AI Agent在销售与金融领域的‘滞后’并非技术瓶颈，而是数据基础设施的‘时差’。编程与客服之所以率先爆发，是因为代码库与工单系统天然具备‘数据结构化’与‘反馈即时性’；而销售与金融长期受困于数据孤岛、集成复杂及反馈周期长。然而，2026年正成为转折点：CRM/ERP巨头竞相开放原生Agent框架，管道正在打通。
你有没有想过，为什么 AI agent 在编程领域遍地开花，在销售和金融领域却进展缓慢？是因为 AI 在这些领域不够好用吗？还是说我们对这个问题的理解根本就错了？Anthropic 本周发布了一份基于近百万次真实生产环境工具调用的分析报告，数据显示软件工程占据了 49.7% 的 AI agent 部署，而销售和 CRM（客户关系管理）只有 4.3%，金融 4.0%，法律更是只有 0.9%。乍一看，你可能会得出这样的结论：AI agent 适合程序员和客服，但在其他领域还有待观察。但这个结论完全错了。SaaStr 创始人 Jason Lemkin 在最近的分享中明确指出，AI agent 在销售和 GTM（Go-to-Market，市场营销）领域是有效的，只是我们刚刚开始而已。给它今年剩余的时间，你会看到完全不同的景象。
我深入研究了这个话题后发现，Anthropic 数据中那些低采用率数字，并不意味着 AI 在这些领域不起作用。它们意味着 2025 年时数据基础设施还没有准备好。这是一个完全不同的问题，有着完全不同的解决时间线。而在 2026 年，这个情况已经在快速改变。Jason 分享的早期结果已经非常令人振奋：他们最新的 AI agent Monaco 在上线第一天就自主完成了一笔 10 万美元的交易。完全自主，没有任何人工干预。这不是科幻小说，这是正在发生的现实。
我们很容易认为开发者率先采用 AI agent 是因为他们是技术精通的早期采用者。这确实是原因之一，但真正的原因其实是结构性的。Jason 在分享中解释得非常清楚，我觉得他的分析切中要害。想想一个编程 agent 实际需要什么才能运作。代码就在那里，每个文件、每个函数、每个依赖项都在代码库中，结构完美、版本受控、即时可访问。没有数据治理委员会，没有集成项目，没有长达六个月的 IT 采购周期。你打开代码库，agent 就拥有了它需要的一切。
反馈循环同样简洁。你运行代码，测试通过或不通过，构建成功或失败。几秒钟内你就知道 agent 是否做了有用的事情。这种紧密性，数据访问加上即时可验证性，正是软件工程成为第一个规模化领域的原因。客服遵循了同样的模式。有一张工单，有一个知识库，有一个解决事件。数据范围是受限的，结果是二元的。AI agent 预计会在客服领域产生最大影响，正是因为这些条件已经到位。
我认为这个观察非常重要，因为它揭示了一个关键事实：这两个领域之所以获胜，不是因为 AI 对它们效果更好，而是因为它们已经拥有了其他所有领域仍在努力构建的东西。这是数据可访问性和反馈机制成熟度的问题，不是 AI 能力的问题。一旦你理解了这一点，你就会明白为什么销售和金融领域的低采用率不是一个警示信号，而是一个时间问题。基础设施一旦就位，这些领域的 AI agent 应用将会爆发性增长。
问问你自己，一个真正有用的 AI 销售 agent 需要什么。它需要你的 CRM 数据，包括联系人、交易历史、活动日志、销售漏斗阶段。它需要邮件和日历上下文来理解关系历史。它需要产品使用数据来了解客户实际在做什么。它需要上次通话的录音、LinkedIn 上关键人物的职位变动、上次输掉竞争的失败总结中的竞争情报。它需要知道上个季度哪些交易停滞了以及原因。
这些数据没有一个在同一个地方。大多数都没有干净的 API（应用程序接口）。有些只存在于人们的脑海和收件箱中。集成面非常庞大，以语义连贯而非仅仅技术连接的方式将其连接起来，确实非常困难。Jason 引用的数据显示，46% 的组织将与现有系统的集成列为部署 AI agent 的主要挑战。这不是能力差距，这是管道差距。
金融领域更加复杂。一个有用的金融 AI agent 需要你的 ERP（企业资源计划系统）、银行数据、应付账款、应收账款、人员规划、合同条款，最好还有一些关于为什么做出历史决策的机构记忆。它在一个受监管的环境中运作，错误不仅仅是返工，可能是合规事件。75% 的企业领导者将安全性、合规性和可审计性列为 agent 部署最关键的要求，这个标准在金融和医疗保健领域最高。
我深入思考过这个问题，发现这里有一个关键洞察：AI 不是瓶颈，数据基础设施和治理层才是。这解释了为什么即使 AI 模型本身已经非常强大，在这些领域的应用仍然受限。不是技术做不到，而是我们还没有建立起让技术发挥作用的环境。这就像你有一辆性能卓越的跑车，但道路还没修好一样。
除了数据访问之外，还有第二个结构性问题：反馈循环。在编程中，agent 的输出可以在几秒钟内验证。但在销售中，”它有效”意味着什么？邮件得到回复了吗？交易是因为 agent 的外联而推进的，还是因为关键人物最终获得了预算批准？销售结果是嘈杂的、滞后的，并且与 agent 无法控制的变量纠缠在一起。
这就是为什么早期销售 AI 看起来像是辅助功能，起草邮件、总结通话录音、填写 CRM 字段，而不是自主 agent 完成销售管道。不是因为模型做不到更多，而是因为大多数公司还没有建立起知道自主决策是否良好的反馈基础设施。我认为这个观察非常准确。在没有清晰反馈机制的情况下，让 AI 自主做决策是危险的，因为你无法知道它的决策质量如何。
金融领域有同样的问题，而且更加复杂。当 AI agent 标记预算差异或生成现金流预测时，真实情况要几个月后才会到来。反馈循环很长，后果会累积。在建立了对 agent 做了什么以及为什么做的重要可观察性之前，你无法在那种环境中快速迭代。这种延迟的反馈让优化 AI agent 变得困难，因为你需要等待很长时间才能知道它的表现如何。
让当前时刻变得有趣的是：这些结构性障碍正在积极消解。Jason 在分享中提到，CRM 供应商正在积极开放他们的数据。到 2026 年年中，大多数领先的 CRM 供应商将提供与企业工作流程直接集成的原生 agent 框架。HubSpot、Salesforce 和它们的竞争对手正在竞相成为 AI agent 需要的连接组织，它们有强大的财务动机快速做到这一点。谁拥有销售中 AI 的数据层，谁就能获得巨大的平台价值。
87% 的 IT 高管将互操作性评为对成功采用 AI agent 非常重要或至关重要。2026 年的企业 IT 预算正在流向使销售和金融 agent 成为可能的集成基础设施。管道工作正在进行。这些数字已经在预测中显示出来。Gartner 预测到 2026 年底，40% 的企业应用程序将与特定任务的 AI agent 集成，而 2025 年这个数字不到 5%。这不是边际增长，这是阶跃变化。它不会全部流向软件工程，增长必须来自某处，那个某处就是 Anthropic 图表中目前处于 1-5% 的领域。
我对这个趋势的看法是，我们正处在一个关键的转折点。基础设施的建设速度比大多数人预期的要快，这意味着那些提前布局、在基础设施完全成熟之前就开始建立能力的公司，将在未来几年获得巨大的先发优势。这不是一个观望的时候，而是一个行动的时候。那些等待基础设施完全就绪才开始的公司，可能会发现市场已经被早期进入者占据了。
Jason 在分享中给出了三个非常具体的建议，我觉得每一个都值得深入思考。如果你正在为销售、金融或任何数据复杂的垂直领域构建 AI，Anthropic 的低数字不是警告信号，它们是市场地图。在基础设施建设期间，在管道完全成熟之前，在这些垂直领域建立品类领导地位的公司，一旦基础设施成熟，将变得无法取代。这就是窗口期。
我认为这个观点非常关键。现在进入这些领域的公司，面临的竞争相对较少，因为很多人还在观望。但一旦基础设施就位，市场会迅速成熟，竞争会急剧加剧。那些现在就开始积累经验、建立客户关系、优化产品的公司，将拥有巨大的优势。他们不仅理解技术，更重要的是理解这些领域特有的业务逻辑和数据复杂性。
如果你是 CRM、ERP 或金融软件领域的 SaaS 老牌公司，你的紧迫性比你可能感觉到的要高。现在正在进行的集成工作，CRM 供应商开放 API、ERP 供应商构建 agent 框架，正是你的替代品被构建的基础。如果你不是在你的品类中构建原生 agent 层的人，那就是别人在做。SaaS 提供商已经在提供无限制的 AI agent 企业许可协议，将 AI agent 能力转变为战略性留存策略的消费模式。
这个警告我觉得很有道理。对于现有的 SaaS 公司来说，AI agent 不仅仅是一个新功能，而是一个生存问题。那些不能快速适应、不能在自己的平台上提供原生 AI agent 能力的公司，可能会发现客户开始流失到那些能提供这些能力的竞争对手那里。用户的期望已经改变了，他们希望软件能够理解自然语言、自主完成任务，而不是仅仅提供界面让他们手动操作。
如果你是今天在销售或金融领域部署 AI 的买家，如果不建立治理、可观察性和 ROI（投资回报率）清晰度，AI agent 项目到 2027 年面临被取消的风险。失败模式不是 AI 不起作用，而是部署范围不够紧密、数据不够干净、成功标准定义不够清晰。从小处开始，选择一个数据可访问、结果可衡量的工作流程。证明它，然后扩展。
我非常认同这个建议。很多 AI 项目失败不是因为技术问题，而是因为期望管理和范围控制问题。公司往往一开始就想做太多，结果发现数据质量不够、集成太复杂、成功标准不清晰，最终项目陷入困境。从一个小而明确的用例开始，证明价值，建立信心，然后逐步扩展，这是更明智的策略。
Jason 在分享中不仅引用了数据，更分享了他们在 SaaStr 的实际经验，这让我觉得特别有说服力。理论和数据很重要，但真实的案例更能说明问题。在 SaaStr，他们运行 AI GTM agent 已经几个月了。令人震惊的不是它们有效，而是它们持续变得更好的速度。月复一月，有时甚至周复一周。一个在第三季度表现还算可以的外联 agent，现在表现真的令人印象深刻。改进曲线比他预期的要陡峭，而他本来就预期它会很陡峭。
他们的 AI agent 已经为他们带来并帮助完成了数百万美元的收入。具体数据是，他们从 AI agent 那里建立了 480 万美元的销售管道，其中 240 万美元已经完成交易。交易量翻了一番，成交率翻了一番。Agent 全天候工作，拥有更多可以提取的上下文。他们甚至在周六完成了一笔 10 万美元的交易。这些都不是概念验证或演示，这些是实际发生的业务结果。
我认为最令人震撼的是上周发生的事情。Monaco，他们最新的 AI 销售 agent，自主完成了一笔 10 万美元的交易。完全自主。没有人起草外联邮件，没有人管理跟进，没有人安排会议。Monaco 识别了潜在客户、与他们互动、培养了对话，并促成了交易。10 万美元，自主完成。这不是演示，不是概念验证，这是真实发生的。我之前也写过这个产品的分析，感兴趣的可以看《Peter Thiel花3500万美金投了一个销售领域的Claude Code，号称要终结Salesforce时代》。
Jason 强调，让这成为可能的不是一夜之间发生的模型能力突破（尽管 Claude Opus 4.6 确实有帮助），而是 Anthropic 研究指出的同样因素：数据是可访问的，工作流程是定义的，反馈循环足够清晰，agent 可以导航。Monaco 可以访问正确的信息，在足够受限的上下文中操作，知道成功是什么样子。这就是公式。它越来越具有可复制性，不仅对他们，对任何愿意做好数据和工作流程准备工作的 B2B 公司都是如此。
我花了很多时间思考 Jason 分享的这些观察和数据，我认为这里有几个非常重要的洞察值得展开讨论。显示软件工程占 AI agent 部署 50% 的 Anthropic 数据，是数据基础设施恰好首先准备就绪的快照，而不是对 AI 在哪里有效、在哪里无效的判决。编程在代码库中拥有数据，客服在服务台中拥有数据，两者都有紧密的反馈循环。这些条件使早期部署变得简单直接。
销售、金融和法律有分散的数据、更长的反馈循环和更难的遏制。采用数字反映了这些结构性现实，而不是模型的能力。我认为这个区分非常关键，因为它改变了我们思考问题的方式。如果你认为低采用率是因为 AI 在这些领域不够好，你可能会等待更好的模型。但如果你理解问题是数据基础设施，你就会开始构建那个基础设施。这是完全不同的行动路径。
基础设施正在此刻被构建。集成 API 正在开放。CRM 和 ERP 供应商正在竞相变得 agent 就绪。在这些领域部署 agent 的公司已经报告了强劲的结果。67% 的企业领导者表示，即使未来 12 个月出现衰退，他们也会维持 AI 投资。这不再是炒作，这是基础设施支出。
我认为我们正在见证一个重要的转变时刻。AI agent 的浪潮正在向销售、金融和 Anthropic 图表中的每个其他垂直领域涌来。唯一的问题是你是会成为驾驭它的人，还是解释为什么错过它的人。这不是一个是否的问题，而是何时以及如何的问题。那些现在就开始准备的人，将在这个转变中获得最大的收益。
我还注意到一个更深层次的模式：技术采用的速度正在加快。从编程和客服到销售和金融的转变，不会像从命令行到图形界面那样花费几十年。我们谈论的是几年甚至几个月的时间跨度。这种加速是因为底层技术进步的速度在加快，但也因为企业对技术变革的适应能力在提高。那些经历过云计算转型、移动化转型的企业，对于如何管理技术变革已经有了经验。
对于创业者和产品开发者来说，我认为关键是要理解你不需要等待完美的基础设施。Jason 在 SaaStr 的经验表明，即使在基础设施还不完美的情况下，通过精心选择用例、仔细准备数据、明确定义成功标准，AI agent 已经可以创造巨大价值。Monaco 在第一天就完成 10 万美元交易的案例表明，当条件合适时，AI agent 可以达到真正令人印象深刻的自主水平。
我也在思考这对不同规模公司的影响。大型企业有资源投资于数据基础设施和集成项目，但也有遗留系统和组织惯性的负担。初创公司更灵活，可以从一开始就围绕 AI agent 设计系统，但缺乏大公司的数据积累和资源。中型公司可能处于最有利的位置，既有足够的数据和资源，又保持了足够的灵活性快速适应。
最后，我认为这个转变会创造新的职业和技能需求。我们需要理解如何设计与 AI agent 协作的工作流程，如何监督和审计 AI agent 的决策，如何衡量 AI agent 的表现。这些不仅是技术技能，更是业务技能。那些能够弥合 AI 技术和业务需求之间鸿沟的人，将在未来几年变得极其宝贵。
Agent 将继续变得更好，这是肯定的。变量是你的数据基础设施是否准备好让它们发挥作用。这个转变不会等待任何人，现在就是行动的时候。
本文由人人都是产品经理作者【深思圈】，微信公众号：【深思圈】，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。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。