策制度智策 AISALES POLICY COPILOT
01 / 17
AI SALES POLICY SANDBOX

制度智策AI

销售制度智能沙盘

AI创新应用答辩 · 2026
策制度智策 AISALES POLICY COPILOT
02 / 17
前言 · 01

续约是增长基石，但旧制度没有把资源、任务与续约责任绑定起来

收入影响金续率下降 1 个百分点，收入约减少 4000 万元
01资源集中
115%–125%NS4至NS8资源任务比

地多人少，客户资源集中在少数高职级销售手中。

02任务错配
392万 / 218万持有资源 / 职级任务，资源任务比180%

任务没有与销售实际持有资源充分匹配。

03考核失真
21% / 1单新签业绩占比 / 一张大单即可达百

完成率较高，并不代表老客续约覆盖充分。

核心问题销售按总产出赚钱，公司追求单位资源产出与客户续约，双方利益导向没有完全一致。
策制度智策 AISALES POLICY COPILOT
03 / 17
前言 · 02

制度修改：让任务、效率、客续与提成形成闭环

01新签回1下1新签不再稀释续约要求，续约考核更纯净
02按资源下任务销售任务与持有资源价值直接绑定
03金续、客续双约束既看金额效率，也看客户续约覆盖
04提成与年度回顾年度达百通提5%，达标奖励、不达标降薪
解决目标公司要亩产、要客续；销售要赚钱——让个人最优选择同时成为公司需要的经营行为。
策制度智策 AISALES POLICY COPILOT
04 / 17
CASE

一条规则划出30天边界，销售策略随即移动到边界之外

原规则金续包含“新雇复购”

销售可将一笔新雇首单拆成“新雇首单＋新雇复购”，使新雇复购计入金续，从而提升金续。

第一次修补3月起，首单后30天内复购统一算作新雇首单

用时间边界将30天内的复购统一回归新雇首单口径。

→
上线后的行为迁移

30天内占比42% → 30%−12pct

30—45天占比14% → 27%+13pct

复购没有消失，只是从“线内”移到了“线外”
案例启示不要对抗人性解决方向：回本只算纯老雇，对应回本目标统一调减3%。
策制度智策 AISALES POLICY COPILOT
05 / 17
WHY NOW

制度最大的风险，不在文件里，而在销售开始“算账”之后

01

依赖经验设计

制定者看见制度意图，却很难穷举销售可能采取的行动。

02

销售寻找最优策略

门槛、时间差和归属口径组合后，可能形成套利与选择性经营。

03

偏差上线后暴露

多版制度、多种解释叠加，最后只能依靠事后纠偏。

真正需要被设计的，不只是条款，而是条款将诱发的行为。
策制度智策 AISALES POLICY COPILOT
06 / 17
AI 制度智能沙盘

让AI在制度上线前，
完成设计、攻防与验证

用AI理解规则、模拟销售、识别漏洞，并通过计算验证制度影响。

AI
设计攻防验证
策制度智策 AISALES POLICY COPILOT
07 / 17
THE SHIFT

我们把“一份制度文件”，变成一套可推演的管理系统

过去

写完制度
再等结果

  • 规则解释依赖人
  • 漏洞上线后发现
  • 奖金靠人工反复测算
→
现在

先让AI理解、
攻击、计算、解释

  • 设计前 补齐背景与约束
  • 上线前 红队模拟销售策略
  • 执行中 统一口径并持续学习
策制度智策 AISALES POLICY COPILOT
08 / 17
SYSTEM

六个模块形成一条闭环：发现问题，直到规则持续进化

01发现问题业务背景
02设计制度AI专家
03攻击制度销售红队
04量化验证奖金沙盘
05统一执行制度问答
06反馈迭代一线雷达
土地法知识库作为“制度宪法层”，约束所有建议、检测与回答
策制度智策 AISALES POLICY COPILOT
09 / 17
RULE BOUNDARY

所有智能建议，都先通过“土地法”审判

制度宪法层

客户资源属于公司；
分配与流转必须依规；
每一个客户，都应被认真服务。

任何局部收益，都不能突破资源治理与客户服务底线。
01土地法不可突破的公司级原则
02薪酬制度任务、奖金与客续机制
03执行口径具体版本与计算规则
04AI输出建议、检测、问答与解释
策制度智策 AISALES POLICY COPILOT
10 / 17
AI EXPERT

AI制度专家先追问，再给方案；避免“答案很快，问题没说清”

AI制度专家界面

专家不是直接写制度

01

梳理背景现状、对象、目标、约束、指标

02

连续访谈通过追问补齐影响机制

03

形成建议在土地法边界内输出方案

输出：问题诊断 + 机制建议 + 风险提示
策制度智策 AISALES POLICY COPILOT
11 / 17
AI SALES RED TEAM

上线前，让“最想多赚钱的销售”先攻击规则

不预设制度一定正确，也不预设具体漏洞。AI先找全可利用空间，再验证哪些销售真的会采用。

第一层 · 找全不分群：用统一身份攻击规则

AI只设定一个目标：在合规前提下，让个人收入更高、低效工作更少。

任务认领客续奖金时间差
输出：规则组合形成的候选漏洞
候选漏洞→
第二层 · 判真再分群：判断谁会用

不同业绩进度的销售，对同一漏洞的选择不同。AI判断谁最可能使用，以及使用条件。

超额突破达百冲刺门槛博弈达百困难
例如

年度任务100万元，达百后可以多拿5万元奖金。
销售A已经完成95万元：只差5万元就能多拿5万元，因此会想尽办法冲刺达百。
销售B只完成60万元：还差40万元才能拿到同样的5万元，可能认为不划算，直接放弃年度冲刺。

输出：真实高危漏洞及适用人群
设计价值第一层保证“漏洞找得全”　第二层保证“风险判断得准”
策制度智策 AISALES POLICY COPILOT
12 / 17
POLICY SANDBOX

把制度语言翻译成收入函数，才能看清规则真正激励什么

奖金沙盘界面
已发奖金按当前业绩回算
待下任务分解到未来月份
年度回顾测算达百回补
策制度智策 AISALES POLICY COPILOT
13 / 17
TRUSTED Q&A

制度问答必须“有依据才回答；没有依据就承认未知”

制度规则问答界面

问答决策链

01扫描正式知识库
02判断是否命中证据
03A命中：回答并标注来源
03B未命中：明确回答未知

统一解释权，降低错误承诺风险

策制度智策 AISALES POLICY COPILOT
14 / 17
LEARNING LOOP

执行不是终点：持续收集一线反馈，并按需求灵活配置AI输出

组织感知雷达销售反馈
销售反馈界面

收集制度清晰度、具体建议和风险信号；低于阈值时主动预警。

AI Prompt配置工作台自由配置
Prompt配置工作台界面

按业务场景自由更新Prompt，灵活配置AI角色、分析任务和输出格式，无需改代码即可控制输出。

策制度智策 AISALES POLICY COPILOT
15 / 17
REAL CASE

一个真实问题，如何在系统内完成“设计—攻击—验证—执行”

业务背景地多人少，客户无人服务；资源集中在少数高职级销售手中。
1

专家访谈

识别资源、任务、续约责任不匹配

2

制度设计

设计资源任务、库容帽、金额帽与年度回顾

3

销售红队

模拟延迟认领、选择性经营和门槛套利

4

奖金验证

回算已发、待下任务与年度达百回补

5

执行闭环

问答统一口径，反馈捕捉风险

最终交付的不只是制度文本，而是一套经过约束、攻防和计算验证的上线方案。
策制度智策 AISALES POLICY COPILOT
16 / 17
WHY AI

AI把静态制度文件，变成可理解、可攻防、可验证的决策系统

懂

理解业务意图

通过连续交互理解改革背景、目标与限制，不只停留在条款表面

拆

拆解复杂规则

识别多版制度中的任务、客续、奖金和年度回顾及其组合关系

演

模拟利益博弈

分别扮演制度专家与销售，生成修改建议、对抗策略和待确认问题

连

连接决策闭环

把规则接入奖金沙盘、知识问答和反馈归纳，形成可更新的制度资产

AI负责理解、推演与归纳 × 奖金精确计算 × 知识库负责边界与依据
策制度智策 AISALES POLICY COPILOT
17 / 17
THE ANSWER

让制度从“发布后纠偏”
前移到“上线前验证”

AI专家设计×AI销售攻击×土地法审判×真实数据验证

一套有边界、能攻防、可计算、可追溯、会进化的销售制度智能治理平台

进入平台 →
← → / 空格 翻页