之前分享如何使用 生成式AI 引導學生進行個案討論，那這次我們所使用的個案是 Grab vs. Gojek vs. Uber 的這個平臺個案。
這個個案相當精彩，它談的是在東南亞所發生的平臺大戰。這個情形對學生來講是非常陌生的，而且對於學生來說，他們理解平臺的程度也有限。所以我選擇這個個案，就希望能夠達到多重目的， 一方面讓他們理解平臺商業模式到底是以怎麼一回事，另一方面也是讓他們對於在東南亞正在發生中的商業模式有更多的興趣。
以下是我這次將個案教學與 AI 工具結合的五個運作階段。第一階段：建立 AI 工具認知與時序梳理
在課程一開始，必須先建立學生對 AI 工具的正確認知。現在網路有著大量由 AI 生成的內容，資料品質參差不齊 。我直接向學生點出一個關鍵概念：幻覺率。
- 任何生成式 AI 都有捏造不存在事實的幻覺問題 。
- 一般我們常用的 ChatGPT 或 Gemini，幻覺率大約在 30% 到 40% 之間，這代表產出的內容有很大程度是不可靠的 。
- 在這堂課中，我們主要使用 Google 的 NotebookLM，因為它採用了 RAG（檢索增強生成）技術，幻覺率可以壓低到大約 14% 。
即使幻覺率相對較低，我仍嚴格要求學生必須親自閱讀原始文本 。如果不讀文本，只依賴 AI 輸出的摘要，學生永遠無法具備辨識錯誤或過度簡化資訊的能力 。
在進入複雜的商業模式討論前，第一步是理清歷史脈絡。我請學生打開 NotebookLM，並且「只選取」東南亞平台競爭的單一個案檔案，以確保資料來源乾淨，提高回答精準度 。接著，我請他們輸入以下指令： 「將 Grab、Uber 跟 Gojek 三家公司依不同的時間點列出他們的主要行動，然後並且說明這個背後導致他們這些行動的原因，然後以表格方式呈現。」
AI 很快產出了依時序排列的表格，切分出 2014 年之前、2014 到 2015 年、2015 到 2017 年以及 2018 年等關鍵時間點 。表格清楚顯示了 Grab 選擇燒錢擴張市場，而 Gojek 則選擇深耕印尼單一市場 。
這時，我立刻喊停。我要求學生「先不要問 AI」，單純看著這份表格與腦海中閱讀過的個案記憶，花 3 到 5 分鐘思考：為什麼這兩家公司會走上完全不同的發展路線？他們背後的商業哲學是什麼？我請學生將初步歸納的觀點，直接貼到 Microsoft Teams 的課堂討論串中 。這個動作的目的是在 AI 提供現成觀點前，強迫保留人類思考的空間，確立討論的起點 。
第二階段：跨工具搜尋與外部資本邏輯補充
學生在 Teams 上提出初步觀察後，有人提到 Grab 燒錢搶市場可能與背後的投資人有關 。這是一個極佳的切入點，因為新創公司的策略往往不只是創辦人的意志，更深受資本力量的驅動 。我接著拋出問題：大家都知道 Grab 背後有軟銀（Softbank）的資金，但為什麼軟銀投資 Grab 後，Grab 就長成了這種燒錢擴張的模式？
NotebookLM 裡面的個案文本並沒有詳細記載軟銀的投資哲學，這時我們必須切換工具 。我引導學生跳出 NotebookLM，開啟具備網路搜尋功能的 ChatGPT 或 Gemini，去尋找外部資訊 。我給出的搜尋方向是： 「說明 Softbank 孫正義他們在投資組合的設定上的投資哲學，為什麼會投資像 Uber 或者東南亞的 Grab？這跟他們的投資哲學之間的關聯性又是如何？」
透過 AI 的檢索，學生很快發現孫正義與願景基金（Vision Fund）偏好投資具有「網路效應」的平台商業模式，他們尋找的是未來能在單一領域獨占市場的新創獨角獸 。
在此基礎上，我進一步向學生解釋創投（VC）的實際運作邏輯。我說明了 A 輪、B 輪募資的概念，以及投資人如何將單純的叫車服務，包裝成具有巨大想像空間的「城市即時需求的流量作業系統」 。當平台掌握了城市中車輛的分佈與消費者的樣貌，這個基礎建設就能進一步延伸出外送（如 Uber Eats）與金融支付服務 。我也務實地向學生說明，創投的資金來自於背後的金主（LP），基金經理人收取管理費，並承受著必須打敗其他金融商品報酬率的巨大壓力 。這解釋了為什麼資本會要求新創公司在前期瘋狂補貼、燒錢爭奪市場，因為他們追求的是 5 年後上市時 10 倍甚至更高的超額報酬 。
第三階段：導入理論框架進行交叉分析
理解了資本的運作後，我們需要學術理論作為分析視角。我選用了《7 Powers》（七大市場力量）這本書的框架，來拆解平台的競爭優勢 。我請學生回到 NotebookLM，取消勾選個案，只勾選《7 Powers》 。
為了讓學生快速掌握難懂的理論，我請他們輸入指令： 「針對七大市場力量中的轉換成本與網路效應，了解它的理論推論邏輯，以及它在數學表達的方式，並且用高中生可以理解的方式說明它的數學推論方式。並告訴我這理論的限制在哪裡？或者要應用轉換成本成為競爭優勢的話會有哪些限制條件？」
AI 迅速整理出「效益（Benefit）」與「屏障（Barrier）」的概念 。例如，網路效應的效益是隨著用戶基數變大，能為客戶提供更高價值；而屏障則是挑戰者必須付出極高代價（如大量補貼）才能拉走既有用戶 。
為了解釋「網路經濟（Network Economies）」，我沒有在黑板上畫供需曲線，而是給一個實務情境：「如果我們現在要創業，做一個全新的『夜生活媒合平臺』。你手上的資金只夠補貼一邊，你究竟要先砸錢吸引夜店老闆（供給端），還是先發優惠券吸引跑趴客（需求端）？」
這個問題其實就是在談數位平台最核心的難關：「冷啟動（Cold Start）」 。在現代，要寫一個媒合 APP 根本不難，套個模版就能架起來了，真正難的是怎麼把流量做起來 。當你第一天開業，什麼都沒有的時候，這就像是「先有雞還是先有蛋」的兩難 。如果平台上沒有足夠的酒吧和夜店，消費者下載了只會覺得這是一個空殼，立刻就會流失；但反過來說，如果平台沒有活躍的用戶，店家憑什麼要花時間上架，甚至讓你抽成？這筆起步的錢，到底該怎麼砸才有效？
在給出這個情境後，給各組三分鐘的時間思考，要求他們必須選邊站，並且把理由貼到 Teams 的討論串上 。大部分的組別直覺選擇先找「商家」，理由是：「有了足夠的商家，才能吸引消費者」、「店家為了獲利會願意配合曝光」 ；但也有一組先找「用戶」，認為有了用戶基數，才能真正掌握需求，進而吸引商家 。
這個過程很重要。讓大家先有定見、先去思考商業運作的邏輯，接下來引入 AI 才有意義。否則，你只是在單向接收資訊，腦袋根本沒有在運作。
等大家都有了初步觀點，我們才請出 AI。但我不是讓學生隨便問「平台怎麼做」，而是示範指令 。
我要求 AI 搜尋前沿的學術研究，並扮演兩個互相對立的角色：一方強力支持先啟動商家，另一方強力支持先啟動用戶。雙方都必須引用理論與實際案例來辯論，最後再由 AI 根據最新的研究成果，給出一個客觀的總結 。
跑出來的結果非常讚，它給了一個判斷標準：你的決策取決於平台的類型 。
如果是「交易型平台」： 例如你的核心服務是賣票券、訂包廂、保留入場資格，那你絕對要先把「商家端」搞定 。因為用戶來的目的是為了效率與完成交易，你只要初期談下幾家具有指標性的熱門店家，就能確保第一批來的使用者有明確的服務可以購買，平台馬上就能產生價值 。如果是「社交內容驅動的平台」： 例如你是要讓大家看哪間店現在人氣最旺、哪裡有活動，或是尋找特定的同好族群，那你反而要在「用戶端」下更多功夫 。你要讓跑趴客能輕易找到熱點，這時候初期的商家數量少一點也沒關係，重點是把人群的互動與氛圍聚集起來 。
這一段花了點時間。
接著，進入高階技巧。我請學生同時勾選《Seven Powers》與個案這兩份檔案，讓 AI 用理論來分析實務 。
使用的指令如下： 「使用 Seven powers 裡面的兩個重要的市場力量，一個是網路效應，另外一個是轉換成本，用來分析這三家公司的競合策略。Uber 的網路效應為什麼沒辦法在東南亞地區發揮？它的轉換成本為什麼沒辦法像在歐美地區一樣有這麼強的效果？同樣的概念拿來分析 Grab 跟 Gojek，他們的網路效應跟轉換成本又是如何運作的？為什麼到最後 Uber 會退出市場？Gojek 跟 Grab 各自又發展出什麼不一樣的生態系模式？」
AI 輸出交叉分析結果後，我將焦點轉向「在地化（Localization）」這個關鍵字 。我問學生：為什麼 Uber 無法在東南亞發揮既有的網路效應？
結合 AI 的提示與學生的思考，我們梳理出幾個關鍵實務阻礙：
- 支付習慣： 歐美習慣信用卡綁定，但東南亞的信用卡滲透率低，現金交易與貨到付款才是主流，Uber 原本的支付基礎建設在此行不通 。
- 交通載具： 當地的交通狀況使機車計程車（Moto-taxi）成為剛需，而這不在 Uber 初期的標準服務範圍內 。
- 避開監管反彈： Uber 在全球擴張時常帶著消滅傳統計程車行的強勢姿態，引發巨大抗爭。相反地，Grab 選擇與當地的計程車行合作，把既有車隊納入數位平台，將反彈阻力降到最低，順利確保了供給端的數量 。
透過這個階段，學生學會了如何讓 AI 抽取書籍的理論框架，套用到完全不同的商業個案上進行深度解讀 。
第四階段：限制 AI 依賴與設計批判性對話
這堂課的另一個核心討論是「Super APP（超級 APP）」現象 。Gojek 從機車叫車起家，隨後將點餐、按摩、支付等所有生活服務全部綁定在單一 APP 內，形成極高的轉換成本 。我拋出一個問題：為什麼只有在中國與東南亞看得到 Super APP，而美國或台灣卻很少見？
此時，我再次實施「AI 限制」。我明確規定：「先不要查，查了就沒有樂趣，完全沒有在思考了。先想一想，把想法寫在 Teams 上。」
學生們開始提出各種有趣的假設：
- 有人認為與政治體制有關，威權國家傾向大一統的平台以便管理 。
- 有人推論是因為開發中國家的經濟發展程度，消費者需要更簡易的整合工具 。
為了不讓 AI 盲目附和使用者的假設，我親自示範如何下達「反馬屁」的指令。
我輸入的指令結構如下：
「對於為什麼在東南亞或者中國可以形成 Super APP，我有以下推論。你要扮演一位嚴格的理論研究者與實務經驗者，來批判我觀點的正確性。你不用附和或是同意我的觀點。當我的觀點有證據支持時可以點出，但有明顯錯誤或過度推論時，必須指出。
我的觀點有三：
- 勞動力成本低，有大量非就業人口，能支撐各種到府服務。
- 政府偏向大政府模式，鼓勵大一統平台以利管理。
- 進入時機剛好是行動優先（Mobile-first）時代，沒有成熟的網頁應用習慣。 最後請仲裁並給出總結。」
AI 經過檢索與比對後，客觀地指出「行動優先時代」確實是有強力證據支持的觀點 ；「勞動力成本」是一個合理的經濟學推論方向 ；但「政府大一統管理」則屬於過度推論，缺乏直接的商業證據支持 。透過這個設計，學生清楚意識到：Prompt 的品質決定了 AI 產出的深度。如果你只問「我是不是對的」，AI 會想盡辦法證明你是對的；但如果你要求它扮演嚴格的審查者，它就能成為修正你思考盲點的利器 。
第五階段：導入角色扮演（RPG）擴展多元視角
課程的最後，我引入了角色扮演（Role-Playing Game, RPG）的應用，讓個案討論可以持續擴展。
我事先寫好了一份名為「RPG platform」的文字設定檔，請學生在 NotebookLM 中勾選這份設定檔以及東南亞個案 。
輸入極簡指令： 「使用所選的 RPG platform 的內建指令，對於所選的個案文件開始執行任務。」
這份設定檔會在 AI 內部啟動幾個預設角色：
- 面對反壟斷調查與漲價壓力的 Grab 策略長 。
- 尋求擴張卻面臨競爭壓力的 Gojek 高層 。
- 企圖緩和兩家競爭關係的軟銀高階顧問 。
- 試圖保護本地人民利益的政府官員 。
我在課堂上實際示範了選擇「角色一」。當你扮演 Grab 策略長時，AI 會針對併購 Uber 後市場佔有率大增，但同時面臨各國政府反壟斷調查的處境向你提問，要求你給出具體的應對策略 。這會改變了學生閱讀個案的習慣。過去他們是以上帝視角看故事，現在他們必須在模擬情境中做決策 。我將這個情境模擬作為課後練習，要求學生親自操作，體會各方利害關係人在商業談判與策略選擇上的拉扯 。
以上就是我這一次的整個運作過程，寫得比較細碎一點。但是如果能夠讓你看到怎麼利用 AI 協助思考，那或許這就是這篇文章最大的貢獻了。你不一定會經歷像這樣的個案討論過程，但是我們怎麼讓自己在跟 AI 互動時，能夠得到比較好的思考品質？或許這樣的一個互動過程，你也可以試著內化之後，產生自己的版本。
