你不是業務員，你是『機構的信任中介』——Edelman 2026 信任度調查揭露：57% 的人會因為一個信任的人，重新相信一家原本不信任的金融公司
如果你是保險業務員或理財顧問，你大概聽過這句話超過一百次：「公司品牌不夠響，我們很難跟客戶開口。」 Edelman 2026 全球信任度調查（2026 年 1 月發布）用 26 年的研究告訴你一件事：**這個邏輯是反的。**在信任崩盤的 2026 年，不是「機構的品牌」決定客戶要不要信任業務員，而是「業務員這個人」決定客戶要不要相信他背後的機構。 調查訪問了 28 個國家、超過 33,000 名受訪者，主題叫做「Retreat into Insularity」（信任退回小圈圈）。三個數字直接把「個人品牌」這題從選修變成必修：金融服務業整體信任度只剩 63%，比去年再掉 1%，是被調查的所有產業裡墊底的那群。 **44% 的人信任「財經網紅」（financial influencer）**知道該怎麼處理自己的錢。 在這 44% 裡，57% 的人說：如果一位他信任的財經網紅替一家他原本不信任的金融服務公司背書，他會重新考慮相信那家公司。換算下來，全市場大約有 25% 的人——四個人裡就有一個——是「個人可以替機構翻盤」的活體案例。這是一個業務員從來沒有過的定價權。 Richard Edelman：用 26 年信任度調查證明「人比機構可信」這件事 Edelman 公司是全球最大的公關集團之一，從 2001 年開始每年發布信任度調查報告，是業界拿來判讀「人們現在到底相信誰」的標準工具。CEO Richard Edelman 在 2026 年 1 月的官方部落格 Insularity—The Next Crisis of Trust 裡，把這幾年信任的崩塌軌跡濃縮成一句話："Over the past five years, we have seen a descent from fear to polarization to grievance and now to insularity." （過去五年，我們看到信任從恐懼一路滑落到極化，再到怨懟，現在則是退回封閉小圈圈。）「退回小圈圈」是這份報告的核心發現。當人們不再相信「外面的世界」，他們會把信任收攏到「我自己這一圈」：My CEO（我的老闆）：66% My fellow citizens（我的同胞）：64% My neighbors（我的鄰居）：64%而在另一端：信任「國家政府領導人」掉了 16 個百分點，信任「主流媒體」掉了 11 個百分點。同時，**70% 的受訪者表示他們不願意、或猶豫去信任一個跟自己價值觀不同的人。**將近七成的人覺得，制度性的領導者是在故意誤導他們。 這就是業務員的新世界：客戶不是不信任你，是不信任「機構」這個東西本身。 「信任退回小圈圈」框架：當機構失靈，個人就是新的可信邊界 Edelman 從這份數據導出的核心策略，叫做 Trust Brokering（信任中介）。Edelman Smithfield 給金融業的解讀很直接：當市場整體不信任機構（金融業 63% 的信任度，已經跟政府差不多），機構自己再花錢做廣告、發年報、辦記者會，邊際效益是負的。 唯一的解法是：透過「在某個小圈圈裡已經被信任」的個人，把信任搬運到機構身上。 這跟很多業務員的直覺剛好相反。多數人以為的劇本是這樣：「我代表 ○○ 人壽，這是一家上市公司，全台第三大⋯⋯所以你可以放心。」機構先建立信任，然後業務員去借用機構的信任。 但 2026 年的數據告訴你，這個劇本已經壞了。新的劇本是：「我是 ○○，我做這行 12 年，我幫過你同事 ABC、你大樓鄰居 DEF 處理過理賠⋯⋯。我現在合作的公司是 ○○ 人壽，我選他們是因為⋯⋯」**業務員先建立信任，然後業務員把信任借給機構。**那 57% 的人——你個人信用足夠好的時候，會替你身後的整家公司翻盤。 這也是為什麼 Richard Edelman 在報告裡反覆強調一個詞叫「My Employer（我的雇主）」。在所有機構類別裡，員工對「我的雇主」信任度最高，達 78%，比整體企業的 64% 多 14 分。員工是雇主的「人形端點」，對外承擔信任傳遞的責任。同樣的邏輯放回業務員身上：你就是那個機構的「人形端點」。 拆解三個槓桿：怎麼當客戶眼中的「信任中介」（Trust Broker） 槓桿一：把自己當「機構的人形端點」（Human Endpoint） 做法： 在跟客戶溝通時，停止用「我們公司」當主語，改用「我」當主語。 這不是話術問題，這是「信任傳遞方向」的問題。 舊版（機構優先，2018 年管用、2026 年不管用）：「我們 ○○ 人壽是台灣前三大壽險公司，理賠速度業界最快，所以我推薦這張保單給您⋯⋯」新版（個人優先，2026 年管用）：「我做這行 12 年，賣過大概 800 張保單。這張我自己幫太太買了，我會推給您是因為⋯⋯。我選 ○○ 人壽合作，是因為他們的理賠流程在我經手過的客戶裡，平均比 X 公司快兩週。」**關鍵差異：在第一個版本裡，機構在替你背書；在第二個版本裡，是你在替機構背書。**Edelman 的數據說，2026 年的客戶買的是後者。 槓桿二：用「我的客戶」取代「我的公司」做社會證明（Social Proof Replacement） 做法： 把「公司有 200 萬保戶」這種機構統計，全部翻譯成「我服務過的具體案例」。 Richard Edelman 在報告裡有一句話特別值得業務員背下來："Trust is increasingly concentrated among those closest to us." （信任正越來越集中在那些離我們最近的人身上。）「最近的人」是什麼意思？對客戶來說，「同公司的同事」比「上市公司董事長」近，「同社區的鄰居」比「百萬保戶」近，「跟我同年齡同收入的張先生」比「全台前三大壽險公司」近。 這代表你在介紹自己時，「我們公司有 X 萬保戶」這種數字基本上是廢話。但「我手上現在有 47 個跟您同產業的客戶，去年其中 3 位申請過理賠，我可以講一下他們的經驗」這種句子，會直接打中那 57% 的人。 具體可以怎麼做？ 對話範例： 客戶：「○○ 人壽，我沒聽過耶。」 舊版回應：「○○ 人壽是 1962 年成立的，台灣第八大⋯⋯」（機構先背書，然後你才有資格出場） 新版回應：「對，他們不是路上看板會出現的那種。我會選他們合作，是因為我前年有個客戶——一個 38 歲的工程師，跟您年紀差不多——突然中風，他在 ○○ 那邊申請失能扶助，從送件到第一筆款項入帳花了 16 天。我經手過六、七家公司的同類型理賠，這個速度是前段班。所以您聽過或沒聽過不重要，我聽過，而且我自己用過。」 第二個版本裡，機構的可信度，是從業務員身上「滲透」過去的。 槓桿三：找出那 7 個會替你「向他的小圈圈傳信任」的客戶（Insularity Multipliers） 做法： 不要追求「廣度」（讓全市場知道你），追求「深度」（讓某幾個小圈圈完全信任你）。 Edelman 的「退回小圈圈」框架最殘酷的一個推論是：廣告失效了，但「圈內人說」沒失效，而且效果反而更強。 70% 的人不信任跟自己不同的人，反過來說也成立——他們對「跟自己同一圈」的人，信任度是不成比例地高。 這意味著你不需要 100 個客戶都當你的免費業務，你需要的是 7 個處在不同小圈圈核心位置的客戶：一個科技業中階主管，他的小圈圈是工程師同事 一個診所醫師，她的小圈圈是同期醫學院同學 一個某大樓委員會主委，他的小圈圈是整棟住戶 一個學校家長會委員，她的小圈圈是同學家長 ⋯⋯對這 7 個人，你提供的服務密度要高到不合理——主動回報、提早預警、無償諮詢。讓他們在自己的小圈圈裡，遇到「保險／理財」這個話題時，第一個跳出來的名字就是你。 這不是「請客戶幫你介紹」這麼業務化的動作。Edelman 數據說的是，他們會自然而然地推薦你，因為在他們的圈子裡，他們就是「那個懂這件事的人」，而你是他們唯一信任過的「金融側」窗口。 那 57% 的數字，就是這樣一個一個小圈圈展開的。📎 想看完整脈絡，可以直接讀 Edelman 2026 Trust Barometer 官方主頁，裡面有 28 國的分國數據、信任崩盤的五年軌跡圖，以及「我的雇主」為什麼變成最重要的信任機構這個更大的命題。Richard Edelman 自己寫的 Insularity—The Next Crisis of Trust 是值得讀的版本，他從「恐懼 → 極化 → 怨懟 → 退回小圈圈」的時序講起，比新聞稿更有層次。如果你想看更具體的金融業切角，BClear 的解讀把 2024 年英國金融促銷被監管下架近兩萬則（年增 97.5%）的背景一起放進來，解釋了為什麼「機構說話」在 2026 年的可信度只會繼續探底。
保險業務員的下一個對手不是同業：Sequoia 押 4200 萬美金給 AI 經紀人 WithCoverage，已搶走 700 家美國公司
3 月初，Sequoia 倫敦辦公室合夥人 Julien Bek 在自家網站貼出一篇 《Services: The New Software》。一句話的核心主張：「下一個 1 兆美金的公司，會是一家『偽裝成服務業』的軟體公司。」這篇文章在 X 上拿到接近 300 萬次瀏覽，Fortune 在 4 月 21 日專文放大後，徹底成為矽谷這個月最被反覆討論的論點之一。 對所有靠中介費吃飯的人——保險經紀、房仲、財務顧問、會計師、律師——這篇文章值得花一個小時逐字讀。因為它不是預測 AI 會幫你做什麼，而是在跟你的客戶解釋：你那一行的整個商業模式，可以被替換成什麼樣子。 Julien Bek 的「Services is the New Software」：為什麼 6 倍的市場是新獵物 Bek 的論點建立在一個經濟結構上的觀察：每花一美金在軟體，企業就要花六美金在人力服務。"For every dollar spent on software, six are spent on services." （每花一美元在軟體，就花六美元在服務上。）過去二十年，矽谷把巨大的價值灌進那「一」美金的軟體市場——從 SaaS 到雲端到 LLM API。但那六美金的服務市場，因為勞動成本太高、利潤被人力吃掉，過去 VC 不會真的去碰。 Bek 的判斷是：AI 把交付服務的邊際成本砍到接近零，這六倍的市場第一次變成「可被軟體公司吞下」的獵物。所以下一個兆美金公司不會賣訂閱、不會賣 token，會直接賣「客戶原本花錢請人做的那件事」——但用一小群人加上一堆 AI 去交付。"The next $1T company will be a software company masquerading as a services firm." （下一個一兆美金公司，會是一家偽裝成服務業的軟體公司。）這句話的關鍵字是「masquerading as」。從財務報表上看，這家公司會被歸類為服務業；但骨子裡的成本結構、毛利率、規模化方式，全部是軟體公司的玩法。 Copilot 賣工具，Autopilot 賣工作：兩種 AI 公司的本質差別 Bek 的第二個重要切割，是把 AI 公司分成兩種："A copilot sells the tool. An autopilot sells the work." （Copilot 賣的是工具。Autopilot 賣的是工作本身。）Copilot 模式：你還是請了一個律師、一個經紀人、一個顧問，但他們現在配備了 AI 工具，效率變高。客戶付的還是專業人士的工資，AI 幫專業人士節省時間，價值大部分留在那個專業人士身上。 Autopilot 模式：客戶付錢給一家公司，這家公司直接交付完成的成果——可能是一份談判完的合約、一個重新組好的保單、一份財報，過程中誰用 AI、誰是人類，客戶不在乎。價值留在公司本身，不留在某個專業人士身上。 Bek 認為 2025 年最快成長的 AI 公司多半是 Copilot；2026 年的競爭主軸會切換到 Autopilot。原因很現實：Copilot 的天花板就是它服務的那個專業人士的薪水，而 Autopilot 直接吃掉整個職位的預算。 Intelligence vs Judgement：哪些工作最先會被 Autopilot 吃掉 Bek 在文章裡又給了一個更有用的工具：把工作切成「智力（intelligence）」和「判斷力（judgement）」兩個維度。"Writing code is mostly intelligence. Knowing what to build next is judgement." （寫程式主要靠智力。知道下一個要做什麼，靠的是判斷力。）智力型工作有相對清楚的對錯——寫程式、做數學、查法條、比對保單條款。判斷力型工作沒有標準答案——要不要 push 客戶現在簽、這個案子值不值得接、客戶心裡真正擔心的是什麼。 Bek 給 AI-native 新創畫的甜蜜點很具體：已經被外包出去的工作 + 智力含量重 + 判斷力含量輕。 「已經被外包出去」很重要——因為這意味客戶心理上已經接受「我自己不做、付錢請別人做」。剩下的問題只是：付錢給誰、用什麼形式付。 「智力重判斷輕」也很重要——這是 AI 目前真正打得贏的場景。律師閱讀一千頁併購文件找風險點？AI 強。律師判斷這次合併該不該做？AI 弱。 把保險經紀的工作攤開來看就會冷汗。傳統經紀人 80% 的時間做的是：閱讀保單條款、比較不同保險公司的方案、跑詢價、整理風險清單、跟核保溝通。這些幾乎都是「智力重、判斷輕」的工作，還已經是被外包出去的。剩下 20% 真正需要判斷力的——客戶到底擔心什麼、什麼樣的保障結構符合他這階段的人生風險——其實才是 broker 的真正壁壘。 問題是現在很多經紀人連那 20% 都沒在做。 WithCoverage 拆解：當 broker 被換成「扁平費 + AI 政策掃描」會發生什麼 Bek 文章裡最具體的案例就是 WithCoverage。這家公司今年 1 月 14 日剛拿到 Sequoia 跟 Khosla 共同領投的 $42M B 輪。創辦人是 Opendoor 共同創辦人 JD Ross 跟前 Compound 早期成員 Max Brenner。 Ross 在 X 上的自介寫得很直白：「我上一家公司取代了房仲。今天我這家公司 WithCoverage 拿了 4,200 萬美金，要取代保險經紀人。」 WithCoverage 的商業模式有三個改變： 第一，計費方式從佣金改成扁平費。 傳統 broker 拿保費的百分比，所以 broker 的利益跟客戶相反——保費越高、broker 賺越多。WithCoverage 直接收一筆透明的服務費，跟保費脫鉤。 第二，用 AI 做政策掃描。 AI 引擎會自動讀完保單，找出條款裡的陷阱、保障缺口、跟市場標準不一致的地方，然後丟到幾十家保險公司之間做競標，最後給客戶一份逐條的風險拆解。 第三，人類專家負責真正需要判斷力的部分。 Bek 在 Fortune 的訪談裡用一個數字描述這件事的槓桿："[A customer] paid $100 for a service, but you offer them the same service for $80, but you can still do it at a high gross margin because you're using a lot of AI to deliver that service." （客戶原本付 100 美金買一個服務，你只收他 80 美金，但因為大部分交付靠 AI，你還能維持很高的毛利。）效果是什麼？根據 The Insurer 跟 Crowdfund Insider 的報導，WithCoverage 已經服務超過 700 家美國公司，包含 GoPuff、Eight Sleep、Blank Street、Hungryroot、Thirty Madison。其中 Hungryroot 一年省下 30 萬美金，Thirty Madison 省下 20 萬美金以上。Bek 給的形容更殘酷：「每個 WithCoverage 的人類專家，能服務的公司是傳統 broker 的 10 倍。」 讓我們把這個 10 倍翻譯成台灣業務員聽得懂的版本：你今天能服務 80 個客戶，明天 AI 加一個業務助理可以服務 800 個。如果這 800 個客戶的服務品質跟你那 80 個一樣好，甚至更好——你的客戶為什麼要繼續用 8 倍的價格找你？ 不是所有 broker 都會被取代：Bek 自己沒講出來的反作用力 Fortune 在文章後段也誠實列出這個論點的幾個破口： 第一，AI 推論成本還在漲，毛利不一定能撐。第二，企業客戶的 GTM（get-to-market）成本沒有解決——說服一家公司換掉用了十年的保險經紀，靠的是信任，不是 AI 比較會找條款漏洞。第三，受監管行業的客戶關係沒辦法在內部化，例如稅務、財務審計，法規本身就要求外部第三方。 最後這一點特別重要。在台灣，很多保險、財務、會計的業務環節，「責任歸屬」是綁在某個自然人身上的——你必須有一個有牌照的真人簽名負責。AI 公司目前還沒辦法承擔這個責任。這是台灣中介人最後一條護城河。 但護城河跟價值不能畫等號。如果你的價值停留在「我是有牌照的人，所以你必須透過我簽」，那你就是個收件中心；只要 AI 公司願意找一個牌照人來蓋章，你就被取代了。 如果你的價值是「我真的懂這個客戶、我真的在幫他想長期問題、我真的能在他結婚生子換工作的時候第一時間調整他的保障結構」——那這篇文章對你是利多。因為 WithCoverage 模式正好幫你把「找漏洞、跑詢價、整理表格」這些低判斷力的雜事自動化掉，讓你終於有時間做你最值錢的那 20%。 Bek 的論點往極端推：再過幾年，市面上只會剩兩種收費方式被客戶接受。一種是 Autopilot 公司，用六分之一的成本交付完成的工作成果。另一種是判斷力的提供者，價格更高、人數更少、但客戶願意付——因為那個判斷力是 AI 給不了的。 中間那個夾層——只是把表格從一個地方搬到另一個地方的「中介人」——會被擠掉。Sequoia 已經押了 4,200 萬美金在這個論點上。問題不是它會不會發生，是發生在你客戶頭上的時候，你正在做的是哪一邊的工作。📎 想看 Bek 完整的論點，可以直接讀 Sequoia 原文，他在文章裡點名了 20 多家 AI 原生新創（Harper、Rillet、Anterior、Crosby、Lawhive 等），並用一張矩陣圖把每家公司放在 Intelligence-Judgement 的座標上，能看到這個論點具體被押在哪些垂直行業。Fortune 的那篇報導額外整理了反方意見，包含 AI 推論成本、enterprise GTM、客戶關係慣性等幾個論點還沒解決的破口，值得對照著看。
客戶用便宜 AI 比保單，吃虧 12% 卻覺得『一樣公平』：Anthropic 最新實驗，揭開保險業務員 2026 的新破口
過去幾個月，我們在 Finfo Insights 連續寫了好幾篇關於「客戶開始用 AI 幫自己做財務決策」的文章——Princeton 的研究發現 61% 的人會被 AI 暗中引導；Insurify 變成了 ChatGPT 第一個保險通路；HubSpot 實測 證實 AI 引擎引用的不是你的 Facebook；Ezra Group 則直接點名「全方位顧問」是話術，因為客戶把報稅單丟進 ChatGPT 90 秒就拿到答案了。 這一連串的訊號都在說同一件事：客戶會用 AI 來幫自己做決定。 但 2026 年 4 月 24 日，Anthropic 官方部落格丟出的「Project Deal」實驗報告把這個討論推到了下一層——問題不在「客戶會不會用 AI」，而在「客戶用的是哪一支 AI、那支 AI 會讓他在哪裡吃虧、而他自己根本不知道」。 Anthropic 的 Project Deal：69 個員工、186 筆交易，AI 自己談、自己成交 2025 年 12 月，Anthropic 在自家舊金山辦公室開了一個內部的 Slack 二手市場——但這個市場有個怪規則：全程禁止人類介入。 每一位員工授權自己的 Claude 代理人去逛市場、聯繫對方的代理人、出價、還價、成交。每人帳戶有 $100 美元的預算（換成等值的 gift card 結算），唯一的人類動作只有一個：在實驗開始前接受 Claude 的「採訪」，告訴它你想賣什麼、想買什麼。 一週後的數字：69 個 AI 代理人 超過 500 件商品上架 成交 186 筆交易 總交易額略超過 $4,000 美元 單品中位數 $12，平均 $20.05這部分不算意外。Anthropic 用一句話形容：「we were struck by how well Project Deal worked」（我們對 Project Deal 運作得這麼好感到驚訝）。AI 代理人會主動發現匹配機會、會用自然語言談判、會折衷、會成交。其中一個員工的代理人甚至幫主人約成了一場「遛狗約會」——後來真人和狗真的依約出現。 但實驗真正可怕的部分，是 Anthropic 同步跑的對照組。 「隱形不平等」（Invisible Inequality）：用 Haiku 的人多花 12%，卻給 4.06 的公平評分 Anthropic 同時跑了四個平行的市場版本：Run A 和 Run D：所有人都用 Claude Opus 4.5（當時的旗艦模型） Run B 和 Run C：每個人有 50/50 的機率被分配到 Opus 4.5 或 Claude Haiku 4.5（最小、最便宜的模型）員工不知道自己被分到哪一組。實驗結束、收完問卷之後，才告訴大家哪個 Run 是「真的」會結算的。 結果（根據 the-decoder 的整理）：同一件商品 用 Opus 賣 用 Haiku 賣一顆實驗室培育紅寶石 $65 $35一台壞掉的折疊腳踏車 $65 $38跨 161 件被多次成交的商品平均下來：賣方用 Opus 比用 Haiku 多賺 $2.68／件 買方用 Opus 比用 Haiku 少花 $2.45／件 用 Opus 的人平均多成交 2.07 筆換算下來，用便宜模型的那一邊，每件交易大約多花了 12%。在一個總值 $4,000 美元的小市場裡，這已經是好幾百塊的差距。 但這還不是最詭異的地方。 最詭異的是 Anthropic 在事後問所有參與者：「你覺得自己這週的交易公平嗎？」（1–7 分制）用 Opus 的人：4.05 分 用 Haiku 的人：4.06 分"Participants with Haiku agents rated the fairness of their deals almost the same as Opus users: 4.06 versus 4.05 on the fairness scale." （用 Haiku 代理人的參與者，給自己交易的公平性評分幾乎和 Opus 使用者一樣：4.06 對 4.05。）吃虧的人完全沒意識到自己吃虧。Anthropic 把這個現象命名為 「invisible inequality」（隱形不平等），並在報告中寫了一段值得每個業務員逐字讀一次的警告："The policy and legal frameworks around AI models that transact on our behalf simply don't exist yet." （目前還沒有任何政策或法律框架，在規範替我們做交易的 AI 模型。）這句話在 2026 年的金融與保險業，份量比看起來還重。因為當客戶開始用 AI 比較顧問、比較產品、比較條款的時候，他用的那一支 AI——是 ChatGPT 的免費版？Plus？Perplexity？Claude？某家券商埋在 App 裡的「智能助理」？——會直接決定他被推薦什麼、被略過什麼、被勸住什麼。而他不會知道。他甚至會給這個過程打 4.06 分。 三個業務員必須開始問的問題（取代「客戶懂不懂 AI」） 過去兩年大家在問「客戶懂不懂 AI」、「業務員會不會用 AI」。Project Deal 的數據在說：這兩個問題已經過時了。 下一階段真正重要的問題只有三個。 第一個問題：客戶用的是哪一支 AI？（Model Tiering） 做法： 在第一次接觸或回訪時，自然地問一句：「你最近做這類功課的時候，習慣用哪個 AI 工具？」 過去你問客戶「你都看哪一台財經節目？」是為了知道他被誰影響。現在，這個問題的 2026 年版本是「你都用哪一支 AI 做功課？」 差別在於——電視台只有那幾家，但 AI 模型背後的層級差距，比 CNBC 和地方台還大。一個用 Perplexity Pro 的客戶、一個用 ChatGPT Plus 的客戶、一個用免費版 Gemini 的客戶——你面對的，是三個拿到不同情報的人。 實際對話可能是這樣：你：「最近很多客戶會先丟一些問題給 AI 再來找我聊，我滿好奇的，您平常用哪一個？」 客戶：「ChatGPT 啊，免費的那個。」 你：「了解。那我等下回答的時候，會特別跟您說明 AI 通常會漏掉的那幾塊，因為免費版的資料截止到去年某個月，最近這半年的法規變動它接不到。」你沒有貶低 AI，你給自己一個合法的位置：「補資訊缺口的人」。 第二個問題：那支 AI 會在哪裡漏看？（Blind Spot Mapping） 做法： 對每一支主流 AI 工具，建立你自己的「漏看地圖」——它的訓練截止日是什麼時候、它對你產業的哪些術語會搞錯、它會推薦什麼給沒有專業背景的人。 Project Deal 給我們的最重要訊號是：AI 的劣勢不是隨機的，是系統性的。Haiku 不是「有時候賣便宜」，它是穩定地比 Opus 賣便宜——所以「壞掉的折疊腳踏車」這種利基商品差距最大（$38 vs. $65，差 71%）。 這套邏輯搬到金融保險：免費 AI 對「主流產品比較」做得不錯，但對冷門商品、稅務優化、跨境結構、年金 vs. ETF 的長期模擬、保單條款的灰色地帶——它會給出「看起來合理、但不夠細」的答案。客戶不會知道，因為他打開 ChatGPT 之前，根本不知道要問什麼。 你的工作從「賣產品」變成「畫出他自己看不見的地圖」。 第三個問題：你能把「補上 AI 漏看的」變成新賣點嗎？（Insight Arbitrage） 做法： 不要再強調「我比 AI 強」，要強調「我看到 AI 沒看到的那一塊」。 Anthropic 在報告最後寫了一句很微妙的話：用 Haiku 的人「objectively」拿到比較差的條件，但「subjectively」覺得很公平。這個落差，就是 2026 年業務員真正的市場機會。 因為客戶不會自己發現這個落差。他會以為 AI 給他的就是最好的。除非——有人幫他把「對照組」攤開來。 你的開場白可以變成：「您剛剛用 ChatGPT 查到的這個年金方案，數字本身沒錯。但有兩件事它一定不會主動講：第一是 [具體的稅務細節]，第二是 [具體的解約條款]。我們等下花十分鐘把這兩塊看一下，如果看完您覺得 AI 給的版本還是更好，那我支持您買 AI 推薦的那個。」這個姿態做對的時候很強。因為你不是在跟 AI 競爭，你是在跟「客戶以為自己已經研究完了」競爭——而那個 4.06 分，就是你的破口。Project Deal 的 187 筆交易只是一場為期一週、總額 $4,000 美元的辦公室實驗。但它揭開的是一個更大的問題：當每個人都在用 AI 替自己做決定，用錯 AI 的代價不會以「我覺得吃虧」的形式出現——它會以「我覺得很公平」的形式靜悄悄地累積。 對保險與金融業務員來說，這個訊號比任何一份「AI 會不會取代你」的報告都實在。AI 不是你的對手，AI 的等級差距才是你的市場——而且這個市場正在快速放大。📎 Anthropic 在原始報告裡還公開了完整的實驗方法、survey 題目和模型 prompt，包括他們嘗試讓 Claude 扮演「氣急敗壞的牛仔」式的強硬談判者（結論：人格設定對成交價幾乎沒有統計顯著影響）、員工指示自己的代理人「買禮物送 Claude」最後 AI 真的買了 19 顆乒乓球的趣事，還有一段針對 jailbreaking、prompt injection、和「AI 代理人經濟可能複製或加劇現有貧富差距」的政策建議。如果你的客戶開始用 AI 比較顧問，那篇原文值得逐字讀一次。TechCrunch 和 The Decoder 對「隱形不平等」的延伸討論也補了不少 Anthropic 自己沒明說的應用場景。
哈佛商業評論最新警告：你用 AI 省下的每一個小時，可能正在悄悄摧毀你最值錢的業務判斷力
2026 年 4 月，《哈佛商業評論》刊出了一篇我看完之後忍不住重讀好幾次的文章——《Don't Let AI Destroy the Skills That Make Your Company Competitive》。標題直白到刺耳：別讓 AI 摧毀你公司之所以有競爭力的那些技能。 這個訊號很值得停下來想一下。在所有人都在比誰用 AI 用得更兇、誰的工作流自動化得更徹底的此刻，HBR 卻把一個反方向的問題擺到桌面上：你以為自己在加速，其實可能正在掏空自己。 Kenny 和 Pogrebna：把 AI 風險講得最清楚的一組搭檔 兩位作者的組合很有意思。 Graham Kenny 是 Strategic Factors 的 CEO，也是澳洲唯一一位長期固定在 HBR 撰稿的策略管理顧問。他長期關注一個問題：為什麼企業的「新策略」總是長得跟舊策略一樣？ Ganna Pogrebna 則是雪梨大學商學院的行為商業分析教授，同時擔任英國 Alan Turing Institute 行為資料科學線的主導人。她的研究主題是「人在不確定性下的決策」——也就是 AI 永遠無法真正取代的那一塊。 一個從策略管理切入，一個從行為決策科學切入，兩個人在這篇文章裡合力指出一件事：AI 被包裝成「生產力加乘器」，但用錯了，會把公司的個性殺死。 「AI practice」的核心邏輯：你正在用「效率」交換你最值錢的東西 文章一開場就丟出一句很重的話："AI can kill the individual DNA of an organization by cleaving to the generic standard." （AI 會把一家組織的個性 DNA 殺死，因為它總是朝向通用標準靠攏。）接著作者用一組對比把整個論點壓到了一個句子裡："More automated, yet less adaptive; more data-driven, yet less wise; more efficient, yet less legitimate in the eyes of employees and customers." （更自動化，但更不靈活；更倚賴數據，但更不睿智；更有效率，但在員工和顧客眼中更沒有正當性。）這裡的關鍵詞是「正當性」。當員工和客戶都隱約知道「這個建議是 AI 跑出來的」，整個組織的權威感、可信度、與人味道，會以一種你看不到的速度蒸發。 Kenny 和 Pogrebna 的解方是建立一套刻意的「AI practice」——不是「AI 使用守則」這種公司公告等級的東西，而是每一個專業工作者要在自己腦中跑的一套日常規矩：哪些任務該繼續用自己的腦子處理，哪些才交給 AI。下面是他們列出的三個紅旗。 紅旗一：判斷力外包（Skill Atrophy）——你以為自己變強了，其實是 AI 變強 第一個風險最直觀，也最容易被輕忽：員工因為什麼都丟給 AI，反而沒有機會練到自己的判斷力。 這個現象 Pogrebna 在 2026 年 2 月 European Leadership Network 的一份報告中講得更狠。她的結論是「Decision independence is disappearing」——決策的獨立性正在消失。 聽起來很抽象。換成具體場景就是：以前一個業務員拿到客戶的資料，會花 20 分鐘把客戶的人生階段、現金流壓力、潛在保障缺口一點一點推一遍，然後形成一個「我覺得這個客戶適合 X 商品」的直覺。現在他把資料貼進去，AI 30 秒給他一份 80 分的提案，他改兩個字就拿去談。 問題是，那 20 分鐘的推導，本身就是在訓練「讀客戶」的肌肉。你少做一次，肌肉就少練一次。一年以後，你的「判斷力」很可能完全是 AI 的判斷力，而不是你的。當客戶丟出一個 AI 沒抓到的細節時，你會發現自己接不住。 HBR 2026 年 2 月一篇文章中，作者 David S. Duncan 也發現了類似的不對稱："It was helping me a lot more than it was helping my less-experienced colleagues." （AI 幫我幫得比幫我那些經驗較少的同事還多。）對資深的人，AI 是放大器；對新手，AI 是替代品。差別是——資深的人是先有判斷再來驗證，新手是直接拿 AI 答案當自己的判斷。 紅旗二：決策黑盒化（Decision-Making Opacity）——當你解釋不出為什麼，你就不再為它負責 第二個紅旗講的是一個更深的問題：當決策被埋在不透明的演算法裡，「責任」這件事會悄悄消失。 Kenny 在一場與 Pogrebna 的公開對談中說過一句很關鍵的話："AI assists decision-making, but accountability can't be automated." （AI 可以輔助決策，但問責不能自動化。）這句話放在業務工作裡的意義是這樣的：客戶問你「為什麼建議我選這個方案」，你的回答如果是「我跑了一個 AI 模型，它推薦這個」，那你已經輸了一半。客戶要的不是答案，是答案背後的人。 更危險的是內部審查。當一個提案出問題，你回頭去看當初為什麼這樣推，發現自己根本記不得——因為當初也不是你想出來的。你只是接收了一個輸出。Pogrebna 在訪談裡的另一句話把這層次講透了："Algorithms influence far more of our thinking than we realise." （演算法影響我們思考的程度，遠遠超過我們所意識到的。）她也補了一個很反直覺的觀察："Most strategic decisions are made intuitively. Data is often used to justify decisions already taken." （大多數的策略性決策其實是直覺做出來的。數據經常只是被拿來合理化早就做好的決定。）換句話說，問題從來不是「我們有沒有用 AI」，而是「我們有沒有意識到自己已經被 AI 帶著走」。當你開始用 AI 的輸出去合理化你原本沒有那麼確定的判斷，你的決策已經被外包了，你只是還沒發現而已。 紅旗三：信任真空（Collaborative Erosion）——當每場對話都靠 AI，你就失去了「讀人」的能力 第三個風險最隱形，但對業務工作者殺傷力最大：人與人之間建立信任的協作場景，正在因為 AI 而消失。 以前一個客戶對保單有疑慮，業務員的反應是約一杯咖啡、現場讀對方的眼神、邊聽邊調整話術。現在他的反應可能是：把客戶的訊息貼進 ChatGPT，問「這個客戶在抗拒什麼？我該怎麼回？」 兩件事的差別在哪？前者讓你練「臨場讀人」這個能力；後者讓你練「下 prompt」這個能力。前者是你帶得走的，後者是 AI 進化一次就會把你淘汰的。 Kenny 和 Pogrebna 的提醒是：那些「面對面建立的信任」「不靠演算法形成的共識」「在咖啡店裡才會冒出來的洞察」——這些是組織真正的競爭力來源，但因為很慢、很麻煩、看起來「不夠生產力」，經常第一個被 AI 取代。 文章裡那句話可以倒過來重讀一次：當組織變得更有效率、但在員工和顧客眼中更沒有正當性，那才是真正的危機。 一條實作規則：每天花十分鐘做這件事，把判斷力鎖在你身上 Kenny 和 Pogrebna 的解方不是「少用 AI」，而是建立一套刻意的個人 AI practice。我把他們散落在文章和訪談裡的建議整理成一條可執行的日常規則： 做法： 每天工作開始前，花十分鐘畫兩張清單。 清單 A——這件事我必須自己做（即使很慢）：任何需要「讀人」的判斷（客戶的猶豫、夫妻的拉扯、家族的張力） 任何你之後要為其負責的核心決策（為什麼這個方案？為什麼這個時機？） 任何能讓你長期累積「行業直覺」的小決定（這個保額合不合理？這個保費結構奇不奇怪？）清單 B——這件事 AI 比我快十倍（直接交給它）：純資料處理（彙整、比對、翻譯、格式化） 模板化的初稿（提案大綱、會議紀錄、追蹤訊息） 跨領域的快速查詢（稅法條文、商品結構、其他公司類似商品）關鍵是：**清單 A 永遠不能因為「AI 也能做」而被搬到清單 B。**因為一旦搬過去，那塊肌肉就會開始萎縮，而且你不會察覺。 這個邏輯背後其實有一句總結，我覺得是整篇 HBR 文章最值得記下來的一句："AI should augment organizational intelligence—not replace the human capabilities on which long-term performance depends." （AI 應該增強組織的智慧，而不是取代那些長期績效真正依賴的人類能力。）把「組織」換成「你自己」，這句話一樣成立。AI 應該是放大你的判斷力，而不是代替你判斷。當你發現自己已經分不清楚「這是我的想法」還是「這是 AI 的想法」的時候，那條線已經被你跨過去了。📎 完整的 HBR 原文 還有更多關於組織層級的對策——包括如何設計透明的決策流程、如何在董事會層面追蹤 AI 風險，以及作者給高階主管的具體治理檢查表。如果你管著一支團隊、而不只是管自己的工作流，那部分尤其值得花錢買來看。另外推薦搭配 Kenny 和 Pogrebna 的完整對談影片——他們在裡面講了一些文字版沒寫進去的具體案例，特別是「為什麼數據很多時候只是合理化既定決策的工具」這一段。
客戶丟報稅單給 ChatGPT 90 秒就解約 $500B 顧問——保險業務員的『全方位服務』承諾，AI 正在一張一張攤牌：Ezra Group 三個觸發點工作法
Craig Iskowitz：他不是反 AI，他是反「被動」 Ezra Group 創辦人兼 CEO Craig Iskowitz 是美國財富管理科技圈最直白的觀察者之一。他經營的 WealthTech Today 多年追蹤 RIA（註冊投資顧問）和經紀商在科技採用上的進展，對這個產業有種近乎殘酷的同理心——他知道顧問每天面對什麼，但他更知道顧問逃避了什麼。 2026 年 4 月 16 日，他發表了一篇標題挑釁的文章：《The Holistic Advisor Was Always the Pitch. AI Just Called the Bluff.》（「全方位顧問」從來只是個提案話術，AI 只是把這手牌攤開）。文章開頭就丟出一個讓整個 RIA 圈倒抽一口氣的故事。 $500B RIA 的真實故事：90 秒解約，五個系統從來沒講過話 一家管理超過 5,000 億美元資產的 RIA，被一位客戶解約。理由是什麼？ 這位客戶想知道：把家從紐澤西搬到佛羅里達，在稅務上划不划算？他先打給他的顧問。對方拒絕做這個分析，理由是「合規與責任考量」。客戶沒生氣，他做了 2026 年最自然的事——把他的報稅單上傳到 ChatGPT。"ChatGPT delivered the answer in 90 seconds." （ChatGPT 在 90 秒內給出了答案。）不只是答案。是一份完整的決策建議，包含跨州稅務影響、Homestead Exemption 的差異、社會安全金的處理方式。客戶看完後，最終決定留在紐澤西——但他開除了那家 RIA。 Iskowitz 點出真正的問題不在 ChatGPT。問題在於：這家 RIA 內部明明就有所有需要的資料——稅務團隊有報稅單，財務規劃團隊有現金流模型，估值團隊有不動產數據。但這三個團隊用三套不同的系統，從來沒有講過話。"The data existed. It just lived in five different silos that had never met each other." （資料是存在的，只是被鎖在五個從來沒見過彼此的儲存槽裡。）「全方位顧問（holistic advisor）」這個用了三十年的招牌，被 ChatGPT 在 90 秒內戳穿。 「全方位顧問」的真相：63% 用 AI，但只有 10% 真的整合 這個故事最讓人不舒服的地方，是它不是孤例。Charles Schwab 在 2026 年 1 月公布的 RIA & AI Research Study（訪問 533 家 RIA），給出兩個矛盾的數字：63% 的 RIA 已經在用 AI（比 2023 年的 30% 翻倍） 但只有約 10% 把 AI 真正整合進業務策略剩下的人在做什麼？做會議筆記、寫郵件草稿、偶爾用 ChatGPT 查個資料。Iskowitz 把這種狀態叫做「孤立的實驗」（isolated experiments）——AI 變成個別員工的小工具，沒有改變整個事務所怎麼服務客戶。 更刺眼的是 Betterment 2025 年的另一個調查數字：65% 的顧問擔心客戶轉向生成式 AI。但根據 Schwab 的數據，多數人擔心歸擔心，工作流程還是十年前那一套。 Trigger-based 工作流程：從等客戶來電，到主動掃描人生事件 Iskowitz 全文真正的價值，是他把問題重新框架。他說："AI is not the threat. Reactive workflow is the threat. AI just makes the gap visible." （AI 不是威脅。被動式的工作流程才是威脅。AI 只是把這個裂縫照亮了。）他主張顧問應該轉向 trigger-based proactive workflow（基於觸發點的主動工作流程）——讓系統 24/7 掃描客戶資料，當特定條件出現時，主動推送一份顧問可以審核、可以加上人味的建議草案。 這個方法論的核心邏輯只有一句：你不該等客戶想到問題才回應，你該在客戶還沒意識到問題之前就出現。 下面三個觸發點，是 Iskowitz 在文章裡明確點名、也是顧問最容易立刻檢測自己的場景。 觸發點一：報稅季的「動態掃描」（Tax-Filing Trigger Scan） 做法： 每年客戶交完報稅資料，不是把 PDF 存檔，而是把它當成一份「年度健診報告」掃描一次。 Iskowitz 給的具體例子是「房貸利息扣除額」。當客戶的報稅單顯示房貸利息有顯著變化（提前還款、再融資、購入第二房），這就是一個「我該打電話給你」的觸發點，不是等客戶下次年度檢視才提。 對話現場大概是這樣：顧問（主動致電）：「Henry，我看了一下你今年的稅表，房貸利息扣除這項比去年少了快一半。你是去年提前還了一部分嗎？這對你的現金流意味著什麼，我覺得我們可以聊聊⋯⋯」客戶會怎麼想？「他真的有在看我的東西。」這是 ChatGPT 永遠做不到的——因為 ChatGPT 不會在客戶還沒問之前就主動敲門。 觸發點二：股票歸屬日的「集中度風險預警」（Equity Vesting Concentration Alert） 做法： 客戶任職科技業、有 RSU 或股票選擇權，每次歸屬日（vesting date）前自動觸發一次「集中度分析」。 Iskowitz 舉的場景是矽谷高管。當員工股票一次釋出、佔總資產比例突破某個門檻（例如 20%），系統應該自動產出一份分析：建議是否分批出售、稅務影響、是否需要 10b5-1 計畫。"When equity compensation vests, the conversation shouldn't start with 'do you want to sell?' It should start with 'here's what your concentration looks like, and here are three paths.'" （當股票歸屬時，對話不該是「你要賣嗎？」。應該是「這是你目前的集中度狀況，我們有三條路可以走。」）差別在哪裡？前者把決策丟回給客戶（他當然會去問 ChatGPT）；後者把選項擺在桌上，讓客戶感覺到「我的顧問已經幫我想過了」。 觸發點三：人生事件的「跨系統訊號」（Life-Event Signal Across Systems） 做法： 結婚、生子、換工作、離婚、購屋、退休——這些訊號通常分散在 CRM、保單系統、稅務系統、銀行對帳單。建立一套機制讓任何一個系統感應到這些訊號時，自動觸發跨部門的「重新規劃」對話。 這正是 $500B RIA 故事的核心。客戶要搬家——這是巨大的人生事件——但他的顧問只看到「合規風險」，看不到「重新規劃機會」。 Iskowitz 說真正分得清楚的事務所，會在客戶剛開始討論搬家的那一刻，就同步啟動：稅務模型重跑、保險州際調整、不動產規劃文件複審、社會安全金最佳化。這不是 AI 做的，是「AI 幫人類做」——AI 把訊號從五個系統裡撈出來，人類顧問來決定該怎麼跟客戶談。 旅行社活下來的那 25%，做了什麼？ Iskowitz 在文章末尾用了一個讓人冷汗的比喻。網路在 2000-2010 那十年間，淘汰了大約 75% 的旅行社。但活下來的 25% 不是抗拒科技的人——他們是把科技用來處理複雜任務、做高度客製化的人。"Travel agents had a decade. Advisors have about 18 months." （旅行社當年有十年的調整時間。顧問現在大概只有 18 個月。）這 18 個月不是用來「導入 AI 工具」的，是用來重新設計工作流程的。Iskowitz 列出活下來的事務所共同的四個特徵：明確的觀點與利基定位、把個人風格做成護城河、紮實的營運能力、真正整合稅務／保險／規劃／投資的服務。 注意他沒有把「使用最先進的 AI」放在第一條。因為 AI 從來不是答案。「願不願意主動」才是。 自我檢測：你最後一次主動聯絡客戶，是因為什麼觸發點？ 讀完這篇文章，最值得問自己的一個問題不是「我有沒有用 AI」，而是： 「我最近一次主動打給客戶——不是固定追保、不是年度檢視、不是季度報告——是因為我看到了什麼觸發點？」是他的孩子今年要上大學？ 是他公司股票歸屬日快到了？ 是他剛換工作，退休帳戶該轉移？ 是他媽媽過世，遺產規劃要重做？ 還是⋯⋯你想不到任何一次？如果你想不到，這就是 Iskowitz 全文最殘酷的那段話想戳穿的：你說自己是「全方位顧問」三十年了，但你的工作流程從來沒支撐過這個承諾。 ChatGPT 沒有讓客戶變聰明。它只是讓客戶第一次有機會親眼看到——「原來我的顧問可以做這件事，但他從來沒做。」📎 Craig Iskowitz 的原文 《The Holistic Advisor Was Always the Pitch. AI Just Called the Bluff.》 還有不少細節這篇沒有覆蓋到，包括他對 Salesforce / Wealthbox 等 CRM 平台即將被 AI 重塑的觀察、Vestmark 等 AI 助理產品的整合趨勢，以及他對「客戶情報究竟住在誰的平台上」這個被嚴重忽略的策略問題的警告。如果你正在思考事務所未來三年的科技路線圖，建議搭配 Schwab 的 2026 RIA & AI Research Study 一起讀，那份報告有完整的同業基準與分階段採用框架。
你的客戶在 ChatGPT 問『哪家顧問可靠』時，AI 引用的不是你的 Facebook——HubSpot 實測四大 AI 引擎後的三個震驚發現
想像一個場景：一位 45 歲的企業主在週末的家裡，打開 ChatGPT，輸入「我想幫小孩規劃 3,000 萬的資產傳承，台灣有哪些顧問值得信賴？」——然後 AI 給了他一串名單。 這個名單上有沒有你，跟你上週在 Facebook 發了幾則貼文、LINE 群發了幾條訊息，幾乎沒有關係。 這是 HubSpot 行銷總監 Kipp Bodnar 與 SVP Kieran Flanagan 在 2026 年 4 月中的 Marketing Against The Grain 連發兩集 Podcast 最核心的結論。第 417 集《We Found Where AI Gets Its Answers (It's Not Your Website)》與第 418 集《We Asked 4 AI Tools About Our Brand》請來了 HubSpot 全球成長資深總監 Aja Frost、以及 XFunnel 創辦人 Beeri Amiel（已被 HubSpot 併購，現任產品開發總監）一起實測 ChatGPT、Claude、Perplexity、Gemini 四個答覆引擎。 結論可以簡化成一句話：你花在經營「自家門面」的時間，AI 根本不看；你該在意的是別人怎麼談論你。 HubSpot 的 Answer Engine Optimization：當 AI 變成客戶的「事前調查員」 傳統的搜尋引擎優化（SEO）邏輯是這樣的：客戶輸入關鍵字 → Google 給出十個藍色連結 → 客戶挑一個點進去看 → 你的官網內容說服他。 但當客戶改用 ChatGPT、Perplexity、Google AI Overviews 時，這個流程被壓縮成一步：客戶問問題 → AI 直接給答案，可能附上幾個來源連結。根據 HubSpot 自己的調查，42% 的 B2B 買家在研究過程中已經開始使用答覆引擎。消費者端更誇張，Frase 的 2026 AEO 報告指出，72% 的消費者預計會更常在購物時諮詢 AI。 這件事對業務的致命影響，Beeri Amiel 在節目裡講得最清楚："The core of AEO is understanding what the answer engines know about you. SEO is not going away. But where it was a much bigger component before, it is now just one slice of the pie." （AEO 的核心是搞清楚答覆引擎對你「知道」些什麼。SEO 不會消失，但它過去佔很大一塊，現在只是餡餅裡的其中一片。）這不是一個技術名詞的進化，而是「客戶端對你的第一印象」徹底換了一個審核員。過去是 Google 的演算法，現在是 LLM 的知識庫。而 LLM 的知識庫，跟你想的不一樣。 三個震驚發現：AI 引用的地方，不是你以為的地方 發現一：AI 幾乎不看品牌官網，它看 Reddit、YouTube 與第三方清單（Listicle） HubSpot 自己做了一個實驗：用 ChatGPT 搜尋「最好的 CRM」，結果 AI 引用的首要來源不是 HubSpot 的官網，而是 Zapier 的一篇比較文章。Kipp Bodnar 在節目裡提到他們後續用自家產品追蹤 AI 引用的結果："We can basically go from, 'hey, you're tracking these prompts, here are the actions you would take to show up in this prompt—create a video, engage in this thread on Reddit, create a LinkedIn, create a blog post on your own site.'" （我們基本上可以做到：『嘿，你正在追蹤這些問題，而你要在這些問題裡出現，具體該做的事情是——拍一支影片、去參與 Reddit 的這個討論串、發一篇 LinkedIn、在自己網站上寫一篇部落格。』）注意這個順序：影片、Reddit、LinkedIn，最後才是自家的部落格。這是 HubSpot 實際透過工具拆解出來、按優先級排序的行動建議。 CMSWire 引用 Tinuiti 2026 Q1 AI Citations Trends Report 拆得更細：在 Perplexity 上，大約 24% 的引用來自 Reddit；在 Google AI Overviews 上，社群媒體佔了所有引用的 13%，而這 13% 裡有 44% 是 Reddit。HubSpot 自己的內部數據更驚人——Reddit 驅動的引用數從 2025 年 5 月的 178 次，成長到 12 月的 14.6 萬次。 這代表什麼？代表業務員每天花三小時在 Facebook 發理財文、週末拍一支 IG 限動、把名片換成 QR Code——這些動作對「在 AI 面前被看見」的貢獻接近零。因為 ChatGPT 和 Claude 不讀 Facebook，也不讀你的 LINE 帳號動態。 發現二：AI 最愛的內容格式是「清單型文章」，不是品牌故事 Aja Frost 在第 417 集直接點名：listicles（清單型文章）主宰了 AI 的引用來源。 HubSpot 的 AEO 案例研究 給了非常具體的數字：他們寫了一系列「5 best CRMs for construction businesses」這類「某產業最好的 X 個工具」文章，引用數成長 642%，品牌提及數成長 58%。 更新產品功能頁面加上 FAQ 與結構化資料，AI 引用成長 56%。 建立名詞解釋的 FAQ 詞彙庫，讓特定問題的引用佔有率提高 60%，品牌在認知階段提問的能見度提高 35 個百分點。為什麼是清單型文章？因為 LLM 在「整理答案」時，本質上就是在做一件事：從多個來源抽取「可比較的要點」。清單型文章的結構——「第一名：理由、第二名：理由」——剛好是最容易被 LLM 拆解、重組、引用的格式。 對照來看，一篇「我入行十年感悟」的長文故事，人類讀者可能感動落淚，但 LLM 幾乎抽不出什麼「可引用的答案單元」。 發現三：AI 會主動推薦你的競爭對手，而你完全不知道 這是第 418 集最讓人冒汗的部分。HubSpot 同時用四個 AI 工具詢問自家品牌相關問題，結果發現：不同的 AI 會給出不同的競爭對手推薦清單，而且這些清單是 HubSpot 內部從未主動送進去的資訊。 用 Bodnar 的話來說，這叫「看不見的推薦戰場」。過去 SEO 時代，你至少知道 Google 的第二名是誰，你可以去看他們寫了什麼。AI 時代，你連「AI 在客戶面前怎麼介紹你的競品」都不知道——除非你主動去問。 根據 TechTarget 對 HubSpot AEO 發布的報導，Constellation Research 分析師 Liz Miller 的觀察是：企業將開始「減少 SEM 投資，轉向在 Reddit 這類答覆引擎高度重視的平台上建立權威性」。 換句話說，這不是多一個要做的事，而是既有行銷預算結構的重新洗牌。 把力氣挪到對的地方：從「自家門面」到「被引用的信號」 讀完這兩集 Podcast 最大的感受，不是 AEO 很難，而是多數人把有限的內容時間花在了 AI 根本不看的地方。 過去的內容心法是：「多元分散、每個平台都要有、讓客戶在哪都能找到我。」 AEO 時代的內容心法倒過來：「少而集中、出現在 AI 會引用的地方。」 那些地方大致是這四類：Reddit 或在地論壇的實質參與——不是廣告，是真的回答問題、被按讚、被其他人引用。 YouTube 的教學型影片——尤其是「前五大/前十大」這類格式，AI 會讀字幕。 LinkedIn 的長文貼文——有觀點、有架構，被人收藏與討論。 第三方清單型文章——被寫在「XX 產業最值得信賴的十位顧問」這種別人寫的比較文裡。這四個地方有一個共同點：它們都不是你的「自家門面」，而是別人口中的你。 Beeri Amiel 在節目裡有一句話值得業務員反覆讀：答覆引擎關心的不是你怎麼說自己，而是別人怎麼說你。這跟傳統銷售訓練最違反直覺的一點重疊了——客戶買的從來就不是你的自我介紹，而是別人對你的第三方評價。只是過去的第三方評價靠口碑、靠轉介紹；現在的第三方評價，一半以上被 LLM 綁架在 Reddit、YouTube、LinkedIn 上。 HubSpot 自己的實測結果是：AI 驅動的潛在客戶成長 1,850%，轉換率是傳統搜尋流量的 3 倍。這不是因為 AI 更聰明，而是因為 AI 在把客戶送到你面前之前，已經幫你做了一輪「權威性篩選」——它相信你了，客戶才會相信你。 那接下來一季，你打算從 Facebook 挪幾個小時出來，去寫一則 Reddit 回答、或拍一支 YouTube 的「2026 年最值得關注的五個退休規劃工具」嗎？ 這是一個比「要不要做 IG 限動」更值得認真回答的問題。📎 HubSpot 這兩集 Podcast 的完整內容遠不只以上篇幅能覆蓋。第 417 集 還實際示範了 XFunnel 這個工具如何拆解「AI 追蹤的提問 → 對應的具體行動」，第 418 集則實測了 ChatGPT、Claude、Perplexity、Gemini 對同一個品牌問題的回答差異，包含競爭對手清單的對照。若你想看更完整的案例數據，HubSpot AEO 案例研究 詳細拆了他們如何把 CRM 品牌做到 AI 搜尋第一名，裡面的 FAQ 頁面、產業別清單、結構化資料策略都有具體數字佐證，值得業務端與行銷端一起看。
他們不是不要顧問，只是要不一樣的顧問：CFA Institute 六國調查 2,400 位下一代富人，拆解三個服務姿態的升級
有個迷思在業界流傳了很多年：「下一代年輕人都用 App、用 robo-advisor 自己搞定，他們根本不會想要理財顧問。」 這個說法在 2026 年 3 月被 CFA Institute 一份研究徹底打臉。 CFA Institute：橫跨六國、2,400 位下一代富人的第一手證據 CFA Institute 在 2026 年 3 月 23 日發布的〈Next-Gen Investors: A Guide for Wealth Managers & Financial Advisers〉調查了美國、英國、加拿大、印度、新加坡、阿拉伯聯合大公國六個市場的 2,400 多位 mass-affluent 到 VHNW（超高淨值）的 Gen Z 與千禧世代投資人。結論是："Wealthy Gen Z and millennial investors are not turning away from professional advice, but they are redefining it." （富有的 Gen Z 與千禧世代並沒有離開專業建議，他們只是在重新定義它。）這句話出自該報告的資深研究員 Genevieve Hayman 博士。報告的資深研究主管 Rhodri Preece 則把這個轉變形容為「從根本上重塑私人財富管理」。 為什麼這份報告值得所有理財、保險、財富管理從業者放在桌邊讀兩遍？因為它精準量化了一件過去十年大家都「隱約感覺到但講不清楚」的事：下一代客戶沒有在流失，他們只是正在用完全不同的方式出現。 關鍵數字：90% 付費，但錢付到哪裡變了 幾個讓人重新思考客戶畫像的數字：超過 90% 的受訪年輕富人正在付費使用某種形式的理財建議（人類顧問、robo-advisor、會計師、律師皆算）。 近 70% 有付費顧問的人，每個月至少跟顧問互動一次以上。 58% 的千禧世代透過投顧公司、財富管理機構或家族辦公室接觸付費專業人士。 43% 的 Gen Z 只使用 robo-advisor（不碰人類顧問）。 約三分之一 的受訪者用過生成式 AI 學理財。 但即便如此，人類顧問仍然是最被信任的資訊來源（the single-most-trusted source）。這幾個數字放在一起，一個畫面就出來了：他們不是不要顧問，而是把「顧問」這個角色的定義徹底改寫——從「一個每季打電話給我講市場的人」變成「一個我可以隨時打字問、會用數據回我、還願意跟我一起做決定的人」。 下一代要的三個服務姿態升級 報告的精華不在數字，而在它直接點出了下一代客戶真正要的三件事。這也是這篇文章真正的重點。 一、從「教育者」變成「即時解讀者」（FOMO Contextualization） 做法： 當客戶帶著一個你沒聽過的新資產（meme coin、tokenized real estate、某個 YouTuber 推的 AI ETF）來問你，你的第一句話不是「這很危險別碰」，而是「我來幫你拆解它在你整體配置裡扮演什麼角色」。 報告裡最尖銳的一個發現是：55% 的年輕富人承認自己做過「FOMO 投資決策」，特別集中在加密貨幣這類新興資產。 這個 55% 不是要你嘲笑他們衝動，而是要你意識到一件事：下一代客戶的資訊環境，已經不是「他們不懂所以要教他們」的環境，而是「他們每天被 30 個新資訊砸，分不清哪個該認真、哪個該無視」的環境。 報告的建議很直接——顧問要能「contextualize new developments and be a strategic, forward-looking partner, balancing innovation with prudent advice」（替新發展提供脈絡，扮演前瞻的戰略夥伴，在創新與審慎之間取得平衡）。 翻譯成白話就是：他不需要你告訴他 Bitcoin 是什麼，他可以問 ChatGPT。他需要你告訴他「以你現在的整體資產配置、三年內想買房的目標、還有老婆懷孕的狀況，這個該不該進、進多少、進了之後下一步該注意什麼」。 這就是從「教育者」變成「即時解讀者」。教育者解釋事物「是什麼」，解讀者解釋事物「對這個人在這個時間點的意義」。前者的價值被 AI 吃掉了，後者只會越來越貴。 二、從「說服者」變成「協作規劃者」（Collaborative Hybrid Models） 做法： 你不再是站在白板前面講兩小時然後推一張保單的老師，你是跟客戶一起打開 Google Doc 邊聊邊改財務藍圖的 co-pilot。 報告的原文："They expect active participation in financial planning and want collaborative, hybrid advice models that combine human expertise with technology-enabled personalization." （他們期待主動參與財務規劃，並且想要協作式的混合建議模式——結合人類專業與科技賦予的個人化。）這裡的關鍵字是「active participation」。老一代的客戶願意把錢交出來說「你幫我看著辦」；下一代客戶要的是「我們一起看著辦」。 為什麼？因為他們從 18 歲就在 Robinhood 跟 Wealthfront 上看自己的組合每天上下跳，他們對「看不見的黑盒子」有天然的排斥。如果你的服務模式還是「給我一個月時間我回來跟你報告」，他們第三次追蹤沒結果就走了。 協作規劃者做的事情很具體：會議不再是「我來報告你來聽」，而是共享一個即時儀表板邊看邊討論。 在做資產配置決策之前，先問「你對這個方向的感覺是什麼」而不是「你的風險承受度分數是多少」。 承認自己不知道的事情，並跟客戶一起查、一起問 AI、一起找答案——這反而建立信任，而不是削弱權威。三、從「面對面專屬」變成「混合數位體驗」（Digital-First Engagement） 做法： 客戶今天晚上 11 點在 LINE 傳給你「我剛看到一個新聞，要不要賣？」，你能在 30 分鐘內回一個有憑有據的判斷。 「近 70% 的年輕顧問客戶每月至少互動一次」這個數字很容易被誤讀。它不是在說「他們愛開會」，而是在說——他們把顧問關係當成一種「持續的數位對話」在經營，而不是「一年兩次的正式會面」。 報告指出下一代要的溝通模式：影片會議、訊息、App、即時儀表板。重點不在用什麼工具，而在「回應速度 + 數位可存取性」已經變成服務的基本面。 這裡有一個有趣的伴隨發現：下一代對「信任」的定義也變了。 過去的信任建立在人情、同業介紹、打過的幾場高爾夫。CFA Institute 的研究發現，下一代衡量一個顧問是否可信，看的是績效指標、專業認證、資料安全、費用透明——而不只是「他這個人感覺很暖」。 這個轉變對從業者有一個隱藏的好消息：如果你的專業扎實、CFA 或 CFP 考過了、系統跑得乾淨、費用說得清楚，你其實不用再辛苦地靠「陪吃飯」去經營信任。你只要把這些東西做出來並且讓客戶看得見，他們就會買單。 為什麼這份報告現在特別重要 因為「財富大交棒」（Great Wealth Transfer）的數字越來越嚇人。Cerulli Associates 預估從現在到 2045 年，光美國就有 84 兆美元的財富轉移；CFA Institute 這份報告裡的印度受訪者，超過 95% 預期自己會繼承財富，85% 會在未來十年內拿到。 這意味著：如果你現在手上一個案子裡的主要客戶是父母那輩，而你對他們的子女用的還是同一套服務模式（年度報表 + 節慶問候 + 偶爾約喝茶），你正在賠上一個已經算在你帳上、但即將易手的客戶關係。 CFA Institute 的 Preece 說這群下一代「從根本上重塑私人財富管理」，這句話聽起來像產業報告的客套話，其實很嚇人——它的意思是，你現在服務父母的方式，有很高的機率在他們的子女接手後被直接換掉。而下一代換掉你不會通知你，他們只是不回訊息、不約開會、然後在某個週末把資金轉到另一個顧問那裡。 這份報告其實是一份很貴的「提前通知」。它告訴你下一代客戶不是在拒絕服務，他們只是在等一個願意用新姿態服務他們的人。📎 這篇拆的是 CFA Institute 整份報告裡最有戰略意義的三個服務姿態升級，但原始報告還有更多可以挖的東西：六國（美、英、加、印度、新加坡、UAE）的國別差異（印度的繼承預期遠高於其他國家）、不同資產級距（mass affluent vs VHNW）的行為分歧、以及下一代對 ESG、加密、alternative assets 的具體配置偏好。如果你有實際在服務跨境客戶、或是想更精準掌握某個特定市場的下一代畫像，值得去讀完整報告：Next-Gen Investors: A Guide for Wealth Managers & Financial Advisers。
你的客戶明明很喜歡你，為什麼還是成交不了？Gong 分析 180 萬筆交易：單線接觸是最危險的預警訊號
客戶對你很客氣，每次約都準時出現，茶也倒了、笑也笑了，但案子就是拖。你心裡想：「他就是那個拍板的人，我跟他談得這麼熟，成交只是時間問題。」 這個判斷，可能正是案子停下來的原因。 Gong 資深內容研究總監 Dan Morgese 在 2025 年 4 月發表的一份報告裡，把這個現象講得很直白：如果一個非小額、非交易型的案子從頭到尾只有一個窗口，這本身就是風險訊號。 Dan Morgese：單線接觸不是「還沒擴大」，是「已經在漏水」 Gong Labs 分析了 2024 年完成的 180 萬筆 B2B 新業務機會。他們把「有幾位客戶端人員參與」和「最後是否成交」放在一起看，得出一個反直覺的結論：有 3 人以上接觸的交易，成交率是單線接觸的 2.4 倍 企業級（Enterprise）案件，這個倍數拉到 3.1 倍 5 萬美元以上的案子，多線接觸讓勝率 提升 130% 成交的案子，賣方團隊人數比失敗的案子 多 67% 大型策略型案件，平均有 17 位 客戶端人員參與Dan Morgese 的原話是這樣的："Single-threaded deals should be an immediate red flag that your deal is at risk." （單線接觸的案子，應該立刻被視為案子有風險的警訊。）這句話翻成業務員的日常語言就是：當你對一個客戶的印象是「他很喜歡我、我們關係很好」，但你畫不出這個案子裡還有哪些人在影響決定——你的案子已經在漏水，只是你還沒看到地板濕。 Pavilion 和 Ebsta 在 2025 年發布的 GTM Benchmarks 報告分析了 65.5 萬筆機會，得出一個互相印證的結論：決策者在銷售流程的前兩個階段就主動參與，勝率上升 55%。頂尖業務花大量時間「擴大接觸面」，不是因為他們愛社交，是因為他們知道單線接觸等於把案子壓在一個人的心情上。 為什麼單線接觸反而危險？因為你讓客戶一個人扛 業務員的直覺是「找對的那個人談」——這個人最有權力、最懂、最認識我。但從客戶的角度，當他變成唯一跟你對話的人，他要扛三件事：把你的說明翻譯給家人、夥伴、同事聽 承擔說服他們的情緒成本 如果決策後果不好，他要獨自負責這三件事加起來，讓他的最理性選擇是「拖」。拖不是因為他不喜歡你的方案，是因為獨自拍板的心理成本太高。 多線接觸的價值，不是「多賣給幾個人」，是把決策的重量分散到好幾個人身上。當太太、成年子女、會計師都在同一個房間裡聽過你的說明，他們彼此之間會自動開始討論，你的客戶不再需要獨自當傳話筒，拍板對他來說就從「孤獨的風險」變成「大家都同意的共識」。 多線接觸框架：擴大參與者，但比人數更重要的是「順序」 大部分業務員聽到「多線接觸」的第一反應是「好，我下次多約幾個人」。結果做錯了會更慘——這就是 Gong 另一組數據揭露的：時機比人數更關鍵。 Dan Morgese 在另一篇專門談高層接觸的分析裡提到：一開始就把客戶公司的高層（或自己公司的主管）拉進來，勝率 下降 6% 但如果在第三次接觸才讓高層登場，勝率 上升 5%一前一後，是 11 個百分點的差距。原因是：第一次見面就帶高層，客戶會覺得「你是來施壓的」；但如果你先跟一個信得過的窗口（champion）建立問題共識，第三次才讓高層出現幫忙確認，客戶會覺得「你們很重視我」。 同樣的邏輯可以套用到任何高權威角色——律師、會計師、醫師、資深顧問。時機對了，他們是加分項；時機錯了，他們變成壓力。 技巧一：先找 Champion，再擴大場面（Champion-First Sequencing） 做法： 第一次見面不要硬拉一群人，先找到那個「願意在你不在場時替你說話」的人。 Dan Morgese 提到識別 Champion 的幾個問題：「如果這個方案要推下去，誰會是最懷疑的人？」 「除了這件事，你們現在還有什麼事在搶你的時間？」 「如果我們下個月沒談成，最可能的原因會是什麼？」願意認真回答這三題的人，就是你的 Champion。他不是「比較喜歡你的那個」，是「願意跟你說真話的那個」。 套在保險/理財場景就是：與其追著先生問「你老婆會不會反對？」，不如直接問他：「如果這份規劃我們今天決定做下去，你老婆最可能從哪個角度挑戰你？」他回答得出細節，你才有真的 Champion。回答不出來，代表他其實也沒把握。 技巧二：幫 Champion 寫好邀請訊息（Ghostwrite the Invite） 做法： 不要丟一句「方便約你太太/爸爸/合夥人一起聊嗎？」給客戶自己去想辦法。你幫他把邀請訊息打好，讓他複製貼上就能發。 Dan Morgese 直接點出這個做法的心理邏輯：你請 Champion 幫忙的事情，每多一個步驟，他完成的機率就掉一半。 錯誤示範：「王先生，要不要下次把嫂子也約出來一起聊？我覺得她會有興趣。」正確示範：「王先生，我幫你草擬了一段訊息，你看看合不合適： 『老婆，我今天跟顧問聊了我們之前討論過的那個退休規劃，他提到有幾個跟你有關的選項。禮拜六下午他要來家裡再講一次，你也一起聽，我們兩個一起決定。』 你覺得可以的話，就轉發給她。不方便的話我們再調整。」第二種讓 Champion 動的門檻，從「想出一段話」降到「按轉發」。 技巧三：把第一次多人會議設計成「問題對焦」而不是「產品說明」（Problem Alignment Over Product Demo） 做法： 多人第一次同框時，不要重新講一次產品。先讓大家對「問題」達成共識。 Dan Morgese 給的原則是：在集體場合，主動邀請不同意見浮出來。 多人會議最糟的版本是：你對著四個人重講一次給 Champion 聽過的內容，其他人禮貌地點頭，回家各自消化後開始發簡訊互相抱怨。正確的版本是這樣開場：「今天請大家來，不是要我再講一次規劃細節——那些王先生會再跟你們說。我更想聽的是：你們每個人看這件事，最擔心的部分是什麼？如果等一下有人講出來的擔心跟其他人不一樣，那是好事，我們今天就是要把這些都攤開來談。」這段開場做對了兩件事：一是把「意見不同」正常化，讓太太敢講真心話，而不是在你面前假裝同意、回家再反悔；二是讓 Champion 變成「主持人」，而不是你的「翻譯官」——因為翻譯做久了會翻錯，主持做久了反而會幫你守案子。 從「找對的人談」改成「設計對的順序」 多線接觸的重點從來不是「人愈多愈好」，是你有沒有設計過這個案子裡每個人出現的順序。 單線接觸的案子會漏水，因為你把所有賭注壓在一個人的心情、記憶力、和說服他身邊人的意願上。多線接觸的案子會成交，因為每個人都聽過你親口說的版本，彼此之間的討論從「A 轉述給 B 聽」變成「A 和 B 一起回想那天顧問講的那句話」。 這兩種對話的品質，差一個訂單。📎 Gong 的完整報告還拆解了「AI 如何協助銷售員做 stakeholder mapping」、「為什麼頂尖業務比其他人多產出 77% 的收入」、以及「sales engineer 在哪個階段進場可以把勝率再往上推 30%」。Pavilion 和 Ebsta 的 2025 GTM Benchmarks 則有更細的行業別數據和決策者參與度分層分析。如果你想把這套方法做到底，這兩份原始資料值得花一個週末讀完。
MIT 教授 Andrew Lo：AI 已經比你懂得多，但它不會因為建議錯誤而坐牢——你真正的護城河是『法律責任』
Andrew Lo：你的護城河不是「人情味」，是「出事時會被抓去關」 Andrew Lo 是麻省理工學院史隆管理學院（MIT Sloan）的金融學講座教授，也是 MIT 金融工程實驗室（Laboratory for Financial Engineering）的主任。他跟研究生 Jillian Ross 正在研究一個很尷尬的問題：一個每天處理 ChatGPT 投資諮詢的 AI，能不能真的「取代」理財顧問？ 2026 年 4 月 6 日，他在 CNBC 的一篇報導 中給了一個讓整個理財顧問產業都該貼在牆上的答案。他沒有說「AI 不夠聰明」、「AI 缺乏同理心」、「AI 不懂人性」——這些都是已經被講爛的安慰話。他講的是一個更冷、更結構性的觀察："The problem that we have to solve is not whether AI has enough expertise. The answer right now is, clearly, AI has the expertise. What they don't have is that fiduciary duty. They don't have the ability to suffer consequences if they make a mistake to the same degree that a human advisor does." （我們要解決的問題，不是 AI 夠不夠專業。答案很清楚——AI 已經具備了專業。AI 缺的是信賴義務。它不會像人類顧問那樣，為了犯錯而承擔同等的後果。）Lo 的整個框架可以濃縮成一個字：teeth（牙齒）。他說，「把客戶利益放在自己前面」這句理財業每個人都在講的話，如果沒有法律責任撐腰，就是「沒有牙齒」的口號。 「信賴義務缺口」框架：專業 vs. 後果的不對稱 要理解 Lo 的邏輯，要先區分兩件事：knowledge（知識）和 accountability（後果承擔）。 AI 的知識是可以無限複製的。一個 LLM 讀完了全世界的金融教科書、CFP 考題、SEC 判例，它的「專業儲量」在技術上已經超過任何一個單一顧問。這件事不必爭辯，Lo 自己就承認了。 但後果不能被訓練、不能被複製、不能被模擬。一個人類顧問如果違反信賴義務，他會面對什麼？SEC 或 FINRA 的行政處分 客戶提起的民事求償 嚴重時的刑事起訴 吊照，職業生涯結束 房子被拍賣、家人被連累這些後果在 Lo 眼中不是「副作用」，而是信賴義務真正有效的原因。"Putting client interests first has no teeth without responsibility or legal liability." （「以客戶利益為先」這句話，如果沒有責任承擔和法律責任在後面，根本沒有牙齒。）一個 AI 聊天機器人給了錯誤建議，它的「後果」是什麼？它不會被吊照、不會被監禁、不會失去家人、連電都不會停。就算 OpenAI 被告到破產，那個 GPT-5 版本的模型還是存在、還是在跑。它和你的損失之間，沒有一條承擔鏈。 這就是 Lo 講的「信賴義務缺口」（fiduciary gap）。而這個缺口，不是產品改版、也不是 prompt engineering 可以填補的——它是一個法律結構問題。 三個從「信賴義務缺口」推導出來的業務定位 1. 把「後果承擔」做成你產品的第一頁（Accountability as a Product） 做法： 不要再用「我有 15 年經驗」、「我很用心」當作差異化。把你的法律責任具體化、寫出來，讓客戶看到。 很多顧問談差異化時，講的都是軟性的東西——「我會聽你說話」、「我了解你的家庭」、「我有熱情」。這些 AI 都能模擬，而且越來越逼真。Lo 的框架告訴你，真正不能被 AI 模擬的是：你有東西可以被拿走，它沒有。 試著在客戶第一次會談時這樣開場：「我想先告訴你一件 AI 不會告訴你的事。今天我給你的每一個建議，如果被證明是為了我自己的佣金而犧牲你的利益，我會面對金管會的調查、民事賠償，嚴重一點我會失去執照、失去這個工作。我所有的建議後面，都有我的職業生涯在擔保。你在 ChatGPT 上問到的任何建議，背後沒有人承擔這種責任。」這段話不是銷售話術，是把法律結構翻譯給客戶聽。它比任何「我很專業」都更具體、更不可被複製。 2. 幕後用 AI、幕前做人：Schwab 研究揭露的「10% 整合鴻溝」 做法： 把 AI 當成你無形的副手，但絕對不要讓客戶以為他們在跟 AI 互動。 2026 年 1 月 Schwab Advisor Services 發布的 2026 RIA & AI Research Study（訪問 533 位美國註冊投資顧問）揭露了一個很有意思的現象：63% 的獨立顧問已經在用 AI，但只有 10% 真正把它整合進業務策略。剩下的 53% 在做什麼？記筆記、草擬 email、整理會議紀錄。 Lo 的框架告訴我們這不是「整合不足」，而是一種正確的本能直覺。如果你把 AI 推到客戶面前，說「這是我用來分析你資產配置的工具」，你等於在幫 AI 跟你搶位置——客戶很快就會想：「那我自己用 ChatGPT 不就好了？」 正確的分工是：後台（AI 的戰場）：資料整理、歷史案例檢索、稅務試算、草擬報告、準備會議摘要、回覆例行信件 前台（你的戰場）：判斷、建議、承擔、在客戶面前說出「我建議你這樣做，因為我為這個建議負責」AI 越強，客戶越需要一個「人」來把 AI 的輸出翻譯成可以被追究的承諾。這個翻譯過程，就是你的收費合理性。 3. 對年長客戶，你的「存在」本身就是服務 做法： 不要把時間浪費在教 70 歲客戶用 AI，把時間花在成為他們「不需要用 AI」的原因。 Cerulli Associates 2026 Q1 《U.S. Retail Investor Edition》 報告揭露了一個會讓很多年輕顧問驚訝的數據：50 歲以下富裕投資人：60% 以上對 AI 理財感到安心 50–59 歲：42% 70 歲以上：只有 16%整體來說，只有 38% 的富裕投資人覺得 AI 理財服務讓他們安心——而且這個數字跟 2024 年的 39% 相比幾乎沒動。 換句話說，人對 AI 理財的不信任，不是「時間會解決的問題」。它是一個跟年齡、資產規模、風險敏感度強相關的結構性偏好。 Cerulli 的研究分析師 John McKenna 特別點出："If AI is to play a role in their business operations, advisors would do well to disclose where it is used, how clients' sensitive information will be protected, and how it enhances, rather than detracts from, the advisor-client relationship." （如果 AI 要在業務運作中扮演角色，顧問最好明確揭露 AI 用在哪裡、客戶敏感資訊怎麼被保護、以及 AI 是如何「強化」而不是「削弱」顧問跟客戶的關係。）對 70 歲以上、擁有退休金、房產、保險、繼承問題的高資產客戶來說，他們要的不是「更有效率的建議」，是一個會為這個建議負責的人。他們付你的錢，買的不只是專業，是承擔。 這是為什麼 Lo 跟他的共同研究者 Jillian Ross 目前在做的事情這麼重要——他們嘗試用 RAG（檢索增強生成）技術，把過去所有金融訴訟的判例訓練進 AI，想看看能不能用技術重建出一個「模擬的信賴義務」。研究還在早期階段，結果是：ChatGPT 4.0 表現「相對公平」，但其他模型吸收了網路資料裡的偏見（特別是性別偏見）。 Lo 自己也承認，在政策沒有同步改變之前——也就是，在監管機構沒有給 AI 建議加上法律後果之前——「我們不會走到可以把這些決定完全交給 AI 的那一天」。 信賴義務不會貶值，反而會升值 很多顧問現在的焦慮是：AI 會不會讓我的專業被稀釋？Lo 的框架給了一個反直覺的答案：AI 越強，信賴義務越值錢。 想像一個世界，AI 可以在三秒內給出一份比你更詳細的退休規劃建議。在這個世界裡，客戶最需要的不是「另一份建議」，而是一個會為這份建議的後果站出來的人。這個人的稀缺性，不會因為 AI 變強而降低——反而會因為「不負責任的免費建議」變得氾濫而變得更稀缺。 這就是為什麼 Lo 的結論不是「AI 會取代顧問」，也不是「顧問永遠不會被取代」。他的結論更精準： AI 把專業變成了 commodity，但把信賴義務變成了 premium。 你的工作不是跟 AI 比誰懂得多——那場比賽你注定會輸。你的工作是讓客戶清楚看到，你的建議後面有什麼 AI 永遠不會有的東西：一個可以被追究、可以被處罰、可以被告上法庭的『你』。 這聽起來很沈重。但在一個人人都能免費拿到「80 分建議」的時代，一個願意為建議負責的人，比任何時候都更值錢。📎 Andrew Lo 在 CNBC 的這篇訪談只是冰山一角。如果你想看他跟 Jillian Ross 完整的研究方法（包括他們怎麼用 RAG 把金融訴訟判例訓練進 AI、ChatGPT 4.0 跟其他模型在「公平性」上的差距、以及他們為什麼認為政府必須修法才能讓 AI 具備真正的信賴義務），建議直接讀 MIT Sloan 的完整訪談。想看 Schwab 研究裡「10% 真正整合 AI 的顧問」到底在做什麼用例，以及 2026 年 AI Summits 的議程，可以到 Schwab Advisor AI in Action 2026 專頁 看全貌。而 Cerulli 的年齡分層數據跟合規建議，原始新聞稿 有完整的圖表。