AI 真正改變競爭結構的六個模式——附真實公司案例

上一篇問的是：為什麼大多數企業的 AI 省了時間，但財報沒有任何變化？

答案是：因為大多數 AI 在優化成本那一側，而不是彼得杜拉克說的「行銷與創新」那一側。效率提升了，但那個效率沒有被轉成任何可量化的東西。

這篇想往下走一層：真正進入商業邏輯的 AI，長什麼樣？

不是技術描述，而是真實案例——哪些公司已經在用 AI 改變收費方式、成本結構、或客戶關係。以及更重要的：你的公司，有沒有辦法走到那裡。

模式一：從「賣工具」到「賣結果」

傳統服務或軟體的邏輯很簡單：客戶付月費或人天費，無論結果好不好。

AI 讓另一種邏輯變得可行：不賣承諾，賣完成的任務量。

2024 年 9 月，Zendesk 宣布業界第一個 outcome-based pricing：每成功解決一張 ticket 收 $1.50，客戶的問題沒解決，不收費。同月，Intercom 的 AI 客服 Fin 以 $0.99/resolution 運行，resolution rate 從上線時的 27% 升至 67%。HubSpot 在 2026 年跟進，推出 Breeze Prospecting Agent，每帶出一個合格 lead 收費 $1。

市場正在跟進。Growth Unhinged 調查 240 家軟體公司發現，過去 12 個月，pure seat-based pricing 從 21% 降至 15%，hybrid pricing 從 27% 升至 41%。a16z 在 2024 年底的調查顯示，43% 的企業買家已把「結果分潤」列為採購決策的重要因素。

這個邏輯在中小型服務公司同樣適用，而且 AI 讓它第一次變得可操作。行銷代理商可以改成按帶來的 leads 數量收費；SEO 公司可以按關鍵字排名達標收費；人力資源顧問可以按成功錄用人數收費。

對買方來說，好處是不用賭有沒有效，結果出來才付錢。對賣方來說，這把公司的收入和客戶的成果綁在同一條線上——這是完全不同的競爭位置，也是一種真正的信心宣示。

模式二：從「賣人力」到「賣平台」

會計、法務、顧問、外包客服，有一個共同天花板：多接一個客戶，就要多請一個人。成長和 headcount 幾乎是同一條線。

AI 讓這條線有機會脫鉤。

Karbon 調查全球導入 AI 的會計師事務所，每名員工每月平均節省 18 小時例行工作（等於每年多出超過兩個月的有效產能）。科技進階事務所每名員工創造的收入，比同業高出 39%。法律 AI 工具讓起訴狀的撰寫時間從 16 小時壓縮至 3 到 4 分鐘。DeepL 導入案例顯示翻譯時間減少 90%，ROI 345%。

Harvey（法律 AI）和 A&O Shearman 的大型案例同樣印證這個方向：全球 4,000 名員工部署 Harvey 後，合約審查時間縮短 30%，每名律師每週省下 2 到 3 小時例行工作。Gartner 2025 年 12 月調查 321 位客服主管，55% 表示在服務更多客戶的同時，人力規模維持不變。

這才是真正影響毛利率結構的地方：成長不再完全依賴增加 headcount。多接一個客戶，增加的主要是算力成本，而不是整個人的薪水。

但這不代表不需要人。人仍然做最終判斷、例外處理、維持客戶關係。改變的是人力和收入之間的比例——這才是公司估值真正會動的地方。

模式三：從「客服成本」到「收入引擎」

客服在大多數公司的帳上，是一個純成本項目。有問題來，解決，付錢，結束。

Klarna 的案例說明了另一種可能。

Klarna 的 AI 助理上線第一個月處理 230 萬次對話，相當於 700 名全職客服人員的工作量。客戶等待解決時間從 11 分鐘縮短至 2 分鐘，每筆交易客服成本從 $0.32 降至 $0.19，2024 年全年預估利潤貢獻 $4,000 萬美元。

但更關鍵的是：Klarna 的 AI 助理同時兼具購物推薦功能——比價、選品、個人化建議——直接縮短從「問問題」到「下單」的路徑。客服從成本項目，變成銷售入口。

這個邏輯在規模小很多的公司也成立。家樂福台灣推出 AI 侍酒師，讓消費者透過 AI 問答獲得選酒建議，上線兩個月吸引超過 3 萬人使用，7 成獲得建議的用戶實際下單。不是客服變更有效率，而是客服入口直接帶動了銷售。Shopify 研究顯示，導入 AI 個人化推薦的電商，轉換率平均提升 20–30%。

值得誠實補充的是：Klarna 2025 年部分重新引進人工客服，原因是複雜問題的處理品質下降。這說明 AI 客服有它的邊界，以及它的角色應該是擴大人力能力，不是取代人力判斷。

同樣的入口，可以有不同的出口。這需要公司重新定義客服的成功指標：是解決率，還是轉換率？兩者可以同時追，但要先想清楚。

模式四：從「低頻產品」到「高頻服務」

很多行業的傳統模式是低頻交易。保險一年一張保單，出事才互動。

Progressive 的 Snapshot 計畫改變了這個邏輯。透過 App 持續追蹤駕駛行為，安全駕駛獲得折扣，高風險駕駛則被提高保費。Progressive 從「一年一次的保險公司」，變成「每天都在跟你互動的駕駛風險管理服務」。Snapshot 迄今已累計發放超過 12 億美元折扣給安全駕駛用戶。

Lemonade 走得更遠。96% 的初次報案不需人工介入，55% 的理賠全自動處理，以秒為單位完成，而傳統保險業以週為單位。2025 年在保費達 12.4 億美元，年增 31%。高速理賠建立的信任感，帶動客戶主動交叉購買其他險種——從租客險延伸到車險、寵物險。

這個邏輯不限於大型保險公司。健身房導入 AI 個人化互動後，會員留存率提升 25%、年度消費增加 12–18%。財務顧問導入 AI 後，每日客戶互動次數翻倍，留存率增加 2–5%。診所、維修服務、甚至補習班——任何原本是低頻接觸的行業，如果能透過 AI 建立持續的客戶互動，關係的深度和收費的空間都不一樣。

接觸頻率的改變，帶來的不只是體驗升級。它改變的是定價邏輯和客戶關係的本質。

模式五：從「做專案」到「賣平台」

顧問公司、研究機構的傳統商業模式是按人天收費。做一個專案，派幾個人，幾週後結案。

McKinsey 把採購顧問方法論封裝成 Spendscape——一個讓客戶直接訂閱、自己即時查詢供應商分析和採購數據的 SaaS 平台。客戶不需要每次都請 McKinsey 派人做專案，直接訂閱平台。同樣的核心知識，從「每次派人」變成「一個版本服務更多客戶」。

BCG 的數字更直接：AI 服務年收入達 27 億美元，佔整體顧問收入約 20%。策略方向是把計費人天轉換成「專有軟體訂閱＋成果導向定價」的混合收入模式。

這不只是大型顧問公司的特權。Stefan Debois 做了 15 年顧問後，把自己的評估方法論做成 Pointerpro——一個讓客戶自己填問卷、自動產出個人化報告的 SaaS 平台。現在月收入 287,000 美元，年增長超過 30%，服務 65 個國家的客戶，其中包含 Deloitte 和 Adobe。從按人天計費，到一個版本服務全球客戶，商業邏輯是同一件事。

這個轉型的難點不在技術，在於公司願不願意把核心知識結構化，以及如何定價才能讓客戶覺得訂閱平台比請顧問更划算。這些是策略問題，不是工具問題。

模式六：從「標準定價」到「個人化定價」

傳統模式：所有人看到差不多的商品、差不多的折扣、差不多的推薦。

Amazon 每天調整 250 萬次商品定價。Stitch Fix 導入 AI 個人化推薦後，每位活躍客戶收入連續六季成長，最新季度達每人 559 美元，年增 5.3%。Netflix 的推薦引擎每年為公司節省超過 10 億美元的訂閱流失——80% 的內容觀看來自 AI 推薦，而不是主動搜尋。

這三家公司賣給每個人的東西不一樣，收的錢也不一樣，但用的是同一套系統。這就是個人化定價的邊際效益：邊際成本趨近於零，但對每個客戶的價值主張卻不同。

規模不需要很大才能啟動這個邏輯。OneClickUpsell 導入 AI 動態調整優惠後，第一個月 upsell 收入 $6,000，第三個月衝至 $41,000，月增長 160%。Envive 的研究顯示，個人化推薦帶動的電商收入，在點擊推薦的用戶 session 中佔比達 31%，89% 的行銷人員回報個人化 ROI 為正。

如果 AI 讓轉換率從 3% 升到 4%，或平均客單價提升 10%，這些數字直接進入營收。不是省時間，是改變了賣法。

但不是每家公司都能走到這裡

上面六個模式，不是每家公司都適合追。問題在於：你的公司，是哪一種？

用三個分類來想比較清楚。

A 類：AI 很可能根本改變的公司。資訊密集、軟體化、資料多——雲端平台、金融科技、廣告平台、網路安全、數位原生電商。這類公司的核心資產是資料和演算法，AI 直接升級核心競爭力。六個模式對它們來說，是選擇優先順序的問題，不是能不能的問題。

B 類：最大的那群——AI 可提升效率，能不能轉型看執行力。銀行、保險、傳統軟體、零售、工業製造、物流、企業服務。同樣的產業，做得好的會拉開差距，做不好的只是多一筆工具費。這群公司的 AI 策略，決定了五年後的競爭位置。

C 類：AI 最難根本改變的公司。這是被討論最少、但最重要的分類。

類型	代表公司	為什麼 AI 很難根本改變
受監管公用事業	Duke Energy、ConEd	收入由監管資產基礎和電價審核決定，AI 可做預測維護，但不會讓電網從重資產變輕資產
油氣管線	Kinder Morgan、Enterprise Products	商業模式是長約、管線容量和費率，AI 可優化維修，但很難改變收費邏輯
大宗商品生產商	Exxon、BHP、Rio Tinto	獲利主要受油價、銅價、地緣政治主導，AI 可提升勘探與維護，但商品價格仍是主導變數
航空公司	Delta、United	核心成本是燃油、飛機、維修、機師、機場 slot，產品體驗受實體座位和航線限制
鐵路 / 貨運基建	Union Pacific、CSX	交付速度受軌道、樞紐和實體網路限制，AI 可改善調度，但無法加快實體交付
水泥、鋼鐵、化工	Nucor、Dow	成本主要是能源、原料和景氣循環，AI 可做製程優化，但很難改變 commodity cycle
低毛利實體零售	Kroger、Dollar General	AI 可改善庫存和定價，但毛利低、物流重、價格競爭強，效率紅利容易被競爭吃掉

McKinsey 的分析直接說：「大宗商品產業的 AI 影響，主要來自生產流程優化，而非商業模式重構。」公用事業可以用 AI 做需求預測和設備維護，但股東報酬仍由監管准許報酬率和電價審核決定。

這類公司不是不能用 AI。相反，很多已經在用。但 AI 比較像：讓原本的機器跑順一點，而不是換掉整台機器。

有一個例外值得注意：產業標籤不等於命運。Walmart 不只是零售商，它有規模龐大的廣告業務和供應鏈資料。JPMorgan 有最完整的金融交易資料庫。GE Vernova 和 Schneider Electric 是 AI 資料中心建設的受益者。真正要看的，是這家公司有沒有可以被 AI 放大的資料和流程優勢——不只是看產業標籤。

搞清楚你在哪格，比追模式更重要

六個模式，選哪個不是最難的問題。最難的問題是：你的公司，適合走哪一條路？

C 類公司，AI 的重心應該放在作業效率：降低單次服務成本、提升設備維護預測準確度、減少行政摩擦。去追商業模式重寫，通常是浪費。

B 類公司，六個模式裡至少有一個入口值得認真想。不是全部都適用，但通常有一個最自然的切入點，取決於你的成本結構和客戶關係的現況。Zendesk 的 outcome pricing、Klarna 的客服轉收入、McKinsey 的平台化——這些都不是從工具選型開始，而是從「我的商業邏輯哪個環節可以被重新設計」開始。

A 類公司，問題已經不是要不要，而是執行速度和哪個模式先走。

工具是執行層的事，想清楚方向之後選工具很快。但如果還沒想清楚就去選工具，通常的結果是：工具用了，問題還在那裡。

AI 真正有競爭意義的地方，不是讓員工更忙或更快，而是讓公司的收入模型、成本模型、或客戶關係模型，變成另一個樣子。

延伸閱讀

想先了解為什麼大多數 AI 省了時間但財報沒有變化，可以看：為什麼你的 AI 省了時間，但財報沒有任何變化？

Barry Wu

Naruvia 創辦人兼執行長

AI 產品工程師，近十年系統開發實戰經驗。曾任 CuboAI AI 暨後端工程師（~5 年）、Circle/USDC 資深數據工程師、Advantech 應用工程師。現居日本福岡，專注於幫助企業打造真正能落地的 AI 解決方案。

想聊聊你的公司在哪一格？

不賣軟體，不推工具。就是聊聊你的商業邏輯，看看有沒有值得深想的地方。

跟 Barry 聊聊

參考來源

返回文章列表