网易智企 x 崔牛会丨ToB 增长的残酷拐点：会不会用 AI，才是生死线

红衣教主要干掉市场部？市场部成了目前市场环境下的第一个牺牲品？

除此之外，客户成功团队（CSM）会不会是下一个被 AI 干掉的岗位？

在 AI 席卷一切的风口下，ToB 行业最讽刺的现状是：人人都在谈增长，真正能跑出来的，却寥寥无几。有人还在幻想靠一个爆款广告、一个爆火话题就能收割订单；有人自嗨着把大模型当万能药，却没发现客户早就不吃这一套了。

真正的穿透式增长从来不是靠一招鲜，而是靠一套体系 —— 让客户看见你、理解你、信任你、愿意为你付钱。

在搜索引擎失效、AI 植入一切内容入口的时代，你的 SEO 也许还没做明白，GEO（生成式引擎优化）已经卷来了；你的市场部还没想好怎么用 AI 提效，AI 已经在重写你的客户成功团队的工作底线。

增长系统必须是 AI First 的，营销要可被 AI 引用，产品要可被 AI 理解，客户成功要可被 AI 放大。

重复性、低价值的活，AI 会干掉它；真正跑得动的创新、留存、增购，才是组织该死死攥住的根本。

7 月 3 日，崔牛会带着三十多位 ToB 企业创始人、高管在网易智企进行了一场深度学习。

网易智企 CMO 姜菡钰（卡爷）、网易智企副总经理 & 网易云商总经理 肖钰妍、网易云商客户成功总监 柯明星 三位一线操盘手结合自身的实践和思考，与到场的学习者来了一场坦白局。

牛透社整理其中部分笔记，供大家参考学习，希望对你有所启发：

SEO 之后，

GEO 才是 ToB 营销的新入口

当 AI 席卷 ToB 行业，越来越多企业开始焦虑：是不是做一条爆款视频、搞几场大模型发布会、喊几句「AI 替代市场部」的口号，就能解决增长的难题？

网易智企 CMO 卡爷 的答案是否定的。

网易智企 CMO 姜菡钰（卡爷）

对她来说，真正的 ToB 增长，从来不是靠灵光一现的爆款内容，更不是盲目 “上 AI”，而是要基于客户的真实需求和信任，持续构建一套让客户看见你、了解你、相信你、愿意为你付费的体系。

过去十年，网易智企营销增长团队服务了超过百万家企业客户，支撑了网易云信、网易云商、网易易盾、网易数帆、网易 CodeWave 等五大业务线。

这个团队一直保持小而精、扁平敏捷的组织形态，用最少的人手去支撑复杂业务的同时，也始终紧跟新工具、新范式的落地。

AI 带来效率，毋庸置疑，这是受欢迎的。但更重要的是，AI 如何成为品牌长期可见的新入口，才是营销人更应该关心的课题。

卡爷分享中，最值得划重点的内容之一，就是生成式引擎优化（GEO）。（ToB营销的底层系统与增长重构）

简单来说，用户的信息搜索习惯正在从「搜索引擎找链接」变成「向 AI 引擎提问」。

这背后直接改变了品牌曝光的逻辑：过去做 SEO，要让搜索引擎把你排到第一页；现在做 GEO，是要让 AI 愿意引用你的内容，把你的观点整合进对话式答案里。

这一点看似不起眼，却直接影响一个品牌在未来三五年的可见度。

传统 SEO 追求的是排名和点击，而 GEO 则更像是在和 AI 对话的背后「做投喂」。

AI 不会保留一份缓存，而是会实时抓取、理解、整合信息，这要求企业内容必须更结构化、语义更清晰、来源更可信。

要让 AI 引擎信任你、引用你，比仅仅优化关键词复杂得多。

网易智企在 GEO 上的做法是：

• 第一，要深挖用户真实意图，而不只是做表面化的关键词堆砌。他们会用十几年沉淀下来的搜索行为数据，去反推用户每个搜索背后真正的痛点，然后用更贴合的内容去覆盖这些意图。

• 第二，要尽可能让内容结构清晰、信息全面。不仅把好的一面讲出来，还会逆向解释客户关心的问题和可能的疑虑，让 AI 引擎更容易整合信息、输出更完整的答案。

• 第三，巧妙塑造一个客观可信的「人设」。相比赤裸裸的广告，AI 更倾向引用有观点、去广告化的内容。一个 “有血有肉” 的内容发布账号，背书比单纯的品牌号更有效。

当然，和 SEO 不同，目前，GEO 的效果很难立竿见影，短期内也很难精准测量。

但卡爷认为，GEO 这件事不是可做可不做，而是一定要做。谁能更早地把自己的知识资产变成 AI 愿意引用的内容，谁就能在未来的 AI 搜索流量里占到便宜。

除此之外，卡爷还分享了其他在组织构建、内容营销等方面的务实思考：

重复、机械的内容生成，AI 可以替代，人就该把时间留给更需要洞察、创造和策略的事；扁平、敏捷的小团队，能比传统「深井式」组织更快试错、更快用好 AI 工具；哪怕在内容分发上，小红书、短视频号、B 站也不是靠堆内容去卷，而是回到一点 —— 用对用户真有用、真能建立信任的内容，带来线索和转化。

在 AI 大潮里，谁都能喊 “增长”，但真正能从新范式里拿到确定性收益的，一定是更早理解 GEO 价值、更早投入构建可引用知识库的人。

别只盯着热点和爆款，当客户下一次用 AI 提问时，品牌能否在生成的答案里被自然提到，这才是下一场 ToB 营销的胜负要点。

“AI First” 从每个员工抓起

在 肖钰妍 的分享里，可以看到一家 ToB 企业是如何在内部快速构建起 AI 应用与创新氛围，并将应用落地到组织里的。

网易智企副总经理、网易云商总经理 肖钰妍

首先，肖钰妍介绍了一个背景：对大多数做互联网或 SaaS 产品的人来说，一个产品从需求到落地迭代，往往是一个相对漫长且标准化的流程 —— 从调研、PRD、研发确认、排期、开发、上线到迭代，每一个环节都环环相扣。

然而，为了在内部快速尝到 AI 的效果，网易云商打破了传统的流水线模式，依托网易 CodeWave 的智能开发能力，直接把业务人员、产品经理、Agent 开发、前端开发拉到一个小团队里，形成了紧密沟通、快速联动的闭环。

在这个小团队中，需求实时对接、架构快速拆解、前后端与 Agent 开发同步推进，很快就拼出了初步可用的可视化界面，并在短短几天内联调，业务主管实时进行效果验证与现场调整。

低代码和 AI 快速呈现效果的特性，让这个流程在 6～10 天内就跑通了，初步产品上线后，业务人员能立刻感受到实际成果，这极大地激发了内部对 AI 的兴趣和信心。

图源 网易智企

当然，肖钰妍也坦言，这样的创新尝试并非所有人都能马上投入热情。

组织里总有人愿意尝鲜，也有人选择观望。要让 AI 真正 “进入每个员工的心里”，光靠小范围试水远远不够。

因此，他们在试点成功后，设计了一个更大范围的 “全员 Agent 应用开发大赛”。

这一做法可以看作是把过去 Hackathon（黑客马拉松）的内部创意激发传统，与新的大模型和 AI 技术结合起来，用比赛的形式让每个人都亲手去 “摸 AI”，在实操中转变思维范式。

为了让大赛不流于形式，他们把参与和绩效强绑定，尤其是要求团队主管必须亲自参赛、组队，形成 3～5 人的小组。

同时，他们也设立了小额奖金，对前三名给予激励，并对缺乏技术能力的团队安排了 “研发教练” 跨组支持，保证想做的人有资源可用。

整个大赛流程也有严格的评审机制，包括大众投票和核心管理层评选，并且肖钰妍作为负责人自己也带头参赛，基于兴趣做了一个算命 Agent，亲自示范 “1 号位要带头”。

这场大赛不仅在短时间内激发了很多可落地、可尝试的 AI idea，也在内部发酵出了更多部门间的联动和后续的业务想象空间。

尽管有些方案初步成果有限，但在十天内跑通流程、尝试落地本身就是一种高效的内部学习与 AI 能力建设。

小结三点启发：

第一，用智能开发能力和小团队机制极大地压缩了 AI 应用的试错周期；

第二，用强绑定的比赛制度把尝鲜行为扩散到更大范围；

第三，主管带头示范和绩效捆绑，让 AI 从口号变成了实际可执行、人人可参与的内部行动。

对任何想在组织内部构建 AI 氛围的 ToB 企业来说，这些方法值得借鉴。

AI 商业化，做对产品

分享中更深入的内容是，肖钰妍提到今年面临的最大挑战：有了好的 AI 产品和技术，下一步真正棘手的问题是，怎么把它卖给客户、怎么收费？

对于做 SaaS 的企业来说，过去收费方式主要是按年费、按坐席、按 license 来收。但在大模型和智能 Agent 的时代，行业里热议 “按效果付费”（RaaS, Result as a Service）的思路，这背后引出了一个关键问题：AI Agent 是否具备可复制、可标准化、可产品化的能力？

肖钰妍以网易云商用于内部的 “智能排障 Agent” 为例作了剖析。

这个 Agent 的设计初衷是自动排查呼叫中心出现的各种技术故障，比如卡顿、无声、机器人回答不准确等，每一种故障都对应一条独立的排查链路。

当初他们对这个内部项目抱有很高的期待，认为做成后不仅能服务内部，还能把这套能力对外售卖，形成额外收入。但当真正深入后，他们发现了一个现实难题：排障 Agent 的链路和流程是高度个性化的，它几乎是与自家内部场景深度耦合的，客户间难以通用。

即使是同样做客服 AI 的同行公司，彼此也很难直接复用，因为每家的技术架构、问题链路、数据习惯都不同。

因此，肖钰妍给出了一个重要结论：并不是所有 Agent 都能产品化，无法标准化的 Agent 注定只能做定制化服务和咨询交付。这与传统的订阅式 SaaS 收费和规模化交付完全不同，也意味着收入模型和服务模型必须转型。

图源 网易智企

为了更好地拆解这层关系，肖钰妍分享了他们总结出来的一个可借鉴的思路：企业在做 AI Agent 项目时，要清楚地认知到交付模式从 “量身定制” 到 “行业模板” 再到 “即插即用” 的不同阶段。

• 最底层是量身定制，这类场景高度依赖客户自身的个性化流程和数据，无法标准化，只能依靠咨询与实施交付，更多是服务收入。

• 中间层是行业模板，若在服务了大量客户后，能积累出相似场景，就有机会把经验沉淀成可配置的行业模板，客户买模板后再按需改造，交付效率相对可控，但仍需要项目支持。

• 最理想的是走到即插即用的产品化，例如某些门店查询、智能 FAQ 等标准化程度高的场景，可以做成 SaaS 式的自助服务，客户拿来接个接口、简单配置就能用，这时才真正进入了可规模化复制和标准付费的阶段，也才能匹配 RaaS 等新型按效果付费的模式。

她坦言，企业想把所有 Agent 都做到即插即用非常困难，更多的现实场景仍会停留在定制化和模板化阶段。

因此，他们在不同产品线上做了差异化探索，比如在智能客服领域，最典型的挑战是知识库的实时性和准确度直接影响客户对智能化的感知。

一些客户对大模型有很高的期待，甚至有客户想 “一口气裁掉 90% 的客服”，但现实中如果知识库没有及时更新或配置不精准，AI 给出的答案就会像 “人工智障”，不仅没帮上忙，反而影响体验。

为此，他们强调：做 AI 产品不能只靠畅想或销售话术，而要回到真实的业务对话数据去验证，用真实的对话解决率去测 AI 的边界。

例如传统 FAQ 技术在常见问题场景下能稳定覆盖 40% 左右，结合大模型的推理能力，可以在更多复杂场景上发力，但也要匹配客户可用的场景，不能盲目宣传 “一步到位替代人工”。

AI Agent 不只是技术问题，更是交付模式和商业模式的再设计。

它要求企业在一开始就要判断清楚哪些场景能标准化、可复制，哪些只能定制做服务，并把对应的付费方式、交付资源和客户预期对齐，否则很容易陷入 “技术有了、商业却走不通” 的困境。

对于想在组织内推动 AI 或 Agent 化转型的团队来说，这也是一个非常现实且必须正视的议题：技术突破只是一半，另一半是商业闭环要跑通。