忙忙碌碌的 AI 陷阱

一、2024 年，Klarna 驕傲宣布 AI 客服取代了 700 個真人

一年後，他們開始把人請回來。

Klarna 的 AI 客服確實厲害：處理超過三分之二的對話、回應速度大幅提升、成本顯著下降。每一個數字都在說「成功」。但 CEO 自己後來公開承認，走太遠了——客訴增加、同理心不足、顧客體驗反而變差。

這不是技術失敗的故事，是方向失敗的故事。AI 完美地執行了「行動」，但行動的方向沒有通往期望的「結果」。

前幾篇我們談了輸入（EP3）、判斷（EP4）、回饋（EP5）。今天要談的是決策鏈上最容易被忽略的兩個環節：行動和結果——以及它們之間那條經常斷掉的線。

 二、三種「白忙」——行動指標漂亮，結果指標沒動

AI 最大的禮物，是讓行動的成本趨近於零。但成本低不代表價值高。當一件事做起來幾乎不花力氣，你就會做更多——而「更多」，往往掩蓋了「沒用」。

第一種：內容暴增，流量反跌。

這可能是最多人踩過的坑。用 AI 把原本每月幾篇的文章直接放大到數十篇，產量圖表好看得不得了。但 SEO 專家 Lily Ray 追蹤了 220 多個大量使用 AI 內容的網站，發現其中 54% 在短暫高峰之後，流量反而跌了 30% 以上。一家巴基斯坦的 SaaS 公司，每月砸相當於十幾萬台幣產 AI 文章，有機流量從兩萬八掉到一萬一。

產量是行動指標，流量是結果指標。兩條線背離的那一刻，就是行動與結果脫鉤的訊號。

第二種：客服分流率很高，但客人還是一直來。

台灣很多企業導入 AI 聊天機器人之後，最愛看的數字是「分流率」——有多少趴的對話沒有轉真人。70% 以上看起來漂亮極了。但如果你追蹤七天內同一個客戶有沒有換管道再進來，數字往往不好看。AI 沒有解決問題，只是把問題延後了。分流率是行動指標，重複進線率才是結果指標。

Klarna 的故事就是這個模式的放大版：規模從 700 人變成 AI，但結果的方向是反的。

第三種：報表自動化了，決策品質卻沒變。

台北一家整合行銷公司的故事更接地氣。他們每週花十五個小時手動整理三個廣告平台的報表。用 n8n 做了自動化工作流之後，十五小時變兩小時，漂亮。但三個月後 Meta API 改版，工作流掛了，沒有人會修。更深的問題是：系統按平台分類，但員工需要按客戶分類——所以大家收到自動報表之後，還是得再手動整理一次。

半年後，只剩老闆一個人還在用。其他人全部切回手動。前期很忙（設定、測試、串接），中期看起來有效，後期幾乎回到原點。

三個場景，同一個模式：先買工具再找用途、只看活動指標不看商業 KPI、沒有內部擁有者持續維護。 行動量暴增，結果紋風不動。

 三、槓桿是乘法，不是加法

美國連續創業家 Alex Hormozi——旗下 Acquisition.com 投資組合年營收超過兩億美元——最近在一支影片裡直接挑戰了「AI 會讓你變有錢」的說法。他的觀察跟上面三個故事完全吻合：

 「AI 增加的是做事的容量。但如果你沒有先決定優先順序，你只是更快地做低優先的事。」

他指出一件有趣的事：他身邊最有錢、最資深的朋友，幾乎都沒有在日常工作中大量使用 AI。他們的公司在用，團隊在用，但他們自己的時間花在別的地方——花在判斷和決策上。

Hormozi 把槓桿比喻成乘法：資本 × 媒體 × 團隊 × AI。任何一項是零，乘出來就是零。AI 讓其中一個因子變大了，很好——但它沒辦法替你決定哪個因子才是你的瓶頸。

「決定某件事不是優先，立刻就釋放整個團隊的產能」——他說這比自動化任何一件事都更有槓桿。

放到我們的七要素框架裡：行動和結果之間，隔著一個東西叫瓶頸辨識。做更多事，是在所有因子上平均灑水。做對的事，是找到那個等於零的因子，只在那裡用力。

 四、少做但做對——兩個反面教材

那些真正用 AI 拿到結果的人，做的事反而更少。

一位獨立房仲顧問，原本同時用五、六個 AI 工具——內容生成、廣告優化、客服機器人、報表自動化——月費大約五百美元。工具很多，注意力很散，但真正卡住成交的瓶頸始終沒被處理。

後來她做了減法：全砍，只留一個。一個自動化看屋協調加上客戶自助預約的工具。同時改了一條規則：把「客戶諮詢時間」這個真正的約束點解放出來。

結果：客戶互動次數增加 40%，成交數增加 25%，工時反而減少 20%，月費降到兩百美元左右。

用七要素的語言說：她的「行動」從五條線收成一條線，但那一條線直接連到「結果」。其他四條線再酷，都是在非約束點上忙。

芝加哥的 Brian Moran 團隊做了更極端的事。他們手上有將近三十萬名潛在屋主名單。如果直接上 AI 大量發信，幾乎一定會變成噪音。

他們反其道而行：先人工精準篩到十萬人，再進一步鎖定「最可能賣房的前 3%」。把所有流程文件化、標準化之後，才上 AI 自動化外展。

結果：過去每則訊息要花三分鐘，現在幾秒完成。業務人員在相同時間內產出三到五倍的外展量，轉換品質反而提升。

這就是「先做減法與聚焦，再讓 AI 放大」——而不是先放大再希望聚焦。他們把判斷（篩選）放在行動（發信）前面，所以行動量雖然也大，但每一個行動都指向結果。

最極端的案例或許是 Medvi——兩個人、年營收四億美元的遠距醫療公司。他們不是用了很多 AI，而是刻意不做非核心的事，把注意力全壓在「需求與產品匹配」這一件事上。

五、行動與結果之間的那條線

回到我們的七要素。本篇的核心只有一句：AI 讓行動的邊際成本趨近於零，但邊際成本低，不等於邊際價值高。

每一條你正在做的「AI 行動線」，都值得問一個問題：這條線的結果指標是什麼？

你現在用 AI 做的事，哪一件拿掉了營收會掉？如果答案是「好像都不會」，那你可能全部都在做低優先的事。你的 AI 工具，哪一個直接連到你追蹤的商業數字——不是「產出量」，而是成交、續約、客訴率那種？如果只能留一個 AI 用途，你會留哪個？那個答案，大概就是你真正的瓶頸所在。

我們自己也是 AI 的重度使用者。靠著 AI，一個人做到了過去整個小團隊才做得到的事——從內容、流程到知識管理。但我們很清楚，這些都還是「準備」，不是「結果」。能做更多事，跟做的事能變成營收，中間還隔著本篇說的那道校準。

二十年前我用網路賣熱水器，學到的第一課不是「怎麼讓更多人看到」，而是「先搞清楚誰是真的要買」。工具從來不是重點，瓶頸才是。二十年後，工具從網頁變成 AI，這個道理一次也沒有變過。

 六、下一篇預告

行動和結果之間的校準，需要一個持續運轉的機制。那就是我們下一篇要談的：訓練與預測——不是 AI 模型的訓練，而是你的組織如何從每一次行動的結果中學習，讓下一次的預測更準、判斷更快。

第一章的旅程，也將在那裡收束。