Zendesk用ChatGPT Enterprise打造千名日活销售Agent

企业如何让ChatGPT Enterprise真正落地？Zendesk的实践提供了一个值得细看的样本。这家公司不仅向全员开放了ChatGPT Enterprise，还鼓励业务人员自行构建了约600个应用。其中，一个面向销售团队的智能体实现了每天约1000名活跃用户的成绩，而它的起点只是一个简单的问题：“跟我说说你构建了什么？”

全员可用的AI底座：业务人员不再“怕”ChatGPT

据Zendesk在YouTube分享的经验，公司将ChatGPT Enterprise开放给所有员工，销售、市场、财务、运营等通用业务岗位的用户如今已能非常自然地直接向ChatGPT提问。这种“舒适感”是AI工具从试点走向规模化的关键前提——当非技术岗位也愿意主动与模型交互，数据价值的挖掘才真正开始。

与很多企业“自上而下”推动AI不同，Zendesk呈现出一种“自下而上”的活力：约600个应用由公司内不同的人构建。这意味着AI能力已经渗透到业务末梢，一线员工有想法就能动手实现。

ChatGPT Enterprise 是 OpenAI 面向企业客户推出的版本，与消费级 ChatGPT 的核心差异在于：默认不使用企业数据训练模型，提供管理后台（成员管理、SSO、用量分析）、更高上下文窗口与数据分析能力，并可通过 API 或连接器对接企业内部系统。它本身是一个通用底座，并不内置特定行业的业务逻辑，因此企业能落地多少价值，往往取决于能否把内部数据接入并封装成贴合岗位场景的应用。这也解释了为什么“全员开放”是第一步——只有非技术岗位愿意频繁使用，企业才有足够的使用样本去发现值得固化的场景。

销售智能体：从数据里“算”出扩张机会

视频中重点展示的一个应用，是销售团队用于识别客户扩张机会的智能体。它的逻辑并不复杂但很实用：主动深入公司数据，找出那些“几乎用满了所拥有坐席”且“每个坐席工单量很高”的客户，然后把线索直接推给销售人员，并附上扎实的价值论证，告诉客户为什么扩展Zendesk坐席对他们有利。

这个智能体的价值在于把原本沉睡在系统里的使用数据，转化为销售可以直接跟进的行动建议。它不只是一个问答机器人，而是一个能主动扫描、判断并输出业务结论的分析助手。目前该应用每天约有1000名活跃用户，对内部工具而言相当可观。

智能体（Agent） 与大模型问答的关键区别在于“主动性”和“工具使用”：它不只是被动回答问题，而是能按预设目标调用数据源、执行多步判断并产出行动建议。在本例中，智能体需要先理解“坐席利用率”“单坐席工单量”这些指标的业务含义，再对客户数据做筛选与排序，最后生成有说服力的价值论证——这通常需要把企业数据仓库或 CRM 与模型能力对接，并用提示词或工作流把判断逻辑固化下来。相比通用聊天，智能体的门槛更高，但产出也更接近可直接执行的业务结论。

数据与场景的结合，才是企业AI的壁垒

Zendesk的案例说明，ChatGPT Enterprise的成效并不取决于模型本身有多“聪明”，而在于企业能否把内部数据与具体业务场景对接。销售扩张智能体之所以有用，是因为它清楚知道哪些指标意味着机会——坐席利用率、工单密度，这些是Zendesk自身业务逻辑的产物。

同样说个细节员工的参与方式。约600个应用不是由中央AI团队统一开发，而是分散在各业务单元中生长出来。这种模式对企业的数据治理和平台支撑提出了更高要求，但也让AI应用更贴近真实痛点。

数据治理 是“自下而上”构建应用时最容易被低估的环节。当数百个应用由不同业务人员分散开发，企业需要解决几类问题：一是权限边界，确保每个应用只能访问该用户本就有权查看的数据；二是数据口径统一，避免不同团队对“坐席利用率”等指标定义不一致导致结论冲突；三是可追溯与审计，明确应用输出了什么、依据是什么。平台侧通常需要提供统一的身份认证、数据连接器和应用目录，让业务人员能自助构建而不越过安全红线。治理做得越扎实，分散式创新的试错成本就越低。

“等待的代价大于试错”：不要观望

视频中有一句态度鲜明的话：“因为如果你等待，你失去的会比得到的更多。”这可以看作Zendesk对企业的直接建议。在AI工具快速迭代的阶段，过度等待“完美方案”往往意味着错过组织学习和数据积累的窗口。Zendesk选择的是先让全员用起来，再在具体场景中持续打磨。

从结果看，这种做法至少在一个销售智能体上得到了验证：每天约1000名活跃用户，意味着它已成为销售流程中真实运转的一环。对于正在评估ChatGPT Enterprise或其他企业AI平台的公司来说，Zendesk的经验指向一个朴素结论——把工具交到业务人员手中，让他们从自己的数据和问题出发去构建，往往比等待一个完美规划更能产生价值。