今天早上看到統一集團新上任的星巴克董事長高秀玲（高清愿先生之女、羅智先董事長之妻）提到，未來打算取消「買一送一」，同時羅智先先生也提到要陸續取消店內插座。這兩招的核心目的很明確：提升門市品質，並同步降低營運成本。
這對商學院來說，簡直是絕佳的「競爭模擬」實戰題材！以前我們在教這個主題時非常頭痛，因為學生手頭上根本沒有足夠的技術與工具去設計一套完整的競爭模擬。
像這類消費零售業，我們可以設定幾項關鍵假設（包含消費者行為、競爭者反應、替代品威脅等參數），並針對變數之間的關聯性提出猜想。例如：
• 如果臺灣星巴克全面取消買一送一，這些折扣客群會流向哪裡？
• 對統一來說，這到底會帶來更多高單價的新客戶，還是營業額反而會直接崩掉？
我們心裡可能都有一些基於個人經驗的預設或猜想，可以將其參數化並設定比例。過去雖然有這些假設，但要把大家腦中的直覺放進模擬系統裡，絕大多數人都會卡關。
好在這個時代有 AI。我們能利用已知的商業理論或自己的假說，請生成式 AI 幫忙寫出蒙地卡羅模擬（Monte Carlo simulation）的架構，甚至直接在 ChatGPT 這種支援 Python 的工具裡實際跑幾次，看看結果如何，再逐步調整模型的細節。
為了驗證這件事，我把同一組問題分別交給 Gemini 和 ChatGPT / Codex，請它們針對星巴克的策略轉變跑跑看蒙地卡羅模擬。結果很有趣！
一、 兩大 AI 模型的性格差異：商管顧問的浪漫 vs. 資料科學家的現實
1. Gemini (Flash 模型)：商管顧問的浪漫主義
- 由上而下（Top-Down）的策略視角： 簡直像高級顧問公司簡報，大量套用商學院經典框架（如 AMC 競爭動態、多項羅吉特模型），直接將星巴克的動作定調為一場偉大且必然成功的「品牌重塑」。
- 完美的「填補效應」預設： 對體驗經濟充滿美好的想像。模型直接假設只要趕走「佔位筆電族」與「折扣客」，空出來的座位就會無縫接軌地被高單價的「社交體驗族」完美填滿。
- 充滿攻擊性的競爭視角： 甚至把路易莎等競爭對手當作策略「垃圾桶」，認為把低毛利、愛佔位的難民顧客倒給對手，就能輕易拖垮對手的財報與翻桌率。
- 小結： 推論相當簡化且理所當然，甚至有點「先射箭再畫靶」。它預設高價客人一定會進場、每張桌子的營業額會上升，並隱藏了運算細節，讓人不太確定背後到底有沒有真的扎實運算過。
2. ChatGPT + Codex：資料科學家的現實主義
- 由下而上（Bottom-Up）的營運視角： 不跟你談虛無縹緲的品牌願景，死盯著門市真實的微觀經濟指標，像是「座位利用率」與「RevPASH（每可用座位小時營收）」。
- 嚴格的風控與實證精神： 態度極度防禦且悲觀。它把高層的策略視為「極高風險的未驗證假設」，堅信「舊客人走掉，新客人絕對不會憑空生出來」。
- 敏捷的 A/B 測試邏輯： 深怕把公司搞垮，主動將宏觀策略降級並拆解為「只動促銷（S4A）」與「只動空間（S4B）」兩個獨立測試，甚至直接設下「營收下降超過 2% 立即暫停」的嚴格停損線。
- 小結： 推論完整許多，過程保守、謹慎，且邏輯嚴密。
二、 模擬結果對決：富貴滿門 vs. 鐵拳教育
Gemini 的平行宇宙（一路向上衝的獲利噴發）：
- 預測： 有高達 90% 的機率實現營業利益率淨成長（提升 2.5% ~ 4.2%）。
- 結論： 短期來客量雖然下降 8% 到 14%，但客單價大增 15% 到 20%。這是一場教科書等級的成功轉型！星巴克華麗轉身為藝文展演空間，贏了裡子又贏了面子，強烈建議高層加速推行！
ChatGPT + Codex 的平行宇宙（警報狂響的營運災難 ）： 它把研究架構寫成程式，直接跑了 10,000 次骰子，還把促銷與空間政策拆開檢查：
- 全面停止買一送一： 利潤中位數下降 4.2%，下檔機率（賠錢機率）86.5%。
- 促銷降頻＋空間轉型（S3 情境）： 利潤中位數暴跌 21.8%，下檔機率高達 99.0%（極高的下行風險）。
- 局部測試高價座位： 樂觀情境下利潤雖然有機會增加 8.3%，但中位數依然下降 2.2%，下檔機率也有 60.5%。
- 結論： 翻譯成一般人的語言，就是「可以試，但暫時不用急著訂製慶功背板」。座位商品化的收入根本補不回人流流失的黑洞！強烈警告管理層只能在少數門市做受控測試，萬一苗頭不對必須馬上收手。
三、 星巴克的插座，與丟了一萬次的骰子
蒙地卡羅模擬只會把我們設定的世界觀，非常勤奮地骰一萬次。
我們如果先假設久坐客離開後，高價顧客會整齊劃一地進場，模型自然會替他們鋪好紅毯；但如果我們允許座位空著、顧客改去路易莎、超商趁機搶客，結果就會殘酷很多。
電腦不會反問你：「老闆，您是不是想太多了？」 （這種員工，某些主管可能會非常喜歡。）
但這也正是 AI 現在真正展現價值的地方。以前要建立這種競爭模擬，可能得找顧問、研究員與工程師來回折騰好幾個星期。現在，我們可以在極短的時間內，讓一個 AI 提出品牌轉型假說，讓另一個 AI 把假說寫成程式，再找第三個角色檢查公式、參數與尾端風險。
當我們想從時事新聞延伸出競爭策略時，可以先問自己幾個關鍵問題：
- 哪些顧客會離開？
- 離開後，真的有人會補位嗎？
- 競爭對手有沒有能力抓住這些顧客？
- 客單價提高後，到底能不能抵銷營收與人流下降的缺口？
- 租金、人力與改裝成本，會不會改善？
競爭策略裡，其實包含了一個較少被公開說出口的議題：哪些顧客要留，而哪些顧客流失後，公司的商業模式反而能更健康？
只是，想放棄一群顧客很容易；但要確定另一群顧客真的會來，通常需要非常堅實的數據與證據。
因此，當我用 AI 進行快速模擬時，會就有幾個原則：
• 釐清層次： 先分清楚新聞事實、策略假說與模型參數。
• 控制變數： 一次只修改一個主要變數。
• 要求透明： 必須提供完整程式碼、seed（隨機種子）、機率分布與基準值。
• 關注風險： 看完整的機率分布與尾端風險，而不是只看「平均數」。
• 實證檢驗： 最後仍要回到真實門市，用 POS、會員數據與現場座位觀察進行小規模測試。（目前還沒進行）
好消息是，我們現在已經能以極低的成本，快速建立多套彼此衝突的世界觀。
說到底，還是我們訓練商學院學生的核心宗旨：你能不能定義問題、檢查背後的假設，以及願不願意在市場打臉我們之前，先讓模型把我們的「想當然爾」狠狠踩在地上摩擦數回。