让企业客户愿意掏钱的 AI 到底长什么样？

从提供增长工具，到交付增长结果。

就在短短一周内，阿里巴巴将 QoderWork、悟空和 MuleRun 整合为千问办公，飞书并入豆包，腾讯把 QClaw 收进 Workbuddy，同时剑指办公 Agent。从编程 Agent 到通用 Agent，从程序员群体扩散到数量十倍不止的白领工作者——这是各大巨头都已看到的必争之路。

与此同时，另一种 B 端 Agent 正在逐步迎来自己的“Coding 时刻”。那是一个只看增长数字、面向企业专业场景的竞技场：专门为一些专业性强、高价值的岗位打造助理乃至自动化员工。这条路更慢、也更难——它的扩散，无法靠好体验带来的自来水式安利，必须让花大钱采购的老板们看到实际业务价值。

同在阿里体系的瓴羊选择了第二条路。他们切入了直接与收入和增长挂钩的重要环节：营销、售前、销售和售后等。

“我们的 AI 投手帮助某母婴品牌的投放 ROI 提升了 20% 。”阿里云智能集团瓴羊 CEO 朋新宇说。朋新宇在 2004 年加入阿里巴巴，主要负责阿里的数据中台，服务淘宝、天猫等业务增长。2024 年，瓴羊从阿里原有业务体系中独立出来后，他出任 CEO。

相似的例子还有不少：一家家电品牌使用瓴羊的 AI 客服后，售前咨询准确率从 60% 提升至 90% 以上，售后咨询准确率也提升到 80% 以上。另一家入驻天猫不到一年的美妆品牌，使用瓴羊 AI 营销员工后，会员成交贡献从 50% 提高到了 70% 以上。

瓴羊把这些不同行业客户的营销、销售、客服等环节抽象成了标准化的产品基础——AgentOne，一个企业级 Agent 平台。它在去年 9 月正式上线，在今年模型能力和 Harness 框架提升后又经历了重要升级，推出了数个全自动化的 AI 员工。

整合千问办公，是阿里在办公 Agent 战场的出手和野心；瓴羊则是阿里对企业客户 Agent 形态的另一个角度的探索。

在 AgentOne 上线、迭代 10 个月，积累了大量具体案例经验和洞察后，7 月中旬，我们专访了朋新宇。他回答了企业级 Agent 的形态雏形，以及如何让客户用好它。

AI 员工怎么上班

一个电商客服人员正在 AI 客服中创建“用户满意度调研任务”，在填入手机号码后，不到一分钟，手机响了。“你好，这里是瓴羊智能回访中心。”电话另一端的女声很快响起，尾音拉长略带班味，甚至有点儿东北口音，背景里还有轻微的杂音。即使事先知道这是 AI 客服，它开口的速度和“活人感”的说话方式，还是让人想聊下去。2 分钟的满意度“闲聊”结束后，后台已经生成了通话记录和结果标签，供负责人查看。

这是瓴羊的企业级 Agent 平台 AgentOne 为企业客户提供的 AI 客服，也是瓴羊目前提供的四个 AI 员工之一。一个人在后台就可以配置一组 AI 客服。仅客服岗位就被拆分为售前、售后、客服运营和满意度回访等不同角色，每类 Agent 都封装了相应的行业经验和处理流程。客服接待等复杂场景可以用 Workflow，严格约束 Agent 每一步的执行流程。一项任务需要不同能力时，再由多个 Agent 分工完成。在处理退货、故障等售后环节，系统还会有意加重背景杂音，模仿真实的客服电话环境——朋新宇说，这是为了让用户接听电话时更有亲切感。

我们也体验了电商平台的 AI 运营员工怎么工作。首先在 AgentOne 平台选择“运营 AI 工作组”，绑定店铺、设定预算和经营目标后，页面里已经排好它一天的任务。下午 2 点至 4 点，店铺推广 Agent 已经完成三项工作：监控瓴羊学堂店铺的推广计划，分析当天预算消耗并执行策略，查询在天猫平台的推广状态。接下来，它还要盯盘异常消耗，并补充夜间预算。旁边的店铺运营 Agent 则在监控商品优惠券的领取情况。

企业可以修改任意的工作流，但不用从头配置 AI 员工。标准版本已经能覆盖大部分工作，对中小商家来说，这些 AI 员工可以直接使用。瓴羊先把经验丰富的投手、客服和销售人员的工作方法预设成标准流程。朋新宇把它的能力形容成一个“PhD 级别的学生”——“你用就好了，不要教它，你可能还没有它好。”大企业则不同，它们有自己的知识库、数据和业务流程，通常需要 FDE（前沿部署工程师）进场调试。

另外一个场景是会员营销。瓴羊演示了 AI 运营员工怎么做品牌拉新。获得店铺授权后，AI 员工会先调取会员数据，和行业数据比较并分析问题。页面显示，这家店会员规模不小，但活跃会员占比偏低。AI 员工建议先拉新，再经营存量会员。这一步不是把一张会员 Excel 交给模型而已。店铺的会员、交易和投放记录会被整理成 Agent 的上下文，后续的策略制定、素材生成和执行都接着这些数据往下走，把经验梳理成为 AI 服务的数据。

接着它给出一套投放方案：预算 3.8 万元，周期 14 天，预计新增 5012 名会员、带来 160 万元 GMV。前 4 天先小量测试，第 5 天筛选效果更好的方案，之后再逐步放量。商家可以选择让它自动托管，也可以只采用建议，自己决定预算和节奏。

过程中使用的投放素材由另一名营销创意 Agent 生成。几秒钟后，页面上出现了多张商品海报，文案和优惠信息已经设计好。不过商家仍可以修改文字，或上传自己的底图。演示过程中，手机很快收到了广告信息，里面是刚生成的商品海报，点击下方链接可以直接跳转到电商店铺。演示结束后，我们翻看手机里过往收过的广告信息，发现其中一条来自某美妆品牌的广告，带着商品图片、优惠信息和跳转链接，也来自瓴羊的 AI 营销员工。

从“买工具”到“买结果”

早在去年，瓴羊就发布了一系列可以通过自然语言交互、运行在工作流程里的轻量级 Agent，但彼时更像是一个工具型软件。今天的 AgentOne，创造的是能“进入”到企业流程、自主干活的 AI 员工，能交付结果，还能扛起 KPI，呈现出另一种企业级软件的全新样貌。

这些变化源于瓴羊在服务客户时发现，即便给了数据和模型，但很多客户依然搭不出生产级的 Agent。朋新宇说：“比如我今天要投 5000 万元的预算，你敢用一个通用模型直接上吗？显然不。”

企业很难做到三件事：第一，把行业经验转化成可执行的 Skill；第二，把分散、质量不一的数据整理成 Agent 能理解的上下文；第三，改造老系统，让 Agent 直接调用并执行任务。这三道门槛也对应着瓴羊的 AI 员工的任务：Data 帮 Agent 进行业务理解，Agent 承担岗位任务，FDE 把二者接入生产，三者缺一不可。

今年初，OpenClaw 和 Harness 等新实践给企业级 Agent 带来了转机——通过驾驭和编排模型，可以更好地使用模型。Agent 从工具变成了可以进入公司的“员工”。

瓴羊选择在直接影响收入和增长的经营环节入手，搭建 AI 员工。原因有二：一是瓴羊脱胎于阿里十年前成立的数据和业务中台团队，有丰富的数据治理和管理经验，能帮助企业处理 AI 最需要的数据。在企业自有数据的基础上，瓴羊本身也拥有第三方行业数据的链接能力等。二是瓴羊过去十多年持续服务淘宝、天猫等主营业务，帮助平台上的商家解决经营和增长问题，瓴羊在这些场景中有很深的行业经验和数据积累。

现在，瓴羊把电商运营、营销等行业专家的经验转化成 AI 员工的能力。朋新宇说，瓴羊在这方面的经验“不说是第一，至少是行业顶级的 Skill”。

目前，瓴羊 AgentOne 提供线上 AI 运营、营销和客服，以及帮助线下销售的 AI 销售助理。企业可以直接雇佣这四类成品员工，也可以根据自己的需求定制员工，也就是“X 员工”。

以电商运营为例，雇一名可以直接上岗的 AI 投手，只需要三步。首先，打开 AgentOne，在“AI 员工市场”选择店铺运营员工，选择“雇佣”。给员工绑定店铺账号，开放权限，设定经营目标。获得授权后，这名投手会先学习店铺过去三个月的操作记录，检查预算、关键词、人群、优惠券和投放计划，并给出一份初步诊断。上岗后，它可以进入商家后台盯盘、调整计划、生成日报。不过，增加预算、改价等高风险操作，它会先向负责人确认。执行过程中，企业可以随时接管。

过去，企业购买的是一套软件。现在，企业雇佣的是一名承担具体岗位、接受业务指标考核的 AI 员工。

FDE：让 AI 进入生产流程

开箱即用的 Agent 员工是瓴羊从市场侧已经获得验证的产品形态。企业数据是 AI 落地的基础，也提供原材料。但要让企业真把 AI 用起来、跑在业务里，瓴羊还需要用 FDE 把客户的数据、行业 Skill 和 Agent 等连接起来，满足企业客户的个性化和长尾需求，并带来直接的业务结果。

FDE 是目前全球前沿公司的共同探索方向。Anthropic 筹建了一家规模约 15 亿美元的公司，OpenAI 的总投资达到 40 亿美元。FDE 模式的引领企业 Palantir 最新公布的财报显示，第二季营收同比大幅增长 93%，美国商业收入同比增长 149%。

瓴羊的 FDE 并不是新成立的团队。此前瓴羊就有一支“客户成功团队”，团队成员大多有 5-10 年企业服务经验，背景涵盖数据治理、AI 产品、业务咨询、行业解决方案。在 AI 出现前，FDE 团队主要负责咨询、任务拆解和项目交付，要求团队成员既能拿得出好的增长方案，又要有相应行业的技术背景，比如汽车、美妆、营销经验，把方案落地。AI 出现后，FDE 团队还需要懂 AI，能把行业经验抽象成 Agent 可执行的 Skill。朋新宇把 FDE 团队需要的能力总结成“懂业务、懂数据、懂 AI”。

模型能力成熟后，Agent 开始直接承担业务任务。这也改变了 FDE 的交付边界：从“交付项目”变成“交付结果”。过去，软件交付完，FDE 团队的工作就结束了。现在，客服 Agent 部署之后，FDE 通常先测试一周：先从凌晨 1 点到 2 点的低峰时段切入，再进入中午高峰。运行时间也从 8 小时、10 小时、12 小时逐步扩展到全天。每次扩量前，团队都要观察效果、调整策略，直到效果达标。

这种交付从业务咨询开始一直持续到上线后的效果运营。以雅迪客服为例，过去，一名雅迪电话客服每天要接听 70 多通电话，在线客服平均每天要回复约 200 个来自网页、APP、小程序的对话。上班后，客服要打开工单系统、知识库、产品网页等 3—5 个页面，在不同的系统间查询产品参数、门店地址等信息，通话结束后，还要补录客户的问题和处理方案。

2025 年 3 月项目启动，同年 9 月上线。项目开始时，瓴羊的 FDE 团队在雅迪驻场 24 天，横跨十几个部门，做了 78 场访谈。团队一边熟悉两轮电动车业务，一边反复听热线录音，并和客服人员梳理工作流程。调研发现，问题不只在机器人能力，客服背后的部门、系统、流程没有打通，处理一次售后问题需要牵涉十几个系统。瓴羊先统一客服工作台和工单系统，再让热线和在线机器人接走高频、重复的问题。上线后，热线机器人解决率从 20% 提升至 42%，在线机器人达到 78%；高峰期热线接通率从 88% 提升至 95%，平均通话时长从 6 分钟缩短至 4 分钟。

从 SaaS 到 Agent，企业服务的形态在变，企业愿意付费的标准没有变。朋新宇说：“To B 不追求‘新奇特’，要的是‘多快好省’。”企业级 Agent 核心解决的应该是直接影响企业增长的问题。

以下是我们与朋新宇的访谈节选。

企业最愿意付费的环节，首先是增长

晚点：企业经营涉及多个复杂流程，瓴羊的选择为什么是营销、销售？

朋新宇：企业侧首先要找重复发生的工作。在此基础上，我们找到三个最大公约数：哪里最耗人、哪里最耗钱、哪里最耗时。比如跟进一条销售线索，往往要持续两三周，还要反复记录和汇报，营销投放则直接消耗大量预算。这些场景重复、规模大，也更容易衡量结果，所以我们优先从这些直接影响增长的环节开始。场景还要足够确定，规模足够大，也要有足够高的价值。如果只为一个单项任务购买一台电脑就不划算。同样是数据分析，管理一个 5000 万元的投放盘，与分析员工出勤，价值完全不同。

晚点：有什么选择放弃的场景和环节吗？

朋新宇：有些项目客户愿意出钱，我们也不会接。比如之前一家大客户希望用 AI 改造生产供应链中的生产排产流程，预算已经准备好，我最后还是拒绝了。第一，我们没有生产经验，贸然接下来可能做不好。第二，当时只有这一家客户，项目做完后团队很难长期保留，后续服务也无法保证。所以我们不只看项目能不能做，还要看团队是否有经验、需求能否复制，以及能不能长期服务客户。技术上可行，不代表值得做。

晚点：你们重点服务的某些行业，比如汽车，如果行业竞争压力加剧，会怎么影响你们的业务？

朋新宇：企业只要不关门，生意越差，越要在营销和销售上投入。这是一件很拧巴的事，客户自己可能在亏损，但又不能停。库存放在那里有资金成本，也会很快过时。汽车尤其明显，新一代产品出来，旧款就更难卖。所以企业即使降价清仓，也要尽快把库存卖出去。

晚点：其实去年秋天云栖大会就发布了 AgentOne，最近这两个多月上线的新版本，本质区别是什么？

朋新宇：去年我们是提供一个 Agent 搭建平台，希望企业自己去做。后来发现有些客户不具备能搭建出“能用的”Agent 的技术能力。大部分客户可以搭出 Demo，但很难做出能进入真实业务的生产级 Agent。今年我们把方向从“帮助企业搭 Agent”，转向直接交付销售（助手）、营销、客服等 AI 员工。企业搭不好主要是三点：第一是行业 Skill，能不能把行业里的经验，变成 Agent 可以执行的流程。企业不可能把几千万元的投放预算，直接交给一个通用模型。第二是数据治理，企业的数据不只有结构化表格，还有图片、视频和业务上下文，要整理成 Agent 能理解的数据，而且不同任务之间要能共享。第三是系统，企业内部有很多老系统，原来的系统通常不是为 AI 调用设计的，需要重新接入和改造。

晚点：举个具体例子来描述这个区别？

朋新宇：以汽车销售为例。去年，我们把销售流程拆成线索清洗、任务规划、销售策略和到店邀约等环节，分别交给不同的子 Agent。它解决的是每个环节的效率问题。今年，我们把它做成销售顾问和店长的助手，覆盖会前准备、试驾分析和会后复盘。它不只是缩短线索处理时间，还要帮助销售跟进客户、提高锁单率和转化率。

晚点：企业客户怎么判断一款服务的增长 AI agent 产品是否真的有效？他们看什么？

朋新宇：企业 AI 有两种思路，一种是效率为先，一种是效益为先。前者往往追求新功能、炫的技术和更好的体验，但体验高峰过去后，可能又会恢复平常。效益为先不一样，企业要的是“多快好省”，能不能做得更快、更好、更省，这些结果都要能够用数字衡量。做到这些，客户才会有忠诚度。

晚点：在最新版 AgentOne 的这种产品形态下，你们怎么收费？

朋新宇：最大的变化是过去系统交付完就收费，客户后续是否使用、效果如何，与服务商关系不大。现在有些 Agent 项目上线前不收费，真正运行、达到约定效果后再收费。不过，目前也没有统一的收费标准。有的按坐席或资源消耗收费，有的按单次营销活动收费，也有的按 618、双 11 等促销周期收费。大企业更看整笔预算的效果。比如客户原来投放 5000 万元，转化率是 2.1%，我们先和客户约定目标。如果目标是 3.1%，最后做到了 3.8%，超出目标的增量怎么分配，可以再谈。

“瓴羊成立 5 年，但这帮人做增长已经 10 年”

晚点：你们展示的这些场景，尤其是电商运营、线上营销投放还有客服等，都和瓴羊母公司阿里本身的主业直接相关。阿里体系的经验和目前阿里 AI 的一些资源能带来什么助力？

朋新宇：瓴羊的核心团队来自阿里十多年前组建的中台。当时我们服务淘宝、天猫等业务，每天面对的都是增长问题：为什么获客成本变高、转化下降，同样价格的商品卖不动，投诉和退款增加。中台的优势是能看到经营全貌，客服、营销、交易等每一个环节。因为看过更多商家和问题，也更清楚什么方法有效。所以我们今天先做运营、营销、销售和客服，这些都是团队过去十多年一直在解决的问题。

晚点：瓴羊在 2024 年从阿里总部西溪园区搬出去独立办公，2025 年底又回到了阿里云谷，你们现在和阿里云之间是什么关系？

朋新宇：瓴羊是阿里巴巴的子公司，阿里把 AI 作为集团战略，我们需要把瓴羊的业务能力，与阿里云和模型能力结合起来服务企业，所以搬回了云谷。没有太复杂的故事，就是顺势而为。

晚点：和阿里的关系，会给你们争取客户带来什么优势？

朋新宇：过去更多是单点合作。现在，阿里云提供算力、模型和部署能力，淘宝、天猫等业务提供场景和系统入口，瓴羊负责连接企业自己的会员、客服和经营数据。我们开始一起找客户、设计方案和服务客户。

晚点：你们现在出去打单会碰到谁？

朋新宇：以汽车行业为例，和我们产品形态完全一样的，目前还没有看到。字节、懂车帝、汽车之家也在做汽车客户的生意，比如懂车帝主要卖销售线索。我们提供的是进入销售流程的 AI 员工，做法不同，但争夺的可能是汽车公司同一笔营销或销售预算。

为什么国内很难直接复制 Palantir？

晚点：Salesforce 和 Palantir，分别代表了怎样的企业服务模式？

朋新宇：Salesforce 是流程驱动。企业使用之前，要先进行流程编排和流程再造。它把流程定义在软件里，企业的人和组织要适配这套流程。SaaS 本质上是把一套流程复制给不同企业。Palantir 是服务驱动。你很少看到 Palantir 对外讲某个具体产品，它更多讲 FDE，最终以结果作为交付物。它也可以被理解为一种 SaaS，只是方向反过来了：不是让企业适应一套通用软件，而是先用软件完成服务，再逐步把服务产品化。

晚点：为什么 Palantir 的模式在美国能够成立，到了中国却很难直接复制？

朋新宇：Palantir 服务的很多美国企业，已经部署了 SAP 等标准化系统，也有相对成熟的数据平台和接口。它可以站在这些基础设施之上，让 FDE 进入企业，直接解决问题、交付结果。中国企业的系统、数据和业务流程差异很大。进入一家企业，可能要从第一行数据、第一个流程开始重建。别人交付结果，我们却容易变成交付功能。别人站在 18 楼欣赏风景，我们要先重建这栋楼，爬到上面时已经累趴了。举个例子，客户想吃鸡蛋，Palantir 可以去沃尔玛买回来，再把鸡蛋煎好。我们也想煎鸡蛋，但没有地方可以买，只能先养鸡；客户想吃健康、绿色的鸡蛋，我们还要先建鸡圈。等鸡圈建好、鸡养起来，老板可能已经饿死了。Palantir 能拿到大单、按照效果交付，前提是客户已经具备相应的基础。我们却往往要从地基开始做。所以，想成为“中国的 Palantir”，首先要看中国企业有没有让 Palantir 生长出来的土壤。

晚点：中国企业缺少标准化的数据和系统基础，FDE 在企业 Agent 落地中具体要做什么？

朋新宇：今天的 FDE 要懂业务、懂数据、懂 AI。第一，要有行业顶尖的 skill；第二，要做企业数据治理，包括结构化数据、图片、视频和上下文；第三，要把 Agent 与企业原有系统连接起来。大企业有自己的知识库和数据，需要 FDE 进入企业调试，提供工程支持。中小商家则可以开箱即用。

晚点：如果大量 Know-how 最终还是存在 FDE 和人的经验里，瓴羊怎么避免变成一家人越多、才能做越多项目的服务公司？

朋新宇：未来 FDE 团队会扩大，但人数不一定与项目数量等比例增加。比如汽车或美妆行业，一个三人的小团队可能就够了。团队可以把经验沉淀下来，复制成 AI 员工，再把人力投入宠物等其他行业。AI 也会提高交付效率。过去交付一个项目需要三四个月，今年春节后，我们希望缩短到三四周。前几天复盘时，我又说三四周还是大意了，应该是三四天。不同客户的情况不一样，但平均交付周期希望以周计算。过去人的带宽有限，一个专业投手服务不了十家企业。现在可以把他的六到八个工作步骤沉淀为 AI 分身，或者转化为知识工程中的指令。过去他要亲自看盘、盯盘，现在可以同时管理十个账号，只处理规则边界之外的异常。

晚点：Coding 工具的渗透速度很快，企业 Agent 也会以同样的速度普及吗？

朋新宇：不会。To B 的爆发性没有 To C 那么强，但进入一家企业后会扎根更深，客户的业务会持续在这套系统上运行，也不会轻易替换。我们有一家大型医药客户，原来预计要用 3—5 年，才能把 AI Agent 搭建好，实际在数据基座完善的前提下，大约只用了一年半。一年半在 To C 领域听起来很长，但在 To B 领域并不长。不过，单个客户的速度，不能代表整个行业。企业服务还是要一个客户一个客户积累，不会像消费产品一样突然爆发。

晚点：AI 会怎样改变原来的 SaaS？

朋新宇：业务场景不会变，营销还是营销，销售还是销售。变化的是软件的使用者。过去由人通过界面操作，未来更多由 AI 直接调用后台系统。最近海外有一种说法，叫 SaaS“砍头”。不是 SaaS 消失了，而是面向人的“头”被拿掉。底层的存储、计算、编辑、权限和业务规则仍然存在，逐渐弱化的是原来的操作界面。

题图来源：Glengarry Glen Ross