最近看到一支YouTube影片推估「2035 年中國大概還會出生多少人」，整個推估技巧就很費米！。
費米估算（Fermi estimation）最後算出的數字到底準不準不是最重要的事，而是當我們面對一個十年後才揭曉、眼下資訊殘缺的龐大問題，我們能不能先框出一個「不至於太離譜」的合理範圍。
這項基本功對經理人來說格外關鍵。在企業內部，我們每天都會被類似的問題轟炸：
- 「這個市場的餅到底有多大？」
- 「新產品推上線，首波大概會有多少人買單？」
- 「如果開一家新型態門市，單日進店人流可以抓多少？」
- 「這套系統導入全公司，三年內究竟能省下多少成本？」
最常聽到的推託往往是：「現在手邊沒有資料，真的很難估。」
問題在於，如果所有數據都齊備、市場樣貌也早已底定，那通常只需要分析人員整理報表，根本不需要經理人費心做決策判斷。真正考驗商業嗅覺的時刻，恰恰是情報不足、局勢未明，但團隊必須立刻決定資源該往哪裡砸的當下。
費米估算正是為這種情境量身打造的拆解工具。
新生兒出生數還真的蠻適合練習費米估算
回到影片探討的人口題目。如果有人拋出一個問題：「2035 年中國一年大概會出生多少新生兒？」
這聽起來很像人口學家的專屬領域，需要建立複雜模型，交叉比對總生育率、初婚年齡、教育程度、女性勞動參與率、房價所得比與育兒成本，再跑一輪龐大的統計回歸。
嚴謹的學術預測確實需要這套功夫。但如果經理人的目的，只是想先釐清 2035 年的年出生人口比較可能落在 300 萬、800 萬，還是 1,500 萬的量級，其實不需要把事情想得太複雜。
我們可以先從最貼近答案的基礎盤著手。2035 年的主力育齡人口，絕大多數今天早就在這個世界上了。
若將 20 到 34 歲女性設定為核心觀察區間，這群人約出生於 2001 到 2015 年之間。在那十五年間，當地的年均出生人口大致維持在千萬等級。
我們可以先建立一組粗估參數：
- 假設每年出生人口約 1,600 萬人。
- 十五個年度累計總數：
1,600 萬 × 15 = 2.4 億人。 - 女性比例抓 49%，可得目標育齡女性約為：
2.4 億 × 49% ≈ 1.18 億人。
接下來進入核心未知數：這批女性在 20 到 34 歲這段黃金生育期內，平均每人會生下幾名子女？
我們不是專業人口學者，就先設定一個合理的寬鬆區間：0.6 到 1.0 名。
- 低推估情境：
1.18 億 × 0.6 ÷ 15 ≈ 每年 470 萬人 - 高推估情境：
1.18 億 × 1.0 ÷ 15 ≈ 每年 790 萬人
至此，第一階段的估算輪廓就浮現了：2035 年當地的年出生人口，粗略評估極可能落在 500 萬到 800 萬的量級之間。
這當然稱不上精密的官方人口報告，隨便挑都能抓出一堆假設漏洞：例如女性生育年齡不限於 34 歲以下、每個世代的人口基數並非等額，更別提還沒把育齡遞延、死亡率與人口移徙算進去。
但這個粗估已經具備實戰價值。以中國國家統計局公布的數據來看，2025 年實際出生人口為 792 萬，相較 2024 年的 954 萬持續走跌。從既有的人口金字塔結構推演，十年後新生兒數量降至數百萬人區間，絕非憑空捏造的妄想。
即便是頂尖機構的精密模型，也沒人能把三十年後的數值精算到個位數。聯合國《World Fertility 2024》推估中國在 2054 年的年出生人口中位數約為 610 萬，但其 95% 的信賴區間一路從 300 萬橫跨到 910 萬。
這裡帶來一個重要觀念：長期估算，給出的是一個「合理範圍」，而非看似精準卻脆弱的「單點數字」。
如果有人信誓旦旦預測 2035 年會精準出生 6,327,418 人，我們反而該提高警覺，追問後面那 7,418 人究竟是憑什麼算出來的。
影片的盲點在於第二層因果推論
該影片進一步將青年失業率、結婚意願與生育率綁在同一條因果鏈上，邏輯骨架大致如下：
青年就業受挫 → 實質所得與未來預期下滑 → 遞延或放棄婚配 → 生育計畫推遲或縮減 → 實質出生人口驟跌。
這套直覺推演看似順理成章。
當地結婚登記數近年確實大幅縮水，從 2013 年約 1,346.9 萬對的高峰，一路下滑至 2024 年約 610.6 萬對，單年跌幅達 20.5%。官方與研究機構指出，除了整體經濟逆風外，適婚年齡人口基數萎縮、遲婚風氣與婚育觀念翻轉，都在同時發酵。
將就業壓力視為修正生育率的變數之一，方向上說得通，但是從這段開始就屬於「超大膽推論」了。
青年失業率上升 10%，就假定結婚率會等比下滑 10%；把結婚率每掉一成，出生人口就會等幅萎縮一成。這些變數之間確實存在關聯性，卻絕非固定不變的連動比例。
只能說，這是很有吸引力的「假說」，也的確可以得出推估的出生數。然而，在這一層的推估就會有許多 Debate 了！
這也是費米估算最容易讓人犯的錯：原本只是缺少某個關鍵參數，推算到最後，卻不自覺發明了一條根本不存在的線性因果關係。 經理人在評估商業市場時，也經常掉進這樣的思維陷阱。
當然，稍有經驗的費米估算的分析師，就會建幾個參數組合，稍微耗點時間而已。現在有 AI ，你可以讓 AI 幫你直接以費米估算與這些參數組合，給你一張 Excel 表 或是 Google Sheet ，裡頭的參數的連動關係都建好了。
經理人需要的不是通靈，而是「先動手算一次」的拆解力
觀察人口結構是磨練商業嗅覺極佳的途徑。人口趨勢變動緩慢且具有強大慣性，十年後會浮現的市場樣貌，很多軌跡現在就清清楚楚刻在骨架裡。
今年出生的新生兒總數，直接決定了六年後的國小入學規模、十八年後的大學生源，以及二十幾年後的新進勞動力市場。這條連鎖反應還會一路蔓延至住宅首購、人壽保險、醫療照護、耐久財消費與自用車需求。
一旦養成這種拆解推論的思維習慣，經理人就不會只停留在「少子化很嚴重」這種泛泛之論，而是能進一步提問：
- 十年後哪些文化教育與安親服務會首當其衝？
- 二十年後的首購族主力市場會面臨何種規模縮減？
- 家戶組成速度放緩，會對大家電與居家裝潢產業造成什麼衝擊？
- 單身人口比例拉高，哪些民生消費品的規格包裝與租賃空間需要重新設計？
- 超高齡族群增加，哪些自費健康照護服務的需求曲線會陡峭上升？
這些推估在一開始都不可能百分之百精準，但經理人的核心任務，本來就是在所有數據塵埃落定之前，先建立出具備方向感的判斷架構。
市場規模有多大，拆成具體小問題就看得清楚
將相同的思維搬到新產品開發上，實用性同樣顯著。
產品會議上常常上演這樣的對話：
「這套新方案的市場潛力有多大？」
「不知道，這在台灣是全新形態的服務。」
「企業客戶真的會願意買單嗎？」
「很難說，畢竟產品還沒正式上線。」
「那第一年的業績目標該抓多少？」
「目前缺乏歷史數據，完全沒辦法估。」
每句話聽起來都無懈可擊，但背後的 mur mur 其實是「既然算不準，那就乾脆別算了」。
費米估算採取的是完全相反的進攻路徑。
假設團隊打算推出一套「專為製造業打造的 AI 文件知識庫系統」，市場上暫無規格完全對等的競品，我們可以依序拆解出以下步驟：
- 目標產業中，符合規模定義的企業共有多少家？
- 其中確實面臨嚴重新舊技術交接、SOP 流程混亂痛點的比例有多高？
- 這群受痛點困擾的客戶中，已經編列數位轉型或 AI 專案預算的比例是多少？
- 預算編列後，願意在未來一年內導入概念驗證（PoC）的意願比例大概多高？
- 我們的直銷團隊與代理通路，實質能有效觸及的潛在客戶涵蓋率是多少？
- 業務實地拜訪評估後，實際簽約的轉換率約落在何處？
為了釐清算式結構，我們先代入一組粗估參數：
- 台灣符合資格的製造業目標母體假定為 10,000 家。
- 符合鎖定營收規模、IT 基礎條件者占 30%：
10,000 × 30% = 3,000 家。 - 存在強烈知識傳承斷層痛點者占 50%：
3,000 × 50% = 1,500 家。 - 兩年內願意認真編列預算評估導入者保守抓 20%：
1,500 × 20% = 300 家。 - 現有通路量能實質能接觸到的客戶占 40%：
300 × 40% = 120 家。 - 初次提案的簽約轉換率設定為 25%：
120 × 25% = 30 家。 - 若單一客戶年約平均單價為 30 萬元新台幣：
30 × 30 萬 = 900 萬元。
這裡的每一組數字都是示範用的假設參數，當然不能直接把「900 萬」當成明年度的正式營收預算報給董事會。
但這個算式發揮了決定性的作用：它幫團隊把空泛的未知，轉化為具體可驗證的關鍵變數。
團隊不再需要空轉爭論「製造業到底需不需要 AI」，而是聚焦在幾項具體指標：
- 實質存在知識痛點的企業比例究竟有多高？
- 痛點明確的客戶中，真正願意撥出預算採購的比例是多少？
- 我們的業務通路實際能接觸到的目標公司有多少家？
- 從概念驗證到正式簽約的實質轉換率到底是多少？
當問題被拆解到這個層級時，市場調查與訪談就能更聚焦了。
紮實的市場研究，往往在算完第一版費米模型後才真正開始
費米估算從來不是要取代市場調查，而是替市場調查指引資源投放的方向。
在上述模型中，目標企業總數若從 10,000 家下修到 8,000 家，最終營收差距僅有 20%，通常不足以徹底推翻投資案。然而，一旦實際成交轉換率從預期的 25% 崩跌至 5%，整個專案的營收規模將直接萎縮八成，商業模式很可能瞬間瓦解。
下一階段的市調預算該花在哪裡，答案顯而易見。
我們不需要急著砸大錢清查全台到底有 8,724 家還是 10,321 家製造業工廠，而是該立刻挑選二十家潛在客戶做深度訪談、找十家做痛點測試、推動五家進行付費試行，藉此精準驗證真實的轉換率區間。
這正是費米估算與「隨便拍腦袋猜數字」最本質的差異：好的估算模型能直接告訴你，哪一個假設變數最值得優先查證。
AI 普及後，費米拆解力反而更顯珍貴
過去進行費米估算，最耗時的環節往往在於搜尋基礎參數。現在透過生成式 AI 工具，經理人可以先將問題結構拆解清楚，再請 AI 快速檢索人口資料、產業家數、競品價格與市場成長率，在極短時間內產出第一版骨架。
然而，工作順序的先後順序至關重要。
如果一開口就直接向 AI 下指令：「請幫我估算這項服務的市場規模。」模型很可能會自作主張補齊各種未經驗證的假設，最後產出一個自信滿滿、細節看似逼真卻經不起檢驗的數值。這種做法最危險的地方，在於決策者完全無從得知背後被偷塞了哪些預設立場。
更務實的做法，是經理人先拿回拆解的主導權：
- 我打算如何將這個市場分層剖析？
- 當前掌握的已知數有哪些？
- 哪些欄位屬於待驗證的假設？
- 悲觀、中性與樂觀情境的參數邊界該如何設定？
- 哪一項指標具備推翻決策的關鍵敏感度？
先定義好結構，再交由 AI 協助整理資料、驗證算式邏輯並運行不同情境試算。如此一來，既能大幅加快推演效率，決策判斷的韁繩也能始終握在自己手中。
經理人需要的不是水晶球，而是提早形成合理判斷的骨架
人口結構的變遷隨時在提醒我們：未來並非憑空出現，線索早已散落在當下的統計數據裡。從出生數、結婚對數、實質所得、就業情況到家庭規模，這些看似分散的數據點，終將匯聚成未來市場的輪廓。
商業決策也是同樣的道理。全新產品沒有過往銷量可循，不代表無法評估；新興領域缺乏市調機構的完整報告，也不代表只能盲目憑直覺下注。
在資訊不對稱與高度不確定的環境下，經理人可以先搭建一套合理的推估模型，標記未知變數，框出決策邊界，進而鎖定下一步最該投注資源查證的核心問題。費米估算訓練的正是這種「在迷霧中推進決策」的數字敏銳度。面對未知，我們不必假裝自己全知全能，但至少能把問題拆解到足以跨出精準的下一步。