Joe Gagnon 是 Raynmaker 的 CEO 和联合创始人，Raynmaker 是第一個为小型企业提供 AI 原生销售平台。作为六次 CEO、超级耐力运动员和《有意生活》（Living Intentionally）的作者，Joe 热衷于帮助领导者在不失去人性的情况下利用技术。
多年来，商业中的人工智能对话主要集中在自动化上。重点主要是帮助组织提高工作效率，减少手动劳动，改善效率。虽然这些好处是真实的，但它们只讲述了故事的一部分。人工智能的下一个阶段不仅仅是自动化任务，而是使企业与其服务的人们之间的交互更加智能、适应性和上下文感知。随着人工智能变得越来越能够理解意图、维持上下文和从经验中学习，它正在超越工作流程执行，进入到更强大的东西：对话。为什么我们仍然认为人工智能是自动化我们进入人工智能领域的背景正在塑造我们如何使用它的许多方式。自从我们使用技术重新设计商业流程以来，目标一直是 提高效率或有效性。我们专注于更快地完成事情或更好地完成事情。我们很少考虑如何以不同的方式交付商业流程。这就是为什么我们今天的默认方法是自动化。我们查看现有的流程，并问如何使用人工智能来加速它。在许多情况下，这是有价值和有益的。我们还没有充分探索如何将认知工具如人工智能引入业务运营。这需要一种不同的思考方式。它需要我们考虑当认知（人工智能）本身在规模上可用时会发生什么变化。这是一个根本新的范式。构建真正对话式人工智能的挑战这种转变之所以需要时间，是因为对话式参与本质上是困难的。大多数计算机系统都是为处理数字数据而设计的，而不是模拟语音。数字信息是结构化和可预测的。语音不是。人类对话是非结构化的、情感化的，并充满了超出单词本身的信号。挑战变得更加明显，当你查看通信工作原理时。传统的计算机系统主要在单工模式下运行，信息在一个方向上移动，然后在另一个方向上返回。人类对话在全双工模式下运行，信息同时在两个方向上流动。支持丰富的语音对话需要与传统数字信息处理所使用的模型和工具完全不同的模型和工具。最终，理解和参与对话所需的技术栈与处理数据所需的技术栈是根本不同的。什么使人工智能交互感觉像人类对话式人工智能中最重要的区别是系统是否理解或只是响应。聊天机器人交互遵循脚本。它有一个有限的路径集，一旦你超出其中一个路径，它就会中断或将你循环回开始。它就像等待你说出它已经知道如何处理的事情的IVR。高质量的人工智能交互在对话中实时执行认知工作。它理解你想要什么，而不仅仅是你说了什么。它在整个交换过程中保持上下文，因此你不必多次重复信息。它知道何时提出澄清问题和何时简单地采取行动。最重要的是，当出现意外情况时，它会适应而不是失败。我使用的测试很简单：客户是否离开对话时感到被理解还是被处理？聊天机器人系统处理。它们将人们引导通过工作流程。真正的对话式人工智能系统理解，理解是一种认知行为，而不是工作流程。超越工作流程，进入认知几十年来，软件都是以相同的方式构建的。你绘制了用户可能采取的每条路径，编写了每个场景的逻辑，并接受了你没有预料到的事情简单不会起作用。这就是工作流程。它是有人事先绘制的决策树。智慧存在于设计软件的人中，而不是软件本身。现在发生的变化是，智慧存在于系统中。现代人工智能平台使用 知识、上下文和推理来确定接下来会发生什么。对话不再是沿着预定义路径的旅程。它成为了一系列在那一刻做出的决定，受到系统对业务和以前交互所了解的所有信息的启发。这就是许多人低估的转变。脚本系统在部署当天就被封顶了。它在第500天和第1天一样聪明。认知系统通过使用改进，因为每次交互都有助于它学习什么有效。技术不再只是人们操作的工具。它正在成为一种能够通过使用适应、复合和扩展的能力。为什么在规模上，信任变得更加重要随着企业将人工智能置于客户交互的中心， 信任成为最重要的设计要求。当人工智能与客户交谈时，它有效地成为业务。每次对话都是您的品牌在说话。在较小的体积上，人类可以监督交互并在必要时干预。在规模上，这变得不可能。企业将不得不学习信任系统在他们永远不会亲自听到成千上万次对话中准确地代表他们。这一水平的责任需要信任被设计，而不是假设。对我来说，这归结为几个核心承诺： 系统准确地代表业务，并不编造内容。 当它不知道某些事情时，它会说出来，而不是编造答案。 它将每次客户交互视为关系的开始。 这些不是你稍后添加的功能。它们是你从一开始就构建到平台中的设计指南。成功扩展人工智能的企业理解这一点。挣扎的企业往往是那些在使其值得信赖之前部署了令人印象深刻的东西，并发现在规模上自信地错误的答案会造成真正的损害。信任不是柔软的部分。这是基础设施。人工智能的下一个演进：软件作为劳动力我们正在进入一个时期， 软件开始执行工作，而不仅仅是组织工作。对于企业来说，这改变了我们几个世纪以来运作的最基本假设之一：产出与人类可用性挂钩。随着人工智能变得更加能够销售和执行客户服务，常规的认知工作不再完全依赖于谁在特定时刻可用。这并不使人们变得不那么重要。在很多方面，它使人们变得更加重要。随着重复工作转移到机器上，人类的价值转向判断、创造力、关系和决定什么是重要的。在接下来的十年中，胜利的企业将不会是那些仅仅使用人工智能来降低成本的企业。它们将是那些将人工智能视为一种新能力并提出比如何以更快的速度完成这个问题更大的问题的企业。它们将问，当智能对话和认知在规模上可用时会发生什么。
目前关于AI的一个最大误解是，人类输入和机器驱动的执行之间存在一个明确的、正确的平衡。事实并非如此，我们正在实时学习。重要的不是定义一个固定的比例，而是了解哪些角色和决策最适合人类和AI，并愿意在这种界限继续变化时进行调整。从工作如何完成和谁拥有结果，到哪里仍需要判断，这种平衡仍在形成中。对于领导者来说，更加重要的问题不是如何使用AI，而是如何思考它的适用范围、不适用范围和使用它的风险。AI不替代判断，它加速判断有一种常见的说法是，AI取代了人类的思考。在实践中，我所看到的结果恰恰相反。AI加速了判断；它并没有消除判断的必要性。基础是增强。当你将合适的人与合适的AI工具配对时，你不仅仅使他们在单一任务上更快；你扩大了他们可以承担的工作范围。在软件业务中，例如，产品团队可以超越仅仅编写需求。有了AI，他们还可以为测试、文档甚至客户互动做出贡献。这个角色没有缩小；它扩大了。工作量增加了，但能力也增加了。这就是真正的转变发生的地方。不在于取代人，而在于重新定义一个人可以从头到尾真正拥有什么。人类仍需要领导的地方随着AI变得更加强大，问题不再是人类是否仍然参与，而是他们在哪里最重要，今天最明显的区别是主观和客观工作之间的区别。AI在需要客观性的领域表现良好：分析大型数据集、保持一致性、处理大量数据和消除偏见。另一方面，人类仍然更擅长于主观决策，特别是在需要权衡、例外或细微差别时。还有些工作类别应该保持人类领导，因为它们定义了公司本身。 价值观和文化决策 高风险客户对话 事情出错时 任何需要问责的情况 AI可以为这些时刻做准备，但时刻本身仍然属于人类。所有权，特别是，很难外包。有人必须为决策和结果负责。今天，这仍然感觉是人类的基本方面。话虽如此，这一切都不是静态的。界限将继续移动，领导者需要愿意在证据变化时重新审视它。AI今天明显优于人类的地方也有AI已经在某些领域优于人类的地方。在工程领域，像Cursor、Replit、Claude Code和Codex这样的工具正在从根本上改变软件的构建方式。这些系统所提供的性能水平确实令人惊叹。更广泛地说，AI在以下方面表现出色： 高容量执行 大规模数据分析 在成千上万的交互中保持一致性 无疲劳或分心地运行 在销售背景下，这一点尤其明显。AI可以处理每个入站线索、在成千上万次对话中保持一致的语气，并且不会延迟跟进。在规模上，它可以以最好的团队成员的方式进行资格认证、捕获和吸引每个买家。这种一致性的水平不是我们从人类团队中期望的，即使他们非常有才华。“人类领导、AI驱动”的工作流程实际上是什么样的目前出现的最有效的模型不是AI取代工作，而是AI重新定义工作的分布方式。似乎有效的模式是：人类设定方向并应用判断，而AI处理量和回忆。在实践中，这意味着：销售人员开始他们的一天，AI已经对入站线索进行了资格认证、捕获了对话背景，并提出了真正需要人类关注的机会。在产品方面，AI帮助草拟、测试和文档，而人类则专注于架构和客户决策。目标不是从人类中移除工作，而是确保人类只做真正需要他们的工作。其他一切都在后台以一致性和规模处理。话虽如此，这个模型仍在演变。今天感觉先进的东西明年可能感觉不完整。这是过程的一部分。过度依赖AI的风险我认为最大的风险是，你会停止注意到它何时是错误的。AI默认是自信的。它会给你一个答案，无论是否正确。如果没有一个理解该领域的人来审查输出，公司可能会在相当长的一段时间内运行在实际上是一个安静的错误上。第二个风险是失去机构知识。当团队不再自己做工作时，他们会失去从中获得的直觉。如果没有人在听资格电话，他们就会停止知道买家实际上听起来是什么样子的。随着时间的推移，这种距离使得更难以认识到什么时候有些事情不对劲。第三个风险更为文化，经常被低估。过度依赖AI而没有保持人类视角的公司可能会开始感觉空虚。客户会注意到，当交互失去真实性时，即使一切都是技术上正确的。所以，问题不仅仅是使用多少AI，而是业务中的人类是否仍然足够接近工作，以便在AI有帮助和有害时都能认识到这一点。目前还没有简单的公式来解决这个问题，可能在一段时间内也不会有。围绕结果重构团队，而不是任务随着AI承担更多的执行，领导者需要重新思考团队的结构。几十年来，我们根据谁做什么来构建组织图表。SDR资格。AE关闭。CS代表入职。AI将处理这些任务中越来越多的部分，因此基于任务的组织图表将会破裂。重要的是谁拥有结果。谁拥有从第一次接触到续订的买家体验？谁拥有产品反馈循环？谁拥有公司与其客户的信任?围绕这些所有者构建团队，给他们AI作为杠杆，让他们决定人类工作发生和不发生的地方。正确做到这一点的领导者可能会运行更小的团队，生产力更高，员工做着他们真正觉得有意义的工作。做错了的领导者会继续为一个不再需要它的模型添加头寸，并且会想知道为什么他们的利润率变得更糟而不是更好。我们仍然处于早期阶段，剧本正在实时编写。这不像是一个固定的模型，更像是一个将继续演变的方向。我们都在尝试尽我们所能地应对这一刻，希望能以一种方式来增强、而不是削弱人类系统。
昨天，我回顾了一天的工作，意识到我已经完成了大约两周的工作。不仅仅是比喻意义上的，也不仅仅是激励意义上的。字面意义上的。在一天内，我： 编写了一个完整的幻灯片 构建了一个可用的工具来估计客户的收入增长 草拟了两个产品需求文档 编写了一个两页的营销叙述 构建了筹资幻灯片 消耗了大量的思想领导内容关于AI的下一个阶段 作为公司的首席执行官，主持了六次会议 与我的团队一起审查了策略和产品工作 而且这只是我能记住的。有趣的部分不仅仅是活动的数量，还有感觉。我并不感到疲惫，我感到精力充沛。但是我刚刚描述的只是亮点，还有一些重要的经验教训。我意识到有些事情发生了变化的那一刻十年前，我刚刚描述的所有事情都需要一个分析师团队、一个产品经理和一周的会议。现在，这只是我和AI的对话。但是，这次对话并没有从一开始就很顺利。收入建模工具的第一个版本感觉很通用。当然，它在技术上是正确的，但它并没有完全捕捉到我们实际思考客户业务的细微差别。我不得不回到那里三次，才把它改进成可以使用的东西。最终起作用的提示并不是巧妙的，而是具体的和有针对性的。假设客户的月收入不一致，保守地建模，并标记假设，以便我可以挑战它们。一个指令的变化改变了整个输出。幻灯片经过了五个草稿，才得到我愿意向投资者展示的东西。第一个草稿的结构是正确的，但第二和第三个草稿真正完善了叙述的弧度。第四个草稿是我完善了我们的竞争定位，超越了更一般的语言，转向了我们实际的区别。第五个草稿就是最终版。这就是生产力帖子中没有提到的部分：迭代是工作。AI并没有取代你的判断力，而是更快地表明你的判断力。人类输入提高了结果的位置营销叙述是当天最难的部分。我第二天早上重新写了开头：手写，没有AI的帮助。AI版本很精致，词汇也基本正确，但它需要更强的观点和更多的个性化，才能真正反映我的声音。这是一个有意义的区别。营销叙述的最佳版本结合了两者。我自己写了开头的段落。这是原始的、未经编辑的，源自我几十年的经验。然后，我把它交给AI，并说“保持这个声音。从这里开始。”结果是既是我也不是AI能单独生产出来的东西。曾经需要分析师、研究人员、作家、设计师和开发人员的工作，现在可以由一个人使用AI作为思考伙伴来完成。不是取代思考，而是放大思考。AI不仅仅是加快工作速度，也是扩大一个人一天可以做的事情的范围。但是，这里是高管需要谨慎的地方。不要使用AI来停止思考，而是使用它来更好地思考。好奇心是真正的超能力我们人类最强大的自我强化系统之一就是我们的好奇心。不要让这种特质因过度依赖AI而变得迟钝，而是与AI合作，共同提高人类的基础。我看到其他高管如何使用AI。他们提出一个问题，得到一个答案，然后继续前进。输出被接受为面值，转发给团队，最后插入到幻灯片中。AI已经被简化为一个更基本的自动补全功能。这不仅仅是一种观察；这被称为代理衰退：当我们一致地外包我们的思考时，我们形成独立判断力的能力逐渐衰退。大脑像任何肌肉一样，如果没有阻力就会萎缩。而且，重要的是，这可以在你没有积极注意的情况下发生。昨天对我来说并不是这样。每个我得到的答案都引发了一个新的问题，这正是它应该的样子。我们可以以不同的方式建模吗？这个假设隐藏了什么？怀疑者会如何看待这个问题？这种好奇心仍然必须来自人类；它指导了你如何有效地使用这个系统。AI只是使其更容易、更快地追求。如何将有机思维与AI系统集成我形成的框架并不是来自一篇博客文章，而是来自大量的草稿审查、早晨重写和我注意到AI产生的东西与我的想法或信念不完全吻合的时刻。好奇心作为领导学科的实践，是产生区别的关键——不仅仅是提出更多的问题，还要真正保持开放的心态，愿意被答案证明是错误的。 从自己的思考开始。在提示之前，写一两句话关于你实际相信的东西。写关于你的直觉、你的角度和你的担忧。使用它作为你的提示的基础。你将始终得到一个与从空白查询开始不同的输出。 将第一个响应视为第一草稿，而不是最终答案。价值不在于AI给你的东西，而在于AI给你的东西和你知道应该在那里东西之间的差距。这个差距就是你的判断力所在。 要求AI挑战你，而不仅仅是帮助你。一些最有用的提示我使用过的是：这个的最强反驳是什么？我没有看到什么？标记这个假设，以便我可以对其进行压力测试。这种方法只适用于你真正愿意被你的思考所挑战的情况。 为自己保留一些东西。开头的那句话、核心的论点、只有你能说的话；自己写，然后让AI在此基础上构建。 昨天对我来说起作用的循环不是：提示、接受、发布。它是：思考、提示、推回、改进、拥有。中间的这个额外的摩擦就是这个过程的全部内容。未来属于建设者让我在一天内完成两周战略工作的力量，是让小型企业24/7销售而无需增加员工的力量。这不仅仅是关于效率的问题，而是关于使不可能的事情成为可能的问题。昨天，我在一天内完成了两周的工作。其中一些需要进一步改进，一些从第二天早上由人类重新审视中受益。然而，这并不像工作一样；它感觉像是在更高的层次上思考。未来组织中最有权力的可能不是拥有最大的团队的人。他们可能是那些知道如何编排智能的人：他们清晰地思考、提出伟大的问题、快速迭代，并与AI系统作为合作伙伴合作。
销售一直以来都是关于联系的。从最早的店主记住顾客的名字到今天的高速数字渠道，销售的核心仍然相同：人们相信人们。然而，我们正在进入一个新的时代，超级自动化威胁着消除这种人际联系，除非我们有意地思考如何使用技术。在 Raynmaker，我们相信自动化并不是人际联系的敌人。当正确实施时，它可以加强人际联系。然而，它需要纪律、有意的设计和对什么应该被自动化以及什么必须保持深厚的人性之间的清晰理解。什么是销售中的超级自动化？超级自动化不仅仅是 AI 聊天机器人或自动电子邮件。它是将多种技术（如机器学习、自然语言处理和预测分析）叠加在一起，以从头到尾简化整个销售工作流程。可以将其视为自动化不仅仅是一项任务，而是整个旅程：从潜在客户捕获、资格审查、外联、安排和甚至支付处理。换句话说，超级自动化意味着 AI 系统在理论上可以在没有人类帮助的情况下管理整个“呼叫至支付”过程。这很令人兴奋，但也存在风险，如果我们忽略了人类心理学、信任和关系建立的细微差别。销售可能失去人际触感的地方风险在于将效率与有效性混淆。自动化可以使事情变得更快，但并不是买家总是想要速度。 发现对话：如果买家觉得他们被推入一个僵化的脚本，而不是被理解他们的独特需求，信任会迅速崩溃。 异议处理：一位优秀的销售人员知道如何暂停、同情和重新构建。自动化系统则有可能听起来敷衍了事。 复杂决策：在 B2B 环境中，购买通常涉及多个利益相关者，人类在达成共识方面的作用是不可替代的。 当销售被简化为点击、序列和机器人式的跟进时，买家会觉得自己像管道中的数字，而不是有问题需要解决的人。过度自动化如何伤害买家我们都经历过糟糕的自动化。一个常见的例子是过于复杂的电子邮件序列。潜在客户下载了一份白皮书，立即收到十封自动电子邮件，所有电子邮件都是通用和不具个性化的。目标是扩大规模，但结果是取消订阅。另一个问题是客户服务自动化出了错。考虑一家公司将所有支持都路由到 IVR 上，没有明确的方式联系到活着的代表。客户卡在循环中，不会感到被帮助；他们会感到被困。品牌损害是真实的，即使自动化在后端“节省”了成本。最终，我们发现自动化如果没有理解客户需求，只会增加沮丧。什么应该被自动化，什么应该保持人性？我们都在学习如何在技术和人性之间找到正确的平衡。重要的是，我们需要在实践中学习，例如：这个步骤是否建立或加强了信任？我们是否使客户更了解？我们是否提供了价值，以便他们能够做出更好的决定？我们可以从一个框架开始，概述什么应该被自动化，什么应该保持人性。这不是一个完美的清单，但它是一个有用的起点。通过自动化减少摩擦，并在最重要的时刻保持人性。自动化： 安排、提醒和确认。 支付处理和发票。 使用行为信号的潜在客户评分和资格审查。 常见问题和基本产品信息。 保持人性： 设定愿景和解决方案。 异议处理和谈判。 建立关系的对话。 脆弱时刻，信任被赢得或丢失。 指导团队明智地使用自动化危险不仅仅在于糟糕的自动化，还在于过度依赖。销售团队可能会过于依赖工具，以至于失去销售的技巧。在 Raynmaker，我们强调增强销售的理念： 训练团队使用...
