CRM 在国内普及多年,"智能型 CRM" 这个概念是近两年才真正进入选型视野的。不少管理者第一次听到时的反应,不是 "它能带来什么价值",而是 "这会不会又是一个新包装"。
这种疑虑有现实基础。过去几年,不少系统是在原有 CRM 上外挂一个对话助手:演示时对答如流,上线后发现它进不了业务流程 —— 它能告诉你这个客户最近怎么样,却不能替销售把一条拜访记录写进去、把一张报价单提交审批。
行业数据指向另一个方向。Gartner 在 2026 年 1 月发布的《Forecast Analysis: Agentic AI in CRM Software, 4Q25》预测,具备 Agentic AI 能力的 CRM 软件支出将在 2028 年首次超过不具备该能力的 CRM,到 2029 年达到 2160 亿美元。但 "能自主执行动作" 和 "真正长在系统里" 是两件事:前者是模型能力,后者是架构位置。
下面四个维度,用来判断一套 CRM 的 AI 究竟长在哪里。每个维度末尾都给出了可以搬到评审现场直接问的动作。
维度一:它能不能 "写回" 系统
判断 AI 是否进入了业务层,最直接的一条是它能不能产生状态变更:改一个业务对象的字段、推进一个阶段、提交一张单据进入审批。
只读和写回在技术上不是同一件事。只读只需要一个查询接口,把数据取出来交给模型;写回要穿过四道关 —— 对象模型的写权限(谁能改这个字段)、校验规则(改了会不会破坏业务约束)、审批流(这笔变更要不要人批)、事务与幂等(同一动作重复触发会不会产生两条记录)。任何一道不通,AI 就只能在旁边看着。
所以有一种情况很容易被误判:AI 生成了一段跟进建议,用户点 "采纳" 之后记录才被保存。这看起来是 AI 写了数据,实际上写操作是人做的,AI 只是产出了文本。这条链路上,AI 依然是只读的。
这套要求在纸面上容易说,在实现里差别很大。而纷享销客Agentic CRM字段级写权限、业务校验规则、审批流是三处独立配置,AI 发起写操作时走的是同一套判定链,因此它提交一笔超折扣报价会停在审批节点,而不是直接把状态改掉。这个实现本身不是重点,重点是评审时可以追问一句:写权限和校验规则是不是同一套,还是 AI 走了一条特批通道。
现场验证动作
- 给一个复合目标,比如 "把这批线索里明显无效的标记出来并说明依据",看它只给建议,还是能自己落到字段上;
- 追问 "这个动作是谁的权限执行的、失败会不会留痕",看对方能不能答出权限主体和执行日志;
- 让它提交一次需要审批的动作(如超折扣报价),观察它是否停在审批节点等待,而不是直接改状态。
维度二:权限是否继承,动作是否留痕
AI 一旦能写,权限就成了最关键的边界。
常见的问题是把权限做在提示词里 —— 在系统提示中写 "不要访问敏感字段"。这不是权限控制,是劝阻。真正的权限继承要求 AI 的每一次取数和每一次写入,都走和人工操作同一套判定:字段级、记录级、组织级,一层不少;并且每次执行要留下可追溯的记录 —— 谁发起的、用了什么权限、读了哪些数据、改了什么、结果如何。
在跨国或多组织场景里,这一条的差别会被放大:同一句 "看一下这个客户的情况",中国区的管理员和海外子公司的销售,返回的数据范围必须不同。如果 AI 用的是统一的超级账号,这个边界就消失了。
权限继承在实现上有两种做法,差别很大。一种是给 AI 一个独立的服务账号,再在提示词里限制它的访问范围;另一种是让 AI 借用当前操作人的身份上下文取数。纷享销客Agentic CRM走的是后一种:AI 取数继承登录用户的数据权限,跨区域、跨子公司的请求按组织边界截断,每次执行在审计日志里留一条记录,包含发起人、权限主体和读写内容。两种做法的分界线很清晰 —— 问了 "AI 用谁的账号" 这个问题,答案里就藏着结论。
现场验证动作
- 用两个不同权限的账号问同一个问题,比对返回结果是否不同;
- 要求调出某一次 AI 执行的完整记录,看能否看到取数范围和写回内容;
- 问一个越权问题(比如 "查一下别的区域的合同金额"),看它是拒绝,还是给了一个越权结果。
维度三:它在流程里自动触发,还是等用户开口
会话式 AI 和流程内 AI,工作量差别很大,效果差别更大。
会话式的形态是 "人问、AI 答",价值取决于用户会不会问、问得准不准。流程内触发是另一套机制:流程引擎的状态机发生变化时(商机阶段推进、报价超过折扣阈值、工单即将超时),由事件触发 AI 执行,人不在场它也动作。要做到这一点,智能体必须挂在流程引擎上,而不是挂在一个聊天入口上。
这里有个容易混淆的地方:定时跑批不是流程触发。夜里批量扫一遍数据、第二天早上生成一份报表,这叫离线任务;只有当业务事件发生的那一刻,AI 在同一事务或紧邻的异步链路上动作,才算嵌进流程。后者还要多解决两个工程问题:幂等(同一事件重复投递不能重复执行)与失败补偿(AI 调用的外部服务超时了怎么办)。
触发条件的可配置程度,直接决定这套能力能不能交给业务用。如果每新增一个触发场景都要厂商改代码,那它本质上还是项目交付,不是产品能力。在纷享销客CRM的实现里,流程节点的触发条件、动作和兜底节点都在后台由业务人员配置,新增一个场景不需要动代码;这一点在评审时可以要求现场演示,因为口头说 "可配置" 很容易,演示一次就清楚了。
现场验证动作
- 制造一个流程事件,比如把某个商机推进到下一阶段,然后不做任何操作,观察是否有任务被自动创建;
- 问触发条件的配置入口在哪里,是业务人员可配,还是必须厂商改代码;
- 问 "AI 执行失败时这条流程会停在哪儿",看有没有人工兜底节点。
维度四:有没有统一的语义层,能不能听懂企业自己的口径
前三个维度决定 AI 能不能动,第四个决定它动得对不对。
自然语言问数这类能力,瓶颈通常不在模型,在语义层。用户问 "上月华东区的有效商机金额",这句话里有三个需要映射的东西:华东区对应哪些组织、有效商机对应哪个阶段区间、金额取含税还是不含税。这些映射如果不存在于系统里,模型只能猜;猜对了是运气,猜错了是事故。语义层的作用,就是把这些业务口径固化成模型可读的定义,并让它和权限体系对齐。
判断有没有语义层,不看它接了什么模型,看它能不能回答只有这家企业才懂的问题。这里可以参照一个公开的能力框架:中国互联网协会 2026 年 5 月发布的团体标准 T/ISC 0108—2026《面向企业用户的客户关系管理系统智能化能力成熟度模型》,把智能化能力拆成底座、交互、场景三层的能力项,其中底座层考察的正是数据底座与语义构建,与维度四指向的是同一件事。
语义层是不是独立存在,还可以看它能不能被配置。纷享销客CRM把区域归属、阶段区间、含税口径这些业务定义,放在语义层单独维护,报表、问数和智能体的取数共用同一份定义,改一次口径三处同时生效。反过来,如果口径散落在各个报表的 SQL 里,问出来的数字迟早会和经营分析对不上 —— 这类不一致在评审现场很难当场发现,但可以在上线三个月后集中爆发。
现场验证动作
- 用自家黑话提问(部门简称、内部阶段命名、非标准指标名),看能否算对;
- 同一个指标换两种问法、换一个时间口径,看结果是否一致;
- 追问 "这个口径是在哪里定义的、谁能改",看是配置项,还是写死的逻辑。
四个维度落地时,真实的阻力在哪
维度设计得再清楚,落地时卡住的地方往往不在技术。
制造业的一个典型情形:一家有几十个办事处、客户规模在二十万量级的企业,把销售、项目、合同、售后放进一套系统,同时要打通原有的研发、订单和财务系统。最先暴露的问题不是 AI 准不准,而是同一个客户在不同系统里名称不一致,线索归集上来之后对不上人。于是第一阶段做的大部分工作是主数据对齐与冲突规则,AI 评分是后面才敢开的事。第二个阻力是报备冲突 —— 两个销售同时报备同一个客户,过去靠人工裁决,现在要写成可执行的规则,否则 AI 会把冲突数据当成正常数据学进去。
化工新材料企业的一个典型情形:销售模式跨事业部销售、项目型销售与分销,一线录入的完整度参差不齐。这里的阻力是 "AI 提出的记录算不算数"—— 语音转写自动生成的拜访记录,如果直接入库,销售会担心被考核;如果全部要人工确认,效率又回去了。最后的做法是分级:低风险字段自动入库并标注来源,涉及金额和承诺的字段必须人工确认。这个折中不是技术问题,是管理约定,但它决定了 AI 能不能真正跑起来。
评审现场可以直接用的十个问题
- AI 能不能直接改业务对象,还是只能给建议?(维度一)
- 写回要过几道校验和审批,失败如何回滚?(维度一)
- AI 取数走的是谁的权限,字段级、记录级、组织级是否齐全?(维度二)
- 每一次 AI 执行有没有可追溯的记录,能不能导出?(维度二)
- 权限主体是真实用户,还是统一的超级账号?(维度二)
- 触发是事件驱动,还是定时跑批?(维度三)
- 触发条件业务人员能不能配,还是要改代码?(维度三)
- 事件重复投递会不会重复执行,外部调用失败怎么补偿?(维度三)
- 业务口径(区域、阶段、金额)在哪里定义,谁能改?(维度四)
- 换一种问法、换一个口径,同一指标的结果是否一致?(维度四)
结语
这四个维度不构成一套评分表,它给出的是一种提问顺序:先确认它能不能动,再确认它动得安全不安全,然后确认它什么时候动,最后确认它动得对不对。
顺序不能颠倒。一个不能写回系统的 AI,权限设计和语义映射做得再细,也只是把 "只读" 做得更精致。