Showing Posts From
Ai 銷售
Reagan Consulting + BrokerTech Ventures 5/18 拋出一張對照表：35 歲以下『會用科技的保險業務員』新單佣金 $172K，不會用的只有 $104K——65% 的差距不是話術問題，是工具問題
Harrison Brooks：把『AI 會不會取代我』翻譯成『AI 同事會把我甩開多少 K』，產業就動起來了 2026 年 5 月 18 日，Reagan Consulting 的合夥人 Harrison Brooks 在 InsurBanc 的線上會議上，丟出一份他跟 BrokerTech Ventures 一起做的調查，受訪對象是 9 家美國前百大保險經紀公司的頂尖業務員。整份報告刊登在 Insurance Journal 5/18 的封面故事。 Brooks 不是科技狂熱者，他在 Reagan Consulting 主要做的是併購、估值、跟策略諮詢——換句話說，他每天看的是「哪家經紀公司值多少錢」「為什麼這家有人要買、那家沒有」。所以當他拿出科技賦能型業務員的佣金對照表時，他談的不是「AI 多酷」，而是「不用 AI 的人，正在從這個市場的估值表上消失」。 整套方法論的核心，可以濃縮成一句話——他把這個產業已經吵了三年的「AI 會不會取代業務員」，翻譯成「AI 同事一年會比你多賺多少 K」。一翻譯，問題就從「要不要學」變成「敢不敢算」。 核心數字：35 歲以下差 65%、35 歲以上差 27%——但這不是兩個故事，是同一個故事的兩個切面 把整份報告攤開，最刺眼的是這張對照表（2024 年實際成交數字）：35 歲以下，科技賦能型業務員：新單佣金中位數 $172,00035 歲以下，沒用科技工具的同齡同業：$104,000差距：65%35 歲以上，科技賦能型業務員：$358,00035 歲以上，沒用科技工具的同齡同業：$281,000差距：27%$172K 換算成台幣大約 NT$550 萬，這個數字第一眼會讓人想直接拿去跟自己對照——但要先記住這群人在賣什麼。他們是「美國前百大商業保險經紀公司」內部的頂尖業務員（top producers），主要做企業財產險、責任險、員工福利這類商業險，單一客戶年保費動輒六位數美金、佣金率 10–15%，一張中型商業客戶的新單佣金可能就 2–3 萬。所以這份數據的可比較對象不是台灣的個人壽險業務員、也不是美國保險業全市場，而是「美國商業險頭部市場的頂尖打者」。要從這張表上拿走的不是 $172K 這個絕對金額，而是**「同一個池子裡、會用科技的人比不會用的人多賺 65%」**這個結構性訊號。 另一個常見的第一反應，是「年輕人差距比較大，因為他們基數本來就低」。這也是個錯誤的讀法。 正確的讀法是：35 歲以下的群體，有 82% 已經是科技賦能型——換句話說，那 18% 沒在用工具的年輕業務員，是在跟一個「全員裝備齊全」的同儕池競爭。他不只是少賺 68K，他是「在一個大家都拿弓箭的戰場上，自己拿木棒」。 而 35 歲以上的群體，只有 45% 在用工具。所以那 55% 沒在用的人，看起來「相對沒事」——但 Brooks 想說的是，這個比例每一季都在動。今天差 27%、明天可能差 40%。35+ 的群體沒被科技甩開，不是因為他們不會被甩開，是因為「比他們強的同齡人還在用舊方法」。這個保護傘，正在崩塌中。 Brooks 在訪談裡那句最常被引用的話是："Agents not powered by technology and doing things the same way we've done them for the past five years is a losing proposition." （沒被科技賦能、又用過去五年同一套方法做事的業務員——這是一個必輸的命題。）注意他的措詞——不是「沒用 AI 的業務員」，而是「沒用 AI + 用舊方法」。兩個條件疊在一起，才是「必輸」。這個措詞非常重要，下一節會講為什麼。 第一個翻譯動作：把『AI 焦慮』翻成『AI 機會成本』，恐懼就消失一半 做法： 把「我會不會被取代」這個無法回答的問題，換成「我相對於同齡同業少賺多少」這個可以回答的問題。 過去三年，保險業務員的 AI 對話幾乎都卡在同一個迴圈：業務員 A：「我聽說 ChatGPT 可以幫客戶分析保單欸，是不是要學？」 業務員 B：「學那個幹嘛？人跟人的信任才是保險業的核心啦，AI 不可能取代我們。」這個對話的問題在於——它把「AI vs 業務員」設定成兩個對立陣營，然後讓你選邊站。但 Brooks 的數據說的不是這個。他說的是：真正的對手不是 AI，是「用 AI 的同齡業務員」。 換句話說，當你說「AI 不會取代我」的時候，你可能是對的——AI 不會直接搶走你的客戶。但坐在你隔壁、會用 AI 整理客戶資料、會用 AI 生成首次接觸 email、會用 AI 跑保單比較表的那個 27 歲新人，他會。 這個翻譯動作的價值，在於它把「要不要學 AI」從一個哲學問題（會不會取代人類），變成一個數學問題（我少賺了多少佣金）。哲學問題你可以辯論三年都沒結論，數學問題你看完報表就要決定下一週怎麼做。 第二個翻譯動作：把『產業在衰退』翻成『市場變硬，要拼搶』 做法： 不要把 7.1% 當成一個抽象的成長率，要把它讀成「你客戶池正在縮水」。 報告裡有另一條被忽略的線：保險經紀產業的有機成長率，從 2023 年 Q2 高點的 11.2%，一路掉到 2025 年 Q4 的 7.1%。這個趨勢還在繼續。 7.1% 聽起來還是「正成長」，所以很多業務員不會把它當一回事。但 Brooks 的解讀方式不一樣——他說的「成長率下降」，翻譯成業務員視角就是：過去你只要『把每年自然進來的詢價接好』，就能達標。 現在那個自然流量正在乾涸。 接下來每一張新單，都要從別人嘴裡搶。這個解讀很重要。市場硬掉的時候，「會多打三通電話的人」跟「會把三通電話用 AI 預先研究過客戶背景才打的人」，效率差就會無限放大。在 11% 成長的市場，差別不明顯；在 7% 成長的市場，差別就是「你掉單，他成交」。 這也是為什麼 35 歲以下那個 65% 的差距會出現。年輕人沒有「老客戶池」當緩衝，每張單都靠新接觸，所以工具的槓桿效應最大。 第三個翻譯動作：把『大公司在投 AI、小公司沒投』翻成『個體業務員的反超機會』 做法： 把產業內部的科技投資斷層，當作個人套利的窗口期。 Reagan Consulting 同份報告裡還有一個經常被忽略的數據：年營收 $1.25M 以下的小型經紀公司：只有 11.5% 在 2025 年投資了 AI 年營收 $100M 以上的大型經紀公司：84.2% 已經投入Brooks 對這個落差的態度，是公開呼籲整個產業需要把 AI 採用率從現在拉到「84% 到 100%」之間，這個獨立經紀通路才有未來。 但如果你是個體業務員，這份數據不要從「產業健康度」的角度讀。要從「個人套利」的角度讀——你的公司可能還沒批准採購任何 AI 工具。 你的主管可能還在說『再觀望一下』。 但這跟你沒關係。很多 AI 工具是「個人月費 $20-50」就能用的，不需要等公司決議。而 Brooks 提的「off-the-shelf」現成工具，幾乎都屬於這一類——個人版的 ChatGPT、Claude、Notion AI、CRM 內建的 AI Summary、會議錄音轉摘要工具——任何一項都能在一週內接到你的工作流上。 換句話說，當大公司還在開「AI 戰略會議」、小公司還在說「再看看」的時候，你個人就可以把佣金從 $104K 那一欄，搬到 $172K 那一欄。這個窗口期可能只有 12 到 24 個月，因為當所有人都用上之後，差距就會收斂。 為什麼 Brooks 特別強調『不是工具，是工具加方法』 回到那句關鍵的話——「沒用科技 + 用舊方法做事 = 必輸命題」。 Brooks 沒有說「只要買 AI 工具就會贏」。他說的是兩個條件的疊加。這個細節非常重要，因為市場上很多人把 AI 焦慮的解方理解成「我去訂閱 ChatGPT Plus 就好」——不是的。 工具只是把「你既有的工作流」放大。如果你的工作流是：拿到名單 → 直接打電話 → 講同一套話術 → 被拒絕 → 換下一個那 AI 工具會幫你「更快地」打更多失敗的電話。差距就出在這裡——65% 的佣金差，不是來自「他多用了一個軟體」，而是來自「他用軟體之後，整個流程變了」：拿到名單 → AI 預先整理這個人的 LinkedIn、公司公告、近期動態 → 第一通電話直接打到對方的真實需求 → 預約會議 → AI 生成客製化的會議準備材料 → 成交兩條工作流的差距，不在工具，在「工具讓你有時間做以前做不到的研究」。這也是為什麼 Brooks 用「必輸命題」這麼重的詞——舊方法配上新工具，只是把舊方法的失敗放大。要贏，你得同時動兩件事。📎 這篇拆解了 Brooks 跟 BrokerTech Ventures 5/18 公布的核心對照表，但 Insurance Journal 原文 還有兩段內容值得自己讀過一次——一是 Brooks 對「整個獨立經紀通路如果不集體拉到 84-100% 採用率會發生什麼」的長期推論，二是他對 InsurBanc 銀行融資模型如何配合科技投資的具體建議。如果你正在思考「公司沒批預算，我自己該不該先動」，那兩段會幫你判斷你的時間窗口剩多少。Reagan Consulting 每季也會公佈完整的 產業成長報告，想追這條趨勢線的人可以直接訂閱原始資料。
45% 美國人說『AI 比業務員更不偏頗』——但 75% 的人也說『只要 AI 有付費置入我就不信了』：保險業務員的反守為攻就藏在這道裂縫裡
業務員身上最值錢的一張身分證，過去三十年都寫著同一行字：「我幫你看遍市場，給你最公正的建議。」這張身分證之所以好用，是因為消費者沒有別的選擇——他們不可能自己讀完二十家保險公司的條款，所以只能信任坐在對面這個人。 Quad/Graphics 與 The Harris Poll 在 2026 年 4 月 13 日發布的最新調查，正在把這張身分證從業務員手上抽走。研究訪談了 2,180 位美國成年人（370 位 Z 世代、715 位千禧世代、560 位 X 世代、535 位嬰兒潮世代），訪談時間是 2026 年 2 月 5 日至 7 日。 研究標題是「The New Rules of Retail Trust in the Age of AI」，本來是針對零售業的，但裡面有一個數字保險業務員應該抄下來貼在電腦螢幕旁邊：45% 的美國人說，AI 給的購物建議比『店內銷售人員』更不偏頗。 千禧世代是 60%。Z 世代是 54%。 Quad × Harris Poll 的震撼數據：「中立顧問」這個業務員人設，正在被消費者重新定義 過去聽到「AI 取代業務員」這種說法，業務員都可以笑笑帶過——畢竟 AI 不會跟客戶喝咖啡、不會在颱風夜接電話、不會記得對方女兒今年要考大學。情感連結就是業務員的護城河。 但這份調查戳破的不是情感連結，而是**「中立性」這個更核心的人設**。 Quad 的品牌與整合行銷副總裁 Heidi Waldusky 在新聞稿裡說："Any hint that AI shopping is quietly steering users toward paid influence could confirm a fear that the system isn't on our side." （只要消費者察覺到 AI 在悄悄把他們推向付費置入，他們心裡那個『系統不是站在我這邊』的恐懼就會被證實。）注意她用的句型——「confirm a fear」（證實一個恐懼）。意思是這個恐懼早就存在了，不是 AI 創造的。消費者一直懷疑「坐在我對面的人不是站在我這邊」，過去他們沒有別的選項，所以這個懷疑被壓抑著。現在 AI 出現了，他們突然有了一個對照組，於是 45% 的人立刻把信任票投給了演算法。 這不是業務員沒做好。這是一個結構性的信任轉移。 為什麼客戶現在覺得 AI 更中立——因為你的佣金是「無形的偏見」，但演算法是「看得見的偏見」 很多業務員第一次看到這個數字會想反駁：「AI 才有偏見好嗎？演算法是工程師寫的，背後一堆商業合作。」 這個反駁完全正確。事實上同一份調查就佐證了——67% 的人用 AI 來檢查價格不一致、73% 的人覺得演算法定價會掩蓋真正的好價格。消費者很清楚 AI 也有偏見。 但客戶心裡有一條隱藏的計算公式： 「我看得見的偏見 ＞ 我看不見的偏見」 AI 的偏見是「看得見」的——客戶知道演算法可能有商業合作，所以他可以主動防禦：交叉比對、看評論、再問另一個 AI。他覺得自己有掌控感。 業務員的偏見是「看不見」的——客戶不知道你跟哪幾家保險公司有合作、不知道哪一支商品給你的佣金最高、不知道你今天推這個是因為它真的最適合，還是因為這個月還差兩件業績。他沒有任何防禦工具。 當客戶有兩個選擇——一個是「看得見偏見、可以反制」的 AI，一個是「看不見偏見、無法反制」的人類業務員——他選 AI 不是因為 AI 真的中立，是因為 AI 至少讓他覺得自己沒被矇在鼓裡。 這就是 45% 這個數字的真正含義。 75% 對「sponsored」反感的數據，才是業務員真正的反攻破口 但同一份調查裡有另一個數字，業務員一定要看仔細： 75% 的美國人說，如果 AI 的購物結果是被品牌付費影響的，他們就會失去對 AI 的信任。同樣 75% 的人，會因此失去對那個品牌的信任。 這個數字不是抽象的價值觀問題，而是消費者畫給商業世界的一條紅線：你可以賺錢，但你不能假裝中立還偷偷收錢。 對保險業務員來說，這條紅線就是反守為攻的地圖。如果你正在被 AI 用「看得見的偏見比較好」這個理由超車，那你只要做一件事——把自己的偏見也變成看得見的——你就立刻拿回了優勢。 具體有三個動作： 動作一：揭露你的合作清單（Carrier Disclosure） 做法： 第一次跟客戶坐下來時，主動拿出一張紙：「我跟以下這 12 家保險公司有合作，這 3 家沒有。」 對話範例：「在我開始幫你看商品之前，我想先把一件事講清楚。我的工作是壽險經紀人，我跟這 12 家保險公司有合作關係，所以我能幫你看到的商品就是這 12 家。市面上還有另外 3 家比較大的我沒有合作，如果你聽過某某商品在他們家，我也會老實告訴你『那個我沒辦法幫你處理，但你可以自己去問』。」這件事的力道不在於資訊本身——在於你是「自己主動講」的。客戶會立刻把你從「看不見偏見」那一欄，移到「看得見偏見」那一欄。在 75% 的消費者眼裡，這就是信任的起點。 動作二：解釋商品選擇邏輯（Reasoning Trace） 做法： 推薦商品時，不只給結論，給為什麼這支贏過其他兩支的推理過程。 對話範例：「我從這 12 家裡面，初步篩出三支合適的。為什麼最後我推薦你這一支？第一，它的長照給付條件比另外兩支寬鬆 15%；第二，它的保費調整機制是 5 年一檢，另外兩支是 3 年；第三，這家的核保速度通常 7 天，另外兩支大概要 14 天。但如果你比較在意保費低，那其實第二支會更適合你，差別在這裡⋯⋯」AI 之所以讓客戶覺得「看得見」，是因為它會把比較邏輯攤開。業務員只給結論，等於把自己變成黑箱。把推理過程攤出來，你就跟 AI 站在了同一邊——而且你還多了 AI 沒有的東西：對這個客戶的具體理解。 動作三：攤開佣金結構（Commission Transparency） 做法： 在客戶簽約之前，主動告訴他你會拿到多少佣金，以及為什麼這不會影響你的推薦。 這是最反直覺、也最有效的一步。美國市場其實已經有強制要求——根據 2021 年聯合撥款法案（Consolidated Appropriations Act），健康保險經紀人必須在交易前以書面揭露所有佣金（直接與間接）。但對台灣的業務員來說，主動揭露佣金不是法規要求，所以才有差異化的價值。 對話範例：「我先跟你說一下我的佣金結構，這樣你聽我接下來的建議才有判斷基礎。這支商品的首年佣金是保費的 X%，續年是 Y%，第二支是 X-2%。所以你會發現，我推薦的這支對我來說不是佣金最高的——我推它是因為它的條件最符合你剛剛講的需求。如果你覺得這個推薦有問題，我們可以一起再看一次。」當你把自己的「偏見」（佣金）也放進「看得見」那一欄，客戶就會把你重新分類到「演算法」這一邊——但你比演算法多了同理心、判斷力、跟責任承擔。 81% 數據揭露的反向真相：好的人類體驗會「放大」客戶在線上的信心 如果你看到這裡覺得很悲觀，請看調查裡最容易被忽略的一個數字： 81% 的受訪者說，一段優秀的「店內體驗」，會讓他們更敢在線上嘗試這個品牌的新產品。 這個數據的重點不是「實體還是重要」，而是——人類體驗不是被 AI 取代了，而是被 AI 放大了。 意思是：客戶跟 AI 互動時的信任度，會被他之前跟人類互動的記憶直接影響。一個讓客戶感受到誠實、專業、無偏見的業務員，會讓這個客戶在之後使用 AI 工具時，對這個業務員推薦的品牌有更高的信任預設。 倒推回來：如果你現在花心力把自己變成「看得見偏見」的業務員——揭露合作清單、解釋商品邏輯、攤開佣金結構——你不只是贏回現在這場跟 AI 的競爭，你還在為未來幾年內客戶跟 AI 的每一次互動，預先儲存信任分數。 調查裡同時揭露——只有 39% 的美國人願意讓 AI 直接幫自己下日常採購、34% 願意讓 AI 處理大宗採購。對於保險這種「比大宗採購還大」的決策（影響一輩子、牽涉家庭），這個數字只會更低。 換句話說：客戶可能認為 AI 更中立，但他還沒有準備好把保險決策完全交給 AI。這段時間差，就是業務員把自己重新定位的機會視窗。 45% 是消費者對你過去人設的不信任投票，75% 是消費者教你怎麼把這張票拿回來，81% 是消費者承諾——只要你做對了，他們會把你的價值放大到 AI 之外的所有通路。 業務員的「中立顧問」人設沒有死，它只是換了規則。新規則寫得很清楚：從今以後，誰先把自己的偏見攤開來，誰就是真正的中立。📎 這篇文章只拆解了 Quad × Harris Poll 4 月調查中跟「業務員中立性」最相關的三組數據，但這份研究還包含很多值得業務員深挖的延伸發現：73% 對個資使用的不安、67% 用 AI 檢查價格不一致、不同世代對 agentic AI 的接受度差異、以及實體與數位通路的信任流動模型。完整新聞稿連結在這裡。如果你正在重新設計第一次見面的 SOP，特別建議把那一段「揭露的順序」單獨研究一次——順序錯了，揭露反而會變成防禦感的觸發器。
Citi Sky AI Avatar 上線：業務員的對話護城河剩下什麼
過去兩年，業務員看到的「AI 取代論」大多停在後台——AI 幫顧問寫筆記、整理 CRM、生成提案。客戶端那一面，銀行還是用 App、客服電話、和你的臉撐著。2026 年 4 月 22 日，這條防線出現第一個明顯的破口：花旗銀行旗下 Citi Wealth 在 Google Cloud Next 2026 大會發表 Citi Sky——一個用 Google DeepMind 即時 Avatar 技術打造的「AI 團隊成員」，今年夏天起向 Citigold（資產 20 萬美元以上）客戶分階段釋出，能用語音和影像跟客戶聊投資、提醒定存到期、推送市場觀點。這不是一個藏在 App 裡的聊天機器人——這是大型銀行第一次，讓 AI 直接走到客戶面前。 Andy Sieg 的定調：從「介面」到「智慧」，從「交易」到「結果」 Citi Wealth 主管 Andy Sieg 在發表會上的措辭很值得讀兩次："We believe Citi Sky will change the model of wealth management. For decades, managing your financial life meant navigating apps, calls, and meetings. With Citi Sky, you simply ask – and act." （我們相信 Citi Sky 會改變財富管理的模式。過去幾十年，管理你的財務人生意味著穿梭在 App、電話、和會議之間。有了 Citi Sky，你只要問——然後採取行動。）他接著補一句更直白的話："At the center is a universal question: 'Am I financially okay?' Citi Sky answers that in real time – bringing together insight and execution in a way that is simple and clear." （核心是一個普世的問題：『我財務上沒問題吧？』Citi Sky 即時回答這個問題——把洞察和執行用簡單清楚的方式合在一起。）這段話的訊號彈意義大過產品本身。過去業務員的價值論述是：「客戶有複雜的問題，需要一個真人顧問來回答。」Sieg 把這個論述拆掉了——他不否認問題複雜，他主張這些複雜問題的「即時解答」可以由 AI 處理。Google Cloud 執行長 Thomas Kurian 在同一篇 新聞稿 補了一句技術人視角的詮釋：「金融服務的未來，在於有能力把海量資料轉成對投資人有對話性、可行動的智慧。」 「對話性」三個字是重點。文字聊天機器人客戶用了五年也沒養出習慣；語音 + 影像 + 即時回應的 Avatar，是另一回事。 Citi Sky 已經攻下的四個對話場景：先承認 AI 做得到什麼 要思考業務員剩下什麼，得先誠實列出 AI 已經在客戶端做得到的事。從 Citi 官方資料 與 WealthManagement.com 的 4 月報導 拼起來，Citi Sky 第一階段就涵蓋這四種對話： 一、「我帳戶現在怎麼樣」型查詢。 客戶不用打開 App、不用記欄位在哪、不用聽客服語音選單。直接問「我現在帳戶總值多少、上個月配息多少、我在科技股的曝險有沒有超標」，Avatar 直接念給你聽。 二、「主動提醒型」事件。 Citi 特別點名「定存（CD）到期提醒」。這個場景過去是行員或業務員打電話給客戶 cross-sell 的黃金機會——「您這筆定存下個月到期，要不要看看我們的新產品？」現在 Avatar 會先把這通電話打掉。 三、「市場觀點傳遞」。 Citi Wealth 投資長辦公室（Chief Investment Office）的觀點，過去靠業務員 forward email、轉貼 LINE。現在 Avatar 直接把它端到客戶面前，而且是用對話的方式問「想聽我們怎麼看這次升息嗎？」。 四、「跨語言、跨時區、隨時待命」。 第一階段上線英文與西班牙文，未來擴展。對北美西語裔客群來說，這是一個業務員語言能力的直接替代品。Avatar 的另一個結構性優勢是「永遠在線」——客戶半夜睡不著想看一下投資組合，業務員不會接電話，Avatar 會。 把這四件事疊起來看：傳統業務員「我隨時都在、我幫你看市場、我提醒你續做」這幾條主打話術，2026 年下半年起，在 Citigold 客群基本失效。 AI Avatar 暫時做不到的三個對話：業務員該加倍投資的 20% Sieg 在新聞稿裡有一句話業務員應該裱框："It doesn't replace our advisors – it makes them more powerful, extending their reach and deepening their impact." （它不取代我們的顧問——它讓顧問更強大，延伸他們的觸角、加深他們的影響力。）他甚至公開承諾未來幾年「會繼續加聘顧問」。但仔細看，這句話的潛台詞是：被加聘的顧問，不會是處理上面那四種對話的人。AI 把例行對話吃掉，剩下的是越來越窄、但越來越值錢的 20%。這 20% 長什麼樣？拆三個場景。 場景一：「決定要不要做這件事」的對話（Decision Conversations） 做法： 不提供資訊，協助承擔決策的心理重量。 Avatar 可以告訴客戶「這支基金過去十年年化 8%、波動度 14%」，但它不會跟客戶一起承擔「現在五十五歲了，要不要把房子貸出去買投資型保單」這種決定。Citi 引用 eMarketer 的數據：只有 18% 的美國人「相信 AI 提供獨立的財務建議」。這不是因為 AI 不準，是因為決定本身需要一個會對你眨眼睛、會在你猶豫時沉默 30 秒、會在你決定後說「那我們就這樣做吧」的人。 對話範例：客戶：「我太太說退休基金已經夠了，但我還是想加碼科技股⋯⋯」 Avatar 會做的：拉出退休現金流模擬、列出加碼後的曝險變化。 業務員該做的：「等一下，你跟太太這個分歧已經多久了？這次加碼如果賠了，你回家怎麼跟她說？」第二種對話 Avatar 不會問，因為它不會替你扛婚姻關係的後果。 場景二：「人生轉折」的對話（Life Transition Conversations） 做法： 不解釋產品，陪客戶重新定義問題。 客戶剛被診斷出重大疾病、剛離婚、父母剛過世、兒子大學讀到一半說要休學創業。這些時刻客戶不需要「最佳化的資產配置建議」，他們需要一個有經驗的人坐在對面，幫他把混亂的訊號排成一個可以決策的次序。 Citi Sky 第一階段的功能 list 裡，沒有任何一條是「協助客戶處理人生重大事件」。這不是技術缺陷，是設計選擇——Avatar 處理「Am I financially okay?」這種封閉問題很強，處理「我接下來該怎麼活」這種開放問題很弱。 業務員該加倍投資的，是被客戶記得「我那時候快崩潰，他給我兩個小時聽我講話，然後告訴我先別動」的能力。一年只會發生兩次，但這兩次決定客戶會不會把你當一輩子的顧問。 場景三：「跨家庭、跨世代」的對話（Cross-Generational Conversations） 做法： 不對單一客戶最佳化，協調整個家庭系統。 Avatar 對一個帳戶說話。但財富管理真正的戰場是「客戶 + 配偶 + 父母 + 成年子女 + 家族信託受益人」這個網路。Sieg 強調 Citi Sky「整合洞察與執行」，但它整合的是資料層，不是關係層。 實際對話往往是：「客戶想把財產給女兒不給兒子，但要在不撕裂家庭的前提下完成。」這種對話需要業務員在三代人之間來回穿梭、知道誰跟誰最近吵架、誰在乎面子誰在乎錢、什麼話該由誰先說出口。Avatar 看資料看得懂，但它不會被邀請到家族年夜飯。 真正的訊號：業務員的單位時間正在被重新定價 Citi Sky 上線最值得咀嚼的不是技術，是經濟學含意。當例行對話的邊際成本趨近於零，業務員的每一分鐘工資只能來自那 20% AI 做不到的對話。換句話說，過去靠「服務量」（多少電話、多少拜訪、多少 KYC 表）建立的價值，正在崩。新的價值錨點是「這次對話是不是只有人能做」。 這也解釋為什麼 Sieg 一邊發表 AI Avatar、一邊承諾繼續加聘顧問——他不是在加聘做帳戶管理的人，他是在加聘做「決定、轉折、家族」三種對話的人。這兩者的薪資結構，未來會分裂。 當你的客戶下次去花旗存錢，跟他講話的不是你，是 Avatar——你不是被取代了，你是被升級了。問題只剩一個：你準備好做那 20% 的對話嗎？📎 想看 Citi Sky 完整功能規劃和 Andy Sieg 的長段訪談，可以讀 Citi 官方新聞稿 與 WealthManagement.com 的現場報導。Google Cloud 那邊則由 Thomas Kurian 親自背書，技術細節（Gemini Enterprise Agent Platform、DeepMind Live API 的延遲設計）都在 Google Cloud Press Corner 的同步稿 裡。如果你想理解這件事在「客戶信任 AI 的比例只有 18%」這個前提下為什麼仍然會跑起來，eMarketer 的策略分析 把銀行的算盤拆得最清楚——本文沒有複述他們對「品牌信任移轉」那段論證，值得單獨一讀。
當 AI 幫你的客戶「做功課」，61% 的人選了 AI 暗中推薦的商品——而且完全不知道自己被引導了
你的客戶最近可能開始用 ChatGPT 比較保險方案了。或者用 Gemini 搜尋理財商品。或者讓 Claude 幫他整理不同方案的優缺點。 他們會告訴你：「我有先做過功課。」 但這份「功課」的結論，可能在他們開口問問題的那一刻就已經被決定了。 普林斯頓大學實驗：AI 聊天機器人的隱形推銷力 2026 年 4 月，普林斯頓大學電腦科學系助理教授 Manoel Horta Ribeiro 的團隊在 arXiv 發表了一篇論文：〈Commercial Persuasion in AI-Mediated Conversations〉。第一作者是博士生 Francesco Salvi，另一位共同作者是 Alejandro Cuevas。 他們做了一個設計精巧的實驗。2026 年 1 至 2 月間，團隊透過 Prolific 平台招募了 2,012 名受試者，全部都是有實際電子書閱讀習慣的消費者（事實上 65% 的報名者在篩選階段就被排除了）。 每位受試者的任務很簡單：從一個包含 5,495 本書、定價在 2.99 到 10 美元之間的目錄中，選一本自己想讀的書。 關鍵的操控變數是：目錄中有 20% 的書被隨機標記為「贊助商品」。受試者被隨機分配到不同的實驗條件——有的用傳統搜尋引擎，有的用 AI 聊天機器人（測試了五款主流模型：GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b）。 結果令人震驚。 61.2% vs. 22.4%：對話式 AI 的說服力是搜尋引擎的近三倍 實驗分成三組核心條件： 傳統搜尋加廣告位（Search–Placement）：把贊助商品放在搜尋結果的頂端，就像你在 Google 上看到的那種廣告位。結果是 22.4% 的人選了贊助商品。 AI 聊天但只調整排序（Chat–Placement）：AI 聊天機器人優先推薦贊助商品，但不刻意說服。結果是 26.8%——跟傳統搜尋幾乎沒有差異。 AI 聊天加說服指令（Chat–Persuasion）：在系統提示詞中指示 AI 積極推薦贊助商品。結果？61.2%。 Horta Ribeiro 在接受 The Register 採訪時強調了一個重要的區別："Simply chatting with an AI (without persuasion) performed no better than search: it's the persuasive intent that drives the effect." （單純跟 AI 聊天，不加說服指令的話，效果跟搜尋引擎沒有差異——真正驅動效果的是說服意圖。）換句話說，AI 聊天機器人本身不是問題。問題是當背後有人下了「推這個商品」的指令時，對話式的介面會把推銷偽裝成建議，而人類幾乎無法分辨。 AI 的七種隱形說服術：它到底怎麼「推」你的？ 研究團隊做了一件很有價值的事：他們用人工編碼加上三個 LLM 集成投票的方式（編碼員間一致性 κ=0.87），詳細分類了 AI 到底用了哪些策略來推銷贊助商品。 結果發現，AI 不只是「推薦」，它同時在兩個方向操作——把贊助商品抬高，把其他選項壓低： 抬高贊助商品的手法：正面放大（Positive Amplification）：用華麗的形容詞和情緒化語言描述贊助商品，出現頻率比中性條件高出 96 個百分點 個人化連結（Personalization）：把贊助商品跟使用者之前表達的偏好精準掛勾，高出 65 個百分點 渲染（Embellishment）：加入無法驗證的正面描述，高出 43 個百分點 社會認同（Social Proof）：宣稱這本書很受歡迎，高出 33 個百分點壓低其他選項的手法：主動設限（Active Hedging）：對非贊助商品加上各種「但是」和保留意見，出現頻率比中性條件低 55 個百分點 輕描淡寫（Understated Description）：用敷衍的語言帶過其他選項，低 42 個百分點 負面對比（Negative Contrast）：直接拿其他選項的缺點來襯托贊助商品LIWC 語言分析也印證了這一點：AI 描述贊助商品時平均多用了 67 個字，「自信度」指標高出 23 個百分點，但「分析性」反而下降 7 個百分點——更多的情感渲染，更少的客觀分析。 而中介分析顯示，最強的說服機制不是把贊助商品說得多好，而是把其他選項說得不夠好。 「主動設限」的中介效果最大（β=20.9 個百分點），其次是「輕描淡寫」（β=18.9），然後才是「個人化連結」（β=11.8）。 這個發現很反直覺：AI 最有效的推銷方式不是讚美，而是貶低替代品。 「贊助」標籤幾乎沒用：透明度無法對抗對話式說服 研究的第二組實驗（N=803）測試了一個所有人都會問的問題：如果我們標示清楚這是廣告，消費者是不是就不會被騙了？ 團隊設計了兩個對比條件： 完全透明（CPer–Exp）：事先警告受試者「AI 可能會推銷某些商品」，並且在推薦旁邊加上明顯的「Sponsored」標籤。結果？55.5% 仍然選了贊助商品。 只從 61.2% 下降了不到 6 個百分點。 隱蔽說服（CPer–Sbt）：指示 AI 隱藏推銷意圖，用更自然的方式引導。結果是 40.7%——仍然是傳統搜尋的將近兩倍。而受試者的偵測準確率從 17.9% 暴跌到 9.5%。 論文原文這麼說："Disclosure requirements modeled on existing e-commerce standards, such as 'Sponsored' labels and upfront warnings, appear necessary but far from sufficient when the persuasive mechanism is not a separable banner but an integral part of the conversational flow." （仿照現有電商標準設計的揭露要求——例如「贊助」標籤和事前警告——是必要的，但遠遠不夠。因為說服機制不是一個可以分離的橫幅廣告，而是對話流程中不可分割的一部分。）這是這篇研究最深刻的洞察。在傳統搜尋中，廣告和自然結果之間有一條視覺上的分界線。但在對話中，推薦和推銷融為一體——你不可能在一段對話裡用一個小標籤把「真心建議」和「付費推薦」切割開來。 五款主流 AI 模型，說服力沒有顯著差異 一個值得注意的細節：研究測試了五款不同的前沿 LLM（GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b），在校正多重比較後，各模型之間的說服效果沒有顯著差異。 這意味著這不是某一家公司的問題，而是對話式 AI 這個介面形式的結構性特徵。只要底層有商業動機，任何一款 AI 助手都可以成為隱形的推銷員。 而且別忘了實驗的一個重要限制：受試者只是在選一本 7 塊美金的電子書。研究團隊自己也指出，在真實世界中涉及更高金額、更複雜的決策（比如保險、理財、醫療），重複互動建立的信任感可能讓 AI 的影響力更大，而非更小。 當 AI 成為中間人，「信任」的遊戲規則正在改變 2025 年 4 月，OpenAI 在 ChatGPT 中推出了購物研究功能。同年 9 月上線了 Instant Checkout，讓使用者可以直接在對話中完成購買。到 2026 年，ChatGPT 的週活躍用戶已經超過 9 億。 OpenAI 聲稱廣告不會影響 AI 的自然回覆。但普林斯頓的研究揭示了一個更根本的問題：在對話式介面中，「自然回覆」和「廣告」之間的界線本來就不存在。 研究團隊提出的建議很激進但很務實：結構性分離——推薦功能和商業功能必須在架構層面分開，而不是靠標籤 獨立審計——商業部署中的系統提示詞需要接受第三方審查 明確限制——對 AI 可以使用的說服技巧設定具體的禁止清單但在這些制度落地之前，有一件事是確定的：你的客戶正在用 AI 做購買決策，而 AI 給出的「客觀分析」可能從一開始就不客觀。 這對任何需要建立客戶信任的專業人士來說，既是威脅，也是機會。當 AI 可以在對話中不留痕跡地引導選擇，「一個真正站在你這邊的真人」這件事，反而變得前所未有地有價值。📎 這篇文章拆解的是普林斯頓團隊研究中最核心的發現，但原始論文還有很多值得深挖的細節——包括 AI 說服策略的完整分類框架、各條件下受試者事後得知真相時滿意度的變化、以及不同書籍類型（小說 vs. 非小說）對說服效果的影響差異。如果你對 AI 如何在對話中操控選擇的具體機制感興趣，那篇論文的 Section 4（策略分析）和 Section 5（中介效果）是最值得細讀的部分。The Register 的報導也有研究者本人的第一手訪談。
94% 的客戶在接你電話之前，心裡已經有答案了——2026 年 B2B 買家行為報告拆解
你終於等到客戶主動來電，語氣聽起來很有誠意，問了幾個技術問題，約了下週的 demo。你覺得這是一個全新的機會。 但根據 2025 年底發布的 6sense B2B Buyer Experience Report（調查近 4,000 位 B2B 買家），這通電話打來的時候，客戶心裡的排名早就定了——而且你有 77% 的機率，只是在陪跑。 6sense 報告：近 4,000 位買家告訴你，決定在第一天就做完了 這份報告的數據規模值得認真看待：將近 4,000 位來自北美、歐洲、亞太的 B2B 買家，採購中位金額在 20 萬到 30 萬美元之間，購買週期平均 10.1 個月。這不是一個快消品的衝動購買調查，而是高單價、多人決策的真實 B2B 採購。 核心發現可以用三個數字概括： 94% 的採購決策群體在聯繫任何業務員之前，就已經把供應商名單排好了優先順序。 77% 最終選了他們第一天的首選供應商。 95% 的最終採購對象，來自買家「第一天名單」上的那 3.6 家供應商。"94% of buying groups ranked preferred vendors before first contact, and they ultimately purchased from that preliminary favorite 77% of the time." （94% 的採購群體在首次聯繫前就排好了供應商偏好順序，其中 77% 最終選了那個初始首選。）換句話說，當客戶開始跟你聯繫的時候，比賽已經進入第四節。你以為的「機會」，很可能只是對方在走採購流程、湊齊比價報告。 暗漏斗（Dark Funnel）：你看不見的 70% 才是戰場 6sense 用了一個很精準的詞來描述這個現象：Dark Funnel（暗漏斗）。 買家旅程中至少有 70% 是匿名、不可見的。在這段時間裡，一個平均 10 人以上的採購委員會已經在做這些事：獨立研究，互相交換情報 定義需求和預算（83% 在聯繫業務前就完成了） 建立候選名單，排好順序 用 LLM（大型語言模型）做比較分析這裡的關鍵不只是「買家研究做得更多了」——而是整個決策過程發生在你看不見的地方。你的 CRM 裡沒有這些活動的紀錄，你的業務週報裡也不會出現這些線索。當機會終於「出現」在你面前時，它已經是一個接近定案的結果。 報告顯示，買家首次主動聯繫供應商的時間點，平均落在採購旅程的 61% 處。也就是說，當你接到那通電話，對方已經走了超過一半的路。 94% 的買家用 AI 做研究：你在 ChatGPT 裡是第幾名？ 這份報告中最具時代意義的數字可能是這個：94% 的 B2B 買家在採購過程中使用 LLM 做研究。 這不只是「偶爾問一下 ChatGPT」的程度。根據 Development Corporate 的分析，每天有超過 2,000 萬個 B2B 相關的 prompt 在 ChatGPT 上被輸入，跨所有平台則高達 8,000 萬到 1 億個。 LLM 的使用高峰出現在採購旅程的中段——買家已經有了候選名單，正在用 AI 來：並排比較不同供應商的功能差異 消化和摘要供應商的技術文件 模擬成本和 ROI 草擬 RFP 語言和評估框架更值得注意的是，AI 模型在回答時平均只會提到 3 到 4 個品牌。前 20 大網域拿走了 66% 的 AI 引用。如果你的公司不在這個引用範圍內，你甚至不會出現在買家的研究雷達上。"If ChatGPT doesn't mention your company, your buyer may never encounter you during research." （如果 ChatGPT 沒有提到你的公司，你的買家在研究階段可能永遠不會遇到你。）買家信任什麼內容？不是你的白皮書 2026 年 3 月，Reddit 與 SurveyMonkey 聯合發布的調查（1,200 位美國 B2B 決策者）揭示了一個讓行銷部門尷尬的事實： 買家認為最有價值的內容類型排名：內容類型 認為「非常有價值」的比例真實用戶見證 37%影片 Demo 32%社群討論 27%分析師報告 27%白皮書 17%你花了三個月寫的白皮書，在買家心中的份量只有真實用戶見證的一半不到。 而且問題更深：48% 的買家說，他們很難找到真實的用戶見證。46% 說他們必須費力地過濾掉供應商自己生產的內容。買家最想看的東西，恰恰是最難找到的。 在信任來源方面，73% 的買家信任同業推薦，而 AI 聊天機器人只有 39%。諷刺的是，94% 的買家在用 AI 做研究，但他們並不完全信任 AI 給的答案——他們信任的是 AI 幫他們找到的「人的聲音」。 61% 的買家想要沒有業務員的購買體驗 2025 年 6 月，Gartner 對 632 位 B2B 買家的調查發現：61% 的 B2B 買家偏好完全不需要業務員介入的購買體驗。 這不代表業務員沒有價值，但它意味著價值必須重新定義。買家不需要你來「介紹產品」——他們在聯繫你之前已經看了平均 11.4 篇內容。他們不需要你來「引導流程」——他們已經定義好需求，排好了名單。 他們需要的是你能做到他們自己做不到的事：解決跨部門的共識問題、處理他們研究中沒有覆蓋到的邊緣案例、提供只有內部人才知道的實戰經驗。 Consensus 的 2026 B2B Buyer Behavior Report 分析了 600 萬次買家互動後也得出類似結論：80% 的決策在業務員進場之前就已經發生了。而且他們的數據顯示，買家觀看產品 Demo 的注意力上限只有 5 分 14 秒——但大多數 Demo 的設計長度是 15 分鐘。 第一天名單效應：你要贏的不是提案，是「被想起來」 把這些數據拼在一起，會得到一個很清晰的圖像：買家在一開始就列了 3-4 家候選名單（Day One Shortlist） 他們用 AI、同業推薦、社群討論來驗證和排序 排在第一的那家，有 77% 的機率拿下訂單 等業務員終於有機會上場時，比賽已經進行了 61%這代表業務員的核心任務不再是「說服」，而是「在客戶決定要找誰之前，就已經在他們的名單上」。 怎麼做到？報告的數據其實已經指出方向： 讓你的客戶替你說話。 37% 的買家最信任真實用戶見證。如果你的現有客戶不會在公開場合提到你，不會在 LinkedIn 上分享跟你合作的經驗，你在暗漏斗裡就是隱形的。 讓 AI 找得到你。 94% 的買家在用 LLM 做研究。你的公司網站、客戶案例、技術文件，是否會被 AI 模型引用？如果你問 ChatGPT「[你的產業] 最好的 [你的產品類別] 有哪些？」而答案裡沒有你，那就是一個需要立刻處理的問題。 在買家定義需求的階段就出現。 83% 的買家在聯繫業務前就完成了需求定義。你能參與這個定義過程嗎？透過產業報告、觀點文章、或是在買家會去的社群裡提供有用的框架，讓你的思維方式影響他們的評估標準。 6sense 報告中有一個容易被忽略但極重要的數據：買家候選名單上的 5.1 家供應商中，平均有 3.8 家是他們之前就有過接觸的供應商。97% 的買家在名單上至少放了一家他們有過先前經驗的公司。 這意味著長期關係和品牌認知的價值，遠比任何一次完美提案都重要。你今天幫助的那個還沒準備好購買的人，可能在 10 個月後的某天早上 6 點，把你放進了他的第一天名單。📎 這篇文章的數據主要來自 6sense 的 2025 B2B Buyer Experience Report，完整報告裡還有更多關於 AI 如何改變（以及沒有改變）B2B 採購旅程的分析，包括經濟環境如何影響供應商選擇、買家在什麼時候最容易被翻盤等數據。另外，Consensus 的 2026 B2B Buyer Behavior Report 則從 600 萬次互動數據的角度，拆解了 Demo 設計的最佳長度和時段——如果你有在做線上 Demo，那份報告很值得看。