事件
Zest 在 2026 年 6 月推出一款餐廳發現應用，由 Alexis Ohanian 旗下 776 基金和 Kindred Ventures 支持。與傳統美食評分應用不同，Zest 不依賴用戶的主動評論、照片上傳或星級打分，而是直接接取用戶的交易數據和消費軌跡，用人工智能生成個人化的餐廳推薦。
核心反差：說與做的裂痕
傳統美食應用（Yelp、Google Maps、大眾點評）的推薦基礎是什麼？用戶的自述評價——我去過這家、我打五星、我寫了評論。但這套邏輯有一個隱藏的漏洞：
- 用戶傾向於在「特殊時刻」才評論（慶祝、踩坑、極度滿意或極度失望）
- 評論傾向於**表演性**（拍美食照上傳社群、寫得像美食作家而非真實感受）
- 用戶說「我喜歡米其林餐廳」，但實際上週三晚上吃的卻是巷口炒飯
- 評分被**互惠心理**污染（我給妳好評、期望妳也給我好評）
相比之下，交易數據是不會撒謊的信號：
- 信用卡刷卡紀錄、行動支付記錄，記錄了用戶*真的去了哪裡*、*真的花了多少*
- 駐留時間（手機定位）透露了用戶*真的在那家餐廳待了多久*
- 重複光顧的頻率，暴露了用戶*真的有多喜歡*
這不是心理學實驗、而是經濟學基本假設：人用真金白銀投票的決策，比用嘴說出來的偏好更可信。
為什麼現有應用沒這樣做？
1. 隱私紅線：接觸用戶的銀行交易數據涉及金融級隱私，美國 CCPA、歐洲 GDPR、中國《數據安全法》都有嚴格限制。Zest 能推出，說明他們找到了合規路徑（可能是用戶明確授權、或與銀行 / 支付商合作）。
2. 建立護城河難度：Yelp、Google Maps 經營了 15-20 年的用戶評論生態。它們不是不知道交易數據更準確，而是這個資產曾經不容易拿到。現在支付基礎設施成熟（Stripe、Square、Apple Pay），數據流通成為可能。
3. 推薦引擎的代際更新：傳統美食應用用的是「協同過濾」（如果妳和我評分相似、我喜歡的妳也可能喜歡）。交易數據讓推薦引擎從「品味相似度」升級到「消費模式聚類」——不只看品味、看消費決策的實際行為。
為什麼這個 atom 跨越 88 年仍有力量
1938 年，保羅·薩繆爾遜（Paul Samuelson）提出「顯示偏好理論」（Revealed Preference Theory）：一個人用行動顯示的偏好，比他說的更真實。當他花 $25 買 A、放棄 $25 買 B 時，他實際上在說「在相同成本下，我認為 A > B」。
這個理論後來成為現代經濟學和決策科學的基石。而 Zest 的創新，就是把 88 年前的學術洞察用 21 世紀的數據管道落地：
- **Spotify** 早已用「你實際聽的歌」取代「你說你喜歡的歌」來做推薦
- **Netflix** 用「看到第幾分鐘才停下」而非「妳打的星級」來評估內容質量
- **TikTok** 用「停留時間、重複觀看、分享」而非「點讚數」來做算法排序
Zest 只是把同一套邏輯應用在本地發現（local discovery）——餐廳推薦。
市場機會與風險
為什麼值得投資：
- 美食發現是高頻、高信息不對稱的場景（城市裡有幾千家餐廳、用戶永遠面臨「今晚吃什麼」）
- 交易數據推薦精度高、可以跳過冷啟動問題（傳統應用新用戶需要先評論才能看推薦；Zest 可以直接看消費軌跡）