一句话看懂：Vercel 把 inbound 销售开发团队从 10 人压缩到 1.25 人，靠自建 AI 智能体完成约 90% 的销售开发自动化和 93% 的客服处理量，全年基础设施成本只有几千美元。这说明 AI 销售智能体已经跨过“能用”门槛，真正值得关注的是被固化下来的工作流，而不是模型本身。
事件核心：发生了什么
Vercel COO Jeanne DeWitt Grosser 在一次访谈中披露了自家 AI 落地的具体数字：inbound 销售开发实现 90% 自动化，团队规模从 10 人降到 1.25 人；自研客服智能体承担了全部支持工单中的 93%；这两套系统的年度基础设施账单都在“个位数千美元”区间。按她的说法，销售开发智能体的投入产出比达到 32 倍。Tomer Tunguz 在其博客中引用了这组数据，并指出销售开发正是 AI 最早被寄予厚望的场景之一，如今承诺开始兑现，瓶颈不在模型能力，而在于工作流是否被清晰编码。
为什么重要
这组数字的意义不在于“AI 取代销售”，而在于单位经济模型发生了变化。过去企业部署 AI 智能体，往往卡在推理成本、集成复杂度和效果不稳定上；Vercel 的案例显示，当一个岗位的工作流被拆解成可执行、可校验的步骤后，AI 的边际成本可以低到几乎可以忽略。对 SaaS 和开发者工具公司来说，这意味着销售开发、客服这类高频、结构化程度高的职能，可能率先从“人力密集”转向“工作流密集”。同时，32 倍 ROI 也意味着企业评估 AI 项目的标准会从“模型跑分”转向“流程覆盖率”。
对用户/开发者/创作者的影响
对开发者而言，Vercel 的做法提示了一条务实路径：不要先追求通用智能体，而是把某条具体业务流程（如线索筛选、初次触达、工单分类）拆成可编排的步骤，再接入大模型做推理和生成。对使用 SaaS 工具的用户来说，未来接触到的销售和客服响应，可能更多由 AI 完成，人工只在复杂或高价值环节介入。对内容创作者和独立开发者，这类案例也说明，真正可复用的机会不在“做一个更强的模型”，而在把行业 know-how 沉淀成可运行的工作流——这恰好是开源与闭源模型都能参与的层面。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Vercel 是否公开这套销售开发智能体的技术栈与编排方式，若开源或产品化，可能带动一批同类工具跟进；二是 1.25 人这个数字能否在更长周期内稳定，人工介入的比例和场景值得追踪；三是其他 SaaS 公司是否会披露类似的自动化比例和 ROI 数据，如果形成可比口径，行业对 AI 销售智能体的估值逻辑会更快清晰。目前公开信息显示，这些数据来自一次访谈，尚缺第三方审计或长期跟踪。
