当AI开始对业务结果负责，企业也有了评价它的新标准。
作者｜周悦
编辑｜栗子
经营一家年营业额2亿元、拥有20名销售的稀土企业，想要拓展生意，需要先部署一个大模型吗？
未必。
你可能需要一个AI销售员工，能结合真实业务数据和流程，复制金牌销售的经验，帮助获客和转化。
在刚刚结束的云栖大会上，阿里云智能集团副总裁、瓴羊CEO朋新宇分享了这个案例。这位老板最初想部署大模型，得知需要花费千万后，才意识到自己的需求可能没有那么复杂。
过去两年，企业部署AI最容易算清的一笔账，是效率。
一份报告原来要一天，现在可能只要一个小时；文案、资料整理、会议纪要等工作，也越来越多地交给AI。Agent出现之后，AI还能调用浏览器、代码和各种工具，把一串原本需要人完成的任务自动跑完。
但当AI进入销售、营销、客服等经营环节，评价它就不能只看准确率和效率，还要看转化有没有提高、客户有没有留下、生意有没有增长。
麦肯锡2025年调查显示，88%的受访组织已经在至少一个业务职能中常态化使用AI，但被其定义为“AI高绩效企业”的仅约6%。
AI已经大规模进入企业，但“用了AI”和“AI创造了业务价值”之间，仍然隔着一段距离。
「甲子光年」认为，企业AI正在从“能力证明”走向“结果证明”：模型会什么、Agent能完成多少任务，最终都要接受经营结果的检验。
今年云栖大会上，瓴羊把这种变化概括为“从效率革命到增长革命”。
朋新宇在现场提出了企业AI“三体论”：“Chat解决‘知道’，Work解决‘做完’，Business解决‘增长’。”瓴羊选择站在Business层，让AI进入营销、销售、客服、电商等经营环节，用业务结果验收。
过去行业更常问“AI还能做什么”，现在则要追问“做完以后，结果怎么样”。当AI开始真正“上班”，企业也开始给它考核绩效。
一名AI员工，凭什么背KPI？
1.AI进入企业，要看经营结果
AI进入经营环节，评价标准也随之改变。
写完文案、生成报告，可以算任务完成，但企业还要看后续结果：销售看线索和成交，营销看点击和转化，经营管理看信息能否及时转化为行动。
科技公司习惯讨论参数、Benchmark，以及Agent又能完成多长的任务。但企业真正付钱的时候，问题往往朴素得多：这件事最终有没有给生意带来变化？
效率仍然重要，但只是衡量企业AI价值的一部分。
报告从一天缩短到一小时，省下的工时可以直接计算；营销活动能否带来更多转化，却还受产品、价格、渠道、用户需求和销售动作等多重因素影响。
效率和增长并非二选一：既要算省下多少时间，也要看经营结果如何变化。
在岚图汽车的实践里，这两笔账同时存在。
过去，一条覆盖多个车系的营销策略，从人群圈选、需求分析到内容生成、配置上线，通常需要12到24小时；引入营销Agent协同后，这一过程压缩到3小时以内。
据岚图披露，同一套实践中，营销内容点击率提升超过15%，存量暂败线索激活率提升了20%，最终作用于转化，线索到订单的转化率对比提升了20%。
从12至24小时缩短到3小时以内，是时间账；点击、激活和转化的变化，则是生意账。
朋新宇的判断更直接：“AI对企业侧真正的价值，是增长，而非效率的提升。”
要对结果负责，AI就不能只停留在公共知识层。越接近经营结果，AI越需要进入企业内部的数据和系统。
Chat主要依赖公域知识，Work开始调用浏览器、文件和个人工作数据；到了Business，AI需要进一步接入ERP、CRM以及企业自己的业务系统。
这些系统记录着企业的客户、订单、价格、规则和经营历史。AI参与客户筛选、营销触达和线索跟进，价值更直接，出错的代价也更高。
一个通用Agent或许很聪明，但只靠公共知识，很难知道一家企业的客户该怎么划分、什么价格能成交、什么动作可以自动执行。
想让AI真正干这家公司的活，得先让它弄懂这家公司怎么做生意。
2.先定义岗位，再造AI员工
同样是销售，不同企业的客户怎么分、价格怎么定、CRM怎么用，甚至“什么算一条值得继续跟进的线索”，都可能完全不同。还有更多知识，根本没有被写进系统里。
资深销售凭经验就知道，面对什么客户先聊产品、什么时候谈价格、遇到哪类异议要换种说法。这些影响转化的判断，却很少完整记录在数据库或SOP里。
模型越通用，落地反而越具体。
因此，企业部署Agent，要先定义岗位，再确定所需的能力。
岗位要解决什么问题、对什么结果负责，优秀员工通常怎样完成工作？明确这些，才能确定AI需要调用哪些数据、接入哪些系统。
瓴羊把这套落地过程概括成一个公式：Data＋Agent＋FDE＝AI员工。
FDE，即Forward Deployed Engineer（前沿部署工程师），负责深入客户现场，将模型、数据和系统接入业务流程。
过去一年，这个岗位迅速升温。瓴羊副总裁甄日新在现场援引Indeed与《金融时报》的数据称，2025年1—9月，FDE相关岗位招聘增幅达到800%；Salesforce也曾公开表示计划招聘1000名FDE。
「甲子光年」认为，FDE走热背后，是模型能力日益标准化与企业需求各不相同之间的矛盾。企业的组织、数据、流程和业务规则难以直接复制，工程师需要进入现场，才能让标准化产品适应具体需求。
瓴羊给出的落地方法，是三个步骤：以业务结果为导向、以企业数据为基座、以岗位标杆为预设。结果定义方向，数据提供支撑，优秀员工的做法决定AI最终要达到什么水平。
第一步，确定岗位目标和验收标准。模型准确率、任务完成率仍然重要，但到了Business层，还要看企业的经营数据。这些目标决定AI员工需要什么能力、数据，以及应当参与哪段业务流程。
接下来，让AI理解企业业务。就像销售换了公司，也要重新熟悉产品、客户、价格政策和内部流程。
AI也是一样。企业原来的数据体系主要为人和传统软件服务。表里可以有销售额、会员数和库存，但机器并不知道“活跃会员”究竟指近30天还是90天，也不知道“同店增长”应该按照什么范围计算。
Gartner曾预测，到2026年，缺乏AI-ready数据支持的AI项目中，60%将被组织放弃。
让数据达到AI-ready状态，需要进一步明确数据对象、关系、业务规则和指标口径。
瓴羊将数据向AI Data的转化分为四步：接入与管理、加工与治理、知识化生产、服务化调用。前两步在企业数字化时代已开展；AI时代还要让机器理解业务语义、规则，以及原本只存在于员工经验中的知识。
企业需要交给AI的，不只是一张张数据报表。POS流水、会员CRM、库存数据、巡店照片、客服对话、导购跟进记录同样构成业务上下文；这些数据最终还需要被梳理成AI能够理解的对象、关系和业务规则。
飞鹤的实践展示了这一过程。面对2600余名经销商和约6.7万个零售网点，瓴羊FDE与飞鹤业务团队统一梳理政策、指标口径和经营分析方法，配置区域经营、渠道巡检和费用预警等AI能力。
区域经理可以直接查看当天的经营情况，相关团队也能及时获得异常区域和客户的提示，作出判断和处理。AI由此参与企业发现、判断和处理问题的经营流程。
朋新宇把这层关系概括为：Data for AI，把数据建成知识；AI for Business，让知识创造增长。“AI，最终要为企业生意服务。”
比把数据整理成上下文更难的，是把经验显性化。大模型知道很多关于世界的知识，却无法理解一家公司的金牌销售为什么在这个时候谈价格、面对那类客户为什么换一种说法。
在联合利华的餐饮销售中，面对厨师长、老板和采购，沟通重点各不相同。向谁推荐什么产品、从哪里切入、如何回应竞品异议，过去很大程度上依赖优秀销售的经验。
联合利华与瓴羊合作时，便重新梳理了拜访录音、品类资料、消费者评价、竞品信息和销售人员的判断经验。
AI需要结合客户和情境选择策略，让个人经验逐步沉淀为企业的知识资产。这对应三个步骤中的最后一项：以岗位标杆为预设。
瓴羊把优秀员工的话术、流程和判断标准抽取出来，让AI员工上岗时就有一个可以对齐的参照物；运行之后，再让真实业务结果和失败案例回流，继续调整流程编排、知识库甚至模型。
这也是FDE能不能摆脱传统项目制交付的关键。
如果每个项目都要靠资深工程师长期驻场，重新梳理数据、接系统、改流程，而经验仍留在个人手中，FDE就容易回到“卖人天”的老路。
FDE交付的Agent要能运行，企业的数据、流程和岗位经验也要能在工程师离场后继续使用。
3.AI员工要规模化，先把试错成本降下来
FDE帮助AI深入业务，也增加了交付难度：项目越个性化，往往越需要工程师现场梳理数据、系统和流程。
一套标杆案例可以成立，并不意味着它能低成本复制到下一家企业。
「甲子光年」认为，企业AI要规模化，就要降低试错成本，让企业先判断一个场景是否值得继续投入。
企业可以先从一个具体问题入手：边界明确、数据可用、流程可执行，效果能够用指标衡量。
瓴羊在云栖大会推出的“AI员工7日上场计划”，也是沿着这个思路展开。
企业选定具体业务场景后，由FDE诊断并评估落地可行性，明确岗位目标、实现路径和验收指标，再用真实业务数据搭建、试跑和调优AI员工。
这好比让AI员工先“试用”七天，再根据产出决定是否继续“聘用”。
七天后，企业要验证数据能否接入、AI能否理解业务口径、流程是否跑通，并据此判断是否继续投入。
一家拥有约150家门店的企业已经完成了首轮实践。
据瓴羊提供的数据，项目完成了110余项经营指标的语义化梳理，覆盖5个经营板块；过去依赖人工查表的问题，开始支持自然语言查询，并能够进一步下钻到城市、门店和具体经营环节。
这组结果尚不能证明销售额或转化率的变化，但初步验证了分散的数据、指标和经营口径可以在短时间内转化为AI能够理解和调用的知识。
“7日上场”让企业先在一个具体场景中验证AI，再根据结果决定是否扩大投入。
FDE帮助AI深入业务，“7日上场”则让企业以较低成本判断是否值得继续。
从Chat、Work到Business，AI越来越接近企业核心经营场景，评价标准也从回答质量、任务完成度，延伸到转化、留存和投入产出。
模型能力依然重要，但AI员工能否留在企业，还取决于目标是否清楚、数据是否可用、流程是否接通、结果能否验收。
瓴羊提出的Data＋Agent＋FDE公式与短周期验证计划，正是对这一变化的回应。
企业正在把AI作为一个岗位来定义和管理，并用业务结果考核它。
（封面图及插图来源：瓴羊）
END.
