房仲業導入 AI 篩選買方名單踩雷：篩掉真正的買家

一間經營了十幾年的區域型房仲加盟店，旗下三十幾位業務員，每個月要處理的來電、LINE 詢問、官網表單動輒上千筆。店東一直有個困擾：新進業務常常把力氣花在「問問看」的閒聊型客戶身上，真正準備好簽約的買方反而因為聯繫太慢而流失到別家。看到市場上開始有 AI 潛客評分工具，主打能自動分析買方留言、瀏覽紀錄、對話語氣，算出一個「成交機率分數」，店東覺得這正是解方——業務員只要照著分數高低排序聯繫，時間就能花在刀口上。導入前試算過，光是把業務員每天篩名單的時間省下來，一個月就能多接觸上百組客戶，聽起來怎麼算都划算。

高分名單成交率沒有變好，反而變差了

系統上線前兩個月，業務員確實省了不少篩選時間，但店東很快發現一個怪現象：AI 標記為高分的名單，實際到看屋、斡旋的轉換率並沒有明顯提升，某幾週甚至比業務員自己憑經驗篩選時還低。更麻煩的是，幾組後來證實是誠意買方、甚至已經看過三次屋的客戶，一開始都被系統評為中低分，業務員因為要優先處理高分名單，晚了好幾天才回覆，其中有一組後來直接跟別家成交了。

問題出在評分模型的訓練邏輯。這套工具的分數主要根據「訊息長度」「回覆速度」「是否主動留電話」這類表面行為特徵去推算意願，但房仲業買方的真實決策模式並不典型：認真的買家常常話很少，可能只是簡短問「這間還在嗎、方便看屋嗎」，反而是還在比較、貨比三家的客戶會傳一長串問題、聊得很熱絡，看起來互動度很高。AI 把「互動熱絡」誤讀成「意願強」，把「言簡意賅」誤讀成「意願低」，方向恰好反了。而這種買方心理的細膩差異，原本是資深業務員憑經驗一眼就能判斷的事。

代價不只是流失的客戶，還有業務員對系統的信任

流失掉的那幾組客戶只是看得見的損失。更隱性的代價是，業務員很快發現高分名單常常帶不出結果，私底下開始不照系統排序、憑自己感覺篩，等於系統形同虛設，但公司已經付了將近半年的訂閱費用，加上前期資料整理、教育訓練的人力，這筆投入等於打了水漂。店東後來估算，光是重新拉回業務員對系統的信任、重新調整使用方式，前後拖了將近兩三個月，比原本預期的導入時程多花了快一倍時間。中間也發生過業務主管在店內會議上直接質疑「這系統到底是要幫我們還是拖我們後腿」的場面，對後續想推其他數位工具都造成了阻力。

後來怎麼調整：從全自動排序改成輔助標記

店東後來找了熟悉這塊的顧問重新盤點問題，做了幾個調整。第一，不再讓 AI 分數直接決定聯繫順序，改成分數只作為「提醒標記」，業務員仍握有最終判斷權，尤其是低分但有實際看屋紀錄或到店諮詢過的客戶，一律人工複核不能被系統剔除。第二，把訓練資料從純粹的線上行為，換成加入過去半年實際成交客戶的完整互動歷程，重新校正評分邏輯，讓模型學習到「話少但問精準地址、貸款成數」這類真正的購屋訊號。第三，設定一個觀察期，新客戶進來的前 48 小時，不論分數高低都要求業務員至少回覆一次基本訊息，避免因為系統誤判而完全冷處理某組客戶。調整後大約用了一季的時間，高分名單的轉換率才逐漸貼近業務員原本的篩選水準，系統也才真正開始省到時間，而不是製造新的問題。

房仲業導入前的避雷清單

如果正在考慮導入類似的名單篩選或客戶評分工具，值得先問清楚幾件事：這套系統的評分邏輯是根據哪個產業的行為模式訓練出來的，是否真的貼合房仲業買方的溝通習慣；有沒有辦法讓資深業務員的判斷邏輯，實際餵進系統的訓練或校正過程，而不是把系統當成一個黑盒子直接套用。如果供應商說不出評分邏輯的具體依據，或是不建議做並行測試就急著全面上線，通常就是該放慢腳步、多問幾句的時候。