Stripe 總裁的 AI 企業經營課：工程部門衝最快，財務法務最棘手

本文整理自 Bloomberg《Odd Lots》2026 年 5 月播出的單集。

{{< youtube QhGqLqCzFac >}}

---

六個月前的資訊就是過時的

當你經營一家大型科技公司，AI 領域的變化速度讓所有傳統的規劃週期都失效了。Stripe 共同創辦人暨總裁 John Collison 在 Bloomberg Odd Lots 節目上被問到如何分配資源、如何在「利用當下機會」與「預測 24 個月後趨勢」之間取捨時，他的第一句話就是：你必須極度靈活。如果你的資訊是三個月前或六個月前的，那就已經嚴重過時了。

這不是客套話。Collison 觀察到 AI 帶出了一種「思想領導力」的衝動，每個人都想端出一套宏大的 AI 策略。但他的態度是：Stripe 現在的問題比答案多，他們邊做邊想。在他看來，面對 AI 的正確態度不是假裝你有通盤的計畫，而是承認不確定性，然後用足夠彈性的方式去適應。

不過「彈性」不代表「沒有方法」。Collison 接著分享了 Stripe 內部的真實經驗，把公司拆成三個領域來看 AI 的導入進度：工程（R&D）、業務（Go-to-market）、以及行政職能（G&A，包含法務、財務、風控）。三者的情況截然不同。

工程：自我改進的飛輪

工程團隊是 AI 導入最快的部門，而且速度還在加速。原因很直觀：工程師天生就對工具著迷。任何稍微有自尊心的工程師，都會積極擁抱能讓自己更快完成工作的新工具。Collison 說在 Stripe，幾乎沒有 AI 的「落後者」出現在工程團隊裡。

更關鍵的是，這形成了一個自我改進的循環。工程師日常寫程式碼、修 bug、做部署，同時他們也在思考「我要怎麼用 AI 讓這個流程更自動化？」結果就是，Stripe 內部有大量的 bug 已經不需要任何人打開編輯器就能修好。工程師看到一個 bug，按下介面上的「修復此 bug」按鈕，整個診斷和修復過程由 AI 代理完成。這不是概念驗證，而是日常運作的一部分。

這個飛輪之所以轉得快，是因為 AI 最擅長的事情恰好就是寫程式碼。程式碼是結構化的、有明確正確答案的、可以自動驗證的。當你的工作本質跟 AI 的能力完美匹配時，採用的阻力幾乎為零。

業務：可量化，所以能推動

Stripe 的業務（銷售）團隊也積極擁抱 AI，但推動力來自不同的地方。Collison 指出，業務是整個公司裡「最可量化」的部門。你能精確衡量一個業務人員帶來多少營收、轉換率多少、客戶回應速度多少。這種可量化的特性讓 AI 的效果立刻可見。

Stripe 的業務團隊現在大量使用 AI 來加速客戶溝通、準備提案、分析客戶需求。Collison 表示他無法把生產力的提升完全歸因於 AI（因為同時有其他變數），但數字確實很漂亮。當你能看到生產力指標明確提升時，推動 AI 採用就不需要強制命令，團隊會自發地擁抱。

相比之下，對工程師或律師的生產力進行量化就困難得多。Collison 提到了 Goodhart's Law（古德哈特定律）：當一個指標變成目標時，它就不再是好的指標了。你很難用任何單一數字來衡量一個工程師或律師的產出品質，因為那些數字太容易被操弄。但業務的核心指標（營收）是很難造假的，這讓 AI 的投資報酬率更容易被證明。

法務、財務：最棘手的領域

如果工程和業務是 AI 的「順風局」，那法務和財務就是「逆風局」。Collison 坦言這是他覺得最難搞的部門，原因有兩層。

第一層是基礎設施問題。財務和法務部門的資料過去被嚴密鎖起來，存取權限控管極其嚴格，這是有充分理由的。但 AI 要發揮作用，就必須能存取這些資料。Stripe 花了大量工程資源，把內部財務資料整理成 AI 可用的格式，同時維持適當的權限管控。這不是裝個 AI 工具就能解決的事，而是需要認真的基礎建設投資。

第二層更根本：AI 模型在數字上非常不可靠。Collison 用「innumerate」（不識數）這個詞來形容。模型能幫你建出一張漂亮的試算表，格式完美、公式看起來合理。但你仔細檢查數字，會發現跑到一半就開始出錯。它能處理文字邏輯、能理解公開的稅法和法規，但碰到 Stripe 內部的具體財務資料和數值運算，就顯得不太行。

Collison 稱之為需要正確的「AI 精神病劑量」：你必須真心相信模型的能力，但也必須願意面對它的限制。知道哪些任務 AI 做得好、哪些做不好，這個判斷力本身就是一種稀缺能力。如果你完全不信 AI，就會錯過巨大的效率提升；如果你盲目信任，把財務報表交給 AI 自動產生卻不仔細驗算，那後果可能很嚴重。

智慧爆發帶來的創業活力

Collison 把視角拉到 Stripe 平台的全局數據時，透露了一個驚人的數字：2026 年第一季，Stripe 上的新企業建立數量年增 71%。這不是 Stripe 自身業務的自然增長能解釋的成長率，而是反映了一波真實的創業潮。App Store 的新應用上架數也出現類似的加速，這是多年平坦之後的突然陡升。

Collison 的解釋是：AI 工具降低了創業門檻。如果你在一家大公司工作，覺得公司做事的方式很蠢、你能做得更好，現在跳出來自己做的門檻確實更低了。你可以「招募」AI 的智慧來彌補團隊人力的不足，一個人加上 AI 代理能做到過去需要五個人的事情。

他進一步引用了 Coase 定理的思維框架。經濟學家 Ronald Coase 提出企業存在的原因是「交易成本」：當協調外部供應商的成本太高時，你會選擇把事情放在公司內部做。但如果 AI 大幅降低了公司之間的協調成本，那你可能會看到更多小型、專精的公司出現，每家做好一件事，然後彼此串聯。企業的最佳規模可能會縮小，但企業的數量會大幅增加。

我的觀察

Collison 對三個部門的分析非常務實。我自己的觀察也相符：文字型工作（寫程式、寫報告、做研究）AI 上手最快；數字型工作（財務模型、精確計算）反而是 AI 最容易出包的地方。很多企業主管對 AI 的期待是「它什麼都能做」，但 Collison 提醒了一個重要的事實：AI 擅長程式碼和文字，對數字卻經常搞錯。這個認知落差，可能是企業 AI 導入失敗最常見的原因之一。

至於 71% 的新創成長數字，這跟我們在臺灣看到的趨勢也吻合。越來越多人用 AI 工具在週末就把一個 MVP 做出來、丟上線，試一試市場反應。創業的「最小可行投入」正在急劇下降。這對大公司來說其實是一個警訊：你的競爭者可能不再需要融 500 萬美金才能做出能跟你競爭的產品。一個人加上 AI，可能就夠了。