[论文解读] Enterprise Sales Copilot: Enabling Real-Time AI Support with Automatic Information Retrieval in Live Sales Calls

Jielin Qiu, Liangwei Yang+12 more|arXiv (Cornell University)|Mar 22, 2026

Topic Modeling被引用 0

一句话总结

SalesCopilot 是一个实时AI销售助手，在实时通话中检测客户问题，从结构化数据库检索相关数据，并在数秒内给出简洁答案，与人工CRM检索相比显著缩短等待时间。

ABSTRACT

During live sales calls, customers frequently ask detailed product questions that require representatives to manually search internal databases and CRM systems. This process typically takes 25-65 seconds per query, creating awkward pauses that hurt customer experience and reduce sales efficiency. We present SalesCopilot, a real-time AI-powered assistant that eliminates this bottleneck by automatically detecting customer questions, retrieving relevant information from the product database, and displaying concise answers on the representative's dashboard in seconds. The system integrates streaming speech-to-text transcription, large language model (LLM)-based question detection, and retrieval-augmented generation (RAG) over a structured product database into a unified real-time pipeline. We demonstrate SalesCopilot on an insurance sales scenario with 50 products spanning 10 categories (2,490 FAQs, 290 coverage details, and 162 pricing tiers). In our benchmark evaluation, SalesCopilot achieves a measured mean response time of 2.8 seconds with 100% question detection rate, representing a 14xspeedup compared to manual CRM search in an internal study. The system is domain-agnostic and can be adapted to any enterprise sales domain by replacing the product database.

研究动机与目标

• 通过在现场通话中提供即时、准确的产品信息，减少尴尬停顿、提升销售效率。
• 实现基于结构化数据库的领域无关的实时检索增强生成。
• 提供提供商无关的LLM后端，具备可配置的API以实现灵活部署。
• 在生产级保险场景中演示端到端流式、问题检测与检索。

提出的方法

• 将实时音频转文本（STT）和通过LLM进行的实时问题检测整合在流式管道中。
• 采用问答语义匹配与文本到SQL的混合检索，以实现对结构化数据的访问。
• 让环境配置实现对OpenAI、Anthropic或Google Gemini的LLM后端抽象。
• 生成答案，将问题与检索到的数据综合为简明的2–4句回答。
• 安全只读SQL生成并设有安全层，防止数据篡改。

实验结果

研究问题

• RQ1 在实时销售通话中，低延迟地呈现相关产品信息的AI助手是否可行？
• RQ2 混合检索方法（FAQ匹配+Text-to-SQL）是否能有效将LLM输出绑定到结构化企业数据库？
• RQ3 SalesCopilot的端到端延迟与企业销售中的人工CRM/数据库导航相比如何？
• RQ4 系统在多样化的保险产品问题和类别下是否鲁棒？

主要发现

指标	手动检索	SalesCopilot	提升幅度
平均响应时间	39.7s（内部研究）	2.8s（测量值）	提升约14×
响应时间标准差	12–18s	0.5s	约降低25×
问题检测率	N/A	100%（20/20）	N/A
每10个问答通话时间	6.6分钟	0.5分钟	节省5.7分钟
每日20通电话总时长	2.2小时	0.2小时	节省1.9小时

• 测得20个基准问题的端到端平均延迟为2.8秒（中位数2.6秒，标准差0.5秒）。
• 问题检测率为100%（20/20），覆盖6个类别。
• 手动检索基线为25–65秒，使用SalesCopilot可实现约14×加速。
• 跨产品的对比问题由于Text-to-SQL能够连接多张表，速度提升最高可达23×。
• 答案生成大约占延迟的47%，知识检索约占29%，问题检测约占24%。
• 系统每10个问题可节省约5.7分钟，每位销售代表每天处理15–20通电话可节省约1.4–1.9小时。