除了代碼和客服，AI agent下一個爆發的場景會在哪？

你有沒有想過，為什么 AI agent 在編程領域遍地開花，在銷售和金融領域卻進展緩慢？是因為 AI 在這些領域不夠好用嗎？還是說我們對這個問題的理解根本就錯了？Anthropic 本周發布了一份基于近百萬次真實生產環境工具調用的分析報告，數據顯示軟件工程占據了 49.7% 的 AI agent 部署，而銷售和 CRM（客戶關系管理）只有 4.3%，金融 4.0%，法律更是只有 0.9%。乍一看，你可能會得出這樣的結論：AI agent 適合程序員和客服，但在其他領域還有待觀察。但這個結論完全錯了。SaaStr 創始人 Jason Lemkin 在最近的分享中明確指出，AI agent 在銷售和 GTM（Go-to-Market，市場營銷）領域是有效的，只是我們剛剛開始而已。給它今年剩余的時間，你會看到完全不同的景象。

我深入研究了這個話題后發現，Anthropic 數據中那些低采用率數字，并不意味著 AI 在這些領域不起作用。它們意味著 2025 年時數據基礎設施還沒有準備好。這是一個完全不同的問題，有著完全不同的解決時間線。而在 2026 年，這個情況已經在快速改變。Jason 分享的早期結果已經非常令人振奮：他們最新的 AI agent Monaco 在上線第一天就自主完成了一筆 10 萬美元的交易。完全自主，沒有任何人工干預。這不是科幻小說，這是正在發生的現實。

為什么編程和客服率先取得成功

我們很容易認為開發者率先采用 AI agent 是因為他們是技術精通的早期采用者。這確實是原因之一，但真正的原因其實是結構性的。Jason 在分享中解釋得非常清楚，我覺得他的分析切中要害。想想一個編程 agent 實際需要什么才能運作。代碼就在那里，每個文件、每個函數、每個依賴項都在代碼庫中，結構完美、版本受控、即時可訪問。沒有數據治理委員會，沒有集成項目，沒有長達六個月的 IT 采購周期。你打開代碼庫，agent 就擁有了它需要的一切。

反饋循環同樣簡潔。你運行代碼，測試通過或不通過，構建成功或失敗。幾秒鐘內你就知道 agent 是否做了有用的事情。這種緊密性，數據訪問加上即時可驗證性，正是軟件工程成為第一個規模化領域的原因?？头裱送瑯拥哪Ｊ?。有一張工單，有一個知識庫，有一個解決事件。數據范圍是受限的，結果是二元的。AI agent 預計會在客服領域產生最大影響，正是因為這些條件已經到位。

我認為這個觀察非常重要，因為它揭示了一個關鍵事實：這兩個領域之所以獲勝，不是因為 AI 對它們效果更好，而是因為它們已經擁有了其他所有領域仍在努力構建的東西。這是數據可訪問性和反饋機制成熟度的問題，不是 AI 能力的問題。一旦你理解了這一點，你就會明白為什么銷售和金融領域的低采用率不是一個警示信號，而是一個時間問題?；A設施一旦就位，這些領域的 AI agent 應用將會爆發性增長。

銷售和金融實際需要什么，以及為什么更難

問問你自己，一個真正有用的 AI 銷售 agent 需要什么。它需要你的 CRM 數據，包括聯系人、交易歷史、活動日志、銷售漏斗階段。它需要郵件和日歷上下文來理解關系歷史。它需要產品使用數據來了解客戶實際在做什么。它需要上次通話的錄音、LinkedIn 上關鍵人物的職位變動、上次輸掉競爭的失敗總結中的競爭情報。它需要知道上個季度哪些交易停滯了以及原因。

這些數據沒有一個在同一個地方。大多數都沒有干凈的 API（應用程序接口）。有些只存在于人們的腦海和收件箱中。集成面非常龐大，以語義連貫而非僅僅技術連接的方式將其連接起來，確實非常困難。Jason 引用的數據顯示，46% 的組織將與現有系統的集成列為部署 AI agent 的主要挑戰。這不是能力差距，這是管道差距。

金融領域更加復雜。一個有用的金融 AI agent 需要你的 ERP（企業資源計劃系統）、銀行數據、應付賬款、應收賬款、人員規劃、合同條款，最好還有一些關于為什么做出歷史決策的機構記憶。它在一個受監管的環境中運作，錯誤不僅僅是返工，可能是合規事件。75% 的企業領導者將安全性、合規性和可審計性列為 agent 部署最關鍵的要求，這個標準在金融和醫療保健領域最高。

我深入思考過這個問題，發現這里有一個關鍵洞察：AI 不是瓶頸，數據基礎設施和治理層才是。這解釋了為什么即使 AI 模型本身已經非常強大，在這些領域的應用仍然受限。不是技術做不到，而是我們還沒有建立起讓技術發揮作用的環境。這就像你有一輛性能卓越的跑車，但道路還沒修好一樣。

反饋循環的遏制問題同樣真實存在

除了數據訪問之外，還有第二個結構性問題：反饋循環。在編程中，agent 的輸出可以在幾秒鐘內驗證。但在銷售中，"它有效"意味著什么？郵件得到回復了嗎？交易是因為 agent 的外聯而推進的，還是因為關鍵人物最終獲得了預算批準？銷售結果是嘈雜的、滯后的，并且與 agent 無法控制的變量糾纏在一起。

這就是為什么早期銷售 AI 看起來像是輔助功能，起草郵件、總結通話錄音、填寫 CRM 字段，而不是自主 agent 完成銷售管道。不是因為模型做不到更多，而是因為大多數公司還沒有建立起知道自主決策是否良好的反饋基礎設施。我認為這個觀察非常準確。在沒有清晰反饋機制的情況下，讓 AI 自主做決策是危險的，因為你無法知道它的決策質量如何。

金融領域有同樣的問題，而且更加復雜。當 AI agent 標記預算差異或生成現金流預測時，真實情況要幾個月后才會到來。反饋循環很長，后果會累積。在建立了對 agent 做了什么以及為什么做的重要可觀察性之前，你無法在那種環境中快速迭代。這種延遲的反饋讓優化 AI agent 變得困難，因為你需要等待很長時間才能知道它的表現如何。

基礎設施正在此刻被構建

讓當前時刻變得有趣的是：這些結構性障礙正在積極消解。Jason 在分享中提到，CRM 供應商正在積極開放他們的數據。到 2026 年年中，大多數領先的 CRM 供應商將提供與企業工作流程直接集成的原生 agent 框架。HubSpot、Salesforce 和它們的競爭對手正在競相成為 AI agent 需要的連接組織，它們有強大的財務動機快速做到這一點。誰擁有銷售中 AI 的數據層，誰就能獲得巨大的平臺價值。

87% 的 IT 高管將互操作性評為對成功采用 AI agent 非常重要或至關重要。2026 年的企業 IT 預算正在流向使銷售和金融 agent 成為可能的集成基礎設施。管道工作正在進行。這些數字已經在預測中顯示出來。Gartner 預測到 2026 年底，40% 的企業應用程序將與特定任務的 AI agent 集成，而 2025 年這個數字不到 5%。這不是邊際增長，這是階躍變化。它不會全部流向軟件工程，增長必須來自某處，那個某處就是 Anthropic 圖表中目前處于 1-5% 的領域。

我對這個趨勢的看法是，我們正處在一個關鍵的轉折點?；A設施的建設速度比大多數人預期的要快，這意味著那些提前布局、在基礎設施完全成熟之前就開始建立能力的公司，將在未來幾年獲得巨大的先發優勢。這不是一個觀望的時候，而是一個行動的時候。那些等待基礎設施完全就緒才開始的公司，可能會發現市場已經被早期進入者占據了。

這對創始人、SaaS 公司和買家意味著什么

Jason 在分享中給出了三個非常具體的建議，我覺得每一個都值得深入思考。如果你正在為銷售、金融或任何數據復雜的垂直領域構建 AI，Anthropic 的低數字不是警告信號，它們是市場地圖。在基礎設施建設期間，在管道完全成熟之前，在這些垂直領域建立品類領導地位的公司，一旦基礎設施成熟，將變得無法取代。這就是窗口期。

我認為這個觀點非常關鍵。現在進入這些領域的公司，面臨的競爭相對較少，因為很多人還在觀望。但一旦基礎設施就位，市場會迅速成熟，競爭會急劇加劇。那些現在就開始積累經驗、建立客戶關系、優化產品的公司，將擁有巨大的優勢。他們不僅理解技術，更重要的是理解這些領域特有的業務邏輯和數據復雜性。

如果你是 CRM、ERP 或金融軟件領域的 SaaS 老牌公司，你的緊迫性比你可能感覺到的要高?，F在正在進行的集成工作，CRM 供應商開放 API、ERP 供應商構建 agent 框架，正是你的替代品被構建的基礎。如果你不是在你的品類中構建原生 agent 層的人，那就是別人在做。SaaS 提供商已經在提供無限制的 AI agent 企業許可協議，將 AI agent 能力轉變為戰略性留存策略的消費模式。

這個警告我覺得很有道理。對于現有的 SaaS 公司來說，AI agent 不僅僅是一個新功能，而是一個生存問題。那些不能快速適應、不能在自己的平臺上提供原生 AI agent 能力的公司，可能會發現客戶開始流失到那些能提供這些能力的競爭對手那里。用戶的期望已經改變了，他們希望軟件能夠理解自然語言、自主完成任務，而不是僅僅提供界面讓他們手動操作。

如果你是今天在銷售或金融領域部署 AI 的買家，如果不建立治理、可觀察性和 ROI（投資回報率）清晰度，AI agent 項目到 2027 年面臨被取消的風險。失敗模式不是 AI 不起作用，而是部署范圍不夠緊密、數據不夠干凈、成功標準定義不夠清晰。從小處開始，選擇一個數據可訪問、結果可衡量的工作流程。證明它，然后擴展。

我非常認同這個建議。很多 AI 項目失敗不是因為技術問題，而是因為期望管理和范圍控制問題。公司往往一開始就想做太多，結果發現數據質量不夠、集成太復雜、成功標準不清晰，最終項目陷入困境。從一個小而明確的用例開始，證明價值，建立信心，然后逐步擴展，這是更明智的策略。

SaaStr 的實際案例：AI Agent 真的在起作用

Jason 在分享中不僅引用了數據，更分享了他們在 SaaStr 的實際經驗，這讓我覺得特別有說服力。理論和數據很重要，但真實的案例更能說明問題。在 SaaStr，他們運行 AI GTM agent 已經幾個月了。令人震驚的不是它們有效，而是它們持續變得更好的速度。月復一月，有時甚至周復一周。一個在第三季度表現還算可以的外聯 agent，現在表現真的令人印象深刻。改進曲線比他預期的要陡峭，而他本來就預期它會很陡峭。

他們的 AI agent 已經為他們帶來并幫助完成了數百萬美元的收入。具體數據是，他們從 AI agent 那里建立了 480 萬美元的銷售管道，其中 240 萬美元已經完成交易。交易量翻了一番，成交率翻了一番。Agent 全天候工作，擁有更多可以提取的上下文。他們甚至在周六完成了一筆 10 萬美元的交易。這些都不是概念驗證或演示，這些是實際發生的業務結果。

我認為最令人震撼的是上周發生的事情。Monaco，他們最新的 AI 銷售 agent，自主完成了一筆 10 萬美元的交易。完全自主。沒有人起草外聯郵件，沒有人管理跟進，沒有人安排會議。Monaco 識別了潛在客戶、與他們互動、培養了對話，并促成了交易。10 萬美元，自主完成。這不是演示，不是概念驗證，這是真實發生的。我之前也寫過這個產品的分析，感興趣的可以看《》。

Jason 強調，讓這成為可能的不是一夜之間發生的模型能力突破（盡管 Claude Opus 4.6 確實有幫助），而是 Anthropic 研究指出的同樣因素：數據是可訪問的，工作流程是定義的，反饋循環足夠清晰，agent 可以導航。Monaco 可以訪問正確的信息，在足夠受限的上下文中操作，知道成功是什么樣子。這就是公式。它越來越具有可復制性，不僅對他們，對任何愿意做好數據和工作流程準備工作的 B2B 公司都是如此。

我對這個趨勢的深度思考

我花了很多時間思考 Jason 分享的這些觀察和數據，我認為這里有幾個非常重要的洞察值得展開討論。顯示軟件工程占 AI agent 部署 50% 的 Anthropic 數據，是數據基礎設施恰好首先準備就緒的快照，而不是對 AI 在哪里有效、在哪里無效的判決。編程在代碼庫中擁有數據，客服在服務臺中擁有數據，兩者都有緊密的反饋循環。這些條件使早期部署變得簡單直接。

銷售、金融和法律有分散的數據、更長的反饋循環和更難的遏制。采用數字反映了這些結構性現實，而不是模型的能力。我認為這個區分非常關鍵，因為它改變了我們思考問題的方式。如果你認為低采用率是因為 AI 在這些領域不夠好，你可能會等待更好的模型。但如果你理解問題是數據基礎設施，你就會開始構建那個基礎設施。這是完全不同的行動路徑。

基礎設施正在此刻被構建。集成 API 正在開放。CRM 和 ERP 供應商正在競相變得 agent 就緒。在這些領域部署 agent 的公司已經報告了強勁的結果。67% 的企業領導者表示，即使未來 12 個月出現衰退，他們也會維持 AI 投資。這不再是炒作，這是基礎設施支出。

我認為我們正在見證一個重要的轉變時刻。AI agent 的浪潮正在向銷售、金融和 Anthropic 圖表中的每個其他垂直領域涌來。唯一的問題是你是會成為駕馭它的人，還是解釋為什么錯過它的人。這不是一個是否的問題，而是何時以及如何的問題。那些現在就開始準備的人，將在這個轉變中獲得最大的收益。

我還注意到一個更深層次的模式：技術采用的速度正在加快。從編程和客服到銷售和金融的轉變，不會像從命令行到圖形界面那樣花費幾十年。我們談論的是幾年甚至幾個月的時間跨度。這種加速是因為底層技術進步的速度在加快，但也因為企業對技術變革的適應能力在提高。那些經歷過云計算轉型、移動化轉型的企業，對于如何管理技術變革已經有了經驗。

對于創業者和產品開發者來說，我認為關鍵是要理解你不需要等待完美的基礎設施。Jason 在 SaaStr 的經驗表明，即使在基礎設施還不完美的情況下，通過精心選擇用例、仔細準備數據、明確定義成功標準，AI agent 已經可以創造巨大價值。Monaco 在第一天就完成 10 萬美元交易的案例表明，當條件合適時，AI agent 可以達到真正令人印象深刻的自主水平。

我也在思考這對不同規模公司的影響。大型企業有資源投資于數據基礎設施和集成項目，但也有遺留系統和組織慣性的負擔。初創公司更靈活，可以從一開始就圍繞 AI agent 設計系統，但缺乏大公司的數據積累和資源。中型公司可能處于最有利的位置，既有足夠的數據和資源，又保持了足夠的靈活性快速適應。

最后，我認為這個轉變會創造新的職業和技能需求。我們需要理解如何設計與 AI agent 協作的工作流程，如何監督和審計 AI agent 的決策，如何衡量 AI agent 的表現。這些不僅是技術技能，更是業務技能。那些能夠彌合 AI 技術和業務需求之間鴻溝的人，將在未來幾年變得極其寶貴。

Agent 將繼續變得更好，這是肯定的。變量是你的數據基礎設施是否準備好讓它們發揮作用。這個轉變不會等待任何人，現在就是行動的時候。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。