Showing Posts From
說服力
客戶明明聽懂了卻一直「再想想」？行為科學家：你賣的是「未來」，而大腦天生討厭未來——把「現在每天正在流失的東西」講出來
你一定遇過這種客戶：你把保障缺口算得清清楚楚，他全程點頭，最後說一句「我懂了，讓我再想想」——然後人就消失了。你會忍不住懷疑：是我講得不夠清楚嗎？ 行為科學家 Nancy Harhut 在 2026 年 6 月 3 日的 DesignRush Podcast 專訪裡給了一個讓人安心、也讓人警醒的答案：問題不在他沒聽懂，而是人類大腦的出廠設定，本來就跟「未來才兌現的好處」過不去。而保險，剛好是世界上最純粹的「未來才兌現」商品。 Nancy Harhut：用大腦的原廠設定賣東西，而不是跟它對抗 Nancy Harhut 是 HBT Marketing 的共同創辦人暨創意長，客戶包括 H&R Block、AARP、Transamerica 這些金融與保險品牌。她把 25 條行為科學原理整理成一本得獎著作《Using Behavioral Science in Marketing》（拿下 2023 年美國行銷協會的 Leonard L. Berry 行銷書獎）。 她整套方法論的前提，是一句很多業務不願承認的話："People don't make decisions the way you think they do. They're not necessarily fully engaged. They're not very rational. They're way more emotional." （人們做決定的方式，跟你以為的不一樣。他們未必全神貫注，也沒那麼理性，而是感性得多。）換句話說，你花力氣把產品講得更「合理」，很可能是在對一個根本不用理性決策的大腦講道理。Harhut 的做法相反：先承認大腦怎麼運作，再順著它設計訊息。 意圖—行動落差：客戶真心想買，卻被「當下偏誤」綁住 Harhut 點名一個專有名詞——意圖—行動落差（intention-action gap）。它指的不是客戶不想，而是客戶真心想、卻一直沒動："We intend to do something, we intend to get to it a little bit later, we'll do it next week or next month or next year, we're going to do it. But then we don't." （我們打算做某件事，打算晚一點再處理，下週、下個月、明年再說，我們真的有打算要做。但結果就是沒做。）背後的引擎是「當下偏誤（present bias）」：大腦只渴望立即的回報，並且嚴重低估未來的好處。保險的痛點正好踩在這裡——它的全部價值都在「未來」，而你的客戶活在「現在」。你說「以後你會很有保障」，大腦聽到的是一個跟今天無關、又模糊又遙遠的承諾，於是它選擇拖延。 所以 Harhut 的整套解法，不是把未來講得更動人，而是想辦法把好處從「以後」搬到「現在」。以下三個槓桿，就是搬運工。 三個把「未來」拉回「現在」的訊息槓桿 損失趨避（Loss Aversion） 做法： 別算「未來能得到什麼」，改算「現在每天正在流失什麼」。 這是 Harhut 最有殺傷力的一招。她引用行為經濟學的核心發現："People are actually twice as motivated to avoid the pain of loss as they are to achieve the pleasure of gain." （比起追求獲得的快樂，人們避免損失的動力，其實是它的兩倍。）她舉了一個住宅隔熱（home insulation）的經典案例。同一個產品，兩種講法：一種說「裝了隔熱，你每天可以省下 75 美分」，另一種說「沒裝隔熱，你每天正在損失 75 美分」。結果："When they told people they were going to lose 75 cents a day, 150% more people said, yes, I want the home insulation." （當他們告訴人們「你每天正在損失 75 美分」時，答應要做隔熱的人多出了 150%。）數字一模一樣，框架一反，接受率跳了一倍半。把這個機制套進保障對話，差別就出來了—— 別說：「這張醫療險，未來住院一天能賠你三千。」 改說：「你現在沒有這塊，等於是每天用自己的存款在替自己的健康風險自保。同樣是每天幾十塊，差別只在於：這筆錢是進保險公司的池子，還是哪天從你帳戶裡一次扣走。」 關鍵動作是：把抽象的「未來保障」換算成一個「現在正在流失的小單位」。每天、每杯咖啡的錢、每個月。當損失被切到夠小、又貼在「現在」，大腦的趨避本能才會醒過來。 社會認同（Social Proof） 做法： 不要說「很多人買」，要說「跟你一樣的人」都這樣做。 當客戶猶豫時，他其實在問一個沒說出口的問題：「做這個決定的我，會不會是個傻子？」社會認同就是在替他消除這個風險。Harhut 的定義裡有一個常被忽略的精準限定詞："Social proof is the idea that if a lot of other people, especially people like me, are doing something, I feel comfortable following their lead." （社會認同的意思是：如果很多人——尤其是「跟我一樣的人」——都在做某件事，我會比較安心地跟著做。）重點在 "people like me"。對一個 38 歲、兩個小孩、剛換工作的客戶說「我們公司有十萬保戶」，他無感；但對他說「我手上有好幾位跟你一樣、孩子還在念小學、又剛跳槽的家庭，他們在這個階段都會先把這塊補起來，原因是……」——這句話的份量完全不同。社會認同要瞄準的不是「人多」，而是「像他」。 互惠（Reciprocity） 做法： 在開口要求成交之前，先給出一個對方沒預期到的價值。"When you do something for someone, when you give them a gift, when you do a favor for them, even if they didn't ask for it, once they're the recipient, they feel obliged to return the favor." （當你為某人做了什麼、送了禮、幫了忙，即使對方沒開口要求，一旦他成了接受的一方，就會覺得有義務要回報你。）注意「even if they didn't ask for it」——互惠的力道，來自於「出乎意料」。所以最弱的互惠，是客戶要什麼你給什麼（那叫服務）；最強的互惠，是你主動遞上一份他沒想到、卻剛好戳中他處境的東西：一份幫他整理好的現有保單缺口分析、一張他公司團保到底保了什麼的白話對照表、一個跟保險無關但他正在煩惱的稅務小提醒。先給，而且給得出乎意料，成交那一刻的天平就已經往你這邊傾了。 把這三招收進一個檢查框：訊息夠不夠「大腦友善」 Harhut 把這套東西統稱為「大腦友善訊息（brain-friendly messaging）」——讓訊息順著大腦運作，而不是跟它作對。她給了四個檢查點：訊息必須顯眼（noticeable）、好懂（understandable）、好記（memorable）、可行動（actionable）。"I'm talking about serving up our marketing messages in a way that works with the brain and not against it." （我說的是，用一種順著大腦、而不是逆著大腦的方式，把訊息端出來。）下次寫完一段保障建議，先別急著發，拿這四個點過一遍：客戶會「注意」到嗎？他三秒內「看得懂」嗎？明天他「記得住」其中一句嗎？最後——這段話有沒有給他一個「現在就能做的下一步」？很多提案卡在最後一關：講得很完整，卻沒有一個此刻可執行的動作，於是大腦理所當然地把它歸進「以後再說」。 Harhut 在訪談尾聲還丟了一個給業務的自我提問，值得貼在桌前："One of the biggest things that we can do is we can ask ourselves, Why not?" （我們能做的最重要的事之一，就是問自己：為什麼不？）不是問「我要怎麼說服他買」，而是反過來盤點「他現在到底卡在哪個『為什麼不』」——是怕做錯（給社會認同）、覺得不急（用損失趨避把代價拉到現在）、還是覺得欠你不夠（用互惠先給）。把每一個「為什麼不」拆掉，剩下的，就是行動。📎 這篇拆的是 Nancy Harhut 在 DesignRush Podcast 專訪裡談的三個槓桿，但原訪談還聊了「標籤效應（labeling effect）」怎麼讓客戶照你給的身份去行動、以及她替 Nationwide 操刀、創造 6,800 萬美元增量營收的實際案例設計。想看完整的 25 條原理與更多金融保險品牌的實戰拆解，她的《Using Behavioral Science in Marketing》一條原理配一個真實案例，是值得放在手邊翻的工具書。
史上最強的提案都沒有投影片——Danny Fontaine 拆 Otis 摔電梯、埃及艷后捲地毯：四個讓客戶『看見』而不是『聽見』的成交機制
你有沒有算過，自己一年念了幾次建議書？ 打開公司給的制式簡報，第三頁是公司沿革，第七頁是商品架構，第十二頁是費率表，你照著念，客戶照著點頭，然後說「我考慮一下」。我們都知道那句「我考慮一下」是什麼意思。 問題可能不在你的話術，而在你選錯了媒介。Danny Fontaine 在 2026 年 6 月 12 日上 Sales Gravy Podcast（主持人 Jeb Blount Jr.）那一集，標題就直接挑釁：「Show, Don't Tell: The Secret Behind History's Greatest Pitches」（演示，別用講的：史上最強提案的秘密）。他的論點很簡單也很狠——史上最有說服力的幾場提案，一張投影片都沒有。 Danny Fontaine：IBM 創意總監、《Pitch》作者，靠「不用 PowerPoint」談下十億美元生意 Danny Fontaine 是 IBM 英國暨愛爾蘭區的 GTM 創意總監，也是 Pitch Masters Podcast 的主持人，專訪廣告、銷售、行銷領域的頂尖提案者。他的書 《Pitch: How to Captivate and Convince Any Audience on the Planet》（Profile Books，2024）開宗明義就要你「忘掉 PowerPoint」。 他的核心信念是："Great pitching is all about creating experiences and evoking emotions." （真正厲害的提案，全都是在創造體驗、喚起情緒。）注意這句話裡沒有「傳遞資訊」「說明條款」「解釋商品」。他把提案從「我把知識倒給你」整個翻轉成「我讓你親身經歷一件事」。而他用來證明這件事的兩個歷史案例，畫面感強到你聽過一次就忘不掉。 Otis 當眾砍斷電梯纜繩、埃及艷后把自己捲進地毯：兩場沒有簡報的世紀提案 第一個案例是 Elisha Otis。1853 年紐約世界博覽會，當時沒有人敢搭電梯，因為纜繩一斷就是粉身碎骨。Otis 發明了安全煞車，但他要怎麼說服世人？他沒有發傳單、沒有做圖表。他站上一台升降平台，把自己升到三層樓高，然後當著所有人的面，拿斧頭把唯一支撐他的纜繩砍斷。 平台往下掉了幾英吋——然後停住了。他的安全煞車卡住了纜輪。Otis 對著底下倒抽一口氣的群眾說了一句話：「All safe, gentlemen!」（各位，安全得很！）。從那一刻起，Otis 的電梯訂單暴增，現代摩天大樓才得以存在。 他大可以站在台上講三十分鐘「我的鋼製彈簧棘輪機構在纜繩失效時會如何作動」。沒有人會記得。但他用自己的命賭那一斧頭，所有人一輩子都忘不了。 第二個案例更戲劇化。埃及艷后克麗奧佩脫拉想見凱撒，但她被政敵封鎖、無法光明正大進宮。她怎麼做？她把自己捲進一張地毯（一說是寢具袋），讓人扛進凱撒的寢宮，當著凱撒的面從地毯裡滾出來。 Fontaine 的重點不是八卦。是這個動作本身就是一場提案——它在三秒內傳達了膽識、創意、以及「我願意為了見你做到這種地步」的訊息。換成一封正式國書，凱撒看完大概就丟一邊了。 從這兩個案例，Fontaine 萃取出四個可以複製的提案機制。 機制一：Show, don't tell——把「宣稱」變成客戶眼前的「事實」 這是整集的核心。Otis 沒有「說」電梯安全，他「演」給你看。差別在哪？口頭宣稱會啟動客戶的防衛機制——你說產品好，他自動打折扣，因為你是賣家。但當他親眼看到結果發生，那個結論是他自己的大腦下的，不是你塞給他的。 Fontaine 在書中反覆強調，提案不是「論證」，是「示範」。當你能讓客戶當場看見後果，你就不需要說服他——他已經自己說服了自己。 把這個機制搬到保單檢視的場景，差別會非常具體。多數業務員的做法是「跟客戶說」：「您這張舊保單的醫療額度只有日額一千,現在住院根本不夠。」客戶點頭，但無感。 Otis 式的做法是「演給他看」：你不講額度,你掏出他自己的保單,在他面前算一筆帳——「上週您鄰居住院十天,自費病房加標靶藥,實際花了二十八萬,您這張保單會理賠的部分是……」然後你停下來,讓那個數字的缺口自己在他眼前裂開。你沒有「說」他保障不夠,你讓那個數字「演」給他看。客戶倒抽的那口氣,跟 1853 年世博會的群眾是同一口。 機制二：Pattern interruption——先打斷客戶腦中那套「業務員腳本」 客戶在你開口之前，腦中已經有一套完整的劇本：你會說產品多好、會逼他簽約、會用話術。只要你照著那套劇本走，他的注意力就會自動關機。 Fontaine 的第二個機制叫 pattern interruption——打斷模式。Otis 砍纜繩、埃及艷后滾地毯，都是在做同一件事：做一件客戶完全沒料到的事，把他從自動駕駛拉回現場。 這不是要你譁眾取寵。而是當你的開場跟其他十個業務員一模一樣——「您好，耽誤您幾分鐘介紹一下我們最新的……」——你就被歸進那個會被自動忽略的類別了。Fontaine 的提醒是：在你想說服客戶之前，你得先「奪回」他的注意力，而奪回注意力的唯一方法，就是違反他的預期。 機制三與機制四：讓客戶「感覺到」結果，並把他放進故事的中心 最後兩個機制是連在一起的。 感官沉浸：Fontaine 主張提案要訴諸感官，而不是訴諸理解。你不是要客戶「聽懂」一個概念，你是要他「感覺到」一個未來。回到 Otis——群眾不是理解了煞車原理，他們是感覺到了那一下墜落、再感覺到那一下停住。恐懼和鬆一口氣,都是身體記憶。 把客戶（而非你的產品）放在故事中心：這是 Fontaine 對「故事行銷」最關鍵的修正。大部分業務員講故事，主角是自己的公司、自己的商品、自己的得獎紀錄。但 Otis 那場提案的主角從來不是電梯——是那群「以後敢不敢搭電梯」的觀眾。埃及艷后那場提案的主角也不是地毯——是凱撒。 Fontaine 的書名副標就是 How to Captivate and Convince Any Audience，重點在 audience。他在書裡寫，提案的開場不該是「我們是誰」，而該是「你正面對什麼」。當客戶在你的故事裡看見的是他自己的處境、他的家庭、他沒被保障到的那個破口，他才會真的往前坐。 把這四個機制疊在一起，你會發現它們其實在解同一個問題：為什麼客戶「聽」完你的提案沒有感覺。 因為「聽」這個動作本身，就把客戶放在了被動、防衛、隨時可以說「我再想想」的位置。而 Fontaine 要做的，是把客戶從「聽眾」變成「目擊者」——當他親眼看見後果，決策就不再是「要不要相信你」，而是「我看到的這件事，我要不要處理」。 那一斧頭砍下去之後，Otis 不需要再多說一個字。📎 這篇只拆了 Danny Fontaine 在 Sales Gravy 那集講的四個機制和兩個歷史案例。他的書 《Pitch》 裡還有完整的 Storycoaster™ 與 TITAN™ 兩套提案框架，以及「Formulate → Refine → Finalise」三幕式的提案準備流程——從研究、腳本、創意主題到臨場交付與提案後跟進都有拆解，比這篇深得多。想聽他親口講 Otis 和埃及艷后那兩段（語氣比文字更有感染力），可以去 Sales Gravy Podcast 找這集「Show, Don't Tell」，或追他自己主持的 Pitch Masters，裡面全是頂尖提案者的實戰拆解。
億萬富翁 Joe Liemandt 罕見受訪：說服力不是話術，是「把複雜壓成三行三個字」
有一種業務的痛，幾乎是金融與保險這行的原罪：你賣的東西太複雜。利變、分紅、IRR、稅務遞延、解約金的階梯、保額與保費的拉鋸——你越想講清楚，客戶的眼神越渙散。於是大多數人選擇了兩條路：要嘛背更多話術，要嘛把自己包裝得更熱情。 結果有個人告訴你，這兩條路都走錯了。 Joe Liemandt：20 年不受訪的軟體億萬富翁，把「說服力」拆成一塊你沒練過的肌肉 Joe Liemandt 這個名字你可能沒聽過，這正是重點——他刻意如此。1990 年他從史丹佛輟學創辦 Trilogy Software，靠著替企業處理「複雜報價組態」（configure-price-quote，正是把一堆複雜變數壓成一張乾淨報價單的生意）起家。1996 年，27 歲的他以 5 億美元身價，成為當年 Forbes 400 裡最年輕的白手起家者。如今他透過 ESW Capital 收購了一票軟體公司，身價估計超過 60 億美元。 而他有超過二十年幾乎不接受任何採訪。所以 2026 年 5 月底，當他坐進 Sam Parr 與 Shaan Puri 的 My First Million 第 828 集，整段對話本身就是稀缺品。更稀缺的是內容：這位把一輩子押在「把複雜變簡單」這門生意上的人，第一次公開拆解他對「說服力」的定義。而他的定義，跟你在任何一本業務書裡讀到的都不一樣。 「說服力不是你說出口的句子，是你對自己設的標準」：Liemandt 把「說服力」重新定義成「強度」 整集對話有兩個時間點值得你倒帶重聽。一個是 13:14 談「強度」（intensity），一個是 23:29 談「如何有說服力」（being persuasive）。多數人會把這兩段當成兩個主題，但 Liemandt 的厲害之處在於——對他來說這是同一件事。 他的核心反直覺點是：說服力不來自你說出口的那幾句話，而來自你對自己設定的強度與高標準。 換句話說，當你坐在客戶對面，真正在「說服」對方的，從來不是你那句準備好的開場白，而是客戶感受到的「你是誰、你對自己有多高的要求」。話術是表層，標準是底層。Liemandt 自己在 Trilogy 時代有一句廣為流傳的內部準則，把這種強度講得很赤裸："If GE doesn't get an ROI, the product sucks, I suck, Trilogy sucks." （如果奇異公司沒有從我們的產品拿到投資報酬，那就是產品爛、我爛、Trilogy 爛。）注意這句話的力道——它不是對外的銷售話術，是他對自己設的內部標準。但正是這種「我把成敗綁在你的結果上」的強度，會反過來變成最強的說服力。客戶不是被你的形容詞說服的，是被你願意承擔的那個標準說服的。 這對業務的啟示很直接：你花在打磨話術上的時間，可能放錯了地方。客戶在你開口之前，已經從你回信的速度、你做的功課、你對自己專業的要求裡，讀完了你是不是一個「有強度的人」。那塊肌肉不是嘴上的，是你對自己的。 做法一：把複雜壓成「三行、三個字」——簡化才是說服的底層紀律 第 828 集的 29:23，Liemandt 談「簡單」（simplicity）。這是整套心法裡最可操作的一塊，也是金融保險業最缺的一塊。 他講 Alpha School 的願景時，把一個極其龐大的命題——重建全球教育——壓成一句話：做一台一千美元以下的平板，讓孩子「每天兩小時學完所有東西」。一個要燒掉十億美金、牽涉無數變數的計畫，他用一行字就講完了，而且你秒懂。 這就是他的底層紀律：把任何複雜的想法，壓縮成三行、三個字能講完的版本。 不是因為他想得淺，恰恰相反——是因為他想得夠深，深到能把雜訊全部濾掉，只留下那個非說不可的核心。 這件事對業務的殺傷力在於：能不能簡化，其實是「你到底懂不懂」的測試。當你對著客戶把一張保單講得落落長、補充一堆「但是」「不過」「另外還要注意」，你以為你在展現專業，客戶聽到的卻是「這個人自己也沒搞清楚」。真正的高手是反過來的——他能在三句話內告訴你：「這張保單解決你一件事：六十歲以後，每個月有一筆錢自己進來，不靠小孩。其他的都是細節。」 Liemandt 把這當成一種訓練：你不是先想清楚再簡化，簡化的過程本身就是想清楚的過程。 一個你壓不進三行的提案，通常代表你自己還沒真的懂客戶要什麼。 做法二：選難不選易，讓高標準變成把人才與客戶吸過來的「磁鐵」 回到 13:14 的「強度」。Liemandt 對強度的定義不是「拚命」，而是一個選擇：在難與易之間，預設選難；把高標準當成不需要解釋的預設值。 Trilogy 早年最出名的，就是它近乎瘋狂的招募文化——他不在自己的郵遞區號裡找人，他到全美頂尖大學去搶最聰明的年輕人。一位前員工形容那段日子「我們感覺自己像名人」。為什麼一群二十出頭的工程師會有這種感覺？因為 Liemandt 給的不是高薪，是一個「這裡的標準高到不正常、所以待在這裡的人都很特別」的環境。"The best people in the world aren't in your zip code." （世界上最強的人，不在你家附近。）這句話翻成業務的語言就是：高標準不會把客戶嚇跑，它會把對的客戶吸過來。 那些追著每一個客戶跑、什麼單都接、什麼要求都答應的業務，看起來很勤奮，傳遞出的訊號卻是「我沒什麼好挑的」。而一個對自己服務品質、對合作對象有明確標準的業務——他會拒絕不適合的客戶、會直說某張保單你不該買——反而會變成磁鐵。 這正是 Liemandt 整套心法的精髓：你不是去說服客戶，你是把自己變成一個值得被靠近的標準，讓對的人自己走過來。 反推銷的姿態，底層是高標準在撐。 做法三：用「把十億押在最低 ROI 的事」當作示範——你的選擇本身就是說服 整集最違反商業直覺的，是 41:01。一個靠精算 ROI、專收「現金牛軟體」致富的人，公開說他把十億美金投進「報酬率最低的事」——教育。 從財務角度，這是一筆爛投資。但 Liemandt 不是在炫耀慈善，他是在示範前面那整套心法：一個人願意把資源押在哪裡，這個選擇本身，比他講的任何一句話都更有說服力。 他大可以用十億美金做更安全、回報更漂亮的事。但他選了最難、回報最不確定、卻最符合他高標準的那一個。這個選擇傳遞的訊號，正是他在 23:29 講的那件事——說服力不在句子裡，在你的強度與標準裡。他用自己的十億美金，把這套理論演了一遍給你看。 對業務來說，這是最後一塊拼圖，也是最容易被忽略的一塊：客戶其實一直在看你「把時間和力氣花在哪」。你願不願意為一個還沒成交的客戶多做一份功課、願不願意在沒佣金的環節也守住品質、願不願意在客戶該買別家時老實說——這些選擇，就是你的「最低 ROI 的事」。而它們，恰恰是客戶真正在拿來判斷你的那把尺。 把這三塊肌肉接起來看：強度是底層，簡化是表達，選擇是證明。 話術只是浮在最上面的那層油。Liemandt 用二十年的沉默，換來一集播客，講的其實只有一件事——別再練嘴了，去練那個對自己設標準的你。📎 這集 My First Million 第 828 集的價值，遠不只在「說服力」這一段。Liemandt 還拆了他怎麼用「機械師 vs. 工程師」的分工去經營幾百家收購來的軟體公司、為什麼他相信版本停更反而是好事，以及 Alpha School 那台「兩小時學完所有東西」的平板，背後對「人到底怎麼學東西」的整套假設——這部分對任何要「教育客戶」的業務都極有啟發。一個沉默二十年的人難得開口，值得你戴上耳機，把 13:14、23:29、29:23、41:01 這四個時間點，自己重聽一遍。
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。
你的 AI 銷售信寫錯重點了？Oxford 研究：塞滿事實比個人化更有說服力
用 AI 幫你寫客戶信、產品提案、LINE 訊息的時候，你花最多時間在哪裡？ 如果答案是「想辦法讓每封信都針對不同客戶量身打造」——一份剛發表在 Science 期刊的研究會告訴你，你可能把力氣花錯地方了。 Kobi Hackenburg 與史上最大規模的 AI 說服力實驗 Kobi Hackenburg 是牛津大學網際網路研究所的博士候選人，同時也在英國 AI 安全研究所（UK AI Security Institute）擔任研究科學家。2025 年 12 月，他和來自 Stanford、MIT、LSE 的研究者共同在 Science 發表了一篇論文：〈The Levers of Political Persuasion with Conversational AI〉。 這不是一般的小實驗。他們動員了 76,977 名英國受試者，部署 19 個不同的大型語言模型（從 5 億參數的小模型到 4,050 億參數的巨型模型都有），橫跨 707 個政治議題，讓 AI 跟真人進行平均 7 輪、約 9 分鐘的即時對話，然後比較受試者在對話前後的態度變化。 研究者還動手做了一件很瘋狂的事：他們對 AI 生成的 466,769 個事實性宣稱逐一進行了準確度查核。 結論出來，直接挑戰了行銷圈一個根深蒂固的信念。 資訊密度：說服力最強的單一因素 研究的核心發現可以用一句話講完：AI 之所以能改變人的想法，靠的不是心理操控，不是個人化，而是塞進更多可查證的事實。 他們把這個概念叫做「資訊密度」（information density）——一段回應中包含多少個可以被事實查核的具體宣稱。 數據有多誇張？在所有影響說服力的變數中，資訊密度這一個因素就解釋了 44% 的變異量。如果只看經過特別訓練的模型，這個數字飆到 75%。 具體來說，每多塞進一個事實性宣稱，說服力就增加 0.30 個百分點。在最有說服力的實驗條件下，AI 平均每次對話丟出 22.1 個事實宣稱——而一般條件下只有 5.6 個。"Insomuch as factors like model scale, post-training, or prompting strategy increased information density, they also increased persuasion." （只要模型規模、後訓練或提示策略等因素提高了資訊密度，它們就同時提高了說服力。）翻成白話：不管你用什麼技巧——更大的模型、更精巧的提示詞、更多的訓練——只要最終結果是讓回應裡塞進更多事實，說服力就上升。事實密度是所有槓桿背後的共同機制。 個人化的效果遠比你想的小 接下來是最反直覺的部分。 行銷圈這幾年最熱的口號是什麼？「大規模個人化」（personalization at scale）。AI 最讓人興奮的應用場景之一，就是根據每個客戶的背景、偏好、痛點，自動生成量身打造的訊息。 Hackenburg 的實驗直接測試了這個假設。結果呢？ 個人化帶來的說服力提升，平均只有 +0.43 個百分點，沒有任何一種個人化方法的效果超過 1 個百分點。 相比之下：後訓練（post-training，也就是針對說服力去微調模型）提升了最多 51% 的說服力 提示工程（prompting，用不同的指令去引導模型）提升了約 27%論文裡寫得很直白："While we do find some evidence of persuasive returns to personalization, they are small in comparison to the magnitude of the persuasion gains we document from model scale and post-training." （雖然我們確實發現個人化帶來了一些說服力回報，但與模型規模和後訓練所帶來的說服力增幅相比，這些回報很小。）這不是說個人化完全沒用。但它的效果被嚴重高估了——至少在「改變別人想法」這件事上，你花在個人化的時間，遠不如花在「確保內容裡有足夠多的具體事實」來得有效。 小模型也能跟巨型模型一樣有說服力 另一個讓人意外的發現：模型大小的影響也沒想像中大。 一個 5 億參數的開源小模型，經過針對性的後訓練之後，說服力可以逼近甚至追平那些動輒幾千億參數的頂級商用模型。Hackenburg 自己在牛津大學的新聞稿中說："Our results show very small models can be fine-tuned as persuasive as massive systems." （我們的研究結果顯示，非常小的模型經過微調後，說服力可以媲美巨型系統。）這意味著什麼？說服力不是只有大公司的專利。任何人只要掌握正確的訓練方法和提示策略，都能讓 AI 產出高說服力的內容。 說服力越強，準確度越低：不能忽視的取捨 到這裡聽起來好像結論很簡單：那就叫 AI 盡量多塞事實就好了？ 沒那麼單純。這份研究最讓人不安的發現是：說服力和準確度之間存在系統性的反向關係。 具體的數字：GPT-4o 在一般條件下，78% 的宣稱被判定為準確 同一個模型切換到「資訊密集」的提示策略後，準確率掉到 62% GPT-4.5 更慘：從 70% 掉到 56% 在最高說服力的實驗條件下，29.7% 的宣稱是不準確的（一般條件下只有 16%）也就是說，當 AI 為了說服你而拼命塞更多「事實」的時候，它開始編造看起來像事實的東西。 有評論者引用了哲學家 Harry Frankfurt 的概念來形容這個現象——這不是刻意說謊（lying），而是「bullshit」：對真假根本不在意，只在意聽起來是否有說服力。 這對所有用 AI 寫客戶溝通的人來說是一個嚴肅的警告：你不能只追求說服力，你必須同時守住準確度。否則你贏了這一次對話，卻輸了長期信任。 資訊密度原則：怎麼用在你的溝通裡 把這份研究的發現翻譯成實務操作，有三個要點： 第一，堆事實，不堆形容詞。 與其寫「我們的方案能大幅提升您的效率」，不如寫「導入我們方案的客戶，平均每月減少 14 小時的行政作業時間，退件率從 8% 降到 2.3%」。具體數字和可查證的事實，比任何華麗的包裝都有說服力。 第二，別花太多時間在個人化上。 這不是說完全不要做——稱呼對方的名字、提到他的公司當然是基本禮貌。但如果你的選擇是「花 30 分鐘研究客戶背景來量身打造一封信」還是「花 30 分鐘找到更多可以佐證你論點的具體數據」，這份研究很明確地說：選後者。 第三，一定要人工查核。 這是整份研究最重要的警告。當你要求 AI「寫得更有說服力」或「多給一些佐證數據」的時候，它可能會開始「創造」看起來很像真的但其實是編的數據。每一個具體數字、每一個引用，都要回頭驗證。這份研究是在政治說服的場景下做的，不是商業銷售。但底層的機制是一樣的：人類會被大量具體事實打動，遠比被「我知道你是誰」的個人化感動來得多。 在一個人人都能用 AI 產出漂亮文案的時代，真正的差異化不是誰寫得更滑順，而是誰的內容裡有更多經得起查證的事實。📎 Hackenburg 等人的完整論文〈The Levers of Political Persuasion with Conversational AI〉2025 年 12 月發表在 Science，牛津大學的新聞稿用比較白話的方式做了摘要。論文裡還有很多這篇沒覆蓋到的細節，包括三個實驗的完整設計、19 個模型的個別表現比較、不同後訓練方法（SFT、獎勵模型、SFT+獎勵模型）的效果差異，以及對話式 AI 跟靜態單向訊息在說服力上的巨大差距。如果你對 AI 的影響力機制有興趣，值得花時間讀完整版。