房仲業怎麼用 AI 篩選買方名單，省下多少陌生開發時間

一間在雙北經營十幾年的中型房仲團隊，手上有將近八千筆買方名單，橫跨官網詢問表單、Facebook 廣告留下的電話、賞屋活動掃碼加的 LINE、還有多年來業務手動輸入 Excel 的舊資料。問題不是名單不夠多，是根本沒人分得出哪些是三個月內會出手的真買方，哪些只是點進來看看行情的路人。店長每個月要求業務「先打過一輪」，於是十幾個人輪流撥打同一批號碼，一天打八十通，接通率不到三成，願意約看房的更是個位數，業務私下都說這是在燒名單也在燒自己的士氣。

這種情境在中大型房仲團隊裡並不少見。名單一多，靠人工分類就變成一場靠經驗和直覺的猜謎遊戲，資深業務或許還能憑手感抓出幾個熱名單，但新人往往從最冷的名單開始練手，成交率低、流動率也高。這正是這幾年房仲業開始認真評估 AI 名單篩選工具的原因。

陌生開發打到心累之前，問題出在名單分級這一步

過去多數團隊處理買方名單的方式，是用「來源」粗略分類，比如官網表單優先於廣告名單，廣告名單優先於活動掃碼。這種分法看似有邏輯，實際上完全沒反映買方的真實購屋意願。一個從廣告點進來但反覆瀏覽同一物件三次、還下載過貸款試算表的人，購屋急迫度可能遠高於一個填了表單卻再也沒回應的官網名單。

問題核心是：業務手上的資訊，只有「名單從哪來」，沒有「名單在做什麼」。瀏覽行為、開信紀錄、回覆速度、詢問的物件類型與預算區間，這些散落在不同系統裡的行為數據，過去沒有工具能整合起來變成一個分數，只能靠業務個人記憶和感覺去判斷。

導入 AI 名單分級後，取捨的是什麼

這間團隊最後選擇的做法，不是換一套全新的 CRM，而是在既有的名單資料庫上疊加一層 AI 評分模型，把官網瀏覽紀錄、廣告點擊、LINE 對話關鍵字、賞屋活動出席紀錄整合進同一套系統，依照互動頻率、預算明確度、時間急迫性給每筆名單一個分數，分成熱、溫、冷三級，熱名單自動排進業務每天的優先聯繫清單。

這裡有個明確的取捨：他們沒有選擇市面上功能最齊全、也最貴的房產專用 AI SaaS（月費落在數萬元起跳），而是用相對平價的名單評分工具（月費約在數千到一萬多元區間）搭配既有的 LINE 官方帳號與表單系統做整合，先驗證效果再考慮升級。這個選擇對中型團隊來說務實，不需要一次砸大錢賭一套系統好不好用。

業務不再海底撈針，時間花在真的可能成交的人身上

系統上線大約一季之後，最明顯的變化是業務每天要打的電話量下降，但約看房的成功率明顯提升，因為打出去的每一通都是系統標記為熱名單的對象，接通後對方的反應也更積極，不再是「我沒興趣」，而是「你們有沒有其他物件」。原本業務要花大半天海撈名單，現在能把時間留給議價、跟進、帶看這些真正影響成交的環節。

新人上手的速度也跟著變快，因為不再需要靠好幾年的經驗才能判斷名單冷熱，系統的分數本身就是一份現成的教材，資深業務也樂於少打那些注定白費力氣的電話。整體來說，團隊省下來的不只是打電話的時間，更是業務士氣和留任率——陌生開發不再是一份看不到成果的苦差事。

什麼規模適合導入，什麼情況先緩一緩

名單量是關鍵判斷點。如果團隊手上的買方名單長期維持在幾百筆以內，業務靠人工也能大致掌握誰熱誰冷，這種規模導入 AI 分級系統，投資報酬率不一定划算，先把 CRM 資料整理乾淨可能更值得優先做。但如果名單量已經上看數千筆、來源又分散在多個管道，靠人工分類已經明顯追不上，這時候導入名單評分工具，通常能在幾個月內看到業務效率的具體改善。

還有一個容易被忽略的前提：名單資料本身要夠完整。如果過去的表單、LINE 對話、瀏覽紀錄從來沒有被好好保存或整合，AI 系統一開始能學習的素材就很有限，評分準確度會打折扣。這種情況下，先花一兩個月把資料來源打通、建立乾淨的名單資料庫，會比急著上系統更划算。