2026年2月21日 星期六

《 生態系湧現:價值共創與數位服務演進 》  

 



探討數位服務生態系統如何從無到有逐步成形,並詳細分析Amazon、eBay、Facebook、Google、Salesforce 和 Wikipedia等6個知名案例。

將生態系統的演進劃分為啟動、動能與控制三個核心階段,發現各案例在初期具有相似性,但隨著發展會因其獨特的價值共創邏輯而變得愈發迥異。

研究識別出驅動此過程的四類關鍵活動,包含:資源獲取、技術設計、制度建立與外部環境互動。

透過質性敘事與量化序列分析,本文揭示了生態系統並非隨機發展,而是透過建立合法性與協調多方參與者關係,最終達成穩定的主導地位。

此研究為管理實務提供了框架,幫助企業理解並預測在競爭激烈的網絡環境中建立生態優勢的必要路徑。














📌數位服務生態系統湧現的三個發展階段

數位服務生態系統的湧現(Emergence),可以分為以下三個主要發展階段:

1. 啟動階段 (Phase I - Initiation)

這個階段的核心是初步構想的實踐、數位服務開發與資源匯集。

• 技術與資源: 
創辦人會建立組織架構,招募研發人員,並開始開發數位服務的基礎功能。
• 意義建構: 
透過與早期參與者(如 Beta 測試者)的互動,確立數位服務的技術特徵、價值主張與運作規則。
• 外部環境:
此時市場仍處於萌芽期,競爭活動較少,且大眾媒體或社會的關注度也相對較低。
• 相似性: 
不同生態系統在初始階段的過程通常非常相似,因為大家都面臨共同的資源收集與服務開發需求。

2. 動能階段 (Phase II - Momentum)

進入此階段後,生態系統開始透過網路效應(Network Effects)進入快速成長期。
• 用戶擴張: 
參與者人數迅速增加,推動了市場的爆發性成長與採用。
• 激進策略: 
主導廠商(Hub firm)會採取激進的行銷手段(如游擊行銷)並建立廣泛的策略聯盟,以建立市場覆蓋率並確立領先地位。
• 社會合法性:
生態系統開始受到媒體與社會的高度關注,其價值邏輯也開始在潛在參與者中擴散與傳播。
• 競爭加劇: 
這是競爭最激烈的時期,挑戰者會試圖爭奪市場機會,迫使主導廠商必須更積極地鞏固其地位。

3. 控制階段 (Phase III - Control)
在此階段,生態系統已確立為無可爭議的領導者,競爭活動減少。

• 重心轉移: 
活動的重點從擴大版圖轉向對生態系統參與者的控制,以及價值的獲取(Value Appropriation)。
• 穩定性: 
權力關係趨於穩定,治理系統(規章與準則)變得自我強化,加強了主導廠商對生態系統的掌控力。
• 異質性: 
與初始階段不同,各案例在進入控制階段時展現出高度的不相似性。這是因為每個生態系統都根據其獨特的價值共創邏輯,發展出了自己專屬的價值分配與控制機制。

4. 總結
數位服務生態系統在初期往往遵循相似的發展路徑,但隨著它們成長並建立起獨特的價值邏輯,各個生態系統之間的演化過程會變得越來越不相同。



📌推動生態系統湧現的四種關鍵活動是什麼?

根據 Llewellyn D. W. Thomas 的研究,推動數位服務生態系統湧現的過程主要由以下四種關鍵活動驅動:

1. 資源活動 (Resource Activities)

這些活動主要關注樞紐企業(Hub firm)對資源的獲取與管理,為建立生態系統提供必要的基礎。

  • 具體內容: 包括建立或採用企業組織形式、獲取財務資產(如:種子基金、風險投資、IPO)、建立與維護策略聯盟或合作夥伴關係、以及開發相關的專業技能與能力。
  • 目的: 確保企業擁有足夠的資源捐贈來啟動並維持生態系統的運作。

2. 技術活動 (Technological Activities)

技術活動涉及生態系統底層技術的設計與提供,這些技術是實現價值共創的媒介。

  • 具體內容: 包含數位服務的設計與交付、開發支援服務(如工具包、培訓計畫)以協助參與者提升表現。
  • 影響: 技術設計的優劣會直接影響用戶的採用率、標準化的形成以,及網路效應(Network Externalities)的發揮。

3. 制度活動 (Institutional Activities)

這些活動與生態系統內部的制度結構和運作有關,涉及樞紐企業與參與者之間的互動。

  • 具體內容:
    • 規則制定與執行: 確立參與者的行為準則、程序以及成員資格標準。
    • 意義建構與框架化 (Framing): 產生共享意義,建立價值共創的邏輯,並建立合法性。
    • 話語 (Discourse): 透過溝通、論述來動員並說服他人加入系統。
    • 身份建構: 形塑參與者對生態系統的集體身份認同與情感連結。

4. 情境脈絡活動 (Contextual Activities)

情境脈絡活動是指生態系統外部參與者所進行、但會影響湧現過程的活動。

  • 具體內容:
    • 監管活動: 政府或監管機構的法律制定、調查或政策干預。
    • 社會與媒體論述: 新聞媒體、分析師或社會大眾對系統的報導、評價與授權。
    • 競爭者活動: 競爭對手的進入、其服務設計以及競爭策略(如價格戰)。
  • 目的: 這些外部因素共同形塑了生態系統湧現時所處的策略環境與條件。

5.總結

這四種活動相互交織:

資源與技術活動通常發生在企業層級,而

制度活動發生在生態系統層級,

情境脈絡活動則來自外部環境。

他們共同作用,建立了生態系統的合法性、技術架構、邊界與規章制度。

 


📌比較Amazon、eBay、Facebook、Google、Salesforce 和 Wikipedia
     生態系統的演進差異

Amazon、eBay、Facebook、Google、Salesforce 和 Wikipedia 這六個數位服務生態系統,雖然都遵循「啟動 (Initiation)」、「動能 (Momentum)」與「控制 (Control)」的三階段演進框架,但其路徑與動態因核心邏輯不同而展現出顯著的「等效演進 (Equifinal emergence)」差異。

以下詳細比較這六個生態系統的演進差異:

1. 價值共創邏輯的本質差異
每個生態系統建立在不同的價值創造與獲取機制上,這決定了其整體的演化方向:
• Amazon (零售效率): 
核心邏輯是降低搜尋成本與提供極廣泛選擇,透過銷售與運輸實體商品獲取毛利,鎖定機制主要依賴轉換成本(如個人化服務、忠誠度)。
• eBay (拍賣媒合):
同樣強調效率,但作為線上拍賣服務,其價值獲取來自交易佣金,並高度依賴網路效應與社群信任作為鎖定機制。
• Google (資訊獲取): 
邏輯是減少資訊不對稱,使全球資訊變得可搜尋,主要透過搜尋驅動廣告 (AdWords) 獲取價值,並依賴強大的網路效應。
• Facebook (社交連結): 
側重於人際連結的開放與透明,利用極強的網路效應達成鎖定,其商業模式為社交導向廣告。
• Salesforce (軟體即服務): 
核心在於雲端 CRM 操作的簡單與速度,透過訂閱模式獲取價值,具備極高的技術依賴轉化成本。
• Wikipedia (知識共創): 
唯一非營利案例,邏輯是免費獲取知識,不進行價值撥用(依賴捐款),鎖定機制為用戶忠誠度。

2. 動能階段 (Phase II) 的擴張策略差異
在快速成長期,各案例採取的「激進」手段各具特色以建立市場領導地位:
• Amazon 的「迅速做大」(Get Big Fast): 
透過大規模融資進行激進行銷,並推出「聯名計劃」(Associates Program),讓無數個人網站連結至 Amazon 以建立覆蓋率。
• eBay 的有機洪流: 
經歷了被稱為「大 eBay 洪水」的用戶激增,導致技術崩潰,但透過與社群共同治理與 AOL 戰略合作來維持增長動能。
• Google 的技術滲透: 
透過將搜尋引擎與門戶網站 (Yahoo!) 簽約,並推出 AdSense 讓廣告出現在任何網站,藉此擴散其品牌。
• Facebook 的「包圍策略」(Surround Strategy): 
有節制地從常春藤盟校擴散到鄰近大學,再逐步開放至高中與大眾,並推出開放平台引發開發者爆發。
• Salesforce 的「游擊行銷」: 
針對競爭對手 Siebel 進行挑釁性宣傳(如在對手會議外抗議),營造「軟體終結者」形象。
• Wikipedia 的媒體關注: 
依賴主流媒體(如《紐約時報》)的報導吸引大量貢獻者,並由參與者自發組織「維基民兵」維護服務穩定。

3. 治理與控制機制的差異
當系統確立地位後,對參與者的掌控方式展現了高度的異質性:
• 開放 vs. 封閉治理: 
eBay 與 Wikipedia 早期選擇將治理權交給參與者,導致後期行使控制權時常面臨抵抗(如 eBay 的「百萬拍賣大遊行」)。相較之下,Amazon, Google 與 Salesforce 傾向於「指揮與控制」模式。
• Amazon 與 Salesforce 的利潤轉向: 
Amazon 透過內部重組與裁員確立獲利導向;Salesforce 建立 trust.salesforce.com 透明化服務狀態以重建因中斷受損的信任。
• Google 的法律與技術鞏固: 
透過關鍵法律勝利(確立關鍵字廣告合法性)鞏固其廣告價值的獲取能力。
• Facebook 的條款整合: 
在經歷隱私危機後,轉向透過規則制定與平台條款投票來強化控制。
• Wikipedia 的編輯強化: 
經歷「西根塔勒事件」後,被迫放棄極端自由,轉向強化編輯控制以維護品質。

4. 路徑依賴與創辦人背景的影響
創辦人的背景在「啟動階段」即對系統產生了深刻的「印記 (Imprinting)」效應:
• 企業管理背景: 
Amazon 的 Bezos(對沖基金)與 Salesforce 的 Benioff(Oracle 高管)使系統展現強烈的商業成功與營運效率導向。
• 學術與學生背景: 
Google 的創辦人(史丹佛博士生)與 Facebook 的 Zuckerberg(大學生)早期更專注於技術開發與社交連結,而非立即獲利。
• 開發者與駭客文化背景: 
eBay 的 Omidyar 與 Wikipedia 的 Wales 因其工程師背景,促成了初期強大的社群自治文化。
• 路徑鎖定: 
早期決策限制了未來的選擇,例如 :
  • Wikipedia 因參與者反對廣告而被迫走上慈善基金會的路徑;
  • Facebook 早期忽視隱私的風格,則導致了後續持續的法律與社會衝突。

5. 總結
雖然這六個系統在「啟動階段」因資源收集與基本開發而顯得相似,但隨著演進進入「動能」與「控制」階段,價值共創邏輯與路徑依賴的作用,使得變得越來越不相似。

這種「等效演進」說明了數位生態系統可以從不同的初始條件出發,走過完全不同的演進路徑,最終都在各自的領域達成統治地位。

成功的關鍵在於發展出與其價值邏輯相符的「生態系統模型」,平衡價值共創與價值獲取方式 (Appropriation)。


生態系統

核心效能

(Efficiency)

價值獲取方式

(Appropriation)

鎖定機制

(Lock-in)

Amazon

降低搜尋成本、

提供極廣選擇

銷售與運輸實體商品

的毛利

轉換成本

(如忠誠度、個人化服務)

eBay

降低搜尋成本、

提供極廣選擇

媒合交易的佣金

網路效應、信任機制

Facebook

減少資訊不對稱、

社交連結

社交導向廣告

(Pay-per-click)

強大的網路效應

Google

減少資訊不對稱、

使資訊可搜尋

搜尋驅動廣告

(AdWords)

網路效應

Salesforce

雲端軟體操作的簡單與速度

訂閱模式

(Subscription)

高轉換成本

(技術與營運依賴)

Wikipedia

減少資訊不對稱、

免費獲取知識

無 / 捐款

用戶忠誠度



_______
資料來源:

1.Llewellyn D W Thomas (2013)

   Ecosystem emergence : an investigation of the emergence processes of six digital 

   service ecosystems,

   Thesis or dissertation,Imperial College London

https://spiral.imperial.ac.uk/entities/publication/b4254b97-521a-4713-a64b-6823e4cb1de3

2026年2月20日 星期五

 《 生成式人工智慧與策略決策評估 》


探討生成式人工智慧(Generative AI)在評估企業策略決策方面的潛力。

透過兩項研究比較了大型語言模型(LLMs)、人類專家與非專家的預測表現,發現單一模型的評估雖然存在偏見,但透過多樣化(Diversity)與規模化(Scaling)的數據彙整,其準確度能顯著提升。

研究結果顯示,結合多種模型、角色設定及提示詞的綜合人工智慧評估者,在識別優質商業模式與規避風險方面的表現與人類專家相當。

這項發現為管理者提供了新穎的決策工具,顯示 AI 能夠在數據有限且環境獨特的策略場景中,有效輔助人類進行預測。

這不僅改變了傳統由人類主導的決策模式,也為企業提供了低成本且高效的策略洞察來源。 







探討了生成式人工智慧(Generative AI)在評估策略決策(如商業模式的可行性)方面的潛力與效能。

透過兩項實證研究,比較了多個大型語言模型(LLMs)、人類專家及非專家對創業計劃的預測表現。

研究發現,單一 AI 的評估雖然可能存在偏差,但藉由混合多種模型、角色設定與提示詞工程,產生的集體智慧能顯著提升預測準確度。

實驗結果顯示,這種綜合性的 AI 評估系統在辨識潛在成功者與淘汰失敗者方面,表現甚至優於人類非專家,並與專家評分高度相關。

最終,該研究指出 AI 能克服傳統機器學習對歷史數據的依賴,為資訊有限且具唯一性的組織決策提供寶貴的輔助。





📌 生成式人工智慧如何透過模擬專家與多樣化提示,提升策略決策評估的準確性?

生成式人工智慧(Generative AI)主要透過模擬專家角色(Roles)與多樣化提示(Prompts)的聚合評估(Aggregation)機制,有效抵消個別評估的偏差與不一致性,進而提升策略決策評估的準確性。

以下是具體運作方式與見解:

1. 模擬多樣化專家角色以引入不同觀點
來源指出,透過指令要求大型語言模型(LLM)扮演不同的專家角色,可以引發不同的評估視角。
角色設定: 
在研究中,LLM 被賦予了 10 種不同的角色,包括:與新創企業直接相關的角色(如:創辦人、投資者、客戶)以及非直接相關的角色(如:策略教授、產業專家、財經記者)。
多樣性效應(Diversity Effect): 
不同的角色會對同一決策產生不同的預測。
透過聚合這些多樣化的預測,可以像「群體智慧」一樣抵消個別預測的錯誤(如過度樂觀或悲觀),使最終結果更接近真實價值。

2. 利用多樣化提示引導深度推理
提示詞(Prompts)的設計能改變模型的注意力機制,進而影響其評估結果。
提示策略: 
研究採用了「基礎提示」(Base prompt)與「鏈狀思考提示」(Chain-of-thought prompt)。
引導推理: 
鏈狀思考提示會要求模型在給出最終答案前,先分析業務模型的「內部契合度」(要素間的匹配)與「外部契合度」(與環境的匹配)。
這種將複雜任務拆解為邏輯步驟的方法,能引發模型的推理能力,提升評估的深度。

3. 透過聚合克服人工智慧的個別侷限性
來源特別強調,個別的 AI 評估往往是不一致,且帶有偏見的。
個別侷限性: 
單一模型評估時常出現「不一致性」(即變換 A 和 B 業務模型的順序會導致不同選擇)以及「偏見」(如系統性地偏好最後一個選項)。
聚合的力量: 
當管理者聚合了跨模型、跨角色與跨提示的多次評估時,這些隨機錯誤會相互抵消。
研究發現,這種「綜合 AI 評估者」在對業務模型的排名上,與人類專家的評估結果高度一致,且表現優於人類非專家。

4. 規模效應與多樣性效應的貢獻
來源將聚合的收益分解為兩個層次:
多樣性效應(Diversity Effect):
在固定的評估次數下,增加模型、角色和提示的種類所帶來的提升。
規模效應(Scaling Effect):
增加評估的總次數所帶來的提升,。
核心發現: 
在策略決策評估中,規模效應的貢獻比多樣性效應更顯著。
這意味著對於管理者而言,進行大量的 AI 模擬評估是提升預測準確性的關鍵手段。

5. 總結
生成式 AI 不是依靠單一次的「天才預測」,而是透過大規模、多角色模擬與深度推理提示的綜合運算,來建立具備策略前瞻性的評估模型。
這讓管理者能以極低的時間與資源成本,獲得與專家水準相近的決策參考。


📌 與人類專家相比,人工智慧在識別商業模式的成功潛力上表現如何?

人工智慧(AI)在識別商業模式成功潛力方面的表現,
可以從單一評估(研究一)與聚合評估(研究二)兩個層面來分析:

1. 單一評估的侷限性:不一致與偏見
在單獨使用一個大型語言模型(LLM)進行評估時,AI 的表現通常不如人意。
研究發現:
不一致性: 
AI 的評估經常受到選項順序的影響。
例如:在研究一中,Claude2 在基準提示詞下的評估一致性僅為 42.2%。
偏見: 
AI 表現出系統性的偏見,例如傾向於選擇最後一個選項。在研究二中,某些模型對第二個選項的選擇頻率遠低於隨機預期的 50%。

2. 聚合評估的優勢:媲美人類專家
當研究人員將多個 LLM、不同的扮演角色(如投資人、創辦人或教授)以及多種提示詞的評估結果聚合(Aggregate)起來時,AI 的表現顯著提升:
接近專家水準: 
聚合後的 AI 排名與人類專家的排名高度趨同。
例如:在研究二中,綜合 AI 評估者與專家的相關性(Spearman correlation)高達 0.720。
優於非專家: 
AI 的聚合排名與專家的達成的一致性比人類非專家更高。
精準識別優劣: 
在研究一的 10 個行業中,綜合 AI 評估者成功選出了與專家相同的 5 個最佳商業模式和 6 個最差商業模式。

3. 提升表現的關鍵機制
AI 表現的提升主要來自於兩個效應:
規模效應(Scaling effect): 增加評估的次數。
多樣性效應(Diversity effect): 結合不同的模型、角色和提示詞。 
研究強調,在商業模式評估任務中,規模效應帶來的進步比多樣性效應更為顯著。

4. 不同角色的表現差異
在探索性分析中,研究發現不同的「AI 角色」在不同情境下與專家最為一致:
研究一(AI 生成模型) :表現最好的角色是潛在客戶、投資者和供應商。
研究二(真實創業比賽): 表現最好的角色則是行業專家、策略教授和記者。

5,總結與應用建議
與人類專家相比,單一 AI 的判斷不夠穩定且帶有偏見,但聚合後的 AI 能以較低的時間與資源成本,提供與人類專家高度相似的策略見解。

建議管理者不應依賴單一模型或單次對話,而應透過聚合跨模型、跨角色的多次評估,來輔助複雜的策略決策。


📌 匯總多個大型語言模型的評分,能否有效消除單一人工智慧評估中的偏差?

匯總多個大型語言模型(LLM)的評分,能有效減少並抵消單一人工智慧評估中的不一致性與偏差,使最終結果更接近人類專家的評估水平。

以下是根據來源整理的詳細分析:

1. 單一人工智慧評估的局限性
單一 LLM 在評估策略決策(如商業模式)時,往往表現出不一致性(inconsistency)與偏差(bias)。
不一致性:
當改變商業模式的呈現順序時,模型的評估結果可能會發生變化。
偏差:
某些模型存在系統性的偏好,例如偏好成對比較中的第一個或第二個選項(位置偏差)。

2. 匯總評估的運作機制:多樣性與規模
透過匯總(aggregation)可以利用「群體智慧」來抵消個別模型的錯誤。
這種提升效果可分解為兩個主要因素:
多樣性效果(Diversity Effect):
透過使用
  • 不同的模型(如 GPT-4、Claude、Llama)、
  • 不同的角色設定(如投資人、創辦人、策略教授)以及
  • 不同的提示詞(prompts),
可以產生多樣化的評估觀點。
當這些多樣化的預測相互抵消錯誤時,整體預測品質就會提升。
規模化效果(Scaling Effect):
增加評估的總次數。
研究顯示,規模化效果在提升準確性方面通常比多樣性效果更為顯著。

3. 匯總後的具體成效
匯總後的 AI 評估表現優異:
與專家達成高度共識:
匯總後的 AI 排名與人類專家的排名具有高度相關性。
優於非專家:
AI 匯總評估的準確度甚至高於人類非專家的表現。
準確識別優劣:
在多個產業的測試中,匯總後的 AI 能有效識別出最優與最差的商業模式。

4. 對管理實務的建議
對於尋求將生成式 AI 整合進組織的管理者,來源建議不要依賴單一模型或單一提示詞的評估。
相反地,應採取以下策略:
跨模型、跨角色評估:
匯總來自不同 LLM 和角色的輸入。
低成本獲取洞察:
這種匯總方法讓管理者能以相對較低的時間與資源投入,獲得具備策略深度的預測,並可進一步結合人類專家的輸入。

5. 總結
雖然單一 AI 的評估可能存在偏差,但透過多維度的匯總評估,可以顯著抵消這些偏差,提供具備高度參考價值的策略決策支持。

_______
資料來源:

1.AnilR.Doshi , J.JasonBell , EmilMirzayev , BartS.Vanneste (2024)

   Generative AI and Evaluating Strategic Decisions , 46:583–610,

   Strategic Management Journal 




精選文章

服務業數位轉型,需可實戰的創新方法論

專家傳真 - 服務業數位轉型 需可實戰的創新方法論, 2018 年 05 月 18 日,工商時報 https://www.chinatimes.com/newspapers/20180518000297-260202 服務業如何結合 ICT 科技,進行數位化轉型...