PayPal 用 AI 打了 8000 個沒人想接的電話，轉換率跳 50%

> Meta Shift

---

14 週。

PayPal 只花了 14 週，就把 Salesforce Agentforce 部署到正式生產環境，跨整個 200 人的業務團隊全面上線。然後在 SaaStr AI 2026 的舞台上，PayPal 北美中市場銷售負責人 Eitan Saban 站出來說：meeting conversion 比純人工時期高了 50%。

這不是 pilot。不是 sandbox。是一家全球支付公司，在監管最嚴格的金融產業之一，把 AI agent 丟進真實的 pipeline，然後看著轉換率在一季內往上走。

我覺得這個案例之所以值得單獨拿出來講，不是因為「AI 很厲害」這種廢話結論，而是它精準回答了一個很多公司還在迴避的問題：AI 到底應該部署在哪裡？

答案不是「取代最好的業務員」，而是「覆蓋那些根本不會被碰到的 leads」。

這個框架比 50% 這個數字更值得帶走。

---

商業模式拆解：8000 個被放棄的機會

先來看 PayPal 的問題是什麼。

PayPal 每個月的新商戶 onboarding 量超過 10 萬。這個數字很誇張，但 onboarding 不等於 activation — 有一大批商戶在 onboarding 流程的某個環節停下來了，沒有繼續處理交易。這些人就是所謂的 lapsed leads，每個月大概有 8,000 個。

理論上這 8,000 個 leads 是有價值的，他們已經走到 onboarding 流程裡了，比冷 lead 溫得多。問題是，200 人的業務團隊根本沒有人力去系統性地追這 8,000 個。你不可能叫業務員每個月跑 8,000 輪 nurture cadence — 他們會優先去追佣金最高、成交機率最大的那些。

這很正常。這是人性，不是業務員的問題。

所以這 8,000 個 leads 在實際上等於每個月被丟掉一次。

Agentforce 介入的方式很直接：針對每一個 lapsed lead，跑一個 10 次觸及的 cadence。agent 不會累、不會挑、不會因為週末就跳過，也不在乎這個 lead 的預期佣金是多少。它會把每一個都推到一樣的標準。

然後，當 agent 成功把對方推到願意開會的狀態，它把這個 lead 交給真人業務員。業務員接手的時候，context 已經全部載入，知道這個商戶在哪個環節卡住、過去的溝通紀錄是什麼，可以直接進入有效對話，不需要從頭暖場。

轉換率 +50% 的來源就在這裡。不是 AI 比業務員更會說話，而是業務員開始工作的起點變了 — 他們接到的是已經被篩過、有溫度的 qualified lead，而不是一個冷資料。

這個設計邏輯在商業上非常清楚：用 AI 覆蓋人類成本結構下的長尾，然後讓人類專注在高槓桿的節點。邊際成本幾乎是零的觸及，換來原本直接歸零的 leads 重新進入 pipeline。

---

競爭格局：AI SDR 這條賽道現在誰在跑

AI SDR 這個方向過去兩年湧入了很多玩家，但各自的定位其實差很多。

Salesforce Agentforce：企業級，深度整合 Salesforce CRM 生態，這次 PayPal 的案例就是跑在這上面。優勢是 data 環境跟 CRM 的 native 整合，劣勢是進入門檻高、需要已經在 Salesforce 生態裡的客戶。

Outreach / Salesloft：原本的 sales engagement platform，這兩年都在補 AI 功能。但它們的 AI 比較像是把既有的 cadence 工具加上 AI 輔助，不是真正的 autonomous agent。比起 Agentforce，更像是 co-pilot 而不是 agent。

11x、Artisan、Regie.ai：這批是 AI-native 的 SDR 新創，直接主打「AI SDR as a service」，訴求是不用雇人就能跑 outbound。估值和融資在 2024 年都拿了不少，但企業端的信任度和 compliance 能力跟 Salesforce 比還有距離。

Amplemarket、Clay：比較偏 data enrichment + outreach 的組合，Clay 尤其在 PLG 公司之間很流行，但不是直接定位 autonomous agent。

簡單說，企業級 AI SDR，Salesforce 目前有最強的護城河，因為大客戶本來就在他們的生態裡，data 跟 workflow 的整合是現成的。新創要打進去需要先解決信任和 compliance 的問題，這在金融產業尤其是硬門檻。

PayPal 的這個案例對 Salesforce 來說是非常有力的 social proof，因為它不是一個普通的 SaaS 公司，是一家每個月處理幾億筆交易的支付公司。

---

Meta 判讀：這是 Meta Shift，不是噱頭

我覺得這件事跟 2010 年代初期 SaaS 取代 on-premise 軟體的過程很像。

當時也有一堆人說「我們的資料不能放雲端」、「我們的流程太複雜」、「等我們準備好再說」。然後 Salesforce 和 Workday 就這樣一刀一刀切進去了，從那些「人工成本太高、覆蓋不到」的角落開始。

現在 AI agent 的切入邏輯如出一轍。不是正面對決人類最擅長的事，而是先佔領人類「懶得做」或「成本太高做不到」的地方。

這個 session 裡還有一個觀點我覺得很實際：「我的 data 很髒所以還沒準備好」這個理由站不住腳。Salesforce 自己的 SDR agent 跑在 70% 的 deliverability 上，比人工業務員還高，但他們也不是從一個完美的 data 環境起步的。Adam Alfano（Salesforce President）的說法是：直接跑，在跑的過程中你才會知道自己缺什麼 data、需要什麼結構。等資料清理完再啟動，你永遠不會啟動。

這個邏輯值得記下來。

Meta 判定：Meta Shift。AI agent 從「有趣的實驗」變成「可量測的 pipeline 工具」，這個轉換點在 2025 年正在發生，PayPal 的這個案例是一個清楚的時間戳記。

---

工程師該怎麼看

如果你是工程師，看這個案例的切入點不應該是「AI 要取代業務員了嗎」，而是：你手上有沒有類似的「8,000 個沒人在碰的 leads」？

換成技術語境：系統裡有沒有某段 workflow 是「理論上應該做但人力不夠所以一直跳過」的？日誌分析、客戶 onboarding 的 drop-off 追蹤、bug triage 的第一層分類、內部文件的更新提醒 — 這些都是結構上跟 PayPal 案例一樣的東西。

AI agent 目前最好的 ROI 不是在「做人類做的事」，而是在「做人類本來就不會做的事，因為 CP 值不夠高」。

如果你在評估要不要在自己的系統或 side project 裡接 AI agent，這個框架比「我的 use case 夠不夠酷」更實用：找到那個你明知道應該處理但一直沒人處理的長尾，先從那裡開始。

至於 data 髒不髒，先跑再說。

---

（來源：SaaStr，SaaStr AI 2026 session，Adam Alfano & Eitan Saban）