Momentum揭仅7.6%企业实现AI常态运营 脏数据阻断落地

Invisible Agents, Real Impact: Prompt-Driven AI Workflows That Actually Perform With Momentum — Ai4

Ai4

企业AI项目受阻根源在于大批时间耗于清洗非结构化对话与填补CRM断层,需依托隐形智能体编排层将一手沟通信号直接转化为结构化业务行动。

AI-assisted summary of Invisible Agents, Real Impact: Prompt-Driven AI Workflows That Actually Perform With Momentum — original source. Check the original for full context.

Source published:

Detailed notes

## Background 该视频由 Ai4 于 2025 年 8 月 26 日发布在 YouTube 平台上,内容为 Momentum 的 GTM 增长负责人 Jonathan Kvarfordt 的主题演讲。根据页面简介,演讲深入剖析了绝大多数 AI Agent 因数据缺陷而难以落地的核心痛点,并展示了领先企业如何通过 AI 编排将第一方真实交互转化为结构化数据,从而在无需代码和繁琐界面的前提下,跨销售、客户成功和 RevOps 驱动真正产生业务价值的“隐形智能体”。

## TL;DR Jonathan 通过调研 1000 场企业真实咨询通话的数据揭示,仅有 7.6% 的企业真正实现了 AI 的常态化业务运营,而阻碍落地的最大症结在于人工录入导致的 CRM 脏数据与信息断层。为此,他提出应将客户对话信号作为第一方核心数据源,借助由大语言模型、工具生态和编排层构成的 AI Agent 架构,在流失预警、行动归档、交付赋能和销售辅导等场景中实现自动化闭环。最后,演讲系统拆解了专为智能体流程设计的 GRACE 提示词框架与少样本校准技巧,并发布了 Smart Clips 智能高光剪辑、动态账户简报以及覆盖 200+ 业务场景的开源 GTM 提示词库。

## Atmosphere & style 整场演讲务实生动、节奏明快,Jonathan 展现出极具亲和力的实战教练风格,开场便以直击痛点的行业焦虑调查牢牢抓住全场注意力。随着从刺破市场宣传泡沫的硬核数据,层层递进到 CRM 底层逻辑解构与 GRACE 提示词实操,现场氛围从对行业通病的深刻共鸣转向获得方法论后的豁然开朗。整体观感干货密集且极具实战指导意义,让听众在摆脱“AI 落后焦虑”的同时,清晰掌握了构建隐形智能体工作流的具体路径。

## Key takeaways - [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 行业中普遍弥漫着落后焦虑,但真实数据显示高达 60% 的企业在 AI 落地方面严重滞后,真正实现常态化业务运营落地的仅占 7.6%。 - [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 绝大多数 AI 项目夭折的根源在于数据基础设施崩塌与 CRM 脏数据,70% 至 80% 的项目时间被迫耗费在原始数据清洗与准备上。 - [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 客户真实对话是企业最有价值的黄金数据资产,但传统人工录入导致信息严重断层与流失,令高管决策陷入盲区。 - [06:54](https://www.youtube.com/watch?v=S_89SWcV-a0&t=414s) 高效的 AI Agent 体系依赖三大核心支柱:底层多模型混合底座(LLMs)、跨系统业务工具集(Tools)以及核心编排层(Orchestration Layer)。 - [08:52](https://www.youtube.com/watch?v=S_89SWcV-a0&t=532s) 通过对非结构化对话信号进行多阶段清洗与校验,AI Agent 可实现谨慎买家识别、商机流失预警及低意向线索过滤。 - [08:52](https://www.youtube.com/watch?v=S_89SWcV-a0&t=532s) AI Agent 能自动提取跟进待办并一键同步多平台,同时在长达数月的交付周期中自动聚合生成跨部门的客户赋能包与销售辅导分析。 - [11:40](https://www.youtube.com/watch?v=S_89SWcV-a0&t=700s) 企业应将 CRM 升级为推动业务前进的“行动系统”,并借助专为 Agent 设计的 GRACE 框架(目标、角色、高阶上下文、约束、范例)构建高可靠提示词。 - [14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) 遏制大模型幻觉的关键在于少样本(Few-Shot)正反示例设计,通过向模型明确展示优质与糟糕标准的对比来锚定输出格式。 - [15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) “隐形智能体”(Invisible Agents)理念主张让 AI 在业务流程后台无感自动化运行,无需业务人员步步下达指令或手动干预。 - [15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) Momentum 推出 Smart Clips 智能片段提取与 Account Briefs 账户全周期动态聚合简报,并开源了 200 余个覆盖完整 GTM 场景的提示词库。

## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 破除 AI 焦虑:行业炒作与企业落地的真实差距

演讲开场,Momentum 的 GTM 增长负责人 Jonathan Kvarfordt(因姓氏难念且长期培训销售与客户成功团队而被昵称为“Coach K”)向现场观众抛出一个直击痛点的问题:有多少人在使用 AI 时遭遇过幻觉、翻车或技术故障?台下几乎全员共鸣。作为 GTM AI Academy 的主理人,Jonathan 培训了数以万计的销售与营销人员使用 AI,他指出当前整个行业弥漫着严重的“落后焦虑”——媒体头条不断宣扬重大突破,Salesforce 首席执行官 Marc Benioff 宣称其 30% 到 50% 的工作量已由 AI 代劳,Duolingo 等公司也大谈 AI 优先。企业管理层和普通员工都在焦虑地认为“别人都跑在前面,只有我们落后了”。

为了探寻真相,Momentum 团队对过去六个月中来自跨越 150 多个行业、涵盖从中小企业(SMB)到大型企业的 1000 场关于 AI 自动化与 Agent 咨询的真实通话记录进行了深度挖掘。数据呈现出的真实情况彻底颠覆了外界宣传:

- **落后群体(Lagging)占 60%**:绝大多数企业在 AI 落地方面严重滞后,无论是大公司还是初创团队,均处于起步困难状态。 - **觉醒群体(Emerging)在增长**:部分企业意识到趋势并渴望采取行动,但仍缺乏落地路径。 - **先进群体(Advanced)凤毛麟角**:即使是极少数自认为先进的企业,其实际用例深度也远低于行业设想。 - **运营化落地仅为 7.6%**:尽管咨询机构(如麦肯锡)报告称 78% 的企业已尝试过某种形式的 AI 用例,但真正将其转化为常态化业务运营的仅有 7.6%。 - **半数企业受困于手动流程**:近 50% 的团队仍深陷本可通过 AI Agent 自动化的繁琐手工操作中。

```mermaid flowchart TD accTitle: AI Adoption Reality vs Perceived Gap subgraph MarketPerception["市场认知与宣传"] M1["媒体头条 & 巨头言论<br/>'30%-50% 工作由 AI 完成'"] M2["麦肯锡报告<br/>78% 企业尝试 AI 用例"] end

subgraph ActualData["Momentum 1000场真实通话分析"] A1["60% 企业严重落后 (Lagging)"] A2["30%+ 企业处于探索意识期 (Emerging)"] A3["仅 7.6% 真正实现常态运营化 (Operational)"] end

MarketPerception -.->|"产生认知偏差与焦虑"| ActualData ```

---

[04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 核心症结所在:脏数据与 CRM 的“谎言”

绝大多数 AI 项目夭折的根源并非模型能力不足,而是数据基础设施的崩塌。约 70% 至 80% 的 AI 项目时间被耗费在原始数据清洗与准备上,许多企业根本没有准备好迎接高阶 AI。缺乏坚实的数据底座,AI 只能吐出不准确、价值受限的伪洞察,进而导致销售与客户全生命周期业务流程断裂。最终,企业斥巨资购买的昂贵 AI 工具被弃之不用。

Jonathan 强调,企业最有价值的“黄金资产”是每天与客户进行的真实对话。然而在传统模式下,数据沉淀完全依赖人工录入,从而产生了巨大的信息断层:

- **信息严重流失**:一场包含 8,000 词的客户交流录音,销售代表在通话后可能仅在 Salesforce 中草草填上 25 个词。 - **高管层决策“盲飞”**:C-Suite 完全无法掌握核心交易动态,不得不频繁打电话催问销售代表季度大单的进展。 - **销售主管全凭猜测**:团队管理者在向上汇报时只能靠直觉预估“这个月大概能关单 100 万美元”,真实进度必须等第二天私下沟通。 - **RevOps 与赋能团队无从验证**:运营团队无法评估销售方法论是否被实际执行,亦无法量化培训效果。 - **客户心声与产品反馈湮灭**:最真实、最宝贵的理想客户画像(ICP)洞察与产品改进建议在口头沟通后随风消散。

---

[06:54](https://www.youtube.com/watch?v=S_89SWcV-a0&t=414s) AI Agent 的核心三要素与对话信号挖掘

各个业务职能部门——财务、AE(客户经理)、BDR(业务拓展代表)以及技术高管(CIO/CTO)——都需要跨平台的实时业务数据,但这些系统往往彼此割裂、无法互通。解决该问题的关键,在于将对话信号(Conversational Signals)作为第一方核心数据源,并通过 Agent 引擎完成清洗、校验与自动分发。

根据 Google 发布的 AI Agent 白皮书,构建高效的 Agent 体系必须具备三大支柱: 1. **底层大语言模型(LLM)**:支持多模型混合调用(如 Momentum 同时接入 Cohere、Claude、OpenAI 等 5 至 6 种主流模型)。 2. **工具集成生态(Tools)**:连接 Salesforce、HubSpot、日历、邮箱、Slack、Teams 等日常生产力工具。 3. **编排层(Orchestration Layer)**:负责跨系统连接、数据流转与流程编排的核心中枢。

```mermaid flowchart LR accTitle: AI Agent Three-Pillar Architecture subgraph Engine["Google 白皮书:AI Agent 三要素"] direction TB LLM["多模型底座 (LLMs)<br/>OpenAI / Claude / Cohere"] Tools["业务工具集 (Tools)<br/>Salesforce / Slack / 日历 / 邮箱"] Orch["Momentum 编排层 (Orchestration)<br/>清洗、校验、路由"] LLM --- Orch Tools --- Orch end

Input["客户原始对话<br/>(8,000 词非结构化语料)"] --> Orch Orch --> Out1["CRM 结构化对象<br/>(Account / Opportunity / Lead)"] Orch --> Out2["自动化业务动作<br/>(Slack 预警 / 赋能包 / 会议日程)"] ```

---

[08:52](https://www.youtube.com/watch?v=S_89SWcV-a0&t=532s) 落地实战:Momentum 的四大高价值业务场景

与传统简单调用单一 Prompt 处理文本并直接输出不同,Momentum 采用深度的多阶段校验与清洗机制,确保流向下游系统的数据真实可靠,避免向 CRM 注入垃圾信息。Jonathan 列举了四个已经在企业中产生巨大商业价值的场景:

- **客户流失预警与谨慎买家(Cagey Buyer)识别**:Agent 自动深入分析全量通话记录,捕捉客户参与度下降或模棱两可的潜在风险信号,触发评分模型并实时提醒销售团队,避免在虚假商机上浪费精力。 - **下一步行动(Next Steps)无缝归档**:Agent 从对话中自动提取双方约定的待办事项与后续跟进计划,销售只需一键确认即可同步写入 Salesforce、Slack 和日程表,省去手工整理时间。 - **跨周期交付与客户赋能包(Enablement Packets)**:对于周期长达 3 至 9 个月、历经 5 到 20 次沟通的复杂项目,Agent 自动汇总所有历史会话,按客户成功(CS)团队定制的行业、画像及核心指标模板生成交接知识包,打破部门间的信息孤岛。 - **实时销售辅导与成单表现分析(Coaching & Performance)**:管理者无需耗费数小时逐一听取录音,Agent 会自动对标团队销冠的沟通策略,精准指出当前代表的优劣势并提供针对性建议;同时将对话表现与 Salesforce 的最终营收结果进行归因关联,数据可直接在 Momentum 面板展示或同步至 Snowflake / Salesforce。

---

[11:40](https://www.youtube.com/watch?v=S_89SWcV-a0&t=700s) 从记录系统到行动系统:GRACE Prompt 框架

Jonathan 指出,现代企业应当将 CRM 视为推动业务前进的“行动机制”(Business Action Mechanism),而不是单纯的静态记录库。Momentum 的核心定位即是“行动与数据系统”(System of Action and Data)。构建这类高可靠 Agent 工作流时,提示词工程扮演着关键角色。基于对前沿大模型 Prompt 指南的研究,Jonathan 提出了专为 Agent 流程设计的 **GRACE** 结构化框架:

- **G - Goal(目标)**:明确 AI 需要达成的具体业务产出,上下文信息越详实,效果越精准。 - **R - Role(角色)**:设定 AI 扮演的专家身份(例如复合角色:“你是一位麦肯锡战略咨询专家兼资深财务分析师”)。 - **A - Advanced Context(高阶上下文)**:注入业务全貌、系统状态及背景信息,这是多数失败 Prompt 最常缺失的核心环节。 - **C - Constraints / Instructions(约束与指令)**:定义严格的业务边界、格式规范与执行逻辑。 - **E - Examples / Evaluation(范例与评估标准)**:提供优质少样本范例(Few-shot)和预期评价指标以校准输出。

[14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) 提示词设计关键:用正反示例(Few-Shot)遏制模型幻觉

在构建高质量的 AI 工作流时,Jonathan Kvarfordt 强调大家应该将大量精力投入到“提供示例”上。要让大模型稳定输出预期结果,核心在于明确告诉它“什么是优秀的回答,什么是糟糕的回答”("Does the AI know what good looks like? Does it know what bad looks like?")。如果能直接提供一套标准模板,并明确要求 AI “严格按照这种格式和标准来回复”,模型在执行任务时就会有据可依,从而大幅降低幻觉(Hallucination)的发生概率。

```mermaid flowchart LR accTitle: 提示词工程示例驱动机制 subgraph Input["输入标准与上下文"] Good["优质示例 (Good)"] Bad["反面示例 (Bad)"] Tpl["目标响应模板"] end subgraph Engine["AI 执行与校准"] LLM["大语言模型"] end subgraph Output["业务产出"] Result["无幻觉 / 高结构化输出"] end Good --> LLM Bad --> LLM Tpl --> LLM LLM --> Result ```

---

[15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) “隐形智能体”与新功能发布:Smart Clips、账户摘要与 200+ GTM 提示词库

Jonathan 随后阐述了 Momentum 的核心理念——“隐形智能体”(Invisible Agents)。所谓隐形智能体,就是让 AI 能够在整个业务流转过程中默默自动化处理各项任务,无需业务人员步步下达指令或手动干预。紧接着,他现场公布了 Momentum 的几项最新功能与产品特性:

首先是全新发布的 **Smart Clips** 功能。Jonathan 将其形容为“Opus Clip 与 TikTok 的结合体”,系统会自动分析销售或客户沟通视频,根据用户设定的关键节点,智能提取并自动剪辑出 15 秒左右的高光片段,方便团队随时调取与分发。其次是 **Account Briefs(账户简报)**,它沿用了赢单/输单分析(Closed Won / Closed Lost)的底层逻辑,当交易在销售漏斗各阶段流转推进时,智能体能够自动聚合最新的往来邮件、通话记录及各类沟通信息,为团队实时更新全局交易全貌。此外,系统还提供深入的辅导看板(Coaching Dashboard),帮助管理者洞察团队业绩表现。

演讲尾声,Jonathan 特别提到了其标杆客户 ElevenLabs(并在现场寻找未能到场的嘉宾 Catalina),随后向全场与会者分享了一份由他个人精心编写、包含 200 多个提示词的官方 **Prompt Library**。该库覆盖了销售(Sales)、客户成功(CS)、市场营销(Marketing)等全部 GTM 业务场景,其中他最推荐的是“竞争对手对战卡(Competitive Battle Card)”提示词,尤其建议搭配 Deep Research 功能使用以发挥最强效果。

- **隐形智能体理念**:业务执行全程无需人类反复提示或干预,实现后台无感驱动。 - **Smart Clips**:自动将长视频通话提炼并裁剪为 15 秒左右的重点片段。 - **Account Briefs**:随着商机阶段推进,跨邮件、通话等多渠道自动聚合生成最新的账户进展报告。 - **辅导与绩效看板**:提供团队维度的深度洞察与绩效分析。 - **200+ GTM 提示词库**:全面开源供现场观众使用,重点推荐结合深度研究工具(Deep Research)运行竞品对战卡模板。

## Notable quotes > [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 有多少人在使用 AI 时遭遇过幻觉、翻车或技术故障? — Jonathan Kvarfordt

> [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 别人都跑在前面,只有我们落后了 — Jonathan Kvarfordt

> [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 落后群体(Lagging)占 60%:绝大多数企业在 AI 落地方面严重滞后,无论是大公司还是初创团队,均处于起步困难状态。 — Jonathan Kvarfordt

> [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 运营化落地仅为 7.6%:尽管咨询机构(如麦肯锡)报告称 78% 的企业已尝试过某种形式的 AI 用例,但真正将其转化为常态化业务运营的仅有 7.6%。 — Jonathan Kvarfordt

> [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 绝大多数 AI 项目夭折的根源并非模型能力不足,而是数据基础设施的崩塌。 — Jonathan Kvarfordt

> [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 一场包含 8,000 词的客户交流录音,销售代表在通话后可能仅在 Salesforce 中草草填上 25 个词。 — Jonathan Kvarfordt

> [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 这个月大概能关单 100 万美元 — Jonathan Kvarfordt

> [11:40](https://www.youtube.com/watch?v=S_89SWcV-a0&t=700s) 现代企业应当将 CRM 视为推动业务前进的“行动机制”(Business Action Mechanism),而不是单纯的静态记录库。 — Jonathan Kvarfordt

> [14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) Does the AI know what good looks like? Does it know what bad looks like? — Jonathan Kvarfordt

> [14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) 严格按照这种格式和标准来回复 — Jonathan Kvarfordt

> [15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) Opus Clip 与 TikTok 的结合体 — Jonathan Kvarfordt

## Mentioned Momentum, Jonathan Kvarfordt (Coach K), Ai4, Salesforce, Marc Benioff, Duolingo, McKinsey & Company (麦肯锡), Google, Cohere, Claude, OpenAI, HubSpot, Slack, Microsoft Teams, Snowflake, ElevenLabs, Catalina, Opus Clip, TikTok

## Video description Jonathan Kvarfordt, Head of GTM Growth, Momentum

Abstracts

AI agents promise automation and decision-making superpowers—but most fall short due to one overlooked problem: the data. In this panel, you’ll learn how leading companies use AI Orchestration are turning first-party interactions into structured, prompt-ready fuel for agents that actually do the work. We’ll cover real use cases where agents orchestrate workflows, accelerate revenue, and drive performance across sales, CS, and RevOps—with no code, no dashboards, and no user adoption required. From prompt frameworks to proven playbooks, this session will show you how to move past AI hype and into measurable execution—at scale

[Source](https://www.youtube.com/watch?v=S_89SWcV-a0)

中文简报

Momentum发现仅8%企业真正落地AI,劣质CRM数据阻滞工作流 企业AI项目之所以失败,是因为人工CRM记录捕获的客户对话数据不足1%,导致下游Agent缺乏实现营收运营自动化所需的结构化上下文。 针对AI宣传炒作与企业内部现实之间的差距,Jonathan Kvarfordt透露,主要受制于非结构化且碎片化的数据基础,仅有7.6%的机构真正将AI部署投入了业务化运行。由于人工CRM录入仅能捕捉丰富客户对话的极小一部分,下游的市场拓展(GTM)工作流程频繁受到模型幻觉和预测失准的困扰。对此,Kvarfordt提出了一种编排架构,让多LLM Agent充当“行动系统”(System of Action),实现交易评分、行动项、客户交接及实时辅导的自动化。他还介绍了GRACE提示词框架,强调具体的正反例对于消除幻觉至关重要,并结合了Smart Clips与Account Briefs等后台Agent工具。 尽管行业炒作引发了企业高管的错失焦虑,但 Momentum 的实证分析显示,仅约 7.6% 的企业真正实现了 AI 的业务化落地,而 60% 的企业仍严重滞后。 (1:41) AI 项目落地受阻主因在于数据杂乱与孤岛化,前期数据清洗占用了 70% 到 80% 的时间;销售人员常将 8000 词的通话简化为 20 余词录入 CRM,导致管理层难以获知真实交易动态。 (4:20) 生产级 GTM 智能体依托多模型集成、工具链连接和编排层架构,可落地于流失风险评分、自动化下一步执行以及多月销售周期的客户成功交接档案生成等场景。 (8:18) GRACE 提示词框架(目标、角色、高级上下文、约束、范例与评估)通过明确提供优质与劣质正反范例作为生成锚点,能够有效消除单提示词失效并遏制模型幻觉。 (11:39)

精炼阅读摘要

Momentum 市场拓展(GTM)增长负责人 Jonathan Kvarfordt 指出,尽管企业宣传掀起了人工智能热潮,但多数机构仍受阻于非结构化数据与手工录入瓶颈;唯有通过严谨的提示工程与多模型编排架构构建后台自主运转的“隐形智能体”,企业才能真正将对话信号转化为可靠的业务执行力。 行业炒作与落地现状的巨大落差 (1:41) Kvarfordt 指出,虽然大型科技企业与咨询报告不断宣扬人工智能的高普及率(例如麦肯锡调查显示 78% 的受访企业声称采纳了 AI 用例),但市场实际落地程度存在严重分化。高管层受 Klarna、Salesforce 和 Duolingo 等公司的公开声明影响,产生了普遍的落后焦虑。 然而,Momentum 对过去六个月内跨越 150 个行业的 1000 次客户沟通记录分析显示,仅有约 7.6% 的企业进入了实际投产的成熟阶段;多达 60% 的组织在落地应用上严重滞后,另有 32.4% 处于初步探索阶段。这表明许多所谓的大规模部署仅停留在对外公关层面,内部业务流程并未实质转变。 非结构化数据瓶颈与失真的客户系统 (4:20) AI 项目落地受挫的核心瓶颈通常并非底层模型的智能水平,而是由于数据未经清洗、碎片化且缺乏结构化基础。行业研究表明,AI 部署项目中有 70% 至 80% 的时间被消耗在数据清洗与准备工作上。一旦缺乏稳固的数据输入,下游模型便会产生幻觉与浅薄见解,最终导致高成本采购的技术被团队弃用。 Kvarfordt 强调,企业最核心的一手数据资产是日常客户交互中的对话信号。但在传统流程中,一场产生约 8000 词转录文本的销售会议,一线业务代表录入 CRM(如 Salesforce 或 HubSpot)的内容平均仅有 20 到 25 个词。这种信息断层导致系统记录失真,使管理层在核算交易健康度、预测营收以及产品团队收集客户痛点时均处于失真状态。 多模型编排驱动的业务行动系统 (8:18) 为解决数据断层,Kvarfordt 结合 Google 自主智能体框架,提出将传统静态的“记录系统”改造为动态的“行动系统”。该架构包含三大核心层:混合基础模型集(涵盖 Claude、OpenAI 与 Cohere)、外部工具集成(CRM、日历、Slack、Snowflake 等)以及负责数据流转与状态校验的编排层。 在实际业务场景中,该系统已应用于四个关键流程:一是通过分析会议语言线索评估交易风险并预警客户流失;二是自动提取行动项并生成一键确认机制更新日历与工单;三是将跨越数月的多次对话整合为标准化的客户成功交接档案;四是结合 Snowflake 与 Salesforce 的赢单数据对员工进行自动化实时辅导。 GRACE提示工程与隐形智能体落地 (11:39) 针对模型在生产环境中易发生偏差的问题,Kvarfordt 提出 GRACE 提示工程框架,涵盖明确目标(Goal)、指定复合角色(Role)、注入高级上下文(Advanced Context)、限定操作边界与负面约束(Constraints),以及提供明确示例与评估基准(Examples & Evaluation)。他强调,在提示词中明确给出“优秀”与“劣质”的对比模板,是锚定模型生成格式、规避幻觉的关键手段。 在此架构支撑下,智能体演变为在后台无感运行的“隐形智能体”,无需人类持续下达指令。例如自动从客户通话中剪辑 15 秒关键片段的 Smart Clips、随交易阶段自动汇总邮件与会议记录的账户简报(Account Briefs),以及展示团队执行趋势的辅导看板,从而将业务人员从机械劳动中解脱出来。 Kvarfordt 认为,企业摆脱 AI 挫败感的出路在于停止盲目的宽泛探索,转而解决底层的对话数据提取难题;通过建立具备多步校验机制的提示工作流与后台自动化工具,企业才能在无需增加人工负担的前提下实现稳定的自动化回报。

Detailed notes — zh

## Background 该视频由 Ai4 于 2025 年 8 月 26 日发布在 YouTube 平台上,内容为 Momentum 的 GTM 增长负责人 Jonathan Kvarfordt 的主题演讲。根据页面简介,演讲深入剖析了绝大多数 AI Agent 因数据缺陷而难以落地的核心痛点,并展示了领先企业如何通过 AI 编排将第一方真实交互转化为结构化数据,从而在无需代码和繁琐界面的前提下,跨销售、客户成功和 RevOps 驱动真正产生业务价值的“隐形智能体”。 ## TL;DR Jonathan 通过调研 1000 场企业真实咨询通话的数据揭示,仅有 7.6% 的企业真正实现了 AI 的常态化业务运营,而阻碍落地的最大症结在于人工录入导致的 CRM 脏数据与信息断层。为此,他提出应将客户对话信号作为第一方核心数据源,借助由大语言模型、工具生态和编排层构成的 AI Agent 架构,在流失预警、行动归档、交付赋能和销售辅导等场景中实现自动化闭环。最后,演讲系统拆解了专为智能体流程设计的 GRACE 提示词框架与少样本校准技巧,并发布了 Smart Clips 智能高光剪辑、动态账户简报以及覆盖 200+ 业务场景的开源 GTM 提示词库。 ## Atmosphere & style 整场演讲务实生动、节奏明快,Jonathan 展现出极具亲和力的实战教练风格,开场便以直击痛点的行业焦虑调查牢牢抓住全场注意力。随着从刺破市场宣传泡沫的硬核数据,层层递进到 CRM 底层逻辑解构与 GRACE 提示词实操,现场氛围从对行业通病的深刻共鸣转向获得方法论后的豁然开朗。整体观感干货密集且极具实战指导意义,让听众在摆脱“AI 落后焦虑”的同时,清晰掌握了构建隐形智能体工作流的具体路径。 ## Key takeaways - [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 行业中普遍弥漫着落后焦虑,但真实数据显示高达 60% 的企业在 AI 落地方面严重滞后,真正实现常态化业务运营落地的仅占 7.6%。 - [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 绝大多数 AI 项目夭折的根源在于数据基础设施崩塌与 CRM 脏数据,70% 至 80% 的项目时间被迫耗费在原始数据清洗与准备上。 - [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 客户真实对话是企业最有价值的黄金数据资产,但传统人工录入导致信息严重断层与流失,令高管决策陷入盲区。 - [06:54](https://www.youtube.com/watch?v=S_89SWcV-a0&t=414s) 高效的 AI Agent 体系依赖三大核心支柱:底层多模型混合底座(LLMs)、跨系统业务工具集(Tools)以及核心编排层(Orchestration Layer)。 - [08:52](https://www.youtube.com/watch?v=S_89SWcV-a0&t=532s) 通过对非结构化对话信号进行多阶段清洗与校验,AI Agent 可实现谨慎买家识别、商机流失预警及低意向线索过滤。 - [08:52](https://www.youtube.com/watch?v=S_89SWcV-a0&t=532s) AI Agent 能自动提取跟进待办并一键同步多平台,同时在长达数月的交付周期中自动聚合生成跨部门的客户赋能包与销售辅导分析。 - [11:40](https://www.youtube.com/watch?v=S_89SWcV-a0&t=700s) 企业应将 CRM 升级为推动业务前进的“行动系统”,并借助专为 Agent 设计的 GRACE 框架(目标、角色、高阶上下文、约束、范例)构建高可靠提示词。 - [14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) 遏制大模型幻觉的关键在于少样本(Few-Shot)正反示例设计,通过向模型明确展示优质与糟糕标准的对比来锚定输出格式。 - [15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) “隐形智能体”(Invisible Agents)理念主张让 AI 在业务流程后台无感自动化运行,无需业务人员步步下达指令或手动干预。 - [15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) Momentum 推出 Smart Clips 智能片段提取与 Account Briefs 账户全周期动态聚合简报,并开源了 200 余个覆盖完整 GTM 场景的提示词库。 ## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 破除 AI 焦虑:行业炒作与企业落地的真实差距 演讲开场,Momentum 的 GTM 增长负责人 Jonathan Kvarfordt(因姓氏难念且长期培训销售与客户成功团队而被昵称为“Coach K”)向现场观众抛出一个直击痛点的问题:有多少人在使用 AI 时遭遇过幻觉、翻车或技术故障?台下几乎全员共鸣。作为 GTM AI Academy 的主理人,Jonathan 培训了数以万计的销售与营销人员使用 AI,他指出当前整个行业弥漫着严重的“落后焦虑”——媒体头条不断宣扬重大突破,Salesforce 首席执行官 Marc Benioff 宣称其 30% 到 50% 的工作量已由 AI 代劳,Duolingo 等公司也大谈 AI 优先。企业管理层和普通员工都在焦虑地认为“别人都跑在前面,只有我们落后了”。 为了探寻真相,Momentum 团队对过去六个月中来自跨越 150 多个行业、涵盖从中小企业(SMB)到大型企业的 1000 场关于 AI 自动化与 Agent 咨询的真实通话记录进行了深度挖掘。数据呈现出的真实情况彻底颠覆了外界宣传: - **落后群体(Lagging)占 60%**:绝大多数企业在 AI 落地方面严重滞后,无论是大公司还是初创团队,均处于起步困难状态。 - **觉醒群体(Emerging)在增长**:部分企业意识到趋势并渴望采取行动,但仍缺乏落地路径。 - **先进群体(Advanced)凤毛麟角**:即使是极少数自认为先进的企业,其实际用例深度也远低于行业设想。 - **运营化落地仅为 7.6%**:尽管咨询机构(如麦肯锡)报告称 78% 的企业已尝试过某种形式的 AI 用例,但真正将其转化为常态化业务运营的仅有 7.6%。 - **半数企业受困于手动流程**:近 50% 的团队仍深陷本可通过 AI Agent 自动化的繁琐手工操作中。 ```mermaid flowchart TD accTitle: AI Adoption Reality vs Perceived Gap subgraph MarketPerception["市场认知与宣传"] M1["媒体头条 & 巨头言论<br/>'30%-50% 工作由 AI 完成'"] M2["麦肯锡报告<br/>78% 企业尝试 AI 用例"] end subgraph ActualData["Momentum 1000场真实通话分析"] A1["60% 企业严重落后 (Lagging)"] A2["30%+ 企业处于探索意识期 (Emerging)"] A3["仅 7.6% 真正实现常态运营化 (Operational)"] end MarketPerception -.->|"产生认知偏差与焦虑"| ActualData ``` --- ### [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 核心症结所在:脏数据与 CRM 的“谎言” 绝大多数 AI 项目夭折的根源并非模型能力不足,而是数据基础设施的崩塌。约 70% 至 80% 的 AI 项目时间被耗费在原始数据清洗与准备上,许多企业根本没有准备好迎接高阶 AI。缺乏坚实的数据底座,AI 只能吐出不准确、价值受限的伪洞察,进而导致销售与客户全生命周期业务流程断裂。最终,企业斥巨资购买的昂贵 AI 工具被弃之不用。 Jonathan 强调,企业最有价值的“黄金资产”是每天与客户进行的真实对话。然而在传统模式下,数据沉淀完全依赖人工录入,从而产生了巨大的信息断层: - **信息严重流失**:一场包含 8,000 词的客户交流录音,销售代表在通话后可能仅在 Salesforce 中草草填上 25 个词。 - **高管层决策“盲飞”**:C-Suite 完全无法掌握核心交易动态,不得不频繁打电话催问销售代表季度大单的进展。 - **销售主管全凭猜测**:团队管理者在向上汇报时只能靠直觉预估“这个月大概能关单 100 万美元”,真实进度必须等第二天私下沟通。 - **RevOps 与赋能团队无从验证**:运营团队无法评估销售方法论是否被实际执行,亦无法量化培训效果。 - **客户心声与产品反馈湮灭**:最真实、最宝贵的理想客户画像(ICP)洞察与产品改进建议在口头沟通后随风消散。 --- ### [06:54](https://www.youtube.com/watch?v=S_89SWcV-a0&t=414s) AI Agent 的核心三要素与对话信号挖掘 各个业务职能部门——财务、AE(客户经理)、BDR(业务拓展代表)以及技术高管(CIO/CTO)——都需要跨平台的实时业务数据,但这些系统往往彼此割裂、无法互通。解决该问题的关键,在于将对话信号(Conversational Signals)作为第一方核心数据源,并通过 Agent 引擎完成清洗、校验与自动分发。 根据 Google 发布的 AI Agent 白皮书,构建高效的 Agent 体系必须具备三大支柱: 1. **底层大语言模型(LLM)**:支持多模型混合调用(如 Momentum 同时接入 Cohere、Claude、OpenAI 等 5 至 6 种主流模型)。 2. **工具集成生态(Tools)**:连接 Salesforce、HubSpot、日历、邮箱、Slack、Teams 等日常生产力工具。 3. **编排层(Orchestration Layer)**:负责跨系统连接、数据流转与流程编排的核心中枢。 ```mermaid flowchart LR accTitle: AI Agent Three-Pillar Architecture subgraph Engine["Google 白皮书:AI Agent 三要素"] direction TB LLM["多模型底座 (LLMs)<br/>OpenAI / Claude / Cohere"] Tools["业务工具集 (Tools)<br/>Salesforce / Slack / 日历 / 邮箱"] Orch["Momentum 编排层 (Orchestration)<br/>清洗、校验、路由"] LLM --- Orch Tools --- Orch end Input["客户原始对话<br/>(8,000 词非结构化语料)"] --> Orch Orch --> Out1["CRM 结构化对象<br/>(Account / Opportunity / Lead)"] Orch --> Out2["自动化业务动作<br/>(Slack 预警 / 赋能包 / 会议日程)"] ``` --- ### [08:52](https://www.youtube.com/watch?v=S_89SWcV-a0&t=532s) 落地实战:Momentum 的四大高价值业务场景 与传统简单调用单一 Prompt 处理文本并直接输出不同,Momentum 采用深度的多阶段校验与清洗机制,确保流向下游系统的数据真实可靠,避免向 CRM 注入垃圾信息。Jonathan 列举了四个已经在企业中产生巨大商业价值的场景: - **客户流失预警与谨慎买家(Cagey Buyer)识别**:Agent 自动深入分析全量通话记录,捕捉客户参与度下降或模棱两可的潜在风险信号,触发评分模型并实时提醒销售团队,避免在虚假商机上浪费精力。 - **下一步行动(Next Steps)无缝归档**:Agent 从对话中自动提取双方约定的待办事项与后续跟进计划,销售只需一键确认即可同步写入 Salesforce、Slack 和日程表,省去手工整理时间。 - **跨周期交付与客户赋能包(Enablement Packets)**:对于周期长达 3 至 9 个月、历经 5 到 20 次沟通的复杂项目,Agent 自动汇总所有历史会话,按客户成功(CS)团队定制的行业、画像及核心指标模板生成交接知识包,打破部门间的信息孤岛。 - **实时销售辅导与成单表现分析(Coaching & Performance)**:管理者无需耗费数小时逐一听取录音,Agent 会自动对标团队销冠的沟通策略,精准指出当前代表的优劣势并提供针对性建议;同时将对话表现与 Salesforce 的最终营收结果进行归因关联,数据可直接在 Momentum 面板展示或同步至 Snowflake / Salesforce。 --- ### [11:40](https://www.youtube.com/watch?v=S_89SWcV-a0&t=700s) 从记录系统到行动系统:GRACE Prompt 框架 Jonathan 指出,现代企业应当将 CRM 视为推动业务前进的“行动机制”(Business Action Mechanism),而不是单纯的静态记录库。Momentum 的核心定位即是“行动与数据系统”(System of Action and Data)。构建这类高可靠 Agent 工作流时,提示词工程扮演着关键角色。基于对前沿大模型 Prompt 指南的研究,Jonathan 提出了专为 Agent 流程设计的 **GRACE** 结构化框架: - **G - Goal(目标)**:明确 AI 需要达成的具体业务产出,上下文信息越详实,效果越精准。 - **R - Role(角色)**:设定 AI 扮演的专家身份(例如复合角色:“你是一位麦肯锡战略咨询专家兼资深财务分析师”)。 - **A - Advanced Context(高阶上下文)**:注入业务全貌、系统状态及背景信息,这是多数失败 Prompt 最常缺失的核心环节。 - **C - Constraints / Instructions(约束与指令)**:定义严格的业务边界、格式规范与执行逻辑。 - **E - Examples / Evaluation(范例与评估标准)**:提供优质少样本范例(Few-shot)和预期评价指标以校准输出。 ### [14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) 提示词设计关键:用正反示例(Few-Shot)遏制模型幻觉 在构建高质量的 AI 工作流时,Jonathan Kvarfordt 强调大家应该将大量精力投入到“提供示例”上。要让大模型稳定输出预期结果,核心在于明确告诉它“什么是优秀的回答,什么是糟糕的回答”("Does the AI know what good looks like? Does it know what bad looks like?")。如果能直接提供一套标准模板,并明确要求 AI “严格按照这种格式和标准来回复”,模型在执行任务时就会有据可依,从而大幅降低幻觉(Hallucination)的发生概率。 ```mermaid flowchart LR accTitle: 提示词工程示例驱动机制 subgraph Input["输入标准与上下文"] Good["优质示例 (Good)"] Bad["反面示例 (Bad)"] Tpl["目标响应模板"] end subgraph Engine["AI 执行与校准"] LLM["大语言模型"] end subgraph Output["业务产出"] Result["无幻觉 / 高结构化输出"] end Good --> LLM Bad --> LLM Tpl --> LLM LLM --> Result ``` --- ### [15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) “隐形智能体”与新功能发布:Smart Clips、账户摘要与 200+ GTM 提示词库 Jonathan 随后阐述了 Momentum 的核心理念——“隐形智能体”(Invisible Agents)。所谓隐形智能体,就是让 AI 能够在整个业务流转过程中默默自动化处理各项任务,无需业务人员步步下达指令或手动干预。紧接着,他现场公布了 Momentum 的几项最新功能与产品特性: 首先是全新发布的 **Smart Clips** 功能。Jonathan 将其形容为“Opus Clip 与 TikTok 的结合体”,系统会自动分析销售或客户沟通视频,根据用户设定的关键节点,智能提取并自动剪辑出 15 秒左右的高光片段,方便团队随时调取与分发。其次是 **Account Briefs(账户简报)**,它沿用了赢单/输单分析(Closed Won / Closed Lost)的底层逻辑,当交易在销售漏斗各阶段流转推进时,智能体能够自动聚合最新的往来邮件、通话记录及各类沟通信息,为团队实时更新全局交易全貌。此外,系统还提供深入的辅导看板(Coaching Dashboard),帮助管理者洞察团队业绩表现。 演讲尾声,Jonathan 特别提到了其标杆客户 ElevenLabs(并在现场寻找未能到场的嘉宾 Catalina),随后向全场与会者分享了一份由他个人精心编写、包含 200 多个提示词的官方 **Prompt Library**。该库覆盖了销售(Sales)、客户成功(CS)、市场营销(Marketing)等全部 GTM 业务场景,其中他最推荐的是“竞争对手对战卡(Competitive Battle Card)”提示词,尤其建议搭配 Deep Research 功能使用以发挥最强效果。 - **隐形智能体理念**:业务执行全程无需人类反复提示或干预,实现后台无感驱动。 - **Smart Clips**:自动将长视频通话提炼并裁剪为 15 秒左右的重点片段。 - **Account Briefs**:随着商机阶段推进,跨邮件、通话等多渠道自动聚合生成最新的账户进展报告。 - **辅导与绩效看板**:提供团队维度的深度洞察与绩效分析。 - **200+ GTM 提示词库**:全面开源供现场观众使用,重点推荐结合深度研究工具(Deep Research)运行竞品对战卡模板。 ## Notable quotes > [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 有多少人在使用 AI 时遭遇过幻觉、翻车或技术故障? — Jonathan Kvarfordt > [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 别人都跑在前面,只有我们落后了 — Jonathan Kvarfordt > [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 落后群体(Lagging)占 60%:绝大多数企业在 AI 落地方面严重滞后,无论是大公司还是初创团队,均处于起步困难状态。 — Jonathan Kvarfordt > [00:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=4s) 运营化落地仅为 7.6%:尽管咨询机构(如麦肯锡)报告称 78% 的企业已尝试过某种形式的 AI 用例,但真正将其转化为常态化业务运营的仅有 7.6%。 — Jonathan Kvarfordt > [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 绝大多数 AI 项目夭折的根源并非模型能力不足,而是数据基础设施的崩塌。 — Jonathan Kvarfordt > [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 一场包含 8,000 词的客户交流录音,销售代表在通话后可能仅在 Salesforce 中草草填上 25 个词。 — Jonathan Kvarfordt > [04:20](https://www.youtube.com/watch?v=S_89SWcV-a0&t=260s) 这个月大概能关单 100 万美元 — Jonathan Kvarfordt > [11:40](https://www.youtube.com/watch?v=S_89SWcV-a0&t=700s) 现代企业应当将 CRM 视为推动业务前进的“行动机制”(Business Action Mechanism),而不是单纯的静态记录库。 — Jonathan Kvarfordt > [14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) Does the AI know what good looks like? Does it know what bad looks like? — Jonathan Kvarfordt > [14:36](https://www.youtube.com/watch?v=S_89SWcV-a0&t=876s) 严格按照这种格式和标准来回复 — Jonathan Kvarfordt > [15:04](https://www.youtube.com/watch?v=S_89SWcV-a0&t=904s) Opus Clip 与 TikTok 的结合体 — Jonathan Kvarfordt ## Mentioned Momentum, Jonathan Kvarfordt (Coach K), Ai4, Salesforce, Marc Benioff, Duolingo, McKinsey & Company (麦肯锡), Google, Cohere, Claude, OpenAI, HubSpot, Slack, Microsoft Teams, Snowflake, ElevenLabs, Catalina, Opus Clip, TikTok ## Video description Jonathan Kvarfordt, Head of GTM Growth, Momentum Abstracts AI agents promise automation and decision-making superpowers—but most fall short due to one overlooked problem: the data. In this panel, you’ll learn how leading companies use AI Orchestration are turning first-party interactions into structured, prompt-ready fuel for agents that actually do the work. We’ll cover real use cases where agents orchestrate workflows, accelerate revenue, and drive performance across sales, CS, and RevOps—with no code, no dashboards, and no user adoption required. From prompt frameworks to proven playbooks, this session will show you how to move past AI hype and into measurable execution—at scale [Source](https://www.youtube.com/watch?v=S_89SWcV-a0)

Source quotes

[0:04] Jonathan Kvarfordt: 有多少人在使用 AI 时遭遇过幻觉、翻车或技术故障? [0:04] Jonathan Kvarfordt: 别人都跑在前面,只有我们落后了 [0:04] Jonathan Kvarfordt: 落后群体(Lagging)占 60%:绝大多数企业在 AI 落地方面严重滞后,无论是大公司还是初创团队,均处于起步困难状态。 [0:04] Jonathan Kvarfordt: 运营化落地仅为 7.6%:尽管咨询机构(如麦肯锡)报告称 78% 的企业已尝试过某种形式的 AI 用例,但真正将其转化为常态化业务运营的仅有 7.6%。 [4:20] Jonathan Kvarfordt: 绝大多数 AI 项目夭折的根源并非模型能力不足,而是数据基础设施的崩塌。 [4:20] Jonathan Kvarfordt: 一场包含 8,000 词的客户交流录音,销售代表在通话后可能仅在 Salesforce 中草草填上 25 个词。 [4:20] Jonathan Kvarfordt: 这个月大概能关单 100 万美元 [11:40] Jonathan Kvarfordt: 现代企业应当将 CRM 视为推动业务前进的“行动机制”(Business Action Mechanism),而不是单纯的静态记录库。 [14:36] Jonathan Kvarfordt: Does the AI know what good looks like? Does it know what bad looks like? [14:36] Jonathan Kvarfordt: 严格按照这种格式和标准来回复 [15:04] Jonathan Kvarfordt: Opus Clip 与 TikTok 的结合体