复制“金牌销售”的大脑：江森自控如何利用 Foundry 将部落知识代码化？

推荐语

江森自控用AI破解百年企业转型密码，将老销售的经验转化为智能算法，实现销售模式革命性升级。

核心内容：
1. 百年工业巨头的数字化转型痛点：数据孤岛与部落知识流失
2. Palantir Foundry构建的企业操作系统与本体映射技术
3. AI驱动的销售线索引擎如何预测需求并传承销售经验

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

这是对 Palantir Paragon 2025 大会 第三个案例——江森自控 (Johnson Controls, JCI) 的详细深度解读。

这个案例极具代表性，它展示了一家拥有 140 年历史的传统工业巨头，如何利用 AI 和本体（Ontology）唤醒沉睡的庞大历史数据，解决“老龄化”和“数据孤岛”问题，实现销售模式的彻底转型。

案例主角

Johnson Controls (江森自控)

企业背景：拥有 140 年历史的全球工业领导者，专注于智能建筑（暖通空调 HVAC、消防、安防）。服务对象包括写字楼、机场、数据中心甚至美国海军。

演讲者：Gabriel Dornbach，商业增长高级总监 (Senior Director, Commercial Growth)。

核心痛点：“复杂的遗产”。数据孤岛：公司内部有 200+ 个数据源（ERP、服务工具、SaaS 软件），数据互不相通。

部落知识流失 (Tribal Knowledge Loss)：很多资深销售拥有 30-40 年的经验，他们知道“什么时候该给客户打电话”、“什么设备该换了”。但随着他们退休，这些宝贵的经验也随之消失。

被动服务：过去往往是设备坏了才去修，或者是等客户来找，缺乏主动出击的能力。

解决方案

构建“企业操作系统” 

江森自控利用 Palantir Foundry 构建了一个连接生产、安装、维护全生命周期的操作系统。Gabriel 形象地将其描述为业务的“遥控器”。

底层逻辑：将 200 个系统映射为一个“本体”，这是整个转型的基石。江森自控将分散在 ERP、CRM、IoT 设备中的数据全部拉通，构建了一个包含：

1.已部署资产（这个楼里装了什么空调？什么火警面板？），2.合同信息（这个设备有没有买维保？），3.软件版本（现在的固件是不是该升级了？），4.客户关系（这是同一个客户在不同地点的两栋楼吗？）的统一Ontology（本体）。

核心应用：AIP 驱动的“销售线索引擎”，有了本体，AIP 就能像一个不知疲倦的超级销售助理，日夜扫描数据，挖掘商机。

AIP 的两种挖掘模式：回顾历史 (Backward Looking)：分析过去未完成的交互。预测未来 (Forward Looking)：这是最厉害的部分。AIP 能够预测未来的需求。

场景举例：系统自动识别出“这批烟雾探测器已经安装了10年，即将过时（Obsolete），需要更换”。动作：自动生成一条“更换升级”的销售线索，并推送到销售人员面前。

保护“部落知识”：将老销售的经验代码化，Gabriel 强调，AIP 的规则库其实是“数字化了的老销售经验”。

过去：只有老销售知道“如果客户买了我们的冷水机组（Chiller），通常也需要买消防维保”。

现在：这条逻辑被写入 AIP 的 Agent 中。即使是刚入职的新销售，系统也会告诉他：“这个客户有冷水机，建议你向他推销消防服务。”

如果客户买了冷水机，通常也需要买消防维保”，这句话是如何写进系统的？这被称为 Heuristics (启发式规则) 或 Cross-Selling Logic (交叉销售逻辑) 的数字化。

过去的形态（部落知识）：存在于老销售的大脑皮层中，或者口口相传的午餐闲聊中。

现在的形态（代码/AIP Agent）：业务专家告诉开发人员或直接在 Foundry 的无代码界面中定义规则：IF (客户拥有的资产类型包含 "Chiller") AND (客户当前的活跃合同类型 不包含 "Fire & Safety Maintenance")，THEN (标记为 "高潜力交叉销售机会：消防服务")。

规则（Rules）通常不直接配置在 Object（对象）或 Link（关系）的定义上，而是配置在“函数（Functions）”或“数据管道（Pipeline）”中，它们把 Ontology 作为输入素材来使用。

打个比方：Object/Link 是食材（冷水机、客户、合同关系）。规则 是菜谱（如果食材有冷水机且没合同，就做成一道“销售线索”的菜）。你不会把菜谱写在猪肉上，你会写在烹饪指南里。

在 JCI 的案例中，最可能的实现架构是：数据层： 定义好 Customer, Asset, Contract 三个对象及彼此的 Link。逻辑层（你的规则）： 写一个 Ontology Function（代码）或 AIP Tool，里面封装了那条“冷水机+无消防”的判断逻辑。应用层： 在销售的界面（Workshop）上，当销售点开一个客户详情页时，后台自动运行这个 Function，如果返回 True，就在界面上弹窗提示：“建议推销消防服务”。

AIP 的介入： 除了硬性的 If-Then 规则，AIP（大模型）还可以处理更模糊的逻辑。例如，它可以阅读冷水机的维修日志，发现客户最近频繁抱怨设备过热，结合历史数据，AIP 推断出这往往伴随着对消防喷淋系统检查的需求，从而生成更智能的推荐。

精彩演示

人机协作的销售流程

演讲中演示了一个非常具体的 AIP 代理工作流，展示了 AI 如何发现复杂商机并辅助人类决策。

1.AIP 发现机会：AIP 扫描本体，发现一个客户拥有两栋楼。楼 A 安装了冷水机组，且购买了维保合同（高价值客户）。楼 B 安装了安防设备，但没有维保合同（风险点/机会点）。

老销售精力有限，只能盯着几十个大客户。但系统可以盯着几万个客户。AIP 驱动的引擎会每天遍历 Ontology 中的所有客户对象。

模式匹配： 它拿着刚才定义的“老销售经验规则”，去比对每一个客户的数据。系统扫描到客户张三：有冷水机，有消防合同 -> Pass（无机会）。系统扫描到客户李四：有冷水机，无消防合同 -> Hit（命中规则）。

前瞻性预测（Forward Looking）：对于你提到的“烟雾探测器”案例，逻辑是：IF (设备安装日期 < 当前日期 - 10年) THEN(生成“设备过时/需更换”线索)。这不再依赖销售记性好不好，而是依赖数据的客观事实。

2.AIP 生成建议：系统判断：这是一个完美的交叉销售机会。系统生成策略：建议给楼 B 的安防设备提供一个优惠的维保报价，将其打包进楼 A 的合同里。

生成线索对象： 系统不仅仅是弹个窗，而是会在 Ontology 中生成一个新的 “销售线索（Sales Lead）”对象，并自动分配给负责该区域的新销售。

提供“解释性”（Why）：当新销售打开这个线索时，AIP 会生成一段摘要（这正是 AIP 擅长的）：

“建议操作：向该客户推销消防维保服务。”

“推荐理由：根据系统分析，该客户在2020年安装了大型冷水机组，通常此类设施需要高标准的消防合规检查，但该客户目前尚未签署相关维保协议。且同类客户的转化率高达 40%。”

3.人类介入（Human Operator）：系统不会直接发邮件，而是弹窗给销售经理。销售经理查看所有背景信息（设备型号、合同状态），认为建议合理，点击“批准并生成报价”。

4.自动执行：系统自动生成报价单，并选择最佳触达渠道（发给客户经理、内部销售或直接发给现场维修技师）。

成果：业务的“遥控器”

Gabriel 展示了一组惊人的数据：5倍提升，在 18 个月内，从线索到机会的转化率提高了 5 倍。10万+ 线索，通过 AIP 自动生成了超过 10 万条高质量销售线索。

战略转向能力：这是他所说的“遥控器”功能。管理层可以通过调整系统的权重，瞬间改变全公司的销售重心。想追求利润？ 让 AIP 优先推送高毛利的维保合同线索。想追求规模？ 让 AIP 优先推送走量的设备更新线索。

总结

江森自控案例的核心启示

唤醒沉睡数据：对于百年老店，最大的资产不是厂房，而是沉淀在 200 多个旧系统里的数据。Palantir 的作用是把这些数据变成现金流。

技术即传承：利用 AI 将即将退休的资深员工的“直觉”和“经验”固化为代码和算法，解决了人才断层问题。

从被动维修到主动顾问：维修技师不再只是修机器的人，在 AIP 的武装下，他们拿着 iPad 就能告诉客户：“根据数据，您的这台设备该升级了。”这彻底改变了工业服务的商业模式。