最近跟合伙人讨论、跟企业家们常聊的一个话题：为什么推动 AI 在自己公司里落地、号召员工们高效使用，这么难推？

正好看到 SaaStr 上一篇文章，介绍 Personio 这家公司的经验，分享下。

Personio 是欧洲领先的 HR 和薪资平台，估值超过 30 亿美元，拥有 1500 名员工和 15000 个客户，其中包括 400 人的销售团队。

在首席收入官 Philip Lacor 的带领下，这家公司在短短 6 个月内创建了 400 个 AI 智能体助手，研究时间从 2 小时缩短至 15 分钟，SDR 人均产出翻倍，7 天内预订 140 场会议，处理了 20 万次网站会话。

落地过程中他们也曾深陷或见识到各种陷阱：

- 只学习 AI 不部署 AI 的现象普遍存在，管理层热衷于读论文、听播客、参加会议，就是不动手实践。
- 技术团队闭门造车成为常态，他们做出来的 AI 工具业务部门根本不用，最终沦为展示用的「花瓶」。
- 数据质量问题如灾难般严重（比如 30% 的客户流失原因被标记为「其他」，企业根本不知道客户为什么离开，盲目运营），即便是 Personio 也花费数月时间清洗数据，去重了三分之一的 Salesforce 记录。
- 容易陷入无休止的工具测试陷阱，从 Clay 到 Artisan，再到下一个热门工具，永远在测试从未真正部署，像是在工具的海洋中溺水。
- 销售人员需要跨 10-20 个系统寻找客户信息，AE 每天浪费 2.5 小时在系统切换上，效率低下。
- 追求完美 AI 的心态作祟，想要一个大而全的系统，结果什么也做不出来。

Personio 摸索出的策略和方法论包括：

- 快速创建超过 400 个小 AI 助手，不追求完美，而是追求实用和快速迭代。
- 采用双驱动模式：自上而下的战略规划结合自下而上的真实需求，确保 AI 项目既有高度又接地气。
- 组建 15 人跨职能团队，涵盖数据系统、收入运营和业务部门，打破部门壁垒。
- 运用 Jobs-to-be-Done 框架，不问「AI 能做什么」而问「用户要完成什么任务」，需求导向而非技术导向。
- GTM 工程师跟岗 2 周，深入一线寻找真实痛点，而不是坐在办公室里想象问题。
- 每天监控 AI 输出，建立严格的质量控制体系，确保 AI 不会「胡说八道」。
- 深耕现有工具栈，不盲目追新，在熟悉的基础上做深做透。
- 在 President’s Club 预留席位给 AI 贡献者，用实际激励推动 AI 文化建设。

重要但容易被忽略的事：

不要花 3 个月时间选工具，不要追求完美再上线，不要让技术团队单独推进项目，不要忽视数据清洗，不要让 AI 无人监管「裸奔」。