销售场景AI实测报告:同一款大模型,为什么换个任务就“失灵”?

同一款大模型,在筛选客户线索任务时拿下第一,换成准备客户拜访任务,却排到了第十。

这是网易智企10月13日发布的《2026销售场景AI实战评测报告》中的一组数据结果。报告围绕7项高频销售任务,设置35个测试样例,让12款国产大模型在统一条件下完成测试,最终形成420份任务成果。

从整体结果来看,Qwen3.8-Flash在拜访准备、沟通纪要、异议处理、方案与报价4项任务中排名第一;DeepSeek-V4.1-Flash则在线索评估、商机评估、客户跟进3项任务中领先。

7项任务的第一名被两款模型包揽,却没有任何一款模型能够在所有任务中保持领先。

图片

01

从生成内容到完成工作,评价标准正在改变

对于销售岗位而言,一份客户研究报告的价值,不只在于资料整理得是否完整,更在于能否识别影响商机的关键信息;一份报价方案,也不仅要回应客户需求,还必须符合价格规则、折扣权限和交付边界。

这些要求,使企业对AI的评价不能只停留在内容生成层面。

网易智企此次评测围绕实际销售工作设计任务。测试样例取自销售宝覆盖的典型销售环节,以实际销售材料为基础,经整理、规则化改编和必要脱敏后形成。12款模型统一在网易智企企业级AI Agent平台帝王蟹(ClawHive)提供的环境中运行,面对同一个样例,各模型获得相同的输入材料、任务要求和输出规范,并接受统一的场景测试。

在测试评分标准上,模型完成具体销售任务的表现被定义为“销售场景AI胜任力”。其中,目标达成占70%,包括任务完成40%和目标准确性30%;规划与执行、工具与调用各占15%。执行时间与Token成本则独立记录,不参与胜任力排名。

图片

将任务完成与结果准确分别纳入评价,实际上区分了两个问题:模型是否完成任务,以及实测结果中的信息和判断是否符合业务要求。

七项任务中,沟通纪要与CRM更新任务的结果颇具代表性。

Qwen3.8-Flash以89.58分排名第一,Qwen3.8-Max获得82.75分,两者相差6.83分,是7项任务中前两名分差最大的场景。

看似基础的信息整理,实际上同时考验事实提取、语义理解和字段映射。部分模型虽然能够生成结构完整的纪要,却将销售提出的方案误记为客户已经确认的需求。

这类错误的隐蔽性在于,它们未必影响文档的完整性,却可能改变业务信息本身的含义。

一旦未经确认的信息被写成确定事实,后续商机判断和客户跟进便可能建立在错误依据之上。对于企业而言,关键字段的准确性和业务规则的遵循情况,往往比内容呈现得是否完整更值得关注。

从“生成了什么”到“真正完成了什么”,正是AI岗位胜任力评价的关键变化。

02

没有“全能冠军”,企业究竟该选谁?

模型排名的变化,首先反映了不同业务任务对能力要求的差异。

在线索评估中,模型需要从客户资料和沟通记录中提取事实,区分已确认信息与待验证假设,并按照既定规则完成线索评级。拜访准备则有所不同。模型不仅要理解客户背景,还需要明确沟通目标、安排议程、设计关键提问,并识别可能影响后续推进的风险。

任务性质不同,模型的相对优势也会随之变化。即使是在同一项任务中,得分领先也不意味着企业只有一种选择。

商机评估任务中,DeepSeek-V4.1-Flash以88.42分领先Qwen3.8-Flash的87.17分,优势仅有1.25分。但两者在执行效率和调用成本上呈现出不同特点:前者平均耗时36.39秒,后者为113.38秒;Qwen3.8-Flash的平均Token成本则低约57.1%。

如果商机信息需要在沟通结束后及时更新,DeepSeek-V4.1-Flash在本轮测试中体现出的得分和响应速度优势更值得关注;如果任务以周期性批量处理为主,在交付质量满足要求的前提下,Qwen3.8-Flash的成本优势则具有参考价值。

模型在特定测试条件下的排名,与企业实际部署时的最优选择,并不是同一个问题。

对于企业,更合理的选型顺序是先明确任务的交付标准,再从符合要求的候选模型中比较执行效率与成本,最后利用自身业务材料进行验证。

因此,分场景排名更适合作为模型验证的起点,而不是直接用于采购或部署决策。

03

从选对模型到跑通业务,企业还缺什么?

为不同销售任务找到合适的模型,解决了能力适配的问题。但在实际业务中,模型选型只是第一步。

真实的销售工作并不是7项彼此独立的测试题。线索评估形成的客户判断,需要为拜访准备提供依据;沟通纪要中的需求、预算和采购计划,会影响商机阶段的判断;进入方案报价环节,前期确认的需求还需要与产品能力、价格规则和交付范围保持一致。

单项任务考验模型能否完成工作,连续流程则进一步考验工作成果能否被下一环节准确接收和使用。

这里的难点,不只是让信息在不同任务间传递,而是确保其原本的含义和业务约束不会发生变化。

尚未确认的采购意向,不能在后续任务中变成确定的采购计划;需要技术验证的产品能力,也不能直接转化为正式的交付承诺。即使后续模型严格执行任务,只要输入信息已经存在偏差,最终判断仍可能出现问题。

因此,AI进入连续业务流程,需要解决信息延续、规则一致和成果衔接的问题。

而这些要求,仅靠提高单个模型的能力并不足以实现。

对于企业而言,客户资料和产品知识需要明确来源、版本和适用范围;商机判断与报价政策需要遵循统一规则;不同任务还应具备明确的执行方法和交付标准。

这意味着,相较于围绕某一款模型构建应用,更重要的是将企业已有的知识、规则和工作方法组织起来,使其能够在不同任务、不同模型之间持续复用。

在这一思路下,网易智企通过帝王蟹(ClawHive)与销售宝分别提供平台能力和场景应用支持。

帝王蟹作为企业级AI Agent平台,负责统一接入和管理不同模型,将企业知识、业务工具和工作流程组织进Agent运行环境,并支持根据具体任务调整模型配置。

基于帝王蟹构建的销售宝,则面向一线销售人员,承接线索评估、拜访准备、沟通纪要、商机判断、异议处理、客户跟进和方案报价等具体工作。

图片

这样的分工,使企业能够根据任务要求调整底层模型,而无需随着模型变化反复重建已有的业务知识和工作规则。对于一线人员来说,使用AI也可以更多地围绕实际工作展开,而不是在不同模型产品之间反复切换。

当然,本轮评测主要检验了12款模型在单项销售任务中的表现,并不直接代表完整业务流程的运行效果。企业仍需结合自身数据、业务规则与系统环境,进一步验证成果质量和跨环节协作能力。

从此次销售场景评测可以看到,模型能力的差异正在具体任务中得到更加清晰的呈现。但对于企业而言,找到合适的模型只是起点。

真正决定AI长期应用价值的,是能否将这些分散的模型能力组织起来,让可靠的工作成果持续进入业务流程。

声明:本文为维科号作者发布,不代表维科号立场。如有侵权或其他问题,请及时联系我们举报。