AI案例透视：解码麦肯锡10亿美元增长案例背后的GenAI路径

探索者&数字时代·2025年04月11日 14:24

GenAI赋能工业材料分销商获10亿商机，营销活动点击率翻倍。

生成式AI（GenAI）正以前所未有的速度改变商业世界，各种激动人心的成果不断涌现。我们常常惊叹于AI带来的商业奇迹，但很少有人深入探究：这到底是怎么做到的？大多数讨论停留在“AI能做什么”，却鲜少触及“如何一步步实现”。

本系列“AI案例透视”旨在填补这一空白。我们选取公开的、效果显著的商业成功案例，尝试反推其背后可能的技术实现逻辑。这不仅是满足好奇心，更是为了理解技术如何真正创造价值，启发我们思考AI在自己业务中的应用可能。

今天，我们聚焦2025年3月27日麦肯锡官网披露的一个精彩案例（本文只引用部分内容，Google 翻译）：

生成式AI应用：强力赋能客户拓展

一家工业材料分销商期望促进增长，但在识别和把握（商业）机会方面面临挑战。这个过程可能既繁琐又耗时。例如，外勤销售人员会驾车在城市或乡镇巡视，以目视方式寻找新的建筑项目所在地。

......

这带来了价值超过10亿美元的新商机（使其销售线索储备增加了10%），并在第一个财年内使（营销活动的）点击率翻了一倍以上。

案例来源：

“[Unlocking profitable B2B growth through gen AI] (https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/unlocking-profitable-b2b-growth-through-gen-ai#/ )”

如此巨大的飞跃是如何实现的？GenAI在其中扮演了什么角色？让我们循着商业成果的线索，一起探索这家传统企业智能化转型的可能路径。

增长困境：“扫街式”销售的无奈

这家工业材料分销商的业务，简单说就是把上游的材料卖给下游的建筑商、承包商。市场竞争激烈，找到新客户、抓住新项目是生存之本。但他们过去的方法非常传统：外勤销售人员会驾车在城市或乡镇巡视，以目视方式寻找新的建筑项目所在地。

这种“扫街式”模式的弊端显而易见：

效率极低、成本高：大量时间花在路上，油费和人力成本高昂。
覆盖有限：人力能跑的范围有限，大量机会被错过。
信息滞后：发现工地时，可能项目已进展过半，错失良机。
判断主观：哪个机会更重要？全凭销售经验，缺乏数据支撑。

这种“费力不讨好”的方式严重限制了增长。公司迫切需要一种更智能、更高效的方法来：1.规模化地发现新销售线索；2.精准地评估和排序所有机会；3.优化触达客户的效率。这为引入AI技术埋下了伏笔。

第一步：用“基础AI引擎”优化存量

俗话说“饭要一口一口吃”，要解决增长难题，不能一步登天。案例显示，该公司首先采取了务实的第一步：建立一个“基础AI引擎”，利用公司内部已有的数据，先优化对“已知”机会的处理。

这个基础AI引擎主要做了两件事：

1. 给现有机会打分、排序：

目标：评估已知销售机会的“质量”（成交可能性、潜在价值），让销售集中精力在高价值目标上。
数据：主要依靠公司内部的CRM（客户关系管理系统）数据、ERP（企业资源规划系统）里的历史交易记录等。
技术推测：很可能用了传统的机器学习模型。这些模型像聪明的分析师，能从历史数据中学习规律，预测哪些机会更可能成功，哪些客户潜力更大。比如，使用分类或回归算法来预测成交概率或合同金额，再用集成学习模型（如随机森林、梯度提升树）提升预测准确性。

2. 做智能产品推荐：

目标：在与客户沟通时，智能推荐最相关的产品，提高销售成功率。
数据：客户历史购买记录、产品信息等。
技术推测：应用了推荐系统技术。类似于电商平台的“猜你喜欢”，可能通过分析“买过A的客户也常买B”（协同过滤），或根据客户买过的产品特性推荐相似品（基于内容推荐）等方法，为销售提供建议。

小结：这一步，通过运用传统AI/机器学习技术处理内部结构化数据，提升了对现有业务的运营效率。它让机会排序更科学，产品推荐更精准。但这并未解决核心痛点——如何从外部发现全新的建筑项目机会。

第二步：GenAI登场，解锁海量新机遇

基础AI引擎优化了“存量”，但要实现爆发式增长，必须开拓“增量”。案例的关键转折点在于第二步：“使用GenAI从非结构化的公共数据（如建筑许可）中提取洞察，识别新机会。”

为什么这里需要GenAI？因为挑战变了：

数据变了：不再是公司内部整齐的表格数据，而是外部公开的、非结构化的文本信息。建筑许可（Construction Permits）通常是PDF文档、网页公告，里面是大段的自然语言描述。
任务变了：不再是基于已有特征做预测，而是需要“读懂”这些文本，从中“找出”关键信息，并整理成有用的格式。

这恰恰是大型语言模型（LLMs）——GenAI的核心技术——的强项。LLMs像一个阅读理解能力超强的助手。

GenAI在这里可能的工作流程：

1. 获取数据：通过网络爬虫抓取政府网站公告，或购买公共记录数据服务，获得建筑许可信息。如果许可是图片格式，先用OCR（光学字符识别）技术转成文字。

2. GenAI信息抽取：

选择工具：可能调用成熟的商用LLM（如GPT系列、Claude、Gemini等）的API，或部署开源LLM。
核心方法：Prompt工程（下指令）。需要精心设计“提示”（Prompt），告诉LLM要做什么。比如，指令LLM扮演“建筑许可分析专家”，从输入的许可文本中找出并提取以下信息：项目名称、地址、类型（住宅/商业/工业）；开发商/承包商名称；项目规模/价值（如果有）；关键日期
输出：对每份许可，LLM输出结构化的数据（如JSON格式），清晰列出提取到的关键点。

GenAI的价值：通过这个过程，GenAI将原来散乱、难用的公开文本信息，变成了结构化的、宝贵的潜在销售线索。这直接识别出了海量以前不知道的新机会（那10亿美元价值的来源！），解决了传统“扫街”效率低下的核心问题。同时，提取出的详细项目信息（如项目类型）也能帮助改进对所有机会（新旧）的评估和排序。GenAI在此成为了名副其实的“新机会发现引擎”。

第三步：GenAI赋能，实现个性化规模触达

发现了大量新机会，下一步是如何高效联系潜在客户？案例的画龙点睛之笔是第三步：“利用GenAI大规模地实现个性化客户拓展。”。

随着机会数量剧增，销售员手动写邮件或用统一模板发送，要么效率低下，要么效果差。我们需要一种既能规模化又能个性化的沟通方式。

这再次轮到GenAI（LLMs）出场，这次利用的是其强大的文本生成（NLG）能力：

1. 为什么用GenAI做个性化？

能理解上下文：LLMs能综合考虑客户信息（来自CRM）、项目细节（来自GenAI抽取）、推荐产品（来自基础AI）等多种信息。
能动态生成：它不像模板那样死板，能根据输入信息实时生成独特的、听起来自然的沟通文本（邮件、消息等），还能调整语气风格。
能规模化：通过程序调用，可以自动为成百上千的客户生成定制内容。

2. 技术实现推测：

整合信息：系统将关于目标客户的各种数据点“喂”给LLM，包括：客户姓名职位、项目类型地点、推荐产品、沟通目标（如约个电话会议）等。
核心方法：基于Prompt的生成。设计一个包含变量（如[客户姓名]、[项目地点]、[推荐产品A]）的Prompt模板。系统运行时，填入具体信息，发送给LLM。
Prompt大致思路：“请扮演销售顾问，给[客户姓名]写封邮件，提及他们在[项目地点]的[项目类型]项目，介绍我们的[产品A]如何能帮助他们，并邀请进行15分钟通话。”
自动化：这个过程通常会集成到营销自动化工具或CRM中，实现批量个性化内容的生成和发送。

GenAI的价值：GenAI在这里扮演了“个性化沟通引擎”。它把之前收集的数据和洞察，转化成能打动潜在客户的、高度相关的沟通信息。这种“千人千面”的方式，自然远比“千人一面”的群发邮件更能吸引注意力，从而极大提升了点击率等互动效果，为最终签单打下基础。它解决了规模化与个性化之间的矛盾。

下图展示了这三个AI引擎协同工作的逻辑步骤：

整合构想：一个可能的解决方案蓝图

我们已经分别探讨了基础AI引擎、GenAI信息抽取和个性化生成引擎。那么，这些部件如何组合成一个强大的增长系统呢？下图的“端到端AI 销售解决方案蓝图”给出了一个可能的答案。它展示了从底层的数据源，到中间的云平台处理和三大AI智能引擎分析，再到顶层如何将关键洞察无缝整合进销售团队日常使用的 CRM系统，最终赋能他们实现精准、高效的销售行动。

回归成果：技术如何驱动10亿美元增长？

现在，我们把推演的技术路径与案例中的商业成果联系起来：

超10亿美元新机会？主要来自第二步的GenAI信息抽取。它系统性地“阅读”了海量公共建筑许可，发现了大量以前无法触及的新项目，直接创造了新的价值来源。
销售线索储备增长10%？这是多方面作用的结果：GenAI带来了大量新线索（量）；基础AI和GenAI洞察结合，提升了机会评估的精准度（质），让进入销售渠道（pipeline）的机会更有价值。
营销活动点击率翻倍？归功于第三步的GenAI个性化客户拓展。当客户收到与自己项目高度相关、语言自然的定制信息时，互动意愿自然大幅提升。

可见，传统AI优化存量，GenAI突破增量（发现新机会+个性化沟通），两者结合，共同驱动了增长奇迹。