# agentic-b2b-sales-system ## 核心定义 > Agentic AI 是一种能够感知商业状态、进行判断、执行行动并持续反馈的智能系统，它将数据、算法、Agent 和业务规则整合到完整的商业工作流程中。 ## 核心洞察（TL;DR） - B2B 销售正在从工具升级走向经营系统重构。 - AI 的价值计算单位从单个任务转向完整的商业流程。 - Agentic AI 将推荐推进到执行，改变销售组织和销售人员的角色。 ## 关键事实与数据 - McKinsey 的研究显示，71% 的高增长企业同比双位数增加 AI 投资。 - Agentic AI 可以将收入提升 5% 至 8%，同时降低 20% 至 30% 的成本。 - AI sales adviser 可以将新销售的 onboarding 时间缩短到六周。 ## 正文 # 从“七个 GenAI 用例”到“五条 Agentic AI 影响旅程”：B2B 销售正在从工具升级走向经营系统重构 McKinsey 在 2025 年与 2026 年连续发布的两份 B2B 销售研究，放在一起阅读比单独阅读更有价值。2025 年的《Unlocking profitable B2B growth through gen AI》关注的是“哪些销售任务值得使用生成式 AI”；一年后的《The future of B2B sales》已经将讨论推进到“如何围绕 Agentic AI 重新设计商业组织”。前者仍以七类 use case 为分析单位，后者则将这些能力重新组合为五条端到端 commercial impact journey。这个变化本身，可能比报告中任何单个 AI 用例都更值得企业管理者关注。 ## 真正发生变化的不是销售工具，而是 AI 的价值计算单位 2025 年报告的出发点仍然具有典型的企业软件思维：寻找可以产生 ROI 的任务。其七类应用覆盖 Next-best opportunity、Next-best action、Meeting support、Proposal responder、Smart pricing、Smart research assistant 和 Smart coach，基本对应从获客、推进、成交到销售赋能的完整 deal cycle。报告当时显示，19% 的 B2B 决策者已经实施相关 GenAI 用例，另有 23% 正在实施，核心问题仍然是“从哪里开始”。 2026 年报告却明确指出，企业已经普遍“做了一些 AI”，但真正获得重大商业价值的仍然很少。数据碎片化、洞察不足、人工流程、部门割裂和薄弱的变革管理依旧存在，把 AI 叠加在这些问题之上，往往只是“自动化原有的复杂性”。增长领先企业的区别，在于它们开始重新设计完整工作流，而不是增加更多 AI 工具。高增长企业中，71% 在 2026 年同比双位数增加 AI 投资，而其他企业为 25%。 这意味着企业衡量 AI 的基本单位正在变化。过去的问题是：“这个 Copilot 每位销售一年能够节约多少小时？”现在更应该问：“从市场信号发现到成交的整个流程，转化率、销售周期、毛利率和 cost-to-serve 能否改变？”当评价对象从一个任务、一名员工或者一个软件席位，变成完整的商业流程及其 P&L，AI 才真正进入企业经营系统。 ## 2025 到 2026 的演变，本质上是从“能力点”转向“连续决策链” 两份报告的结构变化非常清晰。2025 年第 2 页的图表将 AI 能力划分为七个独立用例；2026 年第 4 页则把它们重新组织成五条端到端旅程：找到正确机会、使用正确 GTM 模型、提供正确产品和 Pitch、制定正确价格，以及让销售人员每次都能够高质量执行。四类横向基础能力同时被放到底部：业务主导路线图、人才与运营模式、数据与技术、采用与规模化。 | 2025：Use Case | 2026：Impact Journey | 变化的本质 | | ---------------------------------------- | ----------------------------- | ---------------------------- | | Next-best opportunity + Next-best action | Reach the right opportunities | 从发现线索升级为持续市场感知、排序和执行 | | Smart research assistant | 被吸收到多条旅程 | “搜索信息”成为底层通用能力 | | Meeting support | Right offer and pitch | 从准备会议升级为 Account 360→会议→反馈闭环 | | Proposal responder + Smart pricing | At the right price | 从内容生成升级到报价、审批、谈判和价值泄漏治理 | | Smart coach | Every single time | 从培训工具升级为持续绩效管理系统 | | — | Right GTM model | 新增 Agent 驱动的客户覆盖与资源配置体系 | 其中最值得注意的是 **Smart research assistant 的“消失”**。它并没有失去价值，而是因为搜索、读取、综合、解释信息已经成为所有 Agent 工作流的基础能力，不再适合被视为独立应用。与此同时，“Right GTM model”成为新的一级旅程，说明 Agentic AI 已经从辅助销售人员，进一步进入客户覆盖、资源配置和销售组织设计。 ## Agentic AI 真正增加的能力，是把“推荐”推进到“执行” 2025 年报告已经准确预判了这一变化：对于 Next-best-action，传统 AI 可能告诉销售“这个客户需要两次 warm-up 邮件”，Agentic AI 则能够直接完成触达、判断客户兴趣、根据反馈继续沟通，并在适当时机安排人工销售介入。也就是说，系统从 recommendation engine 逐步变成 execution engine。 因此，Agent 与传统销售 Copilot 的本质区别并不只是“更聪明”。Copilot 的基本闭环通常是“信息→建议→人执行”；Agentic workflow 则逐渐形成“信息→判断→行动→观察反馈→重新判断→下一行动”的连续状态循环。只有形成这样的闭环，多个 AI 能力产生的收益才会产生复利，而不是停留在分别节约几分钟的局部效率改善上。2026 年报告也因此特别强调，要把数据、决策逻辑、人类判断和 Agent 连接进同一个 impact journey。 这也是为什么“会议摘要”“邮件生成”“销售话术”虽然最容易部署，却通常无法形成竞争优势。它们优化的是某一个 action，而真正影响收入的是 opportunity selection、resource allocation、pricing decision、customer response 和 follow-up timing 等连续决策。如果 Agent 只生成内容而无法参与这些决策节点，企业得到的是生产率工具，而不是新的商业能力。 ## 销售 Agent 最有价值的地方之一，是重新配置“人”的稀缺性 B2B 销售最根本的约束之一，从来不是所有客户都无人覆盖，而是优秀销售人员的时间极其有限。传统组织往往让高价值客户和低价值客户享受近似的人工覆盖方式，导致大量销售资源被低潜力账户占用。2026 年报告提出的 Agentic GTM 则允许企业按照客户价值、利润空间和服务成本动态配置资源：高价值客户使用“销售人员 + Agent Copilot”，低价值、交易型客户则可以更多由 Virtual Account Rep 自动完成触达、培育和需求识别。 这实际上改变了销售组织过去几十年的基本经济模型。过去扩大市场覆盖，往往意味着增加 SDR、BDR、inside sales 或 account executive；未来增加覆盖能力，可以部分表现为增加 Agent capacity。人员规模与市场覆盖规模之间的线性关系因此可能被打破。McKinsey 引用的实践显示，AI 驱动的 next-best-experience 项目曾实现 5% 至 8% 的收入提升，同时降低 20% 至 30% 的 cost-to-serve；金融服务企业重新设计 prospecting 与 relationship-management workflow 后，每位关系经理收入提高 3% 至 15%，服务成本下降 20% 至 40%。 对企业而言，这意味着 Agentic AI 的商业案例不应只计算“节省了多少销售工时”。更重要的指标是：同一销售组织能够覆盖多少账户、每名销售能够管理多少有效机会、低价值账户的单位服务成本是否下降，以及高价值客户是否因此获得更多人类注意力。 ## AI 最重要的销售能力，可能是把“顶级销售经验”从个人资产变成组织资产 传统 B2B 销售存在一个长期难题：明星销售的能力很难复制。优秀销售往往能够综合客户背景、产品知识、历史关系、市场信号和现场反馈形成判断，但这些能力大量存在于个人经验之中。报告中的一家全球企业技术公司将 AI sales adviser 提供给超过 8,000 名销售人员，新销售的 onboarding 时间由约三个月缩短到六周，同时把过去依赖经理和专家提供的知识、指导和销售方法持续提供给整个销售组织。 这里真正重要的并不是“知识问答”。AI 开始承担一种企业过去很难规模化的能力：把最佳实践变成可计算、可调用、可观察和持续改进的行为系统。客户洞察、成功话术、机会判断、产品组合、谈判策略、异议处理和 follow-up 节奏，都可以逐渐从优秀销售人员的隐性经验中提取出来，形成组织级的数据、规则、模型和 Agent policy。 这使“销售赋能”发生了结构变化。过去 Enablement 主要依赖课程、手册、培训和经理辅导；未来更可能表现为一个 embedded performance system，在真实工作过程中持续提供建议、模拟、反馈和纠偏。销售培训因此从“先学习、再工作”转向“在工作过程中持续学习”。 ## 销售经理的角色也因此发生根本变化 2026 年报告中的一个案例尤其值得重视。一家大型建筑企业发现，优秀销售人员有更稳定的 discovery、follow-up 和 closing 行为，而整体销售团队并不能复制这些习惯。AI coaching 平台分析客户互动后发现，讨论折扣时有 70% 是销售人员而非客户首先提出折扣；如果销售开场先讲品牌，而不是先发现客户需求，转化率低 40%。使用该系统的销售最终实现了 **4.5 个百分点的转化率提升**。 这类系统使销售管理第一次有机会从抽样管理变为近似全量管理。过去经理只能听少量电话、检查 CRM、观察 pipeline，再依靠经验判断问题；Agent 可以分析大量真实互动，识别哪些行为与 conversion、margin 或 customer satisfaction 相关。经理因而逐渐从“performance inspector”转向“performance coach”，把时间用于解释原因、处理复杂情况和推动行为改变。 更深层的变化是，企业过去大量无法观测的“销售过程”开始数据化。CRM 记录的通常只是结果和少量结构化字段，而 AI 可以把会议、邮件、电话、客户异议、竞争对手信息和承诺事项转化为结构化信号。销售管理因此可能从结果管理进一步进入过程管理。 ## 数据基础的重要性被进一步放大，而不是被大模型削弱 Agent 越自主，对数据可信度的要求反而越高。2026 年报告非常明确地指出，对于成熟企业而言，data 往往比模型更加困难；如果客户、产品、价格、交易和互动数据仍然碎片化或者缺乏治理，Agent 就无法产生可信赖的建议。报告提出由业务部门负责关键 data domain，并为客户、产品、价格、interaction 等领域建立明确的 data owner 和 steward，再将这些能力形成可重复使用的数据产品。 这一点意味着，企业建设 Agentic Sales Platform 时不应该围绕某个 LLM 构建架构，而应该围绕 **commercial data products + decision services + agent orchestration + workflow applications** 构建。市场机会地图、Customer 360、动态定价和销售绩效分析看似是不同产品，实际上大量复用同一组客户、产品、交易、互动和外部市场数据。 因此，真正具有复用价值的企业资产不是某个 Prompt，也不是某个 Agent，而是经过治理的数据域、业务语义、行为历史、决策规则、成功案例以及评价体系。模型可以更换，Agent framework 可以升级，但这些企业特有的 context 和 decision assets 才构成持续积累的能力。 ## 从企业软件视角看，“Buy or Build”也需要重新定义 2025 年报告提出一个非常务实的原则：标准化、低复杂度能力应优先购买，例如会议摘要；能够形成竞争优势的高价值应用，则采用“buy plus build”。报告也指出，大多数企业实际上并不会从零训练整个 AI 系统，所谓 build 通常依然会使用现成模型和基础组件，再围绕业务场景做定制。 这个判断到了 Agentic AI 阶段更加重要。真正需要 Build 的部分通常已经不是 Foundation Model，而是组织特有的 workflow、business logic、data contract、tool integration、permission、evaluation、human approval 和 exception handling。企业没有必要自己重新发明大模型，但如果只是购买一个通用 Sales Copilot，也很难复制报告中所描述的端到端经营效果。 因此，“买什么、做什么”的分界线可以进一步概括为：**通用认知能力可以买，企业特有的决策能力必须构建；标准任务可以买，产生竞争差异的工作流需要持续开发。** ## 2026 年报告真正提出的是一种新的 Revenue Operating System 从技术架构上看，2026 年报告实际上已经隐含了一个比较完整的 Revenue AI Stack：底层是 customer、product、pricing、transaction 和 interaction data products；中间是 analytics、automation、LLM 与 agentic layer；上层则连接 CRM、GTM、pricing、customer success 和 seller interaction applications。业务与技术之间共同定义 impact journey，再通过运行数据持续反馈。 这与传统 CRM 的逻辑存在明显差异。CRM 的核心是“记录客户和销售活动”，而 Agentic Revenue System 的核心逐渐变成“感知商业状态并推动下一步行动”。CRM 可能仍然是 system of record，但 Agent 层正在成为 system of intelligence 甚至部分 system of action。 因此，未来 Salesforce、Microsoft Dynamics 或各种 SalesTech 是否拥有 AI 功能并不是最重要的问题。真正决定价值的是企业能否在这些系统之上形成自己的“商业状态—判断—行动—结果—反馈”闭环，并持续优化这个闭环。 ## AI 销售转型的最大风险并不是模型幻觉，而是“局部成功、整体无效” 2025 年报告已经提醒，对于低容错流程，如果基础流程仍然高度人工化，简单 automation 甚至可能比 GenAI 更合适；必要时直接链接到事实来源，比增加生成能力更加可靠。它明确把 hallucination 作为技术选择中的一个风险，而不是默认所有任务都应该使用 GenAI。 但从两份报告结合来看，更大的组织风险可能是“每个工具都有效，整个企业却没有变化”。会议摘要节省 15 分钟，邮件生成节省 10 分钟，知识助手提高搜索效率，这些指标都可能是真的，但如果市场选择、账户优先级、定价策略、销售流程和客户体验没有改变，最终 P&L 可能几乎没有明显变化。 因此，AI 项目的评价体系应当形成三级指标链：首先是 adoption 与 behavior，例如使用频率、AI 建议采纳率；其次是 leading business indicators，例如 pipeline velocity、conversion speed；最终才是 closed-won pipeline、margin growth、revenue growth 和 cost-to-serve。2026 年报告明确提出应建立这种 performance cockpit，把行为指标、领先指标与最终财务结果连接起来。 ## 真正困难的部分最终回到了组织变革 这也是两份报告最一致的结论。2025 年已经强调 seller-centric design、频繁 test-and-learn、seller champion、培训、管理层示范和 AI Center of Excellence；2026 年则进一步把 Adoption and Scaling 提升为四大基础支柱之一。McKinsey 引用其研究认为，每投入 1 美元进行 AI 部署，企业可能需要投入约 3 美元用于 change management，而现实中许多企业恰恰反了过来。 这并不令人意外。Agent 一旦真正进入工作流，就意味着职责重新划分、审批权重新配置、KPI 改变、岗位变化以及部分中间协调工作的消失。2026 年报告甚至预测新的岗位会出现，例如 AI workflow designer 和 agent manager，同时 Account Executive 会逐渐减少行政协调，把更多时间放在战略账户管理、高层沟通、复杂交易塑造和关系建设。 所以，从企业服务实践看，Agentic AI 项目的核心工作量很可能逐渐从“开发一个 AI 功能”转移到“重新设计一个组织如何完成工作”。 ## 对这两份研究应保持的必要审慎 两份报告中的数据很有参考价值，但不宜直接理解为普遍可复制的 AI 投资回报率。案例大量来自特定企业甚至匿名企业，例如 10% earnings uplift、4.5 个百分点 conversion 提升、20% 至 40% cost-to-serve 降低，都受到行业、数据质量、原有数字化水平、客户结构及实施方式影响。报告提供的是经过实践验证的“可能性范围”，并不是通用 benchmark。 其次，“增长领先企业更积极投入 AI”以及“高绩效企业更可能重新设计 workflow”属于非常有价值的相关性证据，但本身不能完全证明 AI 是造成高增长的唯一原因。成熟的管理能力、更好的数据基础和更强的执行文化，本身既可能推动增长，也更容易推动 AI 成功。因此，企业不应复制“投入额度”，而应该复制其背后的组织能力。 还有一点尤其值得强调：2025 年报告明确说明，其所谓 AI 实践往往是 GenAI、传统 analytical AI、机器学习和其他 AI 技术共同工作的结果。因此，很多商业效果不能简单归因于 LLM。 这一点对于企业决策非常重要：销售预测、propensity scoring、dynamic pricing 等环节，传统机器学习可能依然比大模型更加适合；LLM 的优势更多集中于非结构化数据理解、语义推理、交互以及 workflow orchestration。 ## Agentic AI 的竞争最终是“企业工作系统”的竞争 如果只看 2025 年报告，很容易得出结论：B2B 销售拥有七个非常值得实施的 GenAI 用例。如果再看 2026 年报告，更准确的结论则是：**这些用例只是构件，真正的目标是重新设计 Revenue Engine。** McKinsey 最重要的观点因此并不是“销售人员应该使用更多 AI”，而是企业需要把机会识别、客户覆盖、账户管理、报价、谈判、销售赋能和绩效管理重新连接成可观察、可计算、可执行、可反馈的商业工作流。高绩效企业几乎三倍更可能围绕 AI 对 workflow 进行根本性重新设计，这也是两份报告从 Use Case 走向 Impact Journey 最重要的实证背景。 从这个角度看，AI 在 B2B 销售中的终局不会只是一个更聪明的 CRM，也不会只是一个无处不在的 Copilot。更可能出现的是一套新的 **AI-native commercial operating system**：Agent 持续观察市场和客户状态，传统算法完成预测与优化，大模型理解复杂语义和非结构化信息，业务规则约束决策边界，人类负责信任、判断、协商和价值共创，最终由统一的经营指标检验整个系统是否真正创造收入、利润和客户价值。 这也是两份报告最值得企业管理层吸收的一层含义：**AI 转型的成熟度，不应该用“部署了多少 AI”衡量，而应该用“有多少关键经营流程已经能够在人与 Agent 的协作下稳定创造更好的经营结果”衡量。** ## 关注「哈希泰格」服务号，发送“[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)”获取2025、2026[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)在生成式AI企业应用的研究和案例分析报告 ![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg) --- ## 引用与溯源 **来源**：哈希泰格 (HaxiTAG) **原始链接**：[https://haxitag.com/articles/agentic-b2b-sales-system](https://haxitag.com/articles/agentic-b2b-sales-system) **来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester) **版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。