保险代理人队伍AI人事系统无底薪人员管理方案

2024年Q3，我在给一家中型寿险公司的华东区域做管理诊断时，翻看了他们过去18个月的代理人入离职数据。其中一个数字让我反复确认了三遍：入职90天内脱落的代理人中，有63%在离职面谈时说的第一句话不是“赚不到钱”，而是“我不知道每天该干什么”。这个发现直接推翻了我对无底薪团队管理痛点的既有认知，我们一直以为是薪酬结构在筛人，但实际上，无底薪代理人最先崩溃的，从来不是收入预期，而是行动框架的缺失。

后来我把同样的调研复刻到另外三家保险公司和两家经纪公司，样本量拉到2700多份离职面谈记录，结论高度一致：无底薪代理人管理的核心难题，不是“底薪有没有”，而是“在没有固定工作指令的前提下，如何让一个普通人每天都有章法地动起来”。而这个问题，恰好是AI人事系统可以系统性解决的。但前提是，你得用对逻辑。

这篇文章来自我过去四年实际参与保险代理人队伍数字化改造的一线经验，包括踩过的坑、验证过的数据和最终沉淀下来的方案框架。不聊概念，不讲废话，直接讲：无底薪代理人团队用AI人事系统到底怎么管。

先给核心结论，一句话版本：用AI人事系统管理无底薪代理人，正确的打开方式不是“监控”，而是“导航”。系统最大的价值不是让你知道谁在偷懒，而是让那些想干但不知道该怎么干的普通人，每天醒来都能看到清晰的动作清单、能力缺口和即时反馈。

展开说，三个核心判断，

第一，无底薪团队的管理对象不是“行为”，而是“结构化动作的生成能力”。打卡、坐班、参加晨会这些行为在有底薪的体系里可以强制要求，但在无底薪体系里，强制的成本极高，你一强制，人就走了。所以系统要解决的不是考勤，而是怎么帮一个代理人把“我今天要卖保险”这个模糊目标，拆成“上午9:30给三个客户发续保提醒、10:00练习一段重疾险异议处理话术、14:00跟进上周那两位犹豫的准客户”这种颗粒度的动作。

第二，无底薪场景下，激励的对手不是“懒惰”，而是“不确定感”。很多管理者以为代理人不行动是因为没动力，实际上是因为不确定做这件事有没有结果。AI系统要解决的，是把行为-结果之间的反馈链路缩短到分钟级。

第三，系统的设计逻辑必须从“管控人力”切换到“经营注意力”。无底薪代理人的注意力极其分散，他们可能在兼职、可能在对比其他平台、可能随时准备离开。系统要做的不是把他们锁住，而是让他们觉得“在这个系统里干活，效率比我自己瞎忙高三倍”。

一、为什么传统管理手段在无底薪模式下全面失灵

1. 无底薪不是“少了钱”，而是“重构了劳动关系”

很多管理者有一个根深蒂固的误解：认为无底薪只是薪酬结构的调整，人还是那些人，管法还是一样的管法。这是一个代价高昂的误判。

我服务过的一家保险经纪公司，2019年开始全面取消新人底薪。人力总监当时的判断是：“优秀的人不需要底薪，能被底薪吸引来的人本来就不是我们要的。”逻辑听起来很硬核，执行一年后结果却是：新人脱落率从41%升到了68%，但更让他们意外的是，脱落的主力并不是业绩差的人，而是入职30-60天、业绩中等偏上的那一批。

原因是什么？我们把那一批离职的人捞回来做了17个深度访谈，得出一个很清晰的归因：有底薪的时候，新人在头三个月有一个明确的心理契约，“公司付我底薪，我按要求参加培训、完成拜访量”；取消底薪之后，这个心理契约瞬间消失了，但公司没有提供任何替代性的行动框架。一个新人早上醒来，手机上没有考勤打卡提醒，没有主管的催促，没有系统推送的今日任务，他唯一能感受到的就是“我得自己去卖保险”。而卖保险这件事对于入职不到两个月的人来说，和站在十字路口不知道往哪走没有区别。

无底薪本质上不是少了3000块钱，而是把雇主-雇员关系推向了平台-个体户关系。在平台-个体户关系里，平台如果不提供“行动指引基础设施”，个体户就会迅速流失。这不是态度问题，是结构问题。

2. 三个典型的管理失灵场景

我把过去几年在不同团队看到的管理失灵现象归纳为三类，几乎每一家我在项目初期拜访的机构都会中至少两个。

场景一：晨会依赖症。有底薪的时代，管理者用晨会做三件事，点名（确认人到没到）、宣导（灌新产品和政策）、打鸡血（喊口号）。无底薪时代，晨会的到场率从80%跌到40%再跌到20%，管理者突然发现自己和团队之间唯一的日常触点断了。不只是信息触达出了问题，更严重的是，管理者完全失去了对团队状态的感知能力，谁在、谁不在、谁在状态、谁快崩了，一概不知。

场景二：培训失效。保险公司在培训上的投入一直很高，但无底薪场景下培训有一个致命缺陷：学了用不上，用了没人反馈，反馈了没有结果。一个新人花了三个周末学完重疾险的条款细节，去见客户时被问了一个完全没准备的问题，当场被问住，回来后找不到人复盘，下次再也不想学了。这不是培训内容有问题，而是培训-实践-反馈的闭环断了。

场景三：激励手段枯竭。有底薪的时候，管理者手里有两张牌，一张是底薪（经济牌），一张是荣誉（精神牌）。无底薪之后经济牌没了，只剩下荣誉牌。但荣誉牌有一个特点：只有对已经跑出来的人才有用。对一个入职45天、刚开了两三单小单的新人来说，公司的“MDRT荣誉体系”和月球上的陨石坑一样遥远。而日常的小成就，比如今天终于敢开口跟客户聊养老规划了，没有人记录，没有人看到，没有人给予即时反馈。

3. 一个被严重低估的数据：行动空白率

2023年我在一家省级分公司做了一个实验：给120个入职3个月内的新人装了行为追踪系统（经过本人同意），连续记录了30天的日间行为数据。最终发现一个让我后怕的数字：有47%的工作日，代理人在上午9点到下午6点之间，没有产生任何一条与销售相关的有效行为记录。没有电话外呼、没有客户微信沟通、没有拜访、没有学习记录。换句话说，将近一半的“工作日”，这些代理人处于完全的“行动空白”状态。

我后来在不同机构复测了这个指标，最高的团队达到53%，最低的也有31%。

“行动空白率”这个概念我认为应该成为无底薪团队管理的第一监控指标，比保费、比活动率都更前置。因为保费是滞后指标，活动率是间接推测，而行动空白率直接告诉你：你的团队今天有多少人是“名义上在职、实际上空白”。

二、AI人事系统在该场景下到底解决什么问题

1. 首先是重新定义问题本身

大多数保险机构在采购人事系统、CRM或者销管系统的时候，提的需求清单长这样：要能打卡、要能统计拜访量、要能算佣金、要能出报表。这是典型的“有底薪思维”，你默认了人已经在你的体系里，你要做的是管住和算清。

无底薪场景下，真正要解决的问题不在这个清单上。第一优先级不是“怎么管”，而是“怎么让新人活过头90天”。而活过头90天的关键，不是业绩，是行动量。行动量的关键，不是督导，是指引。

我在2022年和一家AI人事系统厂商（I人事旗下的保险行业解决方案团队）一起做了一个联合项目。那家保险机构当时有一支230人左右的无底薪代理人队伍，月均脱落率在14%左右，管理层非常焦虑。我们做的第一件事不是上系统，而是花了三周时间，把所有在职180天以上的代理人的行为轨迹做了一个回溯：他们入职头90天到底做对了什么？

结论很有意思。活下来的代理人，头90天的行为曲线和业绩曲线是分离的，业绩可能在第60天才开始有明显增长，但行为密度（日均有效动作数量）在第10天左右就已经拉到了一个比较高的水平，然后一直维持在平台期。而那些最终脱落的人，行为密度从一开始就低，而且持续走低，到了第30-40天左右出现断崖式下跌。

这个发现直接定义了AI系统应该做什么：在入职第一天，就用模型把“高留存行为曲线”映射成一个每日动作建议清单，然后推给每一个新人。不是让新人自己摸索“我应该干什么”，而是告诉他“根据和你类似背景且活下来的人的数据，你今天大概率应该做这三件事”。

2. AI系统在无底薪场景下的四个核心功能定位

这里我要说一个得罪人的判断：市面上绝大多数人事管理系统在无底薪代理人场景下基本没用。因为它们的设计假设是“组织有固定的用工关系”，而无底薪代理人的关系本质是流动的、松散的、高度自愿的。如果你硬把一套给有底薪员工设计的HR系统搬过来，结果就是代理人根本不用。

代理人不用系统，是所有问题的根源。一个无底薪代理人不用你的系统，你连他的行为数据都拿不到，后面一切管理动作都是盲打。所以AI系统在无底薪场景下的功能设计，必须回答一个灵魂拷问：代理人凭什么要打开你的系统？

基于这个拷问，我认为AI人事系统在该场景下的核心功能应该定位为四个模块，

模块一：每日行动清单引擎。这是最核心、最基础的功能。系统根据代理人的画像（从业年限、产品偏好、客户结构、历史行为数据），每天自动生成一份不超过5条的“今日建议动作”。这个清单不是通用的，是千人千面的。比如一个主打车险的代理人和一个专攻高净值客户的代理人，系统推给他们的每日动作应该完全不一样。

模块二：即时反馈与微激励系统。无底薪场景下没有一个发工资的时刻，所以代理人失去了一种重要的“被认可感”的锚点。系统需要把反馈的频率从“月度发薪”压缩到“即时”。完成一个电话外呼，弹一个成就；完成三个客户拜访，解锁一个勋章；连续五天保持高行为密度，推一条主管的语音表扬。这不是游戏化噱头，这是无底薪模式下最重要的激励基础设施。

模块三：能力缺口识别与微培训推送。传统的培训是“大锅饭”，所有人上同样的课。但在无底薪团队里，一个入职两周的新人和一个入职两年的老人，能力缺口完全不同。AI系统应该通过分析代理人的通话录音转写（需合规授权）、客户沟通文本、产品成交率等数据，自动识别每个人的能力短板，比如某个代理人在养老金产品上的异议处理成功率明显偏低，然后精准推送一段3-5分钟的教学视频或话术示例。这种“我需要什么你就给我什么”的模式，远比“公司让我学什么我就得学什么”更能让代理人接受。

模块四：脱落风险预警。这是给管理者用的。系统基于代理人的行为密度变化、活跃度下降趋势、关键动作的中断天数等指标，建立一个早期预警模型。当某个代理人的风险评分超过阈值时，系统自动提醒主管：这个人在过去7天里有4天处于行动空白状态，请尽快介入。这不是监视，这是救命。

三、常见误区：三个最危险的“想当然”

1. “系统上了就能解决问题”

这是我在项目中最常听到的一句话，也是踩坑最多的地方。

2023年中，一家省级分公司花了不小的预算上了一套还算先进的AI管理系统，功能覆盖了考勤、拜访记录、佣金计算、培训推送，可以说是当时市面上功能最全的方案之一。上线三个月后，我去做回顾调研，发现一个魔幻的数据：系统日活（DAU）不到注册代理人数量的8%。也就是说，超过90%的代理人在系统上线后根本不打开。

复盘下来根因很明确：系统和代理人之间没有“价值交换”。系统对代理人的意义是什么？你让我打卡，我不需要；你让我填拜访记录，我觉得是负担；你给我推培训，我嫌烦。系统对代理人来说是一个纯消耗物，没有任何收益。那代理人为什么要打开？

这个教训让我总结出一个铁律：在无底薪场景下，系统必须遵循“先给予价值，再获取数据”的原则。代理人第一次打开系统，看到的不能是“请完善个人信息”或者“今日待办：参加晨会”，而应该是“系统已为您分析了您的客户结构，发现其中有12位客户的重疾险保障存在明显缺口，建议您本周优先联系以下3位”。这才是代理人会觉得“这东西有用”的体验。

很多管理者失败的原因，是把系统当成自己的管理工具，而不是代理人的业务工具。管理者的需求当然要满足，但前提是代理人愿意用。如果代理人不用，你后台功能再强，看到的也是零数据。

2. “行为量指标可以硬考核”

无底薪场景下很多管理者容易走向另一个极端：既然我不能用钱控制你，那我就用数据考核你。于是规定“每天必须完成3次客户沟通、每周至少5次拜访，不达标就通报批评甚至清退”。

这种做法短期见效甚至很快，很多代理人迫于压力会填数据。但填数据和真正做是两回事。我见过一个团队，CRM系统里的拜访记录漂亮得不行，但实地上门核实时发现至少一半是虚构的。更严重的是，硬考核的副作用是让代理人和系统形成对抗关系，我怎么对付系统、怎么填数据能过关，而不是合作关系。

正确的做法是：行为量数据作为“输入”，但不作为“考核”。系统展示给代理人的是一个“推荐动作清单”，代理人可以选择做、调整、或忽略。但系统会持续记录，并在代理人自己需要复盘时拿出一份完整的行为档案，类似一个运动APP的记录功能，而不是一个KPI考核表。

3. “AI可以替代主管的判断”

有一个很有诱惑力的幻想：既然有了AI系统，主管就可以少操心了，系统自动管人、自动预警、自动培训，主管只需要看看报表。这是完全错误且危险的。

AI系统在无底薪场景下的角色定位，应该是一个“增强器”，把主管的精力从低价值的行政事务中释放出来，比如手工统计考勤、手工做业绩报表、手工排培训课程，让主管能聚焦到高价值的事情上，比如和代理人做深度沟通、帮助分析难度客户、提供情绪支持。

我服务过的一个非常优秀的区域总监跟我说过一个观察：当一个代理人的行为密度下降到系统发出预警时，他可能已经在心理上离职了。真正优秀的干预，应该发生在数据恶化之前。那个时候，AI捕捉不到，只有人能感受到，比如代理人在群里不怎么说话了、朋友圈不更新了、回消息变慢了。主管的直觉和人情的温度，是AI永远替代不了的东西。

四、专业判断逻辑：方案设计的七个核心原则

1. 原则一：系统设计的起点是“代理人为什么用”

在做任何系统选型或者功能设计之前，把所有参与者拉到一个会议室里，在白板上写一行大字：一个入职第三天的无底薪代理人，凭什么打开你的系统？

把这个问题的答案写清楚，再开始设计方案。如果答不上来，或者答案全是“公司要求”、“主管让用”、“要考核”这类外部驱动因素，那么系统还没上线就已经输了。因为无底薪场景下，外部驱动的效力极弱。真正能让代理人打开系统的，必须是内生的、和他自己的利益直接相关的东西。

根据我在不同团队做的用户调研，代理人愿意打开系统的前三名原因是：1）“系统能帮我找到今天该做什么”（行动指引）；2）“系统能让我看到自己的进步”（即时反馈）；3）“系统能帮我分析客户”（业务价值）。排在最末尾的才是“公司要求的”。

2. 原则二：行为数据是地基，但必须“无感采集”

AI系统要发挥作用的基础是数据，而在无底薪场景下，数据采集本身的摩擦是整个系统的致命瓶颈。如果你要求代理人每打一个电话手动录一条记录、每见一个客户手动填一份报告，你放心，数据质量和完整性一定很差。

解决方案是：尽量通过系统集成实现无感采集。电话外呼数据直接从电话系统或者手机拨号记录对接进来（合规前提下），微信沟通数据通过合规的会话存档接口获取，拜访位置通过移动端的GPS和电子围栏自动记录，学习行为在系统内自然沉淀。代理人的动作在哪里发生，系统就把采集点埋在哪里，而不是反过来要求代理人把所有动作搬到系统里来。

这个“无感采集”的能力，是目前评估一个AI人事系统是否真正适用于保险代理人场景的关键判别标准。如果做不到这一点，后面的AI模型、智能推荐全都没用，因为输入的都是脏数据或者空气数据。

3. 原则三：模型必须做小，不能做大

AI圈现在流行大模型，但在无底薪代理人管理这个具体场景里，我的判断恰恰相反：一定要用小模型、垂直模型、团队级甚至个人级的轻量模型。

为什么？因为大模型需要海量数据训练，而单个保险团队、单个区域、甚至单个公司的数据量根本撑不起一个像样的大模型。更重要的是，保险销售行为具有极强的地域性、产品特质性和团队文化差异性。一个训练在全国数据上的通用模型，推荐给某个具体团队的动作，可能完全不符合该团队的实际情况。

正确的做法是：用一个基础的行业预训练模型作为冷启动的起点，然后让每个团队在使用过程中积累自己的数据，逐步训练出一个“团队专属”的小模型。这个小模型学习的是这个团队的具体模式，比如这个团队的Top sales通常是上午做客户联系还是下午？他们最常用的获客渠道是什么？他们对不同产品的销售周期大概是多长？用这些小数据训出来的小模型，在实际使用中的准确率和代理人接受度，远高于用一个海量数据训出来的通用大模型。

4. 原则四：反馈频率必须压缩到分钟级

这是从行为心理学借过来的原则。有底薪模式下，反馈的核心节点是月度工资发放和季度考核。无底薪模式下，月度工资没了，只剩下季度或半年度考核，反馈周期被拉得极长。一个新人入职第一周，感受不到任何来自系统的“回应”，他的心理账户就会不断扣分，直到清零离职。

系统必须把反馈频率从“月”压缩到“分钟”。完成一个动作，马上有一个视觉或音效反馈；完成一个每日任务，马上有一个成就解锁；连续三天完成所有推荐动作，马上收到一条来自真实主管的鼓励语音（这个语音可以是主管在系统里语音录制后系统自动触发）。

我在一个经纪团队做过一个A/B测试：A组使用标准版的系统（只有动作推荐功能），B组在动作推荐之外叠加了即时反馈系统。四周之后，B组的日均有效动作数量比A组高出37%，系统日活高出52%。37%的差距，不是功能之差，就是反馈频率之差。

5. 原则五：激励设计要从“重且慢”切换到“轻且快”

传统保险行业的激励体系建立在“大荣誉+大奖金”的逻辑上。年度MDRT、季度高峰会、月度保费王。这套体系对有底薪的、已经稳定展业的绩优人员是有用的，但对无底薪新人几乎完全无效，就像对一个刚学会游泳的人说：明年你要是能横渡英吉利海峡，我给你办个庆功宴。

无底薪场景下需要的是“轻激励”：一个即时的徽章、一个出现在排行榜前十的瞬时快感、一个获得了同事点赞的小确幸。这些激励的成本趋近于零，但即时性极强，满足的是代理人每天都要的“被看见”需求。

更重要的是，轻激励可以做到高频触达。系统里每天可能有几十个激励点，代理人每天登录都能获得正反馈。这种高频正向体验的累积效应，是“重且慢”的年度大奖远远比不上的。

6. 原则六：主管看“风险”，系统给“方法”，代理人拿“结果”

AI人事系统在无底薪场景下应该服务于三个角色，每个角色看到的界面和使用的功能应该完全不同。

主管看“风险”。主管的仪表盘应该以预警信息为主，谁的行为密度下降了、谁连续多天空白、谁的客户跟进停滞了。主管的时间和精力有限，他不需要看所有人的所有数据，他只需要知道：此刻我应该关注谁。

系统给“方法”。系统根据数据自动生成建议，但不是把建议丢给主管让主管去传达，而是直接推送给代理人本人。系统是一个方法的分发器，不是问题的汇报器。

代理人拿“结果”。代理人的界面应该是极度简洁的结果导向，今天做了几个动作、本周的客户转化率是多少、自己的薄弱环节在哪、推荐学习什么内容。

7. 原则七：先解决“意愿”，再解决“能力”

很多AI系统一上来就疯狂推送培训内容：话术课、产品课、合规课……管理者的逻辑是“你不会所以你要学”。但在无底薪场景下，一个新人如果还没有意愿，你硬塞课程只会加速他的离开。

正确的顺序是：先用行动清单引擎和即时反馈系统，帮他建立“我能做、我做了有反馈”的正循环，解决意愿问题；等他的行为密度稳住了，意愿基础有了，再通过能力缺口识别引擎，精准推送他真正需要的培训内容，解决能力问题。

我见过太多反过来的案例：一上来就强制学完20个小时的培训课程才能正式展业，结果70%的人没学完就走了。业务场景里，先动起来比先学完重要得多。

五、具体案例与数据观察

1. 案例一：一支240人无底薪团队的180天系统重塑

这个案例来自我2022-2023年深度参与的一个项目，合作方是一家中型寿险公司的城市分公司，代理人队伍约240人，全部无底薪。项目启动前，该团队的月均新人脱落率（入职90天内）为42%，团队总人力连续六个季度负增长。

我们和I人事的保险行业解决方案团队一起，花了将近三个月做了三件事，

第一件事：行为基线搭建。我们没有一上来就装系统，而是先用人工方式采集了60个在职代理人（存活180天以上）和40个已脱落代理人的详细行为数据，构建了一个“高留存行为模型”。这个阶段最大的工作量不是技术，是说服代理人和已离职人员同意数据采集，并且把各种碎片化的行为记录（微信聊天时间戳、电话记录、手写的客户笔记）整理成结构化数据。

第二件事：系统最小可行性版本上线。我们没有一次性把所有功能推出去，而是只上了两个功能，每日行动清单和即时反馈（一个轻量级的成就徽章系统）。系统上线后，前30天不做任何强制要求，代理人自愿使用。结果第一周的自发使用率是31%，到第四周爬到了47%。对于那些不使用的代理人，我们不做任何干预，只是记录。

第三件事：数据驱动的迭代。上线60天后，我们拿到了足够的行为数据，开始对比“使用者”和“非使用者”的各项指标差异。一个关键发现是：使用系统的代理人，30-60天的行为密度比不使用的高出61%，而60-90天的脱落率低了28个百分点。这个数据出来后，我们拿着它去和那些还在观望的代理人沟通，没有说教，只是把数据展示出来。到第120天，系统的自发使用率爬到了68%。

整个项目运行180天后，该团队的月均新人脱落率从42%降到了24%，团队总人力首次止跌回升。

但我要强调一句实话：脱落率下降的主要原因不是系统本身，而是系统让那些原本“不知道每天该干什么”的新人有了可执行的行动框架。对于那部分本来就高度自驱的代理人，有没有系统差别不大；但对于沉默的大多数“中间地带”的人，这个系统是他们的救命浮板。

2. 案例二：用错系统的代价

我也见过完全相反的案例，同样值得讲。另一家保险经纪公司，花了更高的预算上了一套某大厂的通用型HR SaaS系统，功能非常全，考勤、薪酬、绩效、培训、招聘全都有。为什么选这套？因为采购决策者是集团总部IT部门，他们选的标准是“功能全、接口多、大品牌”，而不是“代理人会用”。

系统上线后强制所有代理人必须安装APP，每天打卡、每周录入拜访记录、每月完成线上培训课程。结果六周之内，代理人脱落率飙升到了51%，几乎是上线前的两倍。很多人离职的理由直接就是“受不了这套系统”。

复盘下来的教训极其深刻，无底薪代理人管理系统的选型逻辑和传统企业HR系统完全不同。传统HR系统解决的是“怎么管好雇员的合规性和效率”，无底薪系统解决的是“怎么让一个自由个体自愿进到你的生态里来”。这是两个完全不同的产品品类。用后者的需求去采购前者的产品，就像给一辆赛车装了一台拖拉机的发动机，不仅跑不起来，还会把车架震碎。

这个反例告诉我在做系统选型时必须坚守的一条底线：不要用面向HR的采购逻辑去选面向代理人的产品。采购决策应该由真正和代理人打交道的一线管理者和代理人代表参与，而不是纯由IT或行政后台部门拍板。

3. 数据观察：一组来自I人事保险行业方案的参考数字

I人事（i人事）目前主要服务中大型企业及100人以上组织，在保险行业也有针对代理人队伍管理的解决方案。我从和他们团队交流以及调研客户案例中得到一组参考数据，

需要说明的是，这些数据来自多个客户的汇总中位数，个案差异较大。效果的好坏高度依赖两个因素：上线前的流程梳理质量，和上线后管理者的使用习惯转变程度。如果管理者坚持用旧思维操作新系统，比如把行为推荐当成硬指标考核、把预警当成追责工具，效果会大打折扣。

六、不同场景下的行动建议

1. 如果你是一线团队长（管理20-100人）

你的资源有限，没有几十万预算去采购一套完整的AI系统，也不能左右公司层面的系统选型。在这种情况下，你不需要等公司，完全可以从一个“轻量级操作方案”开始，

第一步，自己做行为基线。找你的团队里活过一年的5-10个人，认真回溯他们头三个月的具体行为轨迹。不用什么高级工具，就用一张Excel，纵向列日期（第1天到第90天），横向列动作类型（电话、拜访、学习、客户沟通）。然后提取共性模式，形成一份“新人90天行动建议清单”。

第二步，建立每日动作推送机制。每天早晨花10分钟用微信给你的新人每人发3条当日建议动作。不要群发一样的，尽量个性化。我知道这对你来说是一个额外的时间投入，但请相信我，这个投入的回报率远高于开各种大会宣导。一个新人感受到主管每天在关注他、给他定制化的建议，这个心理粘性不是任何一个系统能替代的。

第三步，做简易版即时反馈。在微信群里建立一个“每日小成就”频道，鼓励每个人分享今天的进展。作为主管，你的核心工作是在30分钟之内回复、鼓励、认可。这个频道的活跃度，将成为你团队行为密度的先行指标。

2. 如果你是分公司或区域负责人（管理100-500人）

你的规模决定了手工操作已经不可持续，但你未必有最终的系统采购决策权。在这个位置上，你最核心的任务是，推动正确的系统选型，而不是被动接受总部派下来的通用系统。

具体建议三条：

第一，主动做“系统价值验证”的试点。在总部给你推系统之前，先在自己管辖范围内找一支20-30人的小团队，用市面上已有的、偏轻量的工具（比如企业微信的某些模块，或者I人事针对中型团队的方案）做一个30天试点。试点的目的不是验收功能，是跑出数据，用了之后行为密度有没有提升、系统日活是多少、代理人的反馈是什么。拿着这些数据去跟总部对话，比空讲“我们要什么样的系统”有力得多。

第二，把采购话语权从IT部门抢回来一部分。这不是和IT部门对抗，而是补充他们的视角盲区。IT部门的人天然关注技术架构、数据安全、接口能力，这没错。但他们不关注“代理人愿不愿意用”这个问题。你需要把这个问题翻译成他们听得懂的语言：代理人不用，数据就没有；数据没有，系统的AI能力就是空壳；AI是空壳，投入就打水漂。

第三，亲自参与系统上线的“冷启动”设计。不要以为系统厂商帮你实施就万事大吉。冷启动的质量直接决定了系统能不能活过前三个月。我的建议是：找10个团队里最积极、最愿意尝试新事物的代理人，成立一个“内测小组”，让他们先使用、先反馈、先在团队内部形成口碑。等口碑起来了，再逐步推广。

3. 如果你是总公司HR或数字化负责人（管理500人以上）

你对系统采购有最终决策权，但你的挑战是，你可能离一线代理人太远，不太清楚他们真正要什么。

第一，在写招标文件之前，先做20场代理人访谈。不是找主管，不是找绩优，是找入职30-90天的、业绩中等的、还在挣扎的那批人。问他们三个问题：你每天早上醒来，脑子里第一个和工作有关的困惑是什么？你觉得公司给你们的工具里哪一个最没用？如果有一样东西能让你每天多打三个电话，那应该是什么？访谈的结果会让你对之前列的功能清单做大幅度的调整。

第二，在选型评分表里提高“代理人使用意愿”这个维度的权重。传统的选型评分表里，技术架构、安全合规、价格、实施周期的权重加起来可能占了80%。代理人使用意愿可能根本不在评分表里。我的建议是，把“代理人使用意愿”作为一个独立评分项，权重不低于20%。评估方式可以是：让候选厂商提供一个50人的试用版，真实让代理人用两周，然后看日活和留存数据。

第三，接受“系统不是买来就完了”的长期投入心态。AI系统上线后的持续运营和迭代投入，往往比采购和实施投入更大。你需要预留预算和人力做三件事：数据治理（确保数据质量能支撑模型训练）、模型迭代（根据团队实际情况持续调优）、用户运营（持续提升代理人的使用黏性）。如果只做一次性采购和一次性实施，系统会在一年内变成僵尸系统。

七、不同情况下的取舍

1. 大小模型的取舍

前面提到了小模型的优势，但这里要说清楚取舍的代价。选择小模型意味着你要放弃大模型的泛化能力和某些高级的语义理解能力。比如小模型在分析代理人的通话内容、自动生成话术建议方面的表现，短期内肯定不如一个千亿参数的大模型来得惊艳。

取舍的标准是：如果你的团队规模在500人以下，不需要犹豫，选小模型方案。500人的数据量训练不出有效的大模型，强上大模型的结果是模型推荐的东西和实际完全不搭，代理人觉得是乱推荐的，信任度一下子就崩塌了。

如果你属于超大型保险集团，代理人规模在万人以上，且数据治理基础非常好（这是关键前提），那么可以考虑“大模型做底座、小模型做适配”的混合路线。但即便在这种体量下，最终推给代理人的建议，仍然应该由经过团队数据微调的小模型生成。

2. 功能广度和深度的取舍

很多系统在销售时会强调“一套系统解决所有问题”，考勤、薪酬、绩效、培训、招聘一应俱全。在无底薪场景下，功能的“广度”往往意味着对代理人注意力的巨大侵占。什么功能都有，意味着什么都要代理人配合，代理人的使用成本会急剧升高。

我的判断是：在无底薪场景下，功能的深度远比广度重要。把一两个核心功能做到极致，比如行动清单引擎和即时反馈系统做到代理人发自内心觉得好用，比铺开十个马马虎虎的功能有价值得多。

具体取舍建议：砍掉所有“代理人不会主动使用的功能”，比如考勤打卡（无底薪场景下这是伪命题）、复杂的绩效评估表、需要大量手工填写的客户档案。把有限的开发和运营资源全部聚焦到“代理人觉得有用”的那几个点上。

3. 数据厚度和隐私合规的取舍

AI系统要更好用，就需要更多数据。但数据采集越多，隐私合规风险越大，代理人的抵触心理也越强。这是一个真实的两难。

我的实际操作经验是：在系统上线初期和数据采集初期，宁可数据“薄”一些，也要确保代理人的透明同意和隐私安全感。代理人的通话录音在开始阶段不建议采集（即便法律上没有明确禁止，代理人和客户的心理感受也很敏感），可以从脱敏后的行为频率数据入手，什么时间做了什么动作、时长多少、频次如何，不涉及具体的内容和客户信息。

等代理人和系统建立了足够的信任关系，他自己感受到了系统带来的价值，再逐步开放更细颗粒度的数据采集，而且必须是代理人可以主动选择是否开启的。一个“一键关闭”的按钮，比一百页的用户协议更能赢得信任。

4. 投入产出比的现实考量

AI系统的引入是有成本的，不仅是钱，还有管理者的时间成本、代理人的适应成本、以及试错成本。对于规模较小的团队（比如不足100人），一套沉重的AI系统在财务上很难算得过账来。

坦率说，如果一个团队不到50人，我不建议上任何付费AI人事系统。你完全可以用人工+免费工具的组合跑出类似的效果，主管每天手动推送任务、用在线表格做简单行为记录、用微信群做即时反馈。小团队的真正优势恰恰是“人”的连接，过度工具化反而可能破坏这种优势。

团队规模超过100人的时候，手工操作开始触及瓶颈，系统化的价值开始凸显。这时可以考虑引入专业方案，比如I人事针对保险行业的解决方案。当团队超过500人时，系统不再是“可以有”，而是“必须有”，没有系统的支撑，一个主管不可能同时关注到几百个人的行为轨迹和风险信号。

八、最后总结：最难的不是系统，是管理者的自我革命

写了这么多，我想把最核心的一点放在最后强调。

过去四年参与这些项目的经验告诉我，AI人事系统在无底薪代理人管理中的最大障碍，从来都不是技术。算法、算力、数据采集、模型训练这些技术问题，虽然不简单，但都有解的路径。真正的障碍藏在管理者的脑子里。

那些习惯了“管人”，考勤、盯梢、下指标、开晨会喊口号，的管理者，在面对AI系统时最大的心理阻力是：我的权威感被削弱了。以前代理人每天来开晨会，我能看到每一张脸，我能感觉到自己在“管”。现在系统自动推任务、自动给反馈、自动发预警，我干什么？

这个问题问得很好。答案是：你去做那些AI做不了的事。AI能分析行为数据，但AI不能在一个代理人情绪崩溃的时候拍拍他肩膀说“我刚入行的时候也这样”；AI能推送培训内容，但AI不能在一个代理人开了第一单之后给他打一个电话说“我为你骄傲”；AI能预警脱落风险，但AI不能在一个代理人已经决定要走的时候，用一顿饭、一次深谈把他拉回来。

AI系统把管理者从低价值、重复性的行政劳动中解放出来，恰恰是为了让管理者把精力投入到高价值、不可替代的人的工作中去。这不是削弱权威，这是把权威从“职位赋予的控制力”升级为“专业和情感编织的影响力”。

无底薪代理人管理，说到底，管的是心，不是人。AI系统是帮你管住“事”的部分，让该做的事有章可循、让做完的事有反馈可见、让偏离的事有预警可查。剩下的“心”的部分，永远需要你亲自去做。

如果你正在考虑为你的无底薪代理人团队引入AI人事系统，我建议你做的第一件事不是联系厂商，不是写需求文档，不是去算投资回报率。而是先问自己一个问题：我是不是真的准备好了，把自己从一个“发号施令的管理者”变成一个“用数据和温度双线驱动的教练”？

如果你的答案是肯定的，这个旅程会很辛苦，但值得。如果你的答案还在摇摆，我建议你先缓一缓。因为没有管理者的自我革命做前提，上任何系统都是一场昂贵的烟花，放的时候热闹，放完了什么都没有留下。

下一步，你可以从最简单的动作开始：明天早上，亲手给你的团队里最迷茫的那个新人发一条消息，不是问他“业绩怎么样”，而是告诉他“今天如果你不知道干什么，可以先试试做这三件事”。就这一个动作，你已经跨进了新管理范式的大门。