Pinegrove领投高管展示AI智能体替代传统SaaS流程

The AI Powered Future of Sales and Marketing With Pinegrove Venture Partners And InterSystems — Ai4

Ai4

企业通过将分化的数据集中并部署自主AI智能体,在替代传统SaaS工作流后可实现20%至30%的效率提升。

AI-assisted summary of The AI Powered Future of Sales and Marketing With Pinegrove Venture Partners And InterSystems — original source. Check the original for full context.

Source published:

Detailed notes

## Background 本视频由 Ai4 于 2025 年 8 月 29 日发布在 YouTube 平台上。视频简介指出,本次演讲由 Pinegrove Venture Partners 的合伙人兼首席数据与 AI 官 Adam Nahari 以及 InterSystems 的首席技术专家 Kanishk Mittal 共同带来,旨在探讨人工智能如何将传统销售与营销 SaaS 平台重塑为动态且目标导向的工作系统。

## TL;DR 演讲深入探讨了 AI 智能体如何正在全面替代传统割裂的 SaaS 技术栈,将静态的销售漏斗转变为实时学习与自动优化的“AI 飞轮”。通过 Klarna、西门子和日立等知名企业的落地实例,展示了 AI 工作流在提升效率、精准跟进及自动化沟通方面的显著成效。演讲者提出了“叠加-自动化-重构”的渐进式实施三步法,并在问答环节针对数据湖建设、组织变革阻力及轻量化落地路径进行了深度剖析。

## Atmosphere & style 整场演讲语气专业、务实且充满洞察力,既有对前沿 AI 技术的远大构想,又紧扣企业实操中的痛点与挑战。演讲者的表达条理清晰、比喻生动(如将传统流程比作流水线,将 AI 比作 F1 进站),现场问答环节更展开了关于“重型数据湖建设”与“轻量低代码落地”的精彩观点碰撞。观看过程令人深切感受到企业级 GTM 架构正在发生的深刻范式转移以及从业者对技术变革的务实思考。

## Key takeaways - [00:04](https://www.youtube.com/watch?v=8gYch7PEHww&t=4s) 市场进入(GTM)技术栈正在经历范式转移,AI 不再是辅助工具,而是逐步替代传统 SaaS 架构成为工作流操作系统。 - [00:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=18s) 实验表明,基于 AI 的智能体在说服与改变观点方面的效果是普通人类用户的 3 到 6 倍,且具备全天候在线和极高的逻辑稳定性。 - [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 传统 GTM 堆栈因数据孤岛和手工流程存在“人类瓶颈”,而 AI 原生系统通过多源实时数据拉取和动态优先级重排实现了实时策略调整。 - [04:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=258s) Klarna 部署 AI 智能体承接了 2/3 的客户咨询,整体效率提升了 20% 至 30%。 - [04:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=258s) 西门子与日立通过预测性 AI 和行为触发机制,分别实现了销售管道预测精准度的提升与线索流失率的降低。 - [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 销售与营销模式正从单向、延迟高昂的“传统漏斗”演变为基于实时行为信号与自适应学习的“AI 飞轮”。 - [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 团队角色从“执行者”提升为“编排者(Orchestrator)”,员工从狂打电话等重复性劳动中解放,专注于战略决策与智能体调优。 - [07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) AI 落地建议采用“叠加层 -> 自动化 -> 重构”的渐进式三步法框架,切忌一上来就做过于宏大的全面改造。 - [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 构建企业级数据湖并打通各系统 API 是实现全自主多智能体编排与自我学习的前置条件。 - [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 推进 AI 变革最大的阻力常来自依赖传统习惯的顶尖销售人员,必须建立企业级数据规范以保障系统效能。 - [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 采购任何营销与销售软件时,必须确保其具备开放 API、Webhooks 和数据导出所有权,以避免被单一平台锁定。 - [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 在实践中,企业应平衡“远大愿景”与“当下切入点”,短期内可优先从会前客户调查、历史交易分析等微观场景入手验证 AI 价值。

## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=8gYch7PEHww&t=4s) 销售与营销技术栈的范式转移:AI 正在全面替代传统 SaaS

演讲者首先指出了当前企业销售与营销技术栈面临的痛点:大多数企业的技术架构在过去 15 年间未发生根本改变,只是不断叠加更多独立工具来填补缝隙和消除数据孤岛。如今技术正在迎来关键转折点,人工智能不再只是堆栈中的又一个辅助工具,而是逐步演变为整个市场进入(Go-To-Market, GTM)架构与工作流的操作系统。

演讲对比了传统工具堆栈与新型自主智能体(Autonomous Agents)架构的差异:旧堆栈依赖孤立工具与人工记录,而智能体不仅能实时分析数据,还能直接做出决策并自动执行任务。更令人吃惊的是,智能体在处理许多传统上被认为极具“人类独特性”的非结构化工作时,展现出了超越人类的效率与表现。

- 传统 SaaS 堆栈多为数据孤岛,依赖大量手工录入与工具桥接。 - AI 智能体兼具决策与执行能力,能够无缝进行自主操作。

---

[00:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=18s) 说服力转移:AI 在说服与沟通中的惊人表现

为了展示 AI 的强大效能,演讲者分享了今年早些时候研究人员在 Reddit 上进行的一项心理说服实验。在该实验中,AI 智能体被赋予特定虚拟角色,试图改变在线用户的观点。实验结果出乎所有人意料:AI 智能体改变他人观点的有效性是普通 Reddit 用户的 3 到 6 倍(即 300% 至 600% 的提升,而非区区 3% 至 6%)。

AI 的核心优势在于其极高的稳定性和持续性。人类销售或客服人员容易受到情绪影响或状态起伏,而 AI 能够 7x24 小时保持在线,始终输出基于客观数据的严密逻辑。演讲者强调:“如果 AI 能够在互联网上那些情绪激烈的争论中改变别人的想法,想象一下它在销售邮件或续约谈判中能发挥多大的作用。”

- Reddit 实验显示,AI 在改变人类观点上的效果比普通人类用户高出 3 到 6 倍。 - 相比于状态波动的传统人工,AI 具备全天候在线、基于数据输出说服逻辑的稳定性。

---

[02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 传统 GTM 堆栈的局限性与 GenAI 的破局

目前的 GTM 堆栈存在严重的割裂问题:CRM 无法与营销平台无缝对话,BI 报表往往滞后数天,整体运作高度依赖离散的 SaaS 工具和人工数据录入。这种架构导致了严重的“人类瓶颈”,需要专人抽取报告、分析数据并手动启动营销活动。演讲者将这种状态形象地比喻为“踩着手刹驾驶跑车”,底层系统架构严重拖累了整体业务的运行速度。

而生成式 AI(GenAI)正是解开这一手刹的关键。传统的 SaaS 建立在固定、可预测的线性工作流之上(数据录入 -> 预定义规则营销 -> 固定的报表运行 -> 周期性分析调整)。AI 原生系统则颠覆了这一流程,通过持续抓取多源实时数据、自动清洗、动态重排线索优先级并实施个性化触达,实现了无间断的自我学习与实时策略调整。演讲者将其比作“工厂流水线”与“一级方程式赛车进站维修团队”的区别:前者只能死板执行既定步骤,而后者能够根据实时变化的环境条件做出秒级反应。

- 传统流程(流水线模式):手工数据录入 -> 静态线索打分 -> 固定周期报表 -> 事后人工评估。 - AI 原生流程(F1 进站模式):多源实时数据拉取 -> 自动清洗与动态优先级重排 -> 实时个性化触达 -> 持续自主学习优化。

---

[04:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=258s) 企业落地实例:Klarna、西门子与日立的成功实践

AI 原生工作流已经在知名企业中产生了巨大商业价值,演讲者举出了三个典型的真实案例:

1. **Klarna**:此前依赖庞大的客服团队,响应速度与服务质量参差不齐,扩展业务只能依靠增加人力。引入 AI 智能体后,系统成功承接了三分之二(2/3)的客户咨询,实现了 20% 至 30% 的整体效率提升。这不仅大幅降低了客服成本,更提供了更快、更一致的客户体验。 2. **Siemens(西门子)**:传统的销售跟进依赖销售代表的个人直觉及静态 CRM 规则。西门子部署预测性 AI 后,能够在销售人员接听电话时,根据实时数据动态调整商机优先级,提供数据驱动的跟进建议,显著提升了销售管道(Pipeline)预测的准确性与人员分配效率。 3. **Hitachi(日立)**:日立彻底废除了传统固定起止时间的“营销活动(Campaign)”概念,改由 AI 实时监控用户行为数据,并自动触发相应的沟通流。这种敏捷适应机制减少了线索流失,大幅加快了业务推进速度。

- Klarna:智能体承接了 2/3 的客户对话,效率提升 20–30%,实现了成本控制与体验升级的双赢。 - 西门子:实时数据驱动的预测性 AI 取代直觉判断,大大提高了销售管道的精准度。 - 日立:打破固定营销活动周期,采用 AI 行为触发机制,有效降低了线索流失率。

---

[06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 从传统漏斗到 AI 飞轮:岗位角色的重塑与演变

传统的销售营销模式是单向的“GTM 漏斗”:线索通过聊天机器人或冷外呼进入,经人工筛选后转交给销售团队,最终走向成交。这一过程环节冗长且充满延迟。AI 正在将其替换为高效循环的“飞轮(Flywheel)”架构:基于实时行为信号快速迭代定位、跨渠道自动进行 AI 推荐触达,并保持无间断的自适应学习。

随着底层技术的革新,团队内部的角色定位也迎来了根本性改变。以业务开发代表(BDR)为例,过去他们的工作是每天打几百上千个电话;而在未来,他们的核心职责将转变为“设计与调优 AI 智能体”。员工的角色正在从“执行者”提升为“编排者(Orchestrator)”,负责制定策略、监控质量并做最终裁决。例如,以往需要在 CRM 中繁琐筛选数据的操作,现在只需向智能体下达指令:“根据意图自动重排线索优先级。”这并未消灭人类的岗位,而是将人类从重复性劳动中解放出来,专注于高价值决策。

- 模式变革:从单向、延迟高昂的“传统漏斗”转向实时反馈、自适应学习的“AI 飞轮”。 - 角色转型:BDR 等岗位从重复劳动(如狂打电话)转向编排与管理 AI 智能体。 - 核心逻辑:AI 负责执行与优化,人类负责战略决策与质量监控。

---

[07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) AI 渐进式实施三步法框架与关键要点

为了避免在销售组织内部造成混乱,演讲者提出了一个循序渐进的“三阶段实施框架”:

1. **叠加层(Layer)**:在现有工具栈上叠加简单的 AI 智能体,尝试低风险、高回报的轻量应用(如 CRM 文本自动摘要、简单的线索优先级排序)。 2. **自动化(Automate)**:在团队建立信任后,构建端到端的 AI 工作流(如基于 AI 的潜在客户自动路由),实现高频重复工作的自动化。 3. **重构(Rewire)**:彻底摒弃传统旧工具的束缚,摆脱固有思维,重构整个市场进入(GTM)流程。

演讲者特别提醒,切忌一上来就尝试“煮干大海(Boil the ocean)”,而是应该从轻量场景切入,先验证价值并建立信任,再逐步扩大规模。演说最后总结道,传统工具正在加速淘汰,未来不是“AI 是否会替换你的工作流”,而是“你希望 AI 先替换哪一部分工作流”。

- 第一阶段(叠加):引入轻量智能体(摘要、排序),快速取得低风险成效。 - 第二阶段(自动化):打造端到端工作流(自动路由),解放日常人力。 - 第三阶段(重构):摒弃旧框架束缚,重新定义整个 GTM 流程。

---

[09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 现场 Q&A:技术落地、智能体演进与数据基座

在随后的问答环节中,观众针对具体落地细节与技术挑战提出了多个深度问题:

* **关于工具选型与编排()**: 观众询问当前使用什么工具进行编排。演讲者指出,许多主流 CRM 和销售赋能工具(如他们目前使用的 Pega)已经敏锐意识到技术范式的转变,并开始在系统内内置原生智能体能力。这使得企业能直接利用现有 CRM 内的数据与风控流程来帮助销售代表省时。不过演讲者预测,未来市场上必定会孕育出完全“AI 优先(AI-First)”的新一代 CRM 产品。

* **关于智能体自我学习与多智能体编排( /)**: 观众探讨了智能体何时能够摆脱人类指令,实现自我学习并编排其他智能体,以及如何利用企业旧数据构建“AI 大脑”。演讲者坦言当前模型仍需要人类监督,但实现这一目标的基石在于构建企业级的“数据湖(Data Lake)”。当前最大的瓶颈在于企业数据分散在数十个孤立系统中,把 API、工作流和数据整合在一起是实现全自主智能体的前置条件。

* **关于组织变革管理(Change Management)的挑战()**: 演讲者指出最大的困难在于销售人员的心态转变。许多业绩顶尖的销售代表(Top Sales)往往拒绝使用 AI 工具,理由是“我不用 AI 也能完成业绩指标,为什么要打乱我的习惯?”演讲者回应称,企业 AI 战略不能依赖个人,必须建立企业级的数据治理标准。所有线索与过程数据都必须规范存入 CRM 而非私人 Excel 中,才能让整体 AI 系统发挥效用。

* **初创或传统企业快速切入 AI 的建议()**: 针对想要低风险快速获益的企业,演讲者开玩笑说“在 AI 之前你需要先搞定 BI(哪怕 B 不在 A 前面)”。核心在于将分散的数据集中化。此外,演讲者建议企业在购买任何新软件(CRM、外呼工具、数据富化工具)时,必须确保其具备**开放 API(Open APIs)、Webhooks 和企业级数据湖导出权限**,确保企业自身对数据拥有绝对掌控权。

* **现场的不同观点碰撞()**: 一位现场观众提出了不同见解,认为对于大型企业而言,将数十年积累的庞杂数据集中到一个数据湖可能耗时数年,这会导致企业久久无法迈出第一步。该观众建议采用更轻量的方法,直接基于 N8N 等低代码工作流工具,在数小时内围绕特定小场景快速落地智能体,而非等待漫长的数据集成工程。

- 编排工具:目前优先利用 Pega 等现有 CRM 的原生 AI 智能体,同时关注未来 AI-First 的原生 CRM 发展。 - 数据基座:搭建企业级数据湖并打通 API 是让 AI 智能体发挥全面效能的前提。 - 变革阻力:顶尖销售代表的习惯依赖是主要障碍,必须靠强制的企业级数据与流程规范来推进。 - 选型标准:采购任何工具时必须确保其具备开放 API、Webhooks 和数据导出所有权。 - 落地策略争议:演讲者主张夯实数据湖基础,而现场观众建议利用 N8N 等轻量工具快速实施小场景。

[16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 销售与营销中 AI 落地策略:从具体场景微调到长远数据整合

在讨论人工智能如何彻底变革销售与营销流程时,构建长期的 AI 战略绝不能仅仅停留在高层概念上,而必须兼顾“远大愿景”与“当下切入点”。发言者明确指出,如果从长远策略的角度来看,最核心的根基依然在于“把分散在各处的数据集中整理到一个统一的平台中”。只有将数据打通并统一管理,AI 软件与智能体才能真正具备全局视角,发挥出跨业务流程的巨大潜力。

然而,在实际落地执行时,发言者特别强调了“小步快跑、循序渐进”的重要性,切忌一上来就铺开宏大而繁复的项目。企业应当从具体、微观且高频的业务场景入手。例如,销售代表在准备与某家客户公司开会之前,可以先利用 AI 工具进行快速质询:“请告诉我关于这家客户组织的更多背景信息”、“我们过去有没有尝试向他们销售过产品?”以及“当时交易最终没有成功的原因是什么?”通过这类小巧、具体的问答和辅助场景,员工能够快速体验到 AI 赋能带来的效率提升,进而为后续全方位的数据整合与系统升级奠定坚实的基础。

- **长期战略核心**:实现企业内部数据的统一与整合(Data Consolidation),将其集中托管于统一平台。 - **短期落地路径**:从具体的销售微观场景切入,如会前客户背景调查、历史交易失败原因分析等。 - **关键实践建议**:采用“小步快跑”策略,先在单个工作流步骤中验证 AI 价值,再逐步扩大应用范围。

## Notable quotes > [00:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=18s) 如果 AI 能够在互联网上那些情绪激烈的争论中改变别人的想法,想象一下它在销售邮件或续约谈判中能发挥多大的作用。

> [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 踩着手刹驾驶跑车

> [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 工厂流水线

> [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 一级方程式赛车进站维修团队

> [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 编排者(Orchestrator)

> [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 根据意图自动重排线索优先级。

> [07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) 煮干大海(Boil the ocean)

> [07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) 你希望 AI 先替换哪一部分工作流

> [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 我不用 AI 也能完成业绩指标,为什么要打乱我的习惯?

> [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 在 AI 之前你需要先搞定 BI(哪怕 B 不在 A 前面)

> [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 请告诉我关于这家客户组织的更多背景信息

> [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 我们过去有没有尝试向他们销售过产品?

> [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 当时交易最终没有成功的原因是什么?

## Mentioned Adam Nahari, Kanishk Mittal, Pinegrove Venture Partners, InterSystems, Reddit, Klarna, Siemens, Hitachi, Pega, N8N

## Video description Adam Nahari, Partner, Chief Data and AI Officer, Pinegrove Venture Partners Kanishk Mittal, Lead Technical Specialist, InterSystems

Abstract

What happens when AI stops merely supporting tools - and starts replacing them? This talk explores The AI-Powered Future of Sales and Marketing, where AI is transforming legacy SaaS platforms into dynamic, goal-driven systems of work. The session will outline how this shift is already reshaping roles, collapsing traditional workflows, and enabling faster, smarter, and more adaptive go-to-market strategies.

Examples from companies like Klarna, Siemens, and Hitachi will illustrate how AI-driven workflows are delivering 20–30% efficiency gains by replacing static tools with intelligent agents. The talk will also provide practical frameworks for initial adoption, governance, and organizational alignment - offering a clear roadmap for Sales and Marketing leaders seeking to stay ahead of the curve as legacy tech stacks become increasingly outdated.

[Source](https://www.youtube.com/watch?v=8gYch7PEHww)

中文简报

Pinegrove与InterSystems力推自主AI Agent取代传统SaaS 自主AI Agent正在取代传统销售软件,在早期部署中带来20%至30%的效率提升,且在说服能力上超越人类。 演讲指出,在经历了15年静态且割裂的工具生态后,AI正在从根本上推动市场拓展(GTM)架构从僵化的流水线模式转向如同一级方程式(F1)进站维修团队般实时、自适应的系统。结合AI在说服力上超越人类的相关研究以及企业实践案例,演讲展示了自主Agent如何精简客户支持、销售协同和营销飞轮。演讲者提出了一个包含“分层(Layer)”、“自动化(Automate)”和“重构(Rewire)”的三阶段框架,以帮助企业在不干扰日常运营的前提下实现技术栈的现代化。在问答环节中,讨论进一步深入探讨了实际落地的权衡取舍,涉及应对顶级销售代表的变革管理挑战、数据集成的前提条件以及轻量级自动化策略。 过去15年间未发生根本变革的销售与营销(GTM)技术栈正在迎来拐点,AI 正在从外挂辅助工具转变为驱动业务执行的核心操作系统。 (0:04) 一项 Reddit 研究表明,凭借 7x24 小时全天候稳定输出且不受情绪波动影响,AI Agent 在说服他人改变观点方面的有效性是人类的 3 到 6 倍。 (1:18) Klarna、西门子与日立等企业已通过 AI 驱动的工作流实现 20% 至 30% 的效率提升,其中 Klarna 已有三分之二的客户支持对话交由自主 Agent 独立处理。 (4:18) GTM 模式正在从延迟的线性漏斗演进为实时自适应飞轮,BDR 等岗位的核心职责也从手动打推销电话等繁重执行任务升级为调度与指导 AI Agent。 (6:10) 企业实施 AI 可遵循“轻量叠加(Layer)、自动化工作流(Automate)与全面重构(Rewire)”三阶段框架,既可通过轻量工具快速获益,也能逐步构建统一数据湖支撑长远转型。 (7:45)

精炼阅读摘要

演讲者指出,十五年来结构未变的现代市场进入(GTM)技术架构正迎来颠覆,人工智能正从外挂式的辅助记录工具转变为驱动销售与营销的底层操作系统。借助更强的数据一致性与说服能力,AI正在打破传统SaaS的孤岛式装配线流程,推动企业向动态自适应的实时工作流转型。 自主智能体崛起与高说服力系统 (0:04) 演讲者指出,过去十五年间的GTM技术栈基本处于停滞状态,企业普遍依赖各类分散且彼此割裂的SaaS工具进行拼凑,并受困于人工数据录入与滞后的商业智能(BI)分析。新兴范式则以自主AI智能体为核心,这类系统不仅能记录信息,更能在无需人类持续介入的情况下主动分析数据、作出决策并直接采取行动,在传统认为依赖人类直觉的复杂交互中展现出独特优势。 演讲者援引一项在Reddit社区进行的研究指出,在扮演特定人设参与网络辩论时,AI智能体改变他人观点的成功率达到了人类用户的3到6倍(即300%至600%)。演讲者分析认为,人类的表现往往受疲劳、情绪波动或状态不佳影响,而AI能够提供7×24小时不间断、基于数据的高一致性沟通。这种说服力如果转化为商业应用,将在销售邮件撰写、复杂商务谈判和客户合同续约等场景中释放巨大潜力。 从装配流水线到F1维修站的工作流重塑 (2:19) 传统SaaS运营模式被比作机械僵化的工厂装配流水线:销售代表手动将数据录入CRM,系统根据静态评分规则推进线性工作流并定期生成报表,团队只能在营销周期结束后复盘调整。演讲者认为,这种多系统断连与人工瓶颈如同“拉着手刹开跑车”。相比之下,生成式AI驱动的架构更像一支“F1赛车维修站团队”,能够实时整合多方异构数据,动态重排潜客优先级,生成高度个性化的触达内容,并根据市场反馈即时调整策略。 这种技术重塑将传统的单向线性销售漏斗改造为自适应的持续“GTM飞轮”。在此背景下,销售岗位职责发生显著迁移:业务拓展代表(BDR)正逐步摆脱高频拨打冷电话、手动录入线索等机械性劳动,转变为AI智能体的编排者与监督者。员工只需向AI发出宏观意图指令(例如“按购买意向对潜客排序”),将日常执行委托给算法,自身则将精力聚焦于高层战略制定与深层次客户关系维系。 跨国企业AI实践:Klarna西门子日立 (4:18) 演讲者列举了三家跨国企业的落地案例以印证AI重塑GTM流程的实际成效。首先,金融科技公司Klarna以往依托庞大的人工客服团队,面临响应时长与满意度不稳定的问题;在部署AI后,自主智能体承担了三分之二(2/3)的客户支持对话,在缩减支持团队编制的同时实现了20%至30%的效率提升,且响应更为迅速稳定。 其次,西门子(Siemens)重塑了销售编排流程。传统销售预测往往依赖静态CRM规则和主观臆测,西门子引入预测性AI,在销售代表进行实时通话时提供基于数据的即时建议,显著提高了销售管线预测准确度并优化了人力分配。最后,日立(Hitachi)废弃了传统的固定周期营销活动,依托自适应AI系统监测实时用户行为并自动触发定制化沟通,允许潜在客户在购买周期的任意节点切入或退出营销飞轮,有效遏制了潜客流失并加快了销售推进速度。 三阶段路线图、数据整合争议与落地阻碍 (7:45) 为降低转型风险,演讲者提出了三阶段采纳框架:第一阶段为“叠加(Layer)”,在现有技术栈上增加自动生成会议纪要或基础潜客排序等轻量AI功能;第二阶段为“自动化(Automate)”,打通端到端流程,实现跨系统智能潜客路由;第三阶段为“重构(Rewire)”,彻底抛弃传统SaaS架构约束,围绕AI原生模式从零设计业务流程。演讲者建议管理者避免盲目全面铺开,应通过小范围验证价值来建立组织信任。 在落地实践中,演讲者强调变革管理是主要障碍,尤其是劝导那些即使不借助AI也能持续完成业绩指标的顶尖销售人员放弃个人表格、遵守企业数据录入规范。关于数据基础,演讲者主张“在拥有AI之前必须先拥有BI”,要求企业打通API并构建集中式数据湖;但现场参会者对此提出异议,认为大型企业耗时数年整合遗留数据会错失良机,主张利用如n8n等轻量级自动化工具在数小时内快速部署智能体。面对争议,演讲者建议企业在谋划长期数据整合的同时,可优先切入准备拜访资料、调取历史交易记录等高频单点场景以获取早期收益。 演讲者总结指出,传统SaaS平台正面临淘汰风险,原生嵌入智能体功能(如Pega相关方案)以及全新AI原生CRM套件将成为行业趋势。然而,目前多智能体完全自主编排仍有待模型能力与提示工程的进一步演进,现阶段依然离不开人类监督。企业推进AI化的核心矛盾,在于如何在耗时漫长的数据底座清洗整合与敏捷部署轻量级工具之间取得平衡,并妥善解决一线核心销售人员的文化转变阻力。

Detailed notes — zh

## Background 本视频由 Ai4 于 2025 年 8 月 29 日发布在 YouTube 平台上。视频简介指出,本次演讲由 Pinegrove Venture Partners 的合伙人兼首席数据与 AI 官 Adam Nahari 以及 InterSystems 的首席技术专家 Kanishk Mittal 共同带来,旨在探讨人工智能如何将传统销售与营销 SaaS 平台重塑为动态且目标导向的工作系统。 ## TL;DR 演讲深入探讨了 AI 智能体如何正在全面替代传统割裂的 SaaS 技术栈,将静态的销售漏斗转变为实时学习与自动优化的“AI 飞轮”。通过 Klarna、西门子和日立等知名企业的落地实例,展示了 AI 工作流在提升效率、精准跟进及自动化沟通方面的显著成效。演讲者提出了“叠加-自动化-重构”的渐进式实施三步法,并在问答环节针对数据湖建设、组织变革阻力及轻量化落地路径进行了深度剖析。 ## Atmosphere & style 整场演讲语气专业、务实且充满洞察力,既有对前沿 AI 技术的远大构想,又紧扣企业实操中的痛点与挑战。演讲者的表达条理清晰、比喻生动(如将传统流程比作流水线,将 AI 比作 F1 进站),现场问答环节更展开了关于“重型数据湖建设”与“轻量低代码落地”的精彩观点碰撞。观看过程令人深切感受到企业级 GTM 架构正在发生的深刻范式转移以及从业者对技术变革的务实思考。 ## Key takeaways - [00:04](https://www.youtube.com/watch?v=8gYch7PEHww&t=4s) 市场进入(GTM)技术栈正在经历范式转移,AI 不再是辅助工具,而是逐步替代传统 SaaS 架构成为工作流操作系统。 - [00:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=18s) 实验表明,基于 AI 的智能体在说服与改变观点方面的效果是普通人类用户的 3 到 6 倍,且具备全天候在线和极高的逻辑稳定性。 - [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 传统 GTM 堆栈因数据孤岛和手工流程存在“人类瓶颈”,而 AI 原生系统通过多源实时数据拉取和动态优先级重排实现了实时策略调整。 - [04:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=258s) Klarna 部署 AI 智能体承接了 2/3 的客户咨询,整体效率提升了 20% 至 30%。 - [04:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=258s) 西门子与日立通过预测性 AI 和行为触发机制,分别实现了销售管道预测精准度的提升与线索流失率的降低。 - [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 销售与营销模式正从单向、延迟高昂的“传统漏斗”演变为基于实时行为信号与自适应学习的“AI 飞轮”。 - [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 团队角色从“执行者”提升为“编排者(Orchestrator)”,员工从狂打电话等重复性劳动中解放,专注于战略决策与智能体调优。 - [07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) AI 落地建议采用“叠加层 -> 自动化 -> 重构”的渐进式三步法框架,切忌一上来就做过于宏大的全面改造。 - [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 构建企业级数据湖并打通各系统 API 是实现全自主多智能体编排与自我学习的前置条件。 - [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 推进 AI 变革最大的阻力常来自依赖传统习惯的顶尖销售人员,必须建立企业级数据规范以保障系统效能。 - [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 采购任何营销与销售软件时,必须确保其具备开放 API、Webhooks 和数据导出所有权,以避免被单一平台锁定。 - [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 在实践中,企业应平衡“远大愿景”与“当下切入点”,短期内可优先从会前客户调查、历史交易分析等微观场景入手验证 AI 价值。 ## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=8gYch7PEHww&t=4s) 销售与营销技术栈的范式转移:AI 正在全面替代传统 SaaS 演讲者首先指出了当前企业销售与营销技术栈面临的痛点:大多数企业的技术架构在过去 15 年间未发生根本改变,只是不断叠加更多独立工具来填补缝隙和消除数据孤岛。如今技术正在迎来关键转折点,人工智能不再只是堆栈中的又一个辅助工具,而是逐步演变为整个市场进入(Go-To-Market, GTM)架构与工作流的操作系统。 演讲对比了传统工具堆栈与新型自主智能体(Autonomous Agents)架构的差异:旧堆栈依赖孤立工具与人工记录,而智能体不仅能实时分析数据,还能直接做出决策并自动执行任务。更令人吃惊的是,智能体在处理许多传统上被认为极具“人类独特性”的非结构化工作时,展现出了超越人类的效率与表现。 - 传统 SaaS 堆栈多为数据孤岛,依赖大量手工录入与工具桥接。 - AI 智能体兼具决策与执行能力,能够无缝进行自主操作。 --- ### [00:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=18s) 说服力转移:AI 在说服与沟通中的惊人表现 为了展示 AI 的强大效能,演讲者分享了今年早些时候研究人员在 Reddit 上进行的一项心理说服实验。在该实验中,AI 智能体被赋予特定虚拟角色,试图改变在线用户的观点。实验结果出乎所有人意料:AI 智能体改变他人观点的有效性是普通 Reddit 用户的 3 到 6 倍(即 300% 至 600% 的提升,而非区区 3% 至 6%)。 AI 的核心优势在于其极高的稳定性和持续性。人类销售或客服人员容易受到情绪影响或状态起伏,而 AI 能够 7x24 小时保持在线,始终输出基于客观数据的严密逻辑。演讲者强调:“如果 AI 能够在互联网上那些情绪激烈的争论中改变别人的想法,想象一下它在销售邮件或续约谈判中能发挥多大的作用。” - Reddit 实验显示,AI 在改变人类观点上的效果比普通人类用户高出 3 到 6 倍。 - 相比于状态波动的传统人工,AI 具备全天候在线、基于数据输出说服逻辑的稳定性。 --- ### [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 传统 GTM 堆栈的局限性与 GenAI 的破局 目前的 GTM 堆栈存在严重的割裂问题:CRM 无法与营销平台无缝对话,BI 报表往往滞后数天,整体运作高度依赖离散的 SaaS 工具和人工数据录入。这种架构导致了严重的“人类瓶颈”,需要专人抽取报告、分析数据并手动启动营销活动。演讲者将这种状态形象地比喻为“踩着手刹驾驶跑车”,底层系统架构严重拖累了整体业务的运行速度。 而生成式 AI(GenAI)正是解开这一手刹的关键。传统的 SaaS 建立在固定、可预测的线性工作流之上(数据录入 -> 预定义规则营销 -> 固定的报表运行 -> 周期性分析调整)。AI 原生系统则颠覆了这一流程,通过持续抓取多源实时数据、自动清洗、动态重排线索优先级并实施个性化触达,实现了无间断的自我学习与实时策略调整。演讲者将其比作“工厂流水线”与“一级方程式赛车进站维修团队”的区别:前者只能死板执行既定步骤,而后者能够根据实时变化的环境条件做出秒级反应。 - 传统流程(流水线模式):手工数据录入 -> 静态线索打分 -> 固定周期报表 -> 事后人工评估。 - AI 原生流程(F1 进站模式):多源实时数据拉取 -> 自动清洗与动态优先级重排 -> 实时个性化触达 -> 持续自主学习优化。 --- ### [04:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=258s) 企业落地实例:Klarna、西门子与日立的成功实践 AI 原生工作流已经在知名企业中产生了巨大商业价值,演讲者举出了三个典型的真实案例: 1. **Klarna**:此前依赖庞大的客服团队,响应速度与服务质量参差不齐,扩展业务只能依靠增加人力。引入 AI 智能体后,系统成功承接了三分之二(2/3)的客户咨询,实现了 20% 至 30% 的整体效率提升。这不仅大幅降低了客服成本,更提供了更快、更一致的客户体验。 2. **Siemens(西门子)**:传统的销售跟进依赖销售代表的个人直觉及静态 CRM 规则。西门子部署预测性 AI 后,能够在销售人员接听电话时,根据实时数据动态调整商机优先级,提供数据驱动的跟进建议,显著提升了销售管道(Pipeline)预测的准确性与人员分配效率。 3. **Hitachi(日立)**:日立彻底废除了传统固定起止时间的“营销活动(Campaign)”概念,改由 AI 实时监控用户行为数据,并自动触发相应的沟通流。这种敏捷适应机制减少了线索流失,大幅加快了业务推进速度。 - Klarna:智能体承接了 2/3 的客户对话,效率提升 20–30%,实现了成本控制与体验升级的双赢。 - 西门子:实时数据驱动的预测性 AI 取代直觉判断,大大提高了销售管道的精准度。 - 日立:打破固定营销活动周期,采用 AI 行为触发机制,有效降低了线索流失率。 --- ### [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 从传统漏斗到 AI 飞轮:岗位角色的重塑与演变 传统的销售营销模式是单向的“GTM 漏斗”:线索通过聊天机器人或冷外呼进入,经人工筛选后转交给销售团队,最终走向成交。这一过程环节冗长且充满延迟。AI 正在将其替换为高效循环的“飞轮(Flywheel)”架构:基于实时行为信号快速迭代定位、跨渠道自动进行 AI 推荐触达,并保持无间断的自适应学习。 随着底层技术的革新,团队内部的角色定位也迎来了根本性改变。以业务开发代表(BDR)为例,过去他们的工作是每天打几百上千个电话;而在未来,他们的核心职责将转变为“设计与调优 AI 智能体”。员工的角色正在从“执行者”提升为“编排者(Orchestrator)”,负责制定策略、监控质量并做最终裁决。例如,以往需要在 CRM 中繁琐筛选数据的操作,现在只需向智能体下达指令:“根据意图自动重排线索优先级。”这并未消灭人类的岗位,而是将人类从重复性劳动中解放出来,专注于高价值决策。 - 模式变革:从单向、延迟高昂的“传统漏斗”转向实时反馈、自适应学习的“AI 飞轮”。 - 角色转型:BDR 等岗位从重复劳动(如狂打电话)转向编排与管理 AI 智能体。 - 核心逻辑:AI 负责执行与优化,人类负责战略决策与质量监控。 --- ### [07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) AI 渐进式实施三步法框架与关键要点 为了避免在销售组织内部造成混乱,演讲者提出了一个循序渐进的“三阶段实施框架”: 1. **叠加层(Layer)**:在现有工具栈上叠加简单的 AI 智能体,尝试低风险、高回报的轻量应用(如 CRM 文本自动摘要、简单的线索优先级排序)。 2. **自动化(Automate)**:在团队建立信任后,构建端到端的 AI 工作流(如基于 AI 的潜在客户自动路由),实现高频重复工作的自动化。 3. **重构(Rewire)**:彻底摒弃传统旧工具的束缚,摆脱固有思维,重构整个市场进入(GTM)流程。 演讲者特别提醒,切忌一上来就尝试“煮干大海(Boil the ocean)”,而是应该从轻量场景切入,先验证价值并建立信任,再逐步扩大规模。演说最后总结道,传统工具正在加速淘汰,未来不是“AI 是否会替换你的工作流”,而是“你希望 AI 先替换哪一部分工作流”。 - 第一阶段(叠加):引入轻量智能体(摘要、排序),快速取得低风险成效。 - 第二阶段(自动化):打造端到端工作流(自动路由),解放日常人力。 - 第三阶段(重构):摒弃旧框架束缚,重新定义整个 GTM 流程。 --- ### [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 现场 Q&A:技术落地、智能体演进与数据基座 在随后的问答环节中,观众针对具体落地细节与技术挑战提出了多个深度问题: * **关于工具选型与编排()**: 观众询问当前使用什么工具进行编排。演讲者指出,许多主流 CRM 和销售赋能工具(如他们目前使用的 Pega)已经敏锐意识到技术范式的转变,并开始在系统内内置原生智能体能力。这使得企业能直接利用现有 CRM 内的数据与风控流程来帮助销售代表省时。不过演讲者预测,未来市场上必定会孕育出完全“AI 优先(AI-First)”的新一代 CRM 产品。 * **关于智能体自我学习与多智能体编排( /)**: 观众探讨了智能体何时能够摆脱人类指令,实现自我学习并编排其他智能体,以及如何利用企业旧数据构建“AI 大脑”。演讲者坦言当前模型仍需要人类监督,但实现这一目标的基石在于构建企业级的“数据湖(Data Lake)”。当前最大的瓶颈在于企业数据分散在数十个孤立系统中,把 API、工作流和数据整合在一起是实现全自主智能体的前置条件。 * **关于组织变革管理(Change Management)的挑战()**: 演讲者指出最大的困难在于销售人员的心态转变。许多业绩顶尖的销售代表(Top Sales)往往拒绝使用 AI 工具,理由是“我不用 AI 也能完成业绩指标,为什么要打乱我的习惯?”演讲者回应称,企业 AI 战略不能依赖个人,必须建立企业级的数据治理标准。所有线索与过程数据都必须规范存入 CRM 而非私人 Excel 中,才能让整体 AI 系统发挥效用。 * **初创或传统企业快速切入 AI 的建议()**: 针对想要低风险快速获益的企业,演讲者开玩笑说“在 AI 之前你需要先搞定 BI(哪怕 B 不在 A 前面)”。核心在于将分散的数据集中化。此外,演讲者建议企业在购买任何新软件(CRM、外呼工具、数据富化工具)时,必须确保其具备**开放 API(Open APIs)、Webhooks 和企业级数据湖导出权限**,确保企业自身对数据拥有绝对掌控权。 * **现场的不同观点碰撞()**: 一位现场观众提出了不同见解,认为对于大型企业而言,将数十年积累的庞杂数据集中到一个数据湖可能耗时数年,这会导致企业久久无法迈出第一步。该观众建议采用更轻量的方法,直接基于 N8N 等低代码工作流工具,在数小时内围绕特定小场景快速落地智能体,而非等待漫长的数据集成工程。 - 编排工具:目前优先利用 Pega 等现有 CRM 的原生 AI 智能体,同时关注未来 AI-First 的原生 CRM 发展。 - 数据基座:搭建企业级数据湖并打通 API 是让 AI 智能体发挥全面效能的前提。 - 变革阻力:顶尖销售代表的习惯依赖是主要障碍,必须靠强制的企业级数据与流程规范来推进。 - 选型标准:采购任何工具时必须确保其具备开放 API、Webhooks 和数据导出所有权。 - 落地策略争议:演讲者主张夯实数据湖基础,而现场观众建议利用 N8N 等轻量工具快速实施小场景。 ### [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 销售与营销中 AI 落地策略:从具体场景微调到长远数据整合 在讨论人工智能如何彻底变革销售与营销流程时,构建长期的 AI 战略绝不能仅仅停留在高层概念上,而必须兼顾“远大愿景”与“当下切入点”。发言者明确指出,如果从长远策略的角度来看,最核心的根基依然在于“把分散在各处的数据集中整理到一个统一的平台中”。只有将数据打通并统一管理,AI 软件与智能体才能真正具备全局视角,发挥出跨业务流程的巨大潜力。 然而,在实际落地执行时,发言者特别强调了“小步快跑、循序渐进”的重要性,切忌一上来就铺开宏大而繁复的项目。企业应当从具体、微观且高频的业务场景入手。例如,销售代表在准备与某家客户公司开会之前,可以先利用 AI 工具进行快速质询:“请告诉我关于这家客户组织的更多背景信息”、“我们过去有没有尝试向他们销售过产品?”以及“当时交易最终没有成功的原因是什么?”通过这类小巧、具体的问答和辅助场景,员工能够快速体验到 AI 赋能带来的效率提升,进而为后续全方位的数据整合与系统升级奠定坚实的基础。 - **长期战略核心**:实现企业内部数据的统一与整合(Data Consolidation),将其集中托管于统一平台。 - **短期落地路径**:从具体的销售微观场景切入,如会前客户背景调查、历史交易失败原因分析等。 - **关键实践建议**:采用“小步快跑”策略,先在单个工作流步骤中验证 AI 价值,再逐步扩大应用范围。 ## Notable quotes > [00:18](https://www.youtube.com/watch?v=8gYch7PEHww&t=18s) 如果 AI 能够在互联网上那些情绪激烈的争论中改变别人的想法,想象一下它在销售邮件或续约谈判中能发挥多大的作用。 > [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 踩着手刹驾驶跑车 > [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 工厂流水线 > [02:11](https://www.youtube.com/watch?v=8gYch7PEHww&t=131s) 一级方程式赛车进站维修团队 > [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 编排者(Orchestrator) > [06:10](https://www.youtube.com/watch?v=8gYch7PEHww&t=370s) 根据意图自动重排线索优先级。 > [07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) 煮干大海(Boil the ocean) > [07:45](https://www.youtube.com/watch?v=8gYch7PEHww&t=465s) 你希望 AI 先替换哪一部分工作流 > [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 我不用 AI 也能完成业绩指标,为什么要打乱我的习惯? > [09:56](https://www.youtube.com/watch?v=8gYch7PEHww&t=596s) 在 AI 之前你需要先搞定 BI(哪怕 B 不在 A 前面) > [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 请告诉我关于这家客户组织的更多背景信息 > [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 我们过去有没有尝试向他们销售过产品? > [16:34](https://www.youtube.com/watch?v=8gYch7PEHww&t=994s) 当时交易最终没有成功的原因是什么? ## Mentioned Adam Nahari, Kanishk Mittal, Pinegrove Venture Partners, InterSystems, Reddit, Klarna, Siemens, Hitachi, Pega, N8N ## Video description Adam Nahari, Partner, Chief Data and AI Officer, Pinegrove Venture Partners Kanishk Mittal, Lead Technical Specialist, InterSystems Abstract What happens when AI stops merely supporting tools - and starts replacing them? This talk explores The AI-Powered Future of Sales and Marketing, where AI is transforming legacy SaaS platforms into dynamic, goal-driven systems of work. The session will outline how this shift is already reshaping roles, collapsing traditional workflows, and enabling faster, smarter, and more adaptive go-to-market strategies. Examples from companies like Klarna, Siemens, and Hitachi will illustrate how AI-driven workflows are delivering 20–30% efficiency gains by replacing static tools with intelligent agents. The talk will also provide practical frameworks for initial adoption, governance, and organizational alignment - offering a clear roadmap for Sales and Marketing leaders seeking to stay ahead of the curve as legacy tech stacks become increasingly outdated. [Source](https://www.youtube.com/watch?v=8gYch7PEHww)

Source quotes

[0:18] 如果 AI 能够在互联网上那些情绪激烈的争论中改变别人的想法,想象一下它在销售邮件或续约谈判中能发挥多大的作用。 [2:11] 踩着手刹驾驶跑车 [2:11] 工厂流水线 [2:11] 一级方程式赛车进站维修团队 [6:10] 编排者(Orchestrator) [6:10] 根据意图自动重排线索优先级。 [7:45] 煮干大海(Boil the ocean) [7:45] 你希望 AI 先替换哪一部分工作流 [9:56] 我不用 AI 也能完成业绩指标,为什么要打乱我的习惯? [9:56] 在 AI 之前你需要先搞定 BI(哪怕 B 不在 A 前面) [16:34] 请告诉我关于这家客户组织的更多背景信息 [16:34] 我们过去有没有尝试向他们销售过产品? [16:34] 当时交易最终没有成功的原因是什么?