新電廠，向市場做出了交付承諾，但工程進度落後。他們選定的工程承包商是唯一能在時限內完工的廠商——這家廠商也知道這一點，於是開出了一筆公用事業公司根本負擔不起的鉅額預付款。 經典的「沒有 Plan B」困局。 Hughes 和 Ray 的建議不是「接受」或「拒絕」這個最後通牒，而是先問一個不同的問題：對方為什麼會提出這個要求？ 當你把焦點從「要不要答應」轉移到「這個要求合不合理」，整個談判的動態就會開始改變。 他們在文章中寫道："Dealmakers are rarely as constrained as they may believe." （談判者很少像他們自以為的那樣受限。）這句話是整篇文章的核心主張。以下是他們從三十年實戰中提煉出來的五種策略。 策略一：找出「部分替代方案」（Partial Alternatives） 你可能找不到一個能完全取代對方的選項，但你幾乎總能找到「部分」的替代。 文章裡有一個案例：一家高科技電子元件公司只有一個主要供應商，看起來完全沒有替代方案。但當他們認真盤點市場後，發現有兩家小型供應商加起來可以覆蓋約 30% 的需求。 30% 聽起來不多，但它改變了整場談判的心理結構。因為現在你傳遞的訊息不再是「我離不開你」，而是「我正在建立備選方案，而且已經開始了」。 這家公司最終用「承諾增加 5% 的採購量」來交換更好的價格條件——一個雙方都能接受的結果。這種「用交換取代讓步」的邏輯，跟 Todd Caponi 的四槓桿談判法有異曲同工之妙——當你把談判從「能不能便宜一點」變成「我們能交換什麼」，雙方都更容易找到出路。 關鍵不在於你的替代方案有多完整，而在於它是否足以讓對方意識到：壟斷的舒適圈正在鬆動。 策略二：挖掘你手上的「隱藏優勢」（Hidden Strengths）"Dependence in negotiations is rarely one-sided." （談判中的依賴關係很少是單方面的。）這可能是整篇文章最重要的一句提醒。 當你覺得自己完全仰賴對方的時候，先停下來想一件事：對方有多依賴你？ 文章舉了一個塗料原料供應商的案例。這家供應商要求漲價 10%，而客戶想要降價 5%。表面上看，客戶的採購金額只佔供應商營收的 10% 左右——好像不痛不癢。 但 Hughes 和 Ray 要求客戶深入分析供應商的成本結構，結果發現：這家供應商的固定成本極高，而且產品高度專業化。失去這個客戶的影響遠比營收比例所暗示的嚴重——因為他們很難用其他客戶的訂單來填補產能空缺。 這種分析需要做功課，但它能徹底改變你走進談判室時的姿態。你不再是一個「求人的人」，而是一個「知道自己價值的人」。 策略三：爭取「默認同意」而非明確批准（Tacit Consent） 這是五個策略中最巧妙的一個。 有時候你不需要對方說「好」，你只需要對方不說「不好」。 文章裡的案例是一家全球微處理器公司，他們發現同一個供應商在不同地區的報價差異極大。與其正式提出要求統一價格（這會觸發對方的防禦機制），他們選擇了一個更聰明的做法：直接按照最低報價付款。 沒有談判，沒有要求，沒有最後通牒。就是安靜地按照最有利的條件執行，讓慣性（inertia）幫你完成剩下的事。 Hughes 和 Ray 在文章中特別區分了「主動同意」和「默認同意」："Distinguish between active and tacit consent." （區分主動同意和默認同意。）這個策略的精髓在於：人類對「阻止一件正在發生的事」的動力，遠低於「拒絕一個新的要求」。當你把球放到對方的場上，讓他們必須主動喊停才能改變現狀，你就把談判的預設值設定在了對你有利的位置。 策略四：把威脅重新包裝成「警告」（Warnings, Not Threats） 威脅會觸發對方的戰鬥本能。警告不會。 差別在哪裡？威脅是「如果你不降價，我就找別人」——這是一個你主動選擇的攻擊行為。警告是「如果價格維持在這個水準，我們的管理層可能會被迫去尋找替代方案」——這是一個你不得不面對的外在壓力。"Frame the possibility of alternatives as warnings, not threats." （把替代方案的可能性包裝成警告，而不是威脅。）同樣的訊息，不同的框架，截然不同的效果。威脅把你放在攻擊者的位置，對方的自然反應是反擊或封閉。警告把你放在「同樣受到壓力」的位置，對方更容易產生同理心，甚至想要一起解決問題。這跟一項分析 22,880 句談判對話的機器學習研究的發現不謀而合——在談判中適時示弱（例如道歉）反而能提高成交率，因為它降低了對方的防禦心態。 文章裡提到一個經銷商談判的案例。一家小客戶（年營收只佔經銷商總營收的極小比例）在談判中發現，對方的業務主管已經達成了當年的業績目標——換句話說，這位主管沒有動力為這筆小生意做任何讓步。"I already met my numbers for the year." （我今年的數字已經達標了。）客戶的應對不是威脅要離開，而是找到一家競爭對手經銷商簽了一份小型合約，發了一則新聞稿，同時請一位重要的終端客戶出面表達對現有安排的關切。這些動作加在一起，傳遞的訊息不是「我要懲罰你」，而是「市場正在發生變化，你可能需要注意」。 策略五：訴諸公平原則（Appeal to Fairness） 當你真的沒有任何替代方案、沒有隱藏優勢、也無法用默認同意或警告來改變局面的時候，還有最後一張牌：公平。 Hughes 和 Ray 描述了一筆年度價值超過一億美元的資料授權協議。在這個案例中，客戶幾乎沒有任何傳統意義上的「籌碼」。但他們沒有選擇硬碰硬，而是把談判的焦點轉移到一個簡單的問題上：「這樣公平嗎？」"People will sometimes make concessions when forced to acknowledge unfairness." （當人們被迫承認某件事不公平的時候，他們有時候會讓步。）這個策略之所以有效，是因為它繞過了權力博弈，直接觸及人類對公平的基本需求。即使是在商業談判中，大多數人也不願意被視為「佔便宜的那一方」。當你能清楚地展示現有條件的不合理之處——不是用情緒，而是用事實和邏輯——對方要維持原有立場的心理成本就會大幅上升。 這筆交易最終沒有走向對抗，而是轉變成了一場關於如何共同成長的對話。 五種策略的底層邏輯：籌碼不是找到的，是創造的 回到那家被工程承包商獅子大開口的公用事業公司。Hughes 和 Ray 沒有建議他們去找另一家承包商（因為根本沒有），也沒有建議他們接受對方的條件。他們建議的是：不要在「接受或拒絕」的框架裡做選擇，而是質疑這個框架本身。 「你為什麼要這筆預付款？」當公用事業公司把問題從「我們付不付得起」轉變成「這個要求有沒有道理」，承包商突然發現自己需要為自己的立場辯護——而他們無法。 這就是整篇文章的核心洞察：談判籌碼不只是「你有沒有替代方案」，而是「你能不能改變對話的結構」。 部分替代方案改變了依賴程度，隱藏優勢改變了權力認知，默認同意改變了預設值，警告改變了情緒框架，公平原則改變了合理性標準。 五種策略，五個不同的角度，但目標只有一個：讓對方意識到，這場談判不是「你要就要，不要拉倒」的局面。"We can't live without them, but it's getting harder and harder to live with them." （我們離不開他們，但跟他們相處越來越難。）Hughes 和 Ray 說，這是他們三十年來從客戶口中聽到最多的一句話。如果你也有過這種感覺，這篇文章的五個策略就是你的起點。📎 這篇文章的框架來自 Jonathan Hughes 和 Saptak Ray 在《Harvard Business Review》2026 年 5-6 月號發表的〈Negotiating When There Is No Plan B〉。原文裡每個策略都有更完整的案例細節，特別是那個微處理器公司如何一步步執行「默認同意」策略的過程，以及經銷商案例中如何動員終端客戶來改變談判動態，值得細讀。如果你對 Hughes 的談判方法論有興趣，他在同期刊 2020 年 7 月號與 Danny Ertel 合寫的〈What's Your Negotiation Strategy?〉也值得一看——那篇更偏向「談判前的戰略規劃」，跟這篇的「弱勢局面戰術」剛好互補。
94% 的客戶在接你電話之前，心裡已經有答案了——2026 年 B2B 買家行為報告拆解
你終於等到客戶主動來電，語氣聽起來很有誠意，問了幾個技術問題，約了下週的 demo。你覺得這是一個全新的機會。 但根據 2025 年底發布的 6sense B2B Buyer Experience Report（調查近 4,000 位 B2B 買家），這通電話打來的時候，客戶心裡的排名早就定了——而且你有 77% 的機率，只是在陪跑。 6sense 報告：近 4,000 位買家告訴你，決定在第一天就做完了 這份報告的數據規模值得認真看待：將近 4,000 位來自北美、歐洲、亞太的 B2B 買家，採購中位金額在 20 萬到 30 萬美元之間，購買週期平均 10.1 個月。這不是一個快消品的衝動購買調查，而是高單價、多人決策的真實 B2B 採購。 核心發現可以用三個數字概括： 94% 的採購決策群體在聯繫任何業務員之前，就已經把供應商名單排好了優先順序。 77% 最終選了他們第一天的首選供應商。 95% 的最終採購對象，來自買家「第一天名單」上的那 3.6 家供應商。"94% of buying groups ranked preferred vendors before first contact, and they ultimately purchased from that preliminary favorite 77% of the time." （94% 的採購群體在首次聯繫前就排好了供應商偏好順序，其中 77% 最終選了那個初始首選。）換句話說，當客戶開始跟你聯繫的時候，比賽已經進入第四節。你以為的「機會」，很可能只是對方在走採購流程、湊齊比價報告。 暗漏斗（Dark Funnel）：你看不見的 70% 才是戰場 6sense 用了一個很精準的詞來描述這個現象：Dark Funnel（暗漏斗）。 買家旅程中至少有 70% 是匿名、不可見的。在這段時間裡，一個平均 10 人以上的採購委員會已經在做這些事：獨立研究，互相交換情報 定義需求和預算（83% 在聯繫業務前就完成了） 建立候選名單，排好順序 用 LLM（大型語言模型）做比較分析這裡的關鍵不只是「買家研究做得更多了」——而是整個決策過程發生在你看不見的地方。你的 CRM 裡沒有這些活動的紀錄，你的業務週報裡也不會出現這些線索。當機會終於「出現」在你面前時，它已經是一個接近定案的結果。 報告顯示，買家首次主動聯繫供應商的時間點，平均落在採購旅程的 61% 處。也就是說，當你接到那通電話，對方已經走了超過一半的路。 94% 的買家用 AI 做研究：你在 ChatGPT 裡是第幾名？ 這份報告中最具時代意義的數字可能是這個：94% 的 B2B 買家在採購過程中使用 LLM 做研究。 這不只是「偶爾問一下 ChatGPT」的程度。根據 Development Corporate 的分析，每天有超過 2,000 萬個 B2B 相關的 prompt 在 ChatGPT 上被輸入，跨所有平台則高達 8,000 萬到 1 億個。 LLM 的使用高峰出現在採購旅程的中段——買家已經有了候選名單，正在用 AI 來：並排比較不同供應商的功能差異 消化和摘要供應商的技術文件 模擬成本和 ROI 草擬 RFP 語言和評估框架更值得注意的是，AI 模型在回答時平均只會提到 3 到 4 個品牌。前 20 大網域拿走了 66% 的 AI 引用。如果你的公司不在這個引用範圍內，你甚至不會出現在買家的研究雷達上。"If ChatGPT doesn't mention your company, your buyer may never encounter you during research." （如果 ChatGPT 沒有提到你的公司，你的買家在研究階段可能永遠不會遇到你。）買家信任什麼內容？不是你的白皮書 2026 年 3 月，Reddit 與 SurveyMonkey 聯合發布的調查（1,200 位美國 B2B 決策者）揭示了一個讓行銷部門尷尬的事實： 買家認為最有價值的內容類型排名：內容類型 認為「非常有價值」的比例真實用戶見證 37%影片 Demo 32%社群討論 27%分析師報告 27%白皮書 17%你花了三個月寫的白皮書，在買家心中的份量只有真實用戶見證的一半不到。 而且問題更深：48% 的買家說，他們很難找到真實的用戶見證。46% 說他們必須費力地過濾掉供應商自己生產的內容。買家最想看的東西，恰恰是最難找到的。 在信任來源方面，73% 的買家信任同業推薦，而 AI 聊天機器人只有 39%。諷刺的是，94% 的買家在用 AI 做研究，但他們並不完全信任 AI 給的答案——他們信任的是 AI 幫他們找到的「人的聲音」。 61% 的買家想要沒有業務員的購買體驗 2025 年 6 月，Gartner 對 632 位 B2B 買家的調查發現：61% 的 B2B 買家偏好完全不需要業務員介入的購買體驗。 這不代表業務員沒有價值，但它意味著價值必須重新定義。買家不需要你來「介紹產品」——他們在聯繫你之前已經看了平均 11.4 篇內容。他們不需要你來「引導流程」——他們已經定義好需求，排好了名單。 他們需要的是你能做到他們自己做不到的事：解決跨部門的共識問題、處理他們研究中沒有覆蓋到的邊緣案例、提供只有內部人才知道的實戰經驗。 Consensus 的 2026 B2B Buyer Behavior Report 分析了 600 萬次買家互動後也得出類似結論：80% 的決策在業務員進場之前就已經發生了。而且他們的數據顯示，買家觀看產品 Demo 的注意力上限只有 5 分 14 秒——但大多數 Demo 的設計長度是 15 分鐘。 第一天名單效應：你要贏的不是提案，是「被想起來」 把這些數據拼在一起，會得到一個很清晰的圖像：買家在一開始就列了 3-4 家候選名單（Day One Shortlist） 他們用 AI、同業推薦、社群討論來驗證和排序 排在第一的那家，有 77% 的機率拿下訂單 等業務員終於有機會上場時，比賽已經進行了 61%這代表業務員的核心任務不再是「說服」，而是「在客戶決定要找誰之前，就已經在他們的名單上」。 怎麼做到？報告的數據其實已經指出方向： 讓你的客戶替你說話。 37% 的買家最信任真實用戶見證。如果你的現有客戶不會在公開場合提到你，不會在 LinkedIn 上分享跟你合作的經驗，你在暗漏斗裡就是隱形的。 讓 AI 找得到你。 94% 的買家在用 LLM 做研究。你的公司網站、客戶案例、技術文件，是否會被 AI 模型引用？如果你問 ChatGPT「[你的產業] 最好的 [你的產品類別] 有哪些？」而答案裡沒有你，那就是一個需要立刻處理的問題。 在買家定義需求的階段就出現。 83% 的買家在聯繫業務前就完成了需求定義。你能參與這個定義過程嗎？透過產業報告、觀點文章、或是在買家會去的社群裡提供有用的框架，讓你的思維方式影響他們的評估標準。 6sense 報告中有一個容易被忽略但極重要的數據：買家候選名單上的 5.1 家供應商中，平均有 3.8 家是他們之前就有過接觸的供應商。97% 的買家在名單上至少放了一家他們有過先前經驗的公司。 這意味著長期關係和品牌認知的價值，遠比任何一次完美提案都重要。你今天幫助的那個還沒準備好購買的人，可能在 10 個月後的某天早上 6 點，把你放進了他的第一天名單。📎 這篇文章的數據主要來自 6sense 的 2025 B2B Buyer Experience Report，完整報告裡還有更多關於 AI 如何改變（以及沒有改變）B2B 採購旅程的分析，包括經濟環境如何影響供應商選擇、買家在什麼時候最容易被翻盤等數據。另外，Consensus 的 2026 B2B Buyer Behavior Report 則從 600 萬次互動數據的角度，拆解了 Demo 設計的最佳長度和時段——如果你有在做線上 Demo，那份報告很值得看。
22,880 句談判對話的機器學習分析：道歉讓成交率高 10%，而「建議流程」反而搞砸交易
想像一下這個場景：你坐在客戶對面，對方對你的提案有疑慮，氣氛有點僵。你的直覺告訴你兩件事——第一，絕對不能道歉，因為道歉就是示弱；第二，趕快拿回對話的主導權，建議一個流程來推進討論。 一份 2026 年 2 月發表的研究告訴你：這兩個直覺都是錯的。 漢堡大學團隊：用機器學習拆解談判中的每一句話 Nale Lehmann-Willenbrock 是漢堡大學工業與組織心理學系的教授兼系主任，她的研究專長是用行為觀察和量化互動分析來理解人與人之間的動態過程——不靠問卷，靠的是逐秒分析錄影中的實際行為。 2026 年 2 月，她的團隊成員 Jan Niklas Engel、Jan Teichert-Kluge 和 Clara Sofie Hemshorn de Sánchez 在《Negotiation and Conflict Management Research》期刊上發表了一篇論文：〈Behavioral Dynamics in Negotiations: How Specific Verbal Behaviors Relate to Negotiation Agreements and Negotiation Processes〉。 他們做了什麼？他們錄下 40 場面對面的商業談判（共 176 位參與者），然後用一套叫做 NegotiAct 的編碼系統，把每一場談判中的每一個語言行為都歸類到 47 種互斥的行為類別中。 總共編碼了 22,880 個語言行為。編碼員之間的一致性達到 Cohen's Kappa 0.914——在行為研究中，這是極高的可靠度。 然後，他們用機器學習模型從這 47 種行為中篩選出最能預測談判結果的關鍵行為。最終，模型保留了 11 種。 結果裡有兩個發現，直接打臉了大部分人對談判的直覺認知。 道歉的力量：成交機率高出約 10 個百分點 在這 40 場談判中，18 場達成協議，22 場破裂。機器學習模型發現：道歉（apologizing）與達成協議呈顯著正相關，道歉的出現與成交機率提高約 10 個百分點有關。 10 個百分點。這不是統計誤差，這是一個有實質意義的差距。 更有意思的是研究團隊對道歉內容的分析：在所有被編碼為「道歉」的語言行為中，大約 56% 是同時包含遺憾表達和責任承認的完整道歉，而不只是「不好意思」這種敷衍了事的客套話。 論文中提到："when timely and well-formed, apologies may operate as internal micro-fluctuations that recalibrate expectations" （當道歉出現在適當的時機並且有好的形式，它可以作為一種內部微擾動，重新校準雙方的期望。）這個說法很精準。道歉不是投降，它是一個「重設鍵」。當談判陷入僵局，一方的道歉等於在告訴對方：「我理解你的感受，我願意承認我這邊可能有問題。」這會立刻降低對方的防禦姿態，讓雙方從「攻防」模式切換到「解題」模式。 這跟 Roy Lewicki 在 2016 年發表的道歉結構研究不謀而合——Lewicki 發現有效道歉有六個要素，其中最重要的是「承認責任」（acknowledgment of responsibility），其次是「提出修復方案」（offer of repair）。漢堡大學這份研究用真實談判數據證實了：有實質內容的道歉，確實會改變談判的走向。 時間分佈上也有一個有趣的差異：在成功達成協議的談判中，道歉分布在整個對話的各個階段，有一條延伸到後期的長尾。但在破裂的談判中，道歉大多集中在一開始——換句話說，失敗的談判者在開頭客套地「道歉」一下，然後就再也不道歉了。"apologies are more broadly distributed across the interaction, with a longer tail into later phases" （道歉更廣泛地分布在整個互動過程中，在後期階段有更長的尾巴。）這暗示了一個關鍵策略：道歉不是談判開場的禮貌公式，而是一個應該在整個過程中持續使用的溝通工具。 程序性建議的陷阱：主導流程反而推高破裂機率 第二個反直覺的發現更有殺傷力。 很多談判訓練課程會教你：「掌握對話的流程和節奏，展現專業感。」比如在會議一開始就說：「我建議我們先討論 A，再討論 B，最後做決定。」或是在對話卡住的時候說：「我們換個方式，先把各自的底線攤出來。」 這種行為在研究中叫做「程序性建議」（procedural suggestion）。直覺上，這應該是好事——你在幫助對話更有效率地推進。 但數據說的是另一個故事：程序性建議與談判破裂呈顯著正相關，每次出現與非協議機率提高約 3 個百分點有關。 在破裂的談判中，這類建議平均出現 13.82 次。"frequent procedural interventions might not only signal underlying coordination challenges but may also coincide with stalled progress" （頻繁的程序性介入不僅可能反映出潛在的協調困難，也可能與停滯不前的進展同時出現。）為什麼「幫忙安排流程」反而有害？研究中的序列分析（lag-sequential analysis）提供了線索：程序性建議之後，最常出現的回應是「substantiation」——也就是對方開始防禦性地強化自己的立場。同時，對方主動揭露立場資訊（positional information disclosure）的頻率反而下降了。 翻成白話：當你說「我建議我們按照這個流程來」的時候，對方聽到的不是「讓我們更有效率」，而是「你想控制這場對話」。他的反應不是配合，而是築牆。 這是一個很精妙的心理動態——程序性建議看起來是中性的、甚至是善意的，但它暗含了一個權力宣示：「我來決定我們怎麼談。」在一場雙方都在爭取利益的談判中，這種單方面的控制嘗試會觸發對方的抗拒本能。 閒聊也有代價：前五分鐘的陷阱 研究還有一個附帶發現值得注意：個人化閒聊（personal communication）也與談判破裂正相關。 資料顯示，不管談判最終成功還是失敗，閒聊幾乎都集中在前五分鐘。但問題是：在一場有時間限制的談判中（這些實驗的談判平均長度約 30 分鐘），即使是簡短的題外話也會壓縮到實質討論的時間。 達成協議的談判平均花了 26.88 分鐘，而破裂的反而更長——32.13 分鐘。這個差異在統計上是顯著的。談得更久不代表談得更好，反而可能意味著雙方在原地打轉。 「整體系統觀」：為什麼單一行為不能脫離脈絡理解 這篇論文最深刻的方法論啟示，不是某個特定行為的效果，而是它用數據證明了：談判是一個複雜適應系統（Complex Adaptive System），任何單一行為的意義都取決於它出現的脈絡。"a whole-system view is required because the meaning of any single act depends on the configuration of other acts unfolding around it" （需要一個整體系統的觀點，因為任何單一行為的意義取決於圍繞它展開的其他行為的配置。）這句話值得反覆讀。它的意思是：「道歉有效」不代表你應該在談判中瘋狂道歉。道歉之所以有效，是因為它出現在特定的行為序列中——在那個脈絡裡，它重新校準了雙方的期望。如果你把道歉變成一種機械式的策略，效果可能完全不同。 同樣的，「程序性建議有害」不代表你永遠不能討論流程。它的意思是，當你頻繁地、單方面地試圖主導對話的走向時，你正在向對方發送一個錯誤的信號。 研究團隊也很坦率地指出了自己的限制：47 種行為中，機器學習模型只保留了 11 種作為有效預測因子。這意味著大部分的談判行為——包括一些傳統上被認為很重要的行為，像是「多議題同時提案」（multi-issue offers）——在預測成交與否上並沒有顯著作用。"even behaviors traditionally considered constructive, such as procedural suggestions, may coincide with a higher incidence of non-agreement" （即使是傳統上被認為具有建設性的行為，例如程序性建議，也可能與更高的非協議發生率同時出現。）這一句話，基本上是在對所有談判教科書說：你們該更新了。 道歉怎麼說、程序性建議怎麼避 把這份研究的發現轉化成可操作的行動，有三個方向： 第一，把道歉當工具，不當認輸。 當客戶表達不滿或異議時，與其急著辯解或提出解決方案，不如先說：「這部分確實是我們沒有考慮周全，我很抱歉讓你有這個困擾。」注意——有效的道歉要包含責任承認（「我們沒考慮周全」），不是空泛的「不好意思」。而且不只是開場白用一次就好，在對話的任何階段，只要感覺到張力升高，道歉都可以是一個重設按鈕。 第二，少說「我建議我們這樣做」，多問「你覺得我們接下來怎麼處理比較好？」 程序性建議有害，不是因為討論流程本身有問題，而是因為「單方面提出流程」暗含了控制意味。如果你想推進對話，把它變成一個問題而不是一個指令，讓對方感覺流程是共同決定的，而不是被安排的。 第三，注意你的開場閒聊。 寒暄是人之常情，但如果你的會面時間有限，在三分鐘內切入正題，把社交性對話留到成交之後。數據很清楚：談得久不等於談得好。📎 Engel 等人的完整論文〈Behavioral Dynamics in Negotiations〉2026 年 2 月發表在 Negotiation and Conflict Management Research 期刊第 19 卷第 2 期。論文中還有大量這篇文章沒有覆蓋到的內容，包括 NegotiAct 編碼系統的完整 47 種行為分類、lag-sequential analysis 的詳細結果（哪些行為會觸發哪些後續反應）、以及「接受暫時性提議」（accepting interim offers）如何作為達成最終協議的漸進穩定器。如果你對談判中的微觀語言動態有興趣，這篇論文的圖表和序列分析值得細讀。
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。
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。
一根 $2 熱狗，怎麼贏過一瓶年份香檳？Will Guidara 的「熱狗效應」拆解
2010 年的一個午餐時段，紐約麥迪遜公園旁的 Eleven Madison Park 裡，一桌歐洲來的饕客正在享用精心設計的多道式料理。 他們吃遍了紐約最好的餐廳——Per Se、Le Bernardin、Daniel——但離開前有一個遺憾：沒吃到一根正宗的紐約街頭熱狗。 餐廳總經理 Will Guidara 聽到了這段對話。他走出餐廳，在街角花 $2 美元買了一根熱狗，請主廚用米其林等級的擺盤端上桌。 那桌客人的反應，比任何一道菜都強烈。"I really do believe I could have comped that table a bottle of vintage champagne and given them a free bucket of caviar, and it would not have had the same impact as that two-dollar hotdog. Because it would not have been specific to them." （我真心相信，就算我請那桌客人喝一瓶年份香檳、送上一大桶魚子醬，效果也比不上那根兩塊錢的熱狗。因為那些東西不是專門為他們準備的。）Guidara 後來在他的 TED 演講（2022 年 10 月）裡這樣回憶。一瓶年份香檳、一桶魚子醬，都比不上那根 $2 熱狗——因為它們不是「為那個人」準備的。 這就是「熱狗效應」（Hotdog Effect）。 Will Guidara：用「不合理的款待」把餐廳從第 50 名做到世界第一 Guidara 不是廚師，他是前台的人。2006 年成為 Eleven Madison Park 的總經理時，這家餐廳在「世界五十大最佳餐廳」排行榜上剛好是第 50 名。到了 2017 年，他們拿下了世界第一。 他在 2022 年出版的《超乎常理的款待》（Unreasonable Hospitality）裡拆解了這段旅程的核心邏輯：追求卓越讓他們坐上了牌桌，但真正讓他們登頂的，是追求「不合理的款待」。"Pursuit of excellence brought us to the table, but pursuit of Unreasonable Hospitality took us to the top." （追求卓越讓我們坐上了牌桌，但追求不合理的款待讓我們登上了頂峰。）什麼是「不合理的款待」？Guidara 用一個簡單的區分來解釋——"Service is black and white; hospitality is color." （服務是黑白的；款待是彩色的。）服務是把事情做對：準時上菜、正確收費、回覆客訴。這是黑白的，是基本功。 款待是讓人感受到你真的在乎他這個人，不只是在乎這筆交易。這是彩色的，是讓人記住你的東西。 2026 年 3 月，Guidara 上了 Chris Williamson 的 Modern Wisdom Podcast #1076，把這套方法論講得更具體。他提到，大多數公司都在優化「服務」——更快的回覆時間、更標準化的流程、更完善的 SOP。但真正讓客戶一輩子記住你的，是那些「脫離劇本」的瞬間。 95/5 法則：省到骨子裡，才有資格「浪費」 Guidara 不是在鼓勵亂花錢。恰好相反，他是出了名的摳門。 他的原則叫 95/5 法則：95% 的時間，像瘋子一樣管每一分錢。砍掉沒人注意的隱形成本——洗碗精的品牌、廚師紙帽的材質、不必要的裝飾。然後把省下來的那 5%，「愚蠢地」花掉。"Manage your money like a crazy person 95 percent of the time so that, 5 percent of the time, you can spend 'foolishly.'" （95% 的時間像瘋子一樣管理你的錢，這樣剩下 5% 的時間，你才能「愚蠢地」花掉。）但他馬上補了一句：這些「愚蠢的花費」其實一點都不愚蠢，它們是「with great intention」——帶著強烈意圖的。 在 Eleven Madison Park，這 5% 變成了什麼？買了一批小雪橇，帶第一次看到雪的客人一家去中央公園滑雪 客人因班機取消無法去海島度假，團隊把私人包廂鋪滿沙子，擺上躺椅和 Mai Tai，做了一個迷你海灘 準備好 Tiffany 的香檳杯，隨時為求婚的情侶慶祝 在結帳時附上一杯白蘭地，讓客人可以慢慢喝，不用急著離開 有客人提到他爸只喝 Budweiser，團隊就把香檳推車改裝成 Budweiser 推車這些事的成本都不高。但每一件，都變成了客人「一輩子的故事」。 Guidara 在書裡寫道："The true gift wasn't the street hot dog or the bag full of candy bars; it was the story that made a Legend a legend." （真正的禮物不是那根街頭熱狗或那袋巧克力棒；而是那個讓傳奇之所以成為傳奇的故事。）重點從來不是你花了多少錢。重點是你給了對方一個值得說出去的故事。 造夢者制度：把驚喜變成可複製的組織能力（Dreamweaver） 一根熱狗的故事很動人，但如果只是老闆偶爾的靈光一現，那就不是方法論，只是軼事。 Guidara 厲害的地方在於，他把「製造驚喜」變成了一個正式職位。 他在 Eleven Madison Park 設立了一個全新的角色叫 Dreamweaver（造夢者）。這個人唯一的工作，就是協助每一個服務人員把他們聽到的線索，變成具體的行動。 運作方式是這樣的： 第一步：聽。 每一個服務人員在點菜、倒水、收盤子的過程中，都在留意客人不經意提到的事。 「我們明天就要回倫敦了。」 「她今天剛拿到升遷。」 「好想念小時候吃的那家冰淇淋。」 第二步：傳。 服務人員把聽到的資訊傳給 Dreamweaver。 第三步：做。 Dreamweaver 在用餐結束前，把驚喜變成現實。 這套系統也催生了大量「預製工具包」——Guidara 的團隊發現，有些情境會反覆出現。幾乎每週都有客人來慶祝訂婚，所以他們跟 Tiffany 合作準備了香檳杯組。經常有客人趕飛機，所以他們做了精美的機場零食盒。外地來的客人常問「附近有什麼好吃的？」，所以他們印了一張私房美食地圖——最好的 pizza、bagel、早午餐、還有魯賓博物館這種隱藏景點。"Identify moments that recur in your business, and build a tool kit your team can deploy without too much effort." （找到你的業務中反覆出現的時刻，建立一套團隊不需要費太大力氣就能部署的工具包。）這套系統的精髓在於：它把「款待」從個人天賦變成了組織能力。不需要每個人都有 Guidara 的直覺，只需要每個人都有「聽」的習慣，加上一個有執行力的 Dreamweaver。 一吋法則：最後一步決定前面所有努力是否值得（One-Inch Rule） Guidara 還有一個訓練團隊的具體技巧，叫 一吋法則（One-Inch Rule）。 一道菜從食材採購、備料、烹調到擺盤，可能經過了十幾個人、好幾個小時的努力。但當服務人員把盤子放到客人面前的那一刻——最後那「一吋」的距離——如果眼神飄了、手晃了、態度隨便了，前面所有的努力都白費。 Guidara 在書裡這樣說："Their Perception Is Our Reality." （客戶的感受就是我們的現實。）客戶的感受就是事實。不是你做了什麼，而是他們感覺到了什麼。 這個法則的意思是：你的客戶不會看到你背後付出的 99%，他們只會記住最後那 1% 的體驗。 前面的一切都是為了那最後一吋服務的。 想想看：你花了三個月經營一個客戶，做了完美的需求分析、精準的方案設計。但如果在最後一次面對面會議上你看起來心不在焉，或者合約裡有一個低級錯誤——前面的一切都可能歸零。 Guidara 在 TED 演講裡把這種專注力歸結為一個字：present（在場）。"Being present means caring so much about the thing you're doing or the person you're with that you stop caring about all the other things you need to do." （「在場」的意思是，你如此在乎正在做的事或身邊的人，以至於不再在意其他所有待辦事項。）「在場」不是效率，不是多工處理。它的意思是：你在乎眼前這個人在乎到忘記了其他所有待辦事項。 為什麼「不合理的款待」在同質化市場裡特別致命 Guidara 在 Modern Wisdom Podcast 上被問到：為什麼這套方法論能跨產業適用？ 他的回答很直接：因為今天大部分行業的「產品」差異已經微乎其微。高級餐廳的食材來源差不多、烹飪技術差不多、擺盤邏輯差不多。真正的差異化，幾乎完全來自「人」的部分。"In a restaurant, the food, the service, and the design are simply ingredients in the recipe of human connection." （在餐廳裡，食物、服務和設計，都只是「人與人連結」這道料理的食材。）這句話放到任何高度同質化的行業都成立。當產品本身很難拉開差距時，客戶選擇你的理由，往往不是你的產品比較好，而是跟你互動的感覺比較好。 而「感覺比較好」這件事，不需要花大錢。它需要的是——聽見對方沒有說出口的需求（Dreamweaver 的核心運作邏輯） 在對的時機做出完全出乎意料的回應（熱狗效應） 把最後一吋做到完美（One-Inch Rule）Guidara 在 TED 演講的最後說了一句話，可能是整套方法論最好的總結："If you start to look closely enough, you will find opportunities for unreasonable hospitality, to give people more than they could ever possibly expect, all around you." （如果你開始夠仔細地觀察，你會發現不合理的款待機會——給人們超乎預期的體驗——就在你身邊各處。）不合理的款待機會無處不在。你只需要開始認真看。📎 這篇文章的主要素材來自 Will Guidara 在 2026 年 3 月 26 日上線的 Modern Wisdom Podcast #1076，那集有更多他聊到從第 50 名到第 1 名過程中犯的錯、跟主廚 Daniel Humm 從互看不順眼到一起登頂的過程，以及他如何在 2025 年把款待思維帶進運動場館餐飲。想更完整理解他的系統，推薦直接讀他的書《超乎常理的款待》，或者看他 13 分鐘的 TED 演講——熱狗故事他本人講的版本，比任何轉述都精彩。
你的 AI 銷售信寫錯重點了？Oxford 研究：塞滿事實比個人化更有說服力
用 AI 幫你寫客戶信、產品提案、LINE 訊息的時候，你花最多時間在哪裡？ 如果答案是「想辦法讓每封信都針對不同客戶量身打造」——一份剛發表在 Science 期刊的研究會告訴你，你可能把力氣花錯地方了。 Kobi Hackenburg 與史上最大規模的 AI 說服力實驗 Kobi Hackenburg 是牛津大學網際網路研究所的博士候選人，同時也在英國 AI 安全研究所（UK AI Security Institute）擔任研究科學家。2025 年 12 月，他和來自 Stanford、MIT、LSE 的研究者共同在 Science 發表了一篇論文：〈The Levers of Political Persuasion with Conversational AI〉。 這不是一般的小實驗。他們動員了 76,977 名英國受試者，部署 19 個不同的大型語言模型（從 5 億參數的小模型到 4,050 億參數的巨型模型都有），橫跨 707 個政治議題，讓 AI 跟真人進行平均 7 輪、約 9 分鐘的即時對話，然後比較受試者在對話前後的態度變化。 研究者還動手做了一件很瘋狂的事：他們對 AI 生成的 466,769 個事實性宣稱逐一進行了準確度查核。 結論出來，直接挑戰了行銷圈一個根深蒂固的信念。 資訊密度：說服力最強的單一因素 研究的核心發現可以用一句話講完：AI 之所以能改變人的想法，靠的不是心理操控，不是個人化，而是塞進更多可查證的事實。 他們把這個概念叫做「資訊密度」（information density）——一段回應中包含多少個可以被事實查核的具體宣稱。 數據有多誇張？在所有影響說服力的變數中，資訊密度這一個因素就解釋了 44% 的變異量。如果只看經過特別訓練的模型，這個數字飆到 75%。 具體來說，每多塞進一個事實性宣稱，說服力就增加 0.30 個百分點。在最有說服力的實驗條件下，AI 平均每次對話丟出 22.1 個事實宣稱——而一般條件下只有 5.6 個。"Insomuch as factors like model scale, post-training, or prompting strategy increased information density, they also increased persuasion." （只要模型規模、後訓練或提示策略等因素提高了資訊密度，它們就同時提高了說服力。）翻成白話：不管你用什麼技巧——更大的模型、更精巧的提示詞、更多的訓練——只要最終結果是讓回應裡塞進更多事實，說服力就上升。事實密度是所有槓桿背後的共同機制。 個人化的效果遠比你想的小 接下來是最反直覺的部分。 行銷圈這幾年最熱的口號是什麼？「大規模個人化」（personalization at scale）。AI 最讓人興奮的應用場景之一，就是根據每個客戶的背景、偏好、痛點，自動生成量身打造的訊息。 Hackenburg 的實驗直接測試了這個假設。結果呢？ 個人化帶來的說服力提升，平均只有 +0.43 個百分點，沒有任何一種個人化方法的效果超過 1 個百分點。 相比之下：後訓練（post-training，也就是針對說服力去微調模型）提升了最多 51% 的說服力 提示工程（prompting，用不同的指令去引導模型）提升了約 27%論文裡寫得很直白："While we do find some evidence of persuasive returns to personalization, they are small in comparison to the magnitude of the persuasion gains we document from model scale and post-training." （雖然我們確實發現個人化帶來了一些說服力回報，但與模型規模和後訓練所帶來的說服力增幅相比，這些回報很小。）這不是說個人化完全沒用。但它的效果被嚴重高估了——至少在「改變別人想法」這件事上，你花在個人化的時間，遠不如花在「確保內容裡有足夠多的具體事實」來得有效。 小模型也能跟巨型模型一樣有說服力 另一個讓人意外的發現：模型大小的影響也沒想像中大。 一個 5 億參數的開源小模型，經過針對性的後訓練之後，說服力可以逼近甚至追平那些動輒幾千億參數的頂級商用模型。Hackenburg 自己在牛津大學的新聞稿中說："Our results show very small models can be fine-tuned as persuasive as massive systems." （我們的研究結果顯示，非常小的模型經過微調後，說服力可以媲美巨型系統。）這意味著什麼？說服力不是只有大公司的專利。任何人只要掌握正確的訓練方法和提示策略，都能讓 AI 產出高說服力的內容。 說服力越強，準確度越低：不能忽視的取捨 到這裡聽起來好像結論很簡單：那就叫 AI 盡量多塞事實就好了？ 沒那麼單純。這份研究最讓人不安的發現是：說服力和準確度之間存在系統性的反向關係。 具體的數字：GPT-4o 在一般條件下，78% 的宣稱被判定為準確 同一個模型切換到「資訊密集」的提示策略後，準確率掉到 62% GPT-4.5 更慘：從 70% 掉到 56% 在最高說服力的實驗條件下，29.7% 的宣稱是不準確的（一般條件下只有 16%）也就是說，當 AI 為了說服你而拼命塞更多「事實」的時候，它開始編造看起來像事實的東西。 有評論者引用了哲學家 Harry Frankfurt 的概念來形容這個現象——這不是刻意說謊（lying），而是「bullshit」：對真假根本不在意，只在意聽起來是否有說服力。 這對所有用 AI 寫客戶溝通的人來說是一個嚴肅的警告：你不能只追求說服力，你必須同時守住準確度。否則你贏了這一次對話，卻輸了長期信任。 資訊密度原則：怎麼用在你的溝通裡 把這份研究的發現翻譯成實務操作，有三個要點： 第一，堆事實，不堆形容詞。 與其寫「我們的方案能大幅提升您的效率」，不如寫「導入我們方案的客戶，平均每月減少 14 小時的行政作業時間，退件率從 8% 降到 2.3%」。具體數字和可查證的事實，比任何華麗的包裝都有說服力。 第二，別花太多時間在個人化上。 這不是說完全不要做——稱呼對方的名字、提到他的公司當然是基本禮貌。但如果你的選擇是「花 30 分鐘研究客戶背景來量身打造一封信」還是「花 30 分鐘找到更多可以佐證你論點的具體數據」，這份研究很明確地說：選後者。 第三，一定要人工查核。 這是整份研究最重要的警告。當你要求 AI「寫得更有說服力」或「多給一些佐證數據」的時候，它可能會開始「創造」看起來很像真的但其實是編的數據。每一個具體數字、每一個引用，都要回頭驗證。這份研究是在政治說服的場景下做的，不是商業銷售。但底層的機制是一樣的：人類會被大量具體事實打動，遠比被「我知道你是誰」的個人化感動來得多。 在一個人人都能用 AI 產出漂亮文案的時代，真正的差異化不是誰寫得更滑順，而是誰的內容裡有更多經得起查證的事實。📎 Hackenburg 等人的完整論文〈The Levers of Political Persuasion with Conversational AI〉2025 年 12 月發表在 Science，牛津大學的新聞稿用比較白話的方式做了摘要。論文裡還有很多這篇沒覆蓋到的細節，包括三個實驗的完整設計、19 個模型的個別表現比較、不同後訓練方法（SFT、獎勵模型、SFT+獎勵模型）的效果差異，以及對話式 AI 跟靜態單向訊息在說服力上的巨大差距。如果你對 AI 的影響力機制有興趣，值得花時間讀完整版。
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。
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。