機器人理財的迷思與真相：為何「好用」不是重點，而「信任」與「綁定」才是決勝關鍵？

作者：溫學華（Bright Wen）（科技管理與智慧財產研究所 DBA 博士生、金財通商務科技服務股份有限公司 董事長）

與談學者：邱志聖（Jyh-Shen Chiou）（國際經營與貿易學系教授）

一、論文介紹

1. 停下腳步的勇氣：在追求演算法之前，先回答這兩個問題

在金融科技（FinTech）的大旗下，台灣銀行業在過去幾年投入鉅額預算開發「機器人理財（Robo-Advisors）」。從系統建置、演算法優化到使用者介面（UI/UX）的打磨，投入的銀行無不希望透過數位工具來實現普惠金融，降低服務成本並擴大客群。然而，許多負責數位轉型的行銷主管常常面臨一個殘酷的現實：系統已上線，介面很流暢，手續費也很低，但為什麼顧客的採用率卻不如預期？為什麼那些我們認為最該使用自動化工具的顧客，卻遲遲不願買單？

面對這個困境，我們必須暫停盲目的軍備競賽，回到商業的根本，提出兩個直擊核心的問題：

1) 問題1，機器人理財大家都喜歡嗎？還是這只是銀行一廂情願的產品導向思維？

2) 問題2，銀行推廣機器人理財，目標客群應該先聚焦在哪些人的身上？是大海撈針找陌生客，還是回頭經營那些已經與本銀行有往來的顧客？

這兩個問題的答案，並不在於科技有多先進，而在於我們是否看透顧客心中對於「交易成本」的計算。本篇評論將結合周思妤、林志偉、陳怡君與邱志聖教授發表於《International Journal of Bank Marketing》的研究《銀行無形價值綁定在顧客採用機器人理財顧問中的互補效應》（The complementary effects of bank intangible value binding in customer robo-advisory adoption），以及與作者的深度訪談，為迷航中的銀行決策者提供一張導航圖。

2. 告別「功能性」迷思：為什麼「好用」只是入場券？

在探討顧客為何採用新科技時，過去學界與業界最愛引用的是「科技接受模型（Technology Acceptance Model, TAM）」。這個理論告訴我們，只要產品「有用（Perceived Usefulness）」且「好用（Perceived Ease of Use）」，顧客就會買單。然而，邱志聖教授在訪談中直指核心：「在1990年代科技萌芽期，『易用性』確實是決勝關鍵；但在今天，流暢的數位介面已是產品生存的『基本門檻』，單純探討此類功能性議題，已淪為『邊際效益遞減』的研究方向。」

「這就像在探討頂級牛排餐廳的競爭力，我們必須先把『食物好不好吃』這個變數控制住，假設所有競爭對手的牛排都已經是頂級美味了，在這種前提下，顧客為什麼選你不選隔壁那家？這時答案就不會是『肉質』，而是『主廚出來打招呼的溫度』或是『侍者記住你名字的驚喜』。」同理，在銀行行銷中，我們必須先把「好不好用」這個變數「控制住（Control Variable）」，也就是在假設大家的 App 都一樣好用的前提下，顧客為什麼選我不選你？

本篇論文的研究設計正是基於此邏輯，研究者將「知覺有用性」與「知覺易用性」設定為控制變數，在排除這些基本功能性因素的影響後，去挖掘真正驅動顧客行為的深層力量。研究發現，這股力量來自於兩個更古老、更人性化的因素：「信任（Trust）」與「無形價值綁定（Intangible Value Binding）」。

換言之，銀行行銷主管若仍執著於強調「我們的機器人操作只要三步驟」，那是在打一場十年前的戰爭。真正的戰場在於如何降低顧客心中的「道德風險」與墊高顧客離開的「專屬陷入成本」。

3. 核心理論模型：信任、綁定與混合模式

本研究提出一個「混合模型（Hybrid Model）」，強調傳統銀行服務與新興機器人理財並非互斥，而是互補。模型的路徑清晰地展示顧客決策的心理機制：

1) 信任作為起點：顧客對「銀行機構」以及對「理財顧問」的信任，是所有關係的基礎。

2) 無形價值綁定作為中介：因為有信任，顧客願意與銀行建立深厚的關係，投入時間學習系統、累積紅利、建立人脈，這些投入形成一種「無形價值綁定」，讓顧客「離不開」這家銀行。

3) 採用意圖作為結果：因為被無形價值綁定，當銀行推出機器人理財服務時，顧客基於既有的習慣與信任，順勢採用該服務。

這個模型打破「機器人理財是靠演算法獲客」的迷思，證實「機器人理財是靠銀行既有關係獲客」的真相。

二、論文研究對照產業觀察

為驗證本篇論文觀點的普世性，我們不妨將目光投向與金融業同樣具備「高涉入」、「專業諮詢」特性的其他產業。我們會發現，過度依賴演算法而忽略「人」與「綁定」的策略，往往會付出慘痛代價。

1. Zillow 的演算法之敗：當AI撞上高資產決策

美國房地產科技巨頭Zillow曾推出「Zillow Offers」服務，試圖利用AI演算法（iBuying）自動為房屋估價並直接買斷，期望取代傳統房仲的人力仲介。然而，這個看似完美的數位轉型計畫在2021年宣告失敗，不僅慘賠數億美元，更裁員上千名員工。為什麼？因為房地產與高資產財富管理一樣，涉及極高的金額與複雜的非標準化因素（如裝潢品味、社區氛圍）。這完美呼應本論文中的H4假設：「投資金額」具有顯著的調節效果，當涉及金額過高時，顧客（或市場）無法單純信任演算法的黑箱決策。Zillow 的失敗提醒銀行業：對於高資產客群，想靠機器人完全取代真人顧問，不僅行不通，更可能帶來巨大的資產風險。

2. Best Buy的逆轉勝：把「人」變成最強的綁定

面對 Amazon 的電商低價競爭，哈佛商學院的個案研究指出，Best Buy拒絕「削減成本」的傳統劇本。前執行長 Hubert Joly 提出了一個核心轉變：將員工的角色從「銷售員」重新定義為顧客的「激勵人心的朋友（Inspiring Friend）」(Blanding, 2021)。

文中提到一個經典案例：當一個孩子的恐龍玩具壞了，Best Buy 的店員不是叫他去貨架買隻新的，而是假裝為恐龍進行「手術」修好了它。這種「解決問題」而非「推銷產品」的思維，正是論文中「理財顧問信任」與「無形價值綁定」的最佳實踐。

Best Buy藉此證明，顧客需要的不是更便宜的價格，而是有人能幫他搞定複雜科技的信任感。透過這種深度的真人服務，Best Buy成功建立顧客的依賴感，讓顧客離不開它的生態系。這給予銀行的啟示是：理專不該是推銷商品的業務，而該是建立「綁定」的信任工程師；機器人負責後台運算，真人負責前台溫度，這才是勝出的混合模式。

3. 信任：數位世界的隱形貨幣與道德風險的解藥

銀行業本質上是一個建立於『承諾』之上的行業，與購買手機或衣服不同，顧客將資產交給銀行，承擔的是巨大的不確定性與風險。如果銀行倒閉、理專詐欺或系統出錯，顧客的損失是巨大的，這就是交易成本理論中所謂的「道德危機成本」。

本篇論文的研究結果證實一個違反直覺的現象：許多人認為機器人理財是「去人化」的過程，應該可以擺脫對「人」的依賴。但數據顯示，顧客對「銀行機構」以及對「理財顧問」的信任，竟然是他們願意採用機器人理財的關鍵前置變數。為什麼？因為對顧客而言，機器人是一個看不見的黑盒子。要讓顧客願意把錢丟進黑盒子，他必須先信任製造這個黑盒子的人（銀行）以及推薦這個黑盒子的人（理專）。

1) 機構信任（Bank Institution Trust）：招牌的重量

顧客相信這家銀行「誠實、可靠、負責任」，這種對品牌的信任感會產生「愛屋及烏」的效應，轉移到銀行推出的數位工具上。如果一家銀行平時就充滿爭議或頻繁出包，無論它的機器人演算法再強，顧客心中的道德危機成本過高，根本不敢嘗試。這也解釋為什麼傳統大型銀行在推廣數位理財時，往往比純網銀或獨立 FinTech 公司更具優勢，因為他們擁有數十年甚至百年累積的「機構信任」。

2) 人員信任（Financial Consultants Trust）：理專是數位化的橋樑

更有趣的是對「理財顧問」的信任，這裡的理專不一定是指服務高資產顧客的私人銀行家，甚至包括臨櫃的行員或一般理專。研究發現，當顧客信任理專時，他們反而更願意嘗試該銀行提供的機器人服務。這推翻「機器人將消滅理專」的恐懼，反而證實「人機協作」的必要性。理專的推薦與背書，降低顧客對新科技的恐懼。

4. 無形價值綁定：讓顧客「離不開」的護城河

有信任作為基礎，接下來銀行需要建立的是「無形價值綁定」。這是指顧客在與銀行長期互動中，投入特定的資源（時間、精力、感情），這些資源如果換到另一家銀行就會歸零，因此形成巨大的「轉換障礙」。這對應到交易成本理論中的「專屬陷入成本」。

論文將這種綁定細分為三個維度，這正是銀行行銷主管可以用來檢視自身策略的清單：

1) 程序性學習（Procedural Learning）：「我已經習慣你們App的按鈕位置，換一家又要重學，好累。」這種因習慣而產生的黏著度，是最基礎的綁定。銀行介面的設計不應只是為了美觀，更應是為了建立顧客的肌肉記憶。

2) 獎勵累積（Award Accumulation）：「我離開的話，累積十年的紅利點數、VIP 等級、跨行免手續費次數都沒了。」這是利益上的鎖定，解釋為什麼銀行要致力於經營點數經濟與會員分級制度，因為它是生態系構築的防禦護城河。

3) 個人關係（Personal Relationships）：「我跟這裡的理專很熟，他懂我的家庭狀況。」這是情感上的連結。

研究結果顯示，無形價值綁定是機器人理財採用意圖的顯著中介變數。這意味著，顧客之所以願意使用機器人理財，往往不是因為他們多麽熱愛科技，而是因為他們已經被這家銀行「綁住」，在既有的信任與習慣下，順勢採用了銀行提供的新工具。

5. 分眾策略的殘酷真相：財富規模的調節效果

回到我們開頭的第一個問題：「機器人理財是大家都會喜歡嗎？」

論文中關於「投資金額（Investment Amount）」作為干擾變數（Moderator）的發現，提供我們極具策略意義的答案。研究顯示，當顧客的投資金額越高，無形價值綁定對採用機器人理財的正向影響力就越弱；反之，對於投資金額較低的顧客，這種綁定帶來的推動力則非常顯著。這在商業實務上揭示「大戶」與「小資」截然不同的決策邏輯：

1) 高資產顧客（VIP）：機器人只是一種「降級體驗」 

對於資產規模龐大的 VIP 而言，他們需要的不是「效率」或「標準化」，而是「客製化」與「溫度」。論文中引用的「溫暖軀體效應（Warm Body Effect）」精準地描述這一點。VIP 需要有人看著他的眼睛，解釋市場波動，提供稅務規劃與家族傳承的建議。對他們來說，銀行如果強推機器人理財，反而會被視為一種「節省服務成本」的負面訊號，甚至破壞原本的關係。即便他們對銀行有深厚的信任與綁定，這份綁定也不足以讓他們願意把千萬資產交給演算法。這就像Zillow試圖用演算法買賣豪宅一樣，註定面臨信任不足的挑戰。

2) 大眾顧客（Mass Market）：機器人是「普惠」的入口

相反地，對於剛出社會的年輕人或資產累積初期的顧客，他們通常沒有專屬理專服務（因為銀行的服務成本考量）。這群人對於「低門檻、低費率、全天候服務」的機器人理財接受度極高。更重要的是，如果這群人原本就是銀行的信用卡用戶或薪轉戶，因為已建立初步的信任與綁定，他們非常容易被轉化為機器人理財的使用者。

這驗證作者在訪談中的觀點：機器人理財不該妄想一步登天去服務大戶，它的戰略定位應該是填補銀行服務真空帶的武器，用來服務那些「還沒長大」但「未來有潛力」的客群。

三、未來學術或實務上的發展或建議

1. 解答行銷主管的兩個大哉問

綜合上述學術理論與實務訪談，我們可以針對文章開頭的兩個問題，提出具體的行動方針。

1) 回答問題一：到底機器人理財是大家都會喜歡嗎？ 答案是：絕對不是。銀行不應對所有客群進行無差別的機器人理財轟炸。

• 對於高資產顧客：停止向他們直接推銷機器人，轉向「理專賦能」

這群人的經營核心在於「人」，銀行應將科技資源投入在「理專賦能（Advisor Enablement）」，開發讓理專更好用的數位工具。例如，讓理專用iPad秀出AI運算的投資組合建議，用數據來講故事，而不是讓顧客自己面對冷冰冰的螢幕。這就是論文提倡的「混合模型（Hybrid Model）」，機器人在後台運算，真人在前台傳遞溫度。這種模式既保留高資產顧客需要的信任感，又提升理專的服務效率與專業度。

• 對於小資/年輕顧客：機器人理財的主戰場

這群人追求CP值與效率，且容易受惠於銀行的普惠金融策略。對於這群顧客，銀行應該強調的是「低門檻」與「無痛理財」，利用自動化工具幫助他們建立投資紀律。

2) 回答問題二：機器人理財的目標客群應該先聚焦在誰的身上？ 答案是：先聚焦在「跟你已經有關係」的低資產顧客，而不是陌生開發。

• 拒絕大海撈針，從信任出發

行銷主管不應將預算砸在廣撒網的陌生廣告上，目標名單應該是內部的信用卡戶、薪轉戶、小額信貸戶。這些人雖然理財資產不多，但他們已經對銀行有基本的「機構信任」，甚至累積一些紅利點數（獎勵綁定）或習慣App操作（程序性綁定）。

• 利用綁定變現，降低轉換成本

因為他們已經被「綁」在銀行的生態系中，轉換成本已經形成。這時候，銀行只要在App中輕推一把（Nudge），告訴他們：「既然你有閒置資金，與其放活存，不如試試我們的一鍵理財。」這種行銷的成功率，將遠高於去外面拉一個對你毫無信任基礎的新客，這正是利用既有的「無形價值綁定」來降低推廣新服務的阻力。

2. 具體實務建議

基於本研究，對於銀行業者未來的數位轉型策略，提出以下三點具體建議：

1) 重新定義理專角色：從銷售員轉型為「信任工程師」

借鏡Best Buy的成功經驗，既然信任是機器人理財採用的前置變數，理專的工作不應再只是銷售商品，而應是負責建立與維護顧客的信任。銀行應重新設計KPI，鼓勵理專將顧客引導至適合的數位渠道，而不是與機器人搶業績。理專負責建立關係（專屬陷入成本的建立），機器人負責執行交易。

2) 將「轉換成本」可視化：銀行應在 App 設計中強化「綁定」的感知

例如，設計「資產歷程儀表板」，顯示顧客與銀行往來的年資、累積省下的手續費、以及會員權益的潛在價值。讓顧客直觀地感受到「離開這裡的代價」，進而強化他們留在生態系內使用機器人理財的意願。

3) 分層經營的科技策略：不要試圖用同一套App流程滿足所有人

對於大眾顧客，App應強調直覺、快速與自動化（強化程序性綁定）；對於高資產顧客，App應提供專屬理專的直連通道與深度市場分析（強化個人關係綁定）。

3. 結論：科技是手段，關係才是資產

這篇論文與訪談給予當代銀行業者最深刻的啟示在於：不要迷信科技的「功能性」，而忽略商業的「社會性」。

當我們在討論產品好不好用（外顯單位效益）時，其實競爭對手也都在做一樣的事，這條路最終只會走向紅海的價格競爭。真正的藍海，在於利用信任與綁定（道德危機成本與專屬陷入成本的管理）建立起的護城河。

對於銀行行銷主管而言，推動機器人理財不應是一個孤立的專案，而應是整體顧客關係管理的一環。我們用機器人來服務大眾客群，不僅是因為成本低，更是為了在他們資產尚低時就建立起「綁定」與「習慣」。隨著他們資產增長，這些數據與信任將成為未來理專介入服務的基石。

所以，機器人理財的成功，不在於演算法有多神準，而在於銀行是否能善用既有的「人味」與「信賴」，將冰冷的科技轉化為顧客願意的「託付」。這是一場關於信任的馬拉松，而不是一場關於功能的百米衝刺。

參考文獻

1. Ben-David, D., & Sade, O. (2018). Robo-advisor adoption, willingness to pay, and trust: An experimental investigation. 

2. Blanding, M. (2021). Best Buy: How human connection saved a failing retailer. Harvard Business School Working Knowledge. https://hbswk.hbs.edu/item/best-buy-how-human-connection-saved-a-failing-retailer

3. Chiou, J.S., & Shen, C.C. (2012). The antecedents of online financial service adoption: The impact of physical banking services on Internet banking acceptance. Behaviour and Information Technology, 31(9), 859–871.

4. Chou, S.Y., Lin, C.W., Chen, Y.C., & Chiou, J.S. (2023). The complementary effects of bank intangible value binding in customer robo-advisory adoption. International Journal of Bank Marketing, 41(4), 971–988.

5. Fisch, J. E., Labouré, M., & Turner, J. A. (2019). The emergence of the robo-advisor. The disruptive impact of FinTech on retirement systems (p. 13).

6. Schlosser, K. (2021, November 3). Why the iBuying algorithms failed Zillow, and what it says about the business world’s love affair with AI. GeekWire. https://www.geekwire.com/2021/ibuying-algorithms-failed-zillow-says-business-worlds-love-affair-ai/

7. Wexler, M. N., & Oberlander, J. (2021). Robo-advisors (RAs): The programmed self-service market for professional advice. Journal of Service Theory and Practice, 31(3), 351–365.

8. Williamson, O. E. (1985). The economic institutions of capitalism. Free Press.