E248｜一个“催发货”AI要跑通260步，和阿里瓴羊朋新宇聊聊中国式FDE

哈喽，大家好，欢迎收听硅谷幺零幺，我是泓君。

企业软件市场有一个老规律：客户每花1美元买软件，就要再花6美元把它用起来。那AI时代，这6美元的生意正在被重新分配，这也是所有巨头突然冲进B端的原因。我们之前讨论过AI是不是泡沫，答案不在聊天框里，而在企业的账本上。

在那之前，我们其实聊过一期FDE的节目，讲AI如何进入企业级市场。评论区分成了两派：一派认为AI真的在帮助企业落地，另一派则质疑，20年前就有驻场开发，这是不是换个名字、新瓶装旧酒？所以，我们决定找一个真正做这件事的人，当面问一问。

这期嘉宾是阿里巴巴集团副总裁、瓴羊CEO朋新宇，他可能是中文世界里最有资格回答这个问题的人。他是阿里数据中台方法论的创立者，过去几年帮助几百家中大型企业搭建数据平台，带着团队做这件事已经5年，比FDE这个词流行的时间还要早。

我们之前的播客讲过FDE的硅谷叙事，这期我们就来讲一讲一个个具体的中国案例，以及案例背后的那本账。下面就是我与朋新宇的对话。

小鹏，你好。

你好，泓君。大家好。

我知道你也是阿里数据中台方法论的创立者，要不要先简单介绍一下自己，以及瓴羊具体是一个什么样的公司？你们现在具体在做些什么？

用一句话来说，它属于企业服务的范畴，我们叫企业级增长Agent。我们的核心，还是帮助企业做消费流通。

过去硅谷讲的都是C端故事。最开始这一轮大模型起来的时候，大家都在说，谁的产品先冲上App Store第一名，谁的日活先破亿。但是从今年上半年开始，我觉得整个硅谷的风向变了。

比如，OpenAI成立了专门的部署公司；Anthropic拉着黑石和高盛，做了一个15亿美元规模的合资公司。最近微软也有新的动作，新成立了一个运营部门，叫Microsoft Frontier Company，背后是25亿美元的投资和6000名工程师。他们也说，自己要超越所谓的FDE概念本身。亚马逊也在投入数十亿美元，专门打造这样的组织。

所以从今年开始，我在硅谷观察到的一个现象就是，整个AI战场正在从C端回到B端。OpenAI的FDE在旧金山的中级岗位，基础工资是16万到28万美元。传统的解决方案工程师，大概是比这个职位高出了60%。

小鹏，你们有没有FDE这样的职位？你觉得这个岗位需要什么不一样的能力？为什么它会比市场上传统的驻场运维价格高出这么多？

国内也在关注这个问题，但是如果换一个名字就能够实现工资升级，这不符合企业逻辑，也不符合市场逻辑。背后的本质，还是东西稀缺，或者说这类人才稀缺。只有稀缺，才会有溢价空间，才能用这个溢价换发展的时间。

那到底稀缺什么东西？原来这拨人做运维，就是这个系统怎么样，我保证它健康运转。但如果没有做任何变化，它凭什么要有溢价？

今天我们看到，如果要做好FDE，刚才讲的其实就是3个能力。第1个是要有AI的锐度，第2个是要有行业的深度，第3个是要有数据的宽度。这3类能力结合在一起，才能让今天这套系统真正运行起来。

不是说它现在是不是正常运行，而是它的运行是不是按照我的业务目标，在往好的地方发展，还是在变差。好的地方，我怎么让它更好；差的地方，我怎么干预它、调教它？这个角色是原来仅仅做运维的人做不到的，必须在运维之上，进一步理解业务和数据。

他还要能够调整技能、数据语料和上下文，包括一些memory的管理。这些工作在传统交付中并不存在，或者说，是传统交付不会遇到的问题。这就是最大的差别。

听起来，对人的要求还是挺高的。

最终，一个成熟的业务，企业要么有这类人，能够兼顾这几个领域；要么像大型客户一样，有我们这样的团队持续运营陪跑。我觉得这两种未来都有机会。

FDE我们其实刚刚也做过一期节目，很多听众就在节目下面留言说，这个FDE是不是以前的驻场运维、驻场开发？是不是又换了一个新名词？你觉得现在瓴羊跟客户接触时，提到FDE，它跟传统的驻场开发、驻场运维之间，本质区别在哪里？

最终我觉得，本质的变化是，原来交付的是功能，现在交付的是业务效果。

如果从AI这个大语境下拆成3个方向，第1个是以业务结果为导向。我们要找到正确的问题，这个问题一定要有业务目标、业务数字和业务过往的历史记录。如果用AI的视角来讲，它能构建一个测评集，构建一个指标体系。

第2个是以企业数据为基座。今天我们如何构建一个企业数据体系，让Agent能够调用大模型的能力，既保护隐私，又发挥大模型最大的智能上限？

第3个是以岗位标杆为预设。为什么我们会去定义首席客服Agent、最佳投手Agent，以及最佳销冠Agent？其实是因为我们把企业内部岗位的标杆，作为Agent的预设。它起步可能就是一个工作了5年、10年的投手或客服。

所以，虽然它的名字叫FDE，但它也有一个很传统的词，叫CSM，也就是客户成功。我们希望客户成功最终对业务结果负责，让业务一点点变好，我们叫better and better。

我理解，这一轮我们讲FDE和企业级部署时，跟之前几轮的根本区别，就是它是有结果的，而且结果可以验证。不管是成本削减、效率提升，还是新业务拓展，都是以结果为导向的变化，确实能够帮助企业。

对，而且是以企业业务增长为结构、以可度量为标准的结果。

企业侧和个人侧最大的不同在于，企业使用AI，是希望找到重复的工作，用AI以最高性价比、最高效率去解决它。个人可能是在寻找AI的上限，突破自己的边界；但企业很多时候是要约束边界。

能不能举个例子？

To C经常会听到一个词，叫“新奇特”。这是个人体验，让我眼前一亮，但用完以后，过一两周就会变得稀松平常。

但对于企业来说，是另外一个词，叫“多快好省”。不过它一定有一个参照系，比较一定是基于参照系的。

我们帮助过一些3C数码客户，其中有一个环节叫催发货，它有3类不同的处理方式。第1种是，比如我买了2台空调，但是你只发了1台，所以客户打电话过来催。这个流程是核查订单、查询库房，再派单发货。

第2种是催配件。我买了空调，但你忘了发一个配件，客服要找到配件仓库，然后再把配件发出去。第3种也是催发货：我买了一台空调，确实收到了，但你当初答应赠送一个电饭煲，为什么没有送到？

就这么一个催发货的环节，最后客服售后流程大概有260多步。

260多步，这么多？

对。

我理解就是，客户打个电话，客服接起来以后，要去跟内部流程沟通，是这个意思吗？

难就难在这里。内部流程有的在内部系统，有的在外部系统。比如有些电商企业同时在多个平台经营，有的在京东，有的在天猫，有的在其他平台。

有些配件可能客户还要重新下单。

对。两百多步背后，能够覆盖95%以上的情况，可能只有5%会出现新的问题。但这95%的流程，需要我去熟悉，再去招聘客服、培训客服、让他上岗并进行考核，其实都有非常确定的标准。

那我如何快速让客户拿到货，并且满意地拿到货？如何让客户不投诉，也不因为想要投诉来索赔？我们通过销售Agent、客服Agent，以及和Agent One的结合，来解决这些问题。

我昨天正好和同事复盘了一些案例。其中有一家客户，希望超越现在的传统机器人。我们发现，它从上线开始，效果就比传统机器人好。昨天复盘时已经看到，它的表现逼近，甚至超出了人类最佳状态的平均水平。

所以，这类工作在企业侧是普遍存在的。它有边界，同时有巨量重复不断发生。我们把这些场景归纳成3类：第1类，哪里耗人最多，比如打电话、接电话和处理投诉；第2类，哪里耗钱最多，比如赔款止损、营销投放，以及各种素材试验；第3类，哪里耗时最多。

比如我们经常打电话给客户说，为什么货还没到？客服通常会说“不好意思，我帮你查一下”，查了半天没查到，再说“我晚点给你打电话”。这往往以小时甚至天为单位，对客户来说消耗的就是耐心。超过1个小时，客户可能就要退款。

不是所有场景都能用刚才讲的业务结果导向来解决，一定要是业务结果非常具体、可以度量的地方，比如耗钱最多、耗时最多、耗人最多的地方。

你刚刚举的这个例子非常有意思。传统意义上，我们理解客服以及客服机器人时，想到的都是客服如何用更好的态度去应对消费者的投诉，或者进行语言沟通。

但你刚才讲的这一点让我意识到，客服最重要的是解决问题的能力。而解决问题的能力，其实跟整个公司的业务流程、每一个环节如何运转，以及背后的一整套系统有关。我们可以把这些东西都称为数据，都记在脑子里。

现在就是让AI把背后的一系列体系打通。不仅人能够解决问题，只要数据打通，AI也可以解决问题。

但我很好奇，催发货可能有配件问题、赠品问题，也可能是多个订单重复下单的问题。整个过程可能涉及企业内部如何运转，以及它的核心制约因素是什么。你们是怎么跟客户一起梳理出核心痛点的？这个过程会花多长时间？

我们有一支队伍，叫SCSM队伍。

比如在中国的线上销售中，淘宝、天猫是非常大的体量。我们这些人陪伴客户成长的经验，都是多年来在这些平台上积累起来的，所以我们自己有一套最好的SOP，比如对催发货和售后业务流程的理解。

今天AI的实施，可能和传统软件实施最大的不同在于，传统软件实施是交付一套系统。AI实施如果类比成交付一套系统，其实还不够准确，它更像是我们新雇用一个员工。

比如这个客服、营销人员或者销售人员，默认就有技能，能够自动处理工作，达到一个在市场上招聘来的、拥有5到10年工作经验的员工的水平。这个人进入你的公司以后，你只要给他权限、目标和裁量权，他就可以去工作。

而不是今天给你的同事买一套系统、买一套工具，再让他从头学会怎么干活。这两者有本质差异。

刚刚提到催发货这样的场景。假设一个标准的电商企业，它需要雇佣多少个AI员工？

这要根据业务体量来。有的企业是销售金额的2%到3%，有的是3%到5%，各个企业不一样。几个百分点，可能就是客服成本。

今天使用AI，一定要么是在同样的成本之下做到你原来同样效果之上的业务结果，才能说这件事是work的。

它是所有企业都可以通用使用的吗？比如你刚刚提到的客服、投手和营销治理，我理解这就是耗人最多、耗钱最多、耗时最多的3个典型工种。企业在具体应用时，都是用得很好吗？

会不会有一些企业内部的数据本来就不完整，所以他们上手会比较困难？

是，这就是我们今天讲FDE时提到的第2条：以企业数据治理为基础，这一点非常关键。

比如从我这里雇佣一个工作了5到10年的员工，但他进入企业以后，发现企业的基础信息和知识库都是混乱的，那这个人进去也会傻眼。所以我们雇佣这个员工以后，对大型企业来说，它有自己的私有上下文和各种知识库。FDE在这里的工作，就是帮助企业梳理和治理数据，让这些数据真正data for agent。

我们曾经帮助一家企业，它同时在淘宝、天猫、京东等多个电商平台经营，也在抖音上做投流。它发现自己有好几个投手，但投手和投手之间的水平差异非常大。

我们对这几个投手过去3个月的投放行为进行分析，发现做得最好的投手，3个月里进行了超过1万次出价调整。做得一般的投手，按100天计算，可能只做了100多次；有的投手大概每天操作1次，另一个投手平均每天操作100次。

这个差异如果靠人去学，靠老师傅带新徒弟，很难学会。这正是AI通过哈里斯工程进行自我学习和进化的地方。

如果把工作理解成几个基本元素，第1个是学习，也就是数据采集；第2个是建模；第3个是执行；第4个是迭代。

原来很多企业会说，这件事是我的经验。但很多经验一定有它存在的场景，而这个场景也一定有局限性。什么情况下它没有局限性？就是把你过去3个月所有的行为进行数字化度量和学习。基于这种学习，AI对你的行为进行总结、提炼和发现，一定会比人更加全面和深刻。

所以我们把这些东西变成数字员工的技能之一。它未来可以基于每天新的对话、处理的异常信息、bad case和good case，不断进化，形成这样一种工作模式。

在企业侧，这样的环境是通用的，但每家企业工作的细节并不通用。这个环境正好就是我们的Agent One能够提供的：从数据收集，到模型建模，再到工作技能的梳理、任务执行，最后实现进化迭代。

所以AI其实是在向人类最优秀的投手学习。比如90天进行1万多次出价调整，这是人做的调整，还是已经形成了一套机器建模的方法论，会在系统里做很复杂的设置？

所有操作其实都是人在做的，只是他可能借助了一些工具，但这个行为在物理上确实是有人在做。

我发现这个点很有意思。刚刚我们讲客服时，我觉得企业内部的数据很重要。你刚才讲到投流的例子，我理解现在市场上，不管是淘宝、天猫还是其他广告平台，几个大平台都比较相似。

这一类Agent产品，是不是一个比较标准化的产品？

对。国内最大的SaaS平台就是这几大电商平台。它们已经形成了最大的公约数，下面的素材、价格、系统和数据都已经标准化了。

所以，这部分已经占到企业培养投手所需的数据准备和系统学习能力的80%。FDE站在这个巨人的肩膀上工作，这个基础非常重要。

只是类比来说，中国没有一个独立的SaaS公司，而是中国的平台企业承载了SaaS公司的能力。所以这些能力在AI时代可以被利用起来，发挥更大的价值。

我们刚刚提到，AI正在向人类最优秀的投手学习。我相信不管是现在还是未来，它的工作能力一定会比人更好。但只要AI投得比人好，就会带来一个结果：大家会更多地使用这类AI工具。

当所有人都在使用工具时，你觉得这种差异会被抹平吗？最终它真的是生产力提升，还是只是一种先行者优势？

如果用传统的生产三要素来讲，就是生产资料、生产力和生产关系。现在这个阶段，大家都在提升生产资料的能力，有更好的算力、更好的智能，让个人生产力的边界变得更大。

但我觉得未来的提升，是通过AI制造新的生产力。比如我就是一个在线24小时的投手和服务人员。我觉得这就是时间先后，不可能永远有绝对的竞争优势，一定会有一个时间窗口。

在这个时间窗口之下，谁能更好地拥有和运行自己的数字员工，在企业侧为增长服务，谁就可能领先。第二个，能让这种领先持续一点的，还是要回到企业自己的核心生产资料。

不管是过去还是今天的AI时代，企业最大的生产资料就是数字化，这部分仍然有很大的文章可做。大家经常看到，我们建一个数据平台，可能只是给内部看数用；但今天数据系统是给AI用的，建得好不好，在这里就会产生差异。

一个企业的数据平台建得好不好，区分点是什么？什么是好的数据平台，什么样的不是？什么样的企业能建成好的数据平台？

“好”也是相对的。对企业来讲，我觉得还是比较可以度量的，最终要落到具体的业务效果上：能不能产生正的经济效益？

今天交付完一个Agent，或者交付完一个系统，其实才刚刚开始。企业真正要做的是让这些数字员工上岗工作，为你接单、接流程、推进工作任务。交付完成和真正开始使用，是两回事。

原来数据平台交付完这套系统就结束了，今天交付以后还要真正用起来。用得好不好，最终要用业务结果来买单。

从去年到今年，大家都开始谈企业使用Agent。现在企业用Agent到了哪个环节？已经到了可以验证交付结果的阶段，还是刚刚开始？

从我们服务和接触的客户来看，存在结构性差异。走得比较快的，可能是数字化基础比较好、原来在电商或互联网领域积累比较多的企业；还有一类是大型企业，它们内部原来的IT和信息化基础做得比较好。

我们现在看到，在投手、客服这些领域，已经有不少企业在使用了。换句话说，大部分真正做出效果的企业，反而不会主动去讲。

今天企业和To C不一样。To C有一个新的、好的功能，立刻就会让全天下知道；对企业来说，只要这个效果持续存在，它就会持续使用。最终还是用结果来买单。

今年你们谈客户时，要让他们把一部分系统放在Agent上，是从上往下推动，还是从执行层自下而上跑起来？今年企业对AI改造业务流程，整体是什么态度？

两者都有，但目前我们看到，进展顺利的更多是自上而下的，因为这涉及生产关系的问题。

自上而下时，业务的一号位既能决定IT费用，也能决定业务费用，他才能够算总账。自下而上的时候，我们也遇到过相反的例子。

曾经有一个客户，它的某个业务部门想做业务Agent，但今年没有预算；IT团队有预算，可IT团队和业务部门又不是同一个部门。我们在这个过程中发现，需要通过业务方案设计，既满足IT的先进性，也满足业务的实际效果。

生产关系确实很难处理，因为IT要的先进性，不一定是业务要的效果；业务要的效果，也不一定是今天最先进的技术。

反过来，成功的案例是一些比较传统的企业或制造业企业。它们的董事长非常明确：今天必须拥抱AI、用好AI。比如他选定销售端，从一个区域开始自上而下推动。

自上而下以后，财务、IT以及销售线都动起来。生产关系重新发生变化后，销售Agent又从一个区域复制到全国，形成了非常快速的推进局面。

企业推动这部分业务时，会涉及大量内部数据。各个流程、各个部门的数据，以及一些方法论，都要拿出来做成Agent。企业在跟你们负责前端部署的人沟通时，会不会对此有所顾虑？

这是个好问题，也是我们的优势。过去4、5年，我们帮助几百家、上千家中大型客户部署数据平台。原来部署数据平台的过程，本身就已经帮助客户完成了数据治理和打通。

所以基于这个平台去发展业务，今天就是水到渠成的事情。新的企业在构建Agent时，可能要花很多代价，先构建企业级数据管理、清洗和治理能力。但我们过去积累了几百家大客户，它们持续在数据平台上做数据积累，基于这个基础发展应用就比较方便。

我理解，你提到的大客户，很多都是之前已经和阿里有商务合作的客户。你自己又是做数据中台的，所以沉淀了很多数据。

是的。

如果大家跟你们合作一个这样的Agent，商业模式是什么？最终数据是在企业端、阿里端，还是大家共有？

这其实是两个问题：一个是商业模式，一个是技术模式。

商业模式基本上有两大类。第1类是按坐席收费，也就是按照工作量收费；第2类是按效果收费。

第1类，比如刚才讲的客服，原来需要500个人接管一年的服务。今天我们用相当于500个人的价格，可能以八折或九折的投入，做到原来一样的效果，这叫按照成本、人力成本替代的转化逻辑。

第2类是基于营销、投手等增长场景。比如你原来的转化率是20%，如果做到超过原来人工转化率的部分，我们就进行分成。

现在按效果付费已经真实发生了吗？已经有客户达成效果了吗？

肯定有，而且是连续续费、持续服务中的客户。

我们首先默认，所有做生意的人都比我聪明。今天他能算得过来这笔账，才会续费和继续服务。不要默认我们能比客户更聪明，也不要试图包装一些东西，让客户基于包装产生溢价。

过去我们有个词叫PUC，现在可能叫MVP。今天不需要做太多概念论证，因为你面对的是一个数字员工，上来就能体验、就能使用。最终还是要基于客户的业务单元和数据单元，做一个最小可行的价值验证。

客户最终验收通过，就继续使用。这才是一个相互信任、具有持续黏性的服务方式。

你刚才还问了技术模式。这里可能有3个词：定制化、标准化，还有个性化。

过去大部分企业希望用定制化的方式，去满足企业标准化的流程。每个企业都可能说，我的工作流程和别人不一样，你要为我定制。于是就把企业内部已经运转得很顺的流程，不管是8步还是10步，刻画下来，叫作定制化，用定制化解决标准化问题。

但标准化能不能做好，要看企业对业务流程的理解和总结是否到位。如果到位，这确实有效；如果不到位，可能只能解决30%的问题，之后每天都会出现60%到70%的新增问题，最后就会变成一个又长又久的系统交付工程。

今天的哈里斯工程，能够把企业原来的工作流、数据流和上下文，标准化下来。同时，因为现在有了自主进化，面对不同客户回答问题时，又能够做到个性化。

所以对于AI领域来说，未来可能更多是用标准化的方式，解决个性化问题。因为定制化本身很难真正实现个性化。

我理解，当我们说标准化时，比如给企业提供一个标准化产品，类似于Agent One，上面有几个大的方向，企业只需要采购Agent的席位就可以了，这是非常标准化的产品。

但定制化是指，企业可能有一些特殊业务需求，需要进一步和企业数据打通，让它能够回答更多个性化的问题。因为即便是客服，也要接入企业信息，才能知道到底是哪个环节出了问题。

但真正涉及这一部分时，大型企业可能有电商业务，也有线下业务，它们的问题完全不一样。这些都能用标准化手段解决吗？一开始的时候，如何分辨哪些是定制的，哪些可以标准化？

定制就是你去问企业里的每个人，可能每个人描述的流程都不一样。最终需要做内部的企业流程培训，系统才能上线。

今天的变化是什么？是把企业里真正工作的人，他们的行为数据化，通过数据来表达：你这个企业最好的销冠是怎么工作的，最好的投手是怎么工作的。这个工作方式，是不是你希望复制给所有人？

如果它能够成为一个参照系，那它和原来离散的、似是而非的标准之间，就存在本质差异。

那你们会给企业做一些定制，或者开发企业专有的软件吗？

我们现在已经很少做企业专有软件了，还是聚焦企业内部增长的问题。增长问题最终一定要用数据度量。

当然，我们也会遇到客户说，希望明年购买我们1000个人天的投入。但我觉得这种方式在企业侧也需要发生变化。未来购买人天的方式，也就是定制方式，会越来越少。

人天是什么？

人天就是定制。比如开发一个功能要100天，企业估算自己大概有10个系统、100个功能，算下来可能需要1000个人天才能开发完成，于是它会找我们，或者找市场上的其他公司，帮它开发。

但这种开发对我们来说，是从零到一：从养鸡场到养鸡、下蛋，再到炒蛋，所有事情都做完。对客户和我们来说，这类事情的边际效益都很低。

所以我们现在反而聚焦销售、客服和营销，基于这些场景去解决问题。

所以你们现在更倾向于做标准化的、增长类的Agent。这个点非常有意思，我们可以讨论一下。

过去SaaS那一波很热的时候，大家想做标准化产品；这一波很热的公司是Palantir。我记得它大概有46%到47%的营收来自商业客户，主要是派工程师到一个个企业里改造，像你刚才说的，从零到一把企业内部系统搭建出来。

比如企业要用1000个人天搭建一套系统，我理解现在OpenAI、微软可能也想用这套AI工具，把工具布局到企业内部。他们做的其实是一个个企业纯定制化的思路。

但我理解，你们反而是在走一条相反的产品路线。

Palantir有一个前提：它服务的企业原来都是有机做业务的，它是帮助客户找出有价值的问题，而不是帮客户实现一份列出来的、包含100个功能的需求清单。这两者有本质差别。

我们现在交付和服务客户时，会进入客户企业，和CEO、业务总裁以及一线人员交流、访谈，最终和他们一起找到公司在当前阶段，在销售、营销或业务增长侧最有价值的问题。

这个问题最终还是回到我们擅长的企业增长上，主要有3类：销售增长，营销ROI增长，以及客服服务人效ROI增长。

中国这样的企业和客户群体非常大。所以我们不是说每个企业都能服务，而是找到企业内部存在这些问题的场景，然后提供服务。

你们是一个垂直赛道、一个垂直赛道地做，基本上通过典型客户场景，把一条赛道打通。

是。具体来说，肯定也是一些行业专属的应用或数字员工。

如果是这种比较标准化的服务，按坐席收费比较容易理解，那按效果收费要怎么计算？

使用方式是标准的。比如刚才讲的投手Agent，它每天采集市场上的竞品和同类企业信息，包括新品和价格；然后采集数据、分析数据、做决策，再调整自己的策略。这套方法是标准的，但每个微观操作完全不标准。

不同的行业，转化率可能不同。有些行业是2%，有些行业是20%；同一个产品在不同渠道，转化率也不一样。我们没办法制定一个统一标准，说一定给企业提升10倍或5倍。

我们会根据数据，分析你过去在不同平台、不同时间和不同促销期的效果。之后做一个MVP，再进行A/B测试。比较之后，如果最终确实有效果，我们再和企业按照业务模式结算。

当下这个阶段肯定还在尝试。对很多企业来说，投入的目的就是获得更高回报。所以有些企业愿意做尝试，甚至采用对赌的方式。但我们不叫“赌”，还是叫测评。

这有点像模型的智商测评：它能把业务拉到什么水位线？我觉得这对今天的智能，以及企业数据如何让模型更好发挥，是一个很好的方式。

我们刚刚聊了客服，再看看投手或者销售的例子。我对销售非常感兴趣。投放可能还稍微标准化一点，但销售在不同行业之间差别更大。酒类、媒体、To B、To C，完全不一样。

我们有一家制造业客户，原来有很多线下渠道和各省代理商，渠道销售人员去服务各种经销商。

这些销售人员最大的麻烦和约束，就是自己的工作时间和客户的时间。即使在一个区域，他手上大概有二三十个客户，但按拜访来算，一天只能拜访两三家。先去哪一家、后去哪一家，这是时间规划的问题。

第2件事是，见到这个客户以后，我应该向他介绍什么方案、交流什么话题，以及这些话题最终和企业内部的任务、目标是什么关系，这叫方案。

第3件事是，沟通完以后，客户可能提出一些原来没有预设的任务。这些任务可能涉及一系列动作，而这些动作又要录入企业内部的业务系统。

原来这些事情都靠人力完成。我们帮助这家企业时，是从一个省做试点开始的。这个省原来是销售最落后的区域，但在今年上半年，它被评为最先进的销售区域。

你想想，这些过程AI都可以在各个环节帮助，但过去缺少一个销售AI，把事前、事中、事后全部串起来。前面是路线规划，中间是客户沟通材料的准备，沟通之后是小记，以及如何和系统打通，把信息推给后续相应人员跟进。

原来销售每天可能有一半时间在准备资料，晚上还要花大概2个小时做复盘、录入系统。现在销售的工作时间效率大幅提高，最终的结果就是，这个省拿到了全公司的销冠。

这个印象很深刻。

从企业消费侧来看，增长可以简单理解为3大类：售前、售中和售后。售前就是营销，售中就是销售，售后就是客服。

售前也可以拆成3类：投前做预算分配、渠道分析和人群挖掘；投中做素材生成、素材管理和素材优化；投后做复盘、渠道筛选和渠道优化。

这些事情背后，都是数据加AI能够明显提供价值的地方，只是要看怎么把它们串起来。

销售也可以拆成3类：新客、新购和转介绍。哪里有新客，哪些新客能变成新购？所以会有试驾、试吃、试穿等一系列动作，都是为了让新客户变成新的购买用户，让他更好地理解产品。这个试用机会应该给谁，同样存在数据加AI的机会。

在企业私域的信息化数据范围内，通过数据和AI，可以找到最优策略，或者规划出最优策略。

客服也可以抽象成几类。第1类是交付履约，比如买了一个东西，什么时候上门安装；第2类是售后投诉，比如催发货、少了一个零件或配件；第3类是长期复购，比如新产品上市或功能升级以后，如何继续提供服务。

这些板块继续往下拆解，我们今天的Agent，就是基于最佳投手、最佳销售和最佳客服坐席这些岗位标杆来设定的。预设的Agent可能拥有一个工作了5到10年的员工，或者本科生、硕士生的能力水平。

它进入企业以后，需要企业提供资产让它去管理，这些资产包括企业的数据权限、资金审批和投放权限，以及客服相应的呼入权限和资金赔偿上限。有了这些权限，它才能在企业里工作。

我们之所以这样理解营销、销售和客服，是因为站在企业生意的逻辑来看，这几个角色是每个企业都存在的最大公约数岗位。这些岗位能够通过数据和技能最大化地变成Agent，形成自动上岗、自主进化的体系。

你们现在内部有多少种不同的Agent？

如果简单来说，我们提供Agent的方式是“四加X”：4个预设好的Agent，加上X。这个X是企业的数据资产和企业上下文管理。

4个Agent分别是营销、销售、客服和运营。它们是在相应行业里具备5到10年工作技能的人，也就是最佳岗位经验的预设。

同时，X是指雇佣这样一个人进入企业以后，你给他什么权限、什么企业数据、什么审批权限，以及资金管理和使用权限。

所以X需要我们和企业一起梳理、治理，并在企业原有平台的基础上，做数据资产管理，让前面的Agent更好地上岗、更好地工作。

你刚刚提到帮助制造业做销售的Agent。从你们的员工开始接触、了解这家企业，到真正打造出适用于它们销售系统的Agent，这个过程大概需要多长时间？

这个问题说起来很容易，但做起来还是很难，特别是在新的技术革命开始时。有人相信，有人怀疑，也有人不断摇摆。

我们做这件事可能花了1年多，讲起来可能两句话就说完了。核心是企业整个组织和生产关系的变化，解放思想非常重要。

首先要熟悉工作岗位，这花了比较多的时间，可能占了1/3以上。之后才是建模。后面我们又花了大概1/3的时间在教练团上。

有了Agent，并不代表它马上就是一个优秀的投手或销售，所以我们有AI导师团，需要不断调教它。前面的学习和中间的调教加起来，占了大约2/3的时间；真正的实施、执行和系统上线反而比较快。

熟悉工作岗位，我理解就是刚才提到的FDE前沿部署工程师，要真正进入企业内部，跟大家沟通交流，甚至可能还要在不同岗位轮岗，看这个企业是怎么运作的。

假设企业的销售发现，你们是抱着要建立一套Agent系统的目的来的，执行层的人会不会产生抵触？

肯定会，这是人性。所以我们前面才说，跑得快的企业，往往是自上而下推动的。

但我们也惊喜地看到，几个成功企业中，有些企业的CEO或董事长做得最多的一件事，就是推动思维转型。有一位董事长，一年在企业内部给全员和管理干部培训，自己学习AI、讲AI的场次超过15场。

他说，我先学会，再给员工讲，员工才能理解我的思想、用好这些系统。

所以我觉得思维转型非常难，但欣喜的是，员工原来担心的“人会不会被替代”，在企业侧其实并不是这个样子。

企业侧同样会形成K线进化。比如IT团队的成员，在数字化时代原本就很有竞争力；我觉得在AI时代，他们会更加有竞争力。他们首先具备AI和AI工具的技术背景，上手更快。只要再往业务侧走一点，就可能成为企业内部的FDE。

他们能找到企业内部更多、比我们这些外部人员更熟悉的“3个最多”：耗钱最多、耗时最多和耗人最多的地方。找到这一点去雇佣和陪练这样的A选手上岗，那它的价值就更大。

所以一类人会沿着K型曲线往上走。另一类人则会往下走。你今天可以和一个工具、一个项目对抗，但对抗不了趋势。

我们看到，那位董事长一年培训了15场以后，他的财务、IT以及原来渠道销售的负责人，慢慢变成了帮助客户成长的导师。这类角色可以泛称为企业内部的FDE，我觉得这批人有巨大的机会。

首选可能是原来的IT、CIO、CTO组织。他们只要往业务走一点，原来很多技术人员的工作方式是：上面的业务同学把需求提清楚，我来执行。但今天反过来了，他们要学会主动提问题。

刚刚提到的销售、客服这类职位，也有向上走的可能性吗？

当然。今天他可能不再亲自做一线接线或处理投诉，而是成为客服AI Agent的负责人。他每天处理异常、做复盘和总结、派发任务，让Agent学习新技能。

这个人的成长路径不再是处理100个更刁难的问题，而是想办法让跟着自己的10个Agent，覆盖原来超出自己工作量和能力范围的工作。

他们的工作性质和方向都发生了变化。以前是执行岗位，现在变成了带着一群Agent、管理它们的岗位。

是。所以这些人在企业侧或者市场上会越来越值钱。不是因为换了一个title叫FDE就值钱，而是因为他们具备我刚才讲的能力：以业务结果为导向，以企业数据为基础，以岗位标杆为预设，能够帮助企业拿到结果。至少结果不会低，这样的人才是值钱的。

刚刚提到，首先要熟悉工作岗位，这可能真的需要企业一把手从上到下推动整个思想体系的变化。你提到的第2点是建模，第3点是AI导师团来使用这个工具。具体是一个什么样的步骤？

举一个Agent上岗的例子。我们在一家企业，并不是部署一个系统以后立刻切换，而是大概需要一周时间。

过去我们可能有个词叫“灰度”，看给多少流量、多少客户量或多少DAU进来。但我们不是这样做的。第1天，我们先让晚上0点到2点的客服数据进来，因为这个时间是客户需求最少的低谷期。即使第1天出现问题，影响面也是可控的。

第1天上岗以后，我们要评审、分析，再做调整。第2天，把上岗时间改成中午12点到下午2点，这是当天工作量最高峰的时刻。我们不是从高峰流量中抽取十分之一，而是让这个时间段的全部流量进来。只有全量运行，我们才知道异常的边界。

同样，我们会复盘它在高峰期的表现：哪些地方有毛刺，哪些地方会让客户投诉、发火，哪些地方处理得比人更好，然后再进行调整。第3天可能放大到8个小时，以此类推。到一周时，让它变成符合企业设定参照系的Agent。

这个参照系可能是他最好的作息，要么是他今天内部比如最优员工的一个标准。

我理解，整个过程要测试、运转、跑起来，并且在这个过程中不断修正，还是需要花很多时间，经历一轮轮反馈。

是。原来我们把它当成一个工具，现在我是真的把它当成一个同伴。教会它以后，在我不在的时候，或者凌晨时段，它就能够完全接管工作，而不是只执行一个指令。

现在有些系统默认叫自动回复，但自动回复通常只是一些FAQ。

具体到前沿部署的这些人，他们要熟悉企业工作岗位、建模，还要在AI使用过程中不断拿到反馈。你觉得这个人需要什么样的素质和画像？我感觉这是一个很难的工作。

我们的做法不是一个人，而是一个组织。要一个人具备这么多能力，全才非常难，而且这个人的工作会非常碎片化。

所以我们基本上分成3类。第1类叫BA，也就是以业务结果为导向的BA。客服流程本身有两百多步，我们要编排、阅读和分析客服处理流程，找到最佳工作模式，设定科学的数据标准来进行评测。

这类人偏业务，可能是美妆、家电、家居、宠物、汽车等领域的专家，他们是组织里的一员。

第2类叫AI架构师。他们要把业务问题翻译成应该使用什么尺寸的模型，以及哪些环节需要人工干预，哪些环节应该交给机器接管。

这类人要持续掌握新模型和新Agent的进化能力，站在AI进化的最前线。他们要了解最新资讯和产品，快速上手，快速给出结论，并且快速判断业务应该匹配什么样的解决方案。

第3类才是首席客服、首席销冠。这类人能够把前面的业务问题变成Agent，并且在过程中具体参与调教。

在调教环节，我们的角色会弱一些、退后一些，而是在客户侧挑选出最好的客服、销售等角色，组成AI专家团或AI教练团。

未来，如果是大型企业，或者原来平台化、IT能力和技术能力比较好的企业，内部应该都会具备这几类角色。现阶段，通过我们的方式，可以快速知道同行业的最佳水平是什么样，帮助企业少走弯路。

一开始是谁说服这个制造业董事长来做Agent的？拿下客户可能是第1步，而且能说服董事长的人，级别可能不能太低，还要有更好的vision。

没错。对一号位来说，他关注的无非是收入增长、利润增长，或者人效增长。我们只是借助AI时代的Agent，让他理解这件事如何满足他的诉求。

不是说我们有一套固定方式去说服谁，而是找到大家共同想要前进的方向。一旦这个意愿存在，很多事情就会一拍即合。

最难的是把你的东西装进别人的脑袋。但今天如果他的脑袋里本来就有发展的诉求、期望和动力，我们要做的就是帮助他更快看到这种动力，更快做出MVP，把他想到的和看到的结合起来。

就像刚才讲的那家企业，董事长提出了这些需求，我们的团队进去以后，快速通过AI工具做出MVP。董事长给团队说了一个很具象的词：没看到之前，我不知道自己要什么；但这个就是我想要的。

他还是先看到了一点产品，对想要的东西有了更清晰的画像。这个产品可能就是你们做出来的、他脑子里的那个产品。

对。

你觉得今年企业一号位在接受Agent、主动拥抱AI Agent趋势这件事上，发生了什么变化？

变化非常大。原来大家都在问怎么用、能不能用；现在直接跳过了这个阶段，开始问什么时候能帮我用上。

你是什么时候感受到这种趋势变化的？

就在今年春节之后，这波“龙虾”兴起以后，加上后面的哈里斯工程，包括现在路普等趋势，慢慢让大家关注的重点从模型参数、跑分，转移到AI能不能执行任务。

对企业来说，这种变化非常立竿见影。企业家脑子里都有一本账，还是回到刚才那3个指标：哪里耗人最多，能不能提高人效？哪里耗时最多，能不能提高速度？哪里耗钱最多，能不能提高ROI？

企业家是最聪明、最敏锐的一批人。

比如现在使用一个AI客服，成本是多少？企业需要支付Token用量费用吗？

从今年开始，硅谷的大公司也要求员工使用Agent，但我理解和你们这里可能不太一样。它们可能只是鼓励大家使用AI工具，但很快发现企业Token账单烧爆了。

现在你接触的客户中，也会有类似现象吗？

这是普遍存在的。拿我们自己举例，我们在第1季度结束时，有一个AI项目收入可能是300万元，但投入了1200万元。慢慢到这个季度结束时，基本上就能看到打平，所以初期投入还是存在的。

正因为我们自己经历过这个过程，所以我们设计Agent时，反而不希望客户对Token过度敏感，而是关注它背后解决了什么问题。还是那句话：这笔账能不能算得过来？

只要账算得过来，背后用了什么Token，对大部分老板来说其实并不重要。

而且很多客户的问题，并不是模型先进性的问题，而是最后一公里的企业上下文：企业数据是否规范、企业数据是否好用。这些问题不一定要用最好的大模型解决。

我们反而会降低客户的选择负担，把本来不属于客户判断范围的事情交给我们。今天买一台电脑，在行业里还会专门讨论CPU、芯片和内存吗？企业也是一样，我觉得它只要关注能带来的结果，账算得清楚就可以了。

我们希望通过自己的实验和尝试帮助客户。未来客户在我们平台上雇一个外呼机器人、外呼Agent、质检Agent或者电商投流Agent，他只需要算总账。背后用什么模型、什么方式，是留给我们团队的。

我们的技术能力有多强，就是我们未来利润和成长的空间。

你们现在用的是哪个模型？

阿里云平台上的模型我们都在用。但对客户来说，不管是阿里系模型，还是开源模型，比如Kimi、智谱，在阿里云平台上都有。

我们会根据场景帮客户挑选：什么场景使用什么模型，性价比最高。我们对具体模型不会有执念。

所以按照你刚才说的，你们现在的策略应该不是无脑使用最强模型，而是可能用能力更强的模型，配合阿里的一些可以下载到本地的开源模型，综合调度。现在是这样的思路吗？

对。你问到的是怎么部署的问题。部署我觉得分两类：一类叫系统部署，一类叫模型部署。

今天这些Agent，简单理解就是一个系统。这个系统可以部署在阿里云公有云上，也可以私有化部署在企业自己的环境里，这没有问题。

第2个是模型私有化部署。我们发现，大部分人把这两件事混淆了。一两年前大家可能还在讨论，能不能下载一个开源模型去私有化部署。有人这样做，是因为模型智能需要后训练。

但今天积木已经强到没有人再提后训练这件事情了。其次，现在开源的大尺寸模型，不管是阿里大尺寸模型，还是Kimi这样的模型，参数规模都是2TB多。

有没有算过这笔账？如果要私有化部署这样的模型，没有几千万元的初始投入可能都做不下来。对今天最新的先进模型来说，几千万元甚至还不一定够。所以第1个问题是需不需要，第2个问题是成本耗不耗得起。

未来，模型部署更多会交给这样的Agent，让它去选择在什么场景使用什么模型。

还有一个常见的混淆：如果不私有化部署模型，是不是就意味着企业数据给了大模型公司？是不是只有私有化部署，数据才能留在企业内部？

其实今天我们用Agent调用大模型时，和大模型对话，大模型并不会吸收你的这些数据。而且这些数据对大模型来说，很多时候反而是污染。

真正会采集数据的，可能是编程、web coding这样的agent。像ChatGPT这样的C端产品，你和它对话，它能够采集相关数据，用来优化产品。当然，用户也可以关闭“用于数据训练”的设置。

我们这一层的做法，是把数据放在你的Agent里。你的客服Agent、销售Agent和营销Agent都可以部署在企业内部、部署在你自己的环境中，可观、可控。

所以在系统这一层，可以管控数据安全和数据合规；在模型这一层，我觉得最优方案仍然是使用市场上最符合场景、性价比最匹配的模型。

综合来看，现在模型能力已经足够强，强大到很多场景使用AI都能产生效果。所以大家不用事事都用最好的模型，反而进入了拼效率的阶段，拼谁的运营效率更高。

是。我觉得刚才这个话题在To B侧，不是模型是否先进，而是它和业务场景能不能做到多快好省。如果使用最好的模型能带来收益，那就用；但如果用一个适中的模型，已经能解决问题，达到很好的效果，也未尝不可。

我之所以问这个问题，是因为你之前提到过，模型能力一升级，很多哈里斯工程可能就无用了。

你们跟企业做企业级Agent，我理解模型能力升级以后，你们也需要及时更新Agent。对你们来说，这是风险因素还是利好因素？它会增加你们的工作量，还是其实还好？

目前还好。如果企业使用我们的Agent，我一定会把它稳定绑定在一个已经确定的模型上，而不是让它随着模型升级自动升级。升级必须经过人工确认。

比如一个员工上岗，也要经过刚才讲的验证阶段，只是未来验证时间会缩短。如果没有客户需求，或者我们没有主动升级，它仍然按照原来的方式工作，这样最稳妥。

只有当我们测试出某个模型能够带来足够的理由，才会去升级。长期来看，升级一定是好的，只是在这个过程中，FDE发挥着关键作用：要测试、对比效果，再制定升级方案。

而且升级方案可能不只是API层面的切换。企业侧还绑定了很多流程、权限和内部管理边界。看起来切换很容易，但企业真正要的是稳定的工作输出。

你觉得中美企业级AI现在有哪些不同？因为市场和商业环境不一样，它们之间有什么区别？

先说企业，再说这个角色。

在前面的信息化阶段，美国有Salesforce、SAP这样的企业软件公司，已经奠定了很多工作流和数据标准。但在中国，这一部分相对缺乏。

所以我们在中国做FDE，大部分工作是交付。为什么现在很多人不愿意做交付？因为每家企业都没有一个足够平稳的地基，我们要先去打地基。

这意味着交付工作从第1天打桩、盖楼，到上面装修，一系列事情都要做完。我觉得两边的基础是不一样的。

第2个不同是美国企业和中国企业的付费习惯。你们在硅谷应该很直观，大家更尊重知识，人力成本也高很多。

中国不一样，因为每个大企业都有自己的IT团队。如果只是做交付，企业内部其实也能做。那你要如何提供比企业内部更好的价值？这里就会遇到市场稀缺和市场饱和的问题。

所以，一边是系统环境不同，一边是人才环境不同，这两个市场不具备完全可比性。

至于这个角色本身，工作也有不同。在硅谷，这些人可能来自Salesforce、SAP这样的传统SaaS平台，也可能来自Facebook、Google这样的互联网平台。

在中国，淘宝、天猫、企业微信等平台，需要更多地站在客户视角，思考如何利用已有的互联网平台去工作。如果只是做功能集成和交付，就会落入比价。

但如果是从互联网平台出来的人来做这件事，就有天然优势。他要懂流量，懂互联网的运作方式，也要懂互联网平台之间的协同，这些地方都很不一样。

你觉得中国和美国的FDE，现在是领先、同步还是滞后？刚刚听你说，你们有些客户花了1年时间做部署，我感觉你们走得已经非常早了。

其实在FDE这个词出现以前，我们就在做这件事。并不是因为有了FDE这个词，我们才把原来的工作套上去。

5年前，我们就有这样一个团队，叫CSM。这个团队原来围绕客户成功开展工作，今天AI来了以后，我们把AI纳管进来，继续让客户成功。

我没有数据，所以没法对比我们比别人好还是不好。但这几年我们一直在做这件事，而且越来越能感受到，最终客户会用订单和续费来表达你做得好不好。

目前看下来，so far so good。

作为瓴羊的CEO，你现在最关注的3件事情是什么？是客户拓展、找到优秀的人，还是技术方向和战略决策，或者提升运营效率？

抽象来看，可能就是3个东西：人、事、局。

第1个叫人。哪些人，不管是客户侧还是我们自己的员工，能够更快、更好地从AI中成长出来。

我们内部每个月会举办一期AI最佳实践员工座谈会，让员工分享实践。我们希望快速找到，或者帮助这样的一些同学成长起来。

客户侧也是一样。我们每个月，或者每年，都会有一个固定活动，叫数据同学会，希望找到这个行业过去一年发展、成长和蜕变最好的人，大家一起交流。

我觉得人是所有事情的前提和根基。

第2个是事。我觉得这里讲的是势能，要找到处在势能上的事情。比如我们最近在做Agent One上的客服、营销和销售Agent。

找到这样的事情，最终要看到它能够自增长，能够在客户内部形成口碑传播。刚才讲的有些案例，就是客户告诉我们，或者客户告诉其他客户，再反馈到我们这里。

第3个是局，也就是局面。这里包括AI的格局、AI发展的局势，以及Agent的进化局势。其中有技术侧、工程侧、模型侧，也有业务架构侧。

总结下来，我关注的是“人、事、局”。

现在进入AI时代，你刚才提到人，也会做最佳实践员工分享。你觉得人的技能应该往哪个方向转变？如果大家想在AI时代发展得更好，你们更倾向于招聘哪一类员工？

我们也在尝试，其实并不知道什么是最好的，所以只能better and better。

现在我们看到的是3类能力的结合。第1类是懂技术；第2类是了解业务。要么技术往业务走，要么业务往技术走。目前看，技术往业务走的难度可能更低一些。

业务方面不一定要全才，也可以是专才。你可以把一个营销平台或者多个营销平台做得很好，也可以把一个行业里客服的各种边角流程理解得更透。

所以我们这里有不少客服专家、营销专家这样的角色。

第3类是懂数据。懂数据不代表天天看报表，而是看了报表以后，脑子里至少要有几个东西。

第1个是同比。看到一个数据，要知道同比是否健康。如果只告诉你今天增长了180万元，你不知道这是好还是坏。

第2个是对比。你是和自己对比，还是和竞争对手对比？是和另一个品牌对比，还是和自己公司的另一个产品对比？

第3个是占比。你做了180万元，在市场上是万分之一，还是十分之一？你的经营模式会完全不一样。

这些是基本的数据思维。最终落到AI这一侧，我们也要让AI具备这样的能力。有这样的能力，才会有这样的判断；有这样的判断，才会形成策略；策略执行以后，才会慢慢进化。

为什么要数据？数据提供了参照系，也提供了靶子。这个靶子就是目标，你不断超越它，数据就成为你的拐杖。

综合来讲，今天的人要懂AI、懂业务深度，还要有数据宽度。也就是对AI有锐度，对业务有深度，对数据有宽度。

你的分享让我想起一个很有意思的话题。AI刚出现时，硅谷有一个职位叫data scientist，也就是数据科学家。很多做数据科学的人非常慌，因为AI可以做各种数据分析，他们担心这是不是会首先取代自己的职位。

但听完你刚才的分享，我突然意识到，不管在哪个职位上，只要大家真的把工作做好，就仍然很有价值。

这是自然进化的规律，AI进化也逃不开。

刚才你说到数据科学家。其实十几年前，我们在国内也用这个词来定义相关工作，后来我们把后面的“家”去掉了，叫“数据科学”。

因为在国内语境里，“数据科学家”是一个非常神圣的title。我们叫数据科学，是强调方法科学，而不是强调人的位置，这两者不一样。

科学的方法、科学的工作方式，落到业务场景里，数据科学才真正能够发挥业务价值。

那在现在这个时代，资深的人会更吃香吗？如果是刚大学毕业的应届生，刚开始熟悉一个职位，你觉得他们会有优势吗？

我觉得To C和To B不一样。To C可能做创新，经验差别未必很大；但To B来说，行业经验仍然是壁垒，也仍然有价值。

只是原来可能要10年才能学会的东西，今天有可能1年或2年就能掌握。对年轻人来说，关键是如何站在别人的肩膀上成长，而不是从零开始学习。

这种新的工作方式和工作习惯，可能会让人与人之间产生新的差异。

我们今天聊到企业级Agent，确实能看到很多结果，比如帮助企业降本增效。但有没有一些以前做不了的业务，有了AI以后可以做？它能不能帮助企业打开一个新的领域和新的增长市场？你们现在看到这样的趋势了吗？

这特别像AI for Science，过去很多事情做不到，但今天可以做到了。

回到企业侧，我觉得有两个方向：一个是“加AI”，一个是“AI加”。

“加AI”是指，我们帮助不少企业上线系统、使用工具，比如数据分析工具、数据治理工具和风控工具。这些工具加上AI以后，效率和效益最终回到业务效果上，会产生增值。

现在也有不少企业在这个方向上发力。我觉得这是非常有必要的，不能一口吃成胖子。有些系统，特别是工具型系统、SaaS型系统，并不是没有价值。只是在这个阶段，这些软件工具的价值会重新分配。

原来软件必须由人打开首页、登录进去才能使用，是给人用的。今天这些系统可能是给AI用的，可能不需要人登录，所以它们的价值会重新分配，但系统本身仍然有效。这就是“加AI”的方式。

第2种叫“AI加某个领域”。也就是说，我在某个领域里，真正用AI的方式去改造它、重新定义它。

比如刚才讲的AI客服、AI营销、AI导购和AI投手。回到企业本质，哪里耗人、耗钱、耗时最多，哪里就最容易探索“AI加”的方式。

好的，特别精彩。谢谢，谢谢朋新宇。

谢谢，泓君。

好，那这就是我们今天的节目，大家听完这期节目有什么样的感想，欢迎给我们写评论、写留言。播客的听众可以通过小宇宙、Spotify还有苹果播客来关注我们，视频的听众可以通过B站还有YouTube搜索硅谷幺零幺播客找到我们，我们部分节目的文字稿也会发表在我们的微信公众号硅谷幺零幺上，我是泓君，感谢大家的收听，谢谢。