Jeanne DeWitt Grosser 现任 Vercel COO，负责 marketing、sales、customer success、revenue ops 和 field engineering。更早之前，她在 Stripe 从零搭建过早期销售体系，再往前，她还在 Google 参与过 Gmail 相关产品工作。

这场对谈最有意思的地方，在于 Jeanne 重新划了一次 GTM 的边界。她讲的是一整条从获客、转化、交付、扩张到长期留存的客户生命周期，市场和销售只是其中一部分。

她的判断也很明确：在 AI 时代，产品当然还是关键，但把产品带到市场的能力，会重新成为顶级公司的差异化来源。

先把这篇文章的重点摆出来：

• →Jeanne 眼里的 GTM，到底覆盖哪些职能。
• →为什么 AI 会抬高 GTM 的战略地位。
• →GTM engineer 这个新角色，为什么可能会成为未来几年增长团队里最值得关注的岗位之一。
• →为什么世界级销售组织，要让工程师觉得你更像 PM，而非“来提需求的人”。
• →为什么大多数客户买单，更多是为了规避眼前的风险。

1. 2026 年的 GTM，为什么突然比以前更重要了

Jeanne 一开场就给了个很现实的判断：她最近收到的 GTM 求助请求越来越多，而 AI 又把这类需求进一步放大了。

原因很直接。AI 时代，很多公司盯着的是高度重叠的市场机会，技术差距也未必还能像过去那样长期拉开。大家都在做相似的事，真正能拉开差距的部分，就从“能不能做出来”，慢慢转到“能不能更快、更准、更顺畅地带到市场上去”。

换句话说，产品同质化的边际在收窄，GTM 的战略价值反而在上升。

这也是整场对谈的底色。她把 GTM 当成公司竞争力的一部分，而非一套销售技巧合集。

2. Jeanne 是谁，她为什么有资格讲这件事

Jeanne 的特别之处在于，她的经验没有停在单一岗位的“销售优化”上。她的职业路径横跨产品、工程语境和商业化语境，所以她谈 GTM 时，常常不像传统销售主管，更像一个总经理在看整家公司怎么运转。

这也解释了她后面反复强调的一件事：最好的 GTM 组织，既是 revenue machine，也是 R&D 的延伸。

3. GTM 到底是什么：从市场销售到客户生命周期

Lenny 先问了一个很基础的问题：大家天天说 GTM，但这个词到底指什么？

Jeanne 的回答分成两层。

多数人熟悉的定义是：GTM 大概就是 marketing 和 sales，也就是最靠近收入的那一段。

她真正认同的版本更宽：任何会触达客户，或者会影响公司赚钱能力的职能，都应该算 GTM。

按她在 Vercel 的实际职责，这里面包括：

• →marketing
• →sales
• →technical sales
• →sales engineering
• →customer success
• →support
• →partnerships

她解释得很直接：这些团队在很多公司里看起来都在服务客户，但彼此常常像几张没有完全重合的维恩图。市场有一套分层方法，销售有一套，支持团队又有一套。每个部门都在推进自己的策略，却没有真正形成一条统一的客户生命周期。

所以她更愿意把 GTM 理解成一条完整链路：从一个潜在客户第一次知道你，到五年后仍然深度留在你的平台上，中间所有动作都应该被统一设计，再交给不同团队协作完成。

4. AI 把 GTM 推向咨询化和一体化

很多人直觉上会觉得，AI 越强，销售越不重要。Jeanne 的看法正好相反。

她先回顾了一段背景：当 SaaS 和 consumption-based business model 逐步普及之后，GTM 早就从传统交易型销售，转向更偏咨询式、关系型的销售。因为客户第一次买单，往往只是起点。真正的价值在于后续扩张、深度使用和长期留存。

到了 AI 时代，这个趋势又被放大了一层。

今天的大多数客户都知道自己必须变化，但并不清楚到底该怎么变：

• →应该改客户面向的产品吗？
• →该优化内部流程吗？
• →该上 agent，还是只上一个增强型功能？

所以 GTM 团队在很多场景里开始扮演半个顾问的角色：他们要把产品讲明白，也要陪客户一起定义问题、理解最佳实践、把技术带进真实环境里，再把一线反馈带回产品团队。

这也是 Jeanne 提醒大家关注的另一个变化：很多技术型 GTM 职能，正在重新崛起。

5. GTM engineer：AI 时代最值得关注的新岗位之一

Jeanne 认为，过去 18 到 24 个月里，一个很重要的新角色浮出了水面：GTM engineer。

这个岗位和传统 sales ops 有交集，也需要系统配置能力。它的核心，是把技术能力和 GTM 工作流绑在一起，重新设计增长和销售流程。

更具体一点，这个角色要做的事包括：

• →拆解 GTM 各环节的工作流
• →找到哪些步骤适合交给 agent
• →把原本隐性的高手经验，编码成可复用的流程
• →用 AI 让个性化触达实现规模化

Jeanne 真正关心的，是把人的工作过程翻译成机器可以执行的结构。单纯采购 AI 工具解决不了这个问题。

6. Stripe 当年的 Rosalind：一个做早了 8 年的想法

Jeanne 讲了一个很好的例子，来自她在 Stripe 的时期。

当时她要启动 outbound SDR 团队，但 Stripe 一直很强调效率。别的公司可能会配 30 个 SDR，她最后只拿到了 4 个名额。那怎么办？只能走极致数据化路线。

于是团队做了一个内部项目，叫 Project Rosalind。名字来自最早绘制 DNA 图谱的科学家 Rosalind Franklin。这个项目的目标也很直白：建立一个“公司宇宙”。

这张图的想象是这样的：

• →每一行，是世界上的一家公司
• →每一列，是和销售有关的一个属性
• →这些属性能帮助团队决定：该卖什么、卖给谁、怎么卖

比如在 Stripe，如果一家公司是 marketplace，那么你就不该只推基础支付，而更可能要推 Stripe Connect。

最终他们想做的是一套外呼 Mad Libs：邮件模板的大框架固定，但其中 80% 的内容，都能根据公司属性自动填充。

2017 年做这件事，结果并不理想。原因很直接：当时没有现在这样的模型能力，误判率太高，很多判断做不到真正可用。

但 Jeanne 说，今天他们在 Vercel 几乎是在重新做同样的事，而这一次终于跑通了。

这其实很说明问题：很多所谓 AI 时代的新模式，本质上是过去一直存在、但当年做不动的需求，如今终于具备了技术可行性。

7. 一个具体案例：Vercel 把 10 个 SDR 的 inbound 工作，压成了 1 个人做 agent QA

如果说 Rosalind 还是一个“历史上的大想法”，那 Vercel 现在的案例就很落地了。

他们先从 inbound 开始做 agent。原因很简单：这个流程更 legible，也就是更容易被写清楚、复现和拆解。

一个 inbound SDR 的工作，核心就两步：

1. 1. 判断这个线索是否合格。
2. 2. 决定该怎么回复。

于是他们让 agent 先做这两步：

• →去拉取各种内部数据
• →做深度研究
• →生成判断
• →起草回复内容

但最后仍然保留 human in the loop：由人来审核、编辑、发送。

结果很具体：

• →原来有 10 个 SDR 在跑这个流程
• →现在只需要 1 个人做 agent QA
• →另外 9 个人被转去做 outbound

更关键的是，指标稳住了。

他们跟踪了原来 SDR 的关键 KPI，包括：

• →lead 到 opportunity 的转化率
• →转化所需触达次数
• →响应速度

最后的结果是：转化率基本持平，但触达次数更少，响应速度更快。

因为 agent 不会下班，也不会让线索在夜里躺在队列里没人处理。

8. 这套做法的重点：先找可读工作流，再把人挪到更高价值的地方

Jeanne 对这件事的表述很克制。

她没有说“AI SDR 已经来了，销售岗位要消失了”。她说得更接近现实世界的演进路径：AI 会先吃掉那些重复、可拆解、可训练、上手成本不高的工作；而人，会被推向更复杂、更需要判断、也更需要真实客户交流的部分。

她提到一个很有意思的长期数据：过去 20 年，销售人员真正花在和客户互动上的时间，通常只有 30% 到 40%。也就是说，大多数时间都花在研究、跟进、写东西、内部协调和处理流程上。

她的理想状态是，agent 把这些重复工作接走，让销售人员未来能把 70% 的时间花在和人打交道上。

这个判断背后有个前提：AI 的价值，更多在于重新分配人的注意力。

9. SDR、AE 会不会消失：先别问会不会，先问哪一部分会先消失

Jeanne 也顺手解释了两个基础角色：

• →SDR：主要负责 pipeline generation，也就是创造销售机会。包括 inbound SDR 和 outbound SDR。
• →AE：account executive，本质上是 closer，负责把“有兴趣”一路推进到“愿意买单”。

她的看法是：AI 的确会替代一部分 SDR 工作，尤其是那些重复性高、研究深度有限的部分。但它最后才会碰到的，是深度 enterprise prospecting。

原因很现实。真正的大企业销售，往往很难简化成找对一个人、发对一封邮件，而是：

• →要跨组织层级判断谁是影响者、谁是决策者
• →要在多个业务线之间取舍
• →要理解技术、预算、采购、迁移成本和内部政治

这些事情里，agent 可以辅助研究，完整替代人的时机还没到。

所以与其说“AI 会不会替代 SDR”，不如说：它会先替代 SDR 里最像流水线的那部分工作。

10. 什么时候该招第一个销售，什么时候该招第一个 GTM engineer

聊到组织搭建时，Jeanne 给了两个很实用的判断。

第一个销售什么时候招

她基本认可一个常见经验：大概在 ARR 接近 100 万美元，而且已经出现某种可重复性的时候，创始人可以开始考虑招第一个销售。

但她也补了一句：很多创始人到了这个规模，仍然未必已经有了真正可复制的销售流程，只是因为自己特别会讲故事、特别会打动人。

她区分了两种状态：

• →一种是 founder-led evangelism：客户长得各不相同，靠创始人魅力推动成交。
• →另一种是已经能写出 ICP：比如“100 人以下、做 SaaS 的创业公司”这种可描述的目标客户画像。

只有后者，才更接近真正可以交接的销售流程。

第一个 GTM engineer 什么时候招

她没有给一个绝对数字，但给了更本质的判断：只要你的销售流程已经能被写出来，就到了可以引入 GTM engineer 的时候。

她甚至认为，AI 会迫使公司更早把销售流程标准化。因为如果你连高手到底在做什么都说不清，就不可能把它变成 agent。

11. 理想的 GTM engineer，为什么往往来自销售工程师而非纯软件工程师

Jeanne 在 Vercel 招的前三个 GTM engineer，都来自 sales engineer 背景，并没有纯工程背景转来的普通开发。

这些人有几个共同点：

• →很技术，很多人原本就是前端开发出身
• →理解客户和销售过程
• →知道什么叫“好的 GTM”
• →能把一线动作拆成工作流

她还讲了一个很微妙的细节。团队曾经按一个表现最好的年轻销售去训练 agent，后来 Jeanne 自己看 agent 写出来的内容，发现有些地方她不会那样发。问题出在样本：它代表的是“两年经验的最佳实践”，离“二十年经验的判断”还有距离。

这说明 GTM engineer 光会写代码还不够，它还得知道：

• →哪些动作只是表面流程
• →哪些判断背后其实是经验和审美
• →哪些地方应该通过反馈机制慢慢校准

这里的顺序很重要：先懂 GTM，再把 GTM 编码。

12. 工具栈正在变化：Gong 变得比过去有意思得多

Jeanne 提到的一个具体工具是 Gong。这是个老名字，但她认为，过去一年它明显变得更有意思了。原因在于：你录下销售对话之后，还可以在这些内容之上跑 agent。

她们在内部做了两个 bot：

• →Lost Bot：复盘为什么输单
• →Deal Bot：实时辅助正在推进中的交易

Lost Bot 的例子很有代表性。

有一笔大单，AE 自己的判断是“输在价格”。但当 agent 去扫 Slack、邮件、电话记录之后，得出的结论完全不同：真正的原因是销售团队始终没有触达到 economic buyer，也没有把 ROI 和 TCO 讲到让对方信服。

也就是说，表面理由是“价格”，深层原因其实是“价值没讲明白”。

这类洞察很重要，因为它会直接改变后续动作。你需要修的，可能是价值量化能力，而非折扣策略。

13. 从 Lost Bot 到 Deal Bot：把 GTM 里的 bug 暴露出来，再像工程团队一样修

更进一步的是，他们没有停留在“输单复盘”这个阶段，而是把这个能力前移，做成了 Deal Bot。

它现在会把洞察实时推到 Slack 频道里。比如：

• →你已经推进到这个阶段，但还没接触到 economic buyer
• →你刚和经济购买者开完会，反馈信号并不好
• →某个 objection 一直没有被有效处理

Jeanne 说得非常工程化：如果你的产品更新速度已经快到“每隔几天就有新东西”，那 GTM 团队其实也在承受很大的 enablement 压力。很多销售问题，最后都很像 bug。

于是他们开始用一种很像工程 sprint 的方式来处理 GTM：

• →这周哪里卡住了
• →哪些 objection 没处理好
• →哪些 demo 不够清楚
• →哪些 discovery 内容需要补充

然后下周迭代。

这个视角很有启发。当产品迭代速度进入 AI 节奏后，GTM 也必须产品化、工程化，否则根本跟不上。

14. build vs buy 正在被重写：很多 agent，真的没那么难做，也没那么贵

聊到工具时，Jeanne 给了一个很现实的判断：AI 时代的 build vs buy 计算方式，正在变化。

她们的经验是，很多内部 agent：

• →比想象中更快做出来
• →比想象中更便宜
• →对上下文的依赖，比通用 SaaS 工具更强

前面提到的 lead agent，大概是：

• →1 个人
• →投入 25% 到 30% 时间
• →6 周
• →年运行成本大约 1000 美元

而它替代的，是原来 10 个 SDR 的 inbound 工作流。

这当然只适用于一部分场景。她的意思是：当 workflow 很具体、内部上下文很强、你又已经知道高手是怎么做的时候，自建 agent 的回报可能高得惊人。

Jeanne 的另一个观察也很尖锐：今天很多公司在上 AI 工具时，真正的瓶颈反而变成了 procurement。因为每个窄点几乎都有一家新公司在卖工具，最后你可能为了 20 个任务，买了 20 套系统。

所以更值得问的是：这个问题，到底适合通用化采购，还是更适合内部编码。

15. 把 GTM 当产品：这可能是整场对谈最重要的底层观点

Jeanne 反复提到一句话：think about go-to-market as a product。

这个想法的背景很有意思。她在 2004 年做 Gmail 时，产品和竞品之间的技术代差非常大：一整年里，Yahoo Mail 都追不上，Hotmail 更不用说。那时候，产品本身的技术优势足够构成强差异化。

但到了后来，云计算让软件供给快速增加，技术差距在很多品类里开始收窄。于是她得出一个判断：

当产品只在边际上有差别时，客户被“如何卖给他”的体验，会开始决定他怎么选。

她给了一个 Stripe 时代的例子，让这句话落到具体场景里。

很多公司的销售流程，在资格通过之后，第一通正式销售电话会做 discovery：大量提问、挖痛点、找预算、找权力结构。

这对销售来说是标准动作，对客户来说却常常很无聊，甚至会有一种被盘问的感觉。

Stripe 当时换了一种做法：把第一场正式交流变成 whiteboarding session，让客户一起把自己的支付架构画出来。

这件事的妙处在于：

• →销售能更快看到真实架构和价值点
• →客户也会在过程中看清自己原本没有系统画过的东西
• →这场会结束后，客户带着一个新的资产离开，而不只留下“被问了一堆问题”的感觉

这就是 Jeanne 说的“把 GTM 当产品”：不要把销售过程只看成一个漏斗，而要把它当成一连串需要被设计的体验。

16. 每个触点都要先创造价值，即使对方最后没买

Jeanne 提到的另一个原则，也值得单独拎出来：无论客户最后买不买，每个触点都应该先创造价值。

她在 Stripe 待了九年，见过很多客户当时没买，但几年后在下一轮周期里回来下单。原因不一定是你那次跟进有多强势，而是对方记住了：这家公司在和我接触时，是真的给过我有用的东西。

Vercel 现在也在做类似的事。比如他们会直接给潜在客户一些站点性能洞察：

• →你的网站 performance 现在是什么水平
• →和同行相比处在什么位置
• →这会如何影响 SEO
• →进而如何影响 AEO

重点关键在于你要让对方感觉到：哪怕现在不买，这次接触也算不上一次纯 transaction。

17. 具体战术：洞察、blueprint、还有创始人最容易做错的 discovery

说到更具体的 GTM tactics，Jeanne 讲了三类。

第一类：拿出客户没看到的洞察

如果你能比客户更早指出：

• →他现在处在什么不理想状态
• →他和同行之间有何差距
• →哪些变化会让他未来更被动

那你就已经在提供判断，也是在卖带判断力的方案。

第二类：别只给 docs，要给 blueprint

她举了 Stripe 的例子。很多 marketplace 都在用 Stripe，所以客户真正想知道的，往往核心是：

• →marketplace 最佳支付架构应该怎么搭
• →哪些环节是常见坑
• →哪些配置是真正的 best practice

也就是说，过了开发者早期自助探索阶段之后，客户需要的往往是更接近 AWS well-architected guide 的蓝图，docs 只是基础材料。

第三类：创始人做销售时，往往说太多

这一点几乎适用于所有创业者。Jeanne 认为，很多创始人最容易犯的错，是太快进入“我来给你解法”的模式。

优秀销售在一场对话里的说话时间往往少于一半。他们更多是在：

• →问问题
• →追问问题背后的问题
• →用 five whys 一层层往下钻
• →帮客户自己得出结论

18. 一个非常重要的判断：80% 的客户买单，主要是为了避险

这可能是整场对谈里，最值得创业者抄下来的句子之一。

Jeanne 提到一个经验数字：大约 80% 的客户买东西，主要是为了避免痛苦或降低风险。

她也承认，这个数字未必是严格统计意义上的精确值，但它非常接近真实世界里的购买心理。

创业者最自然的表达方式，通常是“想象空间”：

• →我们能把什么事情变得更大
• →我们能创造什么新可能
• →我们将来会帮你打开什么机会

这套话术对另一个创始人可能有效，对大企业通常火候不够。因为大企业的真实心理更像是：

• →我不想错过下个季度目标
• →我不想输给竞争对手
• →我不想因为这个决定出事故
• →我不想让自己职业上背锅

所以，销售真正要做的，是帮助客户把“风险”看清，再把风险降下来。

这也解释了为什么很多 enterprise sale 看起来比创始人想象中更保守。客户也许懂愿景，但他要先确保自己不会因为这个决定出事。

19. Segmentation：它是公司的共同语言

Jeanne 对 segmentation 的解释也很清楚：它本质上是把世界上的公司切分成若干类，让你知道哪些客户买法不同、价值不同、打法也应该不同。

最基础的一层，通常是按规模切：

• →SMB
• →mid-market
• →enterprise

这很合理，因为小公司和大公司的决策结构本来就不同。

但她强调，停在这里还不够。你还得继续问：在你的产品里，到底哪些属性会真正改变销售方式？

Stripe 的切法

Stripe 当时除了规模，还看两件事：

• →growth potential
• →business model

为什么看增长潜力？因为 Stripe 是 consumption-based business。一个年增长 200% 的客户，长期价值显然和年增长 8% 的客户不一样。

为什么看 business model？因为：

• →B2B 需要 business payments、ACH、wires、billing
• →B2C 更需要 consumer payments，比如 Apple Pay
• →platform 和 marketplace，重点会落到 Connect

Vercel 的切法

Vercel 也看规模和增长，但还叠了几个维度：

• →traffic
• →workload type

比如一个员工规模不算大的公司，如果流量巨大，在 Vercel 这里就会被往 enterprise 方向提。Jeanne 甚至举了 OpenAI 的例子：员工人数也许只落在中型公司区间，但如果它是全球 top 25 的流量站点，那销售复杂度和收入潜力都已经是 enterprise 级别。

她还提到 workload type。电商公司、crypto 公司、enterprise SaaS 公司，语言体系、关注点和技术栈都不一样。你要卖给他们的，也不会是同一个故事。

这里最关键的一句，是她后面补的：segmentation 应该成为整个公司的共同语言，而非 GTM 团队自己的工具。

她甚至会在新员工第一周亲自讲 KYC：know your customer。因为产品经理、工程师、销售、市场，如果连“我们到底在为谁赢”都说的不一样，后面很多动作都会走偏。

20. 怎样让工程师尊重销售：像 PM 一样理解产品，像 GM 一样理解公司

Jeanne 被问到一个很有意思的问题：怎么搭一个“能让工程师尊重的销售组织”？

她给出的 litmus test 几乎可以直接当标准：

这句话听起来很夸张，但要求其实非常明确：销售必须有极深的产品理解。

原因有两层：

• →这会给你在产品和工程团队里的可信度。
• →这也让你有能力把客户反馈转换成真正的产品信号。

她进一步说，最好的 GTM 团队，应该是 revenue-driving 和 R&D 的结合体。因为销售团队每周接触客户的数量，通常比 PM 多得多。如果能把这些信息提炼成有效 signal，再反馈进 roadmap，销售组织本身就会成为产品团队的延伸。

但前提是，你得知道：

• →什么时候是客户的噪音
• →什么时候是应该 objection handle 的表面异议
• →什么时候才是真正值得进入 roadmap 的市场信号

这里面真正稀缺的是 GM 式判断：什么需求值得推动，什么只是噪音。

21. PLG、pricing、sales comp 和 hiring：Jeanne 的四个现实判断

对谈最后几段，Jeanne 连续给了四个很有现实感的判断。

1）PLG 仍然重要，但它通常有 ceiling

她认可 PLG 的长期价值。很多公司在早期仍然应该从 PLG 开始，尤其当你的第一批目标客户本来就是开发者、创业团队或中小公司时。

但她也强调，PLG 往往有上限。用户很少会通过一个纯 self-serve 流程，直接给你一份 100 万美元的合同。

所以更好的节奏是：在 PLG 撞墙之前，就开始补 sales。 因为可复制的销售流程，尤其是 outbound 引擎，本来就需要时间搭起来。

2）定价要像做产品一样做

她对 pricing 的核心判断也很明确：pricing like a product。

你要想清楚：

• →客户真正从哪里获得价值
• →你的成本真正在哪里发生
• →你的价格结构有没有把这两件事对齐

她举了两个例子。

一个是 Stripe Billing 早年有 free trial，后来发现这只是“大家都这么做”，缺少真正的策略设计。真正观察下来，用户一旦愿意花力气集成，通常就会留下，于是去掉免费试用也没有明显副作用。

另一个是 Vercel 自己的 SKU 调整。原本 enterprise 套餐里有不少创业公司也很想要的能力，于是团队把部分能力从 enterprise SKU 拆出来，改成可以 self-serve 购买。结果对 startup 更高效，对公司也更高效，因为少了很多必须由人工介入的步骤。

3）sales comp 很有效，但会牺牲灵活性

Jeanne 对 sales comp 的热情并不高。她当然认可按结果付费的激励逻辑，但她也指出一个现实问题：你往往得提前 12 个月决定“今年重视什么”，而 AI 时代变化太快，很多中途冒出来的新产品、新机会，在年初根本还不存在。

她举的例子是 Vercel 的 AI Cloud：写年度销售计划时，这个产品还不存在。等它出现之后，组织当然可以补激励，但一开始的设计天然就不够灵活。

所以真正的问题是：怎么既保留 sales comp 对销售的驱动力，又让组织保持转向能力。

4）销售团队别只招一种人

在 hiring 上，她的偏好是“多样化组合”。

她相信销售是一门技能，所以组织里一定要有真正做过销售的人。但她也很喜欢把传统 AE，和咨询、投行这类背景的人配在一起。

原因是后者通常更擅长：

• →分析
• →财务表达
• →TCO / ROI 推演
• →和 CFO 之类的经济买家对话

而前者更擅长真正的销售技法。

两类人放在一起，会逼彼此都升级。

22. 尾声：为什么她最后讲的是跳水，而非 AI

在闪电问答里，Jeanne 最后讲到两个小片段，反而把整场对谈收得很完整。

一个是她母亲常说的话：When the going gets tough, the tough get going. 还有一句：Where there’s a will, there’s a way.

另一个，是她大学时练跳水。她说跳水是一项强调精确、重复和即时修正的运动。你一个动作拍平在水面上，背上都起印子了，也得立刻回到跳板上，再跳同一个动作一遍。

这和她看销售的方法其实是连着的：

• →销售是可重复性
• →销售是精确度
• →销售是预测能力
• →销售也得学会把失败当成数据

她还引用了一句自己很喜欢的话：

这句话很像整场对谈的隐藏结论。AI、GTM、产品、销售，真正危险的状态往往是模糊：流程说不清，客户分不清，价值讲不清，组织也不知道下一步该怎么转。

把这些东西讲清楚、拆清楚、做成可复制的系统，可能就是她所说的“世界级 GTM”的真正含义。

23. 编辑手记：这场对谈里，最值得继续观察的三个信号

第一个信号，是 GTM engineer 会不会从“少数公司的实验岗位”，变成增长组织的标准配置。

Jeanne 给出的案例已经很具体：6 周、1 个工程化人才、年成本约 1000 美元、把 10 个 SDR 的 inbound 流程压成 1 个 QA 角色。如果这类案例继续出现，很多公司对 sales ops、rev ops、SE 和 SDR 的边界定义，都会被重新改写。

第二个信号，是“把 GTM 当产品”会不会从理念，变成一种普遍的组织能力。

这要求公司真的去设计每个客户触点、统一 lifecycle、把一线反馈变成 roadmap signal，还要求销售团队有足够深的产品理解。口头上说“客户体验”很容易；能把销售过程做成体验的公司，数量会少得多。

第三个信号，是 build vs buy 的重心会不会继续往内部 agent 倾斜。

过去很多公司默认“买 SaaS 比自己做便宜”。AI 可能第一次让这个公式大规模松动：当工作流足够具体、上下文足够内部化，而 agent 的开发成本又足够低时，自建开始从大公司特权，变成更多团队可以尝试的选项。

更深一层的问题其实是：当产品差距收窄、工具差距收窄、模型能力也越来越接近时，最后决定增长效率的，到底是你买了什么工具，还是你是否真的理解了自己的客户、流程和组织。

Jeanne 的答案显然偏向后者。这个判断是否成立，接下来几年会很快见分晓。