​B2B企业提出AI销售训练需求时，最容易先列出一组功能：要有数字人、能练话术、可以评分、能够生成报告。功能清单很快就能完成，但它并不能回答一个更关键的问题：企业究竟要改善商机链路中的哪一段能力。

需求确认的起点不应是列功能，而是画出商机从发现到推进的任务地图：销售在什么阶段面对谁，需要作出什么判断，哪些动作影响下一步。只有角色、任务和判断点明确，AI陪练的场景、知识、评价和数据要求才有可靠边界。

一个职位名称不等于一个可训练角色

复杂销售中，客户可能包括业务负责人、使用部门、技术团队、采购和决策层。但如果需求文档只写“五类客户角色”，训练仍然过于抽象。

同一位业务负责人，在早期可能只愿意讨论现状，在方案阶段会追问业务价值，在采购前又可能担心变更风险。角色的职位没有改变，任务和立场却已变化。AI客户需要的不是一个固定人设，而是与当前商机阶段相匹配的目标、已知信息、顾虑和决策条件。

因此，需求确认时应使用“角色＋阶段任务”描述训练对象。例如，不写“IT负责人异议处理”，而写“技术评估阶段，IT负责人围绕数据连接、权限和实施责任连续追问，销售需要识别边界并形成下一步技术确认”。

用四层地图确定训练范围

第一层是商机阶段：线索识别、需求探索、方案共创、技术评估、商务协商或采购确认。本次训练首先要选定哪一段，不必一次覆盖全部链路。

第二层是角色任务：当前角色希望确认什么、担心什么、掌握了哪些信息。角色任务决定AI客户如何反应，而不是由职位名称决定。

第三层是销售判断：销售需要识别目标、补充信息、调整方案、协调资源，还是形成下一步承诺。只有把判断写清楚，训练才不会退化成话术背诵。

第四层是可观察动作：提问是否有效、信息是否被正确使用、回应是否贴合角色、下一步是否明确。这些动作决定评价标准和反馈方式。

知识、场景和评价需要分别确认

需求文档还应区分三类输入。知识输入包括产品资料、客户案例、解决方案、销售方法和内部流程；场景输入包括客户背景、商机状态、竞争条件和角色关系；评价输入则说明企业希望员工做到什么、哪些边界不能突破。

三类输入不能相互替代。资料很多不代表场景明确，有完整方法论也不代表评分适合当前任务。深维智信 Megaview可将企业资料转化为结构化知识，并围绕业务目标构建客户角色、训练场景与评价标准；但企业仍需确认本次需求的业务重点与判断口径。

需求范围还应说明哪些内容暂不进入训练。例如尚未确认的价格政策、需要专业团队判断的技术承诺、只适用于特定客户的实施条件，都不能被默认扩展为通用回答。把不可训练或需要转交的节点写清，能够防止AI角色把复杂销售简化成“销售什么都要回答”。

依托原生Agent驱动的Megaview AI陪练，不同专业Agent可协同完成需求理解、场景构建、多轮对练、评估反馈和分析优化。对于B2B复杂销售，这意味着训练可以沿商机链路展开，而不是只围绕单句问答；客户角色也能随对话动态改变立场，检验销售能否持续判断和推进。

第一批场景如何取舍

需求确认不宜追求数量。第一批场景可优先选择同时满足四个条件的任务：发生频率较高、对结果影响明显、一线差异较大、训练结果可以观察。

企业还可以安排三种难度：基础场景验证关键知识和流程；变化场景改变角色关注点与信息条件；综合场景加入多角色切换和资源协调。分层设计比一次构建“最复杂客户”更容易发现问题，也便于后续扩展。

对于每个入选场景，需求清单至少写明：训练对象、商机阶段、客户角色、业务任务、必备知识、关键判断、典型错误、评价动作和适用边界。这样，产品、业务和培训团队讨论的是同一项任务，而不是各自理解“智能陪练”。

第一批场景完成后，企业应先用少量代表性人员校准角色反应与评价口径，再扩大使用范围。校准重点不是追求更高分，而是检查AI客户是否按照任务合理追问、反馈是否能解释、不同表现能否被区分。发现问题后，判断需要调整的是知识、场景还是标准，不能把所有偏差都归因于模型。

需求确认的结果应当是一张可执行地图

一份合格需求不是功能越多越好，而是能够回答：先训练谁、练哪段商机、面对什么角色、使用哪些知识、评价哪些动作、训练结果如何进入主管辅导。

当商机链路、角色任务与关键判断被画清，AI销售训练才有了可以建设、测试和持续运营的对象。企业后续选择平台或设计试用，也能把真实材料和任务带入验证，不再只比较对话是否流畅。