跨国深谈← 返回←GTM 工程：让销售像工程团队一样两周发布一次

GTM 工程：让销售像工程团队一样两周发布一次

关联

人物 Everett Berry

公司 Clay

概念 GTM 工程 · 智能体 · 编排 · 数据层 · 瀑布式查询

这一集聊的是一个正在爆发的新角色——GTM 工程：用数据管道、编排系统和智能体，把销售与营销（Go-To-Market，简称 GTM，即「产品怎么卖出去」这件事）当成工程问题来做。说话的人是 Everett，来自 Clay——一家给 GTM 团队提供数据与自动化基础设施的公司。

他的核心观察是：GTM 团队现在可以像产品和工程团队一样快速交付了。他合作过的最优秀的 GTM 团队，推进 GTM 结构变更的节奏几乎和工程团队发版一样快——在 Clay，每两周就向团队推送新数据、新自动化、新营销活动，不断迭代，跟上工程团队的速度 。

在他看来，GTM 工程的核心就是「消除那些历史上一直阻碍 GTM 团队借助技术快速交付的制约因素」。这个角色已经爆发式增长：他敢说大多数先进的 GTM 团队都在招 GTM 工程师；而且这是第一批真正能反映 AI 进展的角色之一——模型越强，GTM 工程师在组织里的杠杆和价值就越大 。他把这个领域分成四个技术区块：数据、编排、智能体、执行。

数据：给市场造一个「完美虚拟副本」

数据是 GTM 的命脉。目标是创建一个「市场的完美虚拟副本」——你瞄准的理想客户、客户公司和上下文 。

难在哪？客户公司永远处于变化中：可能被收购、开新办公室、发新产品；而你自己也在改变它的状态——你在营销、销售、约会议；公司本身还在招人裁人，给你提供信号。所以要管理一个不断变化的对象，而你需要的数据一开始并不全在自己手里 。

具体做法：拿到一个 CRM（客户关系管理系统）后，第一步是往客户公司记录里填入相关联系人，再叠加第三方信息——主要看四类：账户层级结构、firmographics（描述公司规模等企业属性的数据）、technographics（描述对方用什么技术的数据），然后在这些之上创建信号，判断哪些公司值得打、哪些正处于市场活跃期 。

关键障碍：GTM 领域有数百家数据供应商，但没有任何一家能覆盖你想要的全部信息。所以核心技术是 waterfalling（瀑布式查询）——依次查询多个供应商来补全信息。

比如只用 Forager 拿某组国家的电话号码只能拿到一半，必须叠加其他供应商；这不仅适用于电话号码，GTM 里大多数数据点都是如此 。而且无论自己还是供应商，都要对这些数据源跑 evals（评测）才能拿到最准的信息 。

还有三个坑：①第三方信息之外还要纳入第一方信息并保持最新，但持续更新数据非常贵，必须有选择地挑字段更新；②如果跑了信号程序，信息还会不断被推送进来；③多个第三方来源对同一家公司的呈现不一致，需要做实体消解（把不同来源里的记录认成同一家公司）。没有这一层，自动化 GTM 打法根本执行不了。

编排：让几十个工具对世界的看法一致

GTM 团队通常用着几十个工具：序列器（自动按节奏发触达消息的工具）、拨号器、CRM、数据仓库、通话笔记、Slack……而每个工具「对世界的看法都不一样」，编排就是把它们全部保持同步 。

难点在于各系统的数据需求截然不同：有的要实时、一次一条记录；有的要几十万条、一天更一次；员工数一直在变、总部地址很少变，不能所有字段同时更新；还要能把单一系统的信息扇出到多个系统。分布式设置下故障也时刻发生——这是个相当复杂的数据工程问题 。

一个经典难题：系统之间还会绕过你自行同步。比如 Salesforce 和序列器在独立于你的编排系统互相同步，你在 CRM 里建了联系人，必须等它同步到序列器之后才能对它采取行动——于是不得不引入等待和循环来检查信息是否就绪 。

Clay 迭代多次后的答案：用基于图的方式看编排，配一系列通用节点——跑智能体的节点、做工具调用的节点、处理条件逻辑的节点、跑代码的节点，以及实际执行 MapReduce（把任务扇出再收回结果）的节点。不管买还是自建，他认为这就是搭这件事的现代方式 。

智能体：每个账户一个长期运行的智能体

数据层和编排层就位后，系统已经相当复杂：多个信号在发生、数据要更新、智能体和销售代表在行动、会议和反馈在产生。今天的现状是靠销售代表手动梳理这一切，而过去一年最大的进展是可以用智能体接管这些上下文 。

但 GTM 场景对智能体有三个特殊约束：①要构建运行数周或数月的长期智能体，在整个交易周期内追踪账户状态；②错误容忍度极低——成果很多是客户沟通，弄错会带来灾难性后果；③智能体做的是非结构化工作，却要推进 CRM 这种高度结构化的系统，映射极其重要 。

他们验证过的最强架构：为每个账户配一个智能体，维护该账户的持久状态。因为它大部分时间在休眠，需要用智能触发器或心跳机制唤醒；醒来后从数据层和编排层摄取账户当前上下文；因为它在替人做决策，还要允许对它反馈。

最前沿的是学习阶段——智能体处理账户时更新自己对「什么有效」的看法。他坦言这块在 GTM 里还没完全解决，持续学习和「下一步最佳行动建议」正是他们正在攻的前沿问题 。

实操建议：把智能体更新的字段，和确定性系统、人工更新的字段分开——CRM 里专设给智能体用的字段 。时机也是学问：比如丢单智能体按时间触发，失去一个账户后不会立刻追，而是等一段时间再攻 。

执行：最难的一环，本质是「在窄利润空间里不犯错」

数据、编排、决策都就位后，还得真正触达客户。而不幸的是，信息传达和执行是 GTM 工程里最难的问题之一 。

数据很残酷：冷邮件效果逐年变差；LinkedIn 的效果可以是冷邮件的三到四倍，冷电话和冷邮件大致相当；Smart Lead 跨约两千万封邮件的统计显示，回复率只有 0.5% 到 1%——对 100 个联系人做序列触达，大概只有一个回复 。这意味着智能体执行的风险极高：如果智能体在做错误的事，你就错失了那个利润空间，而大多数 GTM 团队正是在那里取得成功的 。

执行还要解决一些非常人性化的难题：是代表销售代表发邮件（比如 everett.clay.com 直接联系客户），还是让智能体自己发？用代表的名义发，一旦方式不对、回复不达标，公司整体域名声誉就受损——所以常见做法是用多个域名联系客户，但这又要求把那些域名上的回复路由回主域名，让销售代表能处理 。

这还只是邮件：多渠道触达的协调同样棘手——电话序列上接通并约到会议后，就得抑制邮件序列，可能还要把人从生命周期营销活动里退订。这些协调也可以用智能体来解 。Clay 的做法是：一部分账户用代表收件箱代理发送；更多账户用多域名触达，再解决路由问题 。

问答：最难的是「人和智能体的接口」

现场提问中，他说组织内推这些变更最难的一点，是人和智能体之间的接口：智能体最强的用法是接手销售代表原先的推理与决策层，于是经常出现代表觉得「我该做点不一样的」、或者根本不知道智能体已经做了某件事的情况。归根结底最终还是人来跟潜在客户通话——把自动化系统和人的动作衔接顺畅，可能是最难的问题 。另一个问题问这是否只针对外呼：他答所有方面都涵盖，编排问题在 inbound（客户主动找上门）里尤其突出——路由要做对、账户资质认定要做对、还要理解随之而来的历史上下文 。

本集带走

• GTM 可以像工程团队一样发版：最先进的团队以两周为周期推送新数据、新自动化、新活动，前提是先补齐数据、编排、智能体、执行四块地基。
• 数据补全靠瀑布式查询：没有一家数据供应商能覆盖全部，按供应商依次查询补齐；对数据源跑评测、只挑关键字段更新（更新很贵）、跨来源做实体消解。
• 编排用图 + 通用节点：智能体节点、工具调用节点、条件逻辑节点、代码节点、MapReduce 扇出节点；特别小心系统间的隐式同步——CRM 建了联系人要等它同步到序列器才能行动，用等待和循环检查就绪。
• 每个账户一个持久智能体：长期休眠、靠触发器/心跳唤醒、醒来摄取账户上下文；智能体专用字段与人工/确定性字段在 CRM 里分开；允许对智能体反馈，持续学习仍是前沿。
• 执行端容错极低：冷邮件回复率仅 0.5%-1%，智能体做错就错失利润空间；用多域名保护主域名声誉、解决回复路由、多渠道间做好抑制与退订协调。
• 最难的是人机接口：让销售代表知道智能体做了什么、并保留人做不同决定的衔接，是落地时最痛的问题。

在我看来，这是第一批真正能够反映 AI 进展的角色之一。
And in my opinion, it’s one of the first roles that actually is an index on the advances that we’re making in AI.
—— Everett Berry · [01:41]

我认为我们用数据想要实现的核心目标，是创建一个市场的完美虚拟副本——你正在瞄准的理想客户、客户公司和上下文。
And the core goal that I think we’re trying to accomplish with our data is to create a perfect virtual copy of the market, the ideal customers, the accounts, the context that you’re going after.
—— Everett Berry · [02:38]

我们为此确定的最强大的架构，是为每个账户都存在一个智能体，并维护该账户的持久状态。
So the architecture that we’ve landed on for this that I think is most powerful is an agent that exists for each account and maintains a persistent state of that account.
—— Everett Berry · [11:19]

所以，你知道，LinkedIn 的效果可以是冷邮件的三到四倍。
So, you know, LinkedIn can be three to four times more effective than cold email.
—— Everett Berry · [14:05]

所以这真正提高了 GTM 中智能体执行的风险——如果你的智能体在做错误的事情，你就会错失那个利润空间，而大多数 GTM 团队正是在那里取得成功的。
And so that really raises the stakes for agentic execution within GTM because if your agents are doing the wrong things, then you’re missing out on the margin, which is where most GTM teams are having success.
—— Everett Berry · [14:30]