AI news

和四位一线创业者聊聊:ToC Agent 那么卷,ToB 的机会在哪、落地卡点在哪?

By Founder Park1 viewsSource: Founder Park
和四位一线创业者聊聊:ToC Agent 那么卷,ToB 的机会在哪、落地卡点在哪?

过去一年,Agent 已经能接通电话、投放广告,甚至转账付钱。但能执行,不意味着企业敢完全放手。话说出口能撤回吗?广告预算花超了算谁的?钱转错了又该谁负责?

The full text has not been translated yet. The Chinese original is shown below.

过去一年,Agent 已经能接通电话、投放广告,甚至转账付钱。但能执行,不意味着企业敢完全放手。话说出口能撤回吗?广告预算花超了算谁的?钱转错了又该谁负责?

能不能把一项工作从头到尾做完,才是 Agent 落地的真正分水岭。如果最后 10% 仍然必须由人接手,它就可能成为整个流程的瓶颈,自动化带来的效率也会大打折扣。

8 月 3 日,在新加坡的 AGI Playground 2026 舞台上,四位面向企业提供 Agent 服务的创业者展开了一场讨论:WIZ.AI 董事长兼联合创始人陆剑锋、Ateve 创始人兼首席执行官 Eileen Weng、易点天下 zMaticoo Demand VP Bill Cao,以及 Airwallex 空中云汇全球首席营收官吴恺。他们从各自正在经历的真实业务出发,讨论了 Agent 落地最具体的难题。本次对谈,我们邀请了 Stealth Startup 创始人胡少阳作为 Founder Park 的客串主持人。

四家公司切入的场景并不相同。WIZ.AI 用语音 Agent 服务大型企业,Ateve 为 Agent 构建搜索引擎,易点天下正在用 Agent 改造数字营销工作流,Airwallex 希望把 AI 接入全球支付、资金与支出管理。

但他们的判断指向了同一件事。Agent 的下一阶段,不再取决于它看起来有多聪明,关键是能否在企业环境里持续、可靠、低成本地交付结果。

以下为对谈实录,经 Founder Park 编辑整理。

01

从财务到客服,

Agent 正在进入真实工作流

Founder Park:从你们的视角来看,Agent 领域发生的最重大变化是什么?

吴恺(Airwallex):我们是一个 AI 原生的全球金融平台,帮助企业端到端地管理支付、资金和支出。我们看到两项尤其相关的趋势,并围绕它们推出了两款产品。

第一个叫 T0,定位是为创业者担任 AI 财务总监。我们创业之初,很难招到优秀的财务总监。财务背景的人对加入早期创业公司往往比较谨慎,找到合适的人对我们而言曾是一个真实痛点。有了 T0,现在可以帮助初创公司处理记账、财务报告、税务申报,包括资金管理、企业信用卡和员工工资发放在内的所有金融运营。我们希望,在公司规模还很小时,AI 财务总监可以支持创始人,把团队从一两个人扩展到二三十人。而且随着公司进一步成长,T0 仍然可以更深度地嵌入他们的财务工作流。

第二个趋势是 Agentic Commerce。目前体量还很小,但随时可能爆发,就像很多 AI 应用一样。所以我们推出了「Airi」,本质上是一种面向消费者的 Agent 银行服务,支持消费者钱包以及由 Agent 驱动的交易流程。

未来,消费者想通过 ChatGPT 或任何其他 AI 工具购物时,我们可以把他们的支付方式嵌入这些工具,让 Agent 代表他们完成支付。起点是一键结账,未来可能变成零键结账,完全由 Agent 操作,当然需要用户事先授权。

Bill Cao(易点天下):吴恺刚从金融角度做了分享,我从营销角度来谈。我们为营销人员提供全栈营销解决方案,尤其面向中国出海的数字营销市场。程序化广告本质上是一个硬核工程问题,需要应对高并发、超低延迟,并把海量数据整合到同一个系统中。我们正在用 Agent 改造整个营销工作流。

回看六七年前,我们还处于大数据时代,不是 AI 时代。数字营销是个重度数据驱动的市场,海量数据不断涌入,营销人员基于纯数字指标来衡量绩效。行业的核心问题一直是:大家用不同的工具、在不同渠道投放广告、有多个数据触点,但没有一个统一的接入点把所有数据整合在一起。

大约一年半前,数字营销行业刚开始采用 AI 时,企业主要让它完成单项任务,例如检索和格式化数据、汇总和分析数据,或生成广告创意。这些功能彼此分散,AI 只是一个接一个地完成任务,任务之间没有连接起来。

现在,我们把这些功能组合成一套 Agent 工作流。AI 可以贯穿营销人员的整个流程,从数据检索、数据分析,到智能决策,再根据结果继续优化。过去 12 到 18 个月,我看到行业正在向越来越复杂的端到端工作流演进。

Eileen Weng(Ateve):我们正在为 Agent 设计一款搜索引擎,目标是让 AI 能够找到一切信息,从底层为 AI 而非人类打造,因为我们发现人类搜索和 Agent 搜索有根本区别。

首先是搜索频次。传统人类搜索通常只搜一次,比如用 Google。但 Agent 搜索是一个迭代推理的过程,Agent 会根据上一次查询的结果生成下一个查询,所以 Agent 的查询远没有人类查询稳定。

人类搜索可能形成容易识别的趋势,但 Agent 的查询经常出现在中间推理或验证假设的过程中。离开 Agent 正在执行的任务后,其中许多查询本身几乎没有意义。这会改变搜索的优化方式,目标不再只是把人的查询与相关结果匹配起来,而是判断检索到的信息能否帮助 AI 完成任务。

其次,Agent 的需求与人类不同。人类用户可能主要看重相关性和时效性,Agent 还需要结构化输出、低延迟、可控成本和 token 效率。

基于这些,我们看到 Agent 搜索正在从一款简单产品,演变为持续运行的认知基础设施。

陆剑锋(WIZ.AI):我们为大型企业提供语音 Agent,主要用于客户服务和客户互动。客户大多位于东南亚,也覆盖拉丁美洲及全球其他地区。

从今年开始,无论在东南亚还是其他市场,我们都看到了越来越多的语音 Agent 公司。其中一个原因是,开源技术和大语言模型的能力都得到了大幅提升。但做出 Demo 很容易,真正打造一款企业可以使用的应用很难。

对我们而言,最重要的问题是可靠性。所谓可靠的对话,是指 AI Agent 能够像熟悉客户业务的专家一样解决问题、完成互动。效率和成本当然重要,但要排在可靠性之后。

首先需要控制的是响应时间,用户停止说话后,Agent 能不能在两秒内开始回应?这里指的是开始回答,而不是在两秒内说完。

这个问题出乎意料地难,我们在这上面投入了很多时间。我们的语音流量大多通过公共交换电话网、手机或企业电话系统传输。如果延迟像一些聊天机器人那么长,用户会直接挂断电话。

企业还非常关注首次呼叫解决率。企业把业务外包给 BPO 服务商时,会考察客户满意度以及问题有没有得到解决。如果 AI Agent 无法在这些结果上与人工坐席竞争,多数企业就不会采用。这就是我们今年初推出多 Agent 语音系统的原因,可靠性是第一优先级。

Founder Park:最近 OpenAI 推出了新的 GPT-live 语音实时模式,挺出乎意料的。它只是一个 Demo,还是已经真正实用?语音会不会成为人与 Agent 交互的主要方式?

陆剑锋(WIZ.AI):我们也在和 OpenAI 合作测试。使用语音到语音模型做一个 Demo 并不难。但我们为客户提供的不只是语音 Agent 系统,还有配套的评测系统。

如果把整套方案从一个模型切换到另一个模型,我们会用真实对话进行测试:它能完成多少任务,问题解决率是多少,对用户意图的识别准确率如何。通过这类 A/B 测试,我们才能判断一个模型能否正式上线。

这个问题没有简单的是或否。它取决于如何约束和驾驭整个 Agent,以及还需要哪些辅助技术帮助它完成任务。可靠性归根结底就是把事情做成。客户并不太关心我们用了哪种技术,他们关心的是结果。

文章配图

02

Agent 进入复杂业务,

需要不断进化的工程能力

Founder Park:机会越大,工程挑战也越大。Bill,你们的营销 Agent 要实现闭环,还要同时处理高流量和大量操作,这样的工作流是怎样搭建的?

Bill Cao(易点天下):把所有分散的工具和数据源整合在一起。这是我们面临并解决的最大问题之一。

在易点天下,我们已经通过 MCP 对运营工作流中几乎所有工具和数据源进行了标准化。这样一来,Facebook、Google、内部工具、数据看板等不同来源的数据就能汇集到一起,为 Agent 提供更丰富的上下文,帮助它做出更好的决策。

第二,Agentic 工作流是有成本的,特别是 LLM 成本和 token 成本。我们的解决方案是对所有 SOP 进行分类。对于需要深度推理的复杂场景,用高能力模型。高频、常规的场景,比如数据检索和分析,用更便宜的模型。在智能决策与成本之间取得平衡,让整套系统在经济上可持续。

Founder Park:能描绘一下未来营销人员与 Agent 团队协作的场景吗?

Bill Cao(易点天下):我设想,数字营销会变成一个 Agent 对 Agent 的网络。

现在,每家公司都有自己的 Agent 工作流。无论是 Google、Meta 这样的平台还是程序化广告公司,Agent 工具基本都在各自系统内部运行。但未来一两年,行业会逐步走向 Agent 对 Agent 的网络——其实已经有公司在推进了。

今天的程序化广告依赖 OpenRTB 等协议,也就是很多系统共同遵循的 API 标准。未来,一部分交互可能不再需要僵化的固定协议,一家公司的 Agent 可以直接与另一家公司的 Agent 沟通。例如,SSP 的 Agent 可以直接与 DSP 的 Agent 对话。我认为,数字营销的转型会在这里发生。

Founder Park:Eileen,你们在研究「自我进化」这个前沿方向,在产品中如何实现它?

Eileen Weng(Ateve):自我进化可以在很多层面发生,Agent 层、Harness 层,或者模型层。我们开始研究它,是因为传统的搜索优化方法并不适合 Agent。

Agent 发出的查询可能只是中间步骤,也可能是为了验证一个抽象假设。在这个搜索过程中,可能完全没有人的信号,没有点击,也没有直接反馈。你所拥有的,可能只有最初的 Prompt 和最终结果,也就是任务到底成功还是失败。

在这种情况下,我们无法彼此独立地优化排序器、检索模型和其他组件,它们必须整体一起进化。搜索引擎也不能独立演化,必须与 Agent 一起演进。

Founder Park:基础模型的自我演化很可能是大公司的事情。对于一家产品创业公司来说,应该从什么时候开始考虑 Harness 的自我演化?

Eileen Weng(Ateve):刚开始开发产品时,你需要找到模型公司或 Meta、Athrophic 和 OpenAI 这样的大平台不会做的事情,并选择一个能够持续深入的领域。现在仍然有很多困难、专业的工作是模型公司不愿深入的,尤其是具体行业的 Know-how。

举个例子,我们服务很多医疗公司,他们的搜索需求和通用搜索完全不同,他们需要搜索论文,而不是通用问答。创业公司应该深入这类行业,找到模型公司不愿做的工作。

03

Agent 自主权越大,

责任边界越要清楚

Founder Park:Agent 开始执行任务之后,信任和权限就变成了关键问题。什么时候需要 human in the loop,什么时候 human on the loop 就够了?吴恺,你的业务直接涉及资金,这一点尤为重要,怎样在 Agent 能力和权限之间取得平衡?

吴恺(Airwallex):这是所有 Agent 公司都要面对的问题,对金融服务尤其重要。我们的方法基于两点。

第一,重要决策的控制权仍然属于用户。有些操作不可逆,比如让 Agent 为员工发工资,或者向供应商转账。钱一旦转出,就不能简单撤回。面对这类决策,我们一定会要求 Agent 获得人的授权。授权可以有不同形式,比如把一批交易统一提交审批,但控制权始终掌握在用户手中。

另一些决策可以撤销。在这些场景里,我们希望尽量减少对人的打扰。比如 Agent 做记账工作,在账簿中添加一笔会计分录,就没有必要让人介入每一次操作,否则整个工作流都会慢下来。

第二是可追溯性。Agent 执行的每项操作都应该可以追溯,用户能看到它做了什么、改了什么,也可以通过工具撤回。我们还在建立操作的反馈闭环,让 Agent 从错误中学习,未来避免类似失误。

消费者交易会更复杂。如果 Agent 代表消费者购物,一旦出现退款争议或欺诈,最终由谁负责?目前,答案仍然是用户,因为用户是持卡人,也是交易的授权者。我们正在与卡组织和其他支付方式提供商合作,研究 Agentic Commerce 场景中的拒付和授权争议该如何处理。

Founder Park:未来,交易会不会主要通过对话完成?比如我只要告诉 ChatGPT 或另一个 Agent,向吴恺转账 30 美元,它就能直接执行。

吴恺(Airwallex):从技术上说,现在已经可以做得很好。在 Airwallex 的网页应用里,你可以告诉 Kai Agent,自己想向某个人发起一笔转账。它会在后台创建转账,你确认之后,款项就会发出。

更有意思的问题是,我们究竟应该给 Agent 多大的自主权。它只负责创建转账,还是收到指令后也可以直接把钱发出去?我们对完全自主仍然比较谨慎。目前采取的是相对保守的方式,Agent 在后台创建转账,但真正执行前,用户必须点击确认。

从技术上说,实现完全自主并不难,真正的问题是责任归属。

Founder Park:剑锋,你们面对的是实时语音对话。Agent 说出口的话无法撤回,怎样控制它的边界?

陆剑锋(WIZ.AI):智能的本质是解决问题。人类智能同样会犯很多错误,因此,信任来自你能多好地控制和减少错误。

AI 和人有不同的优势。比如,我们有些客户一小时要处理超过 100 万通电话,AI 可以稳定地避免违规回应,无论是监管机构禁止的话,还是容易激怒客户的措辞。这种一致性,用 AI 比用人更容易做到。

但 AI 仍然有很多薄弱点。我们需要设置护栏,阻止 Agent 回答职责范围之外的问题。也有人会尝试通过语音进行 Prompt 越狱,因此系统必须先识别和过滤这类攻击,让 Agent 忽略这些指令。与普通人工工作流相比,AI 系统需要更多保护层。

我职业生涯最初 15 年都在做网络安全,攻防从来是一场持续的较量。针对 AI 系统的威胁已经出现,但我们也不能为了所有假设中的威胁过度提前建设,否则防御机制会推高延迟和成本。

我们的做法是持续监控新威胁,针对真正出现的问题建立防御。信任因此包含两个层面,一是在现有方案中控制已知风险,二是在新威胁出现时开发新的应对技术。否则,整个业务都可能陷入危险。

04

做到什么程度,

企业才愿意把人的工作交给 Agent

Founder Park:对公司而言,怎样判断一个 Agent 真的有效?客户为什么会使用它?

吴恺(Airwallex):我会用一个 2×2 矩阵来理解 Agent 的成功。一个维度是执行能否形成闭环,另一个维度是智能是否构成瓶颈。

最理想的情况是,执行能够闭环,同时智能是主要瓶颈。AI Coding 是最典型的例子,系统可以完成整个执行闭环,最终交付代码,效果主要取决于智能水平。全世界都在寻找下一个像 AI Coding 一样有吸引力的用例,但目前还在探索。

第二类场景也是包括 Airwallex 在内的很多公司正在做的,即智能并非瓶颈,但执行可以形成闭环。我把它称为自动化。对账或代表客户完成财务操作,未必需要最前沿的智能,但 Agent 可以完成工作,把整个流程自动化。Agentic Commerce 往往属于这一类。

衡量这类 Agent 的关键,是它能不能端到端完成工作流。90% 和 100% 之间存在巨大差距。如果 Agent 能完成 100% 的流程,采用速度会快得多。Agent 化改造必须渗透到每一个环节。如果最后一公里仍然由人完成,这一步就可能成为整个流程的瓶颈,大幅降低自动化效率。

我还经常思考另一个问题,让 AI 关注那些过去被人忽略的决策,工作流真的会变得更好吗?比如,一个过去每月只复盘一次的决策,现在 AI 可以每天甚至每小时复盘,能不能因此带来实际改善?

最后一类是执行无法闭环,同时智能又是瓶颈。在金融领域,很多操作都是这样,因为我们不希望 AI 对不可逆的操作做出确定性决策。这类产品通常被称为 AI 助手或 Copilot。人仍然要完成一部分步骤,AI 负责协助操作或思考。它们同样有价值,但不会像 AI Coding 那种闭环场景一样具有颠覆性。

Founder Park:Bill,你用什么指标判断客户成功?

Bill Cao(易点天下):行业变化太快,不同阶段对成功的定义也不一样,六个月后可能就会完全变化。

目前,我们的目标是构建一个从识别、诊断、执行到评估的完整闭环。现在的瓶颈是评估,因为必须考虑风险。我们虽然不是金融科技公司,但如果 Agent 超支了广告主的预算,同样会造成严重问题。

评估环节目前仍然需要人提供输入,为 Agent 补充上下文。所以,我现阶段对成功的定义,是从识别到评估形成完整闭环,同时把评估阶段所需的人工输入降到最低。

另一个维度是行业层面的价值。随着越来越多企业开始采用 Agent 和 Agentic 工作流,怎样推动我前面提到的 Agent 对 Agent 网络的形成,是整个行业需要面对的问题。我们希望把自己在 AI Agent 上的实践经验带给行业,成为这个方向的先行者——这也是我定义成功的一部分。

Eileen Weng(Ateve):我们服务很多 B 端企业客户,会通过几项标准判断一个 Agent 是否真正完成部署。

第一,Agent 是否在真实业务流程中运行,而不只是一个 Demo,必须在生产环境中解决真实问题。

第二,Agent 是否能访问真实数据,包括 CRM、邮件等内部系统,而不只是网上的公开信息,这样才能真正进入业务闭环。

第三,Agent 是否可靠到不需要有人盯着看?如果需要全程监控,就不算真正部署。

满足这些条件,才算真正部署。它的成本还必须低于所要替代的流程。Token 目前仍然昂贵,如果 Agent 比人工更贵,它在经济上就无法成立,也不可能规模化。

陆剑锋(WIZ.AI):我们的 AI Agent 以 100% 自动化为目标,通常采用 human on the loop,而不是 human in the loop。对客户成功的定义有两层。

第一层,是像人一样把事情做好。首先,AI 不能犯不可接受的错误。例如,在促销活动中,不能向客户作出公司没有授权的承诺。其次,它要取得与人工团队大致相同的结果。达到这条线,就意味着它能够像人一样完成工作。

第二层,是利用 AI 的能力把工作做得比人更好。但第一层是基础。如果 AI 连基本要求都达不到,即使拥有更先进的能力,企业客户也不会接受。

以外呼营销为例,一家银行可能希望向现有客户介绍另一款产品。客户会先安排五到十名人工坐席,我们测量他们的转化率,再让 AI Agent 在随机 A/B 测试中完成同样的任务,比较最终结果。

如果 AI 的结果不够好,我们会判断它的对话是否达到了人工团队的水平,以及怎样让它不只是像一个人,更像一名优秀的电话销售。对于先买后付的还款提醒,我们会比较 AI 与人工团队的最终回款率。

AI 目前还不能在所有场景中与人竞争,但已经能够处理大多数对话。下一步要问的是,AI 能不能做得更多?比如,它在提供服务时,能否从对话中提取客户洞察?运行一周之后,能不能告诉企业,某款产品或服务可能出了问题?

人工客服团队很难汇总这类洞察,尤其是过去大多数语音对话没有被数字化和分析。AI 可以在这件事上做得更好。不过,我们目前仍然专注于解决第一层的问题,这也是为什么 WIZ.AI 今年的关键词是「可靠性」。

05

模型变强、成本下降,

企业离 AI 原生还有多远

Founder Park:Agent 的未来让人期待,但为什么还有这么多企业没有真正用起来?瓶颈是 Token 成本、部署人才,还是企业很难转向 AI 原生?

吴恺(Airwallex):有两件事让我对未来保持根本性的兴奋。

第一,模型仍在不断进步。今天许多无法解决的问题,本质上仍然受限于模型智能。如果智能继续提高,很多当前无法完成的任务,就可能进入我前面提到的第一类,执行能够完全闭环。如果我们不再需要如此担心幻觉、越狱和类似风险,这件事就有可能发生。

第二,我相信 AI 会继续在企业内部扩散。Airwallex 自身也才刚刚开始采用许多 AI 能力。过去 12 个月,外界对 AI 的预期被拉得非常高,所有人都担心错过机会,希望快速投入。我们甚至要求公司每一名员工都使用 AI。

但很多技术和应用可能还没有准备好,应用层也存在过度投资。基础模型层面的持续投入有充分理由,因为智能还有很大的提升空间。

如果看未来 18 到 24 个月,我非常积极和乐观。但接下来三到六个月,很多公司会重新审视,自己的 AI 支出是否真的带来了预期回报?

Bill Cao(易点天下):六个月后,数字营销领域的每家公司都会在某种程度上使用 AI。但在整个 AI 原生转型过程中,我认为企业组织架构才是真正的瓶颈,而不是技术或模型。

每个人都说「我们要拥抱 AI」,但这究竟意味着什么?这是一句很抽象的话。像我刚才提到的,通过 MCP 对工具和数据库进行标准化,是其中一种方法,但真正这样做的公司并不多。我认为这才是 Agent 未来发展的真正瓶颈。

如果企业能让自己的系统变得更加 AI 原生,就能在不久的将来真正采用 AI 和 Agent。至少在数字营销领域,我不认为 Token 成本是主要瓶颈,因为能力更强、价格更低的模型还会不断出现。这个领域的企业不应该害怕尝试,先试一试,看看是否有效。如果没有效果,就换一个方向。这种愿意实验的态度,也是 AI 原生思维的重要部分。

Eileen Weng(Ateve):关于 Token 成本,我有一点不同看法。目前它仍然是 Agent 落地的重要障碍。但日前发布的 DeepSeek v4 等模型非常明显地显示,Token 的成本正在逐日递减,并且基本的 Token 消耗是可以预测的。在多 Agent 任务中,Token 消耗可能很大,而且很难预测。未来 Token 或许会变得非常便宜,但今天最昂贵的是「错误的 Token」。

所谓错误的 Token,是指 Agent 探索了错误路径,以错误方式执行任务,或犯错后需要返工。之后,人还要审查它的工作,解决由此产生的问题。成本并不只是第一次推理调用。

企业仍然存在几道鸿沟。第一是信任鸿沟,人们不信任 Agent 去处理核心工作,也很难清晰划分 Agent 与人的工作边界。

第二是数据鸿沟,Agent 往往没有权限访问企业的核心数据,因此无法真正完成有意义的工作。

第三是组织鸿沟。传统企业的层级结构并不是为 Agent 设计的。每个人都有明确权限,但 Agent 未必能够理解这套结构。很多公司甚至无法定义自己究竟希望 Agent 做什么。

在这种情况下,单纯的模型能力并不是决定因素。你可以做出一个很强的模型,但 Agent 能否在企业落地,可能取决于前沿部署工程师。他们需要把业务语言转换成 Agent 能够理解的形式,包括企业的上下文、历史和流程。

陆剑锋(WIZ.AI):我预计,可靠性问题会在未来六个月得到大幅改善。届时,大家的关注点会从单纯把事情做成,转向获得更好的成本结构。人们会开始区分,哪个是最好的推理模型,哪个模型响应最快,哪个最具成本效益。

现在大部分方案都只调用最好的模型。未来我们会像组建人才团队一样组建 Agent 团队,接待工作要招聘适合做接待的人,战略岗位则可能从新加坡国立大学、南洋理工大学、斯坦福或麻省理工寻找人才。不同岗位需要不同水平、不同类型的能力。

这种转变已经开始。今年年初以来,我们看到许多「Token 工厂」公司的收入增长得非常快。

我同意 Eileen 的判断,现有的组织基础设施是为人类设计的。最困难的任务,是把它改造成适合 AI Agent 的形态。即使是我们相对独立的客服场景,融入企业业务流程仍然困难重重。今天是让 Agent 去适应为人设计的组织,未来则可能需要重新设计组织基础设施,让它适应 AI。这种改变需要更多时间。

文章来自于"Founder Park",作者 "Founder Park"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)