現在我很珍惜每一次可以好好帶個案討論的機會。因為最近一直在教生成式 AI，從 ChatGPT、Agent、工作流程、Skills 到 Project……一路教下來，雖然這些題目都很有趣，但老實說，我已經很久沒有在一整個早上單純坐在教室裡，好好跟一群人為了一個商業決策燒腦三個小時了。所以這次為了帶這個個案，我花了相當多時間重新設計討論架構，還另外做了一套互動式網頁工具，讓大家不是只「講觀點」，而是真的一步一步走過策略選擇、假設、資料判讀、風險、商業模式與財務取捨。（有興趣的人，可以到我的個人網頁找。）
這個個案是今年 2 月《哈佛商業評論》（HBR）中文版翻譯刊出的情境個案。故事談的是一家美妝通路品牌，推出了一套非常受歡迎的虛擬試妝服務。你可以用手機鏡頭看自己擦上不同口紅、眼影、腮紅之後會長什麼樣子，未來公司還考慮加入 AI，根據顧客過去的行為與偏好進一步做個人化推薦。
如果只看商業數字，這幾乎是一個數位長做夢都會笑醒的專案：數位營收成長 24%，實體約 6%；顧客終身價值（Customer Lifetime Value, CLTV）增加約 25%；轉換率提高到原來的 3 倍；使用者停留時間則增加到 4 倍。這種數字如果拿去開經營會議，我想數位團隊應該已經在準備慶功宴了。
偏偏，個案裡出現了一組讓人有點不舒服的數據。未滿 21 歲的使用者大約只占全部使用者的 5%，可是這群人的消費金額大約是其他人的 3 倍，使用頻率也很高，部分使用時間甚至集中在凌晨 12 點到 3 點。個案裡還出現了 47 分鐘、多次登入，以及三年累積消費約 4,500 美元這些數字。
於是問題來了：這群年輕使用者到底是因為這個產品太好用，所以一直回來？還是因為虛擬試妝與個人化推薦，不斷放大了容貌焦慮，最後形成某種依賴？
公司的高階主管開始緊張。社群平台、網路成癮、未成年人保護，以及科技產品對使用者心理所造成的影響，早就不是單純的公關議題。一旦監管、訴訟或社會爭議進來，原本看起來非常亮眼的成長故事，很可能瞬間換一個版本。可是話說回來，這群人只占 5%，另外 95% 的使用者呢？難道為了可能存在、但還沒有被證明的風險，就要放棄一套已經帶來巨大成長的服務？這才是我覺得這個個案真正有趣的地方。
一個短個案，要怎麼撐起三個小時的討論？
事實上，我在準備這堂課時，還往回追了支持這篇 HBR 情境個案的原始長版材料。這也是我一直覺得長個案與 HBR 小說式短個案很不同的地方。
傳統的長個案會給你大量資料。財務、組織、競爭、歷史背景、人物立場，一層一層攤開，讓學員從數字中找到矛盾，再從文字裡重新組織資訊，最後提出自己的商業判斷。這類個案的樂趣，在於資訊很多，但你不知道該相信哪一個、該重視哪一個。
HBR 這種小說式情境個案剛好相反。它的好處是乾淨，作者可以直接架出一個非常尖銳的決策情境，不需要把真實世界所有雜訊都搬進來；它甚至可以只借用某個真實企業的背景，再另外設計一個現實中未必真的發生過的決策難題。所以閱讀很快，進入情境也很快。但代價就是：資訊少得多。
如果我們只是讓大家讀完，問一句「你覺得公司應不應該繼續做」，大概半小時就結束了。支持的人談成長，反對的人談風險，最後有人說「可以做，但是要有配套」，然後大家一起點頭。好像很有道理，但也好像什麼都沒有發生。
因此，這次我最花時間的工作，是把這個原本很短的情境個案重新設計成一條三小時的決策歷程。而且我一開始就刻意避開一條非常容易走的路：不要太早把它變成道德批判課。
如果一開始就問「這樣道德嗎」，討論大概很快就死了
「企業利用年輕人的容貌焦慮賺錢，對不對？」這個問題其實太容易回答。大概很少有人會在一群同學面前很開心地舉手說：「我覺得超棒，最好再多賺一點。」一旦討論在一開始就被拉到道德評判，大部分的人會很快找到一個安全的位置，接下來能談的東西反而少了。
所以我在課堂一開始就告訴大家，我們先不要急著做道德判斷，先從商業成長來看。假設你就是那個數位長，你的數位營收成長 24%，實體只有 6%；CLTV 增加 25%；轉換率三倍；停留時間四倍。請問你會覺得自己做得很好，還是做得很差？當然是很好。
這時候再問：「那你要不要繼續？」
現場大約 60 位學員，第一輪投票幾乎有四分之三選擇繼續推進 AR＋AI。另一群人主要選擇「實體＋AR」，希望把科技留在門市，交給美容顧問使用。幾乎沒有人願意只維持原來的 AR，更沒有人真的願意整塊數位生意收掉。很合理，大家都是生意人嘛。XD
可是我接著問：「你為什麼選這個？」然後再補一句：「這條路如果要成功，哪些事情必須是真的？」
這時候，討論才真正開始。
每一個策略決定背後，都藏著一堆我們自己沒有說出口的假設
我在課堂上用了一個很生活化的例子。你今天早上為什麼開車來，不搭捷運？你可能會說，因為開車比較方便。可是「比較方便」後面其實藏了一堆假設：你相信今天有停車位；你相信開車比轉乘省時間；你相信路況不會塞得太誇張；你覺得車子的成本加上自己的時間成本仍然划算；也可能因為下午還有其他行程，所以車子對你有額外價值。只要其中兩三件事情突然不成立，你早上的選擇可能就完全改變。
公司策略也是一樣。選擇 AR＋AI 的人，背後通常相信：數位可以接觸到更多顧客；AI 個人化會提高推薦精準度；推薦精準度提高之後，購買意願會增加；消費者其實已經期待這種個人化服務很久；競爭者遲早也會做，所以現在不做，未來可能失去競爭位置。
選擇實體＋AR 的人，也有自己的假設。例如：美妝是一種「要試過、有人教才知道合不合」的商品；公司的真正優勢其實在實體門市與 Beauty Insider；網路流量很昂貴，而且未必能形成長期關係；AI 大規模使用後的錯誤與成本還很難掌握；既然如此，不如把科技交給第一線的專業顧問，讓科技強化既有優勢。
兩邊都講得通。所以真正值得問的問題開始變成：這裡面哪些是事實？哪些是合理推論？哪些只是我們很希望它是真的？
我一直覺得，這是策略決策裡很重要、但很容易被忽略的一件事。公司還很小的時候，我們通常沒有餘裕想這麼多。創業初期就是猜：猜客人要這個、猜這個價格可以、猜這個市場會長大。一路猜，猜錯了就改；公司能活下來，通常代表其中有幾個重要的東西剛好猜對。而且更有趣的是，很多時候公司成功以後，我們根本不知道當初為什麼猜對。媒體最後就會幫我們整理成「創辦人的敏銳直覺」、「獨到眼光」、「洞察趨勢」。聽起來很厲害，其實當事人搞不好也一頭霧水。
但成熟企業不一樣。你已經有一個不能隨便玩掉的主營業務，下一步投資又可能涉及品牌、法規、組織與大量資源，這時候再靠「我覺得應該會…」就有點刺激了。
因此，我希望大家開始問：我現在這個策略最重要的假設是什麼？我手上的資料能支持多少？還有哪些地方只是猜的？如果我要取得更多證據，成本有多高？
更麻煩的一題則是：有些東西，就算你花錢，也未必查得清楚。
數據很好看，但它沒有告訴你「為什麼」
接下來，我們把個案里的數字一個一個攤開來看：24% 的數位成長、25% 的 CLTV 增幅、3 倍轉換率、4 倍停留時間。
這些數字當然重要。例如停留時間增加，如果沒有轉換，其實可能只是大家跑進來逛一逛、摸一摸、吹吹冷氣，最後跑去別的地方下單。所以停留時間和轉換率要一起看。問題是，即使兩個都增加了，我們仍然只知道「行為發生了變化」，我們還是不知道為什麼。這群使用者留下來，可能是因為服務真的很好，也可能是因為服務一直刺激她。兩個故事，都可能產生完全相同的 KPI。
當我們再把未滿 21 歲的那 5% 拉出來，大家就更容易開始說故事了：凌晨 12 點到 3 點使用——「不健康」；一天登入很多次——「上癮」；花很多錢——「一定有問題」。
我這時候就故意開始替另一邊辯護：等一下，凌晨 12 點到 3 點，對一個 18、19 歲的大學生來講，真的很奇怪嗎？我們這群中年人現在看到小孩晚睡，就會立刻覺得人生要毀了。可是各位回想一下自己十八九歲的時候，真的每天晚上九點準時關燈睡覺嗎？好像也沒有。三年花 4,500 美元很多嗎？的確不少。但這代表成癮嗎？還是她真的很喜歡化妝？或者 AR 反而降低她買錯東西的機率，所以她更願意在這裡消費？
這時候我希望大家開始感受到一件事情：我們看到的是客觀數據，「不健康」、「焦慮」、「上癮」已經是我們對資料做出的主觀解釋。而且這些解釋，很容易摻進我們自己的生活經驗、價值觀，以及「大人看年輕人」的視角。
這也是為什麼後半場，我沒有繼續讓大家坐著講，我要讓大家真的動手判斷一次。
所以我做了一個「美妝大富翁」
後半段開始，我把大家丟進事先設計好的互動網頁，而且 AI 用得很少。這是刻意的，因為我不想讓大家第一件事就把個案丟進 ChatGPT，然後問：「請告訴我最佳策略。」那這堂課大概可以直接下課了。
AI 在這堂課裡主要扮演的是「找麻煩的人」。
第一關，學員先扮演數位長。你已經知道目前的成長數字，也知道可能的風險，現在請你決定 App 到底要怎麼設計。選完之後，系統會冒出不同的質疑聲音：執行長可能質疑你、獨立董事可能質疑你、消費者保護團體也可能質疑你，然後你要回答。
我特別跟大家說：不要站在上帝視角批評個案人物。現在你就是那個數位長，這一季的數字是你扛的，預算也是你爭取來的。如果有人說你現在做的只是刺激衝動消費，你要怎麼回答？衝動消費在商業上一定有問題嗎？未必。但如果因此造成大量退貨、投訴或監管風險，問題就完全不同。我要大家開始感受到「站在當事人的位置做決策」和「坐在教室裡評論別人」是兩件差很多的事情。
下一關，我開始給大家看人臉照片：15 到 17 歲、18 到 20 歲、21 到 23 歲、24 到 25 歲。我問：「你看得出誰未成年嗎？」
現場立刻開始亂猜。有人看起來 16，有人覺得至少 25，同一張照片各組答案差很多。很好，因為這就是我要的。如果一家公司說：「沒問題，我們會特別保護未成年人。」那下一題馬上就是：請問你怎麼知道他是未成年人？帳號上的年齡可以亂填，照片也很難看準。即使現在 AI 的影像辨識愈來愈好，仍然存在誤判。當你連「誰是高風險族群」都未必辨認得準時，後面的保護機制怎麼做，本來就不是一句「我們會注意」可以解決的。
然後我讓大家親自「扮演機器」
接下來的第 4 頁，是我自己最喜歡的一段。我們給學員看使用者套用虛擬試妝前後的照片，先不要看平台資料，請大家自己標記：眼妝是不是變重？腮紅有沒有增加？明暗有沒有明顯差異？臉部變化大不大？
標完之後，才能打開平台的使用資料。接著你要判斷：這是一個好客戶？一個可能過度依賴的客戶？還是一個公司應該進一步關心的客戶？
大家做得非常痛苦 XD
因為這時候我才跟大家說：「恭喜，你們現在正在扮演機器。」
以前很多機器學習的訓練資料，本來就是人類一筆一筆標註出來的。我們會替圖片打上標籤，替行為進行分類，然後再把這些東西拿去訓練模型。所以當大家剛剛很有自信地說「這個看起來就是焦慮」、「這個一定有問題」時，其實已經親自示範了一次：人的價值判斷，是怎麼進入資料裡的。
這裡可能看到人類判斷力的侷限，我們很容易看到相關性之後，就一路往心理狀態推論：使用時間長 → 上癮；妝前妝後差很多→容貌焦慮；消費多→不健康。每一個箭頭中間，其實都缺了一大塊直接證據。
等大家自己判斷完之後，我才讓 AI 出場。網頁會把學員前面的選擇組成一段提示詞（Prompt），交給 ChatGPT、Gemini 或其他 AI，請它對人類剛才的判斷提出三個提醒。例如：你的推論是不是走太遠了？你現在到底有沒有足夠證據？還需要補充什麼資料？
所以 AI 在這一段的用途很單純：我讓人先思考，再讓 AI 回頭挑毛病。我覺得這可能是 AI 很適合進入管理教育的位置之一。我們不缺一個更快給答案的人，我們反而很缺一個在大家很有自信時，坐在旁邊一直問：「你確定嗎？證據在哪裡？」的討厭鬼。AI 很適合，因為它不怕得罪人。
再次評估商業模式
接下來，課堂才真正進入商業模式。我讓每一組重新選一次該公司的數據策略：
- 銷售導向：熱門什麼就推什麼。你點過一次，接下來演算法就一直追著你。我在課堂上還講了一個自己的悲慘經驗：前一陣子我只是在 Instagram 手賤點了一個象棋課廣告，因為廣告拍得滿有趣的，結果接下來一個禮拜，我的人生突然充滿象棋。我已經告訴 Instagram「不要再推薦我」，它顯然對我的自我認知很沒有信心，覺得 Sonic 心裡其實住著一位棋王。這就是非常典型的銷售導向。
- 均衡模式：平台提供推薦，但顧客仍然保有相當程度的探索與選擇自由。
- 顧客主導模式：把主要決定權交給顧客。AI 提供資訊，但少一點主動介入。
這三條路沒有哪一條不用代價。所以第 6 頁，我開始把財務結果放進來：毛利、收入、客訴、使用率，以及一個我很喜歡的指標——「每 100 位顧客完整看過 AI 個人化說明之後，仍然願意選擇個人化推薦的人數。」
也就是在使用者知道 AI 可能使用個人資料、推薦可能不準、系統可能犯錯之後，他還願不願意用？這個指標很有意思，因為一家公司不能只在顧客什麼都不知道時問「你要不要」。如果完整揭露風險之後，接受率大幅下降，這件事情本身就是關鍵資料。
接著各組開始看到代價：顧客擁有更多自主權，銷售刺激可能下降；推薦做得愈主動，可能提高營收與毛利，但公司同時必須承擔更多系統推薦的責任；加入提醒、防護與限制，可能降低風險，但也可能同步降低活躍度。
這是第一個浮現的管理決策：當降低風險會少賺錢、增加成本、降低成長速度時，你願意做到什麼程度？
決策反轉的時刻
走到第 7 頁，我讓大家做最後一次微調：增加控制權？增加提醒？限制某些推薦？還是維持原設計？每一項都會改變財務與運營結果。
然後我再把大家拉回一開始的四個策略選項：「現在再選一次。」
課堂一開始，約四分之三的人直覺支持 AR＋AI；走完整個流程之後，很多組的想法真的變了。有的組把實體重新放到主要位置，數位只留下試妝與導流功能；有的組仍然做線上，但把主動推薦縮小很多，完整服務改由實體顧問承接；也有組別完全沒有變保守，仍然決定大幅投入數位，他們的理由是：剛才討論的風險可以被監測、可以加入防護，也有方法控制，因此願意承擔剩下的不確定性來追求成長。
我很喜歡這個結果。因為這堂課如果討論到最後，所有人突然都變成「科技要小心、還是實體最好」，那就是落入了一種集體迷思。有意思的是，有些人答案變了，有些人答案沒變，但答案背後的思考內容已經完全不同。
一開始說「做」，可能只是因為：「24% 成長耶，不做是傻子嗎？」三個小時後仍然說「做」的人，現在可能會說：「我知道主要風險在哪裡，我認為這幾個風險可以被控制，也願意加入相應的防護；剩下的不確定性我選擇接受，所以我還是做。」
同樣一個「做」，管理判斷的品質與深度已經完全不同。
到最後，我才把 H1、H2、H3 放進來
整個討論差不多走完之後，我最後才補上 H1、H2、H3 的三層次成長框架：
- H1（核心業務）：現在支持公司的核心生意。這個部分最重要的是穩定，不能因為追求新成長，把公司原本生存的基礎玩壞。
- H2（擴充業務）：可以規模化的成長。新的做法已經有一定證據，接下來要看它能不能複製、擴張、分攤固定成本。
- H3（創新試驗）：高風險試驗。你知道不確定性很高，但願意用有限資源測試；重點是先清楚自己願意付多少代價。
我沒有一開始就教這三個名詞，因為一開始教，大家只是多背三個英文詞彙。等到每一組已經在 AR、AI、實體門市、年輕客群、營收、毛利與推薦責任之間爭論了兩個多小時，再請他們回頭看看：你剛才想守住的是什麼？想放大的又是什麼？哪一塊其實只適合先試？這個框架才真正有其價值。
而且同樣一件事情，放在不同公司的 H1、H2、H3 可能完全不同。「實體門市」對某家公司是 H1，另一家公司可能正在把它當 H2 擴張；AR＋AI 看起來很新，也未必就一定是 H3。關鍵仍然是你打算讓它在整個策略組合裡扮演什麼角色。
最後才揭曉：其實我們一直在談 Sephora
課堂最後，我才放影片揭曉真正的企業背景：Sephora。這時候前面很多點滴就突然連起來了。
Sephora 的實體零售有一個很有意思的基礎：讓顧客自由試用。商品可以拿起來、可以試擦，店員服務的是 Sephora 品牌本身，而不是某個特定專櫃，也沒有那麼強烈的業績佣金壓力硬是要把某一罐東西塞給你。顧客今天可能試了一堆東西，最後什麼都沒買，但沒關係——只要這次體驗是好的，他下次就很可能再回來。後來的 Beauty Insider 忠誠計畫、社群，以及虛擬試妝，其實都可以放在這條長期的顧客關係上來理解。
AR 虛擬試妝處理了線上購買美妝最棘手的一件事：「我根本不知道這個顏色放到我臉上會是什麼樣子。」所以你在線上先試，覺得不錯，然後到實體店再學怎麼上手、確認膚質、親手摸摸看。此時數位與實體就不需要互相打架，數位可以延伸「先試再買」的體驗，實體則保留了人的專業、信任與長期關係。
我在最後也特別提醒大家：我們沒有說 Sephora 的選擇就是唯一正確答案，這堂課也沒有標準答案。它真正值得看的，是一家公司在導入新科技時，最後有沒有和原本的核心顧客關係對接。
這件事情對現在所有想引進 AI 的企業，我覺得都很值得深入思考。科技可以做的事情只會愈來愈多：可以推薦、可以預測、可以主動提醒、可以生成內容、可以讓 Agent 自動執行，技術上「可以」的清單只會愈來愈長。管理者真正需要回答的是：當這些新能力加進來之後，我們原來承諾給顧客的核心關係會變成什麼？而企業又願意為這個改變承擔多少責任？
回頭看，我反而覺得短個案可能更難教
這次準備完，我有一個很深的感觸：把一篇短情境個案發展成三小時的課程，而且還希望有完整的商業分析與學習歷程，所需要花的力氣真的不見得比傳統長個案少。
長個案至少資料已經完整放在那裡，很多成熟個案甚至有完整的教學手冊（Teaching note），告訴你哪個時間點該問什麼、學生可能怎麼答、黑板怎麼板書、最後怎麼收尾。情境短個案給你的發揮空間很大，但空間很大，也代表老師要自己補充大量架構與細節：哪些資訊故意晚一點給？哪裡要安排投票？哪裡要讓學員先產生自信？哪一段要開始挑戰他的自信？什麼時候讓他看照片？什麼時候給數據？AI 要放在哪裡？財務結果什麼時候才揭曉？最後又要怎麼讓大家回到第一題，看見自己思考過程的變化？
這些環節安排，才是這次備課最耗費精力的地方。而且我現在對於 AI 使用程度比較有克制了，AI 不應該太早進場。如果學生還沒有形成自己的獨立判斷，就直接叫 AI 分析，很多時候我們得到的只是 AI 的現成答案。所以這次我刻意讓大家先選、先猜、先判斷、先犯錯，等到人類的思考已經留下軌跡之後，再讓 AI 進來挑戰。這時候 AI 才真的發揮了教學價值。
AI 時代，學習者和教學者其實都在經歷一種奇怪的信心危機
這也是我這幾年的強烈感受。
從學習者這邊看，這大概是一個非常容易產生自信的年代。有了 AI，好像什麼都學得會：不知道就問、不會寫就叫它寫、不懂財務就叫它算；不熟某個產業，十分鐘之後也可以整理得頭頭是道。久了之後，很容易產生一種錯覺：「我不需要真的知道那麼多，我只要知道怎麼問就好了。」
可是這個信心到底有多少是真的？當 AI 提供了一個非常流暢、非常完整、聽起來非常合理的回答時，我們究竟是真正理解了，還是只是暫時擁有了一個「看起來像理解」的外殼？我覺得這是學習者未來會愈來愈難察覺的陷阱。
教學者則剛好走向另一個方向：我們可能開始失去信心。我們教的知識，哪一個網路上找不到？哪一個理論 ChatGPT 不會解釋？哪一個個案 AI 不會摘要？哪一題它真的答不出來？如果教師的價值一直建立在「我知道學生不知道的答案」，那現在確實會愈來愈辛苦。總不能最後只剩下講笑話、辦活動、娛樂觀眾吧——雖然我承認，會講笑話現在還是有一點競爭優勢的。
但我愈來愈覺得，教師的價值會慢慢集中到另一種能力上：你能不能看出一個題目真正值得學習的核心是什麼？你能不能精準安排資訊出現的順序？你知不知道在哪個地方該讓學生先做錯一次？你能不能設計一個情境，讓學員無法只靠現成答案混過去？你能不能讓他親自發現，自己剛才原來把事實、推論與價值判斷混為一談了？你又能不能在 AI 隨手可得的環境裡，明智地決定哪些地方該讓 AI 進來，哪些地方暫時擋在門外？
我覺得這些事情比「老師能不能講出更多知識」要困難得多，也重要得多。
所以我最後跟大家說，遇到比較困難的商業決策時，可以慢一點。這裡的「慢」，不是指公司所有決策都拖半年，而是思考可以稍微慢一點：不要看到 24% 的成長就直接衝，也不要看到「未成年人」、「焦慮」、「成癮」幾個字就立刻站到道德高地。先把假設寫出來，看看證據支持到哪裡，坦然承認哪些地方還不知道，評估如果猜錯了，下行風險（Downside risk）到底有多大，然後再決定：這個代價，我願不願意付。
我想，這也是在 AI 時代裡，我自己還很想繼續帶個案討論的原因。因為答案真的已經愈來愈便宜了，真正昂貴的，往往是高品質的判斷。而好的教學，至少可以創造一個空間，讓大家暫時不要急著伸手拿答案，願意多花一點時間，看看自己究竟是怎麼做出判斷的。
如果三個小時之後，學員最後選的答案和一開始一模一樣，也沒有關係。只要他現在更清楚：自己到底相信了什麼、擁有哪些證據、還有哪些地方其實未知，以及如果最後真的猜錯了，自己準備承擔什麼——我覺得這堂課，就沒有白上。