作者：王聪彬 过去四年，围绕阿里云上的Salesforce，客户每年问的问题都不太一样。 2023年产品刚上线时，大家最先问的是CRM能不能上中国的云；第二年，问得最多的是全球系统里的能力能不能迁到中国；第三年，问题变成中国大模型能不能接进来；到了今年，客户开始问Agent到底能不能成为真实的生产力。 从四年四问看，企业对AI的期待已经往前走了很远。最早解决的是系统部署和数据合规，随后是模型能不能接进业务系统，现在企业开始把真实工作交给Agent，销售出门拜访前得先查客户历史、看报价有没有权限、商机优先级怎么排都已经在Agent上跑起来。 在今年云栖大会“阿里云上的Salesforce：连接人、AI Agent与CRM平台共创客户成功”论坛上，讨论也在围绕这些实际问题展开。模型能力是基础，但企业一旦开始用Agent，就会发现真正难的是模型之外的事。数据、流程，还得想清楚哪些工作能交给Agent，这些没做好，Agent根本转不起来。 从一次问答，到完成事务性任务 过去一年，Agent的使用量已经明显上升。OpenRouter数据显示，2024年11月至2025年5月，期间Token调用量增长5倍，随后三个月又接近增长3倍。另一个数据是Agent的Token消耗增幅达到14倍，高于同期整体Token调用量的增速。 去年企业常见的做法，是把AI嵌在某个Workflow里，让它完成其中一步，或者帮员工处理一个点状任务。今年，一些工作开始直接给Agent一个目标，由它自己判断需要哪些步骤、调用哪些模型，并检查中间结果。 这类变化首先影响的，往往不是一个完整岗位，而是岗位里大量被切碎的事务性工作。Salesforce的一项调研显示，销售每天只有约30%的时间直接用于客户，其余时间大量花在会前准备、会后总结、维护系统等事务上。 Agent最先接手的，往往就是这些零散但高频的工作。 但当Agent开始承担这些工作，就需要读取企业的真实业务数据，还要知道企业的流程和权限，比如创建一条商机、修改一个报价、发起一次审批。 这也是Agentic Enterprise与普通AI的区别，Agent不只是企业多了一个新的使用入口，它还要进入企业系统参与业务执行。阿里云上的Salesforce做的，就是把Agent与企业长期积累的客户数据、业务流程连接起来，让它能够在企业的逻辑中做事。 四层能力，让Agent知道该怎么做 让Agent回答一个问题并不难，难的是让它修改报价、创建商机、发起审批之后，还能遵守企业原来的权限和流程。 如今，在大几十轮甚至上百轮的任务当中，Agent仍然能够保持对上下文的稳定理解。这主要是Agent知道公司里发生过什么，哪些数据可以看，哪些操作可以做。 CRM里长期保存的客户信息、报价规则、服务记录、审批路径，这些都是Agent理解业务的来源。员工可以通过自然语言调用这些能力，报价和审批仍然按照原来的业务规则运行。 阿里云上的Salesforce把企业Agent需要的能力抽象成四层：互动系统、智能体系统、业务系统和上下文系统。四层分别处理员工从哪里与Agent协作、Agent如何规划任务、业务按照什么规则执行，以及完成这些工作需要调用哪些数据。 最顶层是互动系统，员工每天已经在使用的钉钉群聊天、微信沟通、企业微信协作，这些日常工作中发生的真实互动会被Agent实时捕获并沉淀到Salesforce里； 第二层是智能体系统，负责Agent的规划、编排和可观测性监控，让Agent不仅能执行，还能自我监控、自我进化； 第三层是业务系统，销售云、服务云、平台云以及生命科学、汽车等行业云，固化了每家企业独特的业务规则和审批流程； 最底层是上下文系统，提供客户数据、历史记录、身份角色，也负责保留Agent的操作记录和审计信息，以及基于千问AI平台的模型。 四层缺一不可，但真正决定Agent能否进入生产环境的，交互体验只是第一步，下面三层才最终决定是否能形成稳定约束。 这也解释了为什么不少企业在试用通用大模型时感觉“惊艳”，一旦进入正式业务却效果却并不明显。因为客户数据分散在不同系统、字段口径不一、很多流程长期依赖线下经验、权限配置无法被机器读取…… Agent把数字化建设中的隐性欠问题暴露出来：过去人可以靠经验补上的模糊地带，到了Agent工作时必须整理清晰。 先让人愿意用，再把边界划清楚 企业把Agent做出来，一线员工会不会天天用，是第一道坎。 一家光学头部企业在阿里云上的Salesforce做了很多尝试，内部基于CRM数据推出了专属Agent。上线一个多月后，用户交互率实现了直线飙升。 这家企业一开始定下的原则是先解决高频问题，再追求高阶能力。首先定义的几个关键场景，包括每日数据概览、销售问答和拜访准备。 销售问答中的促销码就是一个很好的例