一组被反复引用的数字
9 月 15 日，Vercel 首席运营官 Jeanne DeWitt Grosser 在一场访谈里说了一段很少被公开的数字：公司的入站销售开发已经实现 90% 自动化，相关团队从 10 人折算成 1.25 个全职当量；支撑这套流程的智能体，年度基础设施账单单数千美元。
随后一位长期写 SaaS 与 AI 商业分析的博主把这组数字复盘成文，国内几位作者又做了转述与拆解，话题热度主要来自那三个反差极大的数字并列在一起。
数字确实有说服力，但它同时也是一组缺口明显的数字。要判断它能不能迁移到别的公司，得先把口径补齐。
1.25 是怎么算出来的
这个小数常被读成「几乎全裁掉了」，但它恰恰说明工作没有消失，而是形态变了。
入站销售开发的日常可以拆成四步：查线索企业的背景、判断值不值得跟、发出开场邮件、跟进两轮没回应就归档。前三步以资料查询与规则套用为主，输出结果事后可以被机器判定；第四步——判断某个客户值不值得再投入两周深度跟进——很难写成一个可自动断言的判据，于是留给了人。
所以 1.25 更像一条人机分工的边界线：智能体接管执行层，人退到定义层，负责定义什么算合格线索、什么情况下必须转人工、以及智能体判断失误时怎么兜底。折成 1 个全职加 1 个兼职是常见读法，但公司没有披露具体构成。
另一位复盘者补充了一个容易被忽略的细节：留下来的那部分人并没有闲下来，人均产出反而上升了约三成。不过这一点同样只有转述，没有原始数据。
把账拆开看
一年个位数千美元这个量级，乍看不合理——工具订阅费加上模型调用费怎么可能这么低。但把它拆成三块就说得通了。
一块是模型调用。一个销售开发一天触达上百个客户、每封邮件推理一两次，用便宜的小模型跑，一天不到几美元，一年几百美元量级。另一块是工具平台订阅费，按月计，量级在几千美元。还有一块是工程整合的一次性投入——把智能体接到客户关系系统、邮件系统与客服系统上，前期需要人搭管道，后续维护接近零。
三块加起来，是个位数千美元。真正被这个数字说明的不是「模型便宜」，而是成本结构变了：过去十个人的薪资是六十万到八十万美元量级，现在的主要支出从人力预算挪到了基础设施预算。同一件事在两个预算科目里，决策链条、评估方式、审批层级都不一样。
反过来也要说一句：省下的钱不等于净收益。如果线索转化率同期下降，账面上的节省可能只是业务收缩的另一种写法。
三处必须标注的边界
其一，1.25 是折算后的当量，不是一个编制人数。从这个数字推不出「某天有八个人离开」这类结论。
其二，披露的是成本侧。公司说人少了、钱省了，但没有给出线索转化率、会议预约数、成单质量这些效果侧指标在同一时期的变化。只报成本不报效果，信息是不完整的。
其三，样本量为一家。Vercel 是产品驱动增长的技术公司，产品可以自助下单，线索本身高度结构化。制造业、线下服务、大客户定制这几类场景里，同一套比例套不过去。可迁移的不是数字，是方法。
这三条不是要否定这组数字的价值，而是决定它该被当作什么用：当参照系可以，当基准线不行。
真正可迁移的是那四段判据
把入站销售开发拆开之后，判据其实很朴素：一个环节能不能交给智能体，看它有没有明确的输入结构、有没有稳定的规则集、以及产出的对错能不能被自动判定。
前三步满足这三条，所以能交出去；第四步不满足第三条，所以留给人。这个判据比「这个岗位重不重要」更好用，因为重要性跟可自动化程度本来就不完全相关。
落到工程上，一个能进生产的技能至少要写清四段：输入边界、规则集与兜底、验收函数与回归用例、风险分级的人工闸门。四段里最常被跳过的是兜底——没有它，智能体在检索失败时的默认行为往往是生成一段内容而不是留空，产出的东西看起来很完整，实际是编的。这也是生产环境里事故占比最高的一类。
把这套判据带回自己公司，起步动作不该是砍人，而是把现有岗位的高频任务列出来，标出哪些能被写成「输入—处理—验收标准」。标完之后，该不该动、先动哪一块，答案会自己浮出来。
同一周里的旁证
这条新闻不是孤立的。同一周里，Perplexity 公布了自家用数百个常驻编码智能体重写存储层的过程，Anthropic 把面向中小企业的智能体工作流扩到 43 个。三件事的共同点是同一句话：当智能体的产出可以被验证时，公司开始重新评估哪些环节还需要按人头配人。
但三件事的边界也一致——人退到定义与验收的位置。「谁来判断它对不对」这个问题，在三家公司里都还没有交给智能体。
对团队与个人的几条提示
其一，招聘规划按「智能体覆盖了多少场景、留几个人做高价值判断」来定，而不是按团队规模定。这是这次数字给出的最直接信号。
其二，把兜底与人工闸门写进技能定义里，而不是留在人的经验里。人一换，经验就丢，智能体的行为就会漂移。
其三，先做局部试点再谈重构。把三到五个环节交给智能体跑三个月，看清它在你自己的业务里能做到什么程度，再决定要不要动编制。
其四，对个人来说，值得投入的是把技能从执行升到判断：定义规则、验收产出、处理异常。这三件事短期内不容易被写成一个可断言的函数。
按编制计价，而不是按工具计价
这组数字还有一层财务含义值得单独说。
过去采购 AI 类工具，走的是软件支出，进 IT 预算，审批看的是功能清单与合规材料。一旦它被用来替换人力，账就落到人力预算上，决策链条、评估方式与审批层级全都不一样——这时候要回答的问题不再是「这个功能好不好用」，而是「它能不能顶掉一个人的产出，顶掉多少」。
这个位移也解释了为什么外部对这类数字这么敏感。它把一件原本模糊的事算清了：智能体不只是省下一笔软件订阅费，它开始占用一个编制名额。对采购方来说，这意味着评估周期会拉长——人力决策比软件采购更谨慎；对供应方来说，这意味着要拿出的是效果侧的证据，而不只是能力演示。
再往外看一层，AI 驱动的销售流程一旦扛起主线工作，传统客户关系管理类产品的价值主张会被慢慢稀释：它们卖的是流程标准化与数据沉淀，把嵌在系统里的人当作效率来源；新一类工具卖的是流程自动化与决策智能化，把人从系统里抽出来。短期看，前者仍能靠企业级合规与数据整合守住大客户，中长期的分界线在哪，目前还看不清楚。
需要标注的边界
其一，核心数字来自一场访谈的转述，公司的完整方法论与指标定义未公开。
其二，效果侧数据缺失，无法判断自动化与业务结果之间的关系。
其三，模型调用与工具订阅的成本会随用量、模型选择与议价能力变化，个位数千美元不是一个可复制的报价。
其四，同周流传的另一些细节——例如这家公司开源了某个智能体框架、内部某个数据智能体改用文件系统为中心的工作方式后评估成功率翻倍、以及沉淀了约一百个技能、约二十个智能体跑出产品市场契合——均出自单一二手转述，未见官方声明，引用时应当一并标注。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。