Jason Bay 直播拆 3 通真實 cold call：保險業務員失去那場會議的瞬間，往往不是客戶說『我考慮一下』，而是你太快回答了那句話
Jason Bay：教 Zoom、Gong、Rippling 業務員的那個人，這次親自下海打陌生電話 很多人講陌生開發都是在台上講、不在線上打。Jason Bay 不一樣。他是 Outbound Squad 的創辦人、Zoom、Gong、Rippling 等企業的銷售訓練講師，過去十年的工作就是一件事：拆解業務員打陌生電話時，那個「會議丟掉的瞬間」是怎麼發生的。 2025 年 8 月 20 日，他在 30 Minutes to President's Club（30MPC，目前全球業務類排名第一的 podcast）發布的《We Break Down 3 Real Cold Calls (And One Is Mine)》，現場拆三通真實 cold call——其中一通是他自己打的。整集是現場真實通話拆解，連撥打、處理異議、判斷該不該推進、即時微調話術，全部公開。 最反直覺的一句話，是他在 podcast 中段說的：「業務員失去那場會議的瞬間，常常不是客戶拒絕你，是你太快回答了客戶的話。」 這句話幾乎可以重寫整個保險業務員每天打電話的反射動作。 「買家世界」開場法：你開口的第一句話，必須跟你想賣的東西無關 Jason Bay 在 GTMnow 對他的陌生開發專訪裡講得直接："Don't do your elevator pitch there. Start the cold call or that email or whatever it might be with their world first." （別在開場做你的電梯簡報。陌生電話、陌生信、不管什麼，第一句都要從『他們的世界』開始。）什麼叫『他們的世界』？不是你的產品解決什麼問題，而是這個人現在正在被什麼考核、被什麼壓得喘不過氣、老闆問他什麼問題答不出來。 他在 podcast 裡示範的開場是這樣的："Hi David, I'm calling about all the hiring it looks like you're doing in Canada right now... Do you have a minute?" （David 你好，我打來是因為注意到你們最近在加拿大大量招人...你有一分鐘嗎？）對比保險業務員平常的開場：「先生你好，請問您有沒有規劃保險的需求？」差別不在禮貌，在於前者是站在客戶現在正在處理的事情上，後者是站在自己想賣的東西上。 Jason Bay 的核心主張是：「move from me-centric messaging to you-centric messaging」（從『我中心』訊息切換到『你中心』訊息）。這個切換，技術上很簡單；心理上很難——因為它要求你開口前，必須真的去查過這個人最近在忙什麼，而不是打開名單就撥。 「先承認情緒、再回答內容」：把『我考慮一下』從句點變成新的開場白 這是整集 podcast 我覺得最值得抄下來的部分。 當客戶說「我已經有保險了」「現在不方便」「再寄資料給我」，大部分業務員的反射動作是——立刻回答內容：「沒關係我們的方案不一樣」「那您方便的時間是？」「好的我寄給您」。 Jason Bay 在 podcast 中段的拆解非常犀利：客戶丟出這句話的當下，他想處理的不是內容，是情緒。他想趕快結束這通他不想接的電話。你急著回答內容，等於告訴他：「我沒聽到你的不耐煩，我只想完成我的話術。」會議就是在那一秒丟掉的。 他教的框架叫 EVO（Empathize, Validate, Offer，承認、驗證、給予），順序不能顛倒： 第一步：承認情緒（Empathize）。 「我懂，我自己也不喜歡接陌生電話。」 第二步：驗證（Validate）。 「我打給跟你差不多角色的人，十個有八個第一句話也是這個。」 第三步：給予（Offer）。 「給我 30 秒講完為什麼我是打給你而不是打給別人，30 秒之後你覺得不相關直接掛掉，我不會回撥。」 差別在哪裡？普通業務員聽到拒絕，本能想證明自己不是垃圾電話。Jason Bay 的做法是：先讓對方知道你聽到他了，再讓他自己決定要不要繼續聽。承認情緒不是話術上的客套，是讓對方放下防衛的開關。 他在 podcast 中段直接示範：客戶說「我現在很忙」，他回「我聽起來真的吵到你了，那我長話短說——」然後客戶就停下來聽了。沒有任何技巧勝過「我聽到你了」這四個字。 「反向 pitch」：你猜我不在意 X，因為大部分跟你同位的人覺得 Y 比較重要 這招是 Jason Bay 最反直覺的工具。 一般業務員推銷的邏輯是：「我們有 ABC 三個亮點，您看哪個最吸引您？」推力。 反向 pitch 的邏輯倒過來：「我猜你大概不太在意保費省 5%，因為我打給跟你一樣是中小企業老闆的人，他們真正擔心的是員工出事的時候老闆會不會被告——這部分跟你比較相關嗎？」 差別在於：你不是把好處攤出來請對方挑，而是先用社會證明（其他跟他同位的人）幫他排除掉他不在意的事，再把焦點集中到你預判他真正在意的那一兩個點。心理上，這是把「推力」轉成「拉力」——對方會覺得「這個人懂我這位置的人在想什麼」，而不是「這個人在賣我東西」。 Jason Bay 在 Outbound Squad 的『Too Good To Ignore』方法論裡，把這個動作叫做 Provoke（挑釁）："Engage buyers with a strong point of view on their problem that compels action now." （用一個對他問題的強烈觀點切入，讓他現在就想動。）關鍵字是「強烈觀點」。不是你列三個選項請他挑，是你直接告訴他「我覺得你這位置的人，真正卡住的是 X，不是 Y」。錯了沒關係，他會糾正你；對了你就贏了——因為你展示了這個位置的人才有的洞察。 知道什麼時候主動退出：資格不符就 dis-qualify，別硬約 最後一個反直覺的點：Jason Bay 整集 podcast 撥了好幾通電話，連接率 30%，但只有 11% 真的轉成會議。剩下 19% 他做了一個很多業務員不敢做的決定——主動把客戶從名單裡刪掉。 他的原話是："Ruthlessly disqualify opportunities unworthy of our energy, time, and attention." （無情地把不值得我們花時間、精力、注意力的機會踢掉。）什麼叫不值得？在 podcast 裡他示範了三個訊號：對方完全沒辦法描述自己現在的處境（代表他根本沒在想這件事）、對方一直把你轉介給「我老婆會處理」（代表他不是決策者）、對方的時間預期跟你完全錯開（「我半年後再看」其實是「永遠不看」）。 這個框架對保險業務員特別有意義。我們常常被教「每一個名單都要追到底」，但 Jason Bay 的數據說的是相反的：當你願意把不對的客戶踢掉，剩下的時間你會花在真正可能成交的人身上，整體產能反而上升。 主動退出不是失敗，是判斷力。一個業務員的成熟度，不在於他能跟所有人都聊上五分鐘，在於他能在第二分鐘就誠實地說「您這個情況，現在可能還不適合我們的服務，我下次再聯絡您」——然後把那 28 分鐘留給下一個值得的人。📎 這集 30MPC《We Break Down 3 Real Cold Calls (And One Is Mine)》 是現場真實通話拆解，包含撥打、處理異議、資格判斷、即時微調話術。本文沒有覆蓋到的，是 Jason Bay 在連續快撥那段展示的「即時微調訊息」技巧——他打到第三通就完全捨棄前兩通的話術換新的角度切入。如果你每天打超過 20 通陌生電話，那段特別值得聽。另外 Jason Bay 的完整框架文件在 30MPC 的 Jason Bay 框架專頁可以下載，跟 Outbound Squad 官網的「Too Good To Ignore」方法論互相補充。
Insurity 2026 調查：消費者支持 AI 用在保險『翻倍成長』，但有一條線他們堅決不讓 AI 跨過——那條線，就是你這個業務員的護城河
過去一年，保險業務員問我最多的問題大概就是：「AI 真的會取代我嗎？」 我以前都用「AI 不會取代你，但會用 AI 的人會取代你」這種話術回答。但現在我有更精準的答案了——而且這個答案不是哪個顧問講的，是 1,000 多位美國消費者親口畫的線。 Insurity 4/21 公布了 2026 年的 AI in Insurance 消費者報告。這份由 Wakefield Research 在 2026 年 2 月執行、訪問 1,000 多位美國成年人的調查，做了一件業界很少有人做的事：它沒有問業務員怕什麼，它問消費者願意把哪些事交給 AI、又有哪些事打死不讓 AI 碰。 結果非常清楚。清楚到我覺得每一個保險業務員都應該把這份報告印出來，貼在電腦螢幕旁邊。 Insurity 2026 報告：消費者支持 AI 翻倍成長，但「翻倍」之後還有一條更重要的界線 先講最容易被新聞標題拿去用的那一段。 2025 年，只有 20% 的美國消費者覺得「保險公司用 AI 改善服務」是好事；2026 年，這個數字翻倍到 39%。同時，「會因為保險公司公開使用 AI 而比較不想買」的比例，從去年的 44% 降到今年的 36%。 這份調查也顯示，84% 的美國消費者至少偶爾會用 AI 工具，27% 是每天用。 如果你只看到這裡，你會得到「AI 大勢已成、業務員快沒飯吃」這種媒體很愛寫的結論。 但 Insurity 報告真正值錢的，是後面那一段——當問卷問到「你願意讓 AI 替你做什麼？」時，數字突然出現了一條鋒利的分水嶺。 第一條界線：「資訊流」可以給 AI，但「決策流」要人來 把報告的數字攤開來看，消費者畫出的那條線會自己跳出來。 消費者願意讓 AI 做的事（接近一半的人都 OK）：46% 願意讓 AI 生成報價（quote） 39% 願意讓 AI 追蹤理賠進度（claim status） 38% 願意讓 AI 更新個人資料消費者拒絕讓 AI 做的事（大部分人都不要）：只有 22% 願意讓 AI 替自己提出理賠申請 只有 16% 願意讓 AI 替自己取消或續約保單 將近 50% 的人明確不信任 AI 做「理賠核准、詐欺判定、保單調整」這類決策 只有 33% 信任 AI 主導的保險決策看出規律了嗎？"Consumers have moved past the hype cycle. They are not impressed by the fact that insurers are using AI. They care about how it is being used." （消費者已經不在意「保險公司用了 AI」這件事本身了。他們在意的是 AI 被用來做什麼。）這是 Insurity 總裁 Jatin Atre 給 Insurance Business Magazine 的解讀。但更狠的話在後面："If AI is deployed simply to cut costs or automate decisions without explanation, trust will erode. If it is deployed to make underwriting smarter, claims faster, and interactions clearer, with real oversight behind it, trust grows." （如果 AI 只是被用來降低成本、在沒有人解釋的情況下自動做決定，信任會崩盤。如果 AI 是讓核保更聰明、理賠更快、互動更清楚，並且背後有真實的人在監督——信任會成長。）「real oversight」——真實的監督。這四個字是整份報告的關鍵字。 消費者要的不是 AI 滾出去，而是 AI 出現的時候，他們抬頭要看得到一個人。 為什麼是這條線？因為這是「責任能不能轉嫁」的線 這條 46% vs 16% 的鴻溝，看似是消費者的「直覺」，其實藏著一個極理性的判斷邏輯：這件事如果出錯了，誰要負責？報價錯了——重新報就好，沒有實質損失 追蹤理賠進度錯了——查一下就知道，損失很小 更新地址錯了——改回來就行這些是「資訊流」工作。AI 出錯，消費者承擔的代價很低。所以他們願意讓 AI 做。 但反過來：替我提出理賠申請出錯——我可能拿不到該拿的錢 替我取消保單出錯——我可能在出險的時候沒有保障 判定我的理賠不合格——這會直接影響我的人生 把我標記成詐欺——我未來保不到險這些是「決策流」工作。AI 出錯，消費者要承擔不可逆的後果。 而 AI 沒辦法承擔後果。AI 不會被告，AI 不會被吊照，AI 不會在客戶簽下取消保單之後接到他打來哭著問「為什麼那時候沒有人勸我」的電話。 只有人會。 而消費者在問卷上做的這個選擇，本質上是：「我願意把『可逆的事』交給 AI，但『不可逆的事』我要一個能負責的人陪我做。」 這跟我們之前寫過的 Andrew Lo 的觀點 完全是同一條邏輯——AI 沒有牙齒，咬不到責任，所以重大決策客戶不會放手給它。 三個你可以馬上開始做的調整 知道這條線之後，業務員的工作地圖其實會變得非常清楚。 把「資訊流」的工作全部打包給 AI（quote / status / FAQ） 做法： 不要再花時間做客戶其實想自己用 AI 解決的事。 如果客戶有 46% 都願意自己用 AI 報價，那你還在花一個下午幫客戶手動跑三家公司的條款比較表，這個時間是「業務員在幫 AI 打工」——你做了客戶覺得不需要你做的事，付出的時間沒有換到任何信任溢價。 把這些工作 AI 化、自動化、模板化。你的時間應該全部押在後面那 84% 不能交給 AI 的事情上。 把「決策時刻」變成你的主場（claim / cancel / renew） 做法： 主動標記出客戶人生中那些「不可逆」的瞬間，告訴他們你在那裡。 舉例對話（客戶寫 LINE 給你）：客戶：我最近用 ChatGPT 比了一下保費，發現有家公司便宜 12%，我在想要不要換。 一般業務員：「你不要換，我們家服務比較好。」（這是話術，客戶聽不進去） 重新框架後：「比保費這件事 AI 確實做得比我快也比我準。但你下一步要做的是『取消舊保單、買新保單』——這件事 16% 的人才會放心交給 AI，因為它是不可逆的。我們花 30 分鐘把這次轉換的風險過一遍，過完你想換我幫你換、你不想換我們就不動。可以嗎？」你不是在跟 AI 比「資訊處理速度」。你是在跟 AI 比「承擔後果的能力」。這是它跑不贏的賽道。 用「judgment」當你的計費單位，不要用「task」 做法： 重新檢視你給客戶開的帳單（不管是手續費、佣金、年費、顧問費），看看你是在賣「動作」還是在賣「判斷」。 如果你的價值主張長這樣——「我幫你比較三家公司的方案、整理好報表、提醒你續約日期」——那 Insurity 的報告告訴你，這 46%-39%-38% 的工作客戶很快就會自己用 AI 做完，不需要你。 如果你的價值主張長這樣——「客戶要決定要不要動保單的時候，我會花 30 分鐘把不可逆的後果過一遍；客戶被理賠卡關的時候，我會替他承擔『跟核保部門吵架』的情緒勞動；客戶被詐欺判定誤標的時候，我會走流程申訴到底」——那你賣的是「判斷 + 責任承擔」，這是 84% 的人都不會交給 AI 的工作。 這份 Insurity 調查最值錢的訊號其實是：消費者已經幫你把工作分類好了。 他們把報價、查詢、文書這些 AI 做得快又便宜的事，從你的工作清單上劃掉了。但他們同時把「替我做不可逆的決定時陪我」這件事，留下來，並且明確標註——「這個位置必須是人」。 你的工作不是去跟 AI 搶報價速度。你的工作是站好這個被消費者親手保留下來的位置。📎 想看 Insurity 完整的 18 題調查內容、各項任務的細部接受度、以及 Jatin Atre 對保險業 AI 部署的完整框架，可以讀 Insurity 官方新聞稿 和 Insurance Business Magazine 的拆解。原始報告還有一些這篇文章沒覆蓋到的數據——例如 26% 的消費者目前還沒形成意見（這群「未表態」族群是業務員下半年最該主動接觸的對象），以及 Insurity 對保險公司「該怎麼公開揭露 AI 使用」的具體建議，都很值得業務員自己讀一遍。
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。
Stephanie Bogan：你以為「客戶滿意了就會幫你轉介」是業績常識，Kitces 4 月新框架告訴你這是業務員卡關的最大幻覺
如果你問十個保險業務員：「你最大的新案來源是哪裡？」九個會說「緣故與轉介紹」。 但如果再問下一句：「你有一套讓客戶轉介的『系統』嗎？」九個都會愣住——然後給你一個聽起來很漂亮、但其實很空的答案：「就是把客戶服務好，他自然會幫你介紹。」 這個答案聽起來像智慧，其實是業績卡關的最大幻覺。 Limitless Advisor 創辦人 Stephanie Bogan 跟 Kitces.com 的 Sydney Squires 在 2026 年 4 月共同發表的新文章 《3 Growth Strategies That Won't Plateau As The Firm Grows》，用一句話戳破了這個幻覺：轉介從來不是被動結果，是必須被工程化的系統。 Stephanie Bogan：管 36 位七位數事務所老闆的教練，與 Michael Kitces 一起發表這份新框架 Stephanie Bogan 不是一般的顧問教練。 她 24 歲創辦自己的第一家顧問公司 Quantivus，36 歲時以七位數金額把公司賣給 Genworth Financial 並進入該 Fortune 200 公司的高管團隊，後來轉任 United Capital 的訓練與客戶體驗資深副總，幫助該公司打造出一套被全美數千名顧問採用的全國性實務模型——這家公司後來被 Goldman Sachs 收購。 2014 年她退休搬到哥斯大黎加，現在每週工作約 25 小時，一邊經營一家七位數營收的教練公司 Limitless Advisor，一邊跟 Michael Kitces 共同主持 Limitless Leaders 計畫，今年（2026）的學員是 36 位七位數營收事務所的老闆。她也是 Kitces.com 的長期特約撰稿人，知名的客座專欄包括 《7 Pillars Of Running An Advisory Firm Like A Real Business》 與 《The Four M's Of Finding "Limitless" Success As A Solo Advisor》。 換句話說，這篇文章不是學者寫的理論，是一個「自己賣過、教過幾百個老闆怎麼把事務所從一個人撐到一個團隊」的實戰派，把她最常看到的卡關模式攤開來講。 「年輕人和高收入客戶最不會主動轉介你」——Bogan 揭穿被動轉介策略的崩塌時刻 文章最反直覺、也最值得業務員停下來想三分鐘的洞察是這個："Today's clients – especially those in younger and higher-income segments – are less likely to rely on referrals, and most firms lack a formal system to encourage them." （現在的客戶——尤其是年輕族群與高收入族群——比較不會仰賴轉介紹這件事；而多數事務所根本沒有一套正式的系統去鼓勵轉介。）讀到這句話，你應該倒抽一口氣。因為「年輕和高收入」剛好是每個業務員最想開發的客群。 為什麼這群人反而最不轉介？Bogan 在文章中的解釋是：他們的社交資本（social capital）更稀缺、更謹慎。簡單說，他們不會輕易把朋友介紹給一個服務商，因為一旦介紹失敗，他們自己會付出社交代價。年紀大、退休族群還會主動聊「我那個顧問很不錯」，但 35 歲的科技業 VP 不會——他怕推薦錯人讓自己看起來不專業。 這個發現直接把業務員多年來信奉的金科玉律打破：「服務好客戶，他自然會介紹我」這句話，只在你的客戶群是退休族群時成立。一旦你的客戶結構年輕化、高收入化（也就是你「升級客群」之後），這個被動策略就會悄悄停下來——而且你會以為是自己最近運氣不好，其實是你的成長引擎根本不在引擎位置上。 Bogan 在另一段點得更直白："Growth can't just live with the founder. You have to create a repeatable experience your whole team can deliver — one that naturally deepens relationships and sparks referrals." （成長不能只活在老闆一個人身上。你必須打造一套整個團隊都能交付的可重複體驗——這套體驗本身就會自然加深關係、引發轉介。）注意這裡的關鍵字：repeatable（可重複）、whole team can deliver（整個團隊都能執行）。轉介不是某一個有魅力的業務員的個人天賦，而是一套寫進 SOP 的工作流程。 「工程化倡議」四步驟：把感動服務拆成可重複的工作流程 Bogan 把這套讓轉介系統化的方法叫做 Engineering Advocacy（工程化倡議）。她的原文是："By deliberately engineering advocacy into the client experience – identifying client 'champions', mapping referral-ready moments, prompting naturally, and reinforcing behavior with gratitude – firms can transform referrals from a passive hope into an intentional, repeatable driver of growth." （透過刻意把『倡議』工程化進客戶體驗——辨識客戶『擁護者』、標註可被轉介的時刻、自然地提出請求、用感謝行為強化——事務所可以把轉介從被動期待轉變成有意圖、可重複的成長引擎。）這四個動詞拆開來看，每一步都是可執行的工作流程： 第一步，辨識客戶『擁護者』（Identify Champions）。 不是所有客戶都會幫你轉介。Bogan 的做法是從前 10% 到 15% 的客戶名單開始——這群人通常是已經主動表達過好感、主動跟你聯繫過、或是會在 LINE 群裡幫你說好話的人。把他們從「全部客戶」中切出來，他們才是你的轉介引擎。其他客戶服務好就好，但不要把開發轉介的力氣浪費在他們身上。 第二步，標註『可被轉介的時刻』（Map Referral-Ready Moments）。 這是整個框架最有殺傷力的一步。轉介的成敗不在於你「問了沒有」，而在於你「什麼時候問」。Bogan 的洞察是：客戶剛經歷一個「你幫他解決了真實問題」的時刻，就是他社交資本最願意外借的時刻——剛幫他完成一個複雜的稅務規劃、剛走完一個保單理賠、剛幫他做完一次資產配置調整。這些時刻的客戶心情處在「我真的覺得這個人有用」的高點，這時候提出轉介請求的接受度，遠遠高於你下次年度檢視冷場的那五分鐘。 第三步，自然地提出請求（Prompt Naturally）。 這一步最違反業務員的本能——大部分人是在「沒新案、業績卡了」的時候才硬擠出一句「對了，您身邊有沒有朋友也需要規劃？」這種話客戶聽得出來是業績壓力，反而會啟動防衛。Bogan 的版本是：在剛完成一件具體的事情之後，順著事情本身講——「這個稅務問題其實很多老闆都有，您身邊如果有遇到類似情況的，我很樂意花一個小時幫他釐清一下，不收錢。」這不是討業績，這是順手。 第四步，用感謝行為強化（Reinforce with Gratitude）。 Bogan 強調這一步要寫進 CRM 流程——不是「想到才感謝」，而是「轉介一次就觸發一次感謝動作」。可以是親手寫的感謝卡、可以是一份小禮物、可以是公開在年度感謝信裡點名。這一步的真正功能不是回禮，是訓練客戶的大腦：「轉介這個動作會被看見、被珍惜」——下一次他更願意轉介你。 三大不會卡關的成長策略：轉介、銷售流程、服務策略缺一不可 Engineering Advocacy 只是 Bogan 三大策略中的第一個。文章的完整框架是： 第一是轉介策略（Referral Strategy）——確保漏斗頂端持續有「溫度高、信任度高」的機會進來，靠的就是上面講的工程化倡議四步驟。 第二是銷售流程（Sales Process）。Bogan 指出大多數老闆級業務員都把銷售綁在自己身上——只有自己能成交。當公司想擴張時，這就是天花板。她的解法是把成交流程拆解成多步驟、結構化的流程，讓非老闆的業務員也能照表操課跑出穩定轉換率。對台灣業務員的啟發是：如果你想從個人通訊處長成為一個有業務團隊的單位，你的成交流程必須能脫離你的個人魅力存在。 第三是服務策略（Service Strategy）。服務的功能不只是讓客戶滿意——服務的真正功能是釋放出產能與利潤，讓你有空間去執行前面兩個策略。如果你每天 80% 的時間都在處理售後雜事，你根本沒時間去辨識擁護者、沒時間去標註可被轉介的時刻、沒時間去把感謝寫進 CRM。 三個策略要一起跑，缺一個都會卡關。Bogan 的洞察是：當這三根支柱同時運轉，成長就不再像「掙扎」，事務所本身就會變成成長引擎，不是業務員一個人在拉車。 對保險業務員來說，這套框架最值得內化的是把「轉介」這件事的心智模型從「人情世故」徹底切換成「工作流程」。緣故與轉介紹貢獻 80% 業績這件事不會變，但「靠運氣的轉介」跟「工程化的轉介」之間的業績差距，可能就是業務員年薪 200 萬跟 800 萬之間的距離。📎 完整文章發表在 Kitces.com，原文除了本篇拆解的 Engineering Advocacy 四步驟之外，還有更多關於「銷售流程如何脫離老闆」與「服務策略如何釋放產能」的具體操作建議，包括如何把多步驟成交流程拆解給初階業務員、以及如何設計分層服務模型讓事務所獲利率不被服務量稀釋。Stephanie Bogan 與 Sydney Squires 也在 Weekend Reading For Financial Planners (April 18-19, 2026) 中對這三大策略做了延伸討論，值得有空時整篇讀完。
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。