把收入當資產管理：他靠一個「現金流水庫」帳戶做到 $350M AUM、600 個家庭——Kitces #493 拆解 David Mozeika：客戶亂花錢不是意志力問題，是帳戶架構問題
「先存再花」這句話，每個業務員都跟客戶講過，每個客戶也都點頭過。然後下個月，錢還是不知道花去哪了。 2026 年 6 月 9 日上線的 Kitces Financial Advisor Success Podcast 第 493 集，給了這個老問題一個完全不同的答案。來賓 David Mozeika 的立場很乾脆：客戶亂花錢不是意志力問題，是帳戶架構問題。你不需要叫客戶「更自律」，你需要把他的錢改一個流向。 而這套方法的成績單是：$350M AUM、600 個客戶家庭、年營收約 800 萬美元。 David Mozeika：從保險通路出身，把「現金流」做成整家公司的核心 David Mozeika 是新澤西州 Red Bank 的 RIA「TOMORO」創辦人，在金融服務業超過二十年，從保險通路起家，後來走向獨立顧問模式。TOMORO 現在有 17 名員工、3 位主導顧問，營收結構也很特別：費用制規劃服務佔不到 10%，其餘大約一半來自保險佣金、一半來自資產管理費——保險在他的模型裡不是附帶品，是支柱之一。 讓他值得被拆解的原因是：多數顧問把「現金流規劃」當成理財規劃裡最不討喜的一塊（沒人喜歡被檢討記帳），他卻把它倒過來做成獲客和留客的引擎，甚至為此開發了一套軟體 Currence，把自己的方法論產品化給其他顧問用。 現金流水庫帳戶：收入不進支出帳戶，先進「水庫」 Mozeika 的核心診斷是：美國家庭有一個「資金流向」問題。"Americans have a flow of funds problem, meaning that their money flows in the wrong direction." （美國人有一個資金流向的問題——他們的錢流錯方向了。）流錯方向是什麼意思？薪水直接進支出帳戶（checking account），而支出帳戶的設計目的就是付錢。"The default is to spend because the checking account is really nothing but an expense account." （預設動作就是花掉，因為支出帳戶說穿了不過是一個費用帳戶。）他的解法是在收入和支出之間插入一個中繼站，他稱之為「水庫」（reservoir）。做法具體到可以直接照抄：假設客戶每月收入 $10,000，全部先進水庫帳戶，再排程自動轉 $9,000 到支出帳戶，作為計畫內的生活額度。水庫設一個目標水位，通常是月支出基準的三倍——以這個例子來說大約 $27,000。水位以上的每一塊錢，就是「溢流」，自動成為投資、保障或其他財務目標的對話題材。 注意這個架構的巧妙之處：客戶的儲蓄不再是「月底剩下的」，而是「一開始就沒流進支出帳戶的」。Mozeika 把這個翻轉講得很直白："Why don't we just put people in a position where they're saving every dollar that comes into their life and then choose how much money they want to be allowed to be spent?" （我們為什麼不乾脆讓人處在一個「進來的每一塊錢都先是儲蓄」的位置，然後再選擇自己被允許花多少？）這跟「預算管理」是兩回事，他甚至刻意切割。一般家庭每月有 600 到 900 筆交易，逐筆記帳檢討是極度耗工又注定失敗的方法。水庫架構完全不管你錢花在咖啡還是計程車——它只管一件事：流進支出帳戶的錢，永遠只有計畫內的額度。 無意識消費 vs. 無意識儲蓄：改的不是行為，是預設值 一般人講 lifestyle creep（生活方式膨脹），Mozeika 給它取了一個更準的名字：無意識消費（unconscious consumption）。加薪了、領獎金了，錢進支出帳戶，然後不知不覺生活水準就上去了——沒有人「決定」要多花錢，是帳戶架構替他決定的。 水庫帳戶做的事情，就是把同一股力量反過來用："You're just changing the default position. And you're making, you're letting gravity work in your favor as opposed to working against you." （你只是改變了預設位置。你是在讓重力幫你，而不是跟你作對。）加薪之後，多出來的錢預設留在水庫，水位漲得更快，溢流更多——除非客戶有意識地決定提高生活額度，否則儲蓄率自動上升。Mozeika 觀察到一個有趣的副作用："People literally become addicted to their savings rate... as opposed to addicted to the consumption." （人們真的會對自己的儲蓄率上癮……而不是對消費上癮。）對業務員來說，這一段最值得細品的是它背後的銷售邏輯：Mozeika 從來不糾正客戶的消費行為，他只重新設計錢的路徑。沒有說教、沒有罪惡感、沒有「你應該少喝一點手搖」——客戶不會在這個過程中感到被審判，自然也不會抗拒。行為金融學講了二十年的「預設值的力量」，他把它做成了一個任何銀行帳戶都能複製的服務。 防禦層：保險不是被推銷的商品，是現金流計畫裡的一個流向 水庫的溢流要去哪裡？Mozeika 的規劃框架有四個支柱：保障（protection）、成長、遺產規劃、現金流。而他對保障的態度，濃縮在一句話："I believe creating wealth is just as much about avoiding loss as it is finding gains." （我相信創造財富，避免損失和尋找獲利同樣重要。）「Defense wins championships」——防守才能贏冠軍。在他的架構裡，保險是現金流的三個出口之一（消費、防禦、投資），不是一個獨立登場、需要被「推銷」的商品。當客戶已經看見自己的收入像水一樣流過水庫、分配到不同方向，「要不要為這條收入流本身保險」就變成一個自然的問題：這份收入是你最大的資產，如果這個資產不在了，要不要為它的完整重置價值投保？ 另一個值得抄的細節是他的用詞紀律："I never talk about needs. The word need really never comes out of my mouth. I always talk about wants." （我從不談「需要」。「需要」這個詞幾乎不會從我嘴裡說出來。我永遠談「想要」。）「需求分析」是整個保險業的標準話術，但 Mozeika 認為「需要」是顧問替客戶下的判斷，「想要」才是客戶自己的決定。一字之差，把保額從「你應該買多少」變成「你想為家人留下什麼」。 順帶一提，他的會議命名也貫徹同一套哲學：客戶沒有「review meeting」（檢討會議），只有「calibration session」（校準會議）。檢討是向後看、評判過去；校準是向前看——人生大部分時間都偏離航道，顧問的工作是持續比對「理想位置」和「目前位置」，把客戶不斷拉回航道。一個只是換了名字的會議，客戶的心理感受完全不同。 Income Under Management：AUM 之外的另一門生意 這套方法後來長成了一個產品。Mozeika 和合夥人發現市面上沒有任何帳戶工具能有效支撐水庫架構，於是自己打造了 Currence，把「收入管理」（Income Under Management, IUM）系統化——自動處理帳戶路由、轉帳排程、校準追蹤，並開放給其他顧問使用。 他在節目裡對同業說的這句話，可能是整集最有商業洞察的一句："Everyone on this call likely is in the assets under management business. But what I'll tell you is that if you're also in the income under management business, it'll drive your assets under management business." （在座每個人大概都在做「資產管理」這門生意。但我要告訴你的是：如果你同時也做「收入管理」這門生意，它會反過來推動你的資產管理生意。）邏輯不難理解：管資產的顧問，要等客戶「有錢了」才有東西可管；管收入的顧問，從客戶的第一份薪水就開始建立關係，而水庫的每一次溢流，都是一次自然發生的資產配置對話。$350M AUM 不是靠找到 600 個有錢家庭，是靠把 600 個家庭的收入流管好，讓資產自己長出來。 回到開頭那句話：客戶亂花錢，不是意志力問題,是帳戶架構問題。同樣的，業務員約不到下一次見面、找不到談保障的切入點，很多時候也不是話術問題——是你跟客戶之間，缺一個讓對話自然發生的結構。📎 這篇只拆了水庫帳戶和防禦層的主幹。Kitces 第 493 集的完整節目頁（2026 年 6 月）還有更多這篇沒展開的內容：Mozeika 帶新客戶做的「現金流練習」完整流程（inflows、outflows、capital flows 三種資金流的拆法）、他從保險通路轉型獨立 RIA 的完整心路、TOMORO 如何把三個獨立 practice 合併成「客戶屬於公司而非個人」的團隊模型，以及他對終身壽險與萬能壽險的完整論證。一個半小時的訪談加全文逐字稿都在頁面上，值得留給一段完整的通勤時間。
你的陌生電話現在先被 AI 接走了——保險教練 Michael Weaver：留給 AI 守門員的話只能有 10 個字
你大概有過這個經驗：手機響了，螢幕上跳出 Whoscall 的紅色標籤，你看一眼就按掉。現在事情又進化了一步——iOS 26 的「來電篩選」會直接替機主接起陌生電話，用 AI 語音問對方「請問你是誰、有什麼事」，再把對方的回答轉成一行文字顯示在螢幕上。機主看著那行字，決定接、掛、還是封鎖。這功能支援繁體中文，不用改地區設定就能開。 也就是說，如果你是靠電話開發吃飯的業務員，你的「第一印象」已經不是你的聲音、語氣、節奏——是一行字幕。而且是被 AI 轉錄、可能還轉錄得不太準的一行字幕。 2026 年 6 月 8 日，The Insurance Buzz Podcast 第 460 集專門處理了這個問題。主持人 Michael Weaver 給的答案短得驚人：留給 AI 守門員的話，五到七秒，大約 10 個字。多一個字，都是在降低接通率。 Michael Weaver：帶過上萬名保險業務員的電話開發教練 Michael Weaver 是 Weaver Sales Academy 的創辦人，這是一家專門訓練保險業務員的機構，至今帶過超過一萬名美國保險從業人員，學員累積的保費銷售成長超過兩億美金。他自己就是保險業務員出身，和太太 Courtney 一起主持 The Insurance Buzz，這個節目在保險銷售圈做了四百六十多集，主題從話術、心態到團隊招募都有。 第 460 集是一集只有 8 分 24 秒的單人短講，起因是一位學員 Ray Sively 的提問：現在打陌生電話，接起來的常常不是人，是手機內建的 AI 守門員——這要怎麼打？Weaver 的回答，等於是把傳統的語音留言策略整個翻新了一遍。 你的開場白現在是「被轉錄成文字後審判」：AI 來電篩選改寫了第一次接觸 先把場景講清楚。根據銷售科技公司 Apten 在 2025 年的分析，Apple 的來電篩選流程是這樣：電話還沒響，AI 先攔截，要求來電者報上姓名和來電目的；你的回答被即時轉錄成文字（上限大約 250 個字元）顯示給機主；機主讀完那行字，才決定要不要接。Google Pixel 的通話篩選更是行之有年，台灣自己還有幾乎人手一裝的 Whoscall 在前面再加一道過濾。 Weaver 在節目裡點出這件事的本質："They're gonna read it and they're gonna make the decision." （他們會「讀」那段話，然後做決定。）注意這個動詞——是 read，不是 listen。過去三十年，電話開發的教學都在教你怎麼「講」：聲音要有精神、語速要穩、開場 30 秒要交代你是誰、為什麼打來、能帶來什麼價值。但當第一次接觸變成一行字幕，整套規則就失效了。你精心設計的 30 秒開場白，被 AI 壓縮轉錄之後，在螢幕上看起來就是一坨可疑的長文——而沒有人會為了一坨長文接起陌生電話。 這跟「話術好不好」已經沒有關係了。這是媒介變了：你的開場白要為「轉錄文字」而寫，不是為耳朵而寫。 兩條鐵律：Keep it simple、製造好奇——為什麼 30 秒語音留言會直接殺死接通率 Weaver 給的框架只有兩條規則，而且他在節目裡刻意重複了一次，怕你沒聽進去："Keep it simple, generate curiosity. I'm gonna repeat myself one more time." （保持簡單，製造好奇。我再重複一次。）第一條是簡單。傳統語音留言的失敗模式，是業務員想在留言裡「把銷售做完」：講公司、講方案、講費率、講優惠期限。Weaver 直接說不行——"You received information, you're not gonna go into rates, you're not gonna go into any of that." （就算你手上有資料，也不要講到費率，不要講到那些細節。）第二條是好奇。留言唯一的任務，是讓對方產生「這通電話到底要講什麼」的缺口，缺口才會驅動回電。Weaver 用機主的視角解釋："If I can't figure out what the call is about, I'm probably not gonna call." （如果我搞不清楚這通電話是幹嘛的，我大概就不會回了。）這句話乍看跟第二條矛盾——搞不清楚不是才有好奇嗎？不是。機主要能在一秒內看懂「這是誰、找我有事」，但不知道事情的內容。前者是清楚，後者是懸念。30 秒留言的問題就在這裡：它把內容講完了，懸念沒了；或者它太長，連「這是誰」都讓人懶得解析。兩種死法，殊途同歸。 而這兩條規則最妙的地方是：它們同時適用於語音留言和 AI 守門員。因為在 AI 篩選的世界裡，這兩個東西本來就合流了——都是「一段被非同步消費的短訊息」，差別只是一個用聽的、一個用讀的，而用讀的那個，對長度更不留情。 五到七秒的逐字稿：Weaver 給 AI 守門員的三個版本 Weaver 在節目裡先給出語音留言的基本公式，逐字是這樣："John, this is Michael from XYZ Insurance Company. I've got a really important question for you. Please give me a call back." （John，我是 XYZ 保險公司的 Michael。我有一個很重要的問題想問你。請回我電話。）名字、身分、一個未揭露的「重要問題」、一個行動指示。完了。沒有方案，沒有費率，沒有「耽誤您兩分鐘」。 接著他把同一個公式再壓縮，變成丟給 AI 守門員的版本——因為 AI 會把你的話轉成螢幕上的一行字，所以要更短。他給了三個變體："Hey John, it's Michael. I have a really important question for you." （嗨 John，我是 Michael。我有一個很重要的問題要問你。）"Hey John, it's Michael from XYZ Insurance Company. Something extremely important." （嗨 John，我是 XYZ 保險公司的 Michael。有件非常重要的事。）"Hey, it's Michael, I really need to talk to you." （嗨，我是 Michael，我真的需要跟你談談。）然後他自己掐了表："What is that? Seven, six seconds? Five seconds? That's it." （這多長？七秒、六秒？還是五秒？就這樣，夠了。）把這三句放回 iPhone 的篩選畫面想像一下，你會發現它們的共同點：轉錄成文字之後，每一句都像朋友傳來的訊息，不像推銷腳本。「我有一個很重要的問題要問你」出現在螢幕上，跟「我們公司目前推出醫療險專案優惠活動」出現在螢幕上，是兩個世界——前者讓人想知道是什麼問題，後者讓人按下封鎖。 這裡有一個容易忽略的細節：三個版本裡有兩個提到了名字但只有一個提到公司。Weaver 的取捨邏輯是，對舊客戶或轉介紹名單，「人名 + 重要的事」就夠了，熟悉感本身是鉤子；對完全陌生的名單，加上公司名是為了過「這是誰」那一關，但代價是字幕變長、推銷感變重——所以後面的內容要砍得更兇。要熟悉感還是要正當性，取決於名單的溫度，但總長度的天花板不變：五到七秒。 最後值得放大的一點是，Weaver 對「資訊留在哪裡」的紀律。費率、方案、細節，全部留在接通之後的真人對話裡，一個字都不進字幕。這不只是長度考量——當 AI 守門員、來電辨識、垃圾電話資料庫都在用「文字特徵」判斷你是不是推銷電話，你留在字幕上的每一個銷售詞彙，都是在幫演算法把你分類到垃圾桶。字幕的工作是換到接通；銷售的工作，從接通之後才開始。📎 這篇只拆了 460 集的核心框架。原始節目是一集 8 分鐘的單人短講，Weaver 親口示範這些逐字稿的語氣和節奏——這恰好是文字轉述最還原不了的部分，建議直接點開來聽（也可以在 Apple Podcasts 訂閱）。如果你想看的是整套「從撥號到報價」的轉換率方法，Weaver 在 Weaver Sales Academy 有完整的訓練課程，The Insurance Buzz 四百六十多集的庫存裡也有大量話術和異議處理的實戰集數，這篇完全沒碰到。
客戶開除你的首因不是費用，也不是績效——Morningstar 行為研究：32% 是建議品質、21% 是關係品質，而開除你的理由和當初聘你的理由是兩套標準
業務員之間有一個流傳很久的自我安慰：「客戶會走，不是嫌我貴，就是這一年績效沒做出來。」這句話的好處是，它把開除歸因於兩件你大致無能為力的事——行情你控制不了，費率公司早就訂死了。所以客戶一走，你聳聳肩，怪市場。 Morningstar 的行為研究團隊在 2026 年 6 月發布的最新研究，把這個藉口拆穿了。根據 ThinkAdvisor 6 月 4 日的報導，這份題為「After Firing an Advisor, What Do Clients Do Next?」的研究，調查了 185 位曾經開除過理財顧問的投資人，並用開放式問題問他們：你當初到底為什麼開除上一個顧問？ 把這些理由拆開排序後，結果和多數業務員的直覺相反：費用只佔 17%，投資績效更只有 11%。 你最常拿來自我安慰的兩個理由，加起來不到三成。真正排在前兩名、加起來超過一半的，是兩件每天都握在你手上的事——建議與服務品質（32%）和關係品質（21%）。 換句話說，多數客戶開除你，不是因為你太貴或做太差，而是因為你日常經營這段關係的方式出了問題。而這正是好消息：開除你的首因，剛好是你最有能力改變的部分。 Samantha Lamas 與 Danielle Labotka：把「客戶為什麼開除你」當成資料科學在做 這份研究出自 Morningstar 的兩位行為科學家——資深行為研究員 Samantha Lamas 和行為科學家 Danielle Labotka。她們過去幾年一直在做同一件事：不問顧問「你覺得客戶為什麼走」，而是直接問投資人本人，而且用開放式問題讓他們用自己的話回答，再把幾千筆文字回應當成資料來分析。根據 Financial Planning 對這個研究系列的報導，這個方法論的起點是一個超過 3,000 位投資人的調查。"We want to hear it in their own words, and we want to hear it in an anonymous format." （我們想聽他們用自己的話說，而且是在匿名的狀態下說。）Labotka 這句話點出了為什麼這份研究值得認真看：客戶當著你的面說的解約理由，跟他匿名說出來的理由，往往不是同一件事。 把開除理由排成一張表：前兩名都是你能操作的 前面那組數字值得再看一次，因為它決定了你該把力氣花在哪裡。Morningstar 把投資人親口說出的解約理由拆開排序後，完整的分布是這樣：建議與服務品質：32% 關係品質：21% 費用：17% 投資績效：11% 單純覺得自己管就好：約 10%費用和績效這兩個你最難改的因素，加起來不到三成；建議品質和關係品質這兩個你天天在做的事，加起來超過一半。換句話說，留客的槓桿幾乎完全落在你的日常動作上——不在公司的費率表，也不在大盤。接下來兩段，就是把這兩個槓桿拆成可以照著做的事。 建議品質（32%）：客戶不是覺得你建議錯，是覺得「不舒服卻沒地方說」 細看這 32% 的內容，多數不是「建議在技術上有錯」，而是客戶對風險水位感到不安、或覺得方向感模糊。Lamas 在 InsuranceNewsNet 的訪談中描述解約的真實過程："It's more like they got off on the wrong foot and then... tiny little grievances that added up." （比較像是一開始就沒對上頻率，然後……一個個小小的不滿慢慢累積起來。）做法：把「風險不舒服」變成例行對話，而不是等客戶自己開口。 多數客戶不會主動說「我最近看到帳面波動睡不好」，他只會越來越少回你訊息。與其在年度檢視時問「對配置有沒有問題？」（這句話的標準答案永遠是「還好」），不如問得具體： 「上次市場跌的那兩週，你有沒有哪天打開 app 看了之後心裡很毛？有的話那就是我們該調的訊號，不用等到你受不了。」 前一種問法在驗收，後一種問法在邀請。32% 的解約源頭，就是客戶的不安從來沒有被邀請出來過。 關係品質（21%）：客戶懷疑你把自己的利益放在他前面 第二大解約理由更刺：客戶覺得這段關係裡，顧問優先照顧的是自己的收入，不是客戶的處境。這種懷疑很少被說出口，但一旦生根，你做的每個建議都會被重新解讀——「他推這張，是對我好，還是佣金高？」 做法：在客戶還沒問之前，主動攤開利益結構。 比如在提案時直接說： 「先講清楚，這兩個方案我的報酬不一樣，A 我抽得比較多。但我推 B，原因是你的現金流撐不起 A 的繳費年期。你可以拿這兩份去給別人看，我的理由都寫在上面。」 這段話的重點不是「誠實」這個美德，而是它直接拆除了客戶心裡那台一直在運轉的測謊機。Morningstar 同系列研究發現，「關係品質」在客戶聘用顧問的理由裡只佔 10%，但在開除理由裡佔 21%——關係不會幫你簽到單，但會決定你能不能留住單。這也是為什麼績效好的顧問照樣會被開除：帳面賺錢，不等於客戶相信你站在他這邊。 最反直覺的發現：開除的理由和聘用的理由，是兩套標準 如果說前面是「該做什麼」，這一段是「別搞錯方向」——而且它是整份研究最值得抄在筆記本上的一頁。Morningstar 的結構性發現是：客戶開除舊顧問的理由（建議品質、關係品質、費用），和他聘用新顧問的理由（32% 是「不想自己處理財務」、32% 是有特定財務需求、17% 是想要行為教練），幾乎是兩份不重疊的清單。 人很容易假設「客戶因為什麼離開上一個，就會因為什麼選擇下一個」。但資料顯示不是。讓他離開的是「過程中累積的不舒服」，讓他重新找人的卻是「某件具體的事我不想自己扛」。這兩件事不在同一條軸上——這直接決定了你該怎麼經營留客，以及怎麼承接別人開除掉的客戶。 這帶來兩個操作上的推論。 第一，接手「開除過顧問」的客戶時，不要開前任檢討大會。 直覺上你會想問「之前的顧問哪裡讓你不滿意？」然後保證自己不會犯同樣的錯。但研究顯示，他開除前任的理由並不是他聘用你的理由——他現在坐在你面前，是因為有一件事他不想自己扛了。研究團隊的建議很明確：快速翻過「之前為什麼不行」，把對話推進到「現在什麼讓你睡不著」。 第二，你的對手不是同業，是「自己來」這個選項。 既然 73% 的解約者選擇從此自己管錢，那麼留客的本質，就是持續證明「有你在」和「自己來」之間的差距。每一次你只是傳報表、續期提醒、生日罐頭訊息，你就在縮小這個差距；每一次你在客戶開口前先指出他沒看到的風險，你就在拉開它。 回到開頭那句自我安慰。「客戶走，不是嫌貴就是績效差」這個說法之所以危險，是因為它把流失歸因於兩件你改不動的事，讓你既覺得無能為力，也不必檢討自己。Morningstar 的資料說的是相反的故事：開除你的前兩大原因——建議品質（32%）和關係品質（21%）——都在你手上，而它們之所以排在費用和績效前面，正是因為客戶在乎的從來不是帳面數字，而是「跟你合作的這段過程，他舒不舒服、信不信得過」。留客的本質，就是把這兩件你每天都在做、卻很少當一回事的小動作，當成真正的工作來做。📎 這篇只拆了解約端的數據。ThinkAdvisor 的原始報導還整理了 Switchers 和 Leavers 在「溝通品質」上的細部差異——換人者更常因為溝通不良而開除顧問，這對想承接同業客戶的人是另一條線索。想看完整方法論的話，Financial Planning 對 Lamas 和 Labotka 研究系列的報導有客戶「聘用、續留、開除」三階段的完整理由排行，InsuranceNewsNet 的訪談則有兩位研究員親口解釋「為什麼績效不是客戶開除你的主因」——那段對「市場跌了所以被開除」的反駁，值得每個在空頭市場焦慮的業務員讀一次。
你信了一輩子的『轉介紹才是王道』，被一份新數據打臉——Ficomm 6/3 調查 1,000 位投資人：資產 500 萬美金以上的客戶，一半根本不是靠介紹找到顧問
如果你問任何一個做了十年以上的保險或理財業務員：「你最好的客戶從哪裡來？」十個有九個會回答同一句話——「轉介紹啊。」這幾乎是這個行業的信仰。緣故法做完，靠口碑滾雪球，老客戶帶新客戶，這套劇本被寫進每一本業務聖經、每一場早會的話術裡。 但 2026 年 6 月 3 日，成長行銷顧問公司 Ficomm Partners 和客戶體驗研究機構 Absolute Engagement 共同發布了一份叫 《The New Growth Equation》 的研究，調查了 1,000 位有理財顧問的投資人，分成三個資產級距（50 萬–99 萬、100 萬–490 萬、500 萬美金以上），拆解他們到底「怎麼找到、怎麼評估、怎麼選擇」一個顧問。結論很不留情面：你越有錢的那群客戶，越不是靠轉介紹上門的。 Meg Carpenter：當客戶把『選顧問』當成『面試一個員工』，轉介紹就不再是唯一入口 這份研究最刺眼的一個數字是：資產 500 萬美金以上的高資產客戶，有 50% 在找到顧問的過程中完全沒有經過任何轉介紹，只有 31% 是純粹靠別人介紹來的。換句話說，那群佣金最高、最值得經營的客戶，有一半根本不是被「推薦」來的。 Ficomm 執行長 Meg Carpenter 在接受 Financial Planning（2026 年 6 月）訪問時，講了一句話點破整件事的本質："The next generation of high net worth clients are treating choosing an advisor like a hiring decision. They're searching, they're comparing, they're asking AI [and] validating before they ever reach out." （下一代的高資產客戶，是把『選顧問』這件事當成『招聘決策』在做。他們會搜尋、會比較、會問 AI、會在真正聯絡你之前先把你驗證一遍。）這是整份研究的核心邏輯：成交的戰場已經前移了。客戶不是在跟你第一次見面那一刻開始評估你，而是在你還不知道他存在的時候，就已經透過一堆數位管道把你查了個底朝天。轉介紹沒有死，但它從「唯一的入口」降級成「眾多訊號裡的其中一個」。Carpenter 的原話是：「轉介紹依然重要，但它很少再是唯一的決定因素。」 新介紹人是 AI：500 萬美金以上客戶有 25.3% 寧願問機器，也不問人 如果只是「客戶會 Google 你」，那還只是十年前 SEO 的老故事。這份研究真正讓人坐直身體的，是「誰在當介紹人」這件事正在被換掉。 數據是這樣的：整體有 8.7% 的高資產投資人用 AI 工具來找顧問。這個比例聽起來不高，但把它拆開看就嚇人了——45 歲以下的客戶，15% 會用 AI 找顧問；而 500 萬美金以上的族群，這個數字飆到 25.3%。也就是說，每四個頂級客戶，就有一個寧願去問 ChatGPT「哪種顧問適合我」，也不開口問身邊的朋友。 Carpenter 對這個轉變的描述很直白："Two years ago, it didn't cross our radar to add [AI] to our research because consumer behavior and AI really wasn't common enough to warrant that question. And today, two years later, it has its own section in the report." （兩年前，我們根本沒想過要把 AI 放進這份研究裡，因為當時消費者用 AI 的行為還不夠普遍，不值得問這題。結果兩年後的今天，它在報告裡已經獨立成一個章節。）把 AI 這個數字放回脈絡：研究還顯示 13.1% 的客戶用 Google 研究顧問、9.6% 用社群媒體。AI、搜尋引擎、社群——這三條數位管道加起來，已經默默變成高資產客戶的「盡職調查」標準流程。那個過去由「你老客戶的一句好話」獨佔的位置，現在被演算法和搜尋框瓜分了。 成長方程式的三個新變數：被搜尋到、被引用、被多點驗證 Ficomm 把這份研究叫做「新的成長方程式」，不是為了好聽。舊方程式只有一個變數：轉介紹量。新方程式至少多了三個你以前不必管的變數。 變數一：可被搜尋（Searchable） 做法： 把「我這個人」變成 Google 和 AI 搜得到、查得到的存在。 研究裡有個容易被忽略的數字：18% 的客戶用了 4 種以上的方法來評估顧問，而 45 歲以下的客戶有將近一半（49%）會用多種管道交叉比對。這代表客戶不是「聽到你名字 → 找你」，而是「聽到你名字 → 搜尋 → 看社群 → 問 AI → 再決定要不要找你」。如果這條路徑上任何一站是空白的——搜不到你、社群沒內容、AI 不認得你——你就在客戶心裡默默扣分，而你永遠不會知道。 變數二：可被 AI 引用（Citable） 做法： 確保 AI 在被問到「哪種顧問可靠」時，有東西可以引用到你身上。 這裡有個好消息，Carpenter 講得很清楚："The same work that helps you to be discoverable on the internet is going to help you be discoverable on AI." （讓你能在網路上被找到的那些工作，同樣會讓你能在 AI 上被找到。）換句話說，你不需要去學一套全新的「討好 AI」的玄學。AI 引用的，是它在網路上爬得到、讀得懂、有明確觀點的內容。你過去做的 SEO、你寫的文章、你公開表達過的專業觀點——那些東西現在多了一個讀者，叫做 AI。差別只在於：你有沒有「清楚的觀點」可以被它抓取，還是只有一張貼著證照照片、寫著「專業誠信服務」的制式名片頁。 變數三：可被驗證（Verifiable） 做法： 讓客戶在數位管道上看到的「你」，跟轉介紹聽到的「你」是同一個人、同一套說法。 Absolute Engagement 創辦人 Julie Littlechild 補了一個關鍵視角：願意幫你轉介紹的客戶，往往是那些「需要透過推薦你來確認自己當初選對了」的人。這反過來說明一件事——當客戶在搜尋、在問 AI 的時候，他其實是在做「驗證」這個動作。他想確認「我朋友介紹的這個人，是不是真的像他說的那麼可靠」。如果他一查，發現你的數位足跡跟那句推薦對不上，甚至一片空白，那句轉介紹的力量就被稀釋掉了。轉介紹和數位足跡不是兩條平行線，是會互相加分、也會互相扣分的同一筆帳。 把這三個變數合起來看，你會發現一件殘酷但清醒的事：過去你只要「讓客戶滿意」就能啟動成長飛輪；現在你還得「讓搜尋引擎和 AI 也認得你」，飛輪才轉得起來。 一半的好客戶不是被介紹來的——這句話真正逼你面對的問題是：在那看不見的搜尋、比較、問 AI 的過程裡，你到底存不存在？ 如果答案是「不太存在」，那也別急著焦慮。Carpenter 給的方向其實很務實：把你的專業觀點清楚地表達在社群上，把基本的 SEO 做好，然後讓 AI 疊在這套傳統功夫的上面。這不是要你變成網紅，是要你讓「那個值得被介紹的你」，在客戶查得到的地方，真的查得到。📎 這篇只拆了《The New Growth Equation》裡最核心的幾個數字。完整報告把三個資產級距的「發現管道、評估方法、決策因素」做了更細的交叉分析，還有一個 73.8% 的客戶把「顧問是否真的懂我的具體需求」列為選擇第一要素的細節值得細看——你可以去 Ficomm 的報告頁（需留 email）下載全文，或先讀 Financial Planning 6 月那篇報導，裡面有 Carpenter 更多關於「兩年內 AI 從零變成獨立章節」的第一手觀察。
AI 把保單規劃做到 80 分了，那你還剩什麼？用 iPhone 之父 Tony Fadell 的『press-release first』把那句話練出來
有一個事實，2026 年的保險與理財業務員大概都偷偷感覺到了：保單規劃、需求試算、提案簡報——這些以前要熬夜做的東西，AI 現在三分鐘就能生出一份 80 分的版本。產品端正在被快速商品化。當每個人手上都有一份「夠好」的方案，你這個人到底還值多少？ 這個問題的答案，藏在一個你想不到的人嘴裡：Tony Fadell。他是 iPod 之父、iPhone 的共同打造者、Nest 創辦人（後來以 32 億美金賣給 Google），手上掛著超過 300 項專利，是全世界最硬核的「做東西」的人。但他在 2026 年 6 月 7 日的 Lenny's Podcast 上講的不是工程，是一件聽起來很不像工程師會說的事：最好的產品，如果你說不出那個故事，一樣會輸。 Tony Fadell：做出全世界最強的東西，卻發現「會不會說故事」才是生死線 Fadell 的可信度在於——他不是一個賣話術的人。他是一個把硬體做到極致的人。正因為這樣，當他說「光把東西做好沒用」，份量完全不一樣。 他在節目裡丟出一個很多人不知道的事實：iPod 不是一推出就成功的。第一代、第二代都賣得普普，工程上明明領先當時所有的 MP3 播放器，市場卻沒反應。"The iPod wasn't big enough; it took three generations before it became successful." （iPod 一開始不夠大，它花了三個世代才真正成功。）注意，他講的不是「容量不夠大」這種規格問題。真正讓 iPod 翻身的，不是又塞了更多功能，而是 Apple 找到了那句話——「1000 songs in your pocket（把 1000 首歌放進口袋）」。沒有講硬碟容量幾 GB，沒有講傳輸協定，就是一句客戶聽完會記住、會跟朋友轉述的話。產品沒變，故事變了，市場就動了。 press-release first：在做產品之前，先把客戶會聽到的那句話寫出來 Fadell 推崇的方法叫 press-release first（新聞稿先行）——這也是 Amazon 內部著名的「working backwards」做法。邏輯反直覺到讓人不舒服：你還沒開始做產品，就先把產品上市那天的新聞稿寫出來。 為什麼？因為新聞稿是寫給客戶看的，不是寫給工程師看的。你被迫站在客戶的位置，問自己：這東西講出來，客戶會在意嗎？而這個練習最殘忍的地方在於它逼你做減法。Fadell 說："When I do the press release, I can only have three or four key features. After that, it becomes gobbledygook for a customer." （我寫新聞稿的時候，最多只能放三到四個關鍵功能。再多，對客戶來說就變成一堆聽不懂的鬼話。）這句話對業務員是一記悶棍。我們太習慣把「全面」當成專業——一份提案塞進二十個保障項目、十張試算表、五種情境分析，覺得這樣才顯得用心。但 Fadell 的意思正好相反：你塞越多，客戶記住的越少，最後那份「完整」的提案在他腦子裡只剩一團 gobbledygook（聽不懂的鬼話），回家連跟另一半轉述都轉述不出來。 把它翻譯成業務員的版本就是：在你打開試算軟體、排版那份精美提案之前，先用一句話寫下——客戶聽完這個方案，回家會怎麼跟太太/先生講？ 如果你寫不出那句話，或那句話是「業務員幫我配了一個還不錯的保單」，那這份提案就算數字再漂亮，也是賣不動的 iPod 一代。 把方法論拆成三個可以練的動作 一、從「痛」開始，不是從「商品」開始（Start from pain） 做法： 先找到客戶真正的痛，再回頭問有沒有工具能解，而不是手上有什麼商品就推什麼。 Fadell 講他做每一個產品的起點："I always start from pain. Are there new technologies to solve that pain?" （我永遠從痛開始。有沒有新技術可以解決那個痛？）順序很重要。多數業務員的順序是反的——公司這季主推某張保單，於是想辦法把它塞給每個客戶。Fadell 的順序是：先確認痛真的存在（客戶半夜會醒來擔心的那件事），技術（商品）永遠是後面才登場的工具。他有一句講得更直接："The technology is in service of the customer, not we're gonna jam the technology down the customer's throat." （技術是用來服務客戶的，不是我們要把技術硬塞進客戶的喉嚨。）把「technology」換成「保單」，這句話就是 2026 年最該貼在每個業務員桌上的一句話。 二、寫出「轉述句」，而不是「賣點清單」（The one line they repeat） 做法： 提案前先寫一句客戶會原封不動轉述給家人的話，這句話就是整份提案的指北針。 「1000 songs in your pocket」之所以是神來一筆，是因為它能被原封不動地傳出去。一個客戶在公司茶水間跟同事說「我買了一張很完整的醫療險」——這句話傳不動，因為它沒有畫面、沒有重量。但如果他說的是「我這張保單，就算我哪天倒下，孩子讀到大學的學費一毛都不用動到老婆的薪水」——這句話會傳。 差別在哪？前者是業務員的賣點清單，後者是客戶自己的故事。你的工作，不是把所有保障條列清楚（那 AI 比你快），而是替這位客戶找到他自己的那句話。AI 能算出最佳保額，但它不知道這個客戶心裡最怕的畫面長什麼樣子，也寫不出那句只屬於他的轉述句。 這正是商品被商品化之後，業務員唯一拉不開也搶不走的價值。 三、每天打磨那個故事，不要做完就丟（Hone it every day） 做法： 同一個故事，講給不同客戶、收集他們的反應、一次次修，把它磨到能一擊命中。 Fadell 觀察賈伯斯最震撼他的一點，不是賈伯斯多會做產品，而是他對「故事」的偏執："The why is storytelling; when I watched Steve, he was honing the story of the iPhone every day." （『為什麼』就是說故事；我看著賈伯斯，他每一天都在打磨 iPhone 的故事。）iPhone 那場發表會的故事，賈伯斯磨了兩年半，每天改。對業務員的啟示是：你的提案故事不是寫一次就定稿的文件，而是一個要拿到客戶面前一次次測試、一次次修的活東西。哪句話客戶眼睛亮了、哪句話他開始滑手機，這些反應就是你打磨的素材。把同一個概念講第一百次，跟講第一次的威力，差的就是這個。 真正的風險不是 AI 太強，是你「認知投降」 那 AI 在這套方法裡扮演什麼角色？Fadell 給了一個很重要的警告，他叫它 cognitive surrender（認知投降）——把判斷力和品味整碗交給機器。"You still need humans in the loop; don't surrender to the machine." （你還是需要人在迴圈裡；不要向機器投降。）他的意思不是不要用 AI。AI 拿來做原型、跑試算、整理資料，又快又好，該用就用。但如果你連「這個方案到底打不打動這個人」「該強調哪一句」這種需要品味與判斷的事，也交給 AI 決定，那你做出來的東西會像他形容的——又脆、又沒有靈魂。一份 AI 全自動生成、業務員看都沒看就轉發的提案，技術上可能 80 分，但它沒有那句話，所以它賣不動，跟當年的 iPod 一代一樣。 說到底，AI 把產品做到 80 分這件事，不是在淘汰業務員，是在重新標價。它把「會做試算」這件事的價格打到趨近於零，同時把「會替這個客戶找到那句話」的價格，往上推。Fadell 用全世界最硬的工程案例證明了一件事：最好的東西，講不出故事一樣會輸。 而那個故事，到 2026 年為止，還是只有人寫得出來。📎 這集 Lenny's Podcast 的完整對談（2026 年 6 月 7 日上線）裡，Fadell 還拆解了 iPhone 該不該做實體鍵盤的內部辯論、他為什麼相信開創新品類時「資料無法帶路、需要一個有品味的獨裁者拍板」，以及怎麼分辨「該堅持的願景」和「該認輸的固執」——這些在這篇沒展開的部分，原集講得很細。想更系統地讀他的方法論，他那本 創建之道（Build）整理了 32 條從做產品到當 CEO 的硬核經驗，值得放在桌上慢慢翻。
把 Outreach 從 0 做到 2.5 億的 Mark Kosoglow：頂尖業務管的不是更努力，是把注意力分配給『會成交的 3%』
天天被雜事追著跑、銷售管道一團亂看不清下個月能成幾單——這大概是長週期業務最熟悉的兩種痛。市面上教你用 AI 的內容，多半停在「幫我寫一封開發信」這種層級，省了五分鐘，但你的一天還是一樣失控。 有一個人談這件事的份量不太一樣。他叫 Mark Kosoglow，是業務自動化軟體 Outreach 的第一號員工，一路做到全球業務資深副總，把公司從零營收帶到超過 2.5 億美金的 ARR、團隊規模破 1,500 人。離開後他先在 Catalyst 當營收長，現在自己創辦了 AI 業務工具公司 Operator.ai。一個既帶過頂尖團隊、又在親手打造 AI 業務工具的人來談「業務該怎麼用 AI 管理時間和銷售管道」，會比純講師多很多血淋淋的實戰。 2026 年 5 月，他上了業務界收聽數最高的 Podcast 之一 30 Minutes to President's Club，把自己帶頂尖業務的整套生產力系統攤開來講。核心只有一句話：頂尖業務跟普通業務的差距，不是誰更拚，是誰更會分配注意力。 他把這套系統拆成三塊——主管日程表、AI 工作流、3% 預測法則。 主管日程表：先把高槓桿動作排進去，剩下的時間才留給雜事 Kosoglow 講的第一件事，是「Executive Routine（主管日程表）」。一般業務的一天是反過來的：早上打開信箱，被一封一封郵件、一個一個臨時的客戶問題牽著走，等到回過神來已經下午四點，今天真正該推進的大單一步都沒動。 主管日程表的邏輯剛好相反：先用固定結構把高槓桿的動作鎖進行事曆，再讓低價值的雜事去填剩下的縫隙。 對一個保險業務員來說，高槓桿的動作通常是固定的那幾件——本週要推進的幾張大單、該做的續保檢視、該打的關鍵跟進電話、該見的轉介紹對象。這些事如果不先佔住時間，永遠會被「客戶問理賠進度」「同事拉你開會」這種隨機事件吃掉。 這套作法最反直覺的地方在於：它不是要你「更有紀律地把每件事做完」，而是承認你一天的注意力是有限的、會被消耗的。Kosoglow 的重點是把最清醒、最不被打擾的那段時間，留給真正會影響業績的事，而不是平均分配給每一件跳到你眼前的事。雜事永遠做不完，但只要高槓桿的格子每天都有被填滿，業績的引擎就不會熄火。 AI 工作流：把「研究」和「跟進」這兩件最吃時間的事交出去 第二塊是 AI。Kosoglow 不談花俏的東西，他鎖定的是業務一天裡最吃時間、又最容易做半套的兩件事：事前研究和事後跟進。 他在 30MPC 的一篇拆解文裡，把 AI 研究工作流拆成三步，邏輯非常清楚： 第一步，先決定要什麼資料、去哪裡找。 不是漫無目的丟給 AI，而是先想清楚你要的是什麼層級的資訊——對 B2B 是財報、新聞、產業動態；換到保險場景，就是客戶的人生階段、家庭結構變化、產業風險、近期可能觸發保險需求的事件。 第二步，用 AI 一層一層問出洞察。 重點是「連續追問」而不是一次問完。先讓 AI 做初步分析，再追問「這是這個人的個別狀況，還是這個族群普遍的問題？」，再追問「目前有什麼方式在處理這個缺口？」，最後才讓它「把可能的解法對應到我們挖出來的問題上」。一層一層逼出來的東西，遠比一句籠統的提問有用。 第三步——也是 Kosoglow 反覆強調的——把 dots 連起來的工作，留給人腦。 他講了一句很值得貼在牆上的話："The hard part is using your human brain to connect all the dots." （難的部分，是用你的人腦把所有的點連起來。）換句話說，AI 負責的是把散落在十份文件、三場法說會、無數則新聞裡的原始素材，整理成你看得懂的洞察；但「這個客戶的女兒要出國念書、加上他剛升上主管、又剛好房貸快繳完——所以現在是談教育金加重疾規劃的最佳時機」這種把資訊織成一個提案的判斷，AI 給不了。你省下的是翻資料的兩小時，留下的是你最值錢的那十分鐘判斷。同樣的邏輯也適用在跟進：讓 AI 幫你彙整每次接觸的紀錄、草擬下一封跟進的骨架，但要不要打那通電話、用什麼角度切，是你的事。 3% 預測法則：別追完整條銷售管道，只追真正會成交的訊號 第三塊，是最硬的功夫，也是 Kosoglow 帶 Outreach 時最招牌的能力——他能把全球業務團隊的營收，季季預測在 3% 的誤差之內，也就是 97% 以上的準確度。在一家從零衝到 2.5 億的高速成長公司，這種預測穩定度幾乎是反常的。 對個人業務員來說，這套思維的價值不在「算得準」，而在它逼你回答一個殘酷的問題：你銷售管道裡那一長串客戶，到底哪些是真的會成交、哪些只是讓你自我感覺良好的『虛胖名單』？ 多數業務的銷售管道是一團模糊的樂觀。每個客戶都「有機會」、每張單都「快了」，於是你的注意力被平均稀釋到三十個客戶身上，每個都追一點、每個都沒推到底。Kosoglow 的作法是反過來的：從原始的業務活動數據裡，抓出真正能預測成交的那少數訊號——是這個客戶有沒有把你引薦給配偶？有沒有主動問到細節條款？有沒有出現具體的時間點？——然後把雜亂的銷售管道，壓縮成一張你真正該投注注意力的短名單。 這三塊其實是同一件事的三個面向：主管日程表決定你「什麼時候」把注意力放出去，AI 工作流決定你「不必把注意力浪費在哪裡」，3% 預測法則決定你「該把注意力放到哪個客戶身上」。Kosoglow 整套系統的底層假設始終如一——你最稀缺的資源從來不是時間，是注意力；而頂尖業務之所以頂尖，是因為他們把這份稀缺資源，用系統管起來，而不是靠蠻力硬撐。 被雜事淹沒、銷售管道看不清的時候，問題往往不是你不夠努力，是你的努力被平均分配掉了。把高槓桿的事先排進去，把吃時間的研究和跟進交給 AI，再用一條法則狠狠篩掉那些其實不會成交的客戶——這不是要你做更多，是要你做得更準。📎 這集 30 Minutes to President's Club 裡，Kosoglow 還示範了他每天實際長怎樣的時間表格子、以及他在 Operator.ai 裡正在打造的 AI 工作流到底怎麼運作；而那篇 AI 研究工作流的完整拆解，則把每一步要丟給 ChatGPT 的提問順序寫得更細。想把「主管日程表」真正落地成自己的版本，值得連 podcast 一起聽完——一個帶過 1,500 人團隊的人，講的不會只是漂亮話。
AI 正在大量砍掉理財業的『內勤職』，但理專人數到 2033 反而成長 17%——Bloomberg 與 BLS 數據揭穿切線在哪
「AI 到底會不會取代我？」這個問題，過去一年被問到爛了。多數的回答都停在哲學層次——判斷力護城河、task 還是 job、信託責任⋯⋯講得很漂亮，但你聽完還是焦慮，因為它們都沒給你一個數字。 2026 年 6 月 5 日，Bloomberg 發了一篇專題，同一天 InvestmentNews 跟了一篇評論。這兩篇罕見地不講玄學，直接把硬就業數據攤在桌上。結論很反直覺：AI 確實正在大量砍人——但砍的不是坐在客戶對面的那個人，而是坐在他背後的整個內勤層。 這篇想做的事很簡單：把「AI 取代哪一層」這個抽象框架，翻譯成一條你看得見、量得出來的切線。看完你會知道自己現在站在哪一邊，以及該往哪一邊移動。 17 分鐘搬完幾萬個帳戶：AI 吞掉的是「事務層」，不是「你」 先看一個具體到讓人發毛的案例。 券商平台 Cambridge Investment Research 把一件原本要「一整個團隊」處理的工作——當公司挖角一位顧問過來、要把他名下成千上萬個客戶帳戶從舊東家轉移過來——交給 AI 去跑。 過去這是出名的苦差事：核對資料、填表、來回確認、處理例外。一個團隊埋頭做要花上好幾天。 AI 跑完，用了 17 分鐘。 InvestmentNews 把這類被吃掉的工作講得很白："It's replacing the labor of back office workers who oversee the transfer of accounts... it's replacing the tedious task of filling out forms when clients buy specific products like annuities." （它取代的是監督帳戶轉移的後勤人力⋯⋯取代的是客戶購買年金這類特定商品時、那些填表的繁瑣工作。）帳轉、年金文書、表單、合規核對、客服電話——注意這些工作的共同點：它們有標準答案、可以被流程化、不需要看著客戶的眼睛。這正是 AI 最擅長吞的東西。Cambridge 的 17 分鐘不是奇蹟，它是這條切線最清楚的示範：凡是「對著表單做」的工作，正在以指數速度蒸發。 BLS 的硬數據：理專人數逆勢成長 17%，被砍的是表單不是關係 如果 AI 真的在大砍理財業的人，那理財顧問的就業數字應該往下掉才對。 結果完全相反。 根據美國勞工統計局（BLS）的官方預測，個人理財顧問（personal financial advisors）的人數，會從 2023 年的 32.1 萬人，成長到 2033 年的 37.59 萬人——增幅 17.1%，遠高於所有職業的平均成長率。BLS 還估計，這十年間平均每年會釋出約 2.7 萬個理財顧問職缺。 更值得玩味的是，BLS 在另一份專門分析 AI 衝擊的報告裡，把理財顧問列為「會受到 AI 影響、但人數依然高速成長」的職業之一。也就是說，AI 影響它、卻沒有縮減它。 為什麼？BLS 給的成長動能講得很直白：嬰兒潮世代大規模退休、壽命延長、退休期變長，會有愈來愈多人需要有人陪他規劃這輩子剩下的錢。而這件事，恰恰是 AI 接不住的。 把兩組數字疊在一起，那條切線就浮出來了：內勤事務層（帳轉、文書、客服、合規）——被 AI 大量吞噬，人力下滑。 客戶關係層（理解人生、處理焦慮、陪做重大決定）——逆勢擴張，未來十年多開 5 萬個位子。同一個產業，兩條完全相反的曲線。問題從來不是「理財業會不會被 AI 取代」，而是「你把自己的時間，主要花在哪一層」。 股市用腳投票，但它投錯了對象 市場其實早就嗅到這條切線——只是它一開始投錯了。 2026 年初，雲端券商平台 Altruist 推出一個 AI 稅務規劃工具（內建在它的 Hazel 平台上）。這工具能直接讀客戶的 1040 報稅表、薪資單、帳戶對帳單、會議筆記、甚至 email，然後套上稅務邏輯，自動生出一份個人化的稅務策略——幾乎不用人手動輸入。 消息一出，投資人立刻拋售理財平台類股：LPL Financial 當天重挫 8.3%、Charles Schwab 跌 7.4%，Raymond James 也同步跳水。市場的恐懼很直接：如果 AI 能把報稅、稅務規劃這種「專業服務」自動化，那這些平台靠收費維生的商業模式，是不是要被重估了？ 但 InvestmentNews 的評論點出市場其實搞錯了重點：被重估的是平台層、事務層——那些靠「處理流程、收手續費」賺錢的環節。真正坐在客戶對面、靠關係與判斷創造營收的顧問本身，並沒有變得更不值錢，反而因為事務被 AI 接走、得以騰出更多時間做高價值的事。 換句話說，股市那一跌，跌的是「填表的人」和「靠填表收費的平台」，不是「陪你做決定的人」。市場一開始把這兩者混為一談，所以反應過度了。 真正的切線：把時間從「文書層」搬到「關係層」 把這幾組證據連起來，這篇文章真正想翻譯的方法論其實只有一句話： 你的安全感，不取決於你會不會被 AI 取代，而取決於你每天的時間，落在切線的哪一側。 很多業務員嘴上說自己是做「關係」的，但攤開行事曆——填要保書、跑核保、對帳、回 LINE 確認資料、處理保全變更——一週七成的時間，其實都耗在切線「被吞掉的那一側」。這很危險，因為這正是 17 分鐘案例要吃掉的部分。而那些真正會讓 BLS 數字成長的工作：坐下來陪一個剛喪偶的客戶重排現金流、在客戶換工作時提醒他別斷了保障、在他孩子出生那週主動打一通電話——這些佔的比重，反而少得可憐。 切線不會等你。你不主動把時間從文書層搬到關係層，AI 會替你把文書層「清空」——只是那時候被清空的，連同坐在那張椅子上的你。 好消息是，這條切線是雙向的。每一件被 AI 接走的事務，理論上都該換來你多一個鐘頭，可以拿去做機器做不到、而且市場需求未來十年只增不減的事。Bloomberg 與 BLS 給的不是一張裁員名單，而是一張搬家地圖：被自動化的不是這個行業，是這個行業裡「對著表單」的那段時間。 別再問 AI 會不會取代你。問你自己：明天早上九點，你要把那個小時，花在哪一側？📎 Bloomberg 6/5 的原始專題還訪了多家券商與顧問本人，細談他們怎麼在內勤崩塌的同時重新定位自己的角色；InvestmentNews 的評論則更尖銳地拆解了「為什麼市場一開始投錯了對象」。想看完整的 BLS 數字與成長動能，可以直接讀 BLS 對個人理財顧問的官方職業展望，以及它專門談 AI 衝擊的就業預測報告——這兩份政府資料，是你下次再被「AI 要取代你了」嚇到時，最值得收藏的定心丸。
別再問『AI 能取代我幾成工作』——20 年最清醒的科技分析師 Benedict Evans 給你一把新的尺：task 還是 job？
每隔一段時間，就有人轉一張圖給你：「某某研究指出，業務這份工作有 73% 的內容可以被 AI 自動化。」你盯著那個數字，心裡一沉。 然後你打開另一篇報導，看到的安慰是：「別擔心，AI 取代不了人與人的溫度。」這句話聽起來很好，但它沒有給你任何可以拿來做決定的東西。一邊是精確到小數點的恐嚇，一邊是空泛到無法反駁的安慰。兩邊都沒用。 Benedict Evans 是過去 20 年公認最清醒的科技分析師之一（前 a16z 駐點分析師，每年的趨勢簡報是矽谷固定收看的節目）。2026 年 5 月底他上 Lenny's Podcast，沒有打雞血，也沒有講玄學。他只是把那個讓所有人焦慮的問題，換了一個問法——而光是換問法，整件事就清楚了。 Benedict Evans 的反框架：讓你停止焦慮的，不是答案，是換一個問題 Evans 對 AI 現況的定調是「這是 AI 的 1997 年」。重要，規模約等於網路或行動裝置——但也就這麼大，而且充滿不確定性。在這個座標下，他認為大家問錯了問題。 大多數人問的是：「AI 能做我這份工作的百分之幾？」Evans 說，這個問題本身就是壞掉的。因為它預設了「工作」是一堆任務的加總，只要把任務一個個算掉，剩下的百分比就是你的剩餘價值。 但工作不是這樣運作的。他在 5 月的文章〈Predicting AI job exposure〉裡寫得很直白："Sometimes, of course, the job really is just a task, that can be turned into a button, but that's actually pretty rare." （當然，有時候一份工作真的就只是一個任務，可以被變成一顆按鈕——但這種情況其實非常罕見。）罕見。這兩個字是整篇文章的支點。真正該問的不是「百分之幾」，而是一個是非題：我做的這件事，是一個任務（task），還是一份工作（job）？ 任務 vs 工作：用顧問的 75 頁簡報，看懂這條界線在哪 Evans 在 Podcast 裡舉了一個會讓很多人臉紅的例子：一個管理顧問的工作，不是「產出一份 75 頁的投影片」。 那份 75 頁的簡報，是 task。AI 現在確實可以幾分鐘做出來。但顧問被請來解決的，從來不是「做出這份簡報」——而是「這家公司該不該併購、組織該怎麼重整、董事會吵了三個月的那件事到底該怎麼拍板」。簡報只是把那個答案包裝出來的載體。 換句話說，task 是看得見的產出物，job 是產出物背後那團「沒人能完整講清楚、卻必須有人扛下來」的東西。Evans 形容真正的工作是："a complex mesh of things that we lack the capability to explain explicitly." （一團複雜交織的事，複雜到我們根本沒有能力把它明確地講清楚。）這句話對業務員特別有殺傷力，也特別有解放感。 殺傷力在於：你每天做的事裡，有一大塊其實是 task。整理保單比較表、把商品條款翻成白話、跑一份退休現金流試算、寄一封跟進信、回答「這個理賠賠不賠」——這些 AI 都做得到，而且會愈做愈好。你愈是把自己的價值建立在「我比別人更會整理資料」上，你愈危險。 解放感在於：客戶找你，從來不是為了那張比較表。他找你，是因為他正面對一團「沒辦法明確講清楚」的事——爸爸中風後家裡的財務該怎麼重新安排、夫妻倆對要不要幫小孩買終身險吵了半年、自己創業現金緊但又怕沒保障。這不是一個 task，這是一個 job。而 job，照 Evans 的判斷，「非常罕見」會被整包變成一顆按鈕。 做法：拿一張紙，把你上週實際做的事一條一條列出來。每一條只問一個問題——這是一個可以變成按鈕的任務，還是一團講不清楚的工作？兩邊都會有。重點不是哪邊多，而是你有沒有清楚意識到：你的時間，正在往哪一邊傾斜。 為什麼「會用 AI」救不了你：護城河在通路與情境，不在模型 Evans 的第二把刀，砍向一個很多人的逃生計畫：「那我趕快變成最會用 AI 的那個人就好了吧？」 他的論點是：價值正在從基礎模型（foundation model）往上層移動。模型本身會趨向商品化、利潤被壓平。他用了一個讓人印象深刻的歷史對照——行動通訊的電信商。 過去 25 年，全球電信商每年砸下大約 2,000 億美元蓋基地台、鋪網路，結果呢？智慧型手機革命創造的所有經濟價值，幾乎全部流向了 Apple、Google 和上層的應用程式公司，電信商自己的股東報酬接近於零。他們蓋了那條路，卻沒分到路上跑的錢。Evans 對模型實驗室丟出同一個問題："Why would they have pricing power?" （他們憑什麼有定價權？）如果連模型本身都沒有定價權，那「我會打 prompt」就更不可能是護城河——那只是會用那條被鋪好的路而已。Evans 的判斷是，價值會累積在掌握「通路（distribution）」和「特定使用情境（specific use cases）」的人手上。 把這句話翻成業務員的語言：模型是誰都能叫來的水電。真正稀缺的，是「客戶為什麼透過你、而不是透過一個 App 來解決這件事」的那個通路關係，以及「你比任何通用 AI 都更懂這個特定客戶、這個特定情境」的那層理解。前者是你二十年累積下來、別人插不進來的信任；後者是你坐在客戶對面，聽出他沒說出口的那句話。這兩樣，都不是模型，也不是 prompt 技巧。 專業服務不死的真正原因：它解的是「組織問題」，不是單點任務 最後一塊拼圖，Evans 用「為什麼 AI 公司自己反而帶動了顧問業大爆發」這個反直覺現象來收尾。 照理說，最該被 AI 取代的就是顧問——他們賣的不就是知識和分析嗎？但 Evans 觀察到的事實正好相反：愈多公司導入 AI，顧問業的需求愈旺。原因在於，專業服務解決的核心從來不是「資訊不足」，而是「組織問題」。 一家公司要不要導入 AI、流程該怎麼改、誰負責、舊系統怎麼接、員工會不會反彈——這些都不是「給我一個正確答案」就能解決的 task，而是一團牽涉到人、權力、時程、風險承擔的 job。AI 可以瞬間生出「理論上的最佳解」，但「讓這個解在一個有血有肉、會吵架會卸責的真實組織裡真的跑起來」，是另一回事。 Evans 在文章裡給了一個檢驗任何「AI 取代論」的測試，他稱之為報紙測試、Uber 測試、CPA 測試：報紙不是因為「記者這份工作變了」而倒，是因為網路改變了它的金流結構；計程車不是因為「開車這個任務被自動化」而被 Uber 顛覆，是因為科技換掉了底層的商業模式；而會計師——理論上最該被一個世紀的自動化淘汰的職業——人數反而一路上升。"would your approach have captured those effects?" （你的分析方法，當初抓得到這些效應嗎？）抓不到。因為這些都不是「某個任務被機器做掉了」這麼線性。同樣的，保險業務員會不會被取代，答案不在「AI 能不能算保費、能不能比保單」——它早就能了——而在於那團「複雜到講不清楚」的組織問題與人的問題，有沒有被誰更便宜地解決掉。 Evans 沒有給你一句安慰。他給的是一把尺。下次再有人轉「業務有 73% 會被自動化」的圖給你，你不用反駁，也不用焦慮。你只要拿出這把尺，把那 73% 攤開來看：哪些是 task，哪些是 job。被算進去的，多半是前者；而讓客戶非你不可的，從來是後者。 焦慮之所以無解，是因為「AI 能做我幾成」這個問題沒有答案。但「這是一個任務還是一份工作」——這個問題，你坐下來十分鐘就能回答。座標清楚了，路就清楚了。📎 這篇主要拆的是 Evans「task vs job」這把尺，但他在 Lenny's Podcast 這集（2026 年 5 月）聊的遠不只這個——包括他對基礎模型泡沫的判斷、AI 採用率在不同世代之間驚人的落差、以及為什麼他堅持「這是 1997 年，不是 1999 年」。如果你想看他把「無法預測哪些工作會被影響」這件事論證到底，他 5 月底的文章〈Predicting AI job exposure〉用報紙、Uber 與會計師三個案例把整套邏輯講得更透，很值得配著一起讀。
客戶的 AI 不再登入你的後台——Morgan Stanley 開放 $1.2 兆平台給外部 agent，業務員的『介面護城河』正被抽掉
過去兩年我們談「AI 威脅」，談的多半是同一個畫面：你的客戶跑去 ChatGPT 問「哪張保單比較划算」，然後繞過你。那是「通路」的轉移——客戶換了一個入口。 但 2026 年 6 月 3 日 CNBC 的這則報導講的是更深一層、而且更難回頭的東西。Morgan Stanley 宣布即將開放旗下管理 1.2 兆美元職場財富資產的兩個股票管理平台——ShareWorks 與 Equity Edge Online——讓「外部」的 AI agent 直接連進來拉資料、拉洞察，繞過那些原本是為「人類」設計的操作介面。 這不是換入口，是把入口本身拆掉。值得每一個倚賴後台與客戶介面吃飯的金融、保險業務員，認真看一次。 Mark Mitchell：Morgan Stanley 為什麼主動拆掉「人類登入的介面」 推動這件事的是 Morgan Stanley at Work 的產品長 Mark Mitchell。他的邏輯不是「我們被迫開放」，而是「我們主動把人從這個流程裡拿掉，才能擴張」。 他講得很直白：agentic AI 讓 Morgan Stanley 可以擴大自己的服務——客戶支援、計畫管理、財富管理導流——而不用多請「成千上萬」名員工（"thousands and thousands" of employees）。換句話說，過去要靠一整個團隊的人手去接的活，現在他想讓客戶端的 agent 直接跟系統對話完成。 他描繪的終局更值得玩味：在未來，企業客戶不會再登入 ShareWorks 或 Equity Edge，而是用自己公司內部桌面上的 agentic 工具，純粹以「agent 對 agent」的方式跟 Morgan Stanley 的平台互動。目前已經有少數客戶拿到早期權限，明年要擴及全部約 3,400 家企業管理客戶——這些客戶涵蓋了約四成的 S&P 500 公司。 注意這裡的關鍵字：登入畫面消失了。那個「客戶要打開你公司的後台、看你整理好的儀表板、聽你解讀數字」的環節，被一條 agent 直連的管線取代。 「agent 對 agent」的核心邏輯：MCP 把整個介面層抽掉 Morgan Stanley 靠的是一個叫 Model Context Protocol（MCP）的開源標準。它的官網有一個很好懂的比喻：MCP 就像 AI 應用的「USB-C 接口」——"Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect electronic devices, MCP provides a standardized way to connect AI applications to external systems." （把 MCP 想成 AI 應用的 USB-C 接口。就像 USB-C 提供一套標準化的方式連接電子設備，MCP 提供一套標準化的方式，讓 AI 應用連接到外部系統。）過去軟體是這樣設計的：資料庫在最底層，上面包一層商業邏輯，再上面做一個「人看得懂、點得動」的介面——按鈕、表格、下拉選單。人類靠這層介面去操作系統。 MCP 做的事，是讓 AI agent 跳過最上面那層介面，直接跟資料與商業邏輯對話。對開發者來說這叫去掉中間摩擦；但對「靠那層介面提供服務」的人來說，這句話要翻譯成另一個版本： 你每天倚賴、用來服務客戶的那個畫面，正在從「必經之路」變成「可選的舊版本」。 而且這次不是新創在喊口號。Mitchell 點出，JPMorgan、Goldman Sachs 目前也在用 AI agent，但都關在「內部」——拿來寫程式、跑內部流程，沒有公開開放外部 agent 直連系統。Morgan Stanley 是華爾街頭部裡，第一個把門朝外打開的。當最保守的金融機構開始主動拆介面，這就不再是「會不會發生」，而是「多快會發生」。 介面消失後，業務員的價值要往哪三個方向重新長 如果客戶的 agent 可以自己拉資料、自己生報表、自己跑情境，那「我幫你查、我幫你整理、我幫你解讀數字」這件事的稀缺性會快速歸零。業務員要守的，是 agent 拿不走的三塊。 一、從「資料的搬運工」變成「決策的責任人」（Accountability Layer） 做法： 不要再競爭「誰整理得快」，去站在「誰為這個決定負責」那一格。 agent 可以在三秒內把客戶的持股、稅務、blackout 期間全部撈出來算給他看。但 agent 不會在客戶因為這個建議賠錢時，坐在他對面承擔後果；也不會在主管機關問起時，簽下自己的名字。 對話的位置因此整個換掉。過去客戶問你：「我這批股票現在能不能賣？」——你的價值在「查得到」。現在客戶的 agent 已經告訴他能賣了，他來找你問的是：「它說能賣，但我該不該賣？這對我整個家庭的稅務、現金流、下一步是對的嗎？」前者是查詢，後者是判斷與承擔。agent 把前者做到免費，正好把後者的價值頂高。 二、從「操作平台」變成「翻譯與信任的中介」（Trust Broker） 做法： 假設客戶的 agent 已經把「事實」全部給他了，你提供的是「他敢不敢信、看不看得懂這件事到底意味著什麼」。 當資料變得人人唾手可得，落差就跑到「理解」與「信任」上。客戶的 agent 吐出一張漂亮的分析，但客戶心裡其實有一堆說不出口的問題：這個數字是不是被某個前提灌水了？這個建議背後有沒有人在收我的錢？這跟我老婆想的不一樣怎麼辦？ 這些是冷冰冰的 agent 對 agent 管線結構上補不起來的縫。一個你信任的人，幫你把 agent 給的東西翻譯成「對你的人生而言這代表什麼」，並且願意為這個翻譯背書——這個位置，不在那條被自動化的通路上，而在通路的兩端之間。 三、從「守著一個介面」變成「為客戶設計 agent 的問法」（Agent Orchestration） 做法： 與其抗拒客戶的 agent，不如成為那個教客戶「該叫 agent 去問什麼、別漏問什麼」的人。 當每個客戶桌上都有一個能直連機構系統的 agent，懂得「該下什麼指令、該驗證哪些前提、哪些洞察 agent 根本不會主動提」的人，反而變稀缺。Morgan Stanley 自己的高層都在喊用 agent 來「擴張規模」；站在客戶那一側做同一件事的角色——幫客戶把一群 agent 編排成真正為他服務的系統——這個位子目前還空著。 Mark Mitchell 在另一份平台升級的聲明裡說了一句話，乍看是公關詞，其實精準："As we continue to innovate, our focus remains on delivering greater scale and ease for those managing a mobile, global workforce." （我們持續創新，但焦點始終是為那些管理著流動、全球化人力的人，提供更大的規模與更高的便利。）機構的目標寫得清清楚楚：scale 與 ease——規模化、去摩擦。介面、登入、人工搬資料，全都是摩擦，所以會被一個一個拆掉。看懂這條主軸，你就不會把力氣浪費在守一個註定會被自動化的環節上，而會提早把自己挪到那條管線「拆不掉」的位置：承擔、信任、編排。 介面會消失，責任不會。資料會免費，判斷不會。通路會自動化，但通路兩端那個「人願不願意信你」的決定，永遠在自動化之外。📎 這篇聚焦在「介面層被抽掉」對業務員的意義，但 CNBC 的原始報導還有更多產業細節值得一讀：Morgan Stanley 如何把這套 agentic 策略接回它 7.35 兆美元的整體財富管理盤、它和 JPMorgan、Goldman 在「內部 vs 外部 AI」上的路線分歧，以及 1.2 兆美元職場資產背後的導流邏輯。想理解 MCP 這個協定本身為什麼是這波轉變的關鍵，也可以直接讀 Model Context Protocol 官方說明——它用 USB-C 的比喻，把「為什麼介面正在被標準化接口取代」講得比任何分析都清楚。