AI 重塑的不只是工作，而是整個產業#

AI 不僅改變個人的工作方式，更會徹底重組產業。勝出的企業，將是最擅長在「人 ↔ 資料 ↔ AI」之間建立正向回饋迴路的那群。

關鍵要素：

• 人：員工仍是核心。他們參與創造、整理出能訓練 AI 的資料；AI 又反過來讓員工更高效。
• 資料：包括明文知識、流程、與更難捕捉的經驗與直覺。
• AI：把資料轉成可行動的洞見。

真正的競爭優勢，不在於擁有 AI 演算法，而在於誰能跑這個飛輪跑得最快——把知識、經驗、智慧轉成資料，再把資料轉成洞察。

資料優勢#

AI 的三項要素（演算法、算力、資料），對多數公司而言：

• 演算法：除了少數科技巨頭與精明新創外，幾乎沒有公司會自建演算法；多半倚賴大廠付費 API 或 Hugging Face 等開源平台。
• 算力：誰都能向同一群雲端供應商租用伺服器，難以拉開差距。
• 資料：才是大多數公司真正能差異化的關鍵。

私有資料的價值#

• 智慧財產：迪士尼的影片庫、《紐約時報》150 年的報導、輝瑞數十年的藥物研發與臨床試驗。
• 顧客資料：自家累積的最有價值。
• 2010 年代上半期，第三方資料商透過 cookies、電信業者把資料商品化；2021 年起的隱私法規讓追蹤變難，自家顧客資料的價值反而上升。
• AI 還能把員工日常產生的資料變成另一個競爭優勢。

個人化行銷的時代#

廣告界有句老話：「廣告預算有一半浪費掉了，但你不知道是哪一半。」AI 終於開始補上這個缺口。

墨西哥達美樂#

• 過去打電視、廣播、報紙、線上廣告，無差別投放。
• 接入 Twilio 旗下 Segment 顧客資料分析平台後，AI 將顧客分群並預測最佳訊息、媒介與時段。
• 結果：Google 廣告 ROI 提升 700%、獲客成本下降 65%、留存提升。

Intuit 的微分眾#

• TurboTax、QuickBooks 從 3 大客群細切到 450 個客群。
• 訊息互動率從 20% 跳升到 50%。

限制因素已不再是「分眾能多細」，而是「能否量產真正個人化的訊息」。生成式 AI 寫不完的客製化文案剛好補上這個缺口。

Twilio 創辦人 Jeff Lawson 的提醒：受 LLM 不可靠之累，公司不會極端到「每個顧客都用不同行銷策略」，但客群會從十多個擴張到上百個。

非結構化資料革命#

過去多數企業的資料是結構化的（資料庫、訂單、計費紀錄）；LLM 真正的革命，是解鎖非結構化資料——文件、郵件、影像、音訊。

一家家族經營的小酒舖，過去要分析顧客電郵需要人力分類；現在它能讓 LLM：

• 找出夏季顧客是更愛 Sauvignon Blanc 還是白勃艮第。
• 哪個地區的物流抱怨變多。
• 錄音門市對話，分析哪種銷售話術最有效。
• 用影像分析判斷哪個陳列櫃讓顧客「看得多、買得少」，再以特價誘購。

過去這種洞察只屬於連鎖大店，現在小店也能擁有。

我們知道的多過我們能說的#

Polanyi 悖論#

英匈籍哲學家 Michael Polanyi 提出：「我們知道的多過我們能說的（We know more than we can tell）」。

這就是「默會知識（tacit knowledge）」——騎腳踏車、滑雪、寫作、繪畫，乃至醫師對病人「就是覺得不對勁」的直覺，律師「再追下去陪審團會反感」的瞬間判斷，皆屬此類。

MIT 經濟學家 David Autor（將在第 6 章再深入）將這個現象命名為「Polanyi 悖論（Polanyi’s paradox）」。

Solow 悖論#

• 經濟學家 Robert Solow 在 1987 年的妙語：「到處都看得到電腦時代，唯獨在生產力統計裡看不到。」
• 1973 年後美國（與多數已開發國家）生產力成長明顯下滑，1990 年代中後期短暫反彈，近 20 年又再趨緩。
• Autor 認為，舊式 AI 倚賴明文規則，無法捕捉默會知識，因而拖慢了自動化的腳步。

但這次或許不同#

Stanford 經濟學家 Erik Brynjolfsson（即第 4 章客服研究的主持人）指出：「機器學習能把默會知識編碼起來，即使人類本身說不清楚規則。」這將加速許多產業的自動化。

捕捉默會知識#

第 4 章客服研究的延伸觀察：薪酬的張力#

• 該客服公司以「個人優於同事的程度」設薪。
• AI 助手把新人拉到中段水準，導致「頂尖客服的相對優勢縮水，反而被降薪」——但他們的默會知識才是 AI 助手能起作用的根源。

在這個新時代，企業必須認真重新思考薪酬制度——否則，內部專家與頂尖人才會要求更高的對價，才願意把自己的默會知識「捐贈」給公司的智慧財產。

Autor 的三層專業：知識、程序、判斷#

• 正規知識（formal knowledge）：可在課堂上教授。
• 程序（procedures）：實務步驟，多在工作中習得。
• 判斷（judgment）：在「正規知識」與「實際運用」之間調停的能力，最難自動化、最有價值。

「判斷無從被寫下，甚至從未被說出。它住在資深從業者的腦袋裡，要花很多年才能養成。」很多時候連他們自己也說不清為什麼這麼做是對的——這正是默會知識。

大規模捕捉默會知識的可能與阻力#

• 多數產業還沒有可用以推論默會知識的資料——但企業會開始製造它。
• 過去客服早就「為了品質與訓練錄音」，這個做法可能擴張到供應合約、商用不動產等高金額長週期的業務。
• 高品質的即時語音轉文字，讓「整家公司的會議與電話都錄下來」變得可行。

但這也可能引發勞動爭議：員工會抗拒被監視、抗拒讓自己的專業被數位複製，除非有充分補償。

加上某些地區的隱私法規，默會知識的捕捉將緩慢且不平均。

我們還沒完全擺脫 Polanyi 悖論。可預見的未來，企業仍需要人類專家與師徒指導。事實上，AI 反而會讓頂尖專家更值錢：

• 他們的默會知識可注入 AI 系統。
• 他們的人脈網路 AI 無法複製。
• 在 AI 把平均水準墊高的世界裡，能顯著超越平均者更稀缺。

贏者通吃：明星制度的擴張#

從體育、娛樂擴散到各行業#

• 「明星制度（star system）」過去主要存在於體育與娛樂業。
• 隨著 AI 讓頂尖人士在無大量支援人員的情況下也能高效作業，精神科、整形外科、軟體開發、設計、新聞業等都將出現「少數頂尖獨佔利潤大塊」的現象。
• 大型律師事務所、顧問公司與投行的高計費合夥人，可能帶著 AI 助手出走自立精品店。

AI 也可能把競爭場拉平#

• João Ferrão dos Santos 是一家葡萄牙線上 T-Shirt 公司的執行長，2023 年 3 月在 LinkedIn 宣稱任命 ChatGPT 為公司 CEO，自己只執行 ChatGPT 的指示；以 Midjourney 設計圖案。公司命名 AIsthetic Apparel，1000 美元起家、外部募 2500 美元，第一週就賣出 10000 美元的 T-Shirt。
• 中國遊戲公司 NetDragon Websoft（年營收約 10 億美元）也宣稱任命 AI 機器人「Tang Yu」為 CEO。

但同時也走向集中#

「資料即權力」的時代，每個產業中擁有最多資料者（顧客、供應商、合約、IP）將更具預測力。大型建築事務所更精確的設計圖、大電影公司更好的劇本、大律所更好的合約模板，都會被資料飛輪放大。

中型企業最辛苦：太大，無法享受 AI 加持下精品店的低成本；太小，又無法享受龍頭的資料優勢——將被兩端擠壓。

IP 的新時代#

在這個新時代，智慧財產將成為最關鍵的資料之一。每家公司都需要一套清楚的策略，思考如何運用自己的 IP 來微調 AI 模型。

Hollywood 的劇變#

• 2023 年 5 月，導演 Paul Trillo 用 Runway Gen 2 的文字轉影片功能，加上 ElevenLabs 生成語音，做出 2 分 25 秒的短片《Thank You for Not Answering》。
• Detroit 的 Waymark 用 OpenAI DALL-E 2 與 D-ID 動態化效果，做出 12 分鐘的心理驚悚片《The Frost》。
• 2024 年 2 月 OpenAI 發表的 Sora，可由一段文字提示生成長達一分鐘、具備「電影語法」的影片，讓人震驚。

數年內，幾個人加一台筆電就能製作以往需要數十甚至數百人的長片。這將是好萊塢史上最劇烈的轉變——比默片轉有聲、比 VHS、比串流都更深刻。

但工作室不會消失：

• 在 AI 影片洪水中，發行與行銷的力量更稀缺。
• 工作室擁有龐大的 IP 與檔案庫，可用以訓練自家 AI。
• 但也將遭遇勞工抗爭——2023 年好萊塢編劇與演員工會大罷工正是預演。
• 後達成的協議：演員形象不得未經同意與合理對價，被用於建立數位化身；編劇方面則達成「AI 可輔助寫作，但不可削減編劇的署名與報酬」的折衷，可能成為其他產業的參考。

出版業：AI 改變的不只是寫，還有讀#

讀者很容易想像未來會擁有一位 AI 閱讀同伴，幫忙回答問題、解釋典故、做文學分析，甚至像虛擬讀書會。

• YouAI 已推出 Book AI；OpenAI GPT 商店裡也有人發布讀書助手 GPT。
• Semafor、Fortune（作者任職的媒體）、MacWorld、PCWorld 也以自家檔案訓練聊天機器人，回答讀者問題並推薦延伸閱讀。
• 出版社不太會讓 AI 全寫書（AI 創作無法享有著作權），但會期待作者搭配 AI 助手加快交稿。
• 出版社也用 AI 優化 metadata、為冷門書產 AI 朗讀有聲書、生成兒童書插圖、設計封面。

較少人手就能完成的服務，將讓獨立小型出版社也能與大型出版社競爭。

大型科技公司會變更大#

過去 20 年由 Apple、Amazon、Microsoft、Google、Meta（中國則是 Baidu、Tencent）主導的局面，AI 大概率會強化——但也留了一線縫隙讓新玩家擠進來。

基礎模型的高牆#

「基礎模型（foundation models）」需要數萬至數十萬顆 GPU 級別的資料中心才能訓練。這個門檻把大部分玩家拒於門外。

• 微軟為 OpenAI 蓋的超級電腦花了數億美元；OpenAI 自己再投入超過 1 億美元訓練 GPT-4。
• Google 的 Gemini Ultra 據說比 GPT-4 大 5 倍。
• 多數頂尖機器學習人才即使離開大廠到新創，仍需與大廠結盟取得算力。
• 微軟掌握 OpenAI 多年內 75% 利潤的權利；Amazon 重押 Anthropic；Nvidia 投資 Cohere。

通用 vs 垂直#

• 微軟、Google 把生成式 AI 全面注入 Microsoft 365、Workspace。
• 新創則將在產業專用、職能專用的工具上扮演要角：HR、企業財務、投組管理、法律、建築。

各家的張力#

• Amazon：在自家基礎模型上落後，於是與 Anthropic 結盟，並擁抱開源 LLM；其原本為舊式 AI 設計的 Trainium 與 Inferentia 晶片不適合大型 LLM，新一代晶片需要時間部署，AWS 雲端市占可能短期受擠壓。
• Apple：AI 產品推出比微軟與 Google 慢。
• Microsoft：以 GPT-4 整合 Bing 試圖搶搜尋市場；但 Bing 仍只占 3%，Google 仍佔 93% 以上。
• Google / Alphabet：證明 ChatGPT 不會是「Google killer」，但也面臨經典的「創新者的兩難（innovator’s dilemma）」——主要收入來自搜尋廣告，而生成式 AI 搜尋的商業模式尚未證明成立。
• Nvidia：從晶片往上延伸到模型與雲端，將與自己的最大客戶競爭；同時客戶（雲端巨頭）也在自研晶片或投資對手晶片公司，試圖擺脫 Nvidia 的近壟斷。

AI Agent：可能炸開現有格局的炸彈#

真正可能改寫產業版圖的，不是更會「生成內容」的 Copilot，而是能替我們執行任務的「AI Agent」。

未來情境：

• AI Agent 為你訂結婚紀念日的機票、飯店、餐廳——它知道你要 King 床、海景，知道你不喜歡靠門的座位。
• 它幫你讀新聞、講昨晚球賽結果、提醒堂兄生日、買禮物送出。
• 技術核心仍是 LLM，但訓練目標從「預測下一個字」變成「預測下一個動作」。

Demis Hassabis 說，可信賴的 Agent 將要求解決事實準確、人類意圖理解、常識推理等通往 AGI 的多項挑戰。

Bill Gates 直言：「能贏得個人助手的，將擁有讓今日科技巨頭相形見絀的權力與財富。你不會再去搜尋網站、生產力網站，甚至不再去 Amazon。」

各家進度：

• 微軟（與 OpenAI）、Google、蘋果（Siri）、Meta、xAI（Musk，搭配 Tesla 的 Optimus 機器人）皆在投入。
• 新創包括 Adept AI（Google 與 OpenAI 校友創辦）、Essential AI（Transformer 共同發明者創辦）；但能否在沒有大廠合作下打造成功 Agent，仍是未知數。

個人 AI Agent 是科技業的「索倫魔戒（One Ring）」——能統御一切的那個 App。誰擁有它，誰就擁有空前的權力。

AI 將動搖產業的權力基礎；下一章將進一步看它如何改寫國家的財富。