# 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 硅谷101|中国版 · 2026-08-11 本期节目邀请阿里巴巴集团副总裁、瓴羊CEO朋新宇，探讨中国式FDE（前线部署工程师）的实践。朋新宇指出，与硅谷高薪派驻工程师不同，瓴羊的做法是提供标准化Agent，聚焦企业耗人、耗钱、耗时最多的环节，如客服、销售、营销。他举例说明，一个催发货流程需跑通260步，而AI通过向顶级投手学习，能在90天内完成上万次价格调整。他强调，企业部署Agent的关键在于以业务结果为导向、以企业数据为基座、以岗位标杆为预设，且自上而下的推动更易成功。朋新宇还分享了部署周期（1/3熟悉岗位、1/3建模、1/3调教AI）、FDE团队画像（BA、AI架构师、业务首席教练），以及中美FDE在信息化地基、付费习惯上的差异。他认为，企业算得过来账最重要，模型选择并非核心，人才需兼具AI锐度、业务深度与数据宽度。 ## Questions this episode answers ### 什么是FDE（前线部署工程师）？它和传统的驻场开发、驻场运维有什么本质区别？ 朋新宇认为，FDE的本质变化是从交付功能变成交付业务效果。传统驻场运维是保证系统健康运转，而FDE需要具备AI锐度、行业深度和数据宽度，能根据业务目标调整系统，让业务往好的方向发展。它更像雇佣一个新员工，而不是买一套工具。 [5:05](https://101.podhood.com/3dbbdef0-9f38-469a-b437-092e28a1d2b1?t=305000) ### AI客服处理一个催发货流程需要跑多少步？为什么这么复杂？ 朋新宇举例说，一个催发货流程，客服需要跑通260多步。因为内部流程涉及多个系统，比如电商平台（京东、天猫等）、库房、派单等，还要处理不同情况，如少发货、缺配件、赠品未到等。这260步能覆盖95%以上的情况，但新员工需要培训熟悉这些流程。 [7:31](https://101.podhood.com/3dbbdef0-9f38-469a-b437-092e28a1d2b1?t=451000) ### AI投手如何向人类最优秀的投手学习？90天调价一万次是怎么回事？ 朋新宇说，他们分析了一家企业在多个电商平台投手的过往行为，发现最好的投手在三个月内做了超过1万次价格调整，而一般的投手只做100多次。AI通过数据采集、建模、执行和迭代，能学习这些行为背后的决策逻辑，比人总结得更全面深刻。 [13:33](https://101.podhood.com/3dbbdef0-9f38-469a-b437-092e28a1d2b1?t=813000) ### 中美FDE有什么不同？为什么中国的FDE需要做更多交付工作？ 朋新宇指出，美国有Salesforce、SAP等企业奠定了工作流和数据标准，而中国在这方面缺乏，所以中国FDE大部分做交付，需要先打地基。另外，中美付费习惯不同，美国尊重知识、人力成本贵，而中国企业有IT团队，FDE需要提供比内部团队更好的价值。 [53:59](https://101.podhood.com/3dbbdef0-9f38-469a-b437-092e28a1d2b1?t=3239000) ## Key moments - **[0:00] 开场** - **[1:49] 风向变了** - [2:00] 硅谷AI战场从C端回到B端：OpenAI成立部署公司，微软投25亿美元建Frontier Company，亚马逊投数十亿美元 - [2:50] OpenAI旧金山FDE中级岗位基础工资16万到28万美元，比传统解决方案工程师高60% - [3:30] 朋新宇：FDE溢价来自人才稀缺，需要AI锐度、行业深度、数据宽度三者结合 - [5:05] 朋新宇：FDE本质是从交付功能变成交付业务效果，以业务结果、企业数据、岗位标杆为前提 - **[6:50] 催发货** - [7:44] 一个催发货环节有260多步流程，覆盖95%以上场景，涉及多平台与内部系统的核查、派单、补发 - [9:02] 瓴羊把企业AI场景分成三类：耗人最多、耗钱最多、耗时最多，优先选可度量的业务结果 - [11:37] 朋新宇：AI实施更像新雇一个有5-10年经验的员工，给它权限、目标和裁量权就能上岗 - **[12:30] 投手** - [13:26] 最佳投手90天内调价超1万次，普通投手100多次，AI学习优秀投手的完整决策逻辑 - [15:33] Q: 那1万次调价是人在操作还是机器建模？朋新宇：全是人的物理操作，AI再做数据学习和建模 - [16:04] 国内最大SaaS平台是几大电商平台，已能覆盖投手80%的数据准备和系统学习能力 - **[19:39] 自上而下** - [19:39] Q: 企业Agent应该自上而下还是自下而上推动？朋新宇：目前顺利的都是自上而下，涉及预算和生产关系 - [20:43] 一家传统制造业董事长自上而下选销售端推Agent，财务、IT、销售线全部联动快速复制 - [22:29] 瓴羊商业模式分两类：按工作量/座席收费，或按营销增长效果分成，效果付费已真实续费 - **[25:07] 标准化** - [25:07] 定制化与标准化之争：瓴羊反着Palantir走，不做1000人天驻场开发，用标准化解决个性化 - [28:49] 朋新宇：进企业不是实现客户100个功能需求，而是与CEO到一线访谈先找最有价值问题 - **[31:14] 销售Agent** - [32:10] 一家制造业线下销售Agent覆盖路线规划、拜访方案、系统录入，试点省从最落后变成上半年销冠 - [34:38] 瓴羊提供4+X企业级Agent：营销、销售、客服、运营4个预设岗位，X是企业数据资产与权限 - **[36:06] 部署周期** - [36:23] 朋新宇：制造业销售Agent花了一年多，约1/3熟悉岗位、1/3建模、1/3教练团调教AI - [37:34] 朋新宇：执行层对Agent肯定有抵触，成功企业董事长一年做15场AI培训推动思想转型 - [39:20] 原IT/CIO团队往业务走一步可成企业内部FDE，客服人员可转为管理一群Agent的异常处理和训练 - [41:04] 瓴羊用时间窗口灰度上线客服Agent：第一天0-2点低峰，第二天12-2点全量高峰，逐步放大到全天 - **[42:36] FDE画像** - [42:52] FDE不是一个人而是组织：BA定业务方向、AI架构师选模型、首席客服/销冠当教练团调教 - [45:41] 客户董事长看到MVP后说：没看到之前我不知道我要什么，但这就是我想要的 - [46:18] 朋新宇：今年春节后企业1号位对AI态度天壤之别，从'能不能用'直接变成'什么时候帮我用上' - **[47:01] Token成本** - [47:27] 瓴羊自己Q1一个AI项目收入300万、投入1200万，到季度末已接近打平 - [49:34] 模型部署分系统部署和模型部署：开源大模型私有化需数千万投入，Agent按场景选性价比模型 - [52:27] Q: 模型能力升级会让Harness工程失效吗？朋新宇：目前绑定稳定模型，人工确认后才升级，FDE负责测试对比 - **[53:29] 中美对比** - [53:29] Q: 中美企业级AI和FDE有何不同？朋新宇：美国有Salesforce/SAP地基和付费习惯，中国要先打地基 - [56:41] 瓴羊CEO朋新宇最关注人、势、局：每月AI最佳实践分享，寻找能借AI快速成长的人和能自增长的事 - **[58:04] 人才观** - [59:10] 朋新宇：懂数据要看同比、对比、占比，数据给Agent参照系和靶子，才能不断进化 - [1:01:40] 朋新宇：ToB行业know-how仍有壁垒，但10年经验可压缩到1-2年，年轻新人要站在别人肩膀上成长 - [1:02:02] 企业用AI分两条路：+AI给现有系统增值，AI+用AI重做客服、销售、营销等岗位 ## Speakers - **泓君** (host) - **朋新宇** (guest) ## Topics 企业部署 ## Mentioned Amazon (company), Anthropic (company), Facebook (company), Microsoft (company), OpenAI (company), Palantir (company), SAP (company), Salesforce (company), 京东 (company), 瓴羊 (company), 阿里云 (company), AgentOne (product), ChatGPT (product), 企业微信 (product), 天猫 (product), 抖音 (product), 淘宝 (product), 通义 (product) ## Transcript ### 开场 **泓君** [0:01] Hello 大家好 ， 欢迎收听 《 硅谷 101》， 我是泓君 。 企业软件市场有一个老规律 ： 客户每花 1 美元去买软件 ， 就要再花 6 美元把它用起来 。 那 AI 时代呢 ， 这 6 美元的生意正在被重新分配 ， 这是所有巨头突然冲进 B 端的原因 。 我们之前说 AI 是不是泡沫 ，但答案不在聊天框里 ，而是在企业的账本上 。 那之前我们其实聊过一集 FDE 的节目 ， 讲 AI 如何进入企业级市场 ， 评论区就分成了两派 ： 一派是说 AI 真正在帮企业落地 ， 另一派质疑的观点就认为 ，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在做这件事情的人， 当面来问一问 。 这集嘉宾是阿里巴巴集团的副总裁 ， 瓴羊的 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 ， 过去几年帮几百家中大型企业搭建了数据平台 。他带着团队做这件事情已经 5 年， 比 FDE 这个词流行的时间还要早 。 那我们之前的播客讲过 FDE 的硅谷叙事 ， 这集我们就来讲一讲一个个具体的中国案例 ， 还有案例背后的那本账 。 下面就是我与朋新宇的对话 。 Hello 小朋你好 。 **朋新宇** [1:26] Hello 泓君 。Hello 大家好 。 **泓君** [1:28] 因为我知道其实你也是阿里数据中台方法论的创立者 ， 要不要跟我们简单介绍一下自己 ，以及瓴羊它具体是一个什么样的公司 ？ 你们现在具体在做些什么 ？ **朋新宇** [1:40] 其实用一句话来说的话 ， 它其实在企业服务的范畴里面 ， 我们叫企业级增长的 Agent。 那我们的核心还是去帮助企业做消费流通 。 **泓君** [1:49] 我觉得在过去其实硅谷讲的都是 C 端的故事嘛 。 最开始大模型开始的这一轮 ， 大家都说谁的产品先冲上 App Store 的第一名 ， 谁的日活先破亿 。 ### 风向变了 **泓君** [2:00] 但是我们说从今年的上半年开始 ， 我觉得整个硅谷的风向变了 。 比如说 OpenAI 成立了专门的部署公司 ，Anthropic 它是拉着黑石跟高盛做了一个 15 亿美元起伏的合资公司 。 同时我们看最近的一些新的动作 ， 微软它也新成立了一个运营部门 ， 叫做 Microsoft Frontier Company， 背后是 25 亿美元的投资和 6000 名工程师 。他们也是说自己超越了我们所谓的 FDE 的概念本身 。 那亚马逊也是在投入数十亿美元 ， 专门打造这样的组织 。 所以我觉得从今年开始 ， 我在硅谷观察到的一个现象就是 ， 整个 AI 的战场正在从 C 端回到 B 端 。OpenAI 它的 FDE 在旧金山的中级岗位的基础工资是 16 万到 28 万美元 。 那我们说传统的解决方案的工程师 ，他大概是比这个职位高出了 60%。 所以小朋你们有没有比如说 FDE 的职位 ， 然后你觉得这个岗位需要什么不一样的能力 ， 为什么它会比市场传统的驻场运维价格要高出这么多 ？ **朋新宇** [3:07] 这个国内也在关注 ，但是如果换一个名字就能够去工资升级 ， 这个不符合企业逻辑 ，不符合市场逻辑 。 那其实看到背后的本质还是一个东西 ： 稀缺 。 这类人才的稀缺 ， 它才用这个溢价空间换这个发展的时间嘛 。 那稀缺什么东西 ？ 那原来这个人做运维 ， 就是这个系统就这样子 ， 我是保证你健康运转着 ，但如果没有做任何变化 ， 它凭什么会要去溢价 ？ 那今天我们看到的 ， 如果要做得好的 FDE，其实刚才讲的就三个能力 ： 第一个 ， 它是要有 AI 的锐度 ； 第二个是要有行业的深度 ； 第三个它是有数据的宽度 。 那这三类结合在一起的 ， 它能够做到今天这套系统运行的 ，不是说它今天是不是在正常运行 ，而是说它今天的运行是不是按照我的业务目标 ，是在往好的地方做 ， 还是变差 。 好的地方我怎么让它更好 ， 差的地方我怎么干预它 ， 我怎么调教它 。 那这个角色是原来仅仅做运维做不到的 ， 必须要运维之上能做到对业务理解 ， 对数据的理解 ， 然后能调整一些 ，不管是技能的调整 、 数据的语料的上下文的调整 ， 包括一些 memory 的管理 。 那其实这些工作是原来做传统交付是不存在的 ， 或者它不会遇到的问题 。 所以这是最大的差别 。 **泓君** [4:19] 嗯 ， 对 ， 听起来对人的要求还是挺高的 。 **朋新宇** [4:22] 那最终可能一个成熟的一个业务 ， 那企业里面需要要么是有这类人 ，他能够去在这几个领域都能兼顾 ， 要么是我们有大型的客户 ， 我们有这样的持续的运营陪跑的 FDE。 但我觉得这两种未来都有机会 。 **泓君** [4:37] 因为 FDE 我们其实也刚刚做了一集播客 ， 很多听众他就在我们这个播客下面留言 ，他就说这个 FDE 是不是就是我们之前说的什么驻场运维呀 、 驻场开发 ，是不是又换了一个新名词 。 你觉得我们现在瓴羊在跟客户接触的时候 ， 当我们提到 FDE， 它跟我们传统说的驻场开发 、 驻场运维 ， 它们之间的本质区别在哪里 ？ **朋新宇** [5:05] 最终我觉得本质的变化是 ， 原来是交付功能 ， 变成一个交付一个业务效果 。 如果从 AI 这个大的语境下， 我分成三个方向 ： 第一个是以业务结果为导向 ， 我们要找到这个对的问题很重要 。 那这个问题一定是一个有业务目标 、 业务数字和业务过往历史记录的 。 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 。 第二个呢 ， 就是以企业数据为基座 。其实今天我们如何能够构建一个企业的数据 ， 能够通过 Agent 调用大模型的能力 ， 既能去保护隐私 ， 又能够去发挥大模型最大的智能的上限 。 第三件事情呢 ，以岗位标杆为预设 ， 为什么我们会去定义首席客服的 Agent，以及最佳投手的 Agent， 最佳销冠的这样 Agent，其实是我们把这些在这个企业里面它的岗位的标杆作为 Agent 的预设 。 它起步可能就是一个工作 5 年、10 年的这么一个投手或者客服 。 所以我们今天虽然它的名词叫 FDE， 它叫什么 ，其实我们有一个很传统的词 ， 就叫 CSM， 客户成功 。 我们希望的客户成功最终是对业务的结果好一点 、 更好一点 ， 我们叫 Better and Better。 **泓君** [6:07] 所以我理解这一轮我们在说到 FDE 跟我们去做这种企业级的部署的时候 ， 跟之前的几轮的根本区别就是说 ， 它是有结果的 ， 它的结果能验证 ，不管我们说成本的削减 ， 或者是效率的提升 ， 或者是新业务的拓展 ， 相当于是以结果为导向的变化 ， 就是它确实对企业有帮助 。 **朋新宇** [6:29] 对 ，而且是以企业的业务增长结构可度量的结果 。其实在企业侧和个人侧最大的不一样是在企业侧的话 ， 用 AI 是希望能够找到重复的工作 ， 我就能用 AI 最高性价比和最高效率去解决它 。 那个人可能是找到 AI 的上限 ， 我能突破我的边界 。 那企业很多是要去约束边界 。 ### 催发货 **泓君** [6:50] 能不能举个例子 ？ **朋新宇** [6:52] 那 To C 其实可能大家经常听到一个词 ， 需要新奇特 。 那这就是我是个人的体验 ， 让我眼前一亮的 。 但这个用完了以后， 过了一周两周 ， 你就会变成稀松平常了 。 那其实对于企业侧来讲是另外一个词 ， 叫多快好省 。 那其实它是有个比较 ， 比较是一定是一个参照系的 。 这个例子我们帮助一些客户 ， 比如说其中有做一些 3C 数码的 ， 它其中有一个环节叫做催发货 。 它有三类不同的处理方式 ： 第一种是比如说我买了两台空调 ，但是你只发了一台 ， 所有客户打电话过来我要催 。 那这个流程就是我要去核查我的订单 ， 然后去我库房 ， 然后再去派单去发 。 第二类是催配件 ， 我买了空调我忘了发一个配件了 ， 原来的客服流程再去找到配件仓库 ， 然后我们再发出去 。 那第三类还是叫催发货 ， 我买了一台空调我确实收到了 ， 你当初不是和我说给我赠一个电饭煲吗 ？ 那为什么没有送到 ？ 像就这么一个催发货的环节 ， 最后客服收货这个环节大概有 260 多步 。 **泓君** [7:51] 哦 ，260 多步 ， 这么多 。 我理解就是客户打个电话 ， 客服接起来 ，他要是跟内部的流程沟通 ，是这个意思吗 ？ 就是难是难在这 。 **朋新宇** [8:00] 对 ， 内部的流程可能有的是内部系统 ，有的是外部系统 ， 比如有的是电商它在多个平台 ，有的在京东 ，有的在天猫 ，有的在不同的地方 。 **泓君** [8:08] 哦 ， 对 ，有些配件可能客户还要下单 。 **朋新宇** [8:11] 对对对 ， 这个 200 多步背后其实它能覆盖 95% 以上的 ， 可能有 5% 可能会一些新的东西进来 。 但这个 95% 我要去熟悉这个流程 ， 我要去新招客服 ， 培训客服 ， 我要去上岗它 ， 考核它 。其实这些是非常有确定的标准的 。 那我如何快速的去让客户能拿到货 ，以及让客户满意的拿到货 ， 我们让客户不投诉 ，以及让客户不去要投诉为了要赔款 。 这样的客户 ， 比如说我们通过我们销售的 Agent、 客服的 Agent，以及和 AgentOne 的这样的结合 。 我昨天正好和同事我们还在去复盘一些 case， 我们在其中有一家 ， 它要超越它现在的一些传统的机器人 ，其实我们发现上线开始就比它传统的机器人效果要好 。 昨天我们在看到说 ，也已经逼近了超出了人类最好的状态的平均水平了 。 所以能够看到这样的工作在企业侧 ， 那都是普遍的存在 ， 它有边界 。 同时它今天是有巨量的重复在发生 ， 所以我们把这些情况呢 ，在企业侧归类成这么三类的场景呢 ： 第一类是哪里耗人最多的 ， 比如说这种打电话 、 接电话 、 投诉的 ； 第二个哪里耗钱最多的 ，有些地方可能是赔款止损 ，有些地方是营销投放 ，有些地方可能是我要花素材的各种的试验 ； 第三个呢 ， 就是哪里耗时最多的 ， 比如说我们经常会打电话给客 户说我为什么没有到 ， 一般呢可能说不好意思我帮你查一下， 我们查了半天没查到以后说我晚点给你打电话 ， 一般是以小时为单位或者天为单位 。 那这些都是对客户来讲就是耐心 ， 你有的超过一个小时可能我就退掉了 。其实不是说所有的场景我今天都会用刚才讲的业务结构为导向能做得到的 ， 一定是这个业务结果它是非常具体又可以度量的 ， 耗钱最多 、 耗时最多 、 耗人最多的地方 。 **泓君** [9:49] 嗯 ， 对 ，而且我觉得你刚刚举的这个例子非常有意思 。 传统意义上我们在理解一个客服以及客服机器人的时候 ， 大家想到的都是说客服怎么态度好的去应对消费者的 ，不管是投诉还是怎么样 ， 是一个语言沟通 。 但是您刚刚讲的这一点呢 ， 让我意识到了客服最重要的是解决问题的能力 ，而它解决问题的能力 ，其实跟你对整个公司业务流程每一个环节 ， 它是怎么运转的 ， 这背后的一整套系统 。 我们可以把这些东西都称为数据 ， 都记在脑子里 。 那现在呢 ，其实就是让 AI 把这个背后的一系列的体系给打通了 。 现在我们说不仅仅是人能解决问题了 ， 那 AI 只要把数据打通 ， 它也可以解决问题 。 但我很好奇的是 ， 就比如说催发货 ， 可能是有配件的问题 ，有赠品的问题 ，也有是多个订单重复下单的问题 。 但是整个这里面可能都涉及到一个企业它的内部是怎么运转的 ，以及它的核心的制约因素是什么 。在这一点上， 你们是怎么跟客户把他们的核心痛点梳理出来的 ？ 就这个过程会花多长时间 ？ **朋新宇** [11:02] 我们有一支队伍就是 CSM 这个队伍 ， 比如说我们在中国这个线上销售 ，其实淘宝 、 天猫是非常大的一个体量的存在 。 那其实我们这些人和这些客户的陪伴的经验 ， 都是从多年来在这个平台上陪着这些客户去成长 。 所以我们自己能够有一套最好的 SOP， 比如说催发货或者是售后的这么一个业务流程的理解 。 就今天 AI 的实施 ， 可能和原来传统的软件的实施 ， 最大的一个对它的理解不一样是 ， 我们把软件实施是我们交付一套系统 。其实 AI 的实施如果类比交付一套系统可能还欠缺一点 ，其实它是我们新雇一个员工 。 所以我这里的比如说这个客服或者是这个营销啊 ， 或者等等销售 ， 它默认就有技能 ， 它会自动会处理 ， 自动能够拿到你在市场上招聘一个 5 到 10 年的一个员工的水平 。 你进到你公司以后， 你只要给它权限 ， 给它目标 ， 给它裁量权 ， 那它就可以去工作了 。 而不是说你今天是给你的同学买了一套系统 ， 买了套工具 ， 我们上来这个人就是会干活的 ， 你只要给他权限 ， 这两个我觉得是有本质差异 。 **泓君** [12:04] 对 ， 那我们刚刚提到的就比如说催发货的这样一个场景啊 ， 假设一个标准的电商企业 ， 它需要雇佣多少个 AI 员工 ？ **朋新宇** [12:12] 这个是根据它的那个业务体量来的 ， 比如说销售金额的 2 到 3 个点 、3 到 5 个点 ， 各个企业不一样 ， 几个点是成本是给客服 。 那我们今天用 AI 一定是在要么是同样的成本之下做到你原来同样效果之上的业务结果 ， 才能去说这个事情是一个 work 的 。 **泓君** [12:30] 哦 ， 了解了解 。 它是所有的企业都通用性的使用 ， 就比如说您刚刚提到了几个大的领域 ， 像客服 、 投手 ， 然后营销治理 。 ### 投手 **泓君** [12:39] 我理解其实这个就是您刚刚提到的耗人最多 、 耗钱最多 、 耗时最多 ， 比较典型的三个工种 。 大家在具体应用到一些场景的时候 ，是所有的企业都用得很好吗 ？ 会不会有一些企业 ， 比如说它们内部本来它的数据就是不全的 ， 所以它也会上手比较困难 ？ **朋新宇** [12:58] 是 ， 这就是今天我们说 FDE 里面我们说第二条 ，以企业数据治理为基座 ， 这个很关键 。 比如说从我这里雇佣一个工作 5 到 10 年的这么个员工 ，但是进来以后你的企业的这些基础的信息啊 、 知识库啊 ， 你都是乱的 ， 那这个人进去也是傻眼了 。 所以我们雇佣这个员工 ， 比如说对一些大企业 ， 它有自己的一些私有的上下文企业的各种知识库 ， 我们的 FDE 在这里工作 ， 就是要去帮它梳理和治理它的企业的数据 ， 如何让这个 data for agent。 那我们在帮一家企业 ， 它是在多个电商的平台 ， 淘宝 、 天猫啊 、 京东啊 ， 或者是在抖音去做投流 ， 它发现它有好几个投手 ，但是投手和投手之间天壤之别 。其实发现内部做复盘总结 ， 我们进去发现 ， 我们把这几个投手过往三个月你的投放的行为做了一个分析 ， 我们发现做得最好的一个投手 ，他在三个月里面他做了超过 1 万次的价格调整 ， 那做得一般的投手大概在三个月 ， 你就算 100 天好了 ， 做了 100 多次 。 一个投手呢 ，其中一天大概做一次左右的操作 ， 那那个投手呢 ， 可能一天平均做 100 次操作 。 那这个差异你如果靠人去学 ，其实靠老师傅带新徒弟 ， 你很难去学 。 这就是发挥今天 AI 的哈里斯工程 ， 能够去做自我学习 、 做进化 。 如果把这件事情理解成为工作的这个几个基本的元素 ， 第一个是学习 ， 就是数据采集 ； 第二个呢 ， 就是建模 ； 第三个呢 ， 就是执行 ； 第四个呢 ， 就是迭代 。 只是第一件事情 ， 往往原来很多的企业说这个事情是我有经验 ，其实很多的经验它一定是有它存在的场景 ， 这个场景一定有局限性 。 那只有什么情况下它没有局限性 ？ 就是把你过往三个月所有的行为 ， 我们能够有一个数字化的度量和学习 。 基于这个学习背后， 那 AI 一定比人能够对你的行为的总结 、 提炼和发现更加全面和深刻 。 所以我们把这些东西今天成为我 Agent 这个数字员工的技能之一 ， 成为它未来能够用每天新的对话呀 、 处理的异常信息啊 、bad case、good case， 能够去做进化 ， 这样才形成这么一个工作模式 。 所以在企业侧其实发现像这样的环境是通用的 ，但是每一家工作的细节是不同用的 。 那这个环境正好就是我们这套 AgentOne 能够去从你的数据收集到模型建模 ， 这个工作的那个 skill 的这些梳理完了以后， 你的工作的建模 ， 再到你执行任务的推进 ， 最后你能够做到进化的迭代 。 所以这部分是通用的 。 **泓君** [15:17] 对 ， 所以 AI 它其实是在向人类最优秀的投手去学习的 。 比如说 90 天它进行了 1 万多次价格调整 ， 这是人做的调整 ， 还是说它已经形成了一套机器建模的方法论 ， 它会在系统里面做很复杂的设置 ？ **朋新宇** [15:33] 这里面其实所有的操作其实都是人在做的 ， 只是它可能借助一些工具 ，但是那个行为就是物理上就人在做的 。 **泓君** [15:40] 嗯 ， 我发现这个点很有意思 ，因为刚刚我们讲了客服 ， 我觉得企业内部的数据很重要 。 您刚刚讲到投流的这个例子啊 ， 我理解现在市场上， 比如说大家要投这个淘宝天猫平台的投流 ， 或者是其他的广告投放的投流 ， 几个大的平台是比较相似的 。 这一类的 Agent 的产品 ， 它是不是一个比较标准化的产品呢 ？ **朋新宇** [16:04] 对 ， 国内最大的 SaaS 平台就是这几大电商平台 。 那这几大平台它已经最大公约数了 ， 大家在下面的素材呀 、 价格呀 、 系统啊 、 数据啊 ， 已经标准化了 。 所以这部分已经能占了这个企业做投手 80% 的数据准备和系统学习的能力 。 所以这部分东西是 FDE 站在这一个巨人的肩膀上工作的基础 ，是非常重要的 。 只是我们在类比说中国没有一个独立的 SaaS 公司 ， 只是中国的平台企业承载了 SaaS 公司的能力 。 所以这些能力我们今天在 AI 时代它是可以被利用 ， 被发挥的价值更大的 。 **泓君** [16:37] 对 ， 我们刚刚提到了其实 AI 在向人类最优秀的投手学习 。 我能相信不管是现在还是说它未来的工作能力 ， 它一定是会投的比人更好的 。 但是只要 AI 投的比人好 ， 这样就会带来一个结果 ， 大家会更多的去用这些 AI 类的工具 。 所有人都在用工具的时候 ， 你觉得这个差异会被抹平吗 ？ 最终它真的是一个生产力的提升 ， 还是说它是一个先行者的优势 ？ **朋新宇** [17:04] 如果用传统的生产三要素来讲 ， 生产资料 、 生产力和生产关系 ， 现在这个阶段大家都是在生产资料上的能力提升 ，有更好的算力 、 更好的智能 ， 能够让个人生产力的边界变得更大 。 但是我觉得未来提升的就是能够通过 AI 能制造新的生产力 ， 比如说我就是一个在线 24 小时的投手和服务人员 ， 我觉得这个就时间先后 ，不可能永远有绝对的竞争优势 ， 一定是个时间窗口 。在这个时间窗口之下， 谁能够企业更好的拥有和运行自己的数字员工 ，在企业侧为增长做服务的 ， 我觉得这个可能是就领先的 。 第二个呢 ， 能让这个是持续能领先一点点的是 ， 我觉得还是要回到企业自己核心的生产资料 。 不管是过去的时代还是今天 AI 时代 ， 最大的企业的生产资料就是数字化 ， 这部分还是有蛮大的文章 。 大家经常会看到我们建议数据平台 ， 可能给内部看数用 ， 那今天的数据系统吧 ， 我们给 AI 用 ， 你建的好坏在这里是有差异的 。 **泓君** [18:01] 嗯 ， 一个企业它的数据平台建的好坏 ， 它的区分点是什么 ？ 什么是一个好的数据平台 ， 什么样不是 ？ 然后什么样的企业它可以建成好的数据平台 ？ **朋新宇** [18:11] 对 ，其实好也是一个相对的嘛 。其实对于企业来讲 ， 我觉得还是一个比较可以度量的 ， 就是你落到具体的业务效果上来 ， 能不能有正的经济效益 。 今天看下来 ， 交付完一个 Agent 或者交付完一个系统才刚刚开始 ， 你的企业真正是让这些数字员工能上岗工作 ， 为你接单 、 接流程 ， 为你推进工作任务 ， 这是开始 ， 这两个是不一样的 。 原来是数据平台交付完这套系统就结束了 ， 今天在这里是交付完以后你用起来 ， 用的好坏最终是用业务结果来买单 。 **泓君** [18:42] 嗯 ， 大家其实从去年今年都开始在谈这件事情 ， 包括开始准备去使用 Agent， 企业现在用 Agent 到了哪个环节 ？ 是已经到了一个可以验证交付结果的环节 ， 还是说他们只是刚刚开始 ？ **朋新宇** [18:58] 反正从我们所服务的客户和接触的客户来讲 ， 我觉得是有结构性的差异的 。 走的比较先的可能有数字化基础比较好的 ， 就类似于原来在电商啊 、 在互联网积累比较好的 。 那还有一类呢 ， 就是一些大的企业 ， 它本身内部原来的 IT 啊 、 信息化做的比较好的 。 第二个呢 ，是我们现在是看到是在比如说投手或者是说客服 ，其实我们有不少的企业它已经就在用了 。 那可能用另外一句话讲 ，其实大部分的企业真正做出效果的它不会去讲的 。 今天可能是企业和 2C 不一样 ，2C 是一个新的功能 ， 好的功能它立马就会让全天下知道 ， 对企业侧它只要这个效果它持续在用 ， 那其实这个就是好的 ， 最终是用结果来买单 。 **泓君** [19:39] 哦 ， 了解 。 你们今年去谈客户的时候 ， 你觉得要让他们把自己的一部分系统放在这个 Agent 上， 它是得从上往下推动 ， 还是从执行层自下而上的跑起来 ？ ### 自上而下 **泓君** [19:53] 今年企业对 Agent 的改造业务流程 ，他们是一个什么样的态度 ？ **朋新宇** [19:57] 对 ， 这是个好问题 。 那这两者都有 。 那目前我们看到的进展顺利的是自上而下的 ， 涉及生产关系的问题 。 自上而下是这个业务的 1 号位 ， 它能决定既有 IT 费用又有业务费用 ， 那它才能够去算总账 。 今天如果自下而上的话 ， 我们就遇到反向的一例子 。 曾经遇到一个客户 ，他的某一个业务部门他想做业务的 Agent，但是他今年没有预算 ，但是呢他的 IT 团队有预算 ，但是今天这个 IT 团队可能和这个业务之间是不同的部门 。 我们就在这个过程中发现 ， 需要通过我们的这个业务方案去设计 ， 既能满足 IT 的先进性 ， 又要满足业务的效果 。其实发现这个生产关系蛮难去弄的 ，因为可能 IT 要的先进性不一定是业务要的效果 ， 业务要的效果可能今天不一定是最先进的 。 那今天反向是成功的是 ， 我们遇到的是有的企业可能是比较传统的企业或者制造业 ， 它的 1 号位董事长就是非常明确 ， 我今天必须要去拥抱 AI， 要去用好 AI， 用在哪里 ？ 比如说他选定一个销售端 ， 那从哪个区域开始 ？ 自上而下 。 那自上而下以后发现他的财务啊 、IT 啊 ，以及他的销售线都动起来 ， 生产关系重新发生了变化以后， 那业务的这个销售 Agent 它从一个区域复制到全国的区域 ， 就形成一个很快速能够去推动的一个局面 。 **泓君** [21:11] 嗯 ， 对 ， 企业在推动这一部分业务的时候 ，因为它会涉及到很多企业内部的这些数据啊 ， 大家要把各个流程 、 各个部门的数据 ， 还有一些方法论都拿出来 ， 把它做成一个 Agent。 企业在跟你们负责前端部署的人在沟通的时候 ， 这会是他们有顾虑的一部分吗 ？ **朋新宇** [21:32] 这是个好问题 ，也是一个我们的优势 。 原来四五年的时间 ， 我们帮助了大几百家到上千家的中大型的客户部署了数据平台 。 所以本身原来部署数据平台就是已经帮他数据做了治理 ， 做了打通 。 所以基于这个平台之上去涨业务 ， 今天就是一个水到渠成的事情 。 那今天可能遇到一些新的企业构建这个 Agent 的过程中， 它要花很多的代价 ， 还是要在下面构建今天企业级的数据的管理和清洗的这些能力 。 但是我们因为原来积累了投会大客户就有好几百家 ， 它本身就原来持续在数据平台上做数据积累 ， 基于这个上面去涨 ， 这些应用就比较方便 。 **泓君** [22:08] 嗯 ， 我理解您提到的大客户是之前跟阿里就是已经有商务合作的这样的一部分客户 ， 您又是做数据中台的 ， 所以其实是沉淀了很多的数据的 。 **朋新宇** [22:18] 是的 ，是的 。 **泓君** [22:19] 那如果大家跟你们一起去合作一个这样的 Agent， 它的商业模式是什么 ？ 最终这个数据它是在企业端 ， 还是在阿里端 ， 还是说大家共有呢 ？ **朋新宇** [22:29] 这是两个问题 ， 一个是商业模式 ， 一个是技术模式 。 商业模式来讲呢 ， 基本上就这么两大类 ， 一种呢是按照作息收费 ， 就是工作量嘛 。 第二个逻辑呢就是按效果逻辑 。 第一种是比如说刚才讲的客服 ，他原来是 500 人要去接管他的一年的生意的这个服务 ， 那今天我们用同样是 500 人的价格 ， 比如说有个 8 折 9 折的投入 ， 能做到你原来一样的效果 ， 就是我们叫做按照成本 、 人力成本替代的转化逻辑 。 第二种呢就是我们基于比如说做营销 、 做投手这些增长 ， 那原来你的转化率比如说是 20%， 做到你原来人工转化率之上的部分 ， 我们做分成 ， 这么两大类 。 **泓君** [23:07] 嗯 ， 现在按照效果付费的已经真实发生了 ？ **朋新宇** [23:10] 有的 ，有的 。 **泓君** [23:11] 有达成效果了的吗 ？ **朋新宇** [23:13] 肯定是有的 ，而且是连续续费或者连续在服务中的客户 。 这些客户其实我们首先一个默认的是 ， 所有的做生意的他比我聪明 ， 今天他能算得过来这个账 ，他一定才能去做续费和服务的 。 不要去默认我们想去能够比客户更加聪明 ， 或者是我们去包装一些东西 ， 让客户能够觉得基于这个包装溢价 。 那我们原来有个词叫 POC，其实今天叫 MVP， 可能不需要去做概念论证 ，因为你今天我是一个数字人在这里 ， 你上来就能体验就能用了 。 那最终是要是基于他家的业务单元 ，他家的数据单元能做一个最小能价值验证 ， 客户最终验收通过 ，OK， 那你就继续用 。 这种才是一个比较互信和有持续粘性的这样的一个服务方式 。 那前面刚才讲的是商业模式嘛 ， 第二个你刚才提的问题背后呢 ， 还有一个是技术模式 。 那我这里可能讲三个词 ， 定制化 、 标准化 ， 还有一个词是个性化 。 原来过往的大部分都是希望用定制化的方式去满足企业标准化的流程 ， 可能每个企业他说我的工作流程和别人就不一样 ， 要去做定制 。 那这里是把他原来已经工作内部非常顺的 ，不管是 8 步还是 10 步的这个流程 ， 把它刻画下来叫定制化 ， 用定制化的方式解决他标准化的问题 。 那这个标准化问题就是看这个企业对他的业务的流程 know how 理解总结的到不到位 。 如果到位 ， 那这个确实有效 ； 如果不到位 ， 可能能解决 30% 的问题 ， 那天天会有 70%、60% 的新的增量 ， 那这个就会变成一个又长又久的系统交付的工程 。 就今天的这些 harness 工程 ， 那能够把原来企业的工作流 、 数据流 ， 包括企业的上下文 ， 我们把这些工作区间能够标准化下来 。 那同时因为今天有了自主进化 ， 所以呢这些在面向不同的客户回答问题的过程中， 它就能做到个性化 。 所以对于 AI 的领域来讲 ， 它可能未来更多是用标准化的方式去解决个性化的问题 ，因为既然定制化就很难去做到个性化 。 ### 标准化 **泓君** [25:07] 嗯 ， 我理解当我们在说标准化的时候 ， 比如说我们给企业是一个标准化的产品 ， 就是类似于比如说我提供了 AgentOne， 然后我上面有几个大的方向 ， 你只用去采购我这个 Agent 的席位就 OK 了 。 这是一个非常标准化的产品 。 但是呢定制化就是说 ， 你的企业可能会有一些特别的业务需求 ， 我可能需要再跟你的数据打通 ， 它能回答更多的个性化的问题 ， 我需要把你的这些信息都接进来 ，因为这样哪怕我是一个客服 ， 我才知道是哪个环节出了问题嘛 。 但是在真正涉及到这一部分的时候 ， 你觉得这一部分很多的大的企业 ， 比如说它有电商的企业 ， 那它可能还有线下的 ， 大家的问题完全不一样 ， 就是这些它都是能用这种标准化的手段去解决的吗 ？ **朋新宇** [25:59] 前面那个环节 ， 我们如何去分辨它是定制的还是可以被标准的 。其实定制就是你去问他企业里面的每个人 ，他的流程可能都不一样 。 你最终需要做内部叫企业叫做企业流程培训 ， 完了以后你这套系统才能上上去 。 那今天的分水岭是什么呢 ？ 你把现在企业真实在工作的这些人的行为能不能数据化 ， 通过数据最终帮他表达你这个企业最好的销冠是什么工作的 ， 你这个企业最好的投手什么工作的 ， 那这个工作是不是你希望复制到所有的人的 。 那如果是这个是一个参照系的话 ， 那可能和原来的离散的似是而非的标准 ， 这是本质的差异 。 **泓君** [26:35] 嗯 ， 那这种你们会给企业做一些定制或者企业专有的软件吗 ？ **朋新宇** [26:40] 我们现在已经很少去做企业专有的软件 ， 我们还是聚焦围绕着企业里面增长的问题 。 增长的问题就是最终我一定是用能数据能度量 。 当然我们也遇到一些客户也会说希望明年买我们 1000 个人天的投入 ，但其实这种方式我觉得在企业侧也要发生变化 。 那未来我觉得买这种人天的方式 ，其实定制的方式其实会越来越少 。 **泓君** [27:02] 人天是什么 ？ **朋新宇** [27:03] 就是这就定制嘛 。 比如说我开发一个功能要 100 天 ，他估算他可能我大概有 10 个系统或者是有 100 个功能 ，他可能自己算下来差不多要 1000 个人天的时间才能开发完成 。 所以他会去找我们啊 ， 或找市面上的一些公司说你能不能帮我来开发一下 。 那这个开发其实对我们来讲完全是一个从 0 到 1， 从养鸡场到养鸡到下蛋到炒蛋 ， 所有都干完 。 那这类事情其实对客户来讲 ， 对我们来讲边际效益都是非常低的事情 。 所以我们反而是说今天你是聚焦就是在做销售 、 做客服 、 做营销 ， 那基于这些场景之下的问题可能我们去接 。 **泓君** [27:40] 哦 ， 所以你们现在更加倾向于去做标准化的 Agent， 增长类的 Agent。 我觉得这个点非常有意思啊 ， 就我们可以讨论一下 。 我现在觉得呢 ， 过去在 SaaS 那波很热的时候 ， 大家想去做这种标准化的产品 ， 这一波很热的公司是 Palantir 嘛 。 我觉得它大概有 46% 到 47% 的营收来自商业客户 ， 主要是派他的工程师去一个一个企业里面改造 ， 就像您刚刚说的从 0 到 1， 把企业内部的系统搭建出来 ， 就像比如说他要 1000 个人天来去搭建一套系统 。 我理解现在像 OpenAI 然后微软 ，他们可能也是想用这一套 AI 工具把这些工具布局到企业内部 。 那他们呢其实就做的是一个一个企业纯定制化的思路 ， 然后我理解你们反而是在走一个相反的做产品的思路 。 **朋新宇** [28:35] 对 ，Palantir 其实它一个前提是 ， 那服务那些企业它原来都是有基座的 ， 它是去帮客户去找出有价值的问题 ，而不是去帮客户去实现他给我列出来的 to-do list 的 100 个功能需求 。 这两个本质的差别 。 我们现在交付和服务中的客户是 ， 我们进到客户里面可能和企业的 CEO、 业务总裁到下面的一线人员 ， 我们都要去做交流 、 做访谈 ， 最终是和他一起先找到他公司里面这个阶段在销售侧或者在营销侧 ， 或者有些是可能在他业务增长侧最有价值的问题 。 那这个问题最终还是回归到我们所擅长的 ， 作为他的业务的增长就是三类 ， 要么是销售的增长 ， 要么是你今天营销的 ROI 的增长 ， 要么是你今天客服本身的服务人效的 ROI 的增长 。其实我们在中国这样的企业和这样的客户群体非常大 ， 所以我们今天不是说每个企业我都能服务 ，而是说我们找到企业里面有每个这样问题的场景 ， 我们能 够提供服务 。 **泓君** [29:37] 嗯 ， 你们是一个垂直一个赛道一个赛道的做 ， 基本上通过一些典型的客户场景把一条赛道打通 。 **朋新宇** [29:44] 是 ， 如果具象来讲 ， 它可能也是一些行业专属的应用或者数字员工 。 **泓君** [29:49] 嗯 ， 了解 。 如果是这种比较标准化的服务 ， 我理解他按作息收费就好了 ，他按效果这个要怎么计算 ？ **朋新宇** [29:57] 其实呢这个使用的方式是标准的 ， 比如说大家都会接个数字员工 ， 比如说我刚才讲的那个投手 ，他其实帮我去每天采集各种的市面上的新品也好 ， 同类的企业他发了新品新的价格 ， 从采集数据 、 分析数据 、 做决策 ， 然后调整自己的策略 ， 就是这个方法是标准的 。 但是每个微操是完全不标准的 ， 那可能每个行业有些行业它的转化率比如说 2%，有的行业可能转化率 20%，有些品可能在不同的渠道 ，但是转化率不一样 。 这些地方呢可能我们没有办法说有一个标准的 ， 今天说一定给你提升 10 倍 、5 倍的 ， 还是根据数据来 ， 根据你过往的你在不同的平台 、 不同的时间 、 不同的促销期 ， 你的效果怎么样 ， 我们做一个分析 ， 完了以后我们做一个 MVP， 我们 A/B test， 那这样一些比较以后， 哎 ， 最后有效果 ， 我们会和你做一个业务模式的结算 。 我觉得当下这个阶段可能也在试 ， 对很多企业来讲 ， 今天其实在这里的投入肯定是希望能拿到更高额的一些回报 ， 所以我们会有这样的一些企业 ， 我们愿意做一些尝试 。 比如说有的叫对赌 ， 今天其实我们不叫赌 ， 还是叫做测评 。 那有这么一个测评 ， 我的智商就类似于模型的 SOTA 一样 ， 我能够去拉到什么一个水位线 ， 这个我觉得今天对智能和对今天企业的数据让模型更好的放大是一个很好的方式 。 **泓君** [31:14] 嗯 ， 我们刚刚其实聊了客服嘛 ， 然后看看有没有投手或者销售的例子 ，而且我对销售非常感兴趣啊 ， 我觉得投放它可能还稍微标准化一点 。 ### 销售Agent **泓君** [31:24] 我理解销售它每个行业之间可能就差别更大了 ， 比如说酒的行业 、 媒体的行业 、ToB 的行业 、ToC 的行业 ， 它是完全不一样的 。 **朋新宇** [31:33] 是的 ， 我们有一家制造业 ， 它原来有很多线下的渠道 ， 各个省带渠道的这个销售人员就服务各种的经销商 ，而且这些人员最大的一个麻烦和约束就是他的上班的时长和客户的时长 。 即使在一个区域 ，他一天拜访可能他手上大概有二三十个客户 ，但是他如果按照拜访到一天只能两到三家 ， 那先去哪一家 ， 后去哪一家 ， 那这是一个时间的规划的问题 。 第二件事情是我见了这个人， 我应该是和他 propose 什么东西 ，以及和他交流什么话题 ，以及这个话题最终可能和我企业内部需要我的任务和目标是什么关系 ， 这个叫方案 。 第三个是 ， 哎 ， 我和这个人沟通完了以后 ，他可能有些要执行的任务可能不是我预设的 ，但是可能有一系列的一些动作 ， 这个动作可能和他的内部的业务的系统要去录入 。其实原来这件事情想想都是靠着人力的 ， 今天我们帮这个企业是从一个省的试点开始 ， 这个试点原来是一个最落后的销售的区域 ， 那在今年的上半年， 那个省评为最先进的 。 你想想这些过程可能 AI 能在各个环节能帮助 ，但是缺少一个销售的 AI 能够把它从事前 、 事中 、 事后都能串起来 。 前面的路线规划 ， 中间的我要去做哪些客户见面的材料准备 ，以及准备完了以后我的小计和我系统怎么录入打通 ， 如何去 trigger 到我后面的内部的相应的其他人员跟进 。 原来这个销售可能每天花一半的时间在做资料准备 ， 可能晚上大概花两个小时做复盘 、 做系统录入 ， 那今天可能对销售他的工作时间效率大大提高 ，而且他的最终结果就是那个省拿到那公司的销冠 。 **泓君** [33:06] 哦 ， 这个印象深刻 ， 对 。 **朋新宇** [33:08] 我们从企业的消费侧来看 ， 增长就这么简单 ， 可以理解三大类 ： 售前 、 售中 、 售后 。 那售前其实就是营销 ， 售中就是销售 ， 售后就是客服 。其实你售前再看它也是这么三大类 ： 投前做预算分配 、 做渠道分析 、 做人群挖掘 ； 投中做素材生成 、 素材管理 、 素材的优化 ； 投后做复盘 、 做渠道筛选 、 渠道优化 。 你看这几件事情其实背后都是数据加 AI 能够肉眼就能看得到 ， 能在这里能够去提供很大的价值的 ， 只是这个怎么串起来 。 你再看售中， 销售也是这么三件事情 ： 新客 、 新购 、 转介绍 。 哪里有新客 ， 哪些新客变成新购 ， 所以你看到会有什么试驾呀 、 试吃啊 、 试穿啊 ， 一堆的 ， 都是让他你的新客户变成我的新的购买用户 ， 都是为了让你能够更好对我的产品有理解 。 那我要把这个试的机会给谁 ， 这里你看到都是有数据加 AI 的机会 ， 能够去找到在企业私域的信息化数据范围之内能变得出来最好的 ， 或者是能够去规划出来最好的策略 。 你看客服也有这么几类的 ， 可以抽象交付履约 ， 比如说我买一个东西什么时候上门安装 。 第二个是售后投诉 ， 我买的东西刚刚讲催发货呀 ， 缺了个脚啊 ， 什么缺了一个什么配件啊的投诉 。 那第三类就是长期复购 ， 我新产品来了或者我新的功能升级了 ， 如何让我来继续提供服务 。其实这几大板块往下拆解和理解 ，其实我们今天这几类 Agent 就是基于这些岗位 ： 最佳投手 、 最佳销售 、 最佳客服坐席的这样的一些人设去做 Agent 的设置 。 同时我预制的这样的一个 Agent， 它有一个比如说工作 5-10 年， 或者是一个本科生的一个水平 ， 或者硕士生的水平的这么个人。 那今天进到那企业来干嘛呢 ？ 你需要有企业的资产给他去打理 ， 这个资产就是你企业的数据权限啊 、 资金的审批 、 投放的权限啊 、 客服相应的呼录和资金赔偿的上限啊 ， 给他这些权限 ， 那你在你企业就能工作 。 为什么说我们我们说营销 、 销售和客服是这样理解的 ？ 是因为站在企业的生意的逻辑来看 ， 这几个角色是在每个企业都存在的最大工业数的岗位 。 那这些岗位是能看到通过数据加 skill 能最大化的把它变成 Agent， 能够去自动上岗 、 自主进化的体系 。 **泓君** [35:18] 所以你们现在内部有多少个这样的不同的 Agent？ **朋新宇** [35:21] 那我们提供的 Agent 服务方式呢 ， 如果简单来讲就是 4 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的上下文管理 。 那 4 是分别哪 4 个呢 ？ 一个叫营销 ， 一个叫销售 ， 一个叫客服 ， 另外一个是运营 。 我们这个 Agent 就是在这个行业里面能做到 5-10 年的工作技能的人， 叫做最佳岗位的时间的预设 。 然后同时 X 就是雇了一个这样人进去以后， 你给他什么样的权限 ， 什么样的企业的数据 ， 什么样的企业的审批权限和资金的管用的权限 。 所以这个理论的 X 就是我们需要去和企业一起去梳理 、 去治理 ，以及在原来他有的企业的平台之上能去做一些数据资产管理的 ， 能够让前面的 Agent 更好上岗 、 更好工作 。 ### 部署周期 **泓君** [36:06] 对 ， 您刚刚提到的那个帮助制造业做销售的这样的一个 Agent， 从您的员工开始接触了解这家企业 ， 到真正的把这家企业适用于他们企业销售系统的 Agent 打造出来 ， 这个过程大概会花多长时间 ？ **朋新宇** [36:23] 哇 ， 这个还是一个好问题 。 我觉得我们讲起来很容易 ，但是其实做起来是蛮难的 ， 特别是在新的技术革命的开始 ，有人相信 ，有人怀疑 ，有人在不断的摇摆嘛 。 所以我们做这件事情可能花了一年多 ， 可能讲起来两句话讲完 。 核心的是这个企业整个的组织层面的关系 ， 解放思想很重要 ， 先去熟悉工作岗位 ， 这个花了可能是比较大的时间 ， 可能占了 1/3 不止 ， 完了以后才是去做建模 。 那后面呢 ， 我们同样花了大概 1/3 的时间在教练团 ，因为我们有这样的 Agent 出来以后 ，并不代表他今天就完完全全是一个优秀的投手或者优秀的一个销售 。 所以我们有一个 AI 的导师团 ， 那我们要去调教他 ， 就前面的学习和中间调教加在一块花了 2/3 的时间 。 那另外其实真正的实施执行和系统的上线反而是快的 。 **泓君** [37:11] 嗯 ， 熟悉工作岗位这个我理解 ，其实就是我们今天提到的 FDE 前沿部署工程师 ，他要真的到企业内部 ， 然后跟大家沟通交流 ， 包括他是不是还得在每个企业轮岗 ， 看这个企业他是怎么运作的 。 假设啊 ，他们的销售发现我们是抱着这样一个目的去的 ， 我们可能要建一套 Agent 的系统 ， 会遇到执行层的人会比较抵触的这种现象吗 ？ **朋新宇** [37:34] 肯定会的 ， 这是人性啊 。 所以我们刚才前面的话题就是说 ， 能看到跑得快的是自上而下的跑得比较快 ，但是我们惊喜的看到我们做了几个成功的企业 ，有部分的企业其实 CEO 或者董事长做的最多的一件事情是动员思维的转型 。 所以我们有一位董事长 ，他一年在企业内部给他的全员和管理干部培训 ， 自己作为董事长学习 AI 去讲课超过 15 场 。他说我先学会 ， 我再给员工讲 ， 那员工才能去理解我的思想和能用好这些系统 。 所以我觉得思维转型是非常难的事情 。 但是惊喜的看到是说 ， 这些员工原来担心的 ，其实大家都在互联网谈的一个词 ， 就是人会被替代掉嘛 。其实发现在企业侧不是这个样子 ，其实企业侧我们觉得同样会形成 K 线进化 ， 比如说 IT 的团队 ， 这些成员原来在数字化时代是非常有竞争力的 ， 我觉得在这个 AI 时代他是更加有竞争力 。他首先他 base 是了解 AI 或者是用 AI 的工具是有技术背景的 ， 所以他上手快 。 同时只要他往业务再走一点点 ，他可能就是企业内部的 FD，他能找到企业内部更多比我们这些对那些不熟人找到更多的企业的三个点 ， 就是耗钱最多 、 耗时最多 、 耗人最多的地方 。 找到这一点去雇佣和培练这样的 Agent 上岗 ， 那他的价值就更大 。 那所以这个人 K 线往上走 ， 那另外第二类的 K 线就往下走 。 你如果今天我就是和你对抗 ， 你可以对抗一个工具或者对抗一个项目 ，但是你对抗不了这个趋势 。 但是我们看到这个董事长一年培训了 15 场 ， 然后发现 ， 哎 ，他的财务 、 他的 IT， 还有他的原来渠道的一些销售的负责人， 哎 ， 慢慢变成了一个叫做帮助客户成长的这样的一些导师也好 ， 这么一个角色 。 这个角色其实我把它范称为是企业内部的 FD， 我觉得往 K 线的上面走 ， 这部分人是有巨大的机会 。 这里面可能我觉得首选是像原来的 IT CIO、CTO 的这样的组织 ，他们只要往业务走一点 ， 原来很多做技术的都是这样子 ， 上面的业务同学们需求给我提清楚 ， 我就干就好了 。 但是今天是反向式 ， 你要去学会提问题 。 **泓君** [39:34] 那比如说我们刚刚提到的像销售 、 客服这一类的职位 ，他们会有向上走的可能性吗 ？ **朋新宇** [39:41] 当然 ， 今天他可能不是自己去上岗做真正的一线的接线或者是处理投诉的人 ，他是这个客服 AI Agent 能力的 。他去每天做异常处理 ， 每天晚上的复盘 ， 一样他要去做总结 ，他要去做任务派发 ， 新技能的让这些 Agent 去学习 。 那这个人他整个的成长路径就不是原来说我去处理 100 个更刁难的问题 ，而是如何让我这 10 个跟着我的 Agent 能够去覆盖原来超出我工作量和工作能力范围之内的工作 。 **泓君** [40:09] 嗯 ， 我觉得他们的工作性质跟工作方向发生了变化 ， 可能以前从一个执行的职位变成了带着一群 Agent 管理他们的职位 。 **朋新宇** [40:20] 是的 ， 所以这些人在企业侧或者在市面上 ，他会越来越值钱 ，而不是今天我们换了一个 title 叫 FD 就值钱了 ，而是这些人具备我刚才讲到的以业务结构为导向 、 以企业数据为基座 、 以岗位标杆为预设的这个人 ，他能够帮企业拿到结果的 ， 至少 FD 他是值钱的 。 **泓君** [40:38] 对 ， 我们刚刚提到了首先要熟悉工作岗位啊 ， 然后这个可能真的也是要企业的一把手 ， 从上到下整个大家思想体系的一个变化 。 那另外您提到的第二点是建模 ， 第三点是有一个 AI 导师团 ，他来用这个工具 ， 这个具体是一个什么样的步骤 ？ **朋新宇** [40:56] 对 ， 我们举一个 Agent 上岗的例子 ， 我们在一家企业 ，其实不是说我今天部署个系统立马就切换上去 ， 我们是大概一周的时间 。 原来我们可能有个词叫做灰度 ， 能给我多少流量或者给我多少的客户量或者是 DAU 进来 ， 我们不是这样子 。 我们是第一天我们切晚上 0 点到 2 点的客服的数据进来 ，因为这个时间是客户需求最少的时候或者低谷 。 这样的话即使我的第一天上去有什么问题 ， 那影响面是可控的 。 那基于第一天的工作上岗以后， 我要去做评审 、 做分析 ， 再做一些调整 。 第二天的时候我就改他的上岗时间 ，是从下午的 12 点到下午的 2 点 ， 这个时候是这一天工作最高峰的时刻 。 我们并不是抽高峰时刻里面得 1/10 的流量 ， 我们要的是这个时间段全段的流量 ， 只有全量我们才能知道你异常的边界 。 那同样我复盘你在最高峰的表现 ， 哪些有毛刺 ， 哪些有你客户投诉炸毛的 ， 哪些是你哎处理的比人好的 ， 那我就去做一些调整 。 第三天可能我会放大到 8 个小时 ，以此类推到一周的时间 ， 让它变成一个能够符合我整个企业设定的参照系 。 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 ， 所以是这么一个工作模式 。 **泓君** [42:11] 我理解整个这个过程 ，其实他要把它测试运转跑起来 ， 然后在这个过程中不断修正 ，他其实还是需要花很多的时间 ，有一轮轮的反馈的 。 **朋新宇** [42:21] 是是 ， 就原来我们是把它当成个工具 ， 现在我真的是把它当成一个我的同伴 。 教会你以后我不在的时候 ， 或者是在晚上凌晨的时候 ， 你就真的是能够完全接管我 ，而不是说一个指令 。 现在的可能有些默认叫自动回复 ， 自动回复都是一些 FAQ 嘛 。 **泓君** [42:35] 对对对 ， 那我们具体真正到前沿部署的这些人， 比如说他要去熟悉这个企业的工作岗位 ， 然后要建模 ， 同时还要在 AI 使用的过程中不停的拿反馈 ， 你觉得这个人他是需要一个什么样的素质跟画像的 ？ ### FDE画像 **泓君** [42:52] 因为我感觉这是一个很难的工作 。 **朋新宇** [42:54] 对 ， 我们做法不是一个人 ，而是一个组织 ， 要一个人有这样的 ， 那全才非常难 ，而且这个人的宽度和时间那就非常碎片化了 。 那所以我们基本上分这么三类 ， 一类呢我们叫 BA，以业务结果为导向的 BA， 这种是对客服流程本身有 200 多步流程 ， 我们怎么能编排或者怎么能去阅读这个客服处理 ， 这个是最佳的一个方式 。他能够去找出最好的 AI 的工作的模式出来 ， 设定出一个比较科学的数据标准去做评测 。其实他是偏业务 ， 像美妆啊 、 家电啊 、 家居啊 ， 还有宠物啊 、 汽车啊 ， 这些专家今天就是在我们这个组织里面工作的一员 。 第二类呢我们叫做 AI 架构师 ， 我们今天把那业务问题要翻译成为用什么尺寸的模型 ，以及什么环节我应该要去人干预 ， 什么环节应该要去用机器接管 。 这个 AI 架构这波人可能他的视角是今天对新的模型 、 新的 Agent 的进化的一些能力 ，他能有足够的掌握 ，他可能是就在 AI 进化的最前线 ， 最新的资讯 、 最新的产品 ，他都要去能快速的上手 ， 快速的能给出结论 ，并且快速的知道我这个业务应该匹配什么样的一个解决方案 。 第三类呢才是首席客服 、 首席销冠 ， 那这类人他是能够把前面的业务问题变成了这个 Agent 以后 ，在过程中能够去一起参与到调教他 。 那这个调教这里面呢 ， 我们的角色会变得弱一点 ， 会退后， 会在客户侧呢去挑选出来他客户里面最好的这几个角色 ， 能够去组成这个 AI 的专家团或者 AI 的教练团 。 如果企业内部未来大的企业 ， 或者是原来平台化做的比较好的 IT 能力和基础能力比较好的企业 ， 那这几种角色他内部应该都会要具备 。 可能在这个阶段 ， 那通过我们的方式是能够去快速的知道横向你们所在的这个行业里面最好的水平是什么样子 ， 能少走弯路 。 **泓君** [44:49] 那在一开始的时候 ，是谁说服这个制造业的董事长来做 Agent 的呢 ？ 我觉得拿下客户可能是第一步 ，而且这个客户他能说服董事长 ，他可能级别还不能低 ，他得有更好的 vision。 **朋新宇** [45:02] 没错 ， 对于 1 号位来讲 ，他就关注我要么收入增长 ， 要么利润增长 。其实我们只是在今天用 AI 的这个时代之下， 用 Agent 的这个方式去让他理解这个事情能满足他的收入增长或者利润增长或者人效增长的诉求 。 所以不是说我们用有一套什么样的方式去说服谁 ，而是这里面找到大家共同想往那个方向走的这个意愿 ， 那其实就是一拍即合的东西 。 我们说最难的是你把你的东西装到别人脑袋里面嘛 ， 那今天是正好他脑袋有这样的一些发展的诉求 、 期望 、 动力 ， 那我们在这过程中去帮你的动力更快的能看见 ， 更快的我们叫做 MVP， 能让他想到的 、 看到的是能够结合起来 。 所以我们像刚才讲的那个企业的董事长 ，是因为他讲了这些东西 ， 我们团队进去以后， 快速的通过今天 AI 工具去做出来 MVP。他的董事长就给他们的团队说了一个很具象的词 ， 就是说没看到之前我不知道我要什么 ，但是这个就是我想要的 。 **泓君** [45:57] 哦 ，有意思 ，他还是看到了一点点产品 ，他大概对他想要的东西自己也有个清晰的画像 ， 这个东西可能就是做出了一个他脑子里面的产品 。 **朋新宇** [46:07] 对对 。 **泓君** [46:08] 您觉得今年这些企业的 1 号位 ，他在接受 Agent， 包括主动去拥抱 AI Agent 的趋势上 ，他有发生什么样的变化 ？ **朋新宇** [46:18] 哇 ， 这个天壤之别 ， 原来都在讲怎么用 ， 能不能用 ， 现在直接跳过 ， 什么时候开始帮我用上 。 **泓君** [46:25] 从什么时候感受到这个趋势的变化的 ？ **朋新宇** [46:27] 就在今年春节之后， 这波龙虾兴起以后 ，以及后面的哈尼斯工程 ， 包括现在 Loop 啊这些 ， 慢慢能够让原来大家关注的 AI 都在模型参数啊 、SOTA 呀这个跑分 ， 到今天能够看到它执行任务了 。 那对企业来讲是非常立竿见影的 ，他脑子里面都有一本账的 ， 还是回到刚才那三个标的已经慢慢出来了 。 我哪里耗人最多 ，他就琢磨 ， 哎 ， 能不能帮我提高人效 ， 哪里耗时最多 ， 那能不能帮我提高速度 ， 哪里耗钱最多 ， 能不能帮我提高 ROI。 所以企业家是最聪明和最敏锐的一批动物 。 **泓君** [47:01] 嗯 ， 比如说他们现在用一个 AI 客服成本是多少 ， 然后他需要去付 Token 的用量的使用费吗 ？ 因为其实也是从今年开始 ， 硅谷的大公司也要求员工开始去用 Agent 的 ，但是我理解他跟您这边的可能还不太一样 ，他就是比如说鼓励大家去用 AI 工具 ，但很快就发现自己企业的 Token 的账单给烧爆了 。 ### Token成本 **泓君** [47:23] 现在在您接触的客户中， 会有存在这样的现象吗 ？ **朋新宇** [47:27] 这个是普遍存在的 ， 就拿我们自己举例子好了 。 我们在 Q1 结束的时候 ，其中有一个 AI 的项目 ， 我们收入可能 300 万 ，但投入 1,200 万 ，但是我们慢慢到这个季度结束 ， 基本上能看到就会打平掉 。 所以出去投入还是有的 ，但是今天呢正是因为我们自己是这样经历的 ， 所以我们反而设计出来这样的 Agent 不是让你对 Token 敏感 ，而是关注你背后你能解决的问题 。 还是那句话 ， 能不能算得过来账 ， 你算得过来账 ， 背后用什么 Token，其实对他来讲 ， 大部分老板他是不会 care 的 。 而且有些时候我们看到很多问题在客户侧 ，他并不是模型先进性的问题 ，他可能就是刚才讲的最后一公里的企业上下文 ， 企业的数据规不规范 ， 企业的数据好不好用 ， 那这些问题可能今天不一定是要用最好的这个大模型 ， 那今天反而我们是把这些降低他的选择和降低他的本身就不属于他应该要去判断的范畴之内 。 今天我买一个电脑 ，在行业里面还会去说我关注过电脑的 CPU、 我的芯片 、 我的内存吗 ？ 企业也一样的 ， 我觉得他一定是关注能够给我带来的那个账 ， 我算得清楚就 OK 了 。 我们希望在这一层通过我们的实验尝试去帮助客户 ， 未来在我这个平台上 ，他去雇一个外呼机器人， 或者是外呼 Agent， 或者是这个质检 Agent， 或者是电商投流 Agent， 那他是算一个总账的 ， 背后你用什么模型 、 什么方式 ， 可能这是留给我们团队的 ， 我们的技术能力做到多好 ， 就是我们未来的利润的空间和你成长的空间 。 **泓君** [48:52] 哦 ，有意思 ， 你们现在用的是哪个模型啊 ？ **朋新宇** [48:55] 所有的阿里运营平台的模型我们都在用 ，但是对于客户来讲 ，其实你是阿里系的模型 ， 还是今天的开源的 ， 像提名啊 、 像字谱啊 ， 这些在我们阿里云平台都有这样的模型 。 那这样模型我们反而是用这样场景来去帮客户挑选在什么场景下用什么模型 ， 对你的性价比最高 ， 可能我们对模型不会有执念 。 **泓君** [49:15] 嗯 ， 所以你们现在的策略 ， 我理解根据刚刚您说的 ， 应该不仅仅是说我只是无脑用最强的模型 ，而是可能是比如说好的模型配上， 比如说阿里的一些开源的模型 ， 可以下载到本地的 ， 大家是综合来调度 ， 现在是这样一个思路吗 ？ **朋新宇** [49:34] 对 ， 你其实谈到的问题就是说怎么部署的问题 ， 那其实部署我觉得分两类 ， 一类叫做系统部署 ， 一类叫做模型部署 。 那今天我们这些 Agent 目前就把它简单理解成一个系统号 ， 这个系统可以在我阿里云上 、 公有云上 ，也可以在你企业自己的环境里面私布 ， 那这是没问题的 。 第二个呢是模型私布 ， 那模型私布呢我们发现大部分人是混淆的 ， 一两年前大家可能都在谈我能不能下载一个开源的去私布 ， 那有人在这样干 ，是因为模型的智能需要去做后训练 ， 今天其实机模已经强到没有人再去提后训练这件事情了 。 第二个是比如说今天像开源的大尺寸的 ，不管是我们阿里的大尺寸的模型 ， 还是像今天提名这样模型 ， 都是两点几 TB 的参数 ， 那有没有算过这个账 ？ 如果你要去私布这样模型 ， 你没有个几千万的初始化的投入 ， 可能几千万对今天最新的先进模型可能还打不住 。 所以这个成本账没有算过 ， 第一个是需不需要 ， 第二个是成本耗不耗得起 。 所以这个模型私布 ， 我觉得这个事情未来更多的会交给像这样的 Agent，他去选择在什么场景下用什么样的模型 。 大家还有一个问题的混淆就是 ， 如果我不私布模型 ， 我是不是这些数据就给了你大模型公司了 ？ 只有私布我才能把这个数据留在我的企业内部 。 那其实今天我们用 Agent 去调大模型的过程中 ，其实我们和大模型对话 ， 大模型并不会吸你这些数据 ，而且这些数据可能对大模型来讲它是污染 ，但是真正说能够去收集采集的是编程的 Web Coding 这样的 Agent， 像 ChatGPT， 你和他对话 ，他是能够去采集这样的数据 ，他是为了让你更好的优化 。 **泓君** [51:06] 呃对 ， 这个是 ChatGPT C 端产品的一个默认设置啊 ， 当然大家也可以关闭用于数据训练的这个按钮 。 **朋新宇** [51:14] 那今天我们这层在哪里 ？ 就在你的 Agent 里面 ， 你的客服 Agent， 你的销售 Agent， 你的营销 Agent， 这些 Agent 可以部署在你家里 ， 部署在你的环境里面 ， 你可观可控 。 所以呢在系统这层可以管控你的数据安全啊 、 数据的合规性 ， 那在模型这层呢 ， 我觉得还是今天在市面上要用你最符合的模型和性价比匹配你解决你问题的模型是最优的方案 。 **泓君** [51:37] 嗯 ， 综合来看 ， 今天模型的能力已经很强大 ， 强大到很多用 AI 它就已经有一些效果了 ， 所以大家不用事事都用最好的模型 ， 反而是现在在一个拼效率的阶段 ， 就拼谁的运营效率更高 。 **朋新宇** [51:53] 是 ， 我觉得刚才这个话题在 ToB 这一侧不是模型的先进性 ，而是它和它业务场景比较多快好闪 ， 可以用最好的模型 ， 这些地方我有收益 ， 那我就做 。 但我们今天可能是用一个适中的模型 ， 能解决你场景原来对比下来就能达到很好效果的 ， 未尝不可 。 **泓君** [52:10] 啊对 ， 我刚刚问这个问题是因为您之前有提到过 ， 比如说模型能力一升级 ， 然后很多 Harness 工程就无用了嘛 ， 你们跟企业做企业级的 Agent， 我理解就是模型能力一升级 ， 你们会需要及时更新你们的 Agent 吗 ？ 对你们来说它是一个风险因素还是一个利好因素 ？ 它是会增加你们的工作量还是说这个其实还 OK？ **朋新宇** [52:36] 目前还 OK， 如果他用了我这台 Agent 的话 ， 我一定是在稳定的绑定 ， 这个模型已经是确定的 ，而不是说随着升级它就自动升级 ，而是要经过人工确认的 。 比如说我们一个员工上岗 ， 还是要经过刚才那个阶段的验证 ， 只是这个时间会缩短 。 所以这个验证在目前如果没有客户或者是我们主动升级的情况下 ，他还是用原来那个方式去工作 ，是保证效果最稳妥的 。 今天一定是我们在哪个地方测试到这个模型带来的足够的理由去升级 ， 我们去升它 。 那这个升我觉得从长远来看一定是好的 ， 那只是在这过程中， 我觉得这也是 FDE 在里面的关键作用 ， 我们要去测 ， 要去对比效果 ， 再去做升级的方案 。 而且升级方案可能并不是一个 API 级别的切换 ，在企业这一侧它也绑定了很多企业的流程啊 、 权限啊 ， 包括企业内部的管理的边界啊 ， 看起来切换很容易 ，但其实在企业这一侧 ， 它其实要的是稳定的工作输出 。 **泓君** [53:29] 嗯对 ， 你觉得中美的企业级 AI 现在大家有什么 ，因为市场商业环境不一样的地方 ， 然后他们之间就是有什么区别 ？ ### 中美对比 **朋新宇** [53:39] 先说企业 ， 再说这个角色吧 。 那像在前面的信息化阶段 ，有 Salesforce、 有 SAP 这样的企业 ，其实它已经奠定了很多的工作流 ，以及奠定了很多的数据标准 。 那在中国其实在这一块是缺乏的 ， 所以我们在中国做 FDE， 大部分做交付 ， 为什么现在交付不是我们这些同学或者是其他的这个行业他们想去做 ，而是每一家都没有一个比较平稳的地基 ， 所以我要先去做地基 。 所以这个交付就陷到了我们从第一天打桩盖楼再到上面装修 ， 一系列事情都要去干完 。 这是我觉得本身的这个基础是不一样的 。 第二个呢才是说今天美国的企业和中国的企业其实付费习惯也不一样 ， 你们在硅谷应该是很直观的 ， 大家对尊重知识 ， 包括人力成本也贵很多 。 那在中国是不一样的 ，因为中国每个大的企业都一个 IT 团队 ， 这些团队如果是仅仅是交付的话 ， 那其实它内部它也是能做的 。 那为什么你在这里能做出比它好的价值 ？ 那这里会遇到一个市场稀缺和一个市场饱和的一个问题 。 所以这个可能一种是系统的环境 ， 一种是人才的环境 ， 这两个不具备完全的 Apple 和 Apple 的可比性 。 第二个是说这个角色 ， 这里的人的工作有什么不一样 ？ 那在硅谷 ， 那其实这些人可能今天有几个大的平台 ， 可能包含像 Salesforce、SAP， 传统的这种 SaaS， 还有像 Facebook、Google 这种的互联网平台 。 可能在中国其实像淘宝 、 天猫啊 、 企业微信啊 ，他们要去更多的站在客户视角 ， 怎么去利用好已有的互联网的平台去工作 。 传统如果仅仅做一个功能集成的交付 ， 那它会落到非处的比对上 。 那今天可能如果是从互联网平台出来的人和做这些事情 ，他就有天然的优势 。他如何懂流量 ， 如何懂互联网的运作方式 ， 如何懂互联网之间的这些 know-how， 这个是蛮不一样的 。 **泓君** [55:27] 嗯对 ， 您觉得中国跟美国的 FDE 现在是领先同步还是之后 ？ 因为刚刚我听您说你们的几个客户 ， 您可能花了一年的时间跟他们去做部署 ，其实我感觉你们走的还是非常的早的 。 **朋新宇** [55:40] 对 ，其实我们没有 FDE 这个词之前 ，其实我们干的这个事情可能就是和我刚才讲描述的 FDE 就是往这个方向去的 ，并没有今天因为有 FDE 这个词来了我们就套上去 。 所以我们原来五年前就一直有这么一个团队 ， 就叫 CSM， 所以这个团队只是我们围绕着原来是客户成功 ，是今天有了 AI 来了以后把 AI 纳管进来 ， 我们如何继续让客户成功 。 我觉得我没有数据 ， 所以我没法对比说比它好还是比它不好 ，但是我们这几年一直在这样做 。 但是我们越来越能感受到 ，其实最终是用客户的订单 、 客户的续费来去对你表达你做得好和不好 。 所以目前我们看起来 so far so good。 **泓君** [56:17] 嗯嗯太谦虚了 。 那作为羚羊的 CEO 啊 ， 您现在最关注的三件事情是什么 ？ **朋新宇** [56:23] 嗯好问题 ， 我想一下 。 **泓君** [56:31] 比如是客户的拓展 、 找到好的人， 还是整个技术方向跟战略决策的把控 ， 或者是怎么样去提升运营的效率 ？ **朋新宇** [56:41] 呃抽象层面可能就三个东西 ， 一个叫做人， 哪些人， 不管是客户侧面的人还是我们自己的员工层面的人 ，是能够去更好的 、 更快的从 AI 里面冒出来 。在内部我们每个月会有一期叫做 AI 最佳实践的员工座谈会 ， 员工的分享 ， 那我们希望能快速的去找到或者去帮助这样的一些同学们能冒出来 ， 能够去成长 。 客户侧我们也是一样 ， 所以客户侧呢 ， 我们每个月都有一期 ， 或者每年我们都有一个很固定的一个活动 ， 叫做数据同学会 ， 那希望能找到这个行业里面头头脑脑的过去一年发展成长和蜕变最好的这些人， 能去交流 。 我觉得人是所有的这些事情的前提和根基 。 第二个呢是事 ， 事情呢这里我觉得是势能 ， 我们得找到在这个势能上的事情 ， 比如说我们最近在做的这个 AG1 上的这些客服啊 、 营销啊 、 销售啊这样的 Agent，其实我觉得找到这样的事情 ，其实最终是要能够看到它能自增长 ， 它能在客户内侧它能够自己口碑相传 。 比如说刚才讲的有些例子 ，其实都是一些客户和我们讲的 ， 或者是客户和其他的客户讲 ， 再来反过到我们这来的 。 第三个就是局 ， 局是局面 ， 这里局面就有 AI 的格局 、AI 的发展的局势 ，以及今天 Agent 的一些进化的局势 。 这里面有技术侧的 ，有工程侧的 ，有在模型侧的 ， 可能有在业务架构侧的 。 所以总结下来可能关注人势局 。 **泓君** [58:04] 嗯现在在 AI 时代啊 ， 您刚刚提到了人， 你们也会去做最佳实践的员工分享 ， 您觉得现在人的技能应该往哪个方向转变 ？ ### 人才观 **泓君** [58:15] 如果大家想要自己在 AI 时代发展的更好的话 ， 你们更倾向于招哪一类的员工呢 ？ **朋新宇** [58:20] 我们也在尝试 ，其实我们不知道最好 ， 所以说我觉得应该是要招的更好 ， 只能 better and better。 所以现在我们能看的就这么三类的结合 ， 一类是懂技术的 ， 第二类是还是要了解业务的 ， 要么技术往业务走 ， 要么业务往技术走 。 那目前看下来技术往业务走可能难度更低一点 ， 这业务呢可能我们不要是一个全才 ， 可能是一个专才 ， 你要么去把一个营销多平台或者单平台做得很好 ， 要么是你把一个行业里面的客服的各种边边角角流程理解得更透 。 所以我们这里有不少的这种叫客服专家呀 、 叫营销专家呀这样的角色 。 第三个呢我觉得还是懂数据 ，其实懂数据并不代表说我天天看报表 ，而是你看了报表 ， 你能至少在你脑里面我觉得有几个东西 ， 第一个同比 ， 你看到这个数据你得看到同比这个是健康与否 。 如果只是给一个裸数据说今天我增长 180 万 ，但这是好还是坏不知道 。 第二个呢我们叫做对比 ， 你是和自己对比还是和竞队对比 ， 和另外一个品牌对比还是和你自己家的另外一个产品对比 。 第三个呢我们叫做占比 ， 你虽然做了 180 万 ， 这个市场上你是万分之一还是说这个十分之一 ，但你的模式就会不一样 。 那其实这些呢可能是基本的一些数据思维 ， 那最终可能落到 AI 这一侧 ， 我们也是要让 AI 有这样的能力 ， 你有这样的能力才会有这样的判断 ，有这样的判断它才会有这样的策略 ， 它的执行才会慢慢变成进化 。 为什么要数据 ？ 数据其实就是给了一个参照系 ， 就给了一个靶子 ， 这个靶子就是设了个目标 ， 你不断的超越它 ， 那这个数据就成为你的一个拐手杖 。 综合来讲今天叫懂 AI 吧 ， 懂业务深度 ，有对 AI 的锐度 ， 懂业务的深度 ， 还有数据的宽度 。 **泓君** [1:00:01] 对您的这个分享让我想起一个很有意思的话题啊 ， 之前 AI 刚来的时候呢 ， 硅谷有一个职位叫做 Data Scientist， 就是数据科学家 。 很多做数据科学的人他们都非常的慌 ，因为 AI 就可以做各种的数据分析了 ， 它不是首先取代的是我的这个职位吗 ？ 然后您刚刚的这个分享 ， 我突然意识到不管在什么职位上， 只要大家真的做得比较好 ， 它都是很有价值的 。 **朋新宇** [1:00:31] 是 ， 我觉得这是自然进化的规律 ，也是 AI 进化我觉得也逃不开的呀 。 刚才你说的一个词数据科学家 ，其实我们在十几年前我们在国内我们也用这样的词去定义 ，其实后面我们改了一下， 把后面加去掉了 。 因为在国内这个语境里面 ， 数据科学家就是很非常神圣的一个 title， 所以我们叫做数据科学 。 数据科学是讲究方法科学 ，不是你的人的位置 ， 这是不一样的 。 科学的方法和科学的工作方法 ， 那落到你的业务场景里面 ， 那这个数据科学才是有法务业务价值的 。 **泓君** [1:01:01] 那是不是说在现在这样一个时代 ， 资深的人会更吃香 ？ 那如果是刚刚大学毕业的应届生 ， 刚刚开始熟悉一个职位 ， 你觉得这一类的人他会有优势吗 ？ **朋新宇** [1:01:13] 我觉得 ToC 和 ToB 不一样 ，ToC 可能去做一些创新 ， 那可能今天没有差别 ，但是 ToB 来讲 ， 你的行业经验 know-how 还是有壁垒有价值的 。 那只是这个价值呢 ， 原来可能是十年他学会的 ， 今天你有可能一年或者两年你能掌握 。 对当下的这些年轻人 ，其实我们如何能站在别人的肩膀之上去成长 ，而不是从零开始去学习 ， 那这种新的工作方式和工作习惯 ， 可能会让你人和人之间产生新的差异 。 **泓君** [1:01:40] 嗯对 ，因为我们今天其实聊到整个企业级 Agent， 您这边确实我们也能看到很多的结果 ， 就是它能帮助企业降本增效 ，但你觉得有没有一些之前做不了的一些业务 ，有了 AI 以后是可以做的 ？ 就是它可以帮企业完全打开一个新的领域跟新的增长市场 ， 现在你们有看到这样的一些趋势吗 ？ **朋新宇** [1:02:02] 我觉得特别像 AI for Science 就很多做不到了嘛 ，但是今天我觉得回到企业侧就两个方向 ， 一个是加 AI， 对吧 ， 一个是 AI+ 嘛 。 加 AI 就是我们自己也帮助不少的企业上线了一些系统 ， 用一些工具 ， 比如说我们数据分析的工具 、 数据治理的工具 ， 还有一些风控的一些工具 ， 那这些工具今天加了 AI 以后， 它的效率效益最终回到业务效果上来 ， 它会有一个增值 。 那这种呢现在也有不少的企业还在这个方向上去发力 ， 我觉得这个是非常有必要的 ，不能一口吃个胖子嘛 。 而且有些系统 ， 特别是对一些工具型的系统 、SaaS 型的系统 ，并不是这些系统没有价值 ， 特别是在这个阶段 ， 这些有些软件的工具 ， 它的价值会重新分配了 ， 只是原来这个软件我必须要打开这个软件的首页 login 进去我才能使用 ， 那是人用的 。 那今天可能这些系统它可能是给 AI 用 ， 它可能不需要人登录 ， 所以呢它的价值会重新分配 ， 那这些系统还是有效的 ， 这是加 AI 的方式去用它 。 第二种叫 AI+， 锚定的是我是在某一个领域 ， 我要真的是要重新用 AI 的方式去改造它 ， 去定义它 ， 比如说我们刚才讲的 AI 客服 、AI 营销 、AI 导购 、AI 投手 ， 这类的地方呢反而是回归到企业本质 ， 哪里耗人耗钱耗时最多的地方 ， 那这些地方是容易去探索 AI+ 的方式的 。 **泓君** [1:03:20] 嗯嗯好的 ， 特别精彩 。 好好谢谢 ， 谢谢小鹏 。 **朋新宇** [1:03:25] 好好好 ， 谢谢泓君 。 **泓君** [1:03:29] 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 101 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 101 上 。 我是泓君 ， 感谢大家的收听 ， 谢谢 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。