生物科技公司的 AI 转型，第一步是补 CRM 而不是直接上大模型
销售 AI 的前置工作是统一客户、订单和绩效数据，再让 BI 和 AI 进入经营分析、培训和招聘，而不是把散乱数据直接交给模型。
文章目录
一家生物科技上市公司有 200 多人的直销与渠道销售团队，专业门槛高、新人流动不低。管理层想看清销售大盘，业务却仍然依赖 Excel 和个人台账：客户关系在销售手里，订单和提成靠人工统计，经营数据延迟一个月以上，新人培训接近两个月。
这不是一个“把大模型接到销售系统”的单点应用。企业虽然有 ERP 和 OA，但老系统数据不通，关键客户、订单、绩效数据没有统一基础。项目的第一步反而是补 CRM、建数仓，再把 BI 用于经营大盘，把 AI 用于趋势归因、销售陪练、电子化考试和简历筛选。
落地场景：让销售数据和人效真正支撑增长#
销售最接近收入，也是多个痛点最集中之处。客户关系散落在个人手里，人离开后线索可能流失；提成、绩效和销售大盘需要 Excel 手工汇总；管理层无法实时理解区域趋势和涨跌原因；老销售还要花时间培训新人、筛简历和参与面试。
因此，项目同时处理三类工作：先把客户、订单和绩效统一起来，再让管理层能看到并解释经营数据，最后把培训和招聘中的重复工作交给 AI 辅助。
落地难点：数字化基础和组织接受度决定上限#
业务领先不等于数字化领先#
上市公司有 ERP、OA，不代表销售数据已经可以直接用于 AI。大量关键数据仍在个人和 Excel 手里，系统之间不通，直接上大模型容易做成一次性演示。
经营分析需要实时数据和原因解释#
管理层不仅要看销售结果，还要知道不同区域为什么上涨或下降。结果数字需要 CRM、数仓和 BI 先建立统一口径，日报、周报和客户拜访记录也要能被关联。
销售团队会担心 AI 取代自己#
如果只把工具扔给业务人员，他们可能先想到裁员和岗位变化。AI 上线后职责、绩效和人力安排如果不调整，工具即使做出来也不一定有人愿意用。
AI 需要内生能力而不是长期外包#
外部 FDE 可以启动项目、做诊断和第一批应用，但企业要继续转型，必须逐步搭建自己的 AI+ 团队，接住后续数据、模型和业务迭代。
如何落地：先补数据基础，再把 AI 放到真正擅长的环节#
第一步，现场诊断而不是直接选模型#
团队逐个部门访谈，看业务流程、系统、数据和真实痛点。销售提成被判断为信息化和数据问题，因此先选购 CRM，把客户、订单和绩效统一进系统，而不是强行交给 AI 计算。
第二步，CRM 加数仓形成可用底座#
销售端先让 CRM 跑起来，再通过数仓逐步汇总数据。数据必须先能被获取、汇总和使用，后续 AI 才有可靠输入。
第三步，用 BI 展示经营，用 AI 解释经营#
CRM 和数仓支撑销售大盘，BI 先把经营数据呈现出来；AI 再结合结构化数据、销售日报周报和客户拜访记录，帮助分析趋势与涨跌原因，让管理层更快进行经营调整。
第四步，AI 进入培训和招聘#
新人培训从线下和老带新，转成 AI 陪练、电子化学习和考试；招聘端试点 AI 简历筛选、打分和自动化一面。知识库只是起点，还要与考试、上岗标准和组织方式串成闭环。
第五步，建立企业自己的 AI 团队#
第一阶段完成后，企业拿出 20 个编制，项目团队参与人员招聘和团队框架建设。外部 FDE 的目标不是让企业永久依赖外部交付，而是让客户能够继续搭建和迭代自己的能力。
落地成果：培训从近两个月缩短到约三周，销售重新拿回时间#
新人培训周期从接近两个月缩短到约三周。对一个 200 多人且流动性较高的销售团队来说，新人可以更早进入有效销售状态。
招聘端，案例测算一名老销售每月大约投入 3–4 人天参与筛简历和面试；引入 AI 筛选和打分后，这部分时间基本释放出来，一名销售至少可以多拜访 1–2 个客户。经营分析也从延迟的数据统计，走向更快理解区域趋势和变化原因。
| 变化前 | 落地后的变化 |
|---|---|
| 客户关系散落在销售个人手里 | CRM 统一客户、订单和绩效数据 |
| Excel 统计提成，经营数据延迟一个月以上 | CRM、数仓和 BI 支撑销售大盘 |
| 新人培训接近两个月 | AI 陪练、电子学习和考试后约三周 |
| 老销售每月花 3–4 人天参与招聘 | AI 筛选和打分释放时间，至少多拜访 1–2 个客户 |
这个案例的核心不是“销售装了一个 AI 工具”，而是先把销售线做成可支撑经营的数据基础，再把 AI 放在趋势分析、培训和招聘等更适合它的环节。人的时间只有重新变成客户拜访和业务增长，效率提升才成立。
这个案例给 FDE 的四个提醒#
第一，判断企业处在哪个阶段。信息化课还没有补完时，先补 CRM、数据治理和数仓。
第二，从离收入近、痛点集中、价值可衡量的业务线筛选第一批场景。
第三，不要什么问题都硬套 AI。提成计算交给信息化和 BI，AI 负责趋势归因、陪练和筛选等更适合的工作。
第四，大企业 AI 转型最终包含组织建设。岗位职责、绩效方式和内部 AI 团队都要一起设计。
来源与边界#
- 原始资料：Datawhale《FDE案例100.pdf》，案例十八“从销售数字化到智能经营：FDE推动生物科技企业AI转型”，案例访谈正文位于 PDF 第 182–188 页。
- 案例事实：客户为生物科技上市公司，销售团队 200 多人；新人培训接近两个月并缩短到约三周；老销售每月约投入 3–4 人天参与招聘，AI 筛选后可释放，案例称至少多拜访 1–2 个客户；项目补 CRM、数仓、BI，并引入 AI 陪练、考试和简历筛选；企业计划建设 20 人内部团队。
- 结果边界：招聘时间节省和拜访增量是案例测算/描述，资料没有给出销售额、转化率或长期 ROI，不能将时间释放直接等同于营收增长。
- 产品化解读：关于“AI 转型第一步发生在 AI 之前”和信息化、数据化、智能化的分层，是基于案例事实的产品化分析。