這學期我挑了幾個AI應用的商管個案，今天帶學員討論的是一個非常有意思的個案：ReUp Education。這個個案對於我們理解數位經濟時代下，技術如何衝擊傳統商業模式、人類價值何在，以及我們個人應該如何應對，有著深刻的啟發。站在今天的時間點回頭看，這個幾年前發生的故事，更能讓我們看清技術發展的軌跡和其帶來的變革力量。
一、 發現一個被忽視的巨大市場：中輟生
ReUp Education 創立於 2015 年。他們瞄準了一個長期以來被高等教育機構忽視的群體——那些曾經讀過大學，但尚未畢業就停止學業的「中輟生」（stopped out students）。這是一個規模龐大、需求獨特的市場。在美國，有數千萬這樣的學生。僅僅因為學員的中輟，美國高等教育機構每年就損失數十億美元的學費收入。這是一個巨大的痛點，也是一個巨大的機會。
ReUp 的創辦人意識到，學生中輟的原因是多樣且複雜的。這不是簡單的學術能力問題，可能涉及財務、家庭、心理、環境等種種因素。因此，他們相信，一個「客製化」的輔導模式能夠幫助這些學生克服障礙，重返校園。二、 服務模式的本質：高投入的「人」力密集型
ReUp 的核心服務模式是透過遠端的「成功教練」（success coaches）。這些教練與中輟生建立關係，提供個人化的支持，幫助他們規劃未來、設定目標，並最終促使他們重新註冊入學並完成學業。這家公司本身也是一個完全遠端工作的組織，藉此招募人才和降低營運成本。
其商業模式很有意思，是一種「成果付費模式」（Outcome-based fee）。ReUp 與大學合作，大學提供符合條件的中輟生名單。ReUp 先提供服務，不收取大學的預付費用，也不向學生收費。只有當學生成功地重新註冊入學時，大學才會將收回學費的一小部分分潤給 ReUp。如果學生轉到其他學校，ReUp 也與原學校分享一部分收入。因此，ReUp 的收入直接與學生的「再註冊」（reenrollment）成功率掛鉤。
從 ReUp 的角度來看，衡量其商業成功的關鍵數字是「再註冊的學生數」以及由此帶來的「收回學費總額」。雖然畢業學生數也很重要（這能讓合作大學看到長期收益的潛力），但直接影響 ReUp 當期收入的是再註冊數。
然而，這種高度個人化、依賴教練提供「高接觸」（high-touch）服務的模式，其本質是一個高度勞力密集型的事業。教練需要在與每個學生的互動後詳細記錄筆記，並在下次互動前仔細回顧，以提供真正個人化的支持。這非常耗時。
這種模式存在幾個固有的問題：
- 規模化困難 (Scaling Limitation): 人的精力是有限的。一個教練在一段時間內能有效輔導多少學生？估計大概在 20 人左右。要服務更多的學生，唯一的方法就是雇傭更多的教練。這使得公司成長速度受到人力擴張速度的限制，難以實現大規模的規模經濟。
- 品質複製與一致性 (Consistency and Replication): 教練的能力和經驗是參差不齊的。最好的教練可能擁有豐富的經驗和高度的同理心。但這種「老師傅經驗」難以快速、大量地複製和傳承。你很難在短時間內把一個新教練培養成頂尖教練。服務品質的不一致性會影響整體效果。
- 人才流失風險 (Talent Retention): 優秀的教練意識到自己的價值和這個市場的巨大潛力時，他們可能會選擇離開 ReUp，直接與大學合作甚至自己創業，成為 ReUp 的競爭對手。這是一個以「人」為核心的組織必須面對的人才留存挑戰。
- 合作夥伴的 In-house 風險 (In-house Risk): 如果 ReUp 的模式被證明非常有效，並且收費比例相對較高，合作的大學可能會考慮將這項服務「自己來」（in-house），自行組建團隊來做，因為學生名單本來就在他們手上。這家新創公司就會失去其存在的價值。因此，ReUp 必須證明自己比學校自己做「更好」，並且擁有「規模經濟」優勢，同時收費不能高到讓學校覺得自己做更划算。
三、 引入 AI：從「藝術」到「科學」的嘗試
為了突破這些限制，特別是規模化和效率問題，ReUp 在 2019 年向董事會提出開發一個 AI 工具的計畫——Personas AI...。其目標是利用 AI 將教練的「藝術」轉化為「科學」。
這個 AI 工具的設想是，透過分析大量的學生資料（包括教練與學生的互動記錄、文字、語音等非結構化資料，以及郵件點擊、回覆時間等結構化資料），預測學員的「領域健康度」（sphere health）。ReUp 定義了五個關鍵領域，並將學生在這些領域的狀態分為「有助於」re-enrollment 和「阻礙」re-enrollment 兩個方向。AI 會根據預測結果為每個學生生成一個動態的「學習者角色畫像」（learner persona）。教練可以利用這些畫像來快速了解學生狀態，更有效率地準備每次對話，將精力集中在學生最需要的支持上。
在 2021 年，當這個 AI 工具開發完成並開始實驗時，大型語言模型 (LLMs) 正在興起，雖然像 ChatGPT 這樣強大的生成式 AI 工具當時還處於全球試玩階段。ReUp 與一家數據科學公司合作，將其累積的資料輸入 AI 模型，希望能預測學生的 persona。AI 會分析對話文本，判斷其中提到的領域，並識別學生的情緒是「有助益」 (+1) 還是「阻礙性」 (-1) 的。
四、 實驗結果的困惑：技術與現實的落差
ReUp 針對這個 Personas AI 工具進行了嚴謹的 AB 測試。他們將學生分為兩組，實驗組的教練可以使用 AI 工具輔助，對照組的教練則使用傳統方式。
然而，實驗結果令人困惑，甚至有些挫敗。
首先，核心的 再註冊率 (reinrollment rate) 指標在實驗組和對照組之間沒有顯著差異。這意味著 Personas AI 並沒有達成其最主要的商業目標。實際上，從短期數字看，傳統組的表現甚至略好。
其次，AI 預測的學生在五個領域的「領域健康度」指標確實有所提升。但這項「進步」卻沒有轉化為最終的再註冊。這就像學生在某個科目考試分數進步了，但卻沒有因此找到工作一樣令人費解。
更令人意外的是，雖然 AI 的目標是提升效率，但使用 Personas AI 的教練與學生的互動「次數」反而下降了。雖然個別教練可能覺得 AI 縮短了他們的準備時間，但整體的客戶互動頻率似乎減少了。
此外，從使用者的角度（教練們），對 Personas AI 的淨推薦指數 (NPS) 達到-67%，表現出高度不滿意。NPS 是一個非常重要的用戶滿意度指標，它反映了使用者是否願意向他人推薦這個工具。在這個個案中，NPS 可能反映出工具尚未達到讓使用者真心推薦的水平。有教練反映 AI 的文本轉錄存在「垃圾內容」（complete garbage），導致他們對 AI 的預測不信任。雖然 AI 可能在某些方面帶來便利（例如縮短準備時間），但其不準確性或不可靠性影響了教練的信心和使用體驗。
五、 剝開洋蔥：分析結果背後的可能原因
面對這些出乎意料的結果，我試著帶學生進行了更深入的分析和探討這背後的邏輯是什麼？我們可以提出幾個假說：
- 技術本身的局限性 (Technical Limitations): 在 2021 年，AI 技術，特別是處理非結構化、帶有細膩情感和語氣（如反諷、自我貶低、地方口音、語助詞、停頓）的文本方面，可能尚未完全成熟。AI 可能難以準確捕捉人類對話中的真實情感和潛台詞。因此，Personas AI 預測的學生「領域健康度」的提升，可能並非真實的進步，而是 AI 誤判或過度解讀了某些表面跡象。
- 霍桑效應 (Hawthorne Effect): 教練們知道他們正在使用一個新的 AI 工具，並且他們的表現可能被追蹤。這種被觀察的狀態本身，就可能改變他們的行為。他們或許更積極地使用了 AI 提供的資訊，或者在與學生互動時表現得更為「標準化」，以迎合 AI 的預測或系統的評估。但這種行為改變是否真正對學生有益，是需要打問號的。
- 激勵與指標的扭曲 (Misaligned Incentives & KPIs): 雖然公司的最終目標是提升再註冊率，但如果 AI 系統或內部的管理指標強調的是教練對 AI 工具的「使用率」或學生「領域健康度」的提升，教練們可能會為了達成這些中間指標而調整行為。例如，為了服務更多的學生以達到某個服務量的「配額」（quota），教練可能利用 AI 快速獲取資訊，然後縮短與每個學生的實際互動時間。結果就是，雖然貌似「效率」提高了（服務學生數增加），AI 記錄的「進步」指標也上去了，但真正需要深度溝通和情感連結的部分卻減少了。這種為了中間指標而犧牲最終成果的行為，是管理上常見的陷阱。
- 人類連結的不可替代性 (Irreplaceable Human Connection): ReUp 服務的許多學生可能長期中輟，面臨複雜的個人困境。他們需要的可能不僅僅是資訊和策略，更需要來自真人教練的同理心、情感支持和持續鼓勵。這種深層的人際互動和信任建立，是當時（甚至可能現在）AI 難以完全複製的。當教練與學生的互動頻率因 AI 輔助而下降時，可能恰恰削弱了最關鍵的成功因素——人與人之間的連結。
六、 決策的兩難：技術不確定時期的投資
站在 2021 年的時間點，董事會面臨一個艱難的決策：是否應該繼續投資 Personas AI？當時的實驗結果並不好。但技術是會進步的。如果 AI 技術未來能克服目前的局限性，更準確地理解人類情感，更有效地提供支持，它確實有可能解決 ReUp 擴張的瓶頸，幫助公司跨越從早期採用者市場到主流市場的「鴻溝」（Crossing the Chasm），觸及更大的市場空間（從 SOM 擴展到 SAM，甚至向 TAM 靠近）。
大家可以順著剛才的內容想一想：在這種技術充滿不確定性的時期做決策，管理者應該怎麼判斷？如果決定繼續投資，應該如何設定關鍵績效指標 (KPI)？不應該僅僅盯著最終的再註冊率，因為這受到太多外部因素影響，也可能是技術尚未成熟的結果。更務實的 KPI 可能應該聚焦在那些 AI 在當時已經展現出潛力的地方。例如，教練對 AI 工具的採用率、AI 輔助後教練準備時間的縮短，或者更細緻地衡量 AI 建議的準確性以及教練根據 AI 建議進行干預後學生的即時反應指標。這些指標更能反映技術在當前階段的實際價值和進步軌跡。
七、 技術進步的啟示：對行業和個人的衝擊
從 ReUp 的個案，我們可以延伸到更廣闊的視野。我藉此引導學員思考數位經濟時代下，技術進步帶來的普遍性啟示：
- 平台與多樣性的衝突 (Platforms vs. Diversity): 像 OpenAI 這樣擁有巨大運算能力和資料的全球性平台，能夠提供「夠好」（good enough）的、通用的技術服務（例如語音合成）。這會對那些提供更在地化、更精細服務的小型創新公司（如台灣的 VOAI）構成巨大壓力。平台的規模經濟降低了單位成本，讓更多人能以極低的價格（甚至免費）使用這些技術。但這也可能消滅多樣性，使得具有地方特色或針對特定利基市場的服務難以生存。這帶來一個兩難：是否需要國家力量介入保護本土產業，但這又可能引發反競爭的質疑。
- 技術顛覆行業的速度 (Speed of Disruption): AI 等新技術的發展速度是驚人的。我特別提到了 Chegg 公司（一個提供線上學習輔助和教科書租賃的平台），它的股價在 ChatGPT 推出新版本後「啪的一聲就躺了」，因為 AI 能夠直接提供學生需要的解答。這顯示了技術對現有商業模式的顛覆性和其發生的速度。
- 人類價值在何方？(Where is Human Value?): 當 AI 技術越來越成熟，能夠處理越來越複雜的任務，甚至在某些方面超越人類時，我們需要重新思考人類的核心價值。例如，ReUp 個案中對話的細微情感、語氣的理解，以及心理諮商中諮商師的價值判斷。雖然今天的 AI 在理解情感和提供資訊方面已經很強大，甚至可以被當作「談心對象」，並且能避免人類的價值判斷偏差。但像複雜的內部溝通、跨部門協調、建立信任、策略判斷等需要高度情商、經驗和整合能力的任務，目前仍是人類的優勢所在。許多「專業」職業，如會計，其大部分程式化的工作可能很快被 AI 取代，只剩下少數需要與人溝通和做決策的關鍵職位。
- 持續實驗與分散式探索 (Continuous Experimentation): 在技術快速演進的過程中，公司不能固步自封。ReUp 的實驗雖然結果不如預期，但其進行實驗的精神是值得肯定的。更重要的是，需要在內部進行大量、分散式的實驗。讓不同團隊、不同個體去嘗試應用新技術，從實踐中學習，累積經驗，才能真正理解技術的潛力、局限性，並找到最適合自身業務的應用場景和發展藍圖。（我在課堂也鼓勵學員自己動手嘗試新的 AI 工具，如 MCP 或 AI 語音工具。）
- 個體的學習與調適 (Individual Learning & Adaptation): 對於我們每個人來說，這是一個充滿不確定但也充滿機會的時代。我們必須意識到技術進步對我們未來職業和個人發展的衝擊。不能排斥新技術，而是應該主動去了解、去嘗試使用這些工具。我在課堂展示了如何利用 AI 語音工具輔助學習個案、進行辯論，以及 MCP 如何透過自然語言呼叫軟體完成任務。這些都說明了技術正在改變我們工作和學習的流程。我們需要不斷學習，建立自己的工作流程，並且思考在技術能夠替代大部分程式性工作後，我們的核心競爭力在哪裡。
機器取代智力之後的世界
ReUp Education 的故事是一個縮影，展示了在新技術浪潮下，一個試圖用技術解決傳統服務模式瓶頸的公司所面臨的挑戰和困惑。它提醒我們，技術的應用並非一帆風順，可能存在技術不成熟、使用者不適應、管理指標錯位等種種問題。然而，站在今天回望，我們也看到技術進步的速度遠超想像。
我想透過對這個個案的深入剖析，不僅讓年輕一代理解了 ReUp 在特定時期的商業困境和決策兩難，更重要的是，這個個案引導我們思考了更宏大的議題：數位經濟下的競爭格局、技術對產業和職業的顛覆、以及人類在自動化時代的定位。這一切都指向了一個核心：持續的學習、實驗和快速的調適能力，是我們在這個快速變革的時代生存和發展的關鍵。我們需要具備批判性思維，不盲從技術，但也不迴避技術，主動擁抱變化，才能在這個充滿挑戰的未來中找到自己的位置和價值。
