Salesforce

产业链位置

Salesforce, Inc. (CRM) 在 AI 产业链里的位置不是算力、能源、服务器或基础模型，而是企业应用层、客户数据层和 agent 执行层的交汇点。AI 要进入企业生产环境，通常需要三类资产：业务数据、权限与流程、用户实际工作的入口。Salesforce 的核心位置正是在这些资产附近，把销售、服务、营销、商务、Slack 协作、Tableau 分析、MuleSoft 集成和 Data 360 数据底座连接成面向客户运营的系统。

公司在 2026 Form 10-K 中把自己定义为 CRM 技术公司，并称 Agentforce 360 Platform 将 sales、service、marketing、commerce、collaboration、data management、integration、analytics、IT service 和行业垂直方案统一到一个平台上。这决定了 CRM 的 AI 产业逻辑不是“训练最强大模型”，而是让模型贴近企业已有客户数据、业务对象、工作流、权限、审计和用户界面运行。

因此，Salesforce 更像企业 AI 的“客户运营控制面”。上游它依赖公有云基础设施、LLM、数据湖、企业系统、API 和集成生态；下游则服务销售、客服、营销、商务、分析、协作和行业运营团队。公司官网产品页也把 Salesforce 定位为 AI CRM：AI agents、data 和 Customer 360 apps 在同一平台上工作。Salesforce products 这使 CRM 处在 AI 应用落地的高价值环节：基础模型越通用，企业越需要一层能理解客户关系、权限边界和业务动作的应用平台。

产品与业务

Salesforce 的产品可以拆成五组。第一组是前台应用：Agentforce Sales、Agentforce Service、Agentforce Marketing 和 Agentforce Commerce，覆盖销售线索、客户支持、现场服务、营销旅程、个性化推荐、订单查询和客户互动。10-K 披露，Salesforce 的 Sales 和 Service 产品都在把 AI agents 嵌入原有工作流，让销售、客服和现场服务人员在已有业务对象上获得自动化和辅助执行能力。2026 Form 10-K

第二组是 Agentforce 360 Platform 和 Agentforce。Agentforce 是 Salesforce 的 agentic layer，用于构建、部署、管理和编排企业级 autonomous AI agents。它的关键不是简单聊天，而是把 LLM 推理、Salesforce metadata、Data 360 实时业务数据、既有 deterministic workflows、MuleSoft API 和人工干预机制连接起来。Agentforce 官网强调，Einstein Trust Layer、agent guardrails、dynamic grounding、zero data retention 和 toxicity detection 等机制用于保护数据和控制 agent 行为。Agentforce

第三组是 Data 360。Data 360 是 Salesforce 的企业数据引擎，用于连接、统一、清洗、建模、索引和检索结构化与非结构化数据，为 AI agents 提供上下文。Salesforce Architects 文档说明，Data 360 采用 lakehouse 与 real-time storage 结合的架构，基于 Iceberg/Parquet 支撑批处理、流式、实时、结构化和非结构化数据场景。Data 360 architecture

第四组是 MuleSoft、Tableau 和 Slack。MuleSoft 解决跨系统连接、API、自动化、agent governance 和 agent orchestration；Tableau 把分析、语义层和业务动作连接到 Agentforce；Slack 是人和 agent 协作的 conversational interface。Salesforce 的 Slackbot 公告把 Slack 描述为 Agentforce 360 的对话入口，让知识、动作和数据在工作流中连接。Slackbot GA

第五组是行业云、低代码平台、AppExchange、专业服务和客户成功体系。行业云把金融服务、医疗生命科学、制造、汽车、政府等行业对象和流程预先产品化；AppExchange 和 SI 伙伴把 Salesforce 从单一软件扩展成生态。财报会材料中管理层反复强调 Agentforce 与 Data 360 是一起销售、一起落地的组合，但这类数据只能作为产品 adoption 的验证，不应写成长期财务假设。Q4 FY26 earnings call

上下游分析

Salesforce 的上游包括 IaaS 云基础设施、基础模型供应商、企业数据湖、ERP、客服系统、支付与商务系统、身份权限系统、API、系统集成商和第三方应用。10-K 披露，公司通过 cloud computing platform partners 提供服务器、存储、数据库和网络，也通过自有设计运营、但位于第三方数据中心设施内的基础设施交付服务；Hyperforce 则用于支持全球部署和数据驻留需求。2026 Form 10-K

在 AI 时代，上游最关键的不是单一模型，而是企业数据和动作接口。Data 360 的 zero-copy 连接让企业在不大量复制数据的情况下访问外部数据源；MuleSoft 则把 legacy on-premises databases、现代 SaaS、API、LLM 和 agent 连接起来。MuleSoft 官网明确说，Agentforce 要落地必须把客户数据、孤岛系统和应用连接起来，并且 MuleSoft 可以连接 Salesforce 内外系统。MuleSoft

下游是拥有大量客户交互、销售流程、服务请求、营销触点和跨部门协作的大中型企业，也包括中小企业和行业客户。CRM 的典型需求不是“调用一次模型”，而是让销售代表更新机会、客服处理工单、营销团队生成细分和旅程、商务团队推荐商品、管理层分析预测、员工在 Slack 里触发流程。这些任务都要求 agent 同时读懂客户数据、遵守权限、调用系统、留下审计记录，并在必要时交给人。

这个上下游结构的关键矛盾是：Salesforce 离客户运营数据和业务流程很近，因此有机会成为 enterprise agent 的默认落地点；但它也依赖外部云、模型、数据平台、ERP 和系统接口。一旦客户把数据治理和 agent orchestration 放在 hyperscaler、Snowflake、Databricks、ServiceNow、Microsoft 或自研平台中，Salesforce 就可能只成为其中一个业务应用，而不是跨企业的控制面。

同业竞争格局

Salesforce 的竞争不是传统 CRM 软件之间的线性竞争，而是企业 AI 应用控制权的多方竞争。10-K 将竞争者分成多类：传统企业应用和云应用厂商、AI-native 公司、免费或捆绑式软件提供商、BI/数据准备/集成/营销/电商/AI 软件供应商、生产力和统一通信工具、平台开发环境和云开发平台。2026 Form 10-K

第一类是大型企业软件平台：Microsoft、ServiceNow、SAP、Oracle、Adobe、HubSpot、Zendesk 等。Microsoft 的优势在 Microsoft 365、Teams、Dynamics、Azure、Copilot 和身份体系；ServiceNow 强在 ITSM、工作流和企业服务管理；SAP/Oracle 强在 ERP 和核心交易系统；Adobe 强在营销内容与体验云。它们都可以把 agent 嵌入自己的系统，把 Salesforce 挤压成客户关系场景里的一个模块。

第二类是数据与 AI 平台：Snowflake、Databricks、Palantir、Google Cloud、AWS、Azure 以及各类数据治理和 agent 平台。它们不一定直接卖 CRM，但会争夺企业 AI 的数据上下文、语义层、治理、模型调用和 agent 编排入口。如果企业认为“数据平台才是 AI 控制面”，Salesforce 的 Data 360 和 Agentforce 就必须证明自己在客户运营工作流里更接近业务动作。

第三类是 AI-native 初创公司和基础模型厂商。OpenAI、Anthropic、Google、Perplexity、Cohere 以及垂直 agent 公司可以用更轻的界面绕过传统 SaaS UI，直接对接邮箱、日历、文档、网页、CRM 和客服系统。它们的优势是产品迭代快、交互范式新；弱点是企业级权限、审计、数据驻留、复杂流程和既有系统集成往往不如成熟平台完整。

Salesforce 的相对位置是“客户运营应用 + 数据/元数据 + 工作流 + Slack 入口 + MuleSoft 集成 + AppExchange 生态”。它不拥有底层云基础设施，也不控制最强基础模型；但它拥有大量企业客户关系对象、业务流程、权限模型、管理员生态和 SI 实施经验。竞争关键不是谁先发布 agent，而是谁能把 agent 稳定嵌入真实销售、客服、营销和商务流程，并让 IT、法务、业务和安全团队接受。

护城河

Salesforce 的第一层护城河是客户数据模型和业务对象。Account、contact、lead、opportunity、case、campaign、order、profile、journey 等对象长期嵌入企业前台运营，周围还有权限、字段、自动化、报表、集成和自定义逻辑。AI agent 如果要执行真实客户运营任务，需要这些对象和上下文，而不是只有自然语言能力。

第二层是 metadata、workflow 和 governance。10-K 强调 Agentforce agents 可以访问 Data 360 的 live business data，遵循 Salesforce metadata 中定义的公司政策，并通过 Salesforce 应用和 MuleSoft API 执行动作；每个 agent 在权限、可观测、治理和审计边界内运行。2026 Form 10-K 这类“可控执行”能力在企业生产环境里比 demo 阶段更重要。

第三层是生态和实施能力。AppExchange、ISV、系统集成商、咨询伙伴、管理员、开发者和 Trailblazer 社区，使 Salesforce 不是单一应用，而是企业可以持续扩展和定制的平台。10-K 披露，Salesforce Platform 允许客户、ISV 和第三方开发者创建、测试、交付云应用，并通过 AppExchange 或直接销售；公司也依赖咨询伙伴交付从大型实施到局部优化的解决方案。2026 Form 10-K

第四层是 Slack、MuleSoft、Tableau 和 Data 360 的组合。Slack 提供员工日常工作入口，MuleSoft 提供系统连接和 API 治理，Tableau 提供分析与语义层，Data 360 提供统一数据上下文。单独看每个资产都面对强竞争，但组合起来可以形成“人在哪里工作、数据在哪里统一、动作在哪里执行、结果在哪里分析”的闭环。

护城河的边界也很清楚。Salesforce 的客户基础和工作流深度带来迁移成本，但企业 SaaS 不是不可替代基础设施。若基础模型和通用 agent 能可靠读取多系统数据并执行跨应用动作，传统 SaaS seat 和 UI 价值会被压缩；若客户把核心数据层放在 Snowflake、Databricks 或 hyperscaler 原生栈，Salesforce 的数据控制力也会被削弱。因此 CRM 的护城河不是“CRM 品类永远安全”，而是能否把既有客户运营资产升级成可信 agent 执行平台。

误读纠偏

误读一：Salesforce 只是旧 CRM，AI 会绕过它。纠偏：AI 确实可能削弱传统 SaaS UI 和 seat 逻辑，但企业 agent 需要客户数据、权限、流程、审计和业务动作。Salesforce 的机会正是在这些资产附近把 Agentforce、Data 360、Slack、MuleSoft 和 Tableau 组合起来，而不是只守住旧 CRM 表单。

误读二：Salesforce 是基础模型公司。纠偏：CRM 不在基础模型训练层竞争，也不靠拥有最大参数模型建立壁垒。它的价值来自让不同模型在企业客户数据、metadata、workflow、trust layer 和业务应用中可控执行。Agentforce 的核心是 agent execution 和 governance，而不是单纯模型能力。Agentforce

误读三：Agentforce 等于完全自动化员工。纠偏：Salesforce 对 Agentforce 的表述一直强调 humans and agents working together，以及权限、可观测、治理、审计和人工介入。企业 AI 的可持续形态更可能是 agent 处理低风险、可定义、可追踪任务，人类设定目标、处理异常和承担责任，而不是让模型无边界接管业务。

误读四：Data 360 只是又一个 CDP。纠偏：Data 360 仍服务客户 360 和个性化，但其 AI 产业逻辑已经扩展到 agent 上下文、lakehouse、real-time storage、zero-copy、RAG、语义和权限治理。它的目标是让 structured records、emails、documents、conversations 和 events 都成为 agent 可检索、可授权、可行动的企业上下文。Data 360 architecture

误读五：Salesforce 的生态组合天然无敌。纠偏：Microsoft、ServiceNow、SAP、Oracle、Adobe、Snowflake、Databricks、hyperscaler 和 AI-native 初创公司都在争夺企业 AI 的入口、数据层和执行层。Salesforce 的优势来自客户运营深度和生态组合，但能否守住控制面，取决于 agent 质量、数据统一、跨系统集成、治理可信度和客户实际采用。