从提供增长工具，到交付增长结果。
文丨江思远
短短一周内，阿里巴巴正式把 QoderWork、悟空和 MuleRun 整合为千问办公，飞书产品被并入豆包产品，腾讯把 QClaw 并入 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不止十倍于此的白领工作者：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 “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、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。2021 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：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、售后咨询准确率提升到 80% 以上。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 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，我们的手机响了。 “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，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短信，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的使用模型。Agent 从工具变成可以进入公司的 “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。一是因为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 2023 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
