AI正在重新划定客户成功的边界

客户成功部门最难解决的问题，可能恰恰不在客户成功部门。

比如，销售承诺的功能迟迟没有上线，实施交付遇到技术障碍，客户内部的业务流程也没有按照预期调整。等到续约时，客户认为产品没有达到采购预期，压力最终落到了客户成功团队身上。

这样的情况，在企业软件行业并不陌生。

客户成功经理（CSM）可以协调资源、推动问题解决，却未必能够决定产品研发计划、技术方案和交付投入。即使服务流程执行得再规范，也无法保证客户获得预期的业务成果。

从2022年到2025年，崔牛会中国SaaS大会连续举办了四场客户成功闭门会，围绕客户价值、服务效率和组织协作等问题展开讨论。现在重新梳理这些议题，会发现一个始终存在的矛盾：

客户成功承担的经营责任越来越重，但影响客户成功的关键因素分散在整个企业之中。

进入AI时代，这一矛盾更加突出。过去，厂商主要帮助客户把软件用起来、用得更好；如今，随着Agent开始承担实际业务任务，客户还要检验任务能否完成、结果是否准确，以及投入能否产生回报。

当软件开始替人干活，客户成功又该由谁负责？

01 客户成功的难题，往往在部门之外

续约率、客户流失率、净收入留存率（NRR/NDR），是SaaS企业衡量客户经营状况的重要指标。

客户成功团队通常需要对这些指标承担相应责任，但影响结果的因素，远比日常服务复杂。

客户不续费，可能是产品功能不符合需求，也可能是实施效果不佳，或者客户自身经营环境发生变化。

客户没有增购，也未必是服务不到位，还可能受到预算、产品能力和业务发展阶段的影响。

如果不分析原因，只把结果归结为客户成功团队工作不足，就很难找到真正有效的改善办法。

客户成功与传统客服的差别，也体现在这里。

客服通常围绕问题响应、故障处理和服务质量开展工作；客户成功还要关注产品是否真正进入业务流程，客户有没有获得预期价值，以及双方合作能否持续。

这些工作离不开销售、产品、研发和实施交付。

销售在签约阶段的承诺，决定了客户对产品的预期。如果CSM直到合同签订后才介入，接手的可能已经是一个难以兑现的目标。

项目进入实施阶段，系统能否顺利上线又取决于技术能力、数据准备和双方的项目管理。

即使客户成功团队发现了问题，涉及产品改进和研发投入时，也需要其他部门共同决策。

所以，客户成功可以由一个部门牵头，却不能由一个部门独自完成。

企业需要让销售承诺、实施交付和持续运营围绕同一客户目标展开，明确关键问题由谁决策、谁负责解决、如何验收。否则，客户成功团队很容易成为所有问题的接收方，却没有解决问题所需的资源。

客户成功的衡量方式，也需要跟着改变。

系统上线、用户活跃、服务响应及时，可以反映产品应用和服务过程，却不能完全证明客户获得了价值。客户最终还要看经营成本是否下降、工作效率是否改善，以及投入是否产生合理回报。

这要求客户成功团队更深入地理解业务，同时考虑厂商自身的服务成本。

对于重要客户，投入更多工程和服务资源有时不可避免，但投入也需要边界。如果每次续约都要依靠大量额外开发和人工支持，即使留住客户，也未必是一笔健康的生意。

客户成功既要算客户的价值账，也要算厂商自己的经营账。两本账能否同时算清，考验的是一家企业的产品能力、资源配置和经营管理水平。

02 AI 正在重新划定客户成功的边界

传统SaaS时代，客户成功的重要工作是帮助客户完成产品上线、推动员工使用，并通过持续运营扩大应用范围。

AI Agent的出现，改变了部分企业软件的工作方式。过去由员工操作系统完成的任务，如今可以交给Agent执行。

客户不仅关注产品是否好用，还要判断AI能否正确理解业务要求、调用相关系统，并稳定完成任务。

这一变化对交付提出了更高要求。

一个Agent在演示环境中能够完成任务，进入企业生产环境后，却可能因为数据口径不一致、系统权限不足、业务规则复杂而无法稳定运行。

即使模型本身没有问题，企业内部不同系统之间的接口、审批和异常处理，也可能影响最终结果。

尤其在复杂企业中，许多业务规则存在于员工的经验之中，没有完整记录在系统或文档里。

要让Agent承担相关工作，厂商需要深入了解真实业务，将这些隐性规则转化为能够执行和验证的系统能力。

AI可以让软件更快具备某项功能，却不能保证它在复杂的企业环境中稳定工作。

客户成功团队因此需要与研发、数据和实施交付人员更加紧密地协作。产品上线之后，还要持续关注Agent的任务完成情况、异常处理和业务效果。部分传统客户运营工作，也开始向技术交付和持续运行管理延伸。

与此同时，AI正在改变客户成功团队内部的分工。

客户信息整理、工单分类、会议纪要、服务报告生成，以及部分客户风险识别，已经可以借助AI提高效率。过去需要人工反复处理的信息，现在能够更快地汇总和分析。

但信息处理效率提高，并不意味着经营判断可以完全自动化。

例如，系统发现客户使用量下降，原因可能是业务收缩、产品体验不佳，也可能是竞争对手介入。AI可以整理相关线索，却仍然需要专业人员判断原因、协调资源，并决定后续行动。

随着重复性工作逐步减少，客户成功人员需要将更多精力投入业务诊断、复杂问题协调和价值验证。

懂产品、会沟通仍然重要，对客户业务和技术实现的理解也将变得更加关键。

这并不要求每位CSM都成为工程师。面对复杂AI项目，企业需要更加明确的专业分工，并建立能够协调不同专业能力的工作机制。

03 FDE能否破解规模化交付难题？

在这一背景下，FDE（Forward Deployed Engineer，前沿部署工程师）正成为一个值得关注的角色。

FDE深入客户现场，将软件工程能力与实际业务需求结合起来，解决标准化产品难以直接处理的复杂问题。

对于需要连接多个系统、处理非标准化流程的企业AI项目，这种工作方式具有现实价值。

但FDE同样面临一道商业难题，那就是工程师能够交付一个项目，不代表企业就具备批量交付的能力。

不同客户的系统架构、数据环境和业务流程存在差异。如果每个项目都要重新梳理需求、开发接口、设计工作流，客户数量增加，工程团队和交付成本也可能同步增长。

即使AI Coding降低了代码开发成本，业务理解、系统集成、测试验收和后续维护仍然需要投入。

因此，AI厂商必须算清哪些客户需求值得定制，哪些能力应当产品化，哪些工作可以通过工具复用，哪些复杂问题仍需专家介入。这些选择直接影响交付效率和利润水平。

对客户成功团队来说，项目上线也不意味着工作结束。Agent投入使用后，客户业务规则、模型能力和相关系统都可能变化，仍然需要持续监测效果、处理异常并优化应用。

FDE要让AI真正干活，客户成功要让客户持续受益。FDE在现场积累的业务经验，需要推动产品改进和交付能力沉淀；客户成功团队掌握的应用反馈与经营目标，也应成为技术迭代的重要依据。

AI降低了软件开发的部分成本，却把企业竞争进一步推向业务理解、工程交付和持续运营。客户成功正在走出客户成功部，也正在成为整个组织需要共同承担的经营责任。

本文来自微信公众号“牛透社”（ID：Neuters），作者：牛透社，36氪经授权发布。