AI 时代的客户旅程：和经典 SaaS 漏斗到底差在哪儿？

前几天跟一个做 ToB 的朋友聊天，他跟我抱怨。

"我们市场部按照标准漏斗搭了七层 nurturing，销售部照着 MQL、SQL 那一套跑，转化率却一直上不去。问题到底出在哪儿？"

我没急着回答。我反问了他一句：

你们公司现在用的那个漏斗，是 2015 年的那一套吧？

他愣了一下。然后笑了。

你看，过去十年，ToB 的营销几乎是被一套"经典 SaaS 漏斗"喂养大的。Awareness、Consideration、Decision、Purchase、Onboarding、Retention、Advocacy——七个阶段，一层层往下漏。市场部在最上面撒 leads，销售在最下面接单，CS 在最后面续费。

这套逻辑在过去是 work 的。

但是 2026 年的今天，买家变了。买的速度变快了，决策路径变乱了，touchpoint 变多了。一个客户可能早上在你的 pricing 页面看了三次，下午就在竞争对手那里 book 了一个 demo，而你的 CRM 到晚上才发现。

漏斗这套静态系统，已经开始追不上客户了。

这时候就出来一个新词：AI customer journey，AI 驱动的客户旅程。

什么叫 AI customer journey？

我先不讲定义。我先讲一个场景。

想象一下，有一个潜在客户，姑且叫他老王。

老王第一次访问你的网站，看了你的博客。如果是传统的漏斗，他会被打上一个"top-of-funnel lead"的标签，然后开始收到你们公司每周一发的那封 nurturing 邮件，不管他到底感不感兴趣。

但如果是 AI 旅程呢？

AI 在老王落地你网站的第一秒，就开始干活了。

它会读老王的公司——哦，是一家 fintech。它会读老王看的内容——哦，看的是 compliance 相关的博客。它会读老王的设备、地域、停留时间、滚动深度。然后它会判断——这位老王，八成是一个金融合规行业的高意向买家。

接下来发生的事情，就和传统漏斗完全不一样了。

AI 不会傻乎乎地把他塞进"周一周四发邮件"的 nurturing 序列。它会实时调整给老王看的内容：把首页的 hero 换成一篇 fintech 合规案例研究；把 CTA 从"订阅博客"换成"看 demo"；把广告创意从通用版切到合规行业的专属版；甚至会在老王第二次访问 pricing 页的时候，直接 ping 销售："嘿，这个账户热了，该出手了。"

这就是 AI customer journey。

一句话总结：它做的事情，是把整个客户旅程从"我们猜客户在哪一段"变成"AI 实时告诉我们这个客户当下想要什么"。

那它和经典 SaaS 漏斗，到底差在哪儿？

很多人问：那不就是漏斗加了个 AI 引擎吗？多了点个性化？

差得远了。

我给你拆开讲。

第一，结构上：线性 vs 非线性

经典漏斗是线性的。Awareness → Interest → Decision → Purchase。一层一层往下走。客户在哪个阶段，我们就推哪个阶段的内容。

但是真实世界里，客户不是这么走的。

一个客户可能先看了你的产品页（Decision 阶段的行为），然后回头去搜你公司的口碑（Awareness 阶段的行为），再去看你的 case study（Consideration 阶段的行为），最后跑回去跟老板汇报。这个路径是乱跳的。

传统漏斗处理不了这种乱跳——它只能给客户贴一个当下的 stage label，然后发这个 stage 对应的内容。

AI 旅程可以。它不依赖 stage label，它依赖实时的行为信号。客户今天跳到 Decision，明天跳回 Awareness，AI 都跟得上，并且每一次互动都给客户当下最该看的东西。

第二，数据上：滞后 vs 实时

经典漏斗靠的是什么数据？表单填写、邮件点击、季度复盘。

这些都是滞后信号。等你看完这些数据，客户早就不在那个状态了。

AI 旅程靠的是什么？实时行为数据、第三方 intent 数据、CRM 互动、产品使用信号，全部 stitch 在一起，喂给模型，让模型预测这个客户接下来最可能做什么。

一个看后视镜开车，一个看挡风玻璃开车。

第三，决策上：人决策 vs AI 决策

经典漏斗里，下一步该推什么内容、该不该升级到销售、该不该触发续费流程——都是人在决定。市场经理看着 dashboard 拍脑袋。

AI 旅程里，这些决策是 AI 在做。它会告诉你：这个账户的成交概率是 73%，建议销售在 48 小时内出手，建议推的内容是 X，建议走的渠道是 LinkedIn 广告 + 邮件。

人从决策者变成了复核者。

第四，规模上：手动调 vs 自动学

经典漏斗加一个 persona、加一个 campaign、加一个地区，都要手动配。配一个新流程可能要两周。

AI 旅程呢？它从成千上万个客户的互动里自己学。学完之后自动调整。加一个新地区，模型自己 adapt。

这就是为什么很多大公司这两年疯狂往 AI journey 上砸钱——不是赶时髦，是真的扛不住手动运营的成本了。

那 AI 在旅程的每个阶段，具体干什么？

光讲结构有点虚。我把 7 个阶段一个一个过一遍，你看看 AI 到底在每个环节干了什么。

Awareness：从"撒网"到"精准拦截"

传统做法：买一批 display ads，广撒网，看谁点进来。

AI 做法：通过 first-party 和 third-party 数据，识别出"高 fit"的受众——比如所有 fintech 行业、合规岗位、公司规模 500 人以上的潜在买家。然后实时个性化广告创意和落地页内容，甚至用 chatbot 在落地页主动搭话。

Demandbase 这类 ABM 工具就是干这个的——根据用户的公司、行业、buying stage 实时调创意。

Consideration：从"信息轰炸"到"语义匹配"

传统做法：邮件 nurturing 序列，每周一发，内容固定。

AI 做法：NLP 做站内语义搜索，让客户用大白话也能搜到精准内容。个性化引擎根据客户行为动态切换 CTA、推荐资源、甚至改首页 layout。

客户不再被信息淹没，反而感觉这个品牌懂他。

Decision：从"等销售"到"虚拟产品顾问"

传统做法：客户纠结了，等 SDR 上门。

AI 做法：虚拟产品助手可以模拟 demo，回答技术问题，根据客户行业 walk through 对应功能。同时 predictive deal scoring 帮销售聚焦最可能成交的账户。

销售的工作，从"找客户"变成"接热客户"。

Purchase：从"复杂表单"到"智能结账"

传统做法：一个 B2B 表单 20 个字段，填到一半人跑了。

AI 做法：自适应表单——已知用户字段自动折叠，公司信息用 enrichment 自动填。如果客户在支付页犹豫了，chatbot 立刻弹出来："需要帮助吗？我带你走一遍。"

转化率提升的杠杆，往往就藏在这些 micro-moment 里。

Onboarding：从"统一教程"到"角色化引导"

传统做法：所有新客户看同一套 onboarding 视频。

AI 做法：根据用户的角色、行业、使用目标，动态生成 onboarding 路径。Power user 看到的是高级功能，新手看到的是基础操作。如果某个核心功能 7 天没被用过，AI 自动弹 tutorial 或者触发客户成功邮件。

"你们团队如果接上 CRM，ROI 平均能涨 35%。"——这种 nudge 是 AI 自动发的。

Retention：从"工单系统"到"预测式服务"

传统做法：客户提工单，客服排队处理。

AI 做法：Tier-1 问题（密码重置、基础故障排查）由 virtual agent 7×24 处理。AI 分析支持对话实时挖掘反复出现的问题，反馈给产品团队。语音转文本 + 情绪检测帮 QA 评估通话质量。

客户感受到的，是"被提前照顾"，不是"又一个 ticket"。

Advocacy：从"年度问卷"到"持续聆听"

传统做法：一年发一次 NPS 调研，回收率感人。

AI 做法：sentiment analysis 持续扫描支持对话、评论、社交媒体，捕捉情绪变化。churn prediction model 根据使用下降、工单频次、plan 降级等信号，提前给账户打健康分。机器学习做客户分群，找出最可能 referral 的人。

满意的客户不会沉默流失了，AI 会先一步发现。

那落地这套东西，要从哪儿开始？

讲到这里，很多朋友就开始着急了：那我也想搞 AI customer journey，我该从哪儿下手？

先泼盆冷水。

AI 是放大器。你的数据干净，它放大你的洞察；你的数据乱，它放大你的混乱。

所以落地之前，先问自己三个问题。

你的数据干净吗？

数据是 AI 的燃料。脏数据喂出来的模型，比不用 AI 还糟糕。

• 客户数据是不是散在 CRM、营销自动化、客服系统、产品 analytics 各自为政？
• 字段是不是一致？同一个客户在不同系统里是不是同一个人？
• 关键行为是不是打了 tag？"访问了 pricing 页"这种事件，能不能被模型读到？

如果答案是"不"——先做数据审计，再做 AI。CDP（Customer Data Platform）就是干这个的，比如 Segment、Tealium AudienceStream、mParticle，把多源数据 unify 成一个 single customer view。

你的工具栈能对话吗？

AI journey orchestration 需要工具之间能实时双向 sync。CRM ↔ 营销自动化 ↔ 客服 ↔ 产品 analytics，得是连通的。

Salesforce、HubSpot、Segment、Amplitude、Intercom、Gainsight——这些工具本身都接了 AI 能力，但前提是它们之间能 talk。如果 CRM 的数据要等一夜才 sync 到营销自动化平台，那你的"实时"就是假的。

你的团队对齐了吗？

AI journey 不是市场部一个部门的事。

市场部管引流和 engagement，销售部管 velocity 和 win rate，CS 管 onboarding 和 expansion——如果这三个部门各自为政，AI 给的信号就会被忽略。

最常见的惨剧：销售正在跟一个账户谈最后的价格，市场部同时对同一个账户跑 retargeting 广告，把竞争对手的对比内容怼到客户脸上。AI 给了信号，人没接住。

所以一定要有一个跨部门的 task force，把每个 journey stage 的归属、AI alert 的处理流程、共享的 KPI，全都白纸黑字约定好。

那具体的执行路径是什么？

数据、工具、团队这三件地基打好了，再按下面这个顺序走。

第一步：把现在的旅程画出来。

不要急着上 AI。先把客户当前的所有 touchpoint 梳理一遍——广告、邮件、网站、SDR 外呼、销售会议、onboarding、客服。看哪些地方有 drop-off，哪些地方客户卡住。session replay、heatmap、NPS、客服日志——这些都是诊断工具。

第二步：定义哪些信号是"高意向"的。

不是所有信号都一样值钱。看了博客的，是弱信号；下载了 whitepaper 的，是中信号；访问了 pricing 页两次 + 看了合规 case study 的，是强信号。给每个 signal 加 weight，这样 AI 才知道什么该 act，什么该 ignore。

Demandbase 这类工具可以追踪匿名账户在整个 web 上的行为，把 third-party intent data 加进来——你会发现，很多时候客户在"还没接触你"的时候，buying signal 就已经出现了。

第三步：把工具栈接起来。

CDP、ABM 平台、CRM、MAP、web personalization——这五个核心系统要 bi-directional sync。AI 需要 read 也需要 write，既能看到数据也能触发动作。

第四步：用历史数据训练 AI 模型。

把过去 closed-won 的机会、流失的客户、高互动的账户都喂给模型，让它学：成功的旅程长什么样？哪些 sequence 会导致 drop-off？什么样的内容、渠道、时机的组合转化最好？

模型不是上线就聪明的，得喂。 而且每 3-6 个月要重新训一次，因为客户行为会变。

第五步：每个阶段设自动化 workflow。

举几个例子。

• Awareness 阶段：AI 检测到某个匿名账户 web 流量飙升 → 触发 LinkedIn 定向广告
• Consideration 阶段：客户读了 pricing 页 → 自动发一封个性化对比邮件
• Decision 阶段：账户 engagement 突然飙升 → 销售收到 alert + 推荐的话术模板

第六步：动态内容和渠道个性化。

这是 AI 真正闪光的地方。

同一个网站，SaaS 公司来的访客和制造业来的访客，看到的 case study 是不一样的。同一个邮件列表，高互动的客户少收几封，低互动的客户多收几封。这些微调人工做不过来，AI 一秒搞定。

第七步：建反馈循环。

AI journey 不是"set and forget"。

要持续追踪每个 funnel stage 的 KPI：CTR、转化率、pipeline velocity、retention、churn。要看哪些 workflow 表现好，哪些 message 驱动了行动。然后用这些 insight 反过来 refine 模型、segmentation、signal weighting。

一个真正成熟的 AI journey 系统，是会自我进化的。

但 AI 不是万能的——三个最常见的坑

讲了这么多 AI 的好，我得公平一点。

第一个坑：过度自动化，丢了人味。

很多人一上 AI，就把所有事情都交给机器。结果就是客户收到一封"Hi John from Tetrix Corp, based in Seattle!"这种过度个性化的邮件，毛骨悚然。

或者更糟——客户已经在跟销售谈了，结果 marketing automation 还在给他发 automated follow-up，让人觉得这个公司内部都不沟通。

解法：Human-in-the-Loop。AI 建议，人在关键节点复核。比如 SDR outreach、deal escalation 这种高影响动作，AI 给建议，人拍板。同时设 override 条件——账户在 active sales cycle 里，自动暂停所有 marketing 节奏。

第二个坑：数据脏，模型瞎。

CRM 里的字段三年没更新，marketing automation 里的 lead scoring 是 2019 年配的，CDP 接进来一堆重复 ID——AI 在这种数据上跑出来的洞察，比拍脑袋还不如。

解法：建立一个 single source of truth。通常以 CRM 或 CDP 为中心，所有数据进出一个口子。同时跑自动化的数据校验，检测异常（比如一个账户标记为"高活跃"但 web 访问记录为零——这就是数据不一致的 red flag）。

第三个坑：部门各干各的，AI 信号没人接。

市场部跑自己的 retargeting，销售部忽略 AI 的 scoring，CS 部门不知道某个客户要 churn——AI 在前面跑，人在后面各自为政。

解法：每个 journey stage 明确归属。Marketing owns engagement and conversion. Sales owns velocity and win rate. CS owns onboarding success and expansion. 三个部门看同一个 dashboard，AI 在哪个 stage 做了什么，所有人都看得见。

工具怎么选？

最后讲一下工具。市面上做 AI customer journey 的工具，大致分五类。

CDP（客户数据平台）：把多源数据 unify 成一个 customer profile。Segment、Tealium AudienceStream、mParticle 都在这个赛道。

AI chatbot / 虚拟助手：处理 Tier-1 支持、产品咨询、销售 qualify。Intercom 的 Fin、Ada、Tidio 的 Lyro AI 是代表。

个性化引擎：实时调整网站内容、CTA、推荐。Dynamic Yield（Mastercard 旗下）、Monetate（Kibo 旗下）、Mutiny 是这一类。

Journey orchestration 平台：整个 AI journey 的大脑，连接 insight、决策、行动。Demandbase、Iterable、Salesforce Marketing Cloud 的 Einstein 都在这里。Demandbase 的特点是把 ABM、predictive scoring、journey orchestration、account intelligence 揉在一个系统里，marketing 和 sales 看到的是同一份 account view。

Predictive analytics 平台：用历史数据预测客户下一步行为。HockeyStack、Leadspace、Demandbase 都有这个能力。

Sentiment analysis 工具：从支持对话、评论、调研里挖情绪。Qualtrics XM Discover、IBM Watson NLU、MonkeyLearn 是这一类的工具。

选工具的关键，与其看"哪个最 AI"，不如看"哪个跟你现有的栈接得最顺"。一个能跟你 CRM bi-directional sync 的中等工具，比一个号称最先进但孤立运行的工具，价值大十倍。

还有一件事：伦理

讲技术讲到这儿，我得停一下。

AI 驱动的客户体验，有一个绕不开的话题：伦理。

隐私。AI 跑在大量客户数据上——浏览习惯、购买历史、行为信号、甚至语音。如果没有清晰的 consent 和透明的数据实践，你随时可能踩到 GDPR、CCPA 的红线。客户有权知道：什么数据被收集了？怎么用？跟谁共享？隐私-by-design、anonymization、data minimization——这些不是 nice-to-have，是 must。

偏见。AI 会继承训练数据里的偏见。一个 chatbot 如果主要用英文对话训练，对其他语言用户的服务质量就会差。一个推荐引擎如果训练数据有偏见，可能会在内容或产品推荐里强化刻板印象。要 audit dataset 的代表性，跨多元用户群测试，建 fairness metrics。

透明度。深度学习模型是黑盒。客户如果被 AI 拒贷、被降级服务、被降低支持优先级，他们有权利知道为什么。要给自动化决策提供解释，明确告诉客户"你正在跟 AI 互动"，并且永远给客户一个 escalation 到真人的选项。

对人的影响。AI 会替代一部分岗位——support、sales、marketing 都在范围内。但负责任的 AI 用法，应该是 augment，不是 replace。让 AI 接重复劳动，让真人去做需要同理心、判断力、创造力的部分。同时给被影响的员工提供再培训。

没有伦理的 AI，是把自己放在火药桶上。

回到那个朋友的抱怨

讲完这一大圈，回到开头那个朋友的抱怨。

他们公司漏斗为什么转化率上不去？

问题不在漏斗设计。在漏斗这套思维本身已经过时了。

2026 年的客户，不会老老实实地从 Awareness 一路走到 Advocacy。他们会乱跳，会消失，会突然出现，会在你不知道的地方做决策。

经典 SaaS 漏斗是给那种"听话地往下走"的客户设计的。AI customer journey 是给真实世界里那种乱跳的客户设计的。

谁能跟上客户的真实节奏，谁就能在接下来这波 ToB 的洗牌里活下来。

我那位朋友听完，沉默了一会儿，然后问我：那我从哪儿开始？

我说，第一步不是买工具，不是招数据科学家。

第一步是去你的客服日志里翻一翻，看看过去一个月，客户都在哪些地方卡住了。

那个，就是你 AI journey 的起点。

Demandbase 这种工具再强，也救不了一个根本不理解客户的团队。

工具是放大器，理解客户才是发动机。