Showing Posts From
Ai 銷售
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。