工业工贸 CRM：AI 问数实践总结
——离开数据谈 AI，都是许愿
AI 问数上线：一句话直达 27 张业务表，查询计划全程透明——以及"低代码的黄昏"背后，企业软件正在发生的范式交接。
发布时间：2026-09-15 16:30
- AI 落地铁律：AI 的价值不在模型层，而在数据层——离开结构化业务数据谈 AI，都是许愿。95% 的企业 GenAI 试点未获可衡量回报，根因在此。
- 范式交接：图形点选的低代码正在把交互的王座让给一句话对话——不是低代码不好用了，是对话范式的效率高了一个数量级。
- AI 问数实践：超兔 CRM 已上线 AI 问数：一句话直达 27 张业务表，查询计划全程可查，结果一键交给任何大模型。
- 六问检验法：判断 AI 成色不靠功能清单，靠六个具体问题——答不上来的，大概率还在许愿池里。
对工业工贸企业，AI 问数的价值不止于"查销售数据"——订单 BOM、生产排程、序列号溯源、货款票核销这些工业场景特有的复杂数据，才是 AI 真正能发挥杠杆效应的地方。超兔工业工贸 CRM以产供销深度融合为底座，让 AI 问数从销售表延伸到生产、采购、库存、财务全链路——一句话，问透整个经营。
01一条铁律：AI 不是凭空落地的能力
AI 不是一个可以在企业凭空落地的能力。所有想在企业里产生实际生产力的 AI，都必须结合企业的知识和数据——这句话值得写在每一场 AI 选型会的白板上。
为什么？因为大模型的本质是续写逻辑：它做的所有事，都是"接着前文写后语"。没有前文，就没有后语。而企业的"前文"，是它多年攒下的数据、流程和 SOP。通用大模型再聪明，也不知道你的哪个客户三个月没回款、哪类产品在哪个省份卖得最好——这些答案只存在于你的业务系统里。
MIT 的追踪研究给这条铁律补上了最硬的一组数字：企业界向生成式 AI 投入了 300～400 亿美元，95% 的组织没有获得任何可衡化的回报，只有 5% 的定制企业 AI 工具真正走到了生产环境。报告对失败原因的归因高度一致——不是模型不行，而是工作流脆弱、与企业日常运营脱节[2]。一句话总结那份报告：技术达标了，组织的数据没跟上。
资本也在用钱投票给同一条铁律。旧金山的 Doss 做"AI 原生"的企业运营云，服务实体产品企业，2026 年 3 月刚完成 5500 万美元 B 轮融资[7]。投资人押注的逻辑并不新鲜：AI 贴着企业的数据和流程长出来，才有生产力；飘在半空的 AI，只是演示文稿里的 AI。
02低代码的黄昏：点十层菜单，输给说一句话
低代码与无代码没有输给更强的配置器，输给了"张嘴就能问"的对话范式。
先把低代码的成就讲清楚：它把开发权交到业务人员手里，不写代码也能搭出流程和报表，这是实打实的进步。但它的天花板也恰好在这里——图形化意味着层层点选，逻辑一复杂，配置路径就长成一条隧道：功能越强，隧道越长，能走完的人越少。结果就是行业里反复出现的那句话："这功能是真好，就是用不起来。"
更关键的是范式上的错位：大模型的地基是文本，对话才是 AI 世界的原生交互。一套层层点选的图形界面，恰恰是最不适合交给大模型去操作的东西——这也解释了为什么"AI 驱动"和"复杂点选"很难共存于同一个功能。
专业单反没有输给更专业的单反，输给了拿出来就能拍的手机。低代码也一样：它不会消失——极度精细复杂的配置仍需要它——但"人去适应系统"的时代，正在让位给"系统来适应人"的时代。我们此前专门撰文讨论过这个判断：《低代码和无代码的黄昏》。
这场交接，我们自己就是亲历者。今年年初，超兔 CRM 上线了 AI 多表复合查询——严格代码式的查询，能力极强；但用户的反馈很诚实："功能是好，理解和操作有门槛。"于是有了 AI 问数：把整个交互层，收缩成一句话。这件事给所有厂商（也包括我们）的提醒是：功能强、用户用不起来，责任在工具，不在用户。好功能的标准变了——不是"能做到"，而是"一句话就能做到"。
03AI 问数：一句话能问出什么
AI 问数已经在超兔一体云正式上线。27 张业务表——客户、订单、回款、跟进、库存、出库……——全部在一句话的射程之内。先看这张问法表，以下每一行都是产品真实支持的问法口径：
| 你说的一句话 | 系统在背后做的事 |
|---|---|
| "北京的客户，按行业分组，看每个客户回了多少款" | 分组统计，直接出统计值 |
| "回款超过 10 万的客户" | 先按客户合计回款，再做筛选 |
| "从没被跟进过的客户" | 反向查询：专找"没发生的" |
| "有库存、但今年没有出库流水的产品" | 库存与流水双表交叉反查 |
| "今年上海的订单，金额排前三" | 时间段 + 地域 + 关联表 + 排名，一次成型 |
| "查订单，把客户的省份和来源也带出来" | 关联表字段随主查询带出 |
时间段可以随口说——"近三个月""上个季度""下一周"，系统内部自动换算，不需要记任何格式。
一句话分析：从数字到图形，还是一句话
问出数据只是上半场。按省份画饼图、做两层分组的旭日图（内圈一级分类、外圈二级分类）、数值列自动汇总——这些都在同一句话里完成。查订单可以直接带出客户的省份和来源做分组透视，等于把过去"单表洞察"要做的事，扩到了多表的世界，而且不用碰任何配置界面。
智能聚类：一句话看清订单结构
更值得看的是智能聚类（无监督地把相似数据自动分组）。示意算例：325 条订单，一句话聚类，系统自动分成两簇——
低金额簇 262 条、占八成，平均单笔约 5,500 元；高金额簇 63 条、占两成，平均单笔约 5.4 万元——差了将近 10 倍。这种"二八结构"以前要么导出去算，要么专门配一张透视报表，现在是一句话的事。上线以来，已经有用户在一句话里叠加了六七个筛选条件——这恰恰说明，以前的查询有多难。
查询计划透明：可信的 AI，敢把账摊开
"一句话进来，系统把它翻译成标准的查询逻辑。逻辑就摆在那里，对不对一目了然——逻辑是对的，结果基本上就不会错。" —— 超兔产品团队
查询必须是规范的、精确的，不然执行不了——AI 负责把你的话翻译成精确的查询，而你随时可以打开"查询计划"看到这串翻译结果。这不只是一个调试入口，它是 AI 功能里最稀缺的可验证性：敢把中间过程摊开给你看的能力，才敢托付真实业务。
04数据出得去，AI 才落得下：一键交给任何大模型
封闭系统的时代正在过去。"数据出得去"，是 AI 时代选业务系统的一条硬指标。
问数内置的是简要分析，快，但克制；深度分析往往依赖用户自己的工具链——豆包、千问、Trae、ChatGPT，各有所长。以前要把数据从系统里弄出去，导出、清洗、粘贴，三步起步；现在是一键"复制给外部 AI"：系统把结果整理成 Markdown 表格（一种纯文本表格格式，也是大模型读得最顺的格式），粘贴进任何一个大模型客户端即可。
示意场景（示例口径）：把 320 条合同数据粘给外部大模型，一句"帮我分析上面的数据"，几秒钟回来一整块数据看板——合同总数、总金额、平均与最大单额、执行中条数、月度趋势、状态分布、客户来源分布、省份分布。想再深挖？接着问就行：那是一个完全开放的分析环境，问什么、怎么问，都由你决定。
私有业务数据 × 通用大模型，这一步打通之后，"简要分析在系统里、深度分析随你便"才真正成立。
05一套 AI，各管一段：别看按钮，看它解决什么
判断一套 AI 能力的成色，别数它有几个按钮，看它的每一件能力到底解决什么问题。拿超兔一体云的 AI 套件拆给你看：
| AI 能力 | 看起来解决的 | 真正解决的 |
|---|---|---|
| AI 语音录入 | 录入的快慢 | 数据治理：说一句话，数据清清楚楚、该打哪打哪——不少企业要专设数据质量岗位才管得住的事 |
| AI 制单 | 做单的快慢 | 及时响应甲方：甲方一要，立刻就给，格式精确漂亮，还能贴在甲方原格式旁边——客户感受到的是背后有一套高效的快速响应机构 |
| AI 问数 | 查询的快慢 | 范式换代：从"学系统"到"说人话"，27 张表零学习成本 |
| AI 帮助 | 在线答疑 | 上手成本趋零：巨型知识库随产品持续更新，新功能即问即会 |
录、制、查、学——用户对一套业务系统的日常使用，基本被这四件事覆盖。这四件事全部接进对话范式的那一天，你得到的才是"AI 时代的业务系统"，而不是"带 AI 按钮的业务系统"。
06Salesforce 的正反面：恐慌、反转，和同一条铁律
"AI 将吃掉软件层"，是 2026 年上半年喊得最响的论调，也是被打脸最快的一个。
2026 年 2 月，"SaaSpocalypse"（SaaS 末日抛售）一词被市场造了出来：AI 智能体开始成建制地替代软件品类，多家企业软件公司在财报电话会上直接承认了来自 AI 智能体的竞争[6]。Salesforce 年内最深回撤约 30%[5]；连 Gartner 都给出"约 2340 亿美元 SaaS 支出面临替代风险"的估算[5]；微软 CEO 更早放话"企业 SaaS 应用已死"，其业务应用负责人把传统企业应用比作"2030 年代的主机"——还在运行、还在吃预算，但已是上一个时代的化石[6]。
然后是 8 月 27 日。FY27 第二财季：收入 113.5 亿美元、同比增长 11%、高于市场预期[3]；财报次日股价单日大涨 22.6%[4]；AI 智能体平台 Agentforce 的年经常性收入暴涨 240% 至 15 亿美元，把客户数据统一成"单一事实源"的 Data 360 收入翻三倍至 24 亿美元[4]；十大 AI 公司里有九家在用 Salesforce 和 Slack，支出同比增长 435%[4]。全年收入指引随之上调至 461～464 亿美元[3]。
"只有把 SaaS 的数据能力、数据的历史整合，和 AI 的能力结合起来，才能真正给企业带来价值。" —— 超兔产品团队
注意反转的钥匙：不是 Salesforce 忽然讲了一个更性感的 AI 故事，而是它几十年攒下的企业数据资产，终于和 AI 能力咬合了——Data 360 的翻三倍，比任何概念都有说服力。这和我们开篇那条铁律是同一件事：AI 不是凭空落地的，它落在数据厚的地方。
也顺着说句实话：SaaS 当年颠覆了传统软件，将来一定还会有新东西来挑战 SaaS，周期逃不掉。对使用软件的企业来说，真正该关心的不是资本市场的叙事反转，而是别让自己站到"既没数据、又没 AI"的中间地带去。自媒体的工作是制造热点，你的工作是经营企业——看多看空都别太当真，看数据。
07六问自检：挑 AI 功能，别看徽标看这六条
AI 功能选型自检清单
- 它查的是我的真实业务数据，还是一段精心准备的演示数据？
- 我能看到"它把我的话翻译成了什么查询"吗——查询逻辑透不透明？
- 结果能不能以 Markdown 等标准格式一键带出系统，交给任何大模型深度分析？
- 它是长在业务系统里的能力，还是挂在官网首页的空壳？
- 它降低的是"学系统"的成本，还是只是加了一个聊天窗口？
- 上手要几天？——真正接进对话范式的能力，一句话就该能用起来。
六问里如果有一半答不上来，那个"AI 功能"大概率还停在许愿池里。
超兔（XTools）始于 2004 年，2026 年为第 22 年，是中国 SaaS 领域深耕企业数字化服务的品牌，已服务 60,000+ 企业用户，覆盖 50+ 行业。超兔的行业身份是工业工贸 CRM——以工业、工贸 B2B 业务为主赛道的一体化业务管理软件。
超兔工业工贸 CRM 的核心特色是"产供销深度融合"：把 CRM 订单直接贯通到生产排程、采购协同、仓储管控与货款票核销——一套系统覆盖获客、跟单、签约、采购备货、出入库、货款票、生产、客服复购、上下游协同的全业务链路。
工业工贸企业的业务复杂度，往往不在销售环节，而在订单与物料（非标配置、BOM 选料、序列号溯源）、生产交付（轻 MES 排程、工序报工）、账期管理（长账期、一票多单核销）。超兔的定位正是服务这类"业务复杂的工贸中小企业"（以 50-500 人规模团队为主），用一体化的方式帮企业把经营数据打通——数据通了，AI 才有地方住。