房市量縮的年份，每一組來人都變貴。這篇不談 AI 估價與物件推薦，只談案場現場該先自動化的三件事：來人登記、客戶分級、未成交名單回訪。
一、案場 AI 化現況
依內政部不動產資訊平台統計，2025 年全台建物買賣移轉僅 26 萬 1,308 棟，近九年低點。案量縮，接待中心的資料處理卻沒變：手寫來人卡、Excel 追蹤表、客戶偏好只存在業務手機裡，人一離職名單就報廢。美國 NAR 的 2025 Technology Survey 顯示，僅 32% 經紀人完全沒用過 AI，卻有 46% 認為「沒有明顯影響」，17% 感受到顯著正面效果。落差不在模型，在於 AI 沒接上現場流程與 CRM。
二、四個值得導入的場景
1. 來人登記結構化
把來人卡與 LINE 對話用 LLM 抽成固定欄位：預算、坪數、成員數、動機、貸款狀況、決策者、時程。輸出 JSON 直接寫進 CRM，不是一段摘要文字。
2. 建案知識庫問答（RAG）
建案資料、格局、公設比、車位、付款辦法、履約保證切塊入向量庫，非上班時段由 LINE 官方帳號先回掉重複問題。
3. 客戶分級與下一步建議
規則分（預算符合度、看屋次數、決策者是否到場、急迫度）加上 LLM 生成的下一步建議與風險備註，當日來人自動排成 A／B／C，早會看排序即可。
4. 未成交名單分眾回訪
案場最大資產通常是那份三千筆舊名單。依原始需求分群（總價敏感／坪數不合／等降價／已購他案），對應不同腳本分批推播，有回應者自動退回業務。
三、兩個真實案例
永慶房產集團「永慶 AI 特助」：買方用自然語言描述需求，系統主動推播物件。依工商時報報導，推出後買方帶看率提升 200%、購屋決策時間加速 160%，累積逾 10 萬個群組、250 萬次互動。關鍵不是「有 AI 客服」，而是它長在房仲每天已在用的 LINE 群組裡，且主動推播。
信義房屋的內部導入：依 iThome 專訪，該公司自 2023 年起把 Microsoft Copilot 導入各部門，用於知識庫、行銷文案、產業分析與客戶關係管理，先做人才訓練再談工具。啟示：先讓內勤用起來再往客戶端推，阻力小得多。
兩案共同的坑：欄位不統一，AI 只能生出模稜兩可的答案；真正花時間的是資料標準化，不是調 prompt。
四、工具堆疊
| 層 | 工具 | 為什麼 |
|---|---|---|
| 對話入口 | LINE Messaging API | 客戶不會為單案裝新 App，官方帳號本身即名單來源 |
| 生成與抽取 | OpenAI API、Claude API | 抽欄位用小模型壓成本，長篇說明書給長 context 模型 |
| 語音轉文字 | Whisper | 帶看口述轉逐字稿再抽欄位，業務免打字 |
| 檢索 | PostgreSQL + pgvector | 建案以百計，不必另養向量資料庫 |
| 流程編排 | n8n 或 Make | 回訪排程、CRM 同步、轉真人通知屬低頻多分支 |
| 後台／App | Laravel + Flutter | 案場需離線可用行動端，後台需自改欄位權限 |
建議自架 n8n：來人資料含個資，走境外 SaaS 的稽核成本通常比自架 VPS 貴。
五、ROI 模型（單一代銷、同時銷售 3 案）
| 項目 | 金額／工時 |
|---|---|
| 一次性開發（Phase 1-4） | NT$380,000 |
| 月運營：LLM API 4,500＋自架 n8n/VPS 2,500＋LINE 與簡訊 2,000 | NT$9,000／月 |
| 省下工時：3 位業助 × 每日 1.5 小時登打回填 × 26 天 | 117 小時／月 |
| 折算人力（時薪 NT$250） | NT$351,000／年 |
| 舊名單回訪：人工每月 200 筆提升到 1,200 筆 | 年增約 12,000 筆 |
成交面刻意保守：一年只多成交 3 戶、每戶代銷服務費以 NT$450,000 計，年增收 NT$1,350,000；加上工時節省，首年淨效益約 NT$1,593,000，投入 NT$488,000，回本約 3.7 個月。更該問的是壓力測試：假設成交增量全部歸零，只靠 117 小時／月，回本期約 17 個月。若業助少於 2 人或同時只賣 1 案，會拉長到兩年以上——那就只做 Phase 1 與 2。
六、落地時程 Phase 1-4
- Phase 1（第 1-2 週）盤點：匯出 CRM 與來人卡、統一欄位定義、挑 1 案當 pilot、訂出 AI 不能回答的紅線清單。
- Phase 2（第 3-6 週）知識庫 MVP：建案資料入 pgvector、接 LINE 官方帳號、設定轉真人條件，先只對內部開放。
- Phase 3（第 7-10 週）登記與分級：Whisper＋OpenAI API 抽欄位、n8n 寫入 CRM、產出每日 A／B／C 排序，與業務主管對答案兩週校準權重。
- Phase 4（第 11-14 週）回訪與擴案：舊名單分群、腳本 A/B 測試、成效儀表板，通過後複製到其餘案場並建立資料版本控管。
七、五個常見失敗原因
- 資料沒結構就上 AI：解法是先做欄位字典，寧可少 5 個欄位也要全案場一致。
- 建案改了知識庫沒改：戶別完銷後仍報舊價，涉廣告不實風險。解法：單一來源、後台編輯即重建索引，回覆附更新日期。
- 把分級當結論：黑箱分數錯排一組 A 客，業務就不再看。解法：分數旁列理由，允許手動覆寫。
- 沒設轉真人門檻：議價空間、貸款成數硬答就是災難。解法：紅線關鍵字直接轉真人，營業時間內設 5 分鐘 SLA。
- 個資流程沒補：解法是依個人資料保護法調整告知同意條款，送 API 前遮罩姓名與電話。
八、不適合 AI 化的場景
- 議價與讓價權限——這是授權問題，不是模型問題。
- 帶看現場的信任建立與臨門一腳。
- 不動產說明書與契約條款的最終法律確認。
- 建照、使照、都更與危老程序的合規判斷。
- 交屋驗屋的缺失認定與責任歸屬。
九、ScriptWalker 對應方案
後台與行動端用 Laravel＋Flutter，AI 層走 OpenAI／Claude API＋pgvector＋自架 n8n，資料留在你的主機。
- 建案 AI 接待助理（LINE＋RAG 知識庫）：NT$180,000 起
- 來人登記結構化 × CRM 自動化（含 Whisper）：NT$120,000 起
- 客戶分級與未成交名單回訪引擎：NT$250,000 起
- Phase 1-4 全套：NT$380,000 起，月維運 NT$9,000 起
十、常見問題 FAQ
Q1：只有一個案場在銷，值得做嗎？
值得做的是 Phase 1 與 2（約 NT$180,000）。分級與回訪引擎建議等到同時有 2 案以上或舊名單超過 2,000 筆再做。
Q2：AI 會不會亂報價格、害我們吃廣告不實？
會，如果知識庫沒版本控管。價格、戶別、付款不進向量檢索，改即時查後台資料表；涉價回覆一律附「以現場公告為準」與更新時間。
Q3：客戶資料丟給 OpenAI 或 Claude 安全嗎？
更穩妥是送進模型前去識別化：姓名代號化、電話遮罩，只讓模型看需求描述，原始個資留在自家庫。
Q4：業務不配合怎麼辦？
先減少他們的工作，不要從監控開始。先上語音自動填來人卡讓業務少打字，兩週後再導入分級。
十一、決策清單與行動呼籲
- ☐ 各案場來人卡欄位是否一致且能匯出結構化檔？
- ☐ 舊名單是否超過 2,000 筆且有需求紀錄？
- ☐ 業助每天回填 CRM 是否超過 1 小時？
- ☐ 非上班時段的詢問平均多久有人回？
- ☐ 列得出「AI 不能回答」的紅線清單嗎？
- ☐ 價格與戶別是否有單一來源與更新流程？
- ☐ 來人登記的告知同意是否涵蓋委外處理？
- ☐ 業務主管願花兩週跟 AI 分級對答案嗎？
- ☐ 未來 12 個月是否還有 2 案可攤提成本？
打勾超過 5 題，代表資料已夠乾淨，可從 Phase 1 開始。想要針對你手上建案的評估與報價，歡迎聯絡：
- Email：[email protected]
- 電話：0916-224-047
- LINE：@ufv9089p