瑞银AI获客术：把顶级顾问复制三万份
UBS通过STAAT Insights将最佳顾问服务方式编码为AI模型，用3万份AI助手和5万份Copilot实现规模化客户触达，揭示AI营销从专家经验到组织能力的增长范式迁移。
STAAT Insights. It's an AI-driven engine that serves up highly relevant insights and opportunities to advisors.
——Joe Cordeira，UBS全球财富管理首席数字官
一家管理着数万亿美元客户资产的全球金融巨头，正在做一件让所有依赖“高手”的企业都该警觉的事：它把顶级财富顾问的判断力、洞察力和行动节奏，从人的大脑里剥离出来，编码进一套AI模型，然后复制给三万名员工。这不是AI炫技，而是一场针对“专家经验不可规模化”这一古老商业瓶颈的正面强攻。
一、从被动响应到主动预判：客户增长逻辑的范式转折
财富管理行业长期困在一个结构性矛盾里：最好的服务需要最资深的顾问，但最资深的顾问永远稀缺。一个顶尖财富顾问或许能同时深度服务几十个高净值客户，却无法覆盖几百个。当客户体量增长到一定规模后，大多数客户实际上只能得到“次优”的响应速度和服务深度。
UBS用STAAT Insights给出了一个不同的答案。这套系统的全称是Smart Technologies and Advanced Analytics Team，直译过来就是“智能技术与高级分析团队”。它做的事情用一句话概括：在顾问主动查找之前，把关键的客户机会“surface”出来——像雷达一样扫描客户数据，把隐含的增量和风险缺口推到顾问面前。
这套系统能检测什么？根据UBS官网和Financial Planning的报道，STAAT可以捕捉客户流动性需求的变化——比如存单到期、市场波动引发的资产配置调整需求，以及公开可见的人生事件指标。一个客户刚卖掉一家公司、经历婚姻变动或者迎来子女教育的关键节点，STAAT会提前把这些信号转化为具体的触达建议，让顾问能够在客户自己开口之前就发起有准备的对话。
这里面的时间差，就是增长的杠杆点。传统模式下，客户需求被发现的时间取决于顾问的勤奋程度和运气。AI介入之后，需求发现从“人到信息的追逐”变成了“信息到人的推送”。这不是效率提升，而是触达逻辑的翻转。
“增强”而非“替代”：一个关键的战略定调
UBS官方对AI角色的表述非常克制而精准：AI augments顾问能力，扩展high-touch服务模式的覆盖范围。注意这个词——augment，增强。UBS没有说AI会替代顾问，也没有把AI包装成万能销售机器。它说的是：把最好的服务方式，从少数人的个人能力，变成整个组织的系统能力。
这个定调对任何依赖“人”来做生意的企业都有强烈的参照意义。保险顾问、高端房产经纪人、企业级SaaS销售、医美咨询师、私域运营操盘手，这些岗位都面临和UBS财富顾问一样的困境：顶级选手的经验无法复制，团队平均水平决定业务天花板。UBS的实践说明，AI的切入点可以不在前端直接对话客户，而在于后端把“什么时候该找谁、说什么、为什么”变成一套可执行的推荐系统。
二、把最佳实践编码成AI模型：经验算法化的组织意义
UBS的案例中最容易被忽略、也最值得中国企业决策者研究的一句话来自Financial Planning的报道：UBS分析了最佳顾问的服务方式，并将这套流程codified in a set of AI models——翻译过来就是，把最佳实践写进了AI模型的代码里。
这里的关键词是“codified”。它不是让AI去海量数据里自行摸索，而是把组织内部最优秀的那批人做对了什么，先提炼成可描述、可量化、可复制的流程，然后再用AI把这个流程规模化。顺序不能颠倒。如果先上AI再找场景，得到的是通用工具；如果先把顶级经验结构化再上AI，得到的就是组织能力的倍增器。
这与很多中国企业“上一套AI系统就想立刻见效”的预期形成了鲜明对照。UBS的STAAT Insights不是买来的SaaS工具，也不是做一个聊天机器人让客户去问问题。它是一个从内部最佳实践中生长出来的AI系统，核心训练素材是UBS自己的顾问行为数据和客户服务记录。这种路径决定了它的输出天然带有UBS的服务哲学和业务判断，而不是通用的“AI客服话术”。
专家经验的两层拆解
把顶级顾问的经验算法化，需要拆解两个层面。
第一层是信号识别：什么事件意味着客户可能有新的需求？CD到期是信号，市场波动是信号，子女入学年龄是信号，企业股权变动也是信号。识别这些信号需要的是业务判断力，而不是技术能力。一个做了二十年的财富顾问，脑子里天然有一张“信号地图”。问题在于，这张地图以前只存在于他自己的经验里。
第二层是行动匹配：识别了信号之后，该做什么？是发一封邮件、打一个电话，还是约一次面谈？话术应该从哪个角度切入？推荐的优先级如何排序？UBS把这些决策路径也编码进了模型，意味着一个入职两年的年轻顾问，面对一个复杂的客户信号时，系统给他的建议接近一个二十年老手的判断。
这就是“把顶级顾问复制三万份”的真正含义。复制品不是机器人顾问，而是每一个普通顾问被赋予了过去只有顶尖高手才有的判断力支点。输出的最终动作仍然由人完成，但判断的质量被AI拉到了一个新的底线之上。
三、Red与Copilot双轨部署：AI能力的组织级渗透
STAAT解决的是“对客户做什么”的问题，而UBS同时在做的另一件事，是让AI能力嵌入员工的日常工作流。这两个部署互为犄角。
2024年，UBS推出了名为Red的内部AI助手，整合机构知识库，帮助员工更好服务客户。根据年报数据，Red在2024年向约30,000名员工完成了rollout。与此同时，UBS计划部署约50,000份Microsoft 365 Copilot许可证，年报将其表述为全球金融服务业最大规模部署之一。2024年全工具GenAI的prompt总量达到175万次。
这三个数字放在一起看，比单独看任何一个都更有信息量。3万名员工使用Red，说明AI在组织内部的渗透率已经不低。5万份Copilot的部署计划，指向的是将AI能力嵌入邮件、文档、表格、会议这些最高频的工作场景。175万次prompt，则说明员工实际上在用它，而不只是IT部门装好了工具没人用。
双轨部署的逻辑
UBS的AI战略明确为两大支柱：reshape business capabilities for clients（重塑面向客户的业务能力）和enhance employee productivity（提升员工生产力）。STAAT属于前者，Red和Copilot属于后者。
但这两者并非各自独立的项目。Red整合了UBS的机构知识库——包括产品信息、研究报告、首席投资官报告——目的是让员工在面对客户时，能够在最短时间内调用最准确的内部知识和观点。这不只是“员工效率工具”，它直接改变了客户触达的质量和速度。
中国企业决策者经常犯的一个错误是：把AI工具采购当作IT项目来管理，衡量标准是“有没有上线”。UBS的做法揭示了一个更有效的衡量框架：AI工具是否真正渗透到了面向客户的核心工作流里？使用频率和业务结果之间是否建立了可见的关联？175万次prompt如果没有带来客户触达质量的变化，只是一个数字；但如果每一次prompt背后都是一次更高质量的客户沟通准备，那这个数字就是增长引擎的转速表。
四、中国企业的三个行动判断
UBS的案例来自财富管理行业，但它揭示的增长逻辑可以迁移到多个中国企业场景。高端保险、私人银行、豪车销售、高净值房产、企业级服务、医美抗衰、私域电商等所有依赖“顾问式销售”和“高信任度服务”的行业，都能从UBS的实践中提炼出可操作的行动框架。
判断一：先找“最佳实践”，再谈AI部署
如果你的组织里最顶尖的销售或顾问的经验没有被系统性地提炼过，AI帮不了你多少忙。AI放大的是流程，而不是混乱。UBS的顺序很明确：先分析最佳顾问怎么服务客户，然后把流程编码成模型。中国企业要做的第一件事，不是急着上AI工具，而是把公司里排名前10%的销售或顾问拉到一起，系统性地拆解他们的工作方法——他们看什么信号、做什么判断、采取什么行动、以什么节奏跟进。把这些写出来，再谈AI化。
判断二：以“增强”为原则设计AI切入点
直接让AI替代人去服务高净值客户，在2026年的中国市场既不现实也不明智。UBS的路径是把AI放在“判断支持层”，而不是“对话执行层”。AI告诉顾问“这个客户可能正在考虑资产配置调整，建议48小时内联系，切入角度是他的企业近期有一笔股权变动”，然后由人去完成有温度的沟通。对中国企业来说，这意味着AI的第一落点应该是客户洞察引擎和行动推荐系统，而不是聊天机器人。
判断三：用渗透率数据，而不是上线宣言来衡量AI投入
UBS给出了三个可以量化追踪的指标：使用AI工具的员工数量（3万）、部署的生产力工具许可证数量（5万）、实际prompt使用量（175万）。中国企业可以借鉴这个框架，建立自己的AI渗透率仪表盘。如果你的公司部署了某个AI工具，但每周实际使用人数不到员工总数的20%，那这个部署的价值就接近于零。让数据说话，而不是让PPT说话。
五、从工具采购到组织能力：AI营销的真正分水岭
UBS的案例最终指向一个判断：AI营销的竞争，不是工具先进性的竞争，而是组织学习速度的竞争。
买一套AI营销工具只需要一个采购决策。把组织里最好的人的经验变成AI模型，需要跨部门的协作、业务领导者的深度参与、对工作流的重构意愿，以及持续迭代的耐心。前者是花钱能解决的，后者必须靠组织能力。
瑞银把AI定义为“augment”——增强——而不是“replace”——替代。这个措辞背后是对组织能力的清醒认知：AI的价值不在于让人失业，而在于让更多的人达到以前只有少数人能达到的判断水平。当一个团队的平均能力被AI拉高，受益最大的不是AI厂商，而是拥有这个团队组织能力的企业本身。