销售流程 AI 化(二):拜访录音质检的价值,不是给销售打分

AI-Native Sales Part 2 — Pitch QA Is Not About Scoring

接着 上一篇 那个汽配分销的单子讲。老周把解决方案对象建好了,带着新来的销售小林去客户现场做方案讲解,全程用钉钉A1做了录音。

回来当晚,AI 质检系统出了报告: 92 分,评级「优秀」。语速适中、没有冷场、把产品功能讲全了、合规零踩线。小林挺高兴。

但老周听完那段录音,心里一沉。小林为了拿下单子,当着财务总监的面把对账准确率从方案对象里写的 99.5% 顺口加码成了「我们能做到 99.9%」;而最该讲透的那个竞对差异 —— 「我们让 AI 适应你现成的钉钉协同,而不是逼门店改流程去适应 ERP」—— 被他一句带过,财务总监根本没接住。

92 分的拜访,讲偏了。而质检系统对此一无所知。

拜访质检的价值:从打分到对照方案对象校验偏差与回流

这一篇讲售中。核心判断一句话: 拜访录音质检最大的价值,根本不是给销售打分 —— 而是校验「销售嘴里讲的」和「方案对象里写的」差了多少,把赢单的讲法回流,把危险的口头承诺拦下来。打分式质检覆盖率做到 100% 也只是更高效地做无用功,因为分数不会让下一单讲得更好。

「质检 = 打分」是个 KPI 陷阱

几乎所有打着「AI 销售质检」旗号的产品,定位都是考核工具:把人工抽检的 5% 提到 100% 覆盖,自动打分、排名、标合规红线。这一步确实是质变 —— 合规底线(有没有辱骂客户、有没有乱承诺返点)必须管,AI 全覆盖比人工抽检强太多,这一点我不否认。

但要分清两个不同的目标: 合规质检是为了「不出事」,赢单质检是为了「多签单」。一个守底线,一个抢上限。把质检做成一个打分器,覆盖率再高,也只是把「人工抽检合规」这件事自动化了,它不产生复利 —— 小林这一单讲偏的地方,不会让下一个销售讲下一个汽配单时讲得更好。每个销售还是从零开始,资深销售的赢单话术还是锁在他自己脑子里。

这正是 上一篇 那个判断在售中的复现:单点做一个更准的打分器,不是胜负手。胜负手是让质检接上那个贯穿的解决方案对象。

重新定义售中质检:把录音对照「方案对象」

换个目标:质检不是给录音打一个孤立的分数,而是把这段拜访录音 对照它对应的那个 SolutionObject,回答三个问题。

钉钉拜访录音
   │ 转写 + 说话人分离
对照 deal 对应的 SolutionObject ──→ ① 校验偏差:讲的 vs 写的
   │                              ② 回流话术:哪段讲法打动了客户
   │                              ③ 生成陪练:用这一单的真实对象做脚本
偏差报告 + pitch_scripts 回写 + 个性化陪练脚本

注意,这三件事全都以「方案对象」为锚点。没有对象,质检就只能凭空打分;有了对象,质检才知道「应该讲什么」,从而判断「实际讲得对不对」。

from dataclasses import dataclass, field


@dataclass
class Deviation:
    """一条「讲的」与「方案对象里写的」之间的偏差。"""

    field_name: str             # 对应 SolutionObject 的哪个字段
    expected: str               # 方案对象里写的
    actual: str                 # 销售实际讲的(来自录音转写)
    risk: str                   # "讲丢" / "口头超额承诺" / "讲错"


@dataclass
class PitchReview:
    """一次拜访的质检结果——锚定在 SolutionObject 上,而不是一个孤立分数。"""

    deal_id: str                                   # 关联的解决方案对象
    transcript_ref: str                            # 钉钉录音转写

    deviations: list[Deviation] = field(default_factory=list)
    winning_snippets: list[str] = field(default_factory=list)  # 打动客户的讲法,待回流
    compliance_pass: bool = True                   # 合规底线(保留,但不是重点)
    # 注意:没有一个笼统的「总分」字段——分数解决不了任何问题
# generated by hugo AI

① 校验偏差:讲的 vs 写的

AI 把转写出来的话,逐句和 SolutionObject 的字段比对。小林这段录音的偏差报告:

deviations = [
    Deviation(
        field_name="competitive_edge",
        expected="AI 适应客户现有钉钉协同,门店无需改流程学新系统",
        actual="(一句带过,未展开,客户无回应)",
        risk="讲丢",                       # 最有杀伤力的差异点被浪费了
    ),
    Deviation(
        field_name="commitments",
        expected="对账准确率 99.5%(可被运维数据校验)",
        actual="我们能做到 99.9%",
        risk="口头超额承诺",               # 危险:方案对象里没有这条
    ),
]
# generated by hugo AI

两条偏差,性质完全不同。

第一条「讲丢」是赢单问题:最该打动「员工不愿学新系统」的连锁客户的差异点,被浪费了。这是销售经理该介入教练的地方。

第二条「口头超额承诺」是 埋雷:方案对象的 commitments 字段里写的是 99.5%,小林为了签单顺口说成 99.9%。这 0.4% 的差距,签单时没人注意,到了售后就是履约对不上、客户觉得被骗的导火索 —— 这正是第三篇要讲的销售到交付断点的源头之一。质检系统打 92 分,恰恰漏掉了这颗雷。

② 回流话术:把赢单的讲法变成组织资产

质检不只挑错,也挑好的。AI 识别出录音里哪几段引发了客户的正向反应(财务总监追问、记笔记、说「这个有意思」),标成 winning_snippets,回流进方案对象的 pitch_scripts 字段:

# 录音里:小林讲到月结报告自动生成时,财务总监主动追问了细节
winning_snippet = (
    "您现在月底要等 3 天对账,这 3 天财务全员加班;上线后系统月结 T+1 自动出报告,"
    "您财务总监第一天上午就能看到上月全貌——省的不是钱,是您每个月的那 3 天。"
)
solution_object.pitch_scripts.append(winning_snippet)
# generated by hugo AI

这一步是复利的来源。下一个销售接手类似的汽配分销客户,方案对象里已经躺着这段被验证过有效的讲法。资深销售的赢单 know-how,从「在小林脑子里」变成了「在组织对象里」。

③ 生成陪练:用这一单的真实对象做脚本

市面上的 AI 陪练大多用通用脚本:模拟一个泛泛的「难缠客户」,让销售练通用话术。问题是销售真正要赢的是 这一单,不是一个假想客户。

更有效的陪练,是用这一单真实的 SolutionObject 当脚本:AI 扮演客户 A 的财务总监(决策链、痛点、关注点都来自 customer_profile),专挑小林讲丢的竞对差异和讲超的承诺来追问。

陪练 Agent 扮演「客户 A 财务总监」,弹药来自 SolutionObject:
  - 用 customer_profile 还原口吻:只认省时间和合规,不懂技术
  - 针对 deviations 设伏:
      「你说 99.9%?白纸黑字写得进合同吗?」      ← 逼小林收回超额承诺
      「我们门店阿姨学不会新系统怎么办?」        ← 逼小林把讲丢的差异点讲透
  - 用 winning_snippets 给正反馈:讲对了就推进,讲偏了就追问
# generated by hugo AI

陪练完,小林既练了这一单,又把「99.9% 不能乱承诺」「钉钉协同差异要讲透」这两个教训刻进了肌肉记忆。

对比:打分式质检 vs 对象式质检

维度打分式质检(KPI 工具)对象式质检(贯穿载体)
锚点一套通用话术规则这一单的 SolutionObject
产出一个分数 + 合规红线偏差报告 + 回流话术 + 陪练脚本
对赢单几乎无关(分数不驱动签单)直接:讲丢的差异点被教练补上
口头超额承诺测不出(合规没踩线就过)对照 commitments 当场标记为埋雷
复利无(话术锁在个人脑子里)有(赢单话术回流进对象)
陪练通用假想客户用真实客户画像做脚本

一个最强的反方

「质检本来就是管控工具。AI 把抽检 5% 做到 100% 覆盖、把合规红线全盯住,这已经是质变了。非要扯上方案对象、回流、陪练,是把一个简单的考核问题复杂化。」

合规质检该做,全覆盖确实是质变 —— 这是底线,我完全同意。但底线不等于上限。只做合规打分的质检,覆盖率做到 100% 也只是把「人工抽检合规」自动化了,它守住了「不出事」,却碰不到「多签单」。而真正决定一家公司销售能力的,是后者。

更关键的是,纯打分质检会 系统性地漏掉最贵的那类问题 —— 小林那句「99.9%」合规上毫无问题(又没乱承诺返点、又没辱骂客户),打分器永远不会报警。但它恰恰是售后履约爆雷的起点。要抓住它,质检必须有一个「应该承诺什么」的基准,那个基准就是方案对象的 commitments 字段。

这也呼应了我在 按行业和岗位设计 Agent 评测体系 里的判断:评测不能用同一把尺子。给销售拜访做质检,尺子不该是通用话术规则,而该是这一单具体的解决方案对象。

人在售中收敛成什么

决策框架那篇 里说,AI 流程里人收敛成审核者和判断者。售中质检完美印证了这一点: AI 做覆盖和诊断 (100% 听录音、逐句对照对象、标出偏差和亮点), 人(销售经理)做判断和教练 (这条偏差要不要纠、这单还能不能救、小林需要练哪里)。

老周不用再凭印象抽听几段录音、凭感觉点评。他打开的是一份对照方案对象的偏差报告,15 分钟就知道小林这一单讲偏在哪、哪段讲法值得全队学。他省下的时间,花在了真正需要人的判断和带教上。

那条「99.9%」的口头超额承诺被标记出来之后,去哪了?它要么被补进方案对象、据此重新核算交付资源,要么被退回去和客户澄清 —— 绝不能让它继续以「隐形承诺」的形式溜进交付环节。 承诺一旦失控,售后就是灾难。这就是下一篇的事:怎么让售前的方案对象、售中校验过的承诺,编译成售后的履约 SOP,把销售到交付那道最贵的断点焊死。

你们的销售质检,是在打分,还是在让团队下一单讲得更好?欢迎留言。


See also