当模型能力逐渐拉平，企业靠什么拉开差距？

过去十年，中国零售与生活产业经历了一轮密集的数字化建设。会员系统、交易系统、门店管理系统、供应链系统陆续上线，企业积累的数据量以几何级数增长。但一个尴尬的事实是：当管理者真正需要做决策时，系统能提供的帮助依然有限。数据是有了，但判断还得靠人。

这种割裂感在行业里并不少见。系统里沉淀了大量客户信息、交易记录、服务历史，但到了制定策略、调配资源、判断优先级的时候，管理者往往还是要依赖少数关键岗位的经验。在市场高速增长的年代，这种决策方式尚能运转。而当竞争进入存量阶段，每一分钱都要花在刀刃上的时候，经验判断的局限性就暴露出来了。

AI的出现，正在改变这个局面。与以往任何一次技术升级不同，AI第一次让系统具备了理解业务的能力——它不只是存储和展示数据，还能分析数据背后的含义，给出行动建议，甚至在授权范围内直接执行。

纷享销客CEO 罗旭

用纷享销客CEO罗旭的话说，“数字化让事实被看见，AI原生则让判断和行动被系统承接。”在他看来，过去做的企业级应用，本质上都是在做一个工具——帮助人记录、沉淀、固化流程，也做一些静态分析；AI进入之后，这些应用不再只是被人调用的工具，而是能理解业务、能采取行动、能提交结果的智能体。由此，企业从经验驱动走向数据驱动、智能决策的路径，才真正变得清晰起来。

从记录到判断：CRM的“下半场”

在CRM领域深耕十余年，纷享销客服务过消费、制造、高科技等大量行业客户。在罗旭的观察中，传统CRM长期存在一个问题：销售人员花费大量时间录入客户信息、更新商机状态、整理跟进记录，系统则负责保存数据、呈现报表。人不断把信息“喂”给系统，但真正推动业务向前的，仍然是人的判断和行动。

纷享销客打造AI原生CRM，试图改变的正是这种关系。系统不再被动等待人录入和查询，而是可以从邮件、会议、IM等信息中主动提取商机信号，生成跟进建议和风险预警，并在授权范围内执行任务、将结果写回系统。销售人员的角色，则从大量的信息录入和流程操作，更多转向业务判断和例外处理。这不是简单地在原有CRM上增加几个AI功能，而是对CRM角色的一次重新定义。

在罗旭看来，AI原生CRM需要具备“懂业务、能工作、会进化”三层能力：懂业务，是让系统理解客户、商机、合同、交付等业务对象的状态和相互关系，这需要长期的行业Know-how积累；能工作，是让系统在明确授权下调用工具、执行任务并形成闭环；会进化，则是把每一次执行的结果、失败和人工修正沉淀为组织记忆，在持续反馈中形成下一次判断的依据。

三层能力最终指向同一个治理原则：AI的每一次行动都应该可解释、可追溯、可回退。“这不只是技术要求，也是我们对客户的责任。因为CRM承载的是企业最核心的客户资产和商业决策，唯有如此，它才配得上‘可信的认知系统’这个定位。”

但真正实现这三点，难度远比接入一个大模型高。企业过去积累的数据可能散落在不同系统，字段口径不一致，客户、商机等业务对象缺少统一的语义定义，权限和业务规则也未必能够直接被AI理解和调用。

在纷享销客内部有个说法叫“驾驭工程”——AI能不能被组织真正用起来，取决于有没有一套可复用的工具、权限、记忆和运行机制托底，而不是简单接一个大模型API。老系统如果底层数据是散的、字段口径不一致、权限边界模糊，接多强的模型都只是局部提效，无法沉淀为组织能力。

所以，罗旭通常会建议企业先问自己一个问题：核心业务对象、状态和规则有没有被结构化、语义化？如果没有，先补这一课，而不是急着去接一个更大的模型。只有跨过这一层，AI才可能从一个外挂的效率工具，进入企业日常经营的业务链条。

从真实场景切入

让AI跑进业务

AI能否真正创造价值，最终还是要回到具体的业务场景。

在罗旭看来，AI落地不宜一开始就追求“大而全”。尤其对于中小企业而言，相比建立一整套复杂的AI原生系统，更现实的方式是先找到一条最痛、最高频，也最容易看到结果的业务链条。

这条路径被他概括为“小切口、真业务、快闭环”。所谓“小切口”，是不用一上来就做全公司的数据治理和系统重构，而是先聚焦一个足够具体的问题；“真业务”，意味着这个问题每天都在发生，直接影响经营结果；“快闭环”，则是让AI真正参与从发现问题、采取行动到结果反馈的全过程，而不是停留在生成一份建议。

比如客户跟进遗漏、报价响应慢，都是典型的切入口。企业可以先把这一条链路上的业务对象和状态理清楚，再让AI参与其中。链路一旦跑通，相关的数据、流程和规则也会在实践中逐渐被梳理出来。相比“先把所有数据治理好，再考虑上AI”，这种方式降低了转型门槛，也更容易用真实结果建立组织对AI的信任。

围绕企业的这些现实需求，身为服务商的纷享销客也在持续探索，如何让AI能够以更低门槛、更自然的方式融入企业日常经营。当下，通过接入WorkBuddy等AI办公平台，纷享销客Agentic CRM已经将800余项工具能力带入了AI工作环境，覆盖销售、服务、营销、数据分析、流程审批与协同等核心业务场景。企业通过自然语言提出需求，即可完成查询、汇总和分析CRM数据，并将业务信息安全写回系统，高效推进客户经营。

对于零售与生活产业而言，这种从真实业务场景出发、逐步推动AI融入经营的方式，尤其具有现实意义。零售企业并不缺数据，难的是如何从大量高噪声数据中找到与经营真正相关的信号。

“AI的价值，首先就在于降噪。”罗旭表示。例如在门店布局和选址中，企业可以综合消费者画像、消费倾向、人流热力和现有门店数据，提高判断效率；在商品经营中，则可以根据不同客群和门店特征，更快判断什么样的SKU适合什么样的门店。过去这些分析并非没人做，但往往周期较长，准确度和相关度有限。AI进入之后，可以更快识别数据之间与经营问题真正相关的关联，再把这些分析转化为选址、铺货和客户经营等具体动作。

对于大量中小商家而言，AI转型由此不再意味着一次昂贵而复杂的系统改造，而可以从一个看得见结果的业务问题开始。更重要的是，当一个个真实业务闭环持续运行，企业积累下来的就不只是一次效率提升。客户关系、交易习惯和行业惯例逐渐成为私有业务数据；每一次任务的执行、失败和修正，又不断沉淀为可以复用的组织记忆。

比个人效率更重要的

是让组织拥有“复利”

企业引入AI，最先感到压力的往往不是技术部门，而是组织本身。当系统开始参与判断、给出建议甚至执行任务，原有的决策流程、岗位分工和管理方式都需要重新适配。很多AI项目从单点试用走向规模化时，真正难跨过去的，也恰恰是这一关。

作为CEO，罗旭自己对AI原生组织的理解，也并不是一开始就成型的。刚开始使用AI时，他和很多管理者一样，更关注它能不能提高个人效率：整理信息、起草方案、准备跨部门沟通材料，这些工作都可以明显变快。但用得越多，他越发现，真正影响AI判断质量的，往往不是模型能力，而是自己有没有把问题的背景、约束条件和真正看重的取舍讲清楚。“这倒逼我自己在很多决策上想得更清楚，而不是模糊地拍个方向。”

这种个人使用体验，很快又让他重新思考组织层面的问题。最初他认为，AI原生组织的重点，是给每个岗位配上一个AI工具。但真正用下来，他发现，如果组织内部的目标、业务对象状态和权限没有被讲清楚，每个人手里的AI越强，反而越容易形成新的信息孤岛。

“每个人都有自己的Context，团队却没有共同状态。”也正是从这个观察开始，纷享销客后来把更多注意力放在“组织共同状态”的建设上。所谓组织共同状态，就是让团队对“我们现在在哪、下一步该做什么、边界在哪里”形成一致理解。AI可以提高个人处理信息和完成任务的速度，但如果这些效率没有进入同一套目标、业务状态和规则体系，就很难真正汇成组织能力。

而要让组织越来越“懂业务”，另一个关键是把优秀人才的经验留下来。企业里最有价值的知识，往往并不写在制度和流程手册中，而是藏在老员工和专家长期形成的判断里。问题是，这些依靠经验和“手感”形成的隐性知识，专家自己也未必能够完整说清楚。

为此，纷享销客采用了一种“反向蒸馏”的方式：不是让专家停下工作去总结，而是让AI观察他在真实任务里怎么操作、遇到例外怎么处理、在哪个节点作出什么判断，再根据这些实际行为反向提炼规则，最后由专家确认、修正和补全。

但知识能够被萃取，并不意味着员工天然愿意把它交出来。罗旭提到一个很现实的顾虑——“教会徒弟饿死师傅”。如果员工发现自己的经验被提取之后变成了企业公共资产，而个人价值反而被削弱，这套机制很难长期运行。

因此，企业还需要同步调整激励方式：知识来自谁、经历过哪些版本，要能够被追溯；知识贡献也应该和晋升、评价、收益挂钩，让经验被复用之后产生的价值，能够部分回到贡献者身上。当这样的机制持续运行，企业才会逐渐积累形成真正的组织记忆。

在罗旭看来，这正是AI时代不容小觑的“复利效应”。当模型能力被逐渐拉平，企业之间的分水岭就在于此。谁能让经验持续沉淀、让组织持续学习，谁就把AI转化为一种不断生长的组织能力，在未来竞争中保持难以复制的优势。

周强 | 文

联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org