Menjual AI kepada Pembeli yang Ragu-ragu

Oleh Brian Tr · Dikemas kini 6 Oktober 2026

Menjual AI kepada pembeli yang ragu-ragu bermakna menerima bahawa keraguan itu munasabah dan menjawabnya dengan bukti, bukan semangat. Kebanyakan pembeli B2B tidak memusuhi AI. Mereka pernah mendengar dakwaan besar, melihat sebahagiannya gagal, dan belajar bahawa jawapan yang lancar tidak sama dengan jawapan yang betul. Vendor yang menganggap ini masalah sikap lalu cuba mengatasinya dengan kata-kata akan kalah kepada vendor yang menganggapnya sebagai satu set soalan khusus yang perlu dijawab.

Halaman ini memecahkan "keraguan" kepada jenis bantahan yang berbeza, menunjukkan jenis bukti yang menjawab setiap satu, dan menerangkan bagaimana pendekatan jualan berubah akibatnya. Untuk mekanik demo dan set penilaian, lihat mengapa demo lebih penting untuk produk AI. Untuk pemesejan, lihat pemosisian produk AI.

Mengapa Pembeli Ragu-ragu

Keraguan terhadap AI meluas dan boleh diukur, dan wujud bersama penggunaan yang tinggi. Kajian global 2025 tentang kepercayaan terhadap AI oleh KPMG dan University of Melbourne, yang meliputi lebih 48,000 orang di 47 negara, mendapati 46 peratus sanggup mempercayai sistem AI, manakala 66 peratus menggunakan AI secara kerap. Orang menggunakannya tetapi masih menahan kepercayaan.

Kajian yang sama mendapati 70 peratus percaya peraturan diperlukan. Tinjauan orang dewasa AS oleh Pew Research, yang dijalankan pada Ogos 2024, mendapati 51 peratus lebih bimbang daripada teruja tentang peningkatan penggunaan AI dalam kehidupan harian, dan 59 peratus mempunyai keyakinan yang sedikit atau tiada bahawa syarikat AS akan membangunkan dan menggunakan AI secara bertanggungjawab.

Ini angka orang awam umum, bukan data perolehan, jadi jangan anggap ia pandangan tepat pembeli anda. Apa yang ditunjukkannya ialah titik permulaan: pembeli dalam mesyuarat juga seorang insan yang telah membentuk pendapat ini di tempat lain.

Jenis-jenis Bantahan yang Berbeza

"Kami tidak pasti tentang AI" menggabungkan beberapa kebimbangan yang berasingan. Setiap satu memerlukan jawapan yang berbeza. Kesilapannya ialah menjawab kesemuanya dengan demo yang sama.

Ketepatan dan halusinasi. "Bagaimana jika ia salah?" Pembeli takut akan ralat yang yakin dan lancar tetapi tidak disedari sesiapa. Kajian KPMG memberi asas kepada ketakutan itu: 66 peratus pekerja yang ditinjau berkata mereka bergantung pada output AI tanpa menyemak ketepatannya, dan 56 peratus berkata mereka pernah melakukan kesilapan di tempat kerja kerana AI. Pembeli tidak perlu membaca perkara itu untuk merasai risikonya.

Dakwaan berlebihan, atau "AI washing". "Adakah ini benar-benar AI, dan adakah ia benar-benar melakukan perkara itu?" Pengawal selia telah mula bertindak mengenainya, seperti dibincangkan di bawah.

Data dan privasi. "Ke mana data kami pergi, dan adakah ia melatih model anda?" Soalan ini sering menentukan sama ada perjanjian boleh diteruskan, kerana ia terkena semakan undang-undang dan keselamatan.

Projek rintis lalu yang gagal. "Kami pernah mencuba sesuatu seperti ini dan ia tidak ke mana-mana." Pembeli bukan meragui teknologinya sebanyak keupayaan vendor menyampaikan hasil dalam aliran kerja sebenar.

Manusia dan perubahan. "Adakah pasukan kami akan menggunakannya, dan adakah ia mengancam pekerjaan mereka?" Pembeli ekonomi mungkin tiada masalah, sementara orang yang mesti menggunakannya bimbang atau menentang.

Daya maju vendor. "Adakah anda masih ada dalam dua tahun?" Syarikat permulaan AI masih muda dan kategori ini bergerak pantas. Pembeli bimbang tersadai dengan produk yang ditutup, diambil alih atau dibina semula.

Pengawal Selia Menjadikan Dakwaan Berlebihan Risiko Undang-undang

Syak wasangka pembeli terhadap dakwaan AI yang dibesar-besarkan bukan sekadar perasaan. Dua pengawal selia AS telah mengambil tindakan penguatkuasaan mengenainya.

Pada Mac 2024, SEC mengumumkan pertuduhan yang diselesaikan terhadap dua penasihat pelaburan, Delphia (USA) Inc. dan Global Predictions Inc., kerana membuat kenyataan palsu dan mengelirukan tentang penggunaan AI mereka. SEC mendenda mereka $225,000 dan $175,000, jumlahnya $400,000. Pengerusi SEC Gary Gensler berkata penasihat pelaburan tidak seharusnya mengelirukan orang ramai dengan mengatakan mereka menggunakan model AI sedangkan tidak. Inilah asal usul "AI washing" sebagai istilah penguatkuasaan.

Pada September 2024, FTC mengumumkan Operation AI Comply, operasi menyeluruh terhadap dakwaan AI yang menipu yang menamakan DoNotPay, Ascend Ecom, Ecommerce Empire Builders, Rytr dan FBA Machine. Siaran itu menyatakan tiada pengecualian AI daripada undang-undang sedia ada.

Bagi seorang pengasas, iktibarnya praktikal. Setiap dakwaan keupayaan dalam dek jualan, laman web atau e-mel ialah sesuatu yang mungkin dibaca teliti oleh peguam pembeli, dan sesuatu yang patut anda sokong dengan keputusan ujian. Jika anda tidak dapat menunjukkan produk melakukan sesuatu, jangan katakan ia melakukannya.

Bukti Apa yang Menjawab Bantahan Mana

Dakwaan tidak menggerakkan orang yang ragu-ragu, tetapi artifak khusus boleh. Jadual memetakan setiap bantahan kepada bukti yang cenderung menanganinya. Lajur kanan menerangkan kategori bukti, bukan janji keputusan.

Had yang Jujur Membina Lebih Banyak Kepercayaan daripada Keyakinan

Naluri apabila berdepan keraguan ialah kedengaran lebih pasti. Ini biasanya memakan diri, kerana kepastian itulah yang tidak dipercayai pembeli.

Nyatakan had dahulu. Katakan apa yang produk baik lakukan, apa yang dikendalikannya dengan buruk, dan bagaimana anda tahu. "Ia mencapai ketepatan ini pada jenis input ini, ia bergelut dengan jenis itu, dan kes tersebut dihantar kepada seseorang" memberi pembeli sesuatu untuk disemak. "Ia sangat tepat" memberi mereka sesuatu untuk diragui.

Terangkan kawalan, bukan hanya kegagalan. Had yang disertai perlindungan (output berkeyakinan rendah dihalakan untuk semakan, jejak audit, cara mudah untuk mengatasi) ialah risiko yang boleh diurus pembeli. Had tanpa perlindungan ialah sebab untuk menunggu.

Gunakan perbendaharaan kata yang digunakan oleh pasukan risiko pembeli sendiri. NIST AI Risk Management Framework menyenaraikan ciri AI yang boleh dipercayai sebagai sah dan boleh diharapkan, selamat, terjamin dan berdaya tahan, bertanggungjawab dan telus, boleh dijelaskan dan boleh ditafsirkan, dipertingkatkan privasinya, serta adil dengan bias berbahaya yang diurus. Ia juga menyatakan bahawa mewujudkan AI yang boleh dipercayai memerlukan keseimbangan antara ciri-ciri ini berdasarkan konteks penggunaan sistem. Ia rangka kerja sukarela, bukan pensijilan, jadi jangan mendakwa "mematuhi NIST". Tetapi menyusun jawapan anda kepada soal selidik keselamatan atau risiko di bawah tajuk-tajuk itu menunjukkan anda tahu apa yang disemak oleh pembeli yang teliti.

Pengawasan Manusia sebagai Ciri Produk

Bagi kebanyakan pembeli yang ragu-ragu, soalannya bukan sama ada AI boleh menggantikan satu langkah, tetapi sama ada seseorang kekal bertanggungjawab atasnya. Mereka bentuk dan menjual produk dengan pengawasan yang kelihatan mengubah perbualan.

• Tunjukkan di mana seseorang membuat keputusan. Aliran draf-dan-lulus, ambang keyakinan dan laluan eskalasi menjadikan peranan manusia konkrit.
• Simpan jejak audit. Pembeli dalam persekitaran terkawal atau berhadapan pelanggan perlu melihat apa yang dilakukan sistem dan sebabnya, selepas kejadian.
• Biarkan pembeli menetapkan tahap autonomi. Bermula dalam mod cadangan dan beralih kepada automasi apabila kepercayaan terbina membolehkan pembeli yang berhati-hati berkata ya lebih awal.
• Namakan siapa yang bertanggungjawab. "Penyemak meluluskannya" ialah jawapan yang lebih jelas daripada "AI mengendalikannya".

Ini juga menjawab bantahan manusia dan perubahan. Alat yang dibingkaikan sebagai sokongan kepada pertimbangan pasukan menghadapi kurang tentangan berbanding yang dibingkaikan sebagai pengganti, dan biasanya lebih tepat untuk menerangkannya begitu, kerana kebanyakan pelaksanaan mengekalkan manusia dalam gelung.

Rujukan dan Bukti daripada Rakan Setara

Orang yang ragu-ragu lebih mempercayai rakan setara berbanding vendor. Panggilan rujukan dengan pelanggan yang mempunyai peranan, saiz dan aliran kerja yang serupa ialah antara aset terkuat yang boleh anda tawarkan, kerana pembeli mendapat jawapan daripada seseorang yang tidak mempunyai kepentingan dalam jualan itu.

Beberapa amalan menjadikan rujukan lebih berkesan:

• Padankan rujukan dengan bantahan. Pembeli yang bimbang tentang data patut bercakap dengan pelanggan yang telah melalui semakan keselamatan. Pembeli yang pernah terbakar dengan projek rintis lalu patut bercakap dengan pelanggan yang beralih daripada projek rintis ke pengeluaran.
• Sediakan rujukan untuk jawapan yang jujur. Jika rujukan hanya memuji, ia kelihatan seperti skrip. Rujukan yang berkata "ia memerlukan tiga minggu penalaan, kemudian ia berfungsi" lebih dipercayai.
• Jangan reka bukti. Hanya sebut keputusan yang boleh anda buktikan, bersama kaedah di sebaliknya, selaras dengan tindakan penguatkuasaan di atas.

Syarikat peringkat awal yang tidak mempunyai banyak rujukan boleh menawarkan bentuk bukti yang lebih kecil: rakan reka bentuk yang sudi bercakap, kaedah penilaian awam, atau projek rintis yang distrukturkan supaya pembeli melihat bukti sebelum membuat komitmen. Cara membawa pembeli ini ke dalam proses keputusan diliputi dalam jawatankuasa pembelian AI.

Komitmen Kontrak Merapatkan Jurang

Sesetengah keraguan tidak dapat dihapuskan dengan bukti, kerana ia berkaitan masa depan. Terma kontrak boleh menanggung baki risiko itu. Pembeli tidak dapat mengesahkan prestasi esok, tetapi mereka boleh meminta anda berkomitmen sesuatu mengenainya.

Terma yang sering timbul bersama pembeli yang ragu-ragu termasuk:

• Pengendalian data: tiada latihan menggunakan data pelanggan tanpa kebenaran, pengekalan yang ditakrifkan, pemadaman semasa keluar
• Komitmen prestasi atau perkhidmatan yang dikaitkan dengan kriteria diukur daripada projek rintis
• Laluan keluar: hak mengeksport data dan menamatkan kontrak jika kriteria yang dipersetujui tidak dipenuhi
• Notis tentang perubahan ketara pada model atau sub-pemproses
• Dokumentasi keselamatan dan hak audit yang berpadanan dengan data yang terlibat

Anda tidak perlu mengalah dalam semua perkara. Anda perlu tahu komitmen mana yang boleh anda tunaikan dengan jujur, tawarkan komitmen itu, dan tolak selebihnya dengan terus terang. Komitmen yang tidak dapat anda penuhi lebih buruk daripada tiada langsung. Cara menyusun laluan daripada ujian yang berjaya kepada terma ini diliputi dalam daripada projek rintis AI kepada kontrak, dan membina kes kewangan secara selari diliputi dalam kes perniagaan ROI produk AI.

Bagaimana Pendekatan Jualan Berubah

Menjual kepada orang yang ragu-ragu bukan funnel yang berbeza, tetapi ia mengalihkan penekanan pada setiap titik.

1. Diagnosis bantahan sebelum menjawabnya. Tanya kebimbangan mana yang mendorong keraguan. Soalan dalam jadual di atas ialah senarai permulaan. Disiplin klasik dalam pengendalian bantahan terpakai: dengar, jelaskan, kemudian balas dengan bukti.
2. Mulakan dengan bukti, bukan dakwaan. Buka dengan keputusan ujian, kes kegagalan atau rujukan, bukan senarai ciri.
3. Katakan apa yang tidak anda lakukan. Menamakan had lebih awal mengalihkan anda daripada "vendor" kepada "seseorang yang telah memikirkan perkara ini".
4. Bawa pemilik risiko masuk lebih awal. Pihak undang-undang, keselamatan dan orang yang akan menggunakan produk sering menentukan sama ada perjanjian bertahan. Jangan tunggu mereka muncul lewat. Lihat jualan berasaskan champion untuk melengkapkan penyokong dalaman membawa kes anda.
5. Ajar apabila ia membantu. Pembeli yang belum tahu rupa yang baik mungkin mendapat manfaat daripada pandangan jelas tentang cara menilai AI. Challenger Sale membincangkan cara mengambil pendirian itu tanpa memaksa.

Semakan Kendiri Pantas Sebelum Panggilan Seterusnya

• Bolehkah kami menyokong setiap dakwaan keupayaan yang kami buat dengan ujian atau pelanggan?
• Adakah kami tahu kadar ralat yang diukur, dan bagaimana kami mengukurnya?
• Bolehkah kami menerangkan, dalam bahasa mudah, ke mana data pembeli pergi?
• Di mana seseorang menyemak atau mengatasi output?
• Rujukan mana yang sesuai dengan kebimbangan khusus pembeli ini?
• Komitmen kontrak apa yang benar-benar boleh kami tunaikan?

Fakta Utama

• Kepercayaan ketinggalan di belakang penggunaan: kajian KPMG dan University of Melbourne 2025 terhadap 48,000+ orang di 47 negara mendapati 46 peratus sanggup mempercayai sistem AI, 66 peratus menggunakan AI secara kerap dan 70 peratus berkata peraturan diperlukan.
• Output tanpa semakan adalah lazim: kajian yang sama mendapati 66 peratus pekerja bergantung pada output AI tanpa menyemaknya, dan 56 peratus melaporkan melakukan kesilapan di tempat kerja akibat AI.
• Sikap berhati-hati orang awam AS: tinjauan Pew Research yang dijalankan pada Ogos 2024 mendapati 51 peratus lebih bimbang daripada teruja tentang AI dalam kehidupan harian dan 59 peratus mempunyai keyakinan yang sedikit atau tiada terhadap syarikat AS untuk menggunakan AI secara bertanggungjawab.
• AI washing dikuatkuasakan: pada Mac 2024 SEC mendenda Delphia ($225,000) dan Global Predictions ($175,000) kerana kenyataan palsu tentang penggunaan AI.
• Tiada pengecualian AI: Operation AI Comply FTC pada September 2024 menamakan lima syarikat dan menyatakan tiada pengecualian AI daripada undang-undang sedia ada.
• Perbendaharaan kata bersama wujud: NIST AI RMF 1.0 menyenaraikan tujuh ciri AI yang boleh dipercayai, daripada sah dan boleh diharapkan hingga adil dengan bias berbahaya yang diurus.

Bacaan Berkaitan

• Kepercayaan dan penilaian sebagai aset jualan
• Semakan keselamatan AI diterangkan
• Mengapa demo lebih penting untuk produk AI
• Pemosisian produk AI
• Daripada projek rintis AI kepada kontrak
• Jawatankuasa pembelian AI
• Rangka kerja pengendalian bantahan