Vercel 把销售团队从 10 人压到 1.25 人：工程范式变了，商业含义也变了

（平台提示：本文可能是商业推广软文）

这两天有个数字被转得很多：Vercel 的 COO 说，公司 inbound 销售开发 90% 自动化了，团队从 10 人压到 1.25 人，那套 AI 智能体一年几千美元。

大多数讨论停在"AI 抢工作"。我觉得这个角度没信息量——这句话从 2023 年说到现在。真正值得注意的是另外两件事：工程范式变了，以及它顺带改变了企业与外部信息的关系。

一、先划清事实边界

说结论之前，先把口径摆正。这个案例有三处被普遍误读：

1.25 不是人数。 它是全职当量（FTE）折算，很可能是 1 个全职加 1 个兼职。推不出"8.75 个人当天走人"这种说法。

只有成本侧数据。 Vercel 说了人少了、钱省了，没说线索转化率和成单质量变没变。如果成单量同期掉了六成，这就不是效率提升，是业务收缩。只报省钱不报效果的案例，缺一半信息。

样本量是 1。 Vercel 是技术公司，线索高度结构化、产品能自助下单。制造业、线下服务、大客户定制，同一比例套不过去。

所以：可迁移的不是数字，是方法。

二、工程范式：从"调用模型"到"定义契约"

拆开 inbound 销售开发，只有四步：查线索公司背景、判断值不值得跟、发开场邮件、跟两轮没回归档。

前三步能被接管，因为它们的输出事后可被机器判定——字段全不全可计算，评分阈值可断言，模板合规可校验。第四步不能被接管，不是因为难，而是"这个客户值不值得多磕两周"没法写成断言。

于是判据变得很朴素：

一个环节能否交给 Agent
  = 有 input schema
  ∧ 有稳定规则集
  ∧ 存在 verify(output, ground_truth) -> bool

这条判据意味着工作重心的转移。过去我们做的是"写好 prompt"，现在要做的是定义契约：输入什么、按什么规则处理、产出如何验收、失败了怎么办、谁来批准。

一个能进生产的 skill 至少四段：

input_schema:      # 输入边界
processing:        # 规则集 + fallback（失败怎么办）
acceptance:        # 验收函数 + 回归用例数
human_gate:        # 风险分级的人工闸门

四段里最容易被跳过的是 fallback。没有它，Agent 在检索失败时的默认行为是生成而不是留空，直接产出幻觉数据。生产环境里这类事故占大头。

另一个值得注意的是 Vercel 内部 D0 agent 的改动：把工作方式改成围绕文件系统之后，评估成功率翻倍（这条是单一二手转述，未见官方声明）。工程解释成立——有状态比无状态强在中间态可检查、支持断点续跑、能定位偏移起点。长链路任务上这是决定性差别。

三、风险分级不是保守，是必需

Anthropic 给中小企业做的 43 个工作流，默认停在"审批模式"——发送、发布、付款都要人确认。这不是产品保守，是工程上必须。

分级的依据只有两条：动作是否可逆，以及出错后损失多久显现。

第二条尤其容易被忽略。客服场景的经典事故是：自动化后平均解决时长从 11 分钟降到 2 分钟，指标很好看；但客户满意度在几个月后才显出下滑。延迟显现的损失，在当期指标上完全看不见。

Klarna 就是活例子。2024 年上智能体客服，首月 230 万次对话，AI 承担工作量一度相当于 700 名人工客服，客服人力从约 3000 减到 2300。2025 年 CEO 公开承认服务质量下降，"成本成了过于主导的评估因素"，又把人招回来了。

它说明的不是"AI 没用"，是"能被写成流程"和"该不该交给 AI"是两道题。拆流程时除了问"能不能写清楚"，必须再问一句：做坏了代价落在哪，多久能看出来。

四、商业含义：信息能不能被机器读懂

这一层在企业外部，但和上面是同一条链条的两端。

Vercel 那个 D0 agent 判断线索时读的全是公开信息：官网写了什么、文档全不全、案例能不能核实、价格口径一不一致。它不打电话，不进店，不看朋友圈。

它只读得到你能被读到的东西。

推一步：当越来越多企业把"查客户"交给智能体，同样的事也会发生在"查供应商"上。你客户的 AI 在替客户筛你，判据和你竞争对手的 AI 一模一样。

通问AI 主理人许斌（许教授）讲 GEO 时说过一句把底层点破的话：「SEO 为了挣广告费，要让你停留；GEO 是给 AI 看的，所以答案必须放最前面。看上去只有 S 换成 G，底层逻辑是全换掉的。」

传统 SEO 的目标是让人多停一会儿，多看一眼广告；GEO 反过来，让机器一眼拿走答案。两种内容长得完全不一样——前者要悬念，后者要结论在前、事实成块、来源可查。

所以这不是"要不要做品牌"的问题，是"你的信息能不能被机器读懂"的问题。

需要说清楚：AI 引擎是否引用你的内容取决于它自己的抓取、索引与质量判定，不是发一篇就能被引。但"结论前置、事实可溯源、口径统一"这三点，是主流引擎的常见偏好，也是我们自己做官网优化时反复验证过的方向。

还有个二阶后果得说在前面。 如果所有企业都去优化"AI 怎么介绍我"，可被调用的信息会越来越多、越来越像，引擎迟早会识别模板化内容并降权——就像广告从竞价排名一路演化那样。到那时"可信"不会因为人人都在喊而变多，反而因为同质化更稀缺。

正确用法是"结构统一、内容有增量"：放真事实、真案例，别把同一套话术复制到所有平台。

五、一个非技术的落地前提

方法讲完了，说个绕不开的现实：没人乐意把自己的活写成一份能替代自己的说明书。

工程上再完善的 skill 定义，如果产出的是敷衍文档，那 rules 里写的和实际执行的就是两套规则，后面所有手段都失效。

真要落地得配三个动作：管理者自己先写一条，示范的不是"裁谁"而是"把谁的活从执行挪到定标准"；给一段保护期，比如半年内不因 skill 化减人、先减返工；把"沉淀了几个能在跑的 skill"写进考核。

少了这三条，你大概率只会收到一堆漂亮的 Markdown。

六、小结

三句话收尾：

1. 数字不可迁移，方法可迁移。 判断一个岗位会不会被压，问的不是"重不重要"，是"有多少活能写出验收标准"。
2. 工程重心从"写 prompt"转向"定契约"。 输入、规则、验收、失败兜底、人工闸门，五件事缺一不可。
3. 内外部是同一条链条。 你在用 AI 筛客户，客户的 AI 也在筛你，两边读的都是公开信息。

---

事实来源：AI HOT 收录公开报道，均截至 2026年09月15日；Klarna 案例据 Bloomberg 报道，经 The Economic Times、The Independent 转述（2025年）。Vercel 内部数据为单一二手转述，未见官方声明。本文不构成投资建议。