百度的产品你可以不用,但李彦宏的战略你一定要听!
百度世界大会上,李彦宏提出人工智能的下一幕是智能组织,并给出打破岗位边界、沉淀隐性知识、设计流程闭环三条原则。作者却从一个销售客服项目看到现实:系统能生成应答话术,直接接受率却不到两成。AI应用如何真正进入业务流程,才是这背后的真问题。

俗话说:百度起了个大早,赶了个晚集,这都不算是笑谈了,他背后的重要含义是:李厂长的战略眼光是极强的,是十分值得我们关注的!
这不,11 月 12 日,在百度世界大会上,李彦宏提出一个判断:人工智能的下一幕是“智能组织”。 他还提出了组织进化的三个原则:打破岗位边界、沉淀隐性知识、设计流程闭环。
这个观点背后,有一个很现实的问题:企业买了 AI 工具,投入了研发资源,也上线了不少应用,为什么大家依然很忙,业务运转还是离不开大量人工?
最近我们碰到的一个销售客服项目,就是这样的情况。系统已经能够生成建议应答话术,但推荐结果的直接接受率还不到 20%,大部分任务仍然需要人工判断和处理。
这也让“智能组织”这个听起来很大的话题,落到了一个具体的问题上:一个已经开发出来的 AI 应用,怎样才能真正进入业务流程,逐步承担原来依赖人工的工作?
这里涉及数据、规则、业务经验,也涉及流程和责任分工。要把这件事讲清楚,我们先回到企业适应 AI 的过程,再结合这个销售客服案例,看看实际落地应该怎么推进。
个人提效 ≠ 组织提效
今年上半年我们分享了很多关于 AI 原生组织的话题,其实想要大家理解的很重要的一个理念是:个人提效不等于组织提效。

当时我们的结论是:我们主要面临AI技术进入工作到AI技术融合工作的转变,简单说就是看企业把AI 真用起来以后,组织会发生什么拆分成了五个阶段。
第一阶段主要是个人适配,企业必然会经历个人学会将 AI 能力引入到个人工作中,解决了会不会用工具的问题,但会暴露上下游如何承接新输出的问题。

第二阶段主要是流程适配,个人借助 AI 完成工作的能力变化以后,单位个体可以承担的工作复杂度是在提升的,甚至在 AI 技术变革的阶段可能是倍增的,但是组织的效率似乎没有太大变化。

此时的需求是优化流程和标准,让流程能串联起提升的个体能力,所以流程适配解决的是上下游怎么协作的最佳实践问题,但组织本身的组织架构是适配旧的生产关系的,每个部门都优化自己的接口,却不一定能优化整体效率,谁也没有权利要求其他部门按照自己的流程协作,此时会暴露跨部门接口和部门墙的问题。

所以第三阶段是组织适配,解决部门墙、责任边界、资源调度、评价体系和跨部门协作的问题。但我们要知道,部门墙实际是组织允许的结果,并非完全的态度问题,大家都基于共用的组织目标,基于“我也是为公司好”的假定,合理化自己的边界,通常我们都是软硬兼施的方式来去推动组织内部交互整体最优。

但是组织变革带来的是效率、能力的提升,实际上市场也随着 AI 在改变,这里大概举几个例子。
第一种是企业经营需求和人才的不匹配。
- 如果企业依然面向传统市场在做经营,而团队已经靠近 AI Native 的模式,团队可能会倾向于寻找机会。
- 如果企业已经转型面向 AI 融合后的市场,但团队依然还是传统的生产方式,团队可能又支撑不了公司业务。
第二种是企业经营需求和市场的不匹配。
- 企业依然面向传统市场在做经营,但是团队相比友商的效率和能力不足,企业竞争力无法支撑继续发展。

这些东西都会影响企业在 AI 技术融合的资源投入和信心,也影响企业当前 AI 落地的最优状态,所以组织适配解决的是谁有权定义协作方式的问题,但会改变原本组织的稳定状态,制造这个组织形态是否匹配商业模式的问题。
所以第四阶段是商业模式适配,每个组织都要判断这场 AI 融合现阶段到底值不值得重投入,以及应该投入到什么深度,

商业模式适配解决的是要不要主动走快的问题,但会制造组织文化和基础设施能不能承接的问题,公司一变就得全变,组织文化、基础设施等都得全部按照新的模式去调整,它决定了新组织如何可以持续运行好,并决定这场技术变革能不能进入稳定平台期。

很多时候我们聊的需求或者观点其实是把这结果阶段混在一起讲了,比如我们说的AI Native 组织的 IT基建如何开展,就是直接预设组织在进入第五阶段以后应该如何做。

当然,这个阶段也不是纯线性的,通常是由不同层级、不同部门分别推进,我们通常会有自上而下和自下而上两种方式推进,顶层设计决定资源、方向、规则和边界,下层是进入上层的基础,没有扎实的执行、流程和组织能力,顶层设计也落不了地。
同时我们会说 AI 落地是一把手工程,3、4、5 层涉及权重边界、商业模式、组织文化等,中层以下再努力也撬不动,必须是有位置、有权利的人来推进。

这个视角没有问题,它描述的是企业 AI 能力逐步扩散、组织逐渐适应 AI 的宏观演进过程。但它更偏向认知升级和成熟度描述,真正推进一个企业 AI 项目时,缺少可以直接执行的参考。比如:
- 一个 AI 应用应该如何从需求走向真实业务?
- 一个已经开发出来的 AI 应用,如何真正进入业务流程?
- 一个业务场景实现自动化以后,如何进一步改变团队和组织的工作方式?
因此,我们从实际落地的工作对象出发,将企业 AI 应用落地拆解为三个层次:项目层、场景层、组织层。

项目层的成果是场景层的基础,一个完整业务场景可能包含多个项目和持续迭代的应用能力。
场景层的成果是组织层的基础,组织层则需要整合多个成熟业务场景,并根据业务自动化带来的变化调整组织机制。
因此:
- 项目层解决的是怎么把一个 AI 应用做出来。
- 场景层解决的是怎么让 AI 应用真正成为业务系统的一部分。
- 组织层解决的是怎么让 AI 应用改变企业的生产方式。
需要注意,这是一种工作范围上的包含和递进关系,实际推进中,三个层次可以并行,但需要明确各自的工作目标和责任边界。
本文重点讨论场景层的落地方法,并进一步讨论场景开展前的条件和场景成功以后组织层如何演进。商业模式重构暂时不单独展开,保持对企业内部人效和组织变革的聚焦。
案例介绍
我们以一个销售客服智能体项目为例,项目的业务目标比较明确:系统根据客户的基本信息、历史沟通记录和当前对话,识别客户所处的销售阶段及当前销售状态,再根据销售状态匹配合适的销售策略,最终生成符合当前业务场景的自动化应答。
目前系统已经具备基本的客户信息读取、对话理解和自动回复能力,但实际运行中,自动化应答率并不高。很多情况下,AI 虽然能够生成回复,却无法准确判断客户当前的真实状态,也不能很好地匹配销售策略,最终仍然需要销售人员介入判断、修改话术,甚至重新组织沟通。
项目希望先让 AI 承担更多标准化的销售沟通工作,长期目标则是让系统能够独立完成大部分常规客户跟进和销售转化任务,人工主要处理复杂客户、特殊情况和关键成交决策。
围绕这个目标,我们可以把销售业务自动化的演进过程分成四个阶段:
- 进入真实业务,跑通完整流程。
- 整理销售规则,扩大自动化覆盖范围。
- 重新进行业务建模,处理复杂客户状态和业务关系。
- 引入 Agent,逐步覆盖动态长尾任务。
这四个阶段对应着销售业务从初步应用到持续自动化的整个过程,下面结合实际场景,看看每个阶段需要做哪些事情。
一、先看当前的问题
先把销售客服的业务流程展开。
客户进入销售流程后,系统首先获取客户基本信息、历史沟通记录和当前对话,判断客户目前处于哪个销售阶段,以及当前的购买意愿、主要顾虑和沟通状态。然后根据客户当前状态匹配销售策略,生成相应的回复,推动客户完成当前销售任务,并逐步进入下一阶段。
项目研发过程中,已经验证了 AI 基本的对话理解和内容生成能力,但自动化应答率偏低,这说明系统虽然具备一定的表达能力,但销售业务中仍然有大量判断和策略选择工作需要人工完成。
我们进一步分析,发现主要存在几类问题。
第一,销售 SOP 和业务规则不够清晰。不同销售阶段有不同的沟通目标,客户在不同阶段也会有不同的购买意愿和沟通任务。相关经验可能存在于销售流程、培训材料和销售人员的日常工作中,缺少统一整理。
第二,客户信息和历史上下文不够完整。客户的基本资料、历史沟通记录、购买意愿和跟进情况可能分散在不同系统中,AI 不一定能够获得完整的客户信息,也就难以准确判断当前状态。
第三,销售策略依赖专业经验。客户表达出来的问题不一定是真正的购买阻力,销售人员需要结合历史沟通、客户情况和产品特点,进一步判断客户为什么没有继续行动,再选择合适的沟通策略。
所以,项目接下来要做的事情就比较清楚了:先让系统进入真实销售流程,观察实际客户沟通中的问题,再逐步把人工处理的工作转移到系统中。
二、第一阶段:进入现场,跑通标杆
第一阶段的任务是让系统真正进入销售业务,完整跑通客户信息获取、状态判断、策略匹配、自动应答和结果记录的流程。。
先把完整的业务流程衔接起来,销售业务规则这个阶段就穷举完不太现实,可以继续保留人工判断节点,重点是让整个流程能够先跑起来,也就是我们常说的先卡住流程。
所以首先要解决理想场景验证通过的应用如何进入真实销售业务的问题,客户从进入销售流程到完成当前沟通任务的主要路径需要能够跑通。
- 如果销售人员接受推荐,就可以直接发送给客户,并保存相关结果。
- 如果销售人员认为判断或回复不合理,就进入人工修改或接管流程,并记录相应操作,这里要把人工补位当成正常流程来执行。
同时系统运行过程中,需要把几个关键环节的数据关联起来:
- 原始沟通及业务数据。
- AI 生成的应答内容。
- 销售人员的接受、修改或拒绝记录。
- 最终发送给客户的内容及后续沟通结果。
尤其是人工修改和拒绝的原因,后面会成为优化系统的重要依据。如果销售人员暂时没有时间填写详细原因,也可以先保留 AI 原始判断、生成内容和人工修改后的结果,后续通过样本分析和业务访谈进行归因。

运行一段时间以后,需要统计一些基础指标,包括客户信息覆盖率、销售阶段识别准确率、状态判断准确率、策略匹配情况、自动化应答率、人工修改率和人工接管率。这些数据能够帮助项目团队了解系统当前的运行情况,也能为后续优化提供依据。
三、第二阶段:整理规则,扩大自动化
此时,系统会积累大量真实业务数据。
哪些客户状态下 AI 的回复经常被销售人员接受?哪些情况下经常需要修改?哪些销售阶段容易出现判断错误?哪些客户顾虑经常被识别错?人工修改背后的原因是什么?
这些问题都可以开始进行分析,所以第二阶段主要围绕一个目标展开:把已经明确的销售经验整理出来,逐步转化为销售规则、策略库、知识库和 Workflow,让系统承担更多标准化的销售工作。
项目团队需要与销售人员一起,找到系统与实际销售业务之间的差距,逐渐形成清晰的销售阶段定义、客户状态分类、销售策略和沟通流程,在这个过程中,销售专家需要参与确认。
很多销售经验无法直接从聊天记录中得到,需要通过典型客户案例分析,与业务专家一起还原客户判断依据、真实购买阻力和策略选择逻辑,再转化成系统能够执行的规则。
这也体现了 FDE 在这个阶段的工作价值。
经过这轮优化,原来需要销售人员反复判断和修改的部分工作,就能够逐步交给系统完成。但随着自动化程度提高,剩下的问题会逐渐呈现出不同的特点。有些只是客户信息不完整,有些是销售状态判断不准确,有些是销售策略尚未整理,还有些已经涉及多个业务对象之间的复杂关系,我们需要把这些问题分类记录下来。
初步可以分成五类:
- 客户数据和上下文问题。
- 销售阶段及状态判断问题。
- 销售规则和策略缺失。
- 复杂业务关系。
- 动态不确定性。
客户数据、状态判断和策略规则问题可以通过数据和规则优化解决,复杂业务关系、动态不确定性就得进一步研究业务结构和动态处理方式。

第二阶段完成以后,主要销售规则应该已经得到整理,常见客户沟通场景能够稳定运行,自动化应答率有明显提升,剩下的问题也应该有比较清楚的分类,方便下一阶段继续研究。
四、第三阶段:重新进行业务建模,处理复杂业务关系
随着第二阶段的推进,可能会出现一种情况:规则越来越多,系统维护也越来越困难。
例如,同一个客户在不同销售阶段可能有不同的购买意愿和沟通任务;客户表面上提出价格异议,背后可能是预算不足、价值感不足或者对产品效果缺乏信心;客户的购买意愿变化,也可能影响销售跟进优先级、沟通策略和下一步任务。
这些问题如果继续通过增加规则解决,规则之间可能产生越来越多的关联,维护成本也会逐渐提高。当原来的规则难以维护时,就需要考虑通过新的业务模型统一组织这些逻辑。
所以第三阶段需要重新梳理销售业务,找到其中的核心业务实体、状态和关系,通过新的业务模型承载这些复杂逻辑。
首先,需要从第二阶段积累的问题中,找出涉及复杂业务关系的部分。
例如:
- 客户购买意愿变化,会影响销售跟进优先级和沟通策略。
- 同一个客户可能同时存在多个购买顾虑,需要结合历史沟通综合判断。
- 客户当前销售阶段、购买意愿和异议处理状态,会共同影响下一步销售任务。
- 某个异议得到解决以后,可能需要重新评估客户状态,再决定是否进入下一阶段。
- 一个客户的产品需求变化,可能影响产品推荐、销售策略和后续跟进计划。
然后识别销售业务中的核心实体,例如客户、销售机会、产品、销售阶段、购买意愿、客户异议、销售任务、销售策略和沟通记录,梳理它们之间的属性、状态和关系。
在此基础上,建立新的业务模型,将原来分散在不同 SOP、参数和算法中的业务逻辑重新组织起来。
技术实现上,可以根据需要引入数据模型、本体、知识图谱等方式。具体选择取决于业务关系的复杂程度。
这里几个概念需要区分:
数据模型主要描述业务数据的结构;核心实体是业务中承载关键信息和逻辑的对象;本体进一步统一业务概念、属性、关系和约束;知识图谱则将实体及其关系组织成可查询、可关联的知识结构。
但是设计本体讲起来有点复杂,就不在这里详细说了。
完成业务建模以后,还需要把原来的业务流程和规则重新组织起来,用新的业务模型为这些流程提供统一的业务对象和关系数据。

第三阶段完成以后,核心业务对象及其关系应该已经明确,复杂业务能够通过统一模型表达,原来难以维护的规则也有了更合理的承载方式。
五、第四阶段:引入 Agent,处理动态长尾任务
经过前三个阶段,大部分常规销售沟通任务已经可以由确定性系统完成。
但实际销售过程中还会出现一些特殊情况,例如客户表达模糊、多个购买顾虑交织、客户购买意愿突然变化、客户提出新的产品需求,或者需要结合多轮历史对话才能判断真实购买阻力。这些任务可能需要销售人员临时查询信息、分析客户情况、判断沟通策略,很难提前把所有处理路径都整理成固定规则。
第四阶段就可以引入 Agent,处理这些动态任务。
首先,需要明确 Agent 的处理范围。
已经明确的销售规则继续由规则和 Workflow 执行,涉及复杂客户状态和业务关系的任务通过前面建立的业务模型处理,真正无法提前穷举的动态沟通任务再交给 Agent。
此时需要构建 Agent + Skill + Tools 的执行能力,让 Agent 能够根据任务需要获取客户上下文、查询历史沟通记录、调用产品知识和销售策略、诊断客户真实顾虑、动态选择沟通方式,并生成相应的应答内容。
对于已经获得授权的任务,还可以让 Agent 执行相应操作,这里需要提前设计好权限、数据校验、参数边界、人工审批和操作审计等控制机制,确保 Agent 的执行范围可控。
同时,还需要建立任务回流机制。例如,某类特殊客户沟通任务最初需要 Agent 动态分析,运行一段时间以后,发现处理逻辑已经比较稳定,就可以把这部分经验整理成销售规则,或者纳入第三阶段的业务模型。

第四阶段完成以后,系统应该具备一定的动态任务处理能力,能够在授权范围内处理长尾问题,并且能够持续积累和回流业务经验。
六、四个阶段如何衔接?
虽然我们人工把它分成了四个阶段,但是实际项目推进时,这四个阶段并不是完全割裂的,这里有两个原则。
第一,前一阶段为后一阶段提供验证依据。
例如,第二阶段在整理规则时,就应该同步观察剩余问题是否涉及复杂业务关系,提前识别第三阶段可能需要的核心业务实体。
第三阶段在完善业务模型时,也应该观察哪些问题仍然无法通过结构化方式解决,为第四阶段的 Agent 动态处理做准备。
第二,后一阶段逐步吸收前一阶段的成果。
当第二阶段的规则已经比较成熟,就可以交给系统持续运行和维护,团队把更多精力放到复杂业务问题上。
当第三阶段的业务模型已经能够稳定承载一部分复杂逻辑,就可以逐步接管原来需要人工处理的相关任务。
当第四阶段的 Agent 在运行中积累了稳定的处理经验,也应该将这些经验重新沉淀到规则和业务模型中。
所以,四个阶段既有逐步演进的关系,也会在实际业务中同时推进。
从任务处理的角度来看,一个业务场景中可能同时存在以下几种情况:

随着业务运行,部分任务的处理方式还会发生变化。
例如,原来需要 Agent 动态判断的任务,经过持续运行和经验积累,逐渐形成稳定规则以后,就可以转交给确定性系统执行。
这就是企业持续演进的过程:通过真实业务不断发现问题,再根据问题的特点选择合适的承载方式,逐步扩大系统能够自动完成的工作范围。
本文由人人都是产品经理作者【叶小钗】,微信公众号:【叶小钗】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。
题图来自Unsplash,基于 CC0 协议。
- 目前还没评论,等你发挥!

起点课堂会员权益



