根据LeanData发布的《2026年AI上市准备度报告》，93％的GTM（Go-to-Market）团队已部署至少一个AI智能体，但近三分之一的受访者无法说明有多少智能体正在对其客户记录执行操作，30％的团队曾发现缺乏审计追踪的智能体行为。报告指出，营销和收入运营团队自动化决策的速度，已经超过了他们追踪这些决策的能力。
该调查于2026年5月进行，覆盖157名B2B从业者，涉及收入运营、营销运营、销售、市场、IT及相关职能。样本偏向运营岗位，其中36％来自收入运营，13％来自营销运营。多数受访者已远超AI实验阶段：79％表示正在部署首批智能体用例，或已在上市流程中规模化扩展智能体；仅8％认为其AI运营已完全优化。
报告揭示的核心问题在于，AI智能体正在使用MOps团队多年来一直在处理的同一套客户数据、工作流、路由规则和系统。数据质量与AI准备度被55％的受访者列为AI转型的首要挑战，70％表示数据卫生状况已拖累GTM执行效率。具体表现为：27％的团队曾出现多个工具或智能体接触同一潜在客户的情况，17％的团队曾出现营销序列在销售代表跟进交易期间自动触发的问题。
数据质量差也是AI项目停滞的首要原因，45％的受访者提及此项；37％归因于流程缺乏文档化，32％指向团队孤岛。这些发现将AI所需的大量工作重新拉回MOps的传统领域：客户数据、业务规则、集成和流程文档。
智能体的来源分散是另一大问题。69％的受访者使用GTM工具中嵌入的AI功能，如Gong、Outreach或HubSpot；62％使用基于LLM API构建的自定义应用；46％使用Agentforce、Copilot或Gemini Enterprise等智能体平台。最常报告的在用智能体数量为三到四个，但近三分之一受访者无法给出具体数字。
这种分散性为系统冲突创造了空间。同一潜在客户可能被一个系统丰富数据、被另一个系统评分、被第三个系统纳入自动化序列、再由第四个系统分配给销售代表。每个系统按设计运行，但如果数据、时机或规则不一致，仍可能产生糟糕的客户体验。报告建议，在团队添加下一个智能体之前，需要先明确哪些智能体已经在改变客户记录。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
