企业 AI 的发展正在从“生成内容”进入“执行工作”的阶段。过去,生成式 AI 主要帮助员工写邮件、总结会议、生成报告或回答问题,而 AI Agent 更进一步,将大语言模型与企业数据库、工作流、API 和权限系统连接起来。当 AI 能够访问正确的数据并拥有明确的操作权限时,它就可以从一个被动响应工具变成企业流程中的主动执行者。
这也是 Salesforce 推进 Agentforce 的核心逻辑。随着最新财报和产品更新不断强化 Agentforce、Data 360、Slack 以及 Salesforce 核心 CRM 应用之间的连接,Salesforce 正在尝试重新定义 CRM 的角色:CRM 不再只是员工录入和查询客户信息的系统,而可能成为由 AI Agent 持续读取数据、理解客户需求并推动业务流程运行的平台。2026 年 8 月公布的 FY27 第二季度数据也显示,Agentforce 与 Data 360 的 ARR 已接近 39 亿美元,同比增长超过 210%,Agentforce ARR 超过 15 亿美元,同比增长超过 240%。

理解 Agentforce,首先需要区分 AI Assistant、Copilot 和 AI Agent。传统 AI 助手通常以“回答问题”为核心。例如,员工询问“这个客户最近购买了什么产品?”,AI 可以从相关资料中检索信息并给出答案。Copilot 则进一步融入具体软件,可以帮助员工生成销售邮件、总结客户通话或撰写服务回复,但最终操作通常仍然由员工完成。
AI Agent 的工作方式则不同。假设一名客户要求修改订单配送地址,传统 AI 可能告诉客服如何处理,或者生成一段回复;Agentforce 则可以在获得授权的情况下查询订单、识别客户身份、检查订单状态、判断修改是否符合业务规则,并调用相关系统执行修改。
因此,三者可以简单理解为:
AI Assistant:回答问题。
AI Copilot:辅助员工完成工作。
AI Agent:理解目标,并在授权范围内执行工作。
Salesforce 对 Agentforce 的定位也强调这一点。其平台支持 AI Agent 对复杂、多步骤任务进行推理、规划和执行,并能够与 Salesforce 生态及外部系统连接。
这意味着 Agentforce 的价值不只是“生成一段更好的文字”,而是减少人工在不同系统之间切换、复制信息和执行重复操作的时间。
Salesforce 最初将生成式 AI 更多地作为 CRM 的辅助能力。例如,销售人员可以让 AI 生成客户邮件,客服人员可以让 AI 总结工单,营销人员可以利用 AI 生成营销内容。
这种 Copilot 模式能够提升员工效率,但仍然存在一个明显限制:AI 主要帮助人工作,而不是直接完成工作。
对于大型企业而言,很多业务流程并不只是“生成一段文字”。一次完整的客户服务可能涉及身份验证、订单查询、库存确认、退款规则判断、CRM 记录更新和后续通知。如果 AI 只能生成文字,员工仍然需要手动完成剩余流程。
Agentforce 的出现正是为了突破这一限制。
从产品逻辑来看,Salesforce 正在把 AI 放到 CRM 的业务流程内部,让 AI 能够理解 Salesforce 中的对象、字段、权限、自动化流程以及客户关系,并进一步调用这些能力。
因此,Salesforce 的 AI 战略逐渐从“让每个员工拥有一个 Copilot”,转向“让企业拥有一组可以执行工作的 AI Agent”。
这一变化也与企业软件的发展方向有关。传统 SaaS 的基本单位往往是“用户”,而 Agentic AI 的基本单位可能逐渐变成“完成的任务”。如果一个 AI Agent 可以自动处理数百个客户请求,那么企业购买软件的价值衡量方式自然也会发生变化。
Agentforce 的核心并不是单独的大语言模型,而是大语言模型与企业数据、业务逻辑和执行工具之间的连接。
一个企业 AI Agent 通常需要四类能力。
数据: AI 必须知道客户是谁、订单是什么状态、历史发生过什么,以及企业有哪些相关记录。
业务上下文:同一个问题在不同企业可能有不同答案。例如退款期限、客户等级、折扣权限和审批流程都可能不同。
工具和 API:AI 必须能够调用 CRM、ERP、支付系统、库存系统或其他企业应用,否则它只能停留在问答层面。
权限和治理:AI 能够访问什么、可以修改什么以及哪些操作必须经过人工批准,都需要明确控制。
Salesforce 当前的 Agentforce 平台正围绕这些能力进行整合。官方架构显示,Agentforce 可以连接 Data 360 中的企业数据,同时通过 MuleSoft、Flow、MCP 和 A2A 等机制连接应用、API 和其他 Agent,从而执行多步骤工作流。
因此,一个完整的 Agentforce 工作流可以理解为:用户提出目标 → Agent 理解意图 → 获取企业数据 → 根据业务规则推理 → 调用工具 → 执行动作 → 返回结果并留下记录。
这也是 Agentforce 与普通聊天机器人的重要区别。
销售是 Agentforce 最直接的应用场景之一。传统 CRM 要求销售人员主动维护客户资料、更新销售阶段、记录沟通内容。Agentforce 可以帮助自动整理客户互动信息,并根据客户行为识别潜在机会。
例如,销售人员可以要求 Agent 分析某个客户最近的互动记录,判断销售机会是否发生变化,并生成下一步行动建议。如果企业允许 Agent 执行更多操作,它还可以更新 CRM 中的记录、安排后续任务或准备客户沟通材料。
客服场景则更加适合 Agentic AI。
客户提出问题后,Agent 可以首先理解问题,再查询客户账户和历史工单。如果问题符合预设条件,Agent 可以直接完成处理;如果涉及退款、特殊折扣或高风险操作,则可以根据权限要求转交人工。
营销场景则主要集中在客户细分、内容生成、活动管理和客户互动。例如,Agent 可以根据客户数据识别目标人群,并协助生成营销内容、调整活动流程以及分析营销结果。
Salesforce 官方对 Agentforce 的应用范围已经扩展到销售、服务、营销、IT、分析以及其他企业工作场景。
这意味着 Agentforce 并不是针对单一部门的聊天机器人,而是试图成为企业多个业务系统中的执行层。
如果说 Agentforce 是企业的“行动层”,那么 Data 360 可以理解为重要的“数据层”。AI Agent 最大的问题之一不是不会推理,而是不知道企业真实发生了什么。
一家大型企业的数据可能分布在 CRM、ERP、电商平台、数据仓库、客服系统、邮件、文档以及第三方应用中。如果这些数据彼此孤立,AI Agent 即使具备很强的语言理解能力,也无法获得完整的业务上下文。
Data 360 的作用就是连接这些数据,并通过统一的数据和元数据体系,让 Agent 获取更加完整的企业信息。
这一能力正在快速扩大。Salesforce 在 FY27 第二季度披露,Data 360 当季摄取了约 104 万亿条记录,同比增长 355%;其中约 82 万亿条通过 Zero Copy 方式接入,同比增长 731%,同时处理了 22 TB 非结构化数据。
Zero Copy 的价值在于,企业不一定需要将所有数据物理复制到 Salesforce。通过连接现有数据环境,Agent 可以在需要时获得相关信息,从而减少数据迁移和复制带来的成本与复杂性。
这对 AI Agent 特别重要,因为企业 AI 的效果越来越依赖数据质量。
一个 Agent 如果拿到的是过期客户资料、重复订单信息或错误的库存数据,即使推理过程非常复杂,最终结果依然可能错误。
因此,Agentforce 的智能能力与 Data 360 的数据能力实际上是相互依赖的。
Agentforce 的另一个重要方向,是让 AI Agent 不再停留在单独的 AI 界面,而是进入员工每天使用的业务软件。Sales Cloud、Service Cloud 等 Salesforce 产品拥有大量结构化客户和业务数据,而 Slack 则提供了员工日常沟通和协作场景。
2026 年 7 月,Salesforce 宣布新的 MCP Server,让 Slackbot 可以直接连接 Salesforce 数据、Tableau、Data 360 和外部工具。员工可以在 Slack 中查询客户信息、更新商机以及执行数据分析,而不必频繁切换不同应用。
这实际上构成了一个新的企业交互模式:员工 → Slack → AI Agent → CRM / Data 360 / 外部系统。
AI 因此不再只是一个独立的软件窗口,而开始成为连接企业应用的统一入口。这一趋势也已经反映在 Salesforce 的商业数据中。FY27 第二季度,Agentforce 与 Slack 累计交付的 Agentic Work Units 达到 70 亿,其中单季度达到 32 亿,同比增长环比 97%;Slackbot 用户数量则环比增长超过 150%。
从这个角度看,Slack 不只是协作工具,也可能成为员工与 AI Agent 交互的重要入口。
Agentforce 对 Salesforce 最大的战略意义之一,是改变企业软件的计费和价值衡量方式。传统 SaaS 通常按照用户数量和功能模块收费。例如,一家公司增加 100 名员工使用 CRM,就需要增加相应的软件订阅。
AI Agent 的出现使“用户数量”不再是唯一衡量标准。一个 Agent 可以代表多个员工完成大量重复任务,因此企业可能更关注 AI 实际完成了多少工作。Salesforce 已经通过 Agentic Work Units(AWUs) 对 Agent 执行的生产任务进行量化。
Salesforce 将 AWU 定义为 AI Agent 在生产环境中执行的离散任务,例如解决客户案例、更新记录或者触发自动化工作流。这意味着 AI 能力开始从“软件功能”转变为“业务产出”。Salesforce 最新产品定价策略也正在朝这一方向调整。2026 年 9 月,公司推出新的 Core、Advanced 和 Max 版本,将 AI、安全、分析、Slack 和支持服务等能力进一步打包到 Agentforce 产品中。最高级 Max Edition 保持原 Agentforce 1 Edition 的价格,同时增加更多内置能力。
从长期看,这种模式可能让 Salesforce 同时拥有订阅收入和 AI 使用量驱动的收入来源。
目前这一战略已经出现一定规模。FY27 第二季度,Agentforce ARR 超过 15 亿美元,同比增长超过 240%;Agentforce 与 Data 360 ARR 合计接近 39 亿美元,同比增长超过 210%。
因此,Agentforce 对 Salesforce 的意义已经不只是一个新产品,而是公司未来收入结构的重要组成部分。
AI Agent 获得执行权限后,安全问题会比传统聊天机器人更加复杂。
普通聊天机器人回答错误,影响可能只是用户得到错误信息;但一个能够修改 CRM 数据、发送邮件、退款或者触发工作流的 Agent,如果出现错误,可能直接产生业务损失。
因此,企业部署 Agentforce 时需要重点考虑三个方面。
数据权限。AI Agent 不应该因为拥有 AI 能力就自动获得所有企业数据。Agent 应当遵循用户权限、角色层级和字段级安全策略,只访问完成任务所必需的数据。Salesforce 表示,Agentforce 可以继承 Salesforce 的权限体系,并通过 Einstein Trust Layer、访问控制和其他治理机制限制 Agent 的数据访问和操作范围。
数据隐私。企业 CRM 中可能包含客户姓名、联系方式、财务信息以及其他敏感数据。Salesforce 的 Einstein Trust Layer 提供 Zero Data Retention 等机制,并通过相关安全措施降低企业数据被第三方模型保留或用于训练的风险。
Agent 的自主行为风险。AI Agent 不只是执行固定代码,而是需要根据上下文进行判断。这种灵活性提高了自动化程度,同时也增加了错误操作、Prompt Injection、数据泄露和权限滥用等风险。
因此,企业真正需要建立的是一套完整的 Agent Governance,包括身份认证、最小权限、操作审计、数据治理、人工审批和异常监控。
Salesforce 自身也强调,AI Agent 的安全模型需要从传统应用安全进一步扩展到数据、模型、外部 API 和 Agent 自主行为等多个层面。
Agentforce 的核心价值在于改变 CRM 的工作方式。传统 CRM 更像企业的“客户信息数据库”,Copilot 则是在这个数据库上增加一个 AI 助手,而 Agentforce 进一步让 AI 能够理解企业上下文、调用数据和工具,并在授权范围内执行具体业务任务。
Salesforce 正通过 Agentforce + Data 360 + Slack + CRM + MuleSoft 构建这一体系。其中,Data 360 提供数据基础,CRM 提供业务对象和流程,MuleSoft 等工具提供系统连接能力,Slack 则逐渐成为员工与 AI Agent 互动的入口。
从最新数据来看,Agentforce 已经开始从产品概念进入商业化阶段。Agentforce ARR 超过 15 亿美元、Data 360 与 Agentforce ARR 接近 39 亿美元,以及数十亿 Agentic Work Units 的交付,都说明 Salesforce 正在尝试将 AI Agent 从辅助功能转变为企业软件新的价值单位。
但 Agentforce 能否真正重构企业 CRM,最终仍取决于三个问题:AI Agent 能否持续产生可量化的业务价值、企业能否提供高质量且可信的数据,以及 AI 在获得更多执行权限后能否保持安全和可控。
如果这些条件逐步成熟,CRM 的定义可能不再只是“记录客户关系”,而会进一步演变为一个由 AI Agent 持续理解客户、协调数据并推动业务流程运行的企业智能平台。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





