事实证明，颠覆 Salesforce 并不像搭建一个接入 OpenAI 的语音 Agent 那么简单。那些试图用轻量级、套壳式的集成来取代由传统记录系统所掌控的核心工作流的公司，往往发现它们的 Agent 频频出错，甚至彻底失效。

矛盾的是，我们正目睹销售、支持和法律领域复杂 AI 产品的爆发式增长。那些攻克复杂工作流的企业软件公司，常常在头两年内就从 0 美元增长到 500 万、1000 万甚至超过 2000 万美元的 ARR。那么，这些新兴 AI 创业公司是如何解决这些复杂用例的呢？

购买 AI 的企业就像拿到 iPhone 的老奶奶：他们想用，但需要你来帮他们设置好。

## 对 PLG 的执念与历史现实

在过去十年的大部分时间里，人们普遍认为产品驱动增长（PLG）优于重实施的企业软件。其吸引力显而易见：PLG 承诺更强的可扩展性和更高的利润率。这种执念源于 Atlassian、Slack、Figma、Notion 和 Dropbox（以及近期的 ChatGPT 和 Cursor）等成功案例。这些产品都提供简单的单人模式，无需销售电话即可轻松采用，并且可以直接用信用卡购买——无需冗长的需求界定或企业合同。

然而，在平台变革时期，公司有空间去试验和构建不遵循这一标准化公式的更复杂的产品。Salesforce、ServiceNow 和 Workday 正是在从本地部署向云平台转型的过程中做到了这一点。这几家公司销售的都是需要大量实施、服务和支持的企业平台，这与自下而上的 PLG 恰恰相反。但通过搞定复杂的实施，这些公司凭借可观的市场市值取得了主导地位：Salesforce 达 2540 亿美元，ServiceNow 达 1940 亿美元，Workday 达 630 亿美元。它们的总价值远超顶尖的 PLG 公司，而且差距悬殊。

## 实施的必要性

Salesforce、ServiceNow 和 Workday 之所以能取得成功，是因为它们做了大量的实施工作。企业级 AI 产品对实施的要求甚至更为突出，因为它们需要深度的集成和上下文。为了应对这种复杂性，服务团队承担着繁重的工作，将 AI 应用安全地连接到内部数据库、API 和工作流，确保模型拥有交付价值所需的上下文——历史记录、业务逻辑等等。

Salesforce 和 ServiceNow 这类定义品类的公司之所以变得不可或缺，很大程度上是因为它们能够与企业的内部系统和上下文集成：

  • Salesforce 只有在配置了正确的销售数据跟踪字段后才有价值
  • ServiceNow 只有在 ITSM 工作流得到正确集成和编排后才能运作
  • Workday 需要大量的 HR 数据迁移和配置

这种定制化工作在初期会导致毛利率降低、资金消耗率升高。IPO 时，ServiceNow 的毛利率为 63.2%，而 Workday 仅为 54.1%——远低于软件行业理想的约 80%。即使是通常被视为行业标杆的 Salesforce，据报道在建立合作伙伴生态系统之前，也曾烧掉超过 5200 万美元才产生 2200 万美元的收入。

这类复杂业务最适合在平台变革初期构建，此时工作流尚未定型，替换整个记录系统的回报也最高。没有公司会在没有巨大预期 ROI 的情况下替换 CRM 这样的核心系统。Salesforce 正是乘着从本地部署向云端迁移的浪潮颠覆了 Siebel。实施 Salesforce 所需的 IT 投资要低得多，且无需本地安装，从而为每个用户带来更低的成本和更好的体验。

AI 平台变革与此前的云或移动转型不同——在某些方面也更令人兴奋——因为构建 Agentic 体验所需的实施工作本身就可以通过 AI 来简化和自动化。历史上的集成工作可能需要与合作伙伴进行沟通协作、映射数据字段、处理不同编程语言之间的数据传输，以及理解各种内部规范。这类工作如今可以借助 AI 大幅提高效率（在某些情况下甚至可以完全由 AI 完成）。想象一下，启动一个 Agentic 浏览器实例来从缺乏 API 的系统中检索信息，或者用一个对话式 Agent 来简化内外部沟通中的工作流。

一旦这些工作流和行为得以确立，这些公司便拥有了“护城河”，使其能够提高价格并构建实施生态系统。这种定价能力体现在毛利率随时间的提升上：2024 年，ServiceNow 的毛利率达到 79%，Workday 为 75%。

Agent 成为活跃的同事

如今，即使是 Salesforce、ServiceNow 和 Workday 这样的标杆性记录系统也变得脆弱，因为曾经驱动客户锁定的工作流和人类行为，如今越来越多地可以由 AI Agent 来处理。这一转变彻底改变了如何最有效地占据数据摄取入口的格局。

软件不再只是辅助工作者——软件本身就是工作者。软件不再需要数据库之上的图形用户界面才能运行；它可以自主地端到端完成任务。但随着任务变得越来越复杂，完成这些任务也变得更具挑战性。要让 AI Agent 真正达到与人类员工同等的水平，企业需要专业服务来围绕这一新方式重新设计岗位职能和流程。如果没有 hands-on 的实施支持，AI 可能达不到一名敬业员工所设定的标准。然而，在恰当的支持下，Agent 可以承担更全面的职责，释放出远超基础任务自动化的巨大商业价值。

我们已经看到一些早期迹象：企业正在采用实施服务模式——类似于 Salesforce、ServiceNow 和 Workday 所采用的模式——来解决这一问题。只需看看领先 AI 应用公司发布的产品和技术文档即可。它们的共同点比其落地页所展示的要多得多。许多产品差异化来自于同一底层技术在不同客户群体中的不同实施和应用方式。

Agent 入职可以借鉴人类入职

让人类员工入职并非易事。让解决销售、支持或法律等领域端到端用例的 AI Agent“入职”，也没有什么不同。要发挥作用，先进的 Agent 需要主动管理、引导式学习，以及来自内部系统读写权限的丰富上下文。对人类而言，这一角色通常由经理扮演。而对最优秀的复杂 AI 应用公司来说，这一角色往往由专业服务员工担任，有时会被重新命名为前沿部署工程师或实施/解决方案专家。

以 Decagon 这样一家用 Agent 自动化客户支持的公司为例。该公司拥有一支规模可观的人类“Agent 产品经理”团队，他们与客户紧密合作，搭建 AI 支持 Agent。这些 PM 具备较强的技术能力，帮助实施、集成和解决问题，使 Decagon 的 Agent 能够自主处理各种客户支持请求。

专业服务团队可以帮助根据企业的具体需求定制 AI 应用，并确保其成功落地。AI 可以很神奇，但前提是被正确地运用。这正是前沿部署团队的用武之地：将模型转化为现实世界的解决方案。

初创公司应致力于成为工作系统

现有的记录系统之所以有价值，是因为它们掌握着捕获宝贵数据的工作流，这使它们成为公司的唯一可信数据源。如果新兴的 AI 应用想要真正成功，它们也应该同样把自己定位为生成、捕获和存储宝贵公司数据的工作系统。在竞相掌控数据摄取层的过程中，为 80% 的毛利率进行优化是短视的。如今企业唯一应该优化的是尽快扩大总毛利。它们应该通过控制数据进入系统的位置和方式来构建持久的护城河。

不仅仅是新兴应用公司看到了这一机会。随着基础模型变得越来越同质化，拥有应用层的重要性日益提升，甚至连 OpenAI 和 Anthropic 这样的模型提供商也在招聘前沿部署工程师和解决方案工程师，以在企业市场取胜。截至撰写本文时，OpenAI 招聘页面上的 311 个空缺职位中有 22 个属于这些类别。

团队构建首个服务团队的最佳实践

在与那些打造了精英服务组织的公司领导者交流时，我们总结出以下几个关键主题：

    • 聪明地销售。选择合适的客户，并从小范围切入。年轻的公司和产品不可能满足所有人的所有需求。识别一个在系统和用例上至少存在某些共性的理想客户画像（ICP），以最大化学习效果。
    • 优化激励机制：前沿部署团队需要与客户经理（AE）紧密协同。定价和薪酬设计应体现这一点。愿意承担销售配额的实施负责人很少见，而且这也可能导致适得其反的行为。相反，应设计允许服务按成本价销售的激励机制。随着 ACV 的增长，真正重要的只有成功（以及客户留存）。
    • 周密地设计系统：构建通用软件库，并以易于集成和理解的方式设计 API，从而让这些集成变得更加容易。考虑向客户提供哪些公开的 API 和接口。虽然提前在这方面深思熟虑可能会在早期拖慢开发速度，但它为未来的快速增长奠定了基础。
    • 留下痕迹。外包给生态系统提供商需要清晰且一致的文档。在设计时就考虑到这一未来，并记录一切。
    • 构建/购买自动化工具：在服务运营中追求最大速度和可扩展性。这是让复杂的 AI 应用公司能够比上一代更快扩展（并且可能以更低的最低 ACV）的关键突破口。一流的公司正在尽可能多地实现流程自动化，包括流程挖掘、数据管道自动化、系统集成以及梳理 API 文档等任务。这种速度会不断累积，并随着时间的推移形成竞争优势。
    • 招聘充满好奇心、敢闯敢干的人：这类实施工作不需要博士学位，但需要拼劲。最优秀的实施负责人具有高度的主动性和永不满足的好奇心。在某些情况下，将这些特质与对所服务行业（如法律或汽车行业）的一定了解相结合会有所帮助，但关键是要招聘那些对现状抱有健康的不满情绪的人。
    • 建立正确的反馈闭环：前沿部署团队——无论是否偏技术——都最贴近客户。关键是要在前线与产品团队之间建立正确的反馈闭环和顺畅的信息共享。消除“传话游戏”，加快开发速度。
    • 亲自到场：这句话之所以成为陈词滥调，是有原因的。显然，拜访客户可以让销售过程更顺利，但它也能提高专业服务取得成功的几率。在理清内部权力关系、推动新工具落地采用的过程中，亲身在场能起到很大帮助。

回应反对意见

对这种模式的批评者可能会认为，依赖专业服务模式限制了可扩展性，较低的毛利率反映出产品同质化，而且专业服务应该由生态合作伙伴而非公司自身来完成。这是因为在理想世界中，每家公司都希望成为漂亮的、自下而上增长的 PLG 赢家。然而现实是，在绝大多数情况下，这种模式都难以奏效。更持久、更深入整合的模式始终包含某种形式的手把手支持，例如前沿部署工程师或解决方案工程师。

手把手支持还能让年轻公司承接更大的合同，相比轻触式模式，有可能带来更快、更持久的营收增长。这些早期的服务合同还能验证客户的付费意愿，并预示未来合同规模的可能水平。随着时间推移，生态系统可以成为实现可扩展性和保护毛利率的有力工具。然而，正如从创始人主导销售过渡到专职销售团队一样，年轻公司需要先学会自己做，然后才能教别人去做。Salesforce、ServiceNow 和 Workday 都已经证明，高毛利率的业务正等待着粘性强的记录系统。对于这些新的工作系统而言，同样高的毛利率成果也触手可及，而且很可能比历史上的先例来得更快，因为如今这些服务运营的可扩展性已经大大提高。

当今任何优秀的 Agentic 应用的关键要素：服务

AI 的崛起创造了一个千载难逢的机会，可以构建全新的工作系统，但成功的落地需要接受一个硅谷长期拒绝的事实：有时，打造变革性软件必须依赖人力密集型服务。正如 Salesforce、ServiceNow 和 Workday 在成为如今庞大的软件企业之前，都不得不在实施、支持和集成服务上投入巨资一样，最有前景的 AI 应用也应遵循同样的路径。

那些执着于毛利率和可扩展性、却忽视了掌控工作系统所需的艰难问题解决的创始人，可能会因小失大。我们相信，将在这场平台变革中占据主导地位的公司，不会是那些拥有最漂亮界面或第一年财务报表最干净的公司——而是那些能够有效地用 AI 取代人工工作流程、捕获关键企业数据、并解决真实业务问题的公司，即使这意味着在此过程中要深入投入实施工作。通过今天拥抱专业服务模式，AI 初创公司正在为明天成为系统记录（systems of record）奠定基础，并最终获得随之而来的市值和高利润率。

特别感谢 Joe Morrissey、Santiago Rodriguez、Justin Kahl、Peter Doyle、John Solitario、Ben Scharfstein、Charlie Beall、Yousef Hindy、Robby Allen、Perry Ha、Adam Erickson 以及其他贡献者。