為保險顧問的真實工作而設計
一個 AI 工作台，覆蓋從知識查詢到案例推進的完整鏈路。
先做研究，再做產品
我們的設計起點不是技術，而是觀察。九個月的田野研究，讓我們看見保險顧問日常工作的真實模態 —— 然後針對這些模態，做出刻意的設計選擇。
顧問 70% 的素材是非結構化的
錄音、圖片、手寫筆記、WhatsApp 截圖；正式 PDF 反而是少數
我們做了多模態提取
原樣交給 AI —— 不要顧問先「整理一下」再上傳
顧問不需要全量問卷，只需要知道下一步缺什麼
完整 FNA 問卷 = 阻力 · 顧問會跳過或敷衍填寫
缺漏資訊引擎，而非問答機器人
只標出推進至下一階段所需的最小資訊量
顧問需要話術與條款支援，但不要 AI 替他做最終決定
責任歸屬必須在人 —— 這是合規與專業倫理的雙重要求
方向級方案，不做最終建議
A/B/C 三個方向 + 各自取捨 · 最終判斷與責任在顧問
知識可以共享，客戶資料必須隔離
公司知識共享 vs 客戶個案隔離 是兩個世界 —— 不能混在一起
雙層架構
共享知識層（團隊可見）+ 私密案例層（case_id 隔離）
顧問在不同場景需要不同顆粒度的答覆
會前要要點 · 會中要話術 · 會後要摘要 · 月底要覆盤
場景化輸出
同一份案例資料 · 為每個工作時刻產出對應顆粒度
每個案例密封隔離，共享同一知識層
每位客戶是一顆獨立的 case_id 節點，只與中央的共享知識層相連 —— 彼此之間沒有任何連線，看不見、不串檔。
保險顧問的工作模態，全部覆蓋
無需改變原有工作方式。無論是語音、文字、圖片、文件還是多輪對話，Casentra 都能接收並整理為結構化案例，讓零散資訊直接進入下一步工作。
語音輸入
客戶會議錄音 · 語音備忘 · 跟進通話
粵語 / 普通話 / 英語三語轉寫 · 自動結構化提取至案例檔案
我們刻意這樣選，
因為通用 AI 在這些選擇上是錯的
六個反直覺的設計取捨。每一個都讓功能變窄、卻讓場景變對。
一個要你伺候，一個伺候你
用通用 AI，你要自己打磨指令、自己把條款一份份找出來、自己講清楚客戶背景和前因後果
等你把這些都做完，方案你自己都快寫完了。
缺漏資訊引擎
只問你下一步缺的 3 條
全量問卷
ChatGPT 上來會問你 30 條 —— 顧問會跳過或敷衍
方向級方案
A/B/C 三個方向 · 取捨並列
「我建議買 X」
通用 AI 會直接給你一個結論 —— 但責任歸屬說不清
每個答覆附來源
可點開驗證條款原文
聽起來合理的話
通用 AI 會自信地給你一段話 —— 但你無從驗證對錯
案例完全隔離
case_id 之間絕不互通
跨案例洞察
其他工具想榨乾數據做分析 —— 但客戶資料是底線
顧問主動觸發發訊息
草稿生成後 · 由人決定要不要發
自動發送
通用 AI 會「貼心地」幫你發 —— 但發出去的話收不回來
知識層由編輯團隊維護
專業審核 · 隨產品 / 法規同步
全網爬取的訓練資料
通用 AI 的知識來源不透明 —— 過時或錯誤無從查核
你會在這些時刻，用到它
把抽象的能力，落到具體的工作時刻。對顧問本人 · 對團隊主管 各有對應。
一天裡的使用流
管理視角
開發中團隊整體案例分佈
看整個團隊的案例分階段分佈
識別卡住的案例
哪些案例多久沒推進（不看內容）
知識層更新推送
更新時自動同步到全團隊
新人入職帶教
用案例記憶快速帶教新顧問
合規檢查點
話術合規 · 披露完整性
業務複盤
方向級方案的覆蓋率
不只是說，打開就是這樣
iOS App 的真實工作台 —— 今日聚焦、CaseChat 出方案、會前簡報、通用問答，顧問一天的動作都握在手裡。
通用 AI 很強
但保險顧問的工作 需要更窄的邊界
本頁示例僅為功能演示，產品名稱與內容均屬虛構，不代表任何真實保險產品。