2026 年 9 月，創業者 Greg Isenberg 在《Startup Ideas Podcast》放出一支示範影片，標題毫不客氣：接 Upwork 的案子，讓 AI 做完，「這很荒謬」。影片裡他打開一個自己用 Astra 建的主控台，上面顯示 25 個進行中的案子、$3,400 的管道金額、$3,200 的預估毛利——而做這些事的人，只有他一個。
這不是「AI 幫你寫文案」等級的示範。它真正在講的是一件事：當創意模型、代理模型（agentic model）與單一生產層在同一個時間點成熟，一個人就能經營一間過去需要 10–20 人的服務公司。Isenberg 自己給這個模式的名稱很克制——「半自動化（semi-autonomous）」，不是全自動，因為最後仍有四件事必須由人來做。
⚠️ 揭露：本集節目由 Higgsfield 贊助（影片說明欄含贊助連結）。本文為獨立整理與分析，不在文中嵌入該贊助連結；下方也列出對這套論點的批評與其自身限制。
一、三個條件同時到位，這波才可能發生
Isenberg 反覆強調一個重點：這不是單一技術突破，而是三件事同時成熟。
| 成熟條件 | 過去的樣子 | 現在的樣子 |
|---|---|---|
| 創意模型跨越品質門檻 | 早期 AI 影片還停留在被嘲笑的「威爾史密斯吃義大利麵」階段 | Kling、Flux、Seedream、Seedance 等數十款模型品質大幅提升，早已脫離粗糙期 |
| Astra 作為編排器成熟 | 模型只會回答問題，不會「管事」 | GPT-6 Astra 能讀混亂的客戶簡報、找出缺漏、規劃流程、挑選專家模型、控管預算、檢查產出、自動修復失敗 |
| 所有模型收斂到單一生產層 | 開幾十個帳號、學不同 API、手動搬檔案、記不住資產出處 | Higgsfield API 用一組 API 金鑰封裝 50+ 圖像／影片／音訊模型、價格、請求與狀態，可被程式化調度 |
換句話說：模型會「做事」了、有一個大腦會「管事」了、而且這些工具接得起來了。第三點常被低估，但它其實是整套流程能不能自動化的關鍵——如果每次生成都要人手動登入另一個平台下載檔案，毛利就會被人力吃光。
二、什麼是「AI-native service firm」？精確定義
Isenberg 的定義非常具體，值得逐字理解：
- 它是一間「小型服務公司」——不是軟體產品、不是 SaaS 訂閱，而是接單、交付成果。
- AI 負責生產與履約；真人只負責四件事：合約管理、審美品味（taste）、版權權利（rights）、最終批准（approvals）。
- 它的本質是一個「作業系統」或「駕駛艙」，而不是一個聊天視窗。這個區別很重要：聊天視窗是「你問它答」，作業系統是「案子自己流動，人只在關卡上點頭」。
| 指標 | 傳統人力代理商 | AI 原生服務公司 |
|---|---|---|
| 淨利率 | 年終約 10–15%（招聘、流動、行銷成本吃光） | 預估可達 60%+ |
| 生產毛利率 | 約 15–20%（主要成本是人力） | 70–95%（主要成本是算力） |
| 銷售管道 | 口碑、社群自然流量 | 口碑、社群，外加 Upwork／Fiverr／Contra 等外包平台 |
| 接案金額 | — | $100–$25,000（典型落在 $500–$5,000） |
| 經驗累積 | 人離職，經驗一起走 | 每次專案的教訓留在系統裡（學習閉環） |
最後一列是 Isenberg 認為最被忽略的優勢：傳統代理商最大的資產流失是「員工帶走 know-how」；AI 原生公司的經驗沉澱在系統中，因此更容易管理，也更有機會拿到軟體式的估值倍數。
三、實際長什麼樣子：Studio Operator 主控台
Isenberg 用 Astra 加上六個建構 Prompt做出一個 MVP 主控台，命名為 Studio Operator。它的八個區塊，剛好就是這門生意的完整骨架：
- 案儀表板（Job Dashboard）——活躍案件數、管道總值、預估毛利、需要真人處理的項目數。
- 需求擷取（Brief Extraction）——貼上 Upwork／Fiverr 的案子連結，Astra 自動抓出交付物、格式、比例、期限、現有素材，並生成客戶簡報與參考資料。
- 產品化設定——交付格式（如 PNG）、比例（如 3×4）、要問客戶的問題、生產預算上限（可以低到 5 美分）。
- 模型路由器（Model Router）——自動挑選最適合的模型並說明理由，同時允許真人手動覆蓋（override），並即時顯示覆蓋後的成本與利潤變化。
- 即時成本與利潤——每個案子下單前就先看到帳。
- 自主性邊界（Autonomy Controls）——每單花費上限、單次修復費用上限、最大嘗試次數，甚至可以屏蔽特定模型家族。
- 客戶記憶庫（Client Memory）——儲存客戶的 Logo、品牌色、字型，以及曾被退回的風格。
- 真人關卡與稽核日誌（Human Checkpoint & Audit Log）——人一鍵核准出貨，而每一筆生成花費、每個決策與修改都留有紀錄。
其中第 5、6、7 點是整套模式能賺錢的核心，因為它們分別處理了三件事：下單前的經濟判斷、修復造成的利潤流失、以及主觀審美造成的退單糾紛。
四、六個建構 Prompt：一次只給一層商業結構
Isenberg 特別強調順序不能亂，每個 Prompt 只加一層商業結構：
| 順序 | Prompt | 加入的結構 |
|---|---|---|
| 1 | Build the Firm | 建立「營運作業系統」而非聊天視窗：服務範本、案件收件匣、生產階段、客戶紀錄、成本、毛利、批准、修訂、交付追蹤 |
| 2 | Job Intake | 把 Upwork／Fiverr 的非結構化需求轉成標準案件；抓格式、文案、期限、缺漏與利潤風險；建議接單、複審或拒絕 |
| 3 | Connect Higgsfield API | 把生產層接上：一組金鑰連接 50+ 模型，處理排隊、GPU 擴充、成本預估，並把每筆請求與成本附掛到案件上 |
| 4 | Model Router | 依任務自動選模型並解釋理由，提供真人覆蓋介面，即時計算覆蓋後的成本 |
| 5 | QA & Repair | 對照已核准的簡報做自動品檢（格式、時長、文案、品牌規則），判定合格、局部修復、重新生成，或轉真人決策 |
| 6 | Safety, Memory & Audit | 加入花費上限、修復上限、嘗試次數上限、客戶記憶庫與完整稽核日誌，最後接上真人批准關卡 |
這個順序本身可以當成一份檢查清單：如果第 6 層還沒做完，等於還沒有煞車，通常就是毛利開始流血的時候。
五、模型分工：什麼工作交給哪個模型
Isenberg 以「職人分工」的方式介紹模型（各模型能力以影片當時示範為準）：
| 工作類型 | 常用模型 |
|---|---|
| 時尚／編輯感人像、創辦人寫真 | Soul |
| 一致性商品情境圖 | Seedream、Flux |
| 含真實文字的海報、排版設計 | Ideogram、Recraft |
| 局部修復（改標籤、換單一物件、修字） | Qwen（被形容為「修復廠」） |
| 較長的情境鏡頭、序列發展、原生音訊 | Seedance |
| 高質感英雄鏡頭；動作套用到指定角色 | Kling、Kling Motion Control |
| 人物說話、嘴型同步、廣告發言人 | Wan、Minimax |
| 最終畫質提升與交付導出 | Topaz |
他也提出選模型前先問四個問題：這是圖像／影片／語音？是新資產還是修復？是便宜探索還是最終版本？什麼必須保持不變？ 最後一題最實務——商品名稱、SKU、標籤、格式這類「不能動」的元素，才是 AI 最容易出錯、也最該被規則鎖死的地方。
六、選案子的四個篩選條件（Four Filters）
不是所有案子都值得接。Isenberg 的篩選框架是：
- 已有預算（existing budget）——市場上已經有人在為這件事付錢；搶既有預算，比教育新需求容易得多。
- 單位明確（obvious unit）——例如「1 個 SKU 的廣告包」、「1 支產品影片」、「1 套在地化素材」。
- 可重複（repeatable）——能變成月費（MRR）或長期合約，形成經常性收入。
- 「正確」有具體定義（concrete definition of correct）——視覺美感主觀，但商品名稱、SKU 編號、廣告聲明、規格、必備場景可以客觀比對。沒有客觀驗收標準的案子，就是無限修改的開始。
對應要避開的型態也很清楚：需求極度模糊、無法轉成規則的案子，會用無限次修訂把利潤吃掉。
七、三個可以立刻做的服務點子
影片後半給出三個具體方向，每個都符合上面四個篩選條件：
① 常駐型廣告工作室（Always-On Ad Studio） 電商品牌最大的痛點是素材消耗太快（ad fatigue）。針對單一 SKU 提供每週創意包：新 Hook、產品情境、靜態圖與短影片。開拓方式是從 Meta 廣告檔案庫找出「有投放預算但素材單調」的品牌，用 3 個概念做 90 秒的 Loom 影片提案，以 $750–$1,500 的付費 sprint 切入，再轉月訂閱。
② 連鎖加盟在地化（Franchise Localization） 總部做一支全國大檔廣告，但 50 家門市各有不同地址、價格、優惠與電話。上傳主檔＋品牌規則＋各門市清單，由模型改文案與排版，QA 逐項比對地址與條款。切入價常見 $500/月起或 5 家門市試行。
③ 工業產品目錄轉銷售素材（Industrial Catalog Sales Assets） 大量工業製造商賣高價機器，網站卻只有厚重的 PDF 規格書、CAD 檔與舊照片。把 1 個 SKU 轉成展示影片、應用場景片、展場循環片、經銷商培訓剪輯與銷售圖表。客單價高、競爭者少，是三者中毛利結構最漂亮的一種。
八、經濟學：為什麼毛利可以到 70–95%
這是整支影片最需要冷靜看的一段。Isenberg 在主控台裡的示範是：
- 靜態圖：客戶付
$10，Higgsfield 生產成本約$0.01，預估淨利$9.99。 - 5 秒影片：客戶付
$10，預估 API 成本約$0.70（含平台通路費）。 - 平台通路費：Upwork／Fiverr 抽成約 5–15%，必須計入。
而主控台當下的儀表板顯示：25 個活躍案件、$3,400 管道金額、$3,200 預估毛利。影片縮圖上則寫著單一客戶支付 $3,000。
必須說清楚的是：所謂「每天 $3,000」是由「管道金額 ÷ 處理速度」推導出來的規模想像，不是已驗證的日均收入。真正被示範的是單筆案件的單位經濟（例如 $10 收入對 $0.01 成本）與管道總額。要把這兩者轉成穩定日收，前提是接案量、核准速度與退修率都維持在理想狀態——而這正是下面第六節要談的風險。
九、理論框架：Sequoia 的「賣成果，不賣工具」
Isenberg 的示範不是孤例，它對應的是 2026 年 3 月 Sequoia Capital 早期投資人 Julien Bek 發表〈Services: The New Software〉的核心主張：
「下一個兆美元公司，會是一家偽裝成服務公司的軟體公司。」
其推理有三層：
- Copilot 賣工具，Autopilot 賣成果。 賣工具會陷入「與底層模型賽跑」——當模型下一次更新，你的產品可能就變成模型的一個內建功能。但賣成果時，模型每一次進步都讓你的服務更便宜、更快、更難被競爭。
- 工作預算遠大於軟體預算。 全球每花 1 美元在軟體上，就有 6 美元花在服務與人力上。Autopilot 從第一天就在搶這筆更大的預算。
- 外包是切入楔子。 替換一份外包合約是「換供應商」，阻力低、預算已存在；替換內部人力則是「組織重整」，阻力高。（原文舉例：企業可能年花
$10,000買 QuickBooks，卻花$120,000請會計師關帳——下一家傳奇公司會直接幫你把帳關掉。）
他也區分了智力（Intelligence）與判斷（Judgement）：寫程式主要是智力，決定要做什麼則是判斷。AI 會先在「智力佔比高」的領域勝出——軟體工程已經率先跨過門檻（佔所有 AI 工具使用量的一半以上），而這股浪潮會吹向每一個專業領域。
十、已經在發生：$3T 市場與八個垂直領域
風險投資機構 Emergence Capital 發布的《AI-Native Services Playbook》與涵蓋 8 大領域、77 家公司的市場地圖，估計全球外包專業服務的潛在市場規模達 3 兆美元。這個數字的來源是：全球 BPO 市場在 2024 年已超過 $3,000 億，原先預估 2030 年可達 $5,250 億——而這個成長預測現在正被 AI 原生服務重新改寫。
| 垂直領域 | 市場規模（外包／美國為主） | 代表公司 |
|---|---|---|
| 保險經紀與理賠 | 經紀 $1,400–2,000 億；理賠調整 $500–800 億 | Pace（Sequoia 領投 $1,000 萬 A 輪）、Harper（累計 $4,700 萬）、WithCoverage、Strala |
| 醫療收入循環管理（RCM） | $500–800 億 | Anterior、Prosper AI |
| 會計與審計 | 美國外包即 $500–800 億 | Rillet、Basis、TaxGPT |
| 法律事務性工作 | $200–250 億 | Harvey、Crosby、Lawhive |
| IT 託管服務 | $1,000 億以上 | Edra、Serval |
| 供應鏈與採購 | $2,000 億以上 | Magentic、AskLio、Tacto |
| 招聘與人力派遣 | $2,000 億以上 | Juicebox、Mercor |
| 管理顧問 | $3,000–4,000 億（判斷成分高，較慢被顛覆） | — |
這些公司的共同點是：以成果計價（outcome-based），而非按席位計價，並以 50%+（甚至 70–95%）的毛利率、5–10 倍的交付速度運作。
十一、誠實的一面：六個必須看清的風險
好消息講完，必須把反面也講清楚。這套模式的風險在多個來源中都被明確指出：
- 規模化錯誤的責任風險。 真人出錯是個案、可投保、可補救；AI 一旦規模化出錯（例如一次錯編 10,000 筆理賠），法律與財務曝險可能是災難級的。這正是 Harper 等公司採用「真人執業者＋AI」混合審核的原因。
- 重工與人工監管會吃掉毛利。 算力便宜，但「每一個需要真人介入的步驟，都是毛利的洩漏點」。這也解釋了為什麼 Isenberg 要在系統裡設硬性的修復費用上限（如每次
$0.50）與最大嘗試次數。 - 判斷力與審美的天花板。 Julien Bek 與 Emergence 都強調，管理顧問、創意設計這類高判斷、高信任的工作，AI 仍無法完全取代。Isenberg 自己也說得很直白：現在是半自動化，人必須留在合約、品味、權利與批准的位置上。
- 模型商品化的威脅。 如果底層模型變成商品，單純「套殼」的公司會迅速失效。真正的護城河是專屬工作流、合規層、客戶記憶與稽核日誌——把模型當輸入，而不是當產品。
- 平台條款與通路費。 依賴 Upwork／Fiverr 意味著要付 5–15% 抽成，並遵守平台履約條款；客戶端若對「AI 代做」有揭露要求，也需要誠實處理。
- AI 內容反噬。 劣質生成會直接摧毀客戶信任。因此品檢機制（比對尺寸、複製文案、品牌規則）與真人把關不是加分項，而是生存條件。
另外，Isenberg 也承認了工具本身的邊界：Higgsfield API 當時仍缺部分模型；Soul 不擅長小字與法律條款；Flux／Seedream 偶爾會搞錯標籤顏色或微小幾何；而 Topaz 這類工具只能提升解析度，救不回一個糟糕的創意。最後一句值得貼在牆上。
十二、對繁體中文讀者的可轉移性
把這套模式搬到繁體中文市場，有幾個結構性差異值得先想清楚：
| 面向 | 英文市場 | 繁體中文市場的差異與機會 |
|---|---|---|
| 接案平台 | Upwork／Fiverr 生態成熟、客單價高 | 平台流量相對小，但本地品牌、電商與加盟體系的素材需求真實存在 |
| 客戶語言 | 英文簡報標準化程度高 | 中文需求書常更口語、更依賴來回確認 → 更需要「需求擷取」這層結構 |
| 交付驗收 | 規則化程度高 | 若能用「SKU／規格／門市清單」把驗收客觀化，反而更容易建立護城河 |
| 內容反噬風險 | 已有明確討論 | 中文圈對「AI 味」的容忍度仍在變動，揭露與品質把關更重要 |
換句話說，可轉移的不是「去 Upwork 搶單」這個動作，而是那套結構：把需求變成規則、把重複工作產品化、把修復成本鎖上限、把客戶偏好存下來。這四件事在任何語言市場都成立。
常見問題
Q：這套模式就是「AI 取代設計師」嗎？ 不是。影片與 Sequoia 的框架都強調判斷力與品味仍由人掌握，AI 目前吃掉的是「智力密集、規則明確」的部分。若把它當成完全取代人力，反而會在退修與信任上付出代價。
Q：需要會寫程式嗎？ 影片示範的路徑是用自然語言 Prompt 搭建主控台（六層結構），不需要從零寫程式；但要接生產層（如 Higgsfield API）、設定成本上限與稽核日誌，仍需要基本的 API 與流程概念。
Q：$3,000／天的數字可以信嗎？ 應理解為單位經濟的推導，而非已驗證的日收。影片實際示範的是單筆案件的收入與成本差距，以及儀表板上的管道總額（$3,400）。是否能穩定轉成日收，取決於接案量、核准速度與退修率。
Q：最大的失敗風險是什麼？ 兩個：模糊的案子（無限修改吃掉毛利）與規模化的錯誤（一次錯一批，責任與信任同時崩）。這也正好對應系統中的兩道設計：客觀驗收標準，與真人審核關卡。
結語
這支影片真正值得記下的，不是「AI 可以幫你接案」，而是一個正在成形的分工方式：模型做智力工作、人做判斷工作、系統負責把兩者接起來並記住每一次教訓。
從「寫文章等排名」到「做工具養資產」，這條路上最實際的一步，或許就是找一個自己熟悉、需求已被驗證、且驗收可以客觀化的窄領域，先用一份「正確的定義」把品質鎖住——剩下的，才是自動化。
延伸閱讀
- Higgsfield AI MCP 指南：Claude 視覺內容工具
- Ras Mic 的「軟體工廠」：先蓋工廠再造船
- OpenRig 完整解析：用一個 YAML 檔養一整個常駐 AI Agent 團隊
- Cloudflare 會催生 1000+ AI 百萬富翁？X402 協議解析
資料來源
- 影片：Take Upwork jobs, let AI do them (Astra etc). It’s absurd.（Greg Isenberg，《Startup Ideas Podcast》，2026-09）
- Julien Bek,Services: The New Software（Sequoia Capital，2026-03-05）
- GPT-6 Astra: A new generation of intelligence（OpenAI 官方發表）
- Higgsfield API：50+ 影片與圖像模型的單一 API
- Emergence Capital《AI-Native Services Playbook》與 77 家公司市場地圖（轉引自產業分析報導）
- 對該論點的審計與保留意見：Sell the Work, Not the Tool