Sam Richter 分享 AI 在演讲销售中的双建议：不依赖其成交，但利用它进行研究和个性化定制

核心观点一：AI是工具而非销售代理

Sam Richter 强调，切勿完全依赖 AI 进行销售成交。尽管许多人渴望找到能自动带来线索和合同的“银弹”，但现实是，没有任何机器或算法可以直接完成预订。客户选择演讲者是因为人际连接、能量共鸣以及对成功的关切。Sam 指出，无论是活动策划人还是 CEO，他们最终需要的是真人之间的信任建立。AI 的真正价值在于后端效率提升和前期研究，例如利用 Copilot 筛选过去两天内的重要邮件，或快速调研潜在客户及其会议背景。AI 是虚拟助手，而非替代者。

“没有人是通过机器打电话预订我的。他们想和我交谈，感受我的能量。”

核心观点二：掌握提示工程以获取精准信息

第二个关键建议是精通提示词工程（Prompt Engineering）。Sam 认为，利用生成式 AI、Google 或 LinkedIn 发现机会的关键在于如何向工具输入正确的信息。只有 crafting the right prompt（精心构建提示词），才能获得高质量的分析结果。这要求演讲者不仅会使用工具，更要理解如何通过结构化提问来挖掘潜在客户的痛点、决策链及会议目标。精准的信息输入决定了输出的商业价值，这是将 AI 从“聊天机器人”转化为“销售情报官”的核心技能。

受众差异：活动策划人与 CEO 的决策逻辑

Sam 分析了两种主要客户群体的心理差异。活动策划人的核心目标是“规避风险”，而非追求极致效果。他们通常不因为聘请了一位优秀演讲者而获得晋升，但可能因聘请了糟糕的演讲者而被解雇。因此，与策划人沟通时，重点在于降低其不确定性。相比之下，CEO 更关注演讲如何直接推动业务目标。Sam 引用了 Summit Group 的 Demos Fit Proof（演示-匹配-证明）公式：明确“他们是谁”、“你是谁”以及“你能带来什么”。对于策划人，“证明（Proof）”环节侧重于展示你如何高效、稳妥地达成目标，而非仅仅强调内容的创新性。

“活动策划人的目标通常不是聘请一位伟大的演讲者，而是不聘请一个糟糕的演讲者。”

摒弃搜索引擎思维，建立对话式协作

许多用户习惯将AI当作Google使用，即提出一个问题并直接获取答案。然而，这种单向查询无法发挥生成式AI的真正潜力。真正的策略在于与AI进行多轮对话，通过连续提出三到五个澄清性问题，才能挖掘出深层的战略信息。例如，在准备与CEO会面时，不应仅搜索公司背景，而应让AI模拟该公司CEO的角色。通过询问“如果我是这家公司的CEO，关于生成式人工智能，我最关心的三个问题是什么？”，用户可以提前预判对方的关注点。这种角色扮演式的互动不仅限于文本，借助语音模式还可以进行更自然的模拟演练。AI不是用来获取单一答案的工具，而是用于开展深度对话的伙伴。

"We're not using it to just get an answer. We're using it to have a conversation."（我们不只是用它来获取答案，而是用来进行对话。）

知识不等于智慧：重新定义AI助手角色

理解如何引导AI的关键在于区分“知识”与“智慧”。生成式AI拥有全球图书馆总和般的庞大知识库，但缺乏实际应用的智慧。正如一个经典比喻：知识知道科学上番茄属于水果；而智慧则明白在准备周末派对的果盘时，不应放入番茄。因此，对待AI应像管理一位历史上最聪明但缺乏常识的实习生。这位“实习生”虽然博学，但若不加引导，极易产生幻觉或提供不切实际的建议。用户需要像导师一样给予明确的指令和框架，而不是仅仅抛出模糊的问题。将AI视为人类助手而非搜索引擎，是提升输出质量的核心心态转变。

角色设定与GUIDE框架：结构化提示工程

为了有效引导这位“实习生”，必须为其赋予具体的角色人格（Persona）。虽然有人忽视这一步，但鉴于AI是在涵盖从食谱到心脏手术等海量数据上预训练的模型，明确角色能迫使它聚焦于相关领域的训练数据。例如，设定其为“拥有专业演讲者合作经验的营销与销售高管”。随后，采用作者创建的GUIDE框架来构建提示词： * G (Goal) 目标：明确任务，如角色扮演并研究特定公司。 * I (Identity) 身份：定义AI的角色及用户的背景（如专业演讲者）。 * D (Delivery) 交付方式：规定回答的语气和风格（如以CEO口吻回答问题）。 * E (Environment) 环境：说明信息接收的场景（如Zoom会议前）。通过这种结构化设定，AI能更精准地匹配用户期望。

分步执行与防幻觉机制：肌肉记忆的重要性

在启动任务时，切忌一次性向AI灌输过多信息导致其过载。应采取分步执行策略，首先要求AI研究特定公司（如Acme Corporation），待其完成后再进行下一步。在每个提示词的末尾，务必加上“你有什么问题吗？”（Let me know if you have any questions.）。这一动作并非客套，而是防止AI产生幻觉的关键机制。由于GPT模型的设计目标是生成内容（Generative），若不被允许提问，它会自信地编造事实。强制AI在回答前提出澄清性问题，能显著减少猜测成分。这种“分步走”加“主动询问”的流程应成为用户的肌肉记忆，从而将AI输出的不确定性降至最低。

"If you don't allow it to ask questions, it will make something up. It will make something up that sounds very confident."（如果你不允许它提问，它就会编造。它会非常自信地编造一些东西。）

视 AI 为“嗑药”的超级实习生：85% 法则与人工复核

Richter 分享了一个在金融领域应用 AI 的案例，指出虽然 AI 能显著加速工作流程，但必须将其视为一位“经验最丰富却处于幻觉状态（LSD/Mushrooms）”的员工。这种比喻强调了“不可完全信任”的核心原则：尽管 AI 能提供最佳信息，但必须人工双重检查所有内容以应对幻觉风险。他提出了著名的“85% 法则”，即利用 AI 完成工作的前 85%，而剩余部分依靠人类专家的智慧和经验来完成。当数据看起来不对劲时，直觉往往是正确的信号。

“I call it the 85% rule. That use AI to get you 85% of the way there. But you have the wisdom... If it just doesn't feel right to you, it's probably not right.”

这种互动被定义为一种对话而非单向指令。Richter 建议用户主动质疑 AI，例如询问数据来源：“Hey, where did you get that data from? That just doesn't sound right.” AI 通常会承认错误并道歉，因为“回答过快往往是幻觉的根源”。用户应明确指示 AI 放慢速度、重新研究，而不是接受快速但可能错误的结果。

拒绝虚假个性化：回归 Dale Carnegie 式的人际连接

在销售领域，尽管自动化工具（如新闻通讯和潜在客户触达工具）被广泛使用，但 Richter 强调销售本质上仍是一门基于关系的业务。对于个人潜在客户或转介绍客户，必须使用个性化的电话和邮件。他批评了当前泛滥的“虚假个性化”（Fake Personalization），即通过 AI 批量生成看似定制实则通用的邮件。这类邮件往往包含荒谬的建议，例如向畅销书作者询问“是否想过写一本书”，或向知名演讲者推荐书籍写作。

“The more we're inundated with fake personalization... the more we're going back to Dale Carnegie's How to Win Friends and Influence People in the 1920s.”

Richter 指出，随着虚假个性化的泛滥，人们反而会更加渴望真诚的关注。他主张回归 Dale Carnegie 的经典原则：花时间去真正了解对方。数字工具可以辅助，但核心在于理解对方的需求和背景。如果用户抱怨自动化工具无效，Richter 指出这通常是因为使用频率过低（如 46 天内仅用三次），导致工具无法生成有效结果。真正的个性化需要深度研究，而非简单的模板填充。

免费情报工具实战：YouGotIntel 与精准触达策略

为了支持深度研究，Richter 推荐了基于 YouGotIntel.com 的免费工具集，旨在获取比 Google News 更全面的信息。这些工具包括： 1. YouGotAssociations：研究协会及其预算。 2. YouGotSites：挖掘网站内部隐藏页面，如特定会议或活动信息。 3. GPTFollowUp.com：查找文章并基于对方关注点定制邮件。

他通过 3M 公司的案例演示了相关性（Relevance）的重要性。与其泛泛询问“是否有会议”，不如通过工具发现 3M 内部即将在创新领域举办的销售会议，并据此联系。这种基于具体事实的触达方式能显著提高响应率。

Richter 强调，所有这些工具的设计哲学都是提供“复制/导出”按钮而非发送按钮。他坚决反对在 AI 工具中集成自动发送功能，因为“人类必须保留最终的控制权和审核权”。AI 负责完成 85%的研究和起草工作，人类负责最后的润色、验证和发送决策。这种模式既利用了 AI 的效率，又保留了人际互动的真实性和准确性。

“I will never build a tool that has a send button. It will have a copy button... I'm a big believer in copying, not sending.”

提示词质量分级与工具推荐

在人工智能辅助创作中，提示词（Prompt）的质量直接决定了输出结果的上限。作者将提示词分为不同等级，指出大多数用户（包括专业人士）往往只写出 F级提示，例如仅输入“我需要一份巧克力饼干食谱”这样模糊且缺乏约束条件的指令。相比之下，D级提示词则遵循特定的引导框架（Guide Framework），虽然仍非完美，但已优于全球 90% 至 95% 的用户水平。真正高质量的提示词通常长度在 300 到 1,000 字之间，涵盖详细的背景、约束和目标。为了帮助用户生成此类复杂提示词，作者开发了一款名为 You Got Prompts 的免费工具。该工具特别适用于撰写提案、合同审查或设计会议演讲内容等复杂场景，旨在通过结构化输入提升 AI 输出的精准度。

“A really good prompt time will have might be between three and a thousand 300 and a thousand words long.”

尽管部分观点认为像 Claude 这样的高级模型可以仅凭简短指令（如12个字）就准确推断用户意图，但作者坚持认为，在处理深度和复杂性任务时，使用长篇幅、结构化的提示词仍能获得更优结果。这些工具不仅免费，而且作者将其作为分享资源提供给演讲者群体，旨在帮助他们优化与 AI 的交互方式。

Speaker Intel Engine 的核心功能解析

除了提示词工具，作者还介绍了 Speaker Intel Engine（演讲者情报引擎），这是一个功能强大但略显复杂的商业工具，提供 speakerintelengine.com/trial 的免费试用。由于功能繁多，作者建议用户观看其 12分钟的教学视频 以快速上手。该引擎主要包含两个核心模块：

1. Topic GPT：用户输入主题、行业及目标演讲地点后，系统会自动筛选出 至少6个月后 举办的大型会议。其算法逻辑在于排除科学类学术会议等通常不支付演讲费的场合，专注于寻找 可能付费聘请专业演讲者 的商业或行业会议。
2. Speaker Recon（演讲者背景调查）：这是作者最常使用的功能。基于“我喜欢言论自由，但我更喜欢为我的演讲付费”这一幽默而务实的理念，该功能允许用户查询其他优秀演讲者的过往行程。通过追踪那些 拥有多年合同 或频繁被同一组织邀请的演讲者，用户可以推断出哪些会议是 付费性质 的高价值机会。

“I wish I could remember who it was. But, I'm a huge fan of the First Amendment. I just don't like the free speech part. I like to get paid for my speeches.”

这种逆向思维极大地减少了市场调研的时间成本，通过观察他人的成功路径来定位自身的商业机会。

利他思维与客户关系的长期构建

在销售与关系维护层面，“为他人着想”是建立长期业务的核心。作者指出，尽管许多演讲者在社交媒体上投入大量时间获取流量，但 高浏览量并不等同于高业务收入。真正的增长来自于主动帮助客户和其他同行。例如，资深演讲者 Ross Bernstein 教导新人：在会议结束时，主动向主办方推荐 1-3位其他优秀的演讲者。这一策略基于一个洞察：客户明年通常会更换主题或讲者，推荐同行不仅能体现专业性，还能在行业内建立互惠网络。作者回顾自己 17-18年 的全职演讲生涯，发现虽然关键主题演讲（Keynote）的复购率较低（约2-3次），但在 MC主持 或针对不同层级员工（合伙人、高级助理、初级助理）的轮换会议中，持续的服务能带来稳定的复购。这种 以退为进、成就他人 的策略，比单纯的自我营销更能构建稳固的商业护城河。

“If AI went away tomorrow, if social media went away tomorrow, if email went away tomorrow, I'd still have a successful business because of that.”

highlights": [ "A really good prompt time will have might be between three and a thousand 300 and a thousand words long.", "I'm a huge fan of the First Amendment. I just don't like the free speech part. I like to get paid for my speeches.", "If AI went away tomorrow, if social media went away tomorrow, if email went away tomorrow, I'd still have a successful business because of that." ]

互惠推荐网络的杠杆效应

对话从Ross Mascari对同行Allison Mascari的感激之情切入，他强调在演讲者圈层中不追求直接佣金或推荐费，而是看重“业力”（Karma）与长期互惠。Ross指出，许多行业名人堂成员同时也是优秀的推荐人。他分享了一个具体案例：Manley Feinberg在获得一次帮助后，花费整整一年时间通过多次推荐和赠送礼品卡来回报Ross。这种深度的人际回馈机制是业务增长的核心动力。Ross认为，如果每位演讲者每天早晨只花少量时间推荐三位不同的同行，一年即可覆盖300位潜在合作伙伴。即便只有部分人回馈，这种网络也能产生巨大的复利效应。

1200个合格线索的转化模型

Ross构建了一个具体的业务增长数学模型，展示了推荐网络的威力。假设通过一年的努力积累了300位被推荐的演讲者，其中200人回馈推荐。如果这200人中每人向Ross介绍6个客户机会，那么将产生1,200条“暖线索”（Warm Leads）。这些并非冷呼叫，而是带有内部背书的推荐：“Ross告诉你是你的人”或“Tom告诉我是他的人”。

Ross直言不讳地表示：“如果我从这1,200个合格线索中无法每年获得50场演出，那我就太糟糕了。”他进一步指出，即使数字缩水，只要拥有20个真正的合法推荐线索，按照1:3.5的成交比例（即每3-4个线索转化1单），也能获得约5场新演出。对于追求生活方式的演讲者而言，这已是巨大的成功。关键在于利用AI进行前期公司调研以增强通话时的专业性，而非用AI直接替代人际连接。

AI作为效率引擎与节目收官

Sam Richter总结了AI在业务中的正确定位：提升效率以释放时间用于高价值活动，而非作为获取合同的魔法按钮。Sam列举了具体的AI应用场景：使用Copilot和Claude识别遗漏邮件、辅助编写代码，甚至通过头戴式设备与董事会财务数据进行对话。他开发了一个名为“Write 85”的写作工具，每天为他节省至少2.5小时。这些效率提升并非为了偷懒，而是为了让演讲者有更多时间开发新课程、进行推荐和打电话——这些才是真正产生业务的行为。

“我们利用AI变得更有效率，以便扩大我们的业务范围。我们不认为AI是一个我可以按下的魔法按钮工具，按下后合同就会突然漂浮到我的收件箱里。”

在节目的最后，Ross Mascari宣布这将是他在《Speaker Nomics》播客中的最后一次正式采访。他回顾了自己作为创始主持人、在Shark去世后短暂回归主持10周以维持节目运转，以及随后作为轮换主持人的经历。他决定将“主持人”的位置交给他人，并感谢Sam Richter成为他的最后一位嘉宾。这一举动象征着传承与对社区贡献的肯定，同时也呼吁听众分享该节目给其他演讲者，特别是非NSA成员，以扩大行业影响力。