Salesforce AI：为什么独立的 AI 平台比 Einstein 和 Agentforce 更好——混合方法可以战胜供应商锁定！

Salesforce 中独立人工智能平台的战略重要性：超越爱因斯坦的分析

Salesforce 将其原生人工智能 (AI) 定位为 Customer 360 平台不可或缺的一部分，并大力宣传其为“排名第一的 CRM AI”。其核心信息强调将 Einstein、Agentforce 以及更广泛的 AI Cloud 等 AI 功能无缝集成到现有的 Salesforce 工作流程中，从而提高生产力并实现客户体验的个性化。这种在熟悉的环境中轻松实施和使用的承诺引起了众多企业的共鸣。
然而，Salesforce 客户正日益面临一个战略决策：他们应该仅仅依赖 Salesforce 的原生 AI 套件，还是应该考虑集成独立的、可能更加专业的 AI 平台？AI 市场正在快速发展，第三方供应商不断推出高度专业化的模型和创新解决方案，这些方案的功能可能已经超越了一体化平台。

本文分析了在 Salesforce 环境中使用独立 AI 平台的战略优势。文章深入剖析了 Salesforce 原生 AI 的功能和局限性，重点阐述了集成路径和挑战，并探讨了灵活性、成本、数据隐私和供应商锁定等关键问题。本文旨在为 Salesforce 用户提供一个可靠的参考依据，帮助他们判断更开放的 AI 策略是否比仅仅依赖 Salesforce 自有解决方案更有利。

核心问题在于如何权衡深度集成解决方案的便利性与外部人工智能工具的潜在能力和专业性。尽管 Salesforce 强调其集成人工智能的优势，但人工智能领域高度专业化和快速创新的特性要求采取更为细致入微的方法。与专注于特定领域的供应商相比，单一平台供应商可能无法在所有人工智能领域都提供卓越的解决方案。这种集成与最佳解决方案之间的矛盾构成了本报告探讨的战略考量的核心。

适合：

• AI集成了所有公司的独立和跨数据源范围内的AI平台

了解 Salesforce 的原生 AI 套件（Einstein、Agentforce、AI Cloud）

Salesforce 提供一系列深度集成于其各种云产品中的人工智能功能，这些产品分别以 Einstein、Agentforce 和 AI Cloud 等品牌进行分类。该套件旨在通过自动化、预测和个性化交互来优化日常业务流程。

云端功能概览

• Sales Cloud：核心功能包括根据成交可能性对销售线索和商机进行评分（Einstein 销售线索/商机评分）、更精准的收入预测（Einstein 预测）、自动创建个性化销售邮件（销售邮件）、生成销售电话摘要（电话摘要）以及自动从邮件和日历中捕获活动（Einstein 活动捕获）。Einstein Copilot 还在整个销售过程中提供情境感知操作和支持。
• 服务云：在这里，人工智能支持客户案例的自动分类（案例分类），推荐合适的知识文章或预制答案（文章/回复推荐），创建已完成案例的摘要（工作摘要），并支持使用聊天机器人自动处理标准请求。
• Marketing Cloud：AI 功能可帮助创建和自动标记营销内容（内容生成/标记），评估联系人互动的可能性（互动评分），优化发送时间以实现最大打开率（发送时间优化），并实现对营销活动和客户体验的深度个性化。
• 商务云：在这个领域，人工智能专注于个性化产品推荐、优化搜索结果以及提供购买行为方面的洞察，以提高转化率。
• 跨平台/通用：Einstein Prediction Builder 等工具允许管理员无需编写代码即可创建自定义预测模型。Einstein Discovery 可帮助用户发现数据中的模式和洞察。Einstein Next Best Action 提供上下文感知推荐。Agentforce 代表能够独立执行任务的自主 AI 代理。Prompt Builder 和 Copilot Studio 允许用户自定义和创建 AI 助手和提示。

适合：

• 离开美国云：主权SaaS在概述 +采取行动建议

底层架构

Salesforce AI 的功能基于两大支柱：数据云和 Einstein 信任层。

数据云依赖性

Salesforce 数据云作为中央数据基础架构，将来自各种来源（包括 Salesforce 内部和外部）的客户数据整合到一个 360 度视图中。这种统一的数据构成了许多 AI 应用的基础，尤其是生成式 AI 和个性化应用。值得注意的是，某些生成式 AI 功能和信任层的审计跟踪需要配置数据云，即使它并非主要用于数据统一。这会造成架构依赖性，并可能引入额外的复杂性和潜在成本，尤其对于已经拥有数据仓库或数据湖的公司而言更是如此。因此，对数据云的需求可能会增加总体拥有成本 (TCO)，如果管理不当，还可能成为瓶颈。

爱因斯坦信任层

该安全框架旨在确保生成式人工智能的可靠使用。它包含以下几个组件：

• 安全数据查询：访问 Salesforce 数据，以相关上下文丰富提示信息，同时考虑相应用户的访问权限。
• 及时防御：系统策略旨在减少语言模型 (LLM) 产生的幻觉和有害输出。
• 数据脱敏：敏感数据（例如个人身份信息 (PII) 或支付信息 (PCI)）在发送给外部 LLM 之前会被脱敏。
• 毒性评估：对生成的响应进行检查和评估，以确定是否存在潜在的有害内容。
• 零数据保留政策：Salesforce 与 OpenAI 和 Azure OpenAI 等合作伙伴达成协议，以确保提交的公司数据既不会被这些第三方提供商存储，也不会被用于训练他们的模型。

深入分析架构后发现，Salesforce 的许多生成式 AI 功能依赖于 OpenAI、Anthropic 或 Google 等供应商提供的外部大型语言模型 (LLM)。这些模型通常通过 AWS Bedrock 等云服务集成，并由 Einstein Trust Layer 作为安全网关。这意味着 Salesforce 主要扮演集成商和安全中介的角色，而非独立开发其核心生成式模型。虽然这提供了对强大模型的访问，但也造成了依赖性，并引发了这样一个问题：其核心 AI 技术与通过其他平台直接使用这些模型有何区别？客户实际上是在为 Salesforce 提供的集成、安全层以及基于外部 AI 模型的工作流嵌入服务付费。这更加凸显了评估直接集成这些外部模型或平台的必要性。

原生解决方案的公认优势

尽管存在上述问题，但Salesforce原生AI套件仍具有无可否认的优势：

• 无缝集成：AI 功能深度嵌入 Salesforce 用户界面和工作流程中，实现流畅使用。
• 易用性和熟悉度：现有的 Salesforce 用户和管理员通常能够快速上手，从而缩短新用户培训时间。低代码工具也使非技术用户能够创建 AI 驱动的体验。
• 利用现有的 CRM 数据：人工智能旨在直接处理存储在 Salesforce 中的客户数据，从而简化数据准备工作。

受益于 Xpert.Digital 全面的五重专业知识和全面的服务包 | 研发、XR、PR 和数字可视性优化 - 图片：Xpert.Digital

Xpert.Digital 对各个行业都有深入的了解。 这使我们能够制定量身定制的策略，专门针对您特定细分市场的要求和挑战。 通过不断分析市场趋势并跟踪行业发展，我们可以前瞻性地采取行动并提供创新的解决方案。 通过经验和知识的结合，我们创造附加值并为客户提供决定性的竞争优势。

更多相关信息请点击这里：

• 在一个软件包中使用 Xpert.Digital 的 5 倍专业知识 - 每月仅需 500 欧元起

Salesforce中独立AI平台的论据

虽然 Salesforce AI 的原生集成具有诸多优势，但仍有几个令人信服的理由促使我们认真考虑采用独立的 AI 平台。这些外部解决方案在灵活性、专业化程度、适应性和潜在成本优势等方面可能更胜一筹。

灵活性和模型专业化

人工智能市场具有高度动态性和专业化的特点。独立的人工智能供应商通常专注于特定领域或技术，这使他们能够在某些领域提供比 Salesforce 等通用平台更先进或更定制化的解决方案。

获取一流车型

外部供应商通常会针对自然语言处理 (NLP)、计算机视觉或行业特定分析等领域开发高度专业化的算法。例如，ContractPodAi 等专门用于法律文件的 AI 工具，以及 Aquant 等行业特定诊断工具。这类专业化模型通常优于 Salesforce 内置的通用模型。

更快的创新周期

专注于人工智能的公司通常能够比 Salesforce 等大型平台提供商更快地开发和发布新模型和功能，因为 Salesforce 的人工智能路线图与更广泛的发布周期挂钩。这使得企业能够更快地从最新的人工智能技术进步中获益。

更多样化的车型

独立平台或市场提供更广泛的模型，包括利基解决方案、开源选项或供应商提供的模型，这些模型无法通过 Salesforce 的“自带模型”(BYOM) 功能直接获得。

适合：

• 独立的AI平台作为欧洲公司的战略替代品

这种依赖外部供应商的专业化策略与 Salesforce 更广泛的方法形成鲜明对比，后者旨在为其整个 CRM 套件提供基础的 AI 功能。虽然这种广泛的方法确保了 AI 在许多领域都能得到应用，但可能会牺牲深度。专门的欺诈检测 AI 或医学图像分析工具在特定任务上的表现很可能优于通用的 CRM 集成模型。对特定 AI 领域有关键需求的组织可能会发现 Salesforce 原生 AI 无法满足需求。独立的平台允许他们选择最适合的工具，而不是勉强接受可能仅够用的原生解决方案。

适应与控制

独立人工智能平台通常能够对整个人工智能生命周期提供更高水平的控制，从数据准备到模型实施和监控。

深入的模型微调

外部平台通常专为机器学习工程师设计，能够对模型的训练和微调进行精细控制。这超越了 Salesforce 更为抽象的低代码工具（例如 Einstein Prediction Builder）的功能，也突破了 Salesforce 内部导入模型（BYOM）微调的局限性。

算法选择和透明度

用户在选择特定算法方面拥有更大的自由度，并且相比 Salesforce 的抽象层，他们更有可能获得更高的模型运行透明度（可解释性）。尽管 Salesforce 提供了诸如模型检查器之类的工具，但外部 MLOps 工具通常功能更全面。

对人工智能堆栈的控制

在 AWS 或 Google Cloud 等平台上管理整个 AI 流程（数据准备、训练、部署、监控）比依赖 Salesforce 的托管环境能提供更大的控制权。

Salesforce 自定义限制

虽然 Salesforce 提供了一个低代码构建器，方便用户进行自定义，但外部平台通常允许进行更深入的、基于代码的自定义。此外，Salesforce AI 功能也存在一些特定的功能限制，例如在处理复杂需求或自定义 Einstein Activity Capture 时，以及一些平台本身的局限性。

潜在的成本优势

人工智能解决方案的成本结构可能差异很大，简单地比较许可费用通常是不够的。

不同的定价模式

Salesforce 通常按用户每月授权其 AI 功能，作为现有云许可的附加组件。相比之下，独立 AI 平台的定价通常基于实际使用量（计算时间、内存、API 调用次数）。而独立 AI 提供商则可能拥有自己更灵活的定价模式。虽然 Salesforce 的 BYOM 选项可以降低 Einstein Requests 的成本，但外部模型提供商的底层成本仍然存在。

总拥有成本 (TCO)

全面的总体拥有成本 (TCO) 分析至关重要。虽然 Salesforce AI 的原生集成可以降低初始集成成本，但其他因素可能会增加总体成本：例如可能需要数据云许可或使用，AI 插件相对较高的单用户成本，以及可能需要为一些在外部可以更便宜地获得的 AI 模型支付额外费用。独立 AI 的 TCO 必须包含集成成本，但可以受益于较低的核心 AI 使用成本和现有云基础设施的使用。Agentforce 的使用成本也被认为可能较高（每次对话 2 美元）。

避免冗余

使用独立人工智能可以让公司利用在其他云平台或自身数据基础设施方面的现有投资，从而避免在 Salesforce 生态系统内进行重复支出。

Salesforce原生AI与独立AI：功能和灵活性比较

Salesforce原生AI与独立AI：功能和灵活性对比——图片来源：Xpert.Digital

Salesforce 原生 AI（例如 Einstein 或 Agentforce）与通常使用专用或开源模型的独立 AI 平台在功能和灵活性方面存在显著差异。Salesforce 原生 AI 侧重于通用方法和 CRM 应用，而独立平台通常提供专用模型和更广泛的选择，包括开源选项。通过 Salesforce 获取最新模型取决于发布周期和合作伙伴关系，而专用供应商则可能提供更快的更新。在微调方面，Salesforce 原生模型通常功能有限且较为抽象，例如通过 Prediction Builder 等工具进行微调，而独立平台则提供对训练过程更精细的控制。Salesforce 对特定算法的选择有所限制，因为这些算法通常是预定义的或通过合作伙伴提供的，而独立平台在这方面提供了更大的自由度。此外，Salesforce 完全管理基础设施，通常基于 AWS 或 GCP，而独立平台允许直接访问托管环境，无论是在公司自有云还是本地部署。Salesforce 的集成工作量较低，因为其解决方案是原生集成的，而外部平台则需要更多的开发和配置工作。在成本方面，Salesforce 通常采用基于用户的月度定价模式作为附加功能，而独立平台通常采用基于消费的定价模式，例如基于计算能力或 API 调用次数的定价模式，或者采用供应商特定的定价模式。

集成导航：将独立人工智能与 Salesforce 连接

选择独立的AI平台需要精心规划如何将其集成到现有的Salesforce环境中。目前有多种方法可以实现这种集成，每种方法都有其自身的优势和挑战。

积分方法

AppExchange / AgentExchange

Salesforce AppExchange 提供种类繁多的第三方应用程序，包括人工智能解决方案，这些解决方案通常提供预构建的集成。AgentExchange 是一个新兴的市场，专门提供来自合作伙伴的人工智能代理技能、主题和模板，旨在加速人工智能代理的部署。这通常是最简单的方法，但需要合适的合作伙伴提供解决方案。

API（REST/SOAP/批量/流式）

直接使用 Salesforce API 可以实现自定义集成。开发人员可以交换数据、触发 Salesforce 中的流程，或反馈来自外部 AI 模型的结果。复合 API 可以帮助高效地打包多个操作。这种方法提供了最大的灵活性，但需要大量的开发工作。

中间件平台（例如 MuleSoft）

像 MuleSoft（Salesforce 自有的解决方案）或其他集成平台可以充当中间人。它们负责处理数据转换、复杂工作流程编排以及管理 Salesforce 与外部 AI 服务之间的连接等任务。

云平台连接器（AWS/GCP）

大型云服务提供商正日益提供特定服务以简化与 Salesforce 的集成。例如，AWS Private Connect 用于安全网络连接，AWS Event Relay 用于实时事件传输，AWS Glue Salesforce Connector 以及 SageMaker Data Wrangler Connector 用于数据准备。Google Vertex AI 可以通过模型构建器集成到 Salesforce Data Cloud 中。虽然这些连接器可以简化集成，但它们确实会将用户绑定到各自云服务提供商的生态系统中。

BYOM 通过爱因斯坦工作室

如前所述，此功能允许您通过模型构建器将外部托管的模型集成到 Salesforce 环境中。请求仍然通过 Salesforce 基础架构路由并利用信任层，这简化了集成，但也造成了一定的依赖关系。

适合：

• AI和机器学习在仓库物流中的整合 - 德国，欧盟，美国和日本的全球发展

常见的集成挑战

将外部系统与 Salesforce 集成并非易事，并且面临着一些特殊的挑战：

API限制

Salesforce 限制了每个组织和时间段（例如，每日、并发）的 API 调用次数。频繁同步或查询数据的密集型 AI 流程很容易达到这些限制。因此，需要精心设计（例如，限流、批量处理、缓存），或者可能需要购买更高版本的 Salesforce 或额外的 API 配额。流式 API 的限制对于实时用例尤为重要。

数据同步

确保 Salesforce 与外部 AI 平台之间的数据一致性至关重要。挑战包括处理海量数据 (LDV)、实时更新与批量更新之间的选择、管理延迟以及避免数据不一致。零拷贝集成等方法旨在缓解这些问题，但并非总是适用。

数据映射和转换

不同的数据模型、格式和字段语义必须保持一致。这可能需要复杂的转换逻辑来确保数据正确解读。
安全性和身份验证：安全管理访问凭证（API密钥、令牌）、实施可靠的身份验证方法（例如OAuth 2.0、命名凭证）以及确保数据传输安全（加密）至关重要。配置错误可能导致安全漏洞。

错误处理和数据一致性

集成方案必须具备应对错误（网络问题、系统故障、数据错误）的能力。健全的日志记录、监控和自动重试机制对于确保数据完整性和最大限度减少停机时间至关重要。

复杂性和维护

定制集成需要持续的维护和调整，尤其是在 Salesforce 或外部 AI 平台不断发展演进的情况下。这会占用大量资源，并且需要专业的技术知识。

集成复杂性往往被低估，是影响成本的重要因素。虽然独立人工智能平台可能提供更低的核心成本或更强大的功能，但集成成本和工作量（包括开发时间、潜在的中间件许可和持续维护）必须计入总体拥有成本 (TCO) 的计算中。Salesforce 的原生人工智能受益于预构建的集成。如果需要繁琐的变通方案或更昂贵的许可，API 的限制可能会进一步增加复杂性和成本。因此，决定使用独立人工智能时，必须考虑组织的技术能力和资源来应对这种集成复杂性。规划不周的集成可能会抵消外部平台带来的优势。

成功的整合模式

尽管面临挑战，但已有成熟的模式和工具可用于成功集成。案例研究表明，AWS SageMaker 与 Salesforce 已成功集成，通常会利用特定的 AWS 服务来优化性能和降低成本。类似的集成也适用于 Google Vertex AI，尤其可以通过模型构建器实现。Zapier 等工具可用于更简单、无需编写代码的集成，以便在系统之间移动数据，例如在 Google Sheets 和 Vertex AI（作为 Salesforce 数据的代理）之间移动数据。利用 AWS Glue、EventBridge 或 Private Connect 等云原生连接器和服务，也可以显著简化集成过程并提高其安全性。

独立人工智能平台：集成方法及挑战概览

独立人工智能平台：集成方法与挑战概览 – 图片来源：Xpert.Digital

独立的AI平台提供多种集成方式，每种方式都有其自身的优势和挑战。AppExchange或AgentExchange应用允许用户轻松安装合作伙伴提供的预构建应用程序或组件，开发工作量极小，且通常质量经过认证。然而，其可定制性有限，并且依赖于合作伙伴的产品，可能产生额外成本。直接API集成支持使用Salesforce API（例如REST、SOAP、Bulk和Streaming）进行自定义开发，从而提供最大的灵活性和对数据流和逻辑的完全控制。但是，它需要大量的开发工作、API限制管理、彻底的安全审计和持续维护。使用MuleSoft等中间件可以通过连接、数据转换和编排简化复杂的集成。它提供集中管理和可重用性，但需要额外的许可费用和大量的平台培训。AWS或GCP等云连接器通过Glue、Event Relay或Private Connect等特定服务（有时是低代码服务）优化集成。这些服务通常功能强大、安全可靠，并且非常适合各自的云生态系统，但需要专门的配置，并将用户绑定到服务提供商。借助 Einstein Studio 的 BYOM 功能，外部托管的模型可以轻松集成到 Salesforce 工作流中，利用信任层简化集成流程。但是，与直接使用 Salesforce 平台相比，在模型支持、微调和依赖方面存在一些限制。

所有公司图像的独立和跨数据源范围内的AI平台的集成：xpert.digital

Ki-Gamechanger：最灵活的AI平台销售解决方案，降低成本，提高决策并提高效率

独立的AI平台：集成所有相关的公司数据源

• 这个AI平台与所有特定数据源进行互动
  • 来自SAP，Microsoft，Jira，Confluence，Salesforce，Zoom，Dropbox和许多其他数据管理系统
• 快速AI集成：在数小时或数月内为公司量身定制的AI解决方案
• 灵活的基础架构：基于云或在您自己的数据中心（德国，欧洲，免费位置选择）的托管

• 最高数据安全：在律师事务所使用是安全的证据
• 在各种公司数据源中使用
• 选择您自己或各种AI模型（DE，欧盟，美国，CN）

我们的AI平台解决的挑战

• 常规AI解决方案缺乏准确性
• 数据保护和敏感数据的安全管理
• 个人AI开发的高成本和复杂性
• 缺乏合格的人工智能
• 将AI集成到现有的IT系统中

更多相关信息请点击这里：

• AI集成了所有公司的独立和跨数据源范围内的AI平台

关键考量：独立人工智能中的风险管理

是否支持独立人工智能平台的决定还必须包括对潜在风险的仔细评估，尤其是在数据保护、供应商依赖性和数据主权方面。

隐私和安全

虽然 Salesforce 将 Einstein Trust Layer 定位为安全使用 AI 的保证，但仔细观察就会发现其存在一些实际局限性，必须将其与独立解决方案进行权衡。

爱因斯坦信任层限制：

Agentforce 数据脱敏功能已禁用：关键在于 Salesforce 明确声明 Agentforce 工作流已禁用数据脱敏功能。给出的理由是，数据脱敏会降低结果的上下文准确性和相关性，例如，在搜索类似账户时，需要参考账户的详细信息。这会带来重大的数据隐私风险，因为潜在的敏感客户数据可能会未经脱敏处理就发送给外部 LLM（信任层管理），这在受监管行业中尤其成问题，并且与 Salesforce 的“信任”承诺相悖。
替代缓解方案（Anthropic）：Salesforce 计划提供 Anthropic 模型作为替代方案，该模型在“Salesforce 可信边界”（托管在 AWS Bedrock 上）内运行。虽然采用这种方法数据不会离开 Salesforce 的控制范围，但数据脱敏功能仍然被禁用。与启用数据脱敏功能相比，这种方法是否能充分解决数据隐私问题值得商榷。
通用信任层功能：与合作伙伴的零保留和毒性检查等核心功能仍然可用。但是，Agentforce 的例外情况是一个重大限制。

独立平台的潜在优势：

专用数据驻留选项：独立的云提供商或专业平台可以提供更精细的数据存储和处理位置控制。这对于遵守严格的区域数据隐私法律（例如 GDPR 或特定国家/地区的法规）至关重要，这些法律比 Salesforce Hyperforce 的一般保证更为严格。
替代安全架构：组织可以选择更符合其特定安全需求的架构，例如专用加密、更严格的访问控制或数据隔离机制。
直接供应商责任：直接与 AI 供应商合作，无需 Salesforce 作为中间人，可以更清晰地明确数据处理的责任。

Trust Layer 的市场宣传与其技术实际情况之间的差距，尤其是 Agentforce 的身份验证功能被禁用，对风险评估至关重要。决策者不能仅仅依赖市场宣传，而必须针对自身用例审查具体的实现方案，并将其与独立平台可能更一致或更可配置的控制措施进行比较。

适合：

• 值得信赖的AI：欧洲的王牌和在人工智能中扮演领导角色的机会

数据保护和安全方面：Einstein Trust Layer 与独立平台

数据保护和安全方面：Einstein Trust Layer 与独立平台 – 图片来源：Xpert.Digital

数据隐私和安全对于 Salesforce 的 Einstein Trust Layer 和独立平台都至关重要。关于数据脱敏，Trust Layer 支持特定区域和语言，但对 Agentforce 的支持存在限制。而独立平台则可以提供可配置和可自定义的规则以及支持的数据类型。Trust Layer 中基于代理的工作流禁用数据脱敏，而独立平台通常可以实现，具体取决于实现方式，前提是性能下降可以接受。通过合同协议（例如与 OpenAI 的协议），可以确保与第三方提供商的零数据保留；独立平台允许直接签订合同或将数据托管在客户自己的基础设施上，从而完全避免第三方参与。Trust Layer 中的审计跟踪由 Data Cloud 记录，包括有害内容和脱敏情况，而独立平台通常提供详细的日志记录和监控功能，例如 MLOps 工具。在控制数据驻留方面，Trust Layer 依赖于 Hyperforce 区域和配置，而独立平台通常允许更精细地选择数据中心区域。 Salesforce 的托管选项涵盖了从供应商管理的托管到通过 SF Gateway 实现的 BYOM（自带主机）模式，后者可选择 AWS 或 GCP 等合作伙伴的托管服务，Anthropic 也计划在旧金山地区提供服务。另一方面，独立平台允许在专用云实例、本地或供应商云中进行托管。在控制粒度方面，Trust Layer 提供可配置选项，例如定义掩码规则，但其基本架构是固定的；独立平台通常可以提供更全面的安全措施配置选项。

避免供应商锁定

Salesforce 服务的深度集成会带来对服务提供商的强烈依赖性风险。

生态系统依赖性风险

完全依赖 Salesforce 的 CRM 和 AI 功能会造成严重的依赖性。这会在价格调整方面削弱您的谈判地位，并限制您未来使用其他技术的灵活性。

战略多元化

使用独立的AI平台可以实现技术架构的多元化。企业可以利用来自整个市场的创新成果，并在需要时更轻松地更换供应商，从而保持战略灵活性。

Salesforce的“开放生态系统”悖论

尽管 Salesforce 提倡开放的生态系统，例如通过 BYOM（自带设备）模式，但深度集成的实际情况往往会导致事实上的锁定。即使采用 BYOM，管理和部署也仍然通过 Salesforce 平台进行，这使得切换变得困难。集成解决方案的便利性因此可能导致“软锁定”，因为底层依赖关系被掩盖，切换到不同的管理或部署策略会造成摩擦。

更多相关信息请点击这里：

• 供应商锁定带来的风险：企业为何应避免依赖

数据主权和可移植性

对自身数据的控制权以及根据需要迁移模型或数据的能力是重要的战略方面。

关于爱因斯坦活动捕获（EAC）的担忧

其中一个具体问题与 EAC 有关。捕获的电子邮件和日历数据并非作为 Salesforce 的标准活动记录存储，而是存储在外部 AWS 上。这些数据的保留期限有限（默认 6 个月，付费许可最长可达 24 个月），如果 EAC 被停用，数据将会丢失。这引发了关于数据主权、长期访问权限和备份选项的重大问题。在这种情况下，您无法完全拥有自己的数据。

模型可移植性

使用 Salesforce 工具（例如 Einstein Prediction Builder）原生构建的模型与平台紧密绑定，难以移植。虽然底层数据可以导出，但训练好的模型本身无法迁移。相比之下，在外部平台（AWS、GCP 等）上开发的模型则具有更高的可移植性，即使它们暂时集成到 Salesforce 中也是如此。

独立人工智能中的数据可移植性

使用外部人工智能平台时，核心数据处理和模型组件通常保留在 Salesforce 之外。如果与 Salesforce 的关系或战略发生变化，这可能提供更好的数据和模型可移植性。

给决策者的战略建议

在 Salesforce 环境中选择合适的 AI 战略需要进行细致的评估，而不仅仅是简单地比较各项功能。以下建议可以帮助决策者：

批判性地评估用例

不要默认依赖 Salesforce 原生 AI。应根据以下因素单独评估每个 AI 用例：

• 所需专业化程度：该任务是否需要深度、专业的 AI 能力（例如，复杂的科学分析、小众行业预测），而这些能力可能更适合由专用平台来完成？
• 适应性需求：需要对模型、训练数据和算法进行多大程度的控制？Salesforce 的抽象级别是否足够？
• 性能要求：是否存在严格的延迟或吞吐量要求，而这些要求可以通过优化的外部基础设施更好地满足？
• 数据敏感性与合规性：该用例是否涉及高度敏感数据，以至于信任层的局限性（尤其是 Agentforce 中缺乏数据脱敏功能）会带来不可接受的风险？特定的数据驻留要求是否更适合在外部满足？

采取混合方法

考虑采用一种策略，利用 Salesforce 原生 AI 的优势，处理一些更简单、高度集成的任务（例如，基本的线索评分、在 Sales Cloud 中撰写电子邮件）。同时，针对高价值、专业化或高度敏感的用例，集成独立的平台。

考虑整合准备情况

务实地评估组织的技术资源和专业知识，以应对集成和维护外部人工智能解决方案的复杂性。在着手进行复杂的内部开发之前，应首先考虑支持完善的集成方案（例如，AppExchange、成熟的云连接器）。

计算总拥有成本 (TCO)。

进行全面的 TCO 分析，将 Salesforce 原生 AI 的总成本（许可证、数据云使用、潜在的功能限制）与独立 AI 的总成本（核心 AI 成本 + 集成开发/维护 + 中间件）进行比较。

总拥有成本 (TCO) 分析是一种评估技术在其整个生命周期内获取和运营相关总成本的方法——不仅包括购置成本，还包括持续运营成本、维护、培训、升级等。

为什么外部人工智能平台更具成本效益：

• 规模经济：供应商将基础设施成本分摊到众多客户身上。
• 投资更少：无需自建基础设施。
• 更快的部署速度：更快的上市速度可降低间接成本。
• 维护和更新均已包含在内：您无需承担任何IT运维工作。
• 按需付费：成本随需求调整。

总拥有成本分析通常表明，从长远来看，外部人工智能平台比内部解决方案更便宜、更灵活。

优先考虑战略灵活性

权衡集成式 Salesforce 生态系统的便利性与供应商锁定带来的长期战略风险（参见 VB 部分）。从一开始就将可移植性因素纳入人工智能战略。

要求透明度

要求所有供应商（包括 Salesforce 和独立供应商）提供清晰的文档，说明模型功能、局限性、数据处理方式、安全措施和定价模式。仔细审查市场宣传，并将其与实际技术情况进行比较。

适合：

• 变更中的数据管理系统：公司在AI时代成功的策略

呼吁 Salesforce 制定开放式 AI 战略

分析清楚地表明，虽然仅依赖 Salesforce 的原生 AI 套件能够提供便利并与现有 CRM 流程无缝集成，但这并非适用于所有公司的最佳策略。从战略角度考虑采用独立的 AI 平台具有显著优势：能够访问高度专业化且功能可能更强大的模型，对 AI 技术栈拥有更大的灵活性和控制力，通过替代定价模式和利用现有基础设施实现潜在的成本效益，以及有效降低供应商锁定和数据主权方面的关键风险。

Einstein Trust Layer 的已知局限性尤为关键，特别是 Agentforce 工作流的数据脱敏功能被禁用。这凸显了我们必须超越市场宣传，仔细审视技术实际情况的必要性，尤其是在处理敏感数据时。Einstein Activity Capture 的例子也表明，数据可移植性问题同样值得关注，这也警示我们不应过度依赖专有存储和处理机制。

与此同时，Salesforce AI 的作用不容小觑。它为许多标准 CRM 任务提供了一个极具价值且高度集成的解决方案。尽管存在一些局限性，Einstein Trust Layer 仍然是一个重要的治理和安全层。此外，低代码工具能够促进组织内部更广泛地采用 AI 技术。

对许多公司而言，最具吸引力的策略可能是开放式的混合方法。这种策略既能充分利用 Salesforce 原生 AI 的优势来处理日常集成任务，又能灵活地集成外部一流的 AI 解决方案，以满足特定、高要求或具有战略意义的关键用例。这就要求企业摒弃仅使用原生工具的默认做法，转而进行严格的、基于用例的评估。

决策者应谨慎选择原生和独立人工智能解决方案的最佳组合。该决策应以具体的业务需求、现有技术能力、风险承受能力和长期战略目标为指导，以便在不产生不必要的依赖关系或风险的前提下，充分发挥人工智能在 Salesforce 生态系统中的潜力。

☑️ 为中小企业提供战略、咨询、规划和实施方面的支持

AI策略的创建或重组

☑️ 开拓业务发展

Konrad Wolfenstein

我很乐意担任您的个人顾问。

您可以通过填写下面的联系表与我联系，或者直接致电+49 89 89 674 804 （慕尼黑） 。

我很期待我们的联合项目。

Xpert.Digital 是一个专注于数字化、机械工程、物流/内部物流和光伏的工业中心。

凭借我们的360°业务发展解决方案，我们为知名企业提供从新业务到售后的支持。

市场情报、营销、营销自动化、内容开发、公关、邮件活动、个性化社交媒体和潜在客户培育是我们数字工具的一部分。

您可以通过以下网址了解更多信息： www.xpert.digital - www.xpert.solar - www.xpert.plus