保險業導入 AI 客戶分級踩雷案例：高分名單為什麼不成交

一間中型保險經代公司，底下有將近六十位業務，每個月要處理的名單量早就超過人力可以逐一評估的範圍。業務主管看著這幾年 AI 評分、AI 分級的討論越來越熱，加上聽聞同業已經開始用 AI 幫保單續期、增購潛力打分數，覺得這是很自然的下一步：把過去五年的保單資料、理賠紀錄、聯繫紀錄餵給模型，讓 AI 算出一份「高潛力客戶」名單，業務只要照著打就好，省下大量篩選時間，理論上成交率應該會比亂槍打鳥好。

導入初期，團隊確實看到名單品質「看起來」變好了——AI 篩出來的高分客戶，保單張數多、繳費紀錄穩定、過去互動頻率高。業務主管在內部會議上信心滿滿地說，這套系統會讓大家的時間花在刀口上。沒有人預料到，幾個月後最常聽到的業務回饋會是：「這幾個高分的，打過去根本沒興趣，反而某些沒被系統標記的舊客戶，一問就要保。」

為什麼高分名單反而不成交

問題出在模型學到的「高分」，其實是「過去容易成交」的樣子，而不是「現在有需求」的樣子。訓練資料抓的是歷史特徵——保單張數多、繳費穩定、年齡落在某個區間——但這些人很可能保障早已補齊，近期根本沒有增購或轉換的動機。反而是那些資料看起來不起眼、甚至聯繫紀錄稀疏的客戶，可能剛好遇到家庭狀況改變、剛換工作、剛買房，這些真正驅動購買決策的「當下事件」，系統完全看不到，因為這類資訊本來就不在保單系統的欄位裡，而是散落在業務員自己的備註、LINE 對話、口頭聊天內容中，從沒有被結構化收進訓練資料。

換句話說，AI 分級抓到的是「這個人過去像會買保險的人」，而不是「這個人現在想買保險」。這兩件事聽起來很像，實際上是完全不同的問題，而保險業客戶分級最常踩的雷，正是把兩者當成同一件事在做模型設計。

造成的代價：業務不信任系統，名單等於白做

這個落差造成的第一個代價，是業務團隊的信任崩壞得很快。前兩個月業務還願意照名單打，發現高分客戶接通率低、意願低，幾週後大家就默默回到原本憑經驗、憑交情找客戶的方式，系統名單變成參考用，甚至有人乾脆不看。管理層原本期待用 AI 分級把業務員的時間效益拉高，結果變成多一套系統要維護、多一份名單要生成，但業務實際產能沒有明顯提升，反而因為早期名單失準，花了將近一倍的時間去驗證哪些高分客戶是真的、哪些是模型幻覺出來的假訊號。更隱性的代價是，幾位資深業務原本對數位工具還算開放，因為這次經驗變得對後續任何「AI 建議」都抱持懷疑，這種信任成本比多花的時間更難補回來。

還有一層代價容易被忽略：客戶端的感受。幾位被系統標記為高分、卻其實已經不需要新保單的客戶，收到業務密集的電話與訊息推銷，反而覺得被打擾，對品牌觀感下降。分級分錯不只是浪費業務的時間，也在悄悄消耗客戶關係。

後來怎麼調整

團隊後來做的第一件事，是把「分級」跟「意圖訊號」拆開來看，不再讓模型只憑靜態的保單特徵打分，而是額外納入近期行為訊號，像是最近是否點開過官方寄送的保障說明信、是否主動查詢過保單內容、業務員手動備註的「近期提到想加保」這類非結構化資訊，即使只是簡單的關鍵字標記，也比完全沒有時間維度的分數有用得多。第二件事，是把 AI 名單定位從「業務照打」改成「業務參考」，並且要求業務員回饋每一次接觸的結果，讓分數有機會被修正，而不是一次算完就固定不動。第三，管理層也調整了對這套系統的期待值：AI 分級不是拿來取代業務對客戶的判斷，而是拿來縮小業務要看的名單範圍，最終要不要打、怎麼打，還是要靠業務自己的經驗補上。

保險業的客戶關係本來就建立在長期信任與時機判斷上，這些東西很難完全靠歷史資料量化。如果一套分級系統上線幾個月後，業務開始私下不照名單做事，那通常不是業務不配合，而是系統本身在提醒你，它學到的東西跟業務真正需要的判斷，根本不是同一件事。這時候與其硬推系統採用率，不如先停下來，把分數背後的邏輯攤開來檢查一次。