前几天和几个做企业软件销售的朋友聊天，话题落到找客户。

他们手里并不缺名单。

园区、协会、招投标平台、公开企业名录，都能拉出一批公司。

难的是，名单拉出来以后，销售要判断哪几家值得花时间。

这件事过去主要靠经验。

经验强的销售会看行业、规模、项目窗口、老板重视程度，也会从招聘、新闻和公开项目里找线索。但一个人精力有限，很难长期盯几百家公司。

我觉得 AI 在这里有一个现实场景：

帮销售做第一轮企业研究，把暂时看不到变化的企业先过滤掉。

一、软件机会大多来自企业变化

软件销售最怕的情况，是跑了一圈客户，聊完发现对方只是随便了解一下。

客户没有明确变化，没有预算，也没有内部推动人。

销售花了时间，项目推进不动。

企业会考虑上软件，大多是内部管理出现了新压力。

新工厂投产，渠道开始铺开，销售队伍变大，海外业务增加，产品线变多，原来的管理方式跟不上，系统需求才会被提出来。

所以找软件机会，可以先看企业变化。

比如一家制造企业最近在招聘 CRM 相关岗位，同时公开资料里提到全国渠道建设，销售团队也在扩张。

这还不能当商机结论。

但它可以形成一个机会假设：

这家企业的销售管理复杂度可能在上升，CRM 建设或升级值得验证。

销售下一步就不用泛泛介绍产品，可以带着问题去聊：现在销售过程怎么管，有没有现成 CRM，今年有没有预算，谁负责这个事情，业务部门最卡的地方在哪里。

二、AI适合做资料收集和线索归纳

过去研究一家企业，要分别打开官网、新闻、招聘、招投标、股权信息、项目公告。

看完以后还要自己整理判断。

AI 可以把公开资料先按固定口径整理出来。

这张表不解决成交问题。

它解决的是销售拜访前要不要继续投入的问题。

三、给销售看的内容要简单

AI 输出如果做成厚厚一份企业研究报告，销售大概率不会看完。

更适合销售使用的是一张机会判断表：

企业名称、近期变化、可能需求、证据来源、建议动作。

比如一家企业新建基地，又在招 MES 实施顾问，公开资料里原来只有 ERP 线索，可以给出“MES 或生产协同”的机会假设，建议销售重点验证。

另一家企业规模不小，但最近没有扩产、招聘、项目公告，也没有系统建设线索，就放到低频跟踪。

销售不需要 AI 替自己下结论。

他需要 AI 把原来耗半天的信息整理工作压到几分钟，然后告诉他：这家公司现在有没有必要继续看。

四、持续监测比一次分析更有用

企业机会很少靠一次分析判断清楚。

今天没有需求，三个月后可能就变了。

新工厂立项、招聘信息化负责人、发布数字化规划、出现系统招标，这些都值得重新评估。

这个场景可以做成一个简单的企业机会雷达：

建立目标企业池，定期抓公开变化，触发变化后推送给销售，销售再判断要不要跟进。

这件事对企业软件销售有用，是因为它没有改变销售的核心工作。

销售仍然要见客户、聊业务、判断预算、建立信任。

AI 负责把可公开获取的信息先整理出来，把值得看一眼的企业提前筛出来。

信息越来越容易获得以后，销售的差异会更集中在两件事上：

能不能判断机会。

能不能建立信任。

AI 能把更多企业推到销售面前。

客户值不值得长期投入，仍然要靠人判断。