Cox × Accenture：让 AI Agent 进入 B2B 增长流程

增长引擎失速：一对多营销走到尽头

Cox Communications 是美国最大的私营宽带公司之一，也是一家有 128 年历史的家族企业。它的 B2B 业务覆盖 120 个微型行业和八个客户细分——从街角咖啡店到区域连锁诊所，需求差异极大。然而多年来，Cox 的营销团队一直在用同一套宽泛的 campaign 覆盖所有人。

Cox Business 营销负责人 Sarah Kim 在官方案例中直言："一对多的营销方式已经无法带来我们需要的增长。"问题不仅是策略层面的。支撑销售的基础数据本身就不可靠：销售与营销使用的潜客名单准确率只有约 13%，而且构建成本高昂。销售人员走访一条街上的小企业前，需要在 Salesforce 里逐个手动研究潜客、拼凑准备材料，有时甚至打印出来带去会议。大量精力花在了根本不会成交的线索上。

Cox AI 卓越中心负责人 Eric Pace 说，管理层五年来一直在提同一个要求："我们要的是真正的营销自动化——不是在流程里加几个自动步骤，也不是再买一个让人更方便做老事情的 SaaS。"直到最近，实现这种自动化的技术构件才真正出现。

先定分工，再写代码

Cox 选择与 Accenture 合作重建 B2B 营销和销售体系。Accenture 已经作为战略转型伙伴深度嵌入 Cox 多年，但这次合作的第一步不是选模型或画架构，而是把三个组织之间的协作方式落到纸面上。Accenture 负责 Cox 项目的 Katherine Mohrig 说："我们必须把运营模型具体化到接近任务级别，贯穿整个 AI 产品开发生命周期——而不是停留在高层次的方向性分工。"

这里的"三个组织"是指 Cox 传统 IT 团队、Cox AI 卓越中心（AI CoE）和 Accenture。传统 IT 团队负责 AWS 基础设施运维、安全与可观测性；AI CoE 负责业务优先级排序、AI 原则与品牌合规、数据架构治理；Accenture 负责企业级 Agent 产品的构建、数据清洗与验证 pipeline、安全网关和业务测试。三方在每个产品阶段各自做什么、谁拥有决策权，都需要事先明确。官方材料未披露三方之间的具体升级流程和决策冲突解决机制。

Accenture 的策略是扩展 Cox 已有的技术基础，而非自上而下推行新体系。第一步是在不同技术栈中培养内部推动者，让团队学会培训团队。在此基础上，Accenture 构建企业级产品——营销和销售 Agent 以及配套的上下文与数据系统；Cox 则把工作引导到最高价值的优先级上。源文中这两步存在时序递进关系：先 seeding champions，再由 Accenture 构建产品。

在模型选择上，Cox 基础设施组织负责人 Matthew Shorts 的团队主要运行在 AWS 上，Claude 成为默认选项。团队在自身业务场景上做了并行对比后确认了这一选择。Pace 的原话是："如果你在 AWS 上工作，就默认用 Anthropic。输出更贴合我们要解决的业务问题，也符合我们的负责任 AI 原则。"Cox 通过 Amazon Bedrock 访问 Claude，这让它可以把已有的安全和可观测性工具直接应用到 Claude 上——包括查看所有进出调用，并在系统偏离标准时介入。

从内容生成到订单履约：三层产品如何运转

模型和控制面确定后，团队开始构建产品。第一批产品面向营销和销售，被命名为"ami"系列——法语中"朋友"的意思。后文中出现的 CAMI 和 SAMI 均属于这一系列。

营销端：CAMI。CAMI（Content and Audience Mapping Intelligent assistant）面向 Cox B2B 业务覆盖的 120 个微型行业和八个客户细分，生成 campaign 简报、规划工作并产出针对每个微型行业和细分的个性化内容。它会考虑客户已有多少产品、如何使用、以及竞争情报对该区域的判断。单个 campaign 可生成约 32 份营销与销售材料，全部流入 Salesforce。Cox 每年运行 50 到 100 个 campaign。

销售端：SAMI。源文称"SAMI picks up where CAMI leaves off"——SAMI 接续 CAMI 的工作。销售人员过去需要手工制作的准备文档、通话脚本或客户邮件，SAMI 自动组装：账户历史、产品使用情况、此前呼叫中心的客户情绪、购买倾向、以及针对微型行业的推荐话术和竞争情报。正在开发的新功能允许销售人员在拜访间隙口述笔记，系统自动丰富商机信息并更新 Salesforce。该套件还延伸到漏斗下游，帮助订单履约专员组织和执行工作。CAMI 与 SAMI 之间的具体交接机制——是自动推送还是销售人员按需调用、数据以何种格式流转——官方材料未披露。

数据层：The Cube 与 lead 验证。Agent 的质量取决于底层数据。团队重建了数据层，形成一个六层 AI 策展数据架构，Cox 称之为 The Cube。底层引用公司已有的经典机器学习模型，增加新信号和特征存储；上层注入 Claude 模型驱动此前无法获得的洞察。在此基础上，Cox 构建了 lead 验证 pipeline：使用 Claude 研究和核验每条 lead，将杂乱名单转化为干净可用的记录。在 lead 验证 pipeline 中，Cox 按任务匹配模型规格以控制成本：Haiku 用于检索和摘要，Opus 用于最重的推理，Sonnet 居中。源文中这一分配规则仅在 lead 验证的成本控制语境下被描述，是否适用于 CAMI/SAMI 等其他 ami 系列产品未披露。

所有 ami 系列 Agent 共享知识库，并通过 Model Context Protocol（MCP）连接 Cox 的内部工具。

谁负责什么：从 Citizen Development 到 Agentic 试点

企业级产品之外，Cox 将 Claude Code 开放给更广泛的员工群体。采用规模达到约 2,500 人，其中超过一半来自非技术岗位。员工用 Claude Code 构建自己的 Agent，与 Accenture 构建的企业系统分开管理。源文称两者"separate from the enterprise systems"，但未说明分开的具体含义——是数据隔离、网络隔离还是仅组织管理上分开，读者无法据此判断影子 IT 风险的实际控制程度。营销团队用它填补企业系统尚未覆盖的空白。Cox 对这部分使用设置了治理护栏，保持用量和支出的公开可见性。

最具野心的系统仍处于试点阶段。Cox 和 Accenture 正在构建一个 agentic go-to-market 能力，覆盖从潜客首次信号到合同签署的完整路径。它通过 Amazon Ads 生成和投放广告，为每个潜客构建定制着陆页，并自主推进商机。团队没有为每一步编写脚本，而是给 Agent 留出空间让它自行定义流程。它根据合格商机转化率和速度等目标自我调优，并通过持久记忆将经验带入后续任务。

在这个试点中，人类的角色发生了根本转变：他们不再亲自运行漏斗，而是负责验证、监督和审计。护栏围绕品牌、行动、盈利性和支出设置——Mohrig 举例说："你不能花 10,000 美元的 Amazon 广告费去获取一个总消费只有 1,000 美元的客户。但 Agent 可以在认为有助于目标时自行决定投放广告，并为该广告生成内容。"当 Agent 触发护栏后的实际处理流程——是暂停、告警、人工接管还是回滚——官方材料未说明。

为捕获过去只存在于人脑中的判断，Accenture 还构建了 Skill Studio，让业务用户将隐性知识记录为可复用的技能供 Agent 调用。源文举了一个具体例子：其中一项技能是如何解读竞争数据并据此制定行动方案。大部分技能是可选的，Agent 可以选择使用但不被强制要求，也可以随着优化和学习修改技能。该试点面向数字化购买单一产品的小企业买家——这是一个难以用专人服务覆盖的群体。试点目标是在四到六周内获得约 1,000 名新客户。Pace 将其定位为"推动边界、检验我们能力"的机会。

已报告的结果与它们的统计口径

Cox 报告其首年 AI 投资实现了 7 倍回报。这个数字覆盖的是 Cox 整体 AI 投资，而非仅限于 ami 系列或某个单一产品。公司总裁 Mark Greatrex 的团队通过构建业务案例并回读 ROI 来追踪这一数字。这个结果——以及它背后的运营收益——让公司在其他可自由支配项目被削减时仍持续投资 AI。但官方材料未披露 7 倍回报的计算口径，包括纳入了哪些收入和成本项目、覆盖哪些项目、时间边界如何划定、是否经过独立审计。

营销套件方面，源文称上市速度提高了 55%，同时出现了转化率 2 个百分点提升的早期信号，效率提高 40%。需要注意的是，源文将转化率提升明确表述为"early indication"（早期迹象），而非经过完整测试周期验证的结论。55% 提速和 40% 效率提升的样本规模、基线定义和观察周期均未披露。

Lead 验证的改善更为具体：验证和丰富一条 lead 的成本下降 86%，准确率从 18% 提升到 97%，每条 lead 的处理时间降至一分钟以内。值得留意的是，源文在描述早期问题时提到 lead 名单准确率"约 13%"，而结果段的起始基线是 18%。这两个数字可能对应不同的数据集、阶段或测量方法，官方材料未解释二者的关系。

在销售端，SAMI 将销售人员为一次通话做准备的时间从数小时缩短到数分钟。

迭代速度也发生了变化。基础设施负责人 Shorts 说："你不再做传统的 A/B 测试，一年做一百次。你一天就能做一百次甚至更多，因为你能更快地做出改变，风险也更低。"这段引言主要说明 AI 带来的迭代速度提升，而非对上述量化结果的补充。

运行这些系统的成本是实实在在的。Pace 说："每次我们出现，都会说'是的，这听起来很贵，但看看它产生的价值。'他们说'好，继续。'"

DataHub 判断：什么条件下这个路径可以参考

以下三段为 DataHub 编辑团队基于公开信息的分析，不代表 Cox 或 Accenture 的立场。判断前提：假设官方案例中的数字如实反映了 Cox 内部追踪结果，但未经第三方验证。

Cox 案例展示了一条清晰的实施顺序：先修复数据（lead 验证），再用 Agent 生成内容和准备材料（CAMI/SAMI），最后在受控条件下试点端到端自主漏斗。这个顺序本身比任何单一技术选择都更值得参考。对于同样面临 B2B 营销个性化需求、销售准备耗时、且底层数据质量差的企业，Cox 的经验表明：数据清洗的 ROI 可能比 Agent 本身来得更快——lead 验证成本下降 86% 是最不依赖复杂假设的结果。

但直接复制需要审慎。Cox 的 7 倍回报覆盖全部 AI 投资，缺乏可拆分到单一产品的口径定义；agentic 试点的 1,000 名新客户是目标而非已实现结果；约 2,500 人的 Claude Code 采用规模未披露活跃率。更关键的是，Cox 作为 128 年历史的家族企业，其已有的 AWS 基础设施、Accenture 长期嵌入关系、以及传统 IT / AI CoE / 外部合作方的三角分工模式，构成了难以简单移植的组织条件。计划参考此路径的团队，应优先验证自身的数据质量基线、模型选择的实际对比结果、以及内部协作模型能否细化到任务级别——而非直接对标 Cox 的结果数字。