一家生物科技上市公司想做 AI 转型。FDE 进入现场后发现，销售数据散在纸质台账、Excel、个人电脑和互不连通的系统里，于是推动 CRM、数仓、BI、AI 培训与招聘应用，还建议企业建立自己的 AI 团队。
看到这里，我最想问的不是“用了什么模型”，而是：
过去用 Excel，虽然粗糙，但软件费用很低。现在增加 CRM、数据平台、模型费用和团队编制，企业到底多赚了多少钱，或者少花了多少钱？
如果这个问题回答不了，再完整的“AI 转型路径图”也只是投入计划。
一、先承认问题：旧流程确实有管理成本
案例里的销售团队有 200 多人。客户资料可能留在销售个人手里；业绩、提成靠 Excel 统计；日报、周报和拜访记录分散；管理层看到经营数据常常滞后一个月以上。新人培训依赖老销售，招聘筛选也占用他们的时间。
原来的工作方式大致是：
text客户资料在个人手里
订单和业绩散落在 Excel / ERP
销售过程留在日报、周报和拜访记录中
↓
人工汇总业绩与提成
↓
管理层较晚看到销售变化
↓
新人由老销售带，招聘也占用老销售时间
Excel 的许可证成本可以很低，甚至已经包含在办公软件里；但使用 Excel 的组织成本并不为零。重复汇总、口径争议、客户交接困难、报表延迟，都会消耗时间，也可能造成损失。
问题在于：“旧流程有成本”只说明值得调查，尚不足以证明买一套新系统更划算。
二、FDE 做对的一步：提成计算不需要大模型
面对“能否用 AI 算销售提成”的需求，案例中的 FDE 判断这首先是数据和流程问题。客户、订单、绩效口径没有统一，直接接一个大模型，算出的结果很难成为财务和销售共同认可的依据。
因此方案先选购并上线 CRM，整理客户、订单与绩效数据，再建设汇总能力。销售大盘、业绩与提成由 BI 和确定性规则处理；AI 才进入日报、周报、拜访记录等非结构化材料，辅助解释区域变化。
这个任务分工是合理的：
textCRM / 数据治理 → 统一业务记录
BI / 规则 → 计算业绩与提成
AI → 整理文字材料、辅助分析原因
人 → 核对结论并决定行动
但技术判断正确，不代表投资规模已经合理。企业可能确实需要 CRM，也可能只需要先打通少数关键字段，甚至先把现有系统和 Excel 的录入规则改好。应该由问题的损失规模决定建设范围。
三、TO BE 的价值，必须落到经营指标
案例设想的目标状态，是客户和销售过程统一记录，管理者及时看到区域销售变化，新人通过 AI 陪练和考试加快上岗，招聘端用 AI 做初筛。
text统一客户、订单、销售过程
↓
CRM + 数据汇总
↓
BI 看业绩、提成和区域趋势
↓
AI 辅助培训、招聘与原因分析
↓
人根据结果跟进客户、培养新人
它可能改善三个经营问题：公司能否保住客户资产，新人能否更早形成有效产出，老销售能否把时间从招聘和培训转回客户工作。
请注意这里的“可能”。仪表盘更及时、培训周期更短、员工少填表，都是过程改善；只有进一步改变收入、毛利、费用或风险损失，才形成可计算的经营收益。
四、培训从近两个月到三周，值多少钱？
公开案例给出的一个结果是：新人培训周期从接近两个月缩短到约三周。这是很有希望的信号，但还缺两步证明。
第一，缩短的是“完成培训”的时间，还是“达到可独立创造业务价值”的时间？如果新人只是更早通过考试，销售业绩并未提前发生，收益会小得多。
第二，一年到底有多少新人？提前上岗后，每人每周能贡献多少增量毛利？
可以用一张简单的账来验证：
text年度培训收益
≈ 年度合格新人数量
× 提前达到有效产出的周数
× 每人每周增量毛利
− 新增培训运营成本
还要与上一批新人比较：通过率、上岗后 30/60/90 天的产出、客户投诉与流失率是否变化。只报“8 周变 3 周”，无法判断投入回报。
案例还提到，AI 介入招聘后，一位老销售每月原本花在简历筛选和面试上的约 3～4 个人天可以被释放。这同样不等于直接节省了 3～4 个人天的工资。若薪酬总额不变，企业只有在老销售把时间用于更有效的客户拜访，并产生额外毛利时，才能把它记作收益。若没有新增产出，它至多说明工作负担下降。
五、20 个编制，是能力投资，也是一张成本账单
案例说企业为自建 AI 团队拿出 20 个编制。这里应谨慎理解：“拿出编制”不等于“20 人已经全部招聘到岗”。但如果按这个规模持续建设，人力成本会成为长期固定费用。
企业至少要把以下费用放到同一张表里：
-
• CRM 采购、实施、培训与续费； -
• 数据清洗、系统集成、数仓和 BI 的建设与维护； -
• 模型调用、算力、安全和评测； -
• 数字化团队的招聘、薪酬与管理成本； -
• 一线销售录入数据所增加的时间。
最后一项尤其容易漏。CRM 可能让管理层看得更清楚，也可能让 200 多名销售每天多填半小时表。如果数据录入没有帮助他们成交，所谓“管理效率”就可能以一线生产时间为代价。
因此，我会要求每项投入都回答三个问题：谁在使用？替代了哪一步旧工作？对应哪项可验证收益？
六、项目要过关，至少得交出这三类结果
第一类是收入和毛利。例如客户流失率是否下降、销售转化率是否提高、销售人均毛利是否增加、新人是否更早产生订单。这里要尽量排除市场行情、价格变化与销售人员结构变化的影响。
第二类是真实费用节约。例如报表岗位是否确实减少、外部服务是否取消、招聘成本是否下降。如果只是“员工省了时间”，但人力费用和产出都没变，就不应把全部节省时间折算为利润。
第三类是风险损失减少。例如销售离职后的客户交接成功率是否提高、提成争议是否减少、关键客户是否因信息留在个人手里而流失。这些价值可以成立，但要有事件记录和对照口径。
最终应看的是：
text年度增量毛利
+ 可兑现的费用节约
+ 可验证的风险损失减少
− 软件、模型、实施、人力及一线录入成本
= 项目年度净收益
同时写清楚回本周期。没有基线、没有对照、没有全成本口径，就不要把“数字化程度提高”直接称为“AI 创收”。
七、如果我来重新安排这笔投资
我不会用“全公司 AI 转型”作为第一阶段验收目标，而会选一个预算有限、结果可测的销售问题。例如：新人提前达到独立上岗标准，或客户离职交接造成的流失减少。
先记录现状：每年招多少人、培训和带教耗时、上岗后的实际毛利、客户交接失败次数。然后只建设足以支持该场景的数据和流程，设定试点组与对照组。几个月后再决定是否扩大 CRM 覆盖、建设数仓或增加团队编制。
这不是说 CRM、BI 和内部团队没有价值。它们可能是组织规模扩张必需的基础设施。但基础设施要按业务需求分阶段投入，不能因为有了“AI 转型”的名义就跳过财务论证。
八、我对这个案例的结论
这位 FDE 找到了真实问题：销售数据散、管理滞后、经验依赖个人。把提成计算交还给确定性系统，也体现了对 AI 边界的判断。
公开材料中，培训周期与招聘耗时的改善提供了初步信号。但我还没有看到足以覆盖 CRM、数据平台、模型和团队成本的完整经营账，也没有看到销售人均毛利、转化率、客户流失率等结果的可归因对比。
因此，我会把它看作方向合理、经济回报仍待证明的销售运营改造。它能不能成为一个成功的 FDE 项目，最终取决于客户在投入之后是否真的获得更高的毛利、更低的可兑现成本，或更少的业务损失。
FDE 的职责不是帮企业把 AI 项目做大，而是帮企业把值得解决的问题做成一笔算得过来的生意。
资料与口径：案例事实参考 Datawhale FDE 100 官方项目及其《FDE 案例 100》生物科技上市公司访谈；公开整理的案例摘要用于交叉核对。文中成本公式、验收方式和投资顺序为作者的分析建议，不是案例已披露的项目成果。
关注「MarvinTalk / 码文说」，一起研究 AI 如何真正进入企业交付现场。