道歉也有公式可學?他教會Uber如何應對失誤,簡單一招比千百句對不起更有效
道歉也有公式可學?他教會Uber如何應對失誤,簡單一招比千百句對不起更有效

里斯特的實驗證明: 人都是現實的,千萬句道歉,都比不上一張折價券

如果你剛剛跟另一半大吵一架,現在正煩惱著該如何道歉,那麼有「教會Uber道歉的男人」封號的芝加哥大學經濟學教授里斯特(John August List)找出的最佳道歉法,或許就是你正在尋找的解答。

John August List
芝加哥大學經濟學教授里斯特
圖/ 維基百科

2017年的某個早晨,里斯特叫了一台Uber,準備前往芝加哥市中心參加一場會議。沒想到,Uber的APP陰錯陽差地帶了司機繞了一大圈,最後又走上往里斯特家方向的路,讓里斯特當天的行程大受影響。

更讓里斯特生氣的是,當時的Uber對此一聲不吭,連一封道歉信都沒寄。

Uber該如應對「出錯」?

當天晚上,身為Uber首席經濟學家的里斯特立刻打電話給當時的Uber執行長卡拉尼克(Travis Kalanick),劈頭直說:「這趟旅程爛透了,我再也不會用你的APP了。而且最糟糕的是,我連一句道歉都沒收到。」

讓里斯特發洩完後,卡拉尼克則說:「我想知道的是,發生這種狀況時,Uber該怎麼辦?」

Uber該怎麼做才能在一次糟糕的乘車體驗後,依然留住乘客的心?

限編輯用_Uber_Prathan Chorruangsak_Shutterstock.jpg
圖/ Shutterstock

從Uber的內部數據來看,實際抵達時間比預定抵達時間慢5分鐘以上的顧客,他們的未來花費平均會減少5%-10%。換句話說,如果能找出一個足以挽回乘客的道歉方案,Uber每年就有機會多賺好幾百萬美元回來。

找到一個挽回乘客的道歉方式 」成為里斯特的首要研究目標。

里斯特將焦點鎖定在比預估時間晚10–15分鐘抵達目的地的乘客身上。首先,里斯特的團隊擬定了4種道歉內容。每當需要寄送道歉信時,系統會先隨機選擇一種道歉內容,再隨機選擇是否附上一組5美元(折台幣約146元)折扣碼,讓乘客們下次使用。

至於Uber的道歉是否有用,則由該名乘客往後一段時間內的消費金額增減來判斷。

4種道歉內容的主旨大致如下:

  1. 不道歉

  2. 基本型道歉(Basic apology):糟糕,您的乘車時間比我們預計的還長……

  3. 陳述事實型道歉(Status apology):Uber意識到我們的預測並不準確……

  4. 附帶承諾型道歉(Commitment apology):Uber正努力改善,以便未來提供更準確的預計抵達時間……

研究過約150萬名的Uber乘客後,里斯特的團隊發現收到5美元折扣碼的乘客,接下來幾個月內的Uber花費會增加;而僅收到道歉、沒有折扣碼的乘客,往後幾個月的Uber花費會減少。

研究團隊表示,「我們最主要的發現,就是道歉本身並不能恢復企業的信譽,一組未來可供使用的折扣碼才能。」

千百句道歉比不上一組折扣碼,企業必須承擔的損失

對於這項研究,里斯特教授說道:「當企業要道歉時,關鍵是企業必須讓顧客知道『 企業為此付出真實代價 』。」

里斯特表示,若是在更廣泛、更普遍的道歉情境中,提出道歉的人承受的未必會是金錢上的損失,有時甚至會以名譽的損失呈現。

然而,「附上折扣碼」並不是百戰百勝的道歉方式。如果出現第二、第三次延誤,「附上折扣碼」反而會減少乘客的未來消費。原因在於,顧客們通常會期待每次道歉之後,Uber應該有所進步,當同樣事件再度發生,也就表示乘客的期待落空,其花費自然會隨之減少。

shutterstock_511172077_sorry.jpg
圖/ Antonio Guillem via shutterstock

社會學家眼中的最佳道歉公式

這項研究也獲得美國羅格斯大學(Rutgers University)的社會學家克魯洛(Karen Cerulo)的認可,她說道:「人們在乎的是道歉者的後悔及其付出的代價,道歉的原因、方式反倒沒那麼重要。」

「終於有人找出可以應用的道歉公式:找出誰是受害者、表現出後悔之意,承擔責任並在合理範圍內補償對方。」

責任編輯:文潔琳
本文授權轉載自:地球圖輯隊

關鍵字: #Uber
往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓