AI用了一堆、钱没赚到？阿里瓴羊放话：AI员工得直接扛KPI

听雨 发自 凹非寺
量子位 | 公众号QbitAI

AI办公大战打得这么热闹，企业到底赚到钱了吗？

麦肯锡最近一组数据很说明问题：

2025年，全球已有88%的受访企业，在至少一个业务职能中常态化使用AI。

但能从AI应用中获得显著价值、贡献至少5%息税前利润的「AI高绩效企业」，只占6%。

大量AI已经进了公司，但真正帮企业赚到钱的还不多。

一个有意思的情节是：员工用AI把200字总结扩成几十页PPT，老板又用AI把它压回200字。

Token是消耗了不少，个人工时也省了一些，但企业的收入、转化和留存却没有随之改变。

2026云栖大会上，阿里云智能集团瓴羊CEO朋新宇把这个问题挑明了：AI可以从效率革命起步，但最终要走到增长革命。

7月底，瓴羊AgentOne上的营销、销售、客服和运营四类AI员工正式上岗。

两个月后，瓴羊带着一批客户的成绩单来到云栖现场，同时推出「AI员工7日上场计划」：企业出一道真实业务题，瓴羊让AI先试岗七天，再用结果决定它能不能留下来。

这背后其实是一场关于企业AI的路线选择：办公助理已经足够多了，下一批AI要开始对生意负责。

AI用了一堆，为什么增长还没来

企业对AI的第一轮期待，大多围绕效率展开。

会议纪要自动生成、文档几分钟写完、客服问答不用排队。这些能力当然有价值，却很难单独解释一家公司为什么多卖了货、多留住了客户，或者为什么经营决策变得更准。

效率和增长之间，隔着一整套真实业务系统。

朋新宇在现场将企业AI分成了三层：

Chat层解决「知道」。它主要使用公开训练数据，通过对话问答帮人获取信息，价值更多体现在体验改善和成本节约。

Work层解决「做完」。AI开始接触个人电脑、文件、浏览器和工作流程，能够协助完成一项任务，进一步提升个人与组织效率。

Business层解决「增长」。到了这一层，AI必须进入ERP、CRM和企业自研系统，理解公司的业务口径与岗位经验，再去执行营销、销售、客服和经营分析等任务。

它的验收指标也随之换成收入、转化、留存、GMV和ROI。

瓴羊把自己定位在Business层。这意味着，企业级Agent面前最难的那道题，已经从「模型会不会回答」，变成了「它能不能读懂这家公司」。

企业当然不缺数据，订单躺在交易系统里，会员记录散在CRM中，门店经营情况装在一张张报表里，金牌销售的判断则可能只存在于脑子里。

对人而言，这些信息尚且需要跨部门翻译；对AI而言，它们更像一堆没有说明书的零件。

Gartner曾预测，到2026年，缺少AI-ready数据支撑的AI项目中，60%会被企业放弃。问题常常不在数据量，而在数据有没有统一含义，能否被调用，调用后又能不能追溯。

瓴羊将Data转化为AI Data的过程归纳为四步：

先把分散数据安全、实时地接进来，再统一字段与业务口径；随后把员工经验转成知识、规则和上下文，最后通过API、MCP等方式，让Agent能够调用数据和执行任务。

模型有了企业自己的「词典」和「操作手册」，才有资格走进经营现场。

五张成绩单，AI开始进经营现场

这套Business层的打法，先在岚图汽车的营销链路里跑出了结果。

它的线索池里沉淀着超过2000万用户，其中既有浏览过车型配置的潜在客户，也有咨询过金融政策、完成到店试驾的高意向人群，以及长时间没有互动的老用户。

过去，一条覆盖7大车系的基础推送，要经历圈选人群、分析需求、撰写内容、配置短链、搭建营销画布和链路检查，从准备到全量上线通常需要12到24小时。

拖拽节点、调试链接、反复核对，运营人员的大量时间消耗在这些机械操作上，留给用户研究和策略设计的精力越来越少。

岚图把这条营销链路拆给多个Agent协同完成。负责圈选人群的Agent先识别潜客、高意向用户和沉睡老客，人群洞察Agent进一步判断车型偏好与购车顾虑，内容生成和画布编排Agent随后接手执行。

涉及品牌口径、业务合规和策略方向的部分，仍由人来审核。

营销Agent团队上线后，单条营销策略的配置时间从12至24小时缩短到3小时以内。

消费者点击率提升15%以上，存量暂败线索激活率提升了20%，最终作用于转化，线索到订单的转化率对比提升了20%。

省下来的不只有操作时间。过去容易被淹没在线索池里的用户，现在可以更快地被识别出来，运营团队也能根据他们所处的购车阶段和车型偏好，匹配更合适的内容。

最终，效率提升反映在了点击、激活和到店等指标上。

另一个案例，联合利华，则把AI放进了离订单更近的销售环节。

同一家餐厅，厨师长在意口味与出品，老板关注成本和经营，采购关心价格与供应。

优秀销售在拜访前，会结合餐厅情况、菜品结构和关键人身份，判断先聊什么、推荐什么，以及如何回应竞品异议。这套能力长期依赖个人经验，新人很难快速复制。

瓴羊FDE（前沿部署工程师）将销售拜访录音、品类资料、消费者评价与联合利华自身业务知识结合，构建了「食物知识引擎」。

AI销售能够围绕具体餐厅和关键人生成拜访攻略，提前准备产品推荐、竞品比较和异议回应，每一项关键信息都能追溯来源。

金牌销售审核、修正后，新的经验还会继续沉淀到知识与规则体系中。

AI不会代替销售去见客户，它做的是拜访前的准备，让更多销售提前掌握客户背景、沟通路径和可能遇到的异议。推荐准不准、话题能不能继续聊下去，往往就在这些准备里拉开差距。

类似的变化也发生在飞鹤。面对2600余名经销商和约6.7万个零售网点，瓴羊FDE与飞鹤把指标口径、业务政策和分析方法沉淀成AI技能，让日报、渠道巡检和费用预警进入日常经营流程。

原本需要3天产出的省级经营管报，被压缩到1小时。

安踏则把Agent用进了商品企划。瓴羊AgentOne与千问大模型共同支持「AI企划」智能体平台，通过电商数据、社媒内容和专业趋势信息辅助季前判断，再把历史企划经验沉淀为可复用技能。

过去要跨环节反复沟通、耗时数周的复杂企划案，如今可以在数小时内完成。

到了星星充电，AI员工又换了一个工位：它走出企业内部，来到千问App的用户面前。这也是AgentOne X员工的一次落地。

用户在千问App里说一句「帮我找个离商场近、现在有空桩、价格合适的快充站」，系统便能理解距离、实时空闲情况、充电速度和价格等复合条件，调用星星充电的专业场站数据，再返回推荐结果。

传统充电服务要求用户自己打开应用，在地图和场站列表里逐项筛选。离目的地多远、有没有空闲桩、是否支持快充、价格能不能接受，都要由用户拆成一个个条件。

而场站推荐Agent可以直接理解用户用自然语言表达的完整需求，再将距离、空闲桩、充电速度和价格等条件，转化为对专业数据与服务的调用。

这套服务由三方协同完成：千问理解用户需求，星星充电提供场站数据和充电服务，AgentOne负责连接模型、数据与工具，将用户提出的多个条件转化为可执行的找站任务。

与前几个主要服务企业内部岗位的AI员工相比，星星充电的「X员工」直接面向消费者，也让企业积累的专业能力进入通用AI入口。

五家企业处理的业务问题各不相同，但AI都需要读取企业数据、进入真实流程，并接受点击率、到店转化和报告时效等业务指标的检验。这就是瓴羊所说的Business层。

AI员工上岗，光有一个Agent还不够

把Agent做成一个漂亮的demo不难，难的是让它在权限复杂、口径繁多的业务系统里天天干活，还能让人放心把活交出去。

回头看前面几个案例，真正起作用的是三样东西：

第一样是数据。飞鹤的AI能写经营管报，前提是先把指标口径、业务政策理清楚。同一个「费用」，换一家公司，算法可能完全不同。

第二样是Agent本身。岚图那条营销链路，从圈人群、做洞察到出内容、搭画布，是几个Agent接力跑完的，上线后还要在真实业务里持续运转。

第三样是人。联合利华的「食物知识引擎」，底子是金牌销售的拜访录音和经验。这些东西说不清、写不下，要靠驻场的FDE拆成AI能执行的流程。

瓴羊把这三样写成一个公式：Data+Agent+FDE=AI员工。

数据是AI员工的记忆，Agent是它的岗位技能，FDE是带它入职的教官。

带出来的AI员工，验收标准是三个词：能干、能信、能打。

能干，是能接住一整件任务，不用人把每一步拆成提示词喂进去。

能信，是关键数据和结论都能追溯来源，涉及权限的操作受企业级治理。

能打，是考核最终落到GMV、ROI、锁单率这些经营指标上，而不是看回答够不够流畅。

这三样凑在一起，恰好是瓴羊手里现成的牌。作为阿里巴巴全资子公司，它背后是阿里十余年的数据中台实践，现在又把企业级Agent和FDE放进了同一条交付链路。

过去做数据中台攒下的家底，成了今天AI进企业系统的地基。

One More Thing

看到这儿，你可能也想问：我们公司能不能也来一个？

瓴羊在云栖给出的办法是「AI员工7日上场计划」：

企业出一道真实业务题，瓴羊FDE带着AI员工进场，七天内做完场景诊断、方案设计和POC验证，最后交一份上岗前后的效果对比。

发布当天，现场就有27家企业签了意向书。

已经有企业先跑过一轮了，一家有约150家门店的智能床企业，七天梳理完110余项经营指标。现在管理者用自然语言就能查数，还能从整体一路下钻到城市、门店和具体环节。

想让自家第一个AI员工上岗，报名入口在这里：

https://agentone.cn/ai-7day-plan