一笔工业品采购的开始，常常不在采购方的会议室里，而在某个负责人的电脑上。他把需求丢给 AI，让它拆成技术参数，让它列出这个品类有哪些供应商，再让它把几家的公开信息摆到一起比一遍。这件事已经不算个案。卓翰咨询 2025 年对 200 家制造与工业品企业的调研显示，受访企业里有 43% 反馈，他们客户的采购流程在正式联系供应商之前，就已经用 AI 做过一轮预筛选。预筛选做完，客户才愿意坐下来谈。这时候他问的往往不是“你们产品有什么优势”，而是“你上次说的那个数字，是怎么算出来的”。AI 给的答案，他未必敢直接用在决策上。这种变化在买方侧有更清楚的证据。据卓翰咨询整理的 Gartner 2026 年 5 月调研（645 名 B2B 买家），45% 的买家在最近一次采购中用过生成式 AI，主要用途是了解供应商和产品。同一份调研里还有另一个数字，69% 的买家仍然希望由销售人员来验证 AI 生成的信息。这两个数字放在一起，不少人第一反应是矛盾。既然将近一半的人自己用 AI 做研究，为什么还要找人验证？原因其实很直白。用 AI 做研究的人越多，需要有人替他确认 AI 说得对不对的需求就越大。AI 给答案很快，但它不负责这个答案能不能用在一笔几百万的采购上。供给端的动作比买方更快。Salesforce 2026 年的《销售现状》报告调查了 4,050 名销售专业人士，87% 的销售组织已经在潜客挖掘、线索评分、邮件撰写这类任务上用上了 AI，54% 的销售已经用过 AI Agent。国内企业的跟进速度也不慢，卓翰咨询 2025 年自己有 30% 的新客户来自 AI 搜索推荐，这个渠道在两年前几乎不存在。买方这头的变化还有一层。卓翰咨询在服务中发现，多数买家的最终候选名单只有两三家。客户在自己做功课的阶段就把名单缩到了这个长度，名单之外的供应商，连见面的机会都没有。买家用 AI 做研究，用真人做决策。信息差这一层正在被抹平，判断的缺口却还在，而且比过去更明显。

一份销售工作，正在被拆成两半

先说被拿走的那一半。

客户问一个参数，过去销售要翻样本、打电话问技术、等回复，半天过去。现在客户自己在对话框里问一句就有答案。一份招标要求的标准应答，过去要写三天，现在 AI 出初稿只要几分钟。还有一层更微妙的，靠“我比你懂行”建立起来的那种专业感，客户用同一个工具，查到的资料不比销售少。

这三件事有个共同点，它们都是可以写成规则、写成模板、写成提示词的工作。凡是能被写成规则的动作，AI 大多都能接手。被接走的是一段一段的动作，整条链子还在人手上。

留在人手上的那一半，是客户自己也没法用 AI 解决的部分。

“这个数怎么算出来的，口径是哪个？”客户拿到的报告里有一堆数字，他要的是这个数字站不站得住。还有一类问题更难，客户内部三个部门卡着，预算在财务、技术把关在总工、使用意见在车间，谁帮他把这条线捋顺、把流程往下推？再往下是决策的那一下，几百万投进去，方案能验证，风险不能，客户需要一个他信得过的人说一句“这个我能兜”。最后是价值那一头，这笔投入到底换回多少产能、多少成本、多少交期，要把技术语言翻译成老板听得懂的经营语言。

这四件事，AI 都能给出一份看起来完整的答案。客户不敢直接用，因为用错的代价是他自己承担。

一个能把这些答案兜住的销售，AI 替不掉；一个只会把 AI 的结论转给客户的销售，位置很快会被挤掉。

这件事，卓翰咨询在陪企业做能力盘点时反复遇到。管理者普遍能说出“要培养人”，说不清的是把它挂在哪。卓翰的做法是把交付切成两段，培训解决“知道”，陪跑解决“做到”。这个切分有企业自己的记录作依据，不是第三方调研。卓翰统计过 1,600 多场培训，培训后能直接把方法用起来的客户大约三成，加上陪跑跟进能到七成。差的那四成就落在课后跟进这一段，方法听懂了，回去之后却找不到可以挂上去的节点。

留在人手上的那一半，值多少钱

留在人手上的那一半，具体需要什么能力？说三样，都是能描述出行为、也能被检验的。

第一样是 AI 协作力。它不要求会写代码，要求的是三件事：把一个模糊任务拆成 AI 能执行的指令；对 AI 的输出做专业验证和纠错；把省下来的时间重新放到高价值的客户活动上。Salesforce 的数据里有一条能说明它会拉开差距，高绩效销售使用 AI Agent 做潜客触达的可能性，是低绩效者的 1.7 倍。同一个工具发下去，差距不在工具本身。Salesforce 自己的用法是个例子。销售执行副总裁 Adam Alfano 讲过，那些从来没被碰过的线索以前就堆在那里烂掉，交给 Agent 筛过一遍，四个月内接触了 13 万条，产出 3,200 个商机。同一个 Agent，会拆任务和不会拆任务，结果差的就是这个量级。

第二样是数据素养。这一条的门槛比听起来低，也比听起来高。低在不需要懂算法，高在敢追问口径。AI 给出的数字要经历三道追问：这个数怎么算出来的，样本是什么，换一个口径还成立吗。答不上来就说明这个数字不能用。买家里 69% 要求真人验证 AI 的信息，要的不是一份更漂亮的报告，正是这三道追问的答案。

第三样是信任建构力。在 AI 生成内容泛滥的环境里，可解释、可验证、可追溯变成了稀缺品。这个能力最容易验证也最容易被忽略，因为它的反面每天都在发生。一家工业阀门企业曾被 AI 介绍成“约 2,000 人、1998 年成立、主营管道安装工程”，实际是 87 人、2016 年注册、只做工业阀门。抓来的规模是招聘平台上同名集团的数据，成立时间是另一家老牌企业的词条，主营业务从客户三年前一篇转载文章里抽的词，没有一个来自官网。客户搜到你的时候，AI 说的对不对，是这家企业自己控制不了的事。信任不是话术，它是企业的案例库、交付记录、可追溯的数字，长在具体某个销售身上。

这三样能力，没有一样是听课能听会的。它们也不是一个人关起门来能练出来的，背后要有东西托着。

为什么企业自己长不出这套能力

课听不会，这里有更硬的原因。上课能解决的是个人层面的知道，可这三样能力都要附着在组织资产上才用得上。AI 协作力要有清晰的任务拆解和验证标准，否则销售不知道该让 AI 干什么、也不知道该信它哪一句。数据素养要有统一的口径和数据源，否则追问到最后发现公司内部三个部门给的是三个数。信任建构力要有可调用的案例库和交付记录，否则销售只能背话术，客户一问细节就漏。

节点不清，能力就无处附着。培训上了，工具买了，动作还是散的。卓翰咨询在陪跑中看过的很多团队，上了 AI 却没变化，缺的是一张能把动作挂上去的图。

有一家钻探装备制造企业，是这条判断最好的例子。

年营收十亿级，销售 30 人，真正做大项目的 12 个人。困局很典型，技术不差，价格也合理，但每次投标，参数看上去都像是照着竞争对手写的。半年以上的单子，常被一轮价格战打掉，中标率不到 20%。

卓翰介入后先做诊断，诊断完才谈培训。诊断的动作是把过去 12 个月的丢单记录一单一单摊开拆，这单决策链有几层，我们接触到哪一层，哪一层完全没有覆盖，最后输在谁手上。

拆完，答案和之前的猜测不一样。

大部分丢单，是输在一个从来没被拜访过的角色上，而不是输在价格上。

这句话在这家企业内部传开之后，很多争论自己就停了。因为过去大家默认输单就是报价没谈拢，于是所有改进都朝价格使劲，越使劲越被动。

诊断完，企业拿到的是一套工具。“退出判断”的四信号：决策者一次没见过面、参数明显照抄竞品、评标标准不透明、内部没有信息源。命中两项以上，就先评估这单还投不投，再决定要不要投入资源做方案。

六个月后的结果：中标率从 20% 提到 35%，无效投标减少 40%，大项目平均成交周期从 14 个月缩到 10 个月。

这六个月里，让局面变的是那张被画出来的决策链地图。

地图画出来，人和工具才知道往哪走。反过来也一样，一个团队如果连漏斗节点都说不清，AI 给出的“下一步建议”没有落点，培训赋能也没有靶子。这是这篇文章要下的一个核心判断，AI 放大的不是个人，是体系。

工具越多，越要先答一个问题

说到这里要泼三杯冷水。这三杯水本质上是同一件事，都是没分清什么该交出去、什么该长在人身上要付的代价。

第一杯是信任赤字。AI 输出的黑箱感会反噬采纳率。团队把 AI 的结论直接发给客户，一次错就够让客户记很久。稳妥的做法是“AI 出初稿、人来复核”，把复核这一步写成流程，不能靠个人自觉。

第二杯是技能过载。工具不是越多越好，这一点《哈佛商业评论》2023 年那篇《销售正被新技术淹没》写得很透，文章讲的是销售被一层层加上来的工具和技能压垮，每一次都说“就多这一个”。一线销售真正用得上的通常只有两三个，后台却给了十几个权限。给错了，销售的时间会被工具本身吃掉，很多团队是上了半年之后才发现这一点的。配置的原则是按角色给工具，不按职级给工具。

第三杯是人的断层。前端线索开发这个环节，被 AI 冲击最早，而它原本就是流失最高的环节。企业要提前把转岗路径设计出来，让做过线索开发的人往“AI 督导加高价值触达”这个方向走。等断层真的出现了再补，补的是招聘成本，能力补不回来。

三杯水指向同一个前提。工具堆得越多，越需要一个能判断“哪些该交出去”的框架。框架不在，工具越多越乱。

把交出去和长在身上分开

回到客户问的那句话，“这个数字，是怎么算出来的”。

能当场把这句话答清楚、并且答得住追问的销售，AI 替不掉。答不上来的销售，手里有一套再强的 AI，也只是在替客户搬运更多需要验证的东西。

所以对管理者来说，顺序比工具重要。先盘一遍团队，哪些事交给 AI 释放产能，哪些能力必须通过体系化培养长在人身上，盘清楚了，工具选型和预算投放才有方向。这个顺序搞反了，通常的表现是工具买了一堆，年底复盘时说不清到底哪一步变了。

这里有一条边界要划清。卓翰咨询从 2011 年开始只做 B2B 大客户销售这一件事，服务过的 900 多家企业集中在制造与工业品行业，客户复购率 85%（企业自有数据）。他们做的是业务问题定义和陪跑落地。AI 工具的技术选型和实现，归企业自己的数字化部门或专业服务商。这两件事各有各的专业，混在一起谈，往往两件都做不好。