一、官方數字：不到三年，五億月活躍用戶

Meta在2026年7月29日的第二季法說會上，執行長祖克柏（Mark Zuckerberg）說了兩句話：Threads月活躍用戶突破五億，是史上成長最快的對話型應用程式；Instagram日活躍用戶達到二十億。同一場法說會公布，Meta全家族產品的每日活躍人數為三十六億人，當季營收608億美元，年增28%。Threads在2023年7月5日上線，到2026年第二季結束為止不到三年。

1.成長的來源是承接既有的使用者基礎：Threads直接承接Instagram的帳號系統，使用者不需重新註冊，也不需重建追蹤名單。社群產品最難跨越的是冷啟動階段，也就是上線初期平台上沒有足夠的使用者可以互動，Threads略過了這個階段。

2.這個現象在管理學上有三個對應概念：

（1）互補性資產（complementary assets）：Teece指出，一項創新能否把價值留在自己手上，常取決於擁有者是否握有互補的通路、品牌與使用者基礎，而非創新本身的優劣。Threads的互補性資產就是Instagram的二十億日活躍用戶。

（2）網路外部性（network externality）：社群產品的價值隨使用人數遞增，先行者因此取得優勢，後進者則須承擔冷啟動成本。Threads以既有社交圖譜略過了這一段。

（3）轉換成本（switching cost）：既有關係可以沿用，使用者由Instagram移轉到Threads的轉換成本趨近於零；同樣的條件也讓使用者容易移轉出去。

3.成長速度與留存是兩件事：月活躍用戶指一個月內至少使用一次的人數，一個月只要打開一次就算，門檻很低。Meta公布Threads的是月活躍，公布Instagram的是日活躍，兩者口徑不同，不宜直接比較。「史上成長最快」衡量的是使用者取得速度，並未涵蓋留存。

二、台灣的數字要先更正一個錯誤

2026年上半年，一個數字在台灣被大量引用：台灣有9,486萬個Threads帳號。台灣總人口約2,300萬人，這個數字等於每個人開四個帳號。台灣事實查核中心在2026年5月4日發布第4132號查核報告（查核記者宋思彤），將它評為錯誤。

1.這個數字的算法：美國市場研究公司Resourcera以「全球月活躍用戶4.5億人」乘以「台灣佔流量21.08%」，得到9,486萬。活躍用戶計算的是人數，流量計算的是造訪或點擊次數，兩者單位不同，相乘不具統計意義。Resourcera在4月21日於Threads上承認用詞不精確，並移除該欄位。

2.同一份資料的另一個數字，問題出在涵蓋範圍：該資料顯示「台灣有66.12% 的使用者用電腦登入Threads」。Semrush向查核中心說明，其資料只涵蓋threads.com的網頁造訪，未包含手機App的使用。對一個以手機為主的年輕族群平台而言，抽樣框等於排除了最主要的使用情境。

3.這兩個錯誤對應衡量上的三個基本要求：

（1）單位一致性：兩個數字相乘之前，分子與分母的單位必須對應。人數乘以次數佔比，結果不具單位，也無從解釋。

（2）抽樣框涵蓋範圍：抽樣框就是這份資料實際抓得到的範圍。Semrush的點擊流資料取自約兩億名匿名使用者，規模很大，但抽樣框漏掉了母體中最主要的一塊；涵蓋不足時，樣本數再大也無法推論母體。

（3）資料來源的層級：Meta未公布分國別的帳號數。任何宣稱掌握台灣Threads帳號數的數字都屬於估計值，引用時必須標明。

三、Threads在台灣的位置：全體排第五，年輕人是全體的兩倍半

可以引用的官方調查是資訊工業策進會產業情報研究所在2025年12月4日發布的〈臺灣社群通訊行為調查〉。調查期間為2024年第四季，採網路調查，社群平台有效樣本1,091份，95% 信賴水準下抽樣誤差為正負3.0個百分點。

1.整體使用率：社群平台的使用率依序為YouTube 72.3%、Facebook 72.1%、Instagram 44.7%、Dcard 17.6%、Threads 17.5%、PTT 17.1%。Threads位居第五，與Dcard、PTT落在同一區間，彼此差距在抽樣誤差之內。

2.年輕人的使用率明顯比較高：18至24歲的Threads使用率為44%，25至34歲為28.4%，全體為17.5%。換成人數來看，全體每100人有17.5人使用Threads，18至24歲每100人有44人使用，後者是前者的2.5倍。本文接下來說的倍數，都是這樣算出來的：某個年齡層的使用率，除以全體的使用率。

3.使用率比較高，名次卻沒有變動：18至24歲的排序依序是Instagram的78%、YouTube的70.6%、Facebook（18至34歲約六成）、Dcard的45.9%，Threads的44% 仍居第五。Dcard由17.6% 升到45.9%，是全體的2.6倍，比Threads的2.5倍更集中在年輕人身上。把Threads定位成「Z世代專屬平台」，這份調查並不支持。

4.也有方向相反的平台：PTT在35至44歲為27.8%，高於25至34歲的24.5%。YouTube在55至65歲為79.9%，高於18至24歲的70.6%。世代分層不是社群平台的通則，而是個別平台的特徵，需逐一檢視。

5.引用這份調查時要連時點一起標註：調查期間為2024年第四季，距今將近兩年。Threads在台灣的討論熱度在2025與2026年明顯上升，實際數字可能已經更高。上述的結構性比較不受影響，但若把它當成現況數字援用，則不成立。

四、正面影響：演算法分發降低了觸及的門檻

1.分發邏輯與前一代社群不同：Facebook與早期的Instagram以社交圖譜為主，使用者接收到的主要是自己追蹤的對象。Threads上線時的預設動態是演算法推薦的「為你推薦」，追蹤動態是後來補上的選項。一則貼文能否被看見，主要取決於它取得的互動訊號，與作者的追蹤者規模關係較小。

2.這對個人形成三項條件：

（1）追蹤者數不再是觸及的前提：沒有粉絲基礎的使用者也可能因單篇內容取得大量觸及。對學生、初入職場者與微型創業者而言，這是目前成本最低的曝光管道。

（2）生產成本極低：以純文字為主，不需影片剪輯與美術設計，製作門檻遠低於Instagram與YouTube。

（3）回饋週期短：一則貼文數小時內即可觀察市場反應，等同一次免費的概念測試，在新產品開發上具有實際價值。

3.弱連結的力量：Granovetter指出，新的工作機會與新資訊多半不是經由關係親近的強連結取得，而是來自關係較弱的對象，因為強連結的資訊圈與自己高度重疊。演算法分發持續為使用者接上弱連結，這是Threads對年輕使用者最具體的正面價值。

4.高涉入帶動行為轉換：同一份資策會調查另有一項指標稱為體驗行動轉換，指使用者接觸社群內容後進一步採取行動的比例。整體為52.5%，25至34歲為60.3%，18至24歲為57.8%。年輕世代的涉入不只停在瀏覽，還延伸到行動，這是這個族群對品牌的商業價值來源。

五、負面影響：同一組設計帶來的成本

1.資訊焦慮集中在最年輕的一段：同一份調查中，18至24歲有34.9% 表示感到資訊焦慮，25至34歲為32.9%，整體為24.2%。使用率最高的一群，同時是焦慮比例最高的一群。

2.焦慮與行動集中在同一群人身上：若焦慮與行動分別出現在不同族群，尚可解釋為平台對一部分人有益、對另一部分人有害。圖二顯示兩項指標都集中在同一個年齡層，較合理的解釋是高涉入程度同時推高了這兩個數字。高轉換與高焦慮出自同一組設計，無法分開取得。

3.社會比較是目前最有證據支持的機制：Festinger的社會比較理論指出，個人透過與他人比較來評估自己，而向上比較在對象遙不可及時會損害自我評價。Braghieri、Levy與Makarin在2022年《American Economic Review》的研究把機制指向不利的社會比較：Facebook進入校園後，受影響最大的是住在校外、線下人際網絡較弱、社經地位較低的學生，也就是在比較中最容易落居下風的一群；同時學生高估了同儕的飲酒量，自身飲酒量卻未上升，顯示被改變的是認知而非行為。

4.演算法分發本身構成代理問題：

（1）平台的目標函數是互動，不是使用者福祉：能引發情緒反應的內容在互動上占優勢，爭議性與對立性內容因此被系統性放大，形成典型的目標錯置：指標取代了目標。

（2）資訊不對稱高於一般的代理關係：使用者是委託人，平台是代理人，兩者目標不一致，而使用者幾乎沒有監督工具，連自己被推薦了什麼、依據什麼被推薦都無法查核。

（3）生產工具是中性的：純文字與低製作門檻同時降低了優質與劣質內容的生產成本，決定結果的是分發規則。

5.錯誤資訊的擴散，第二節就是現成案例：一個單位錯誤的數字，在高互動、低查證成本的環境裡，幾週內即可取得既成事實的地位，而更正的擴散速度遠低於錯誤本身。這不是Threads獨有的問題，但演算法分發會放大它。

六、「社群讓年輕人變憂鬱」這句話，能支撐到什麼程度

1.三份被反覆引用的研究，採用三種設計：

（1）Orben與Przybylski（2019），《Nature Human Behaviour》第3卷：規格曲線分析，把三份大型調查資料跑過所有合理的變數組合，合計355,358人，結論是數位科技使用最多只能解釋青少年幸福感變異的0.4%，不足以支撐政策改變。

（2）Twenge、Haidt、Lozano與Cummins（2022），《Acta Psychologica》第103512號：以同一批資料重做，把自變數由「總螢幕時間」改為「社群媒體」，並分性別估計；原分析的中位數標準化係數介於負0.01到負0.04，分性別後，女生落在負0.11到負0.24。

（3）Braghieri、Levy與Makarin（2022），《American Economic Review》第112卷第11期：準實驗設計，利用Facebook在2004到2006年分批進入775所美國大學，進行一般化雙重差分，資料為美國大學健康評估2000到2008年逾43萬份回覆；結果為憂鬱盛行率上升9%、廣泛性焦慮症上升12%。

2.判讀這三份研究的三個重點：

（1）前兩份估計的是相關，不是因果：社群使用較多者心理健康較差，也可能是心理健康較差者更常使用社群，屬於典型的反向因果，橫斷面資料無法識別方向。

（2）第三份最接近因果推論：Facebook進入各校的時間與各校學生原本的心理健康狀態無關，形成近似隨機的分派，這正是雙重差分成立的識別條件。

（3）差異出自研究設計，不是資料：同一批資料改一組設定，結論就由「幾乎沒有影響」轉為「女生有明顯關聯」。這正是規格曲線分析被提出的理由：單獨報告一組設定所得的係數，本身就是一種選擇。

3.三份研究的對象都不是Threads：最接近因果推論的那一份，研究對象是2004到2006年的Facebook，當時以社交圖譜分發，沒有演算法推薦，沒有短影音，也沒有行動裝置。把它的係數直接套用到2026年的Threads，屬於外部效度不足的過度外推。

4.證據目前能支撐的範圍：社群媒體與年輕族群的心理健康之間存在關聯，在女性身上較為明顯；有一份設計嚴謹的準實驗證據支持因果方向；機制指向不利的社會比較。至於「Threads讓Z世代憂鬱」，目前沒有任何一份研究可以直接支撐，再往下推論就超出證據範圍。

七、相關的管理理論

1.互補性資產與網路外部性：解釋Threads為何能在不到三年累積五億月活躍用戶，而同期其他文字型社群做不到。考點在於：新產品的成敗常由互補性資產決定，而非產品本身的優劣。

2.弱連結的力量：解釋演算法分發對個人的正面價值。考點在於：資訊與機會的來源結構，以及組織為何需要刻意經營跨部門的弱連結。

3.社會比較理論：解釋負面心理影響的機制。考點在於：參考點的選擇如何決定主觀評價，這同時是薪酬公平性、績效評估與期望理論的共同基礎。

4.代理問題與目標錯置：解釋平台利益與使用者福祉的分歧。考點在於：當代理人的績效指標與委託人的目標不一致時，代理人會最適化指標，而非目標。

5.衡量的效度與信度：第二節的兩個錯誤數字，分別對應單位一致性與抽樣框涵蓋範圍。考點在於：採用一項指標之前，要先檢驗它的建構效度，也就是它量到的是否就是它宣稱要衡量的構念。

八、對不同角色的意義，以及三種結論

1.對學生：Threads是目前成本最低的曝光與試錯管道，值得運用。但要辨認它回饋的是互動量，而非內容品質。把互動量當成自我評價的依據，等於把參考點交給演算法設定。

2.對品牌與企業：18至24歲在這裡的使用率是整體的2.5倍，行動轉換超過五成，商業價值明確。但這個族群同時是資訊焦慮最高的一群，操作過度會一併推高反感。而Dcard的世代集中度更高，預算集中在Threads會低估Dcard的觸及。

3.對學校與教師：與其討論要不要禁止，不如把第二節與第六節直接編成教材。單位一致性、抽樣框涵蓋範圍、相關與因果的辨別，是研究所與職場都會用到的能力。

4.對平台與政策：目前沒有足以支撐全面管制的因果證據，也沒有可以宣告無害的證據。較務實的方向是要求平台揭露分國別的基本數據，讓外部研究取得可驗證的基礎。現在的困境很具體：連台灣有多少人使用Threads都沒有官方數字，政策討論只能建立在估計值上。

5.三種可能的結論，讀者可以自己選：

（1）正面大於負面：它大幅降低了年輕人取得曝光與機會的門檻，焦慮屬於高涉入的伴隨成本，而涉入程度由使用者自行決定。

（2）負面大於正面：目前最好的因果證據指向社會比較造成的心理健康損害，而演算法分發把比較對象由同儕擴大到全體使用者，強度高於Facebook時代。

（3）問題本身界定錯誤：「社群媒體好不好」沒有答案，因為社群媒體不是單一變數。能回答的問題是：哪一種使用方式、對哪一個族群、經由哪一種機制、產生多大的效果。三份研究之所以結論不同，差別正落在這四個條件上。