12 个已落地的 B2B 营收 AI Agent 用例，附代码

大多数"AI Agent"内容只停留在 demo 层面。一个聊天机器人回答了问题，大家鼓掌，什么都没上线。从一个花哨的原型到一个能推动收入的系统，差距在于工程纪律：清晰的输入、工具访问、护栏，以及一个写入输出的地方。

以下是 12 个我们实际为 B2B 客户部署的用例，按功能分组。每一个都有可衡量的结果，而不是感觉。

Sales：缩短周期的 Agent

1. Inbound线索分发与路由

Agent 读取传入的表单提交，进行丰富（公司规模、技术栈、融资情况），对意向评分，然后带着上下文路由给合适的销售。没有线索会在队列里过夜。

2. 跟进序列

B2B 中最大的收入泄漏是放弃跟进。Agent 监控 CRM 活动，检测停滞的交易，拟写情境化的跟进邮件供销售确认。

def draft_followup(deal):
    days_stale = (now() - deal.last_touch).days
    if days_stale < 3:
        return None  # too soon, don't nag

    context = crm.get_thread(deal.id)
    prompt = f"""Write a 3-sentence follow-up.
    Deal stage: {deal.stage}
    Last message: {context.last_message}
    Objection raised: {deal.objections or 'none'}
    Tone: helpful, not pushy."""

    draft = llm.generate(prompt)
    return queue_for_approval(rep=deal.owner, text=draft)

3. 会前简报

每次通话前，Agent 整理一份单页简报：公司动态、历史互动、未解决的支持工单，以及可能的异议。销售带着信息入场，而不是临时发挥。

4. 提案与报价起草

从 CRM 拉取行项目，应用定价规则，用你的模板生成提案初稿。把一个两小时的任务变成五分钟的审核。

Marketing：复利的 Agent

5. 内容复用流水线

一场 Webinar 变成一篇博客、五条 LinkedIn 帖子、一封邮件和一组短视频切片。Agent 处理机械性的转换；人类负责编辑最关键的 20%。

6. SEO 简报生成

给它一个目标关键词，它返回一份结构化简报：意图、竞争对手缺口、标题、内部链接建议。写手从计划开始，而不是从空白页开始。

7. 线索培育个性化

不再是一条通用的 drip 邮件，Agent 根据线索所属的细分市场、访问过的页面、以及他们在哪一步停滞来调整信息。

Operations：消除拖沓的 Agent

8. 工单分类与首次响应

支持工单被自动打标签、分优先级、路由。常见问题获得即时、准确的首次响应，内容来自你的文档。

9. 数据录入与 CRM 清洗

Agent 对账重复记录，从丰富数据源填充缺失字段，标记停滞的交易。可信的数据是你信任的预测和靠猜的预测之间的区别。

10. 发票与合同处理

从 PDF 提取结构化数据，对照 PO 校验，并推送到你的财务系统，异常情况标记给人工处理。

def process_invoice(pdf):
    fields = extract_structured(pdf, schema={
        "vendor": str, "total": float,
        "po_number": str, "due_date": "date"
    })

    po = erp.lookup(fields["po_number"])
    if not po:
        return flag("Missing PO", fields)
    if abs(po.amount - fields["total"]) > 0.01:
        return flag("Amount mismatch", {"po": po.amount, "invoice": fields["total"]})

    return erp.post_payable(fields)  # clean path, no human needed

11. 内部知识助手

一个接入了文档、Wiki 和 Slack 历史记录的 Agent 回答"我们怎么处理 X"，这样员工就不用互相 ping 了。新人上手时间明显下降。

12. 报表与异常告警

不再需要有人每周一重复构建同样的仪表盘摘要，Agent 来写，并在指标超出正常范围时标记。

什么把赢家与 demo 分开

这些之所以每一个都有效，不是因为模型选择，而是因为三件事。

狭窄的职责范围。"处理所有客户问题"会失败。"对支持工单进行分类和路由，为前 10 种问题类型起草首次响应"能上线。把工作做窄。

**真实的工具访问。**一个只能说话的 Agent 是聊天机器人。一个能读你的 CRM、调用你的丰富 API 并写回的 Agent 是同事。价值在于行动。

**在高风险场景下设置人工 checkpoint。**任何面向客户或涉及财务的操作都需要审批队列。只在错误代价低且可逆的地方做全自动化。

const agent = createAgent({
  scope: "lead-triage",
  tools: [crm.read, enrich.company, crm.write, slack.notify],
  autonomy: {
    routeLeads: "auto",      // low risk, reversible
    sendEmail: "require_approval" // customer-facing
  },
  fallback: (err) => slack.notify("#ops", `Agent stuck: ${err}`)
});

不要试图一次做全部 12 个。选择那个瓶颈最清晰、数据最干净的一个。对大多数 B2B 团队来说，是销售跟进或工单分类——高volume、重复性高，且直接关联收入或留存。

窄上线，衡量效果，然后扩展。从 AI Agent 获得 ROI 的公司，不是那些架构最花哨的，而是选了真问题并把 Agent 真正接入进去解决问题的。

Originally published at getmichaelai.com