世界杯竞猜网站 从卖token到卖扫尾，这些公司驱动让AI背KPI了
自从黄仁勋在 GTC 上大手一挥，荧惑企业把 token 阔绰量算进工程师的 KPI，玄幻的事情就一天比一天多了。
先是 Meta 里面搞起「烧 token 竞赛」，职工为冲 KPI，写死轮回 bot、用低效请示词刷量；接着亚马逊职工为了解说我方「高频使用 Agent」，明明不需要自动化的活儿，硬给作念成自动。名义看，这是大厂职工在「卷 AI 使用率」，但背后败露的问题其实更严重：当企业无法斟酌 AI 的真不二价值时，就只可退而求其次，用「调用量」代替「产出」。
而这种失真，正在变成通盘行业的共同窘境。
麦肯锡数据炫耀，88% 的企业仍是在至少一个职能中常态化使用 AI，但真实能被界说为「AI 高绩效企业」，即 EBIT 因 AI 提高超越 5% 的，不到 6%。大都预算、算力和工程师时候被插足进去，临了换来的，却频频仅仅一份「看起来很忙」的账单。企业知谈 AI 很紧迫，也知谈竞争敌手在用，但问题是：钱到底花得值不值？没东谈主说得清
这其实亦然昔日两年 AI 落地最烦躁的地方。
因为大多数 AI 公司卖的，施行上如故「器具」。器具是否真实创造价值，风险自然由采购方承担。更何况，这一次的器具不仅更贵、更复杂，还高度依赖企业自身的数据、经由和组织配合。于是，许多企业临了只可盯着 token、调用次数、Agent 使用频率这些「过程方针」，试图从里面臆度 AI 有莫得产生扫尾。
AG真人国际厅中国官网但问题在于，企业真实想买的，从来不是 token。
CEO 不会因为职工多调用了几次模子而怡悦，董事会也不会因为 Agent 使用率提高就招供 ROI。企业真实想要的，其实一直都很浅陋：扫尾，而且是能被考据、能被归因、最佳还能径直写进财报里的扫尾
仅仅昔日，很少有 AI 公司敢为这个扫尾负责。
而当今，一批公司驱动尝试改写这件事：他们不再按「卖器具」收费，而是驱动径直对扫尾收费，让 AI 真实背上 KPI。其中，硅谷的 Sierra 与国内的零犀科技，恰好代表了这一模式在海表里的先行探索。
本年 3 月份，红杉的一篇著述带火了一个名为「Raas（Result-as-a-Service）」的主见。
著述开篇就抛出断言：「下一个万亿好意思元级公司，将是一家伪装成服务公司的软件公司。」
如何意会？先看文中界说的两种 AI 交易模式：Copilot 和 Autopilot。前者卖的是器具 —— 专科东谈主士用 AI 提效，但雇东谈主用 AI 还得特等用钱。后者卖的是「使命效用」本人：AI 径直委用扫尾，客户只为可斟酌的业务扫尾付费，而不是软件订阅。
红杉的判断是：后者价值高得多。因为数据摆在那边 ——企业每花 1 好意思元在软件器具上，就要在相干服务和东谈主力上花掉约 6 好意思元。AI 的最初让「卖扫尾」成为可能，Autopilot 公司不错直击这个远超器具市集的就业预算。
这篇著述在圈内激勉悠扬，原因很浅陋：一个顶级投资机构，切身把「卖扫尾」的远景和重量点明了，等于给投资东谈主指了下一波重仓想法。
不外，也有东谈主质疑这是投资机构炒主见，但紧随其后的一个融资讯息让市集驱动厚爱注目这个主见的重量。
这个讯息来自一家名为 Sierra 的公司。该公司由 OpenAI 董事会主席 Bret Taylor 与前谷歌高管 Clay Bavor 勾通创立，旨在通过 AI 为企业提供定制化的客户体验解决决议（比如帮用户改订单、退款、调库存），其核表情念即是让客户「pay for a job well done」。本年 5 月，该公司秘书完成 9.5 亿好意思元融资，公司估值超越 150 亿好意思元。
要知谈，这一估值是他们ARR（1.5 亿好意思元）的 100 多倍。关于一个刚刚被摆上牌桌的新赛谈来说，这险些仍是不是无为真理上的高估值，而更像是一种明确的下注。
而真实劝服投资东谈主的，是 Sierra 本人的交易化阐扬。目下，他们仍是遮盖超越 40% 的金钱 50 强企业。在客户体验与自动化服务这种高度中枢、又特别垂青踏实性和 ROI 的场景里，大企业不会因为「主见性感」就大限度采购。某种真理上，这些客户本人即是最严格的投票东谈主。
而 Sierra 拿下这些客户，本人就在讲明一件事：RaaS 仍是不再停留在 PPT 和融资故事里，而是驱动完成真实的大限度交易考据
在国内，肖似的事情也在发生。而且国内公司还特等解说了一件事：RaaS 模式能实现限度化盈利和正现款流
让市集小心到这少许的，是一家名为零犀科技的公司。
坦直说，国内声称走 RaaS 阶梯的公司不啻他们一家，但现阶段，真实能拿出盈利数据的却凤毛麟角，而零犀恰正是阿谁少数派
他们作念的事，其实不错意会成「让 AI Agent 径直去卖东西」。在保障、汽车这些行业里，零犀的 AI 会径直面向 C 端用户疏导，从最驱动判断用户有莫得有趣，到中间的跟进、推选，再到临了成交，整套销售经由都由 AI 我方完成。这个过程最大的难点在于，你最终要拿扫尾讲话 —— 用户是不是真的下单、保单是不是真的成交、钱是不是真的进来是金圭臬。
但从 2019 年驱动，零犀就遴荐为这件事的扫尾负责，并一谈走到了今天：从早期负毛利，到 2024 年实现公司级净利转正，再到 2025 年跑出限度化盈利与正现款流。数据炫耀，某头部保障机构接入其智能体后，新增保费超越 20 亿元。而淌若用传统东谈主机勾通模式完成相同的增量，频频需要一支 800 到 1000 东谈主的销售团队。
无论是硅谷的 Sierra，如祖国内的零犀，它们都在作念并吞件需要胆量的事：把传统上由客户承担的概略情味，主动揽到我方身上
在 AI 仍被多数东谈主行为「效用器具」的语境下，这种遴荐施行上需要富裕的时间底气。因为唯有当你真的肯定，赛车pk10官网平台首页我方的系统概况踏实完成任务、握续优化扫尾、并持久截止波动时，你才敢签下这样的协议。不然，一次扫尾不达标，吞掉的即是真金白银的耗费。
也正因如斯，RaaS 真实挑升想的地方，从来不仅仅交易模式创新，而是它自然会倒逼公司走向另一个维度的时间探索。而这，正巧亦然 Sierra 和零犀接下来最值得被拆解的地方。
Sierra 和零犀，名义上看业务辞别很大。Sierra 把「Better customer experiences. Built on Sierra.」挂在官网最显眼的位置，中枢产物 Agent OS 帮企业批量造 AI 客服，谈的是体验。零犀则一头扎进保障、汽车等销售场景，谈的是成交。
但从底层来看，两家公司濒临的是并吞个根人性难熬：如何让 AI 在真实业务场景里踏实地把事情作念完，况兼为扫尾负责。正是这个共同的起点，倒逼出了高度相似的时间旅途。
滥觞，两家都不是在单纯地卖模子才略，而是在卖任务完成 ——Agent 的预备想法从一驱动就指向业务扫尾，而不是浅陋的生成质料。为此，它们都在大模子之上特等搭了一套引申、追悼与评估系统，并对模子本人作念了二次侵扰，让它在特定场景下更可靠、更少犯错、更领路什么算好扫尾。更要道的是，两套系统都不是静止的 —— 它们在真实业务里握续跑、握续学，越用越强。
这些共性让它们看起来走在并吞条正途上。但接下来的岔口，客户体验与销售的施行各异，把两家推向了实足不同的时间纵深。
当回答对≠能成交
由于对准客户体验，Sierra 的中枢命题是「把事情作念对」，想法是答对问题、少犯错、不出合规风险。围绕这个想法，Sierra 搭建的是一套精密的模子编排体系：15 款以上的异构模子按任务特点单干互助，再由监督者模子及时审查每一次输出。这是一种偏向「组织架构管理」的时间想路 —— 把正确性管住，系统就能踏实运转。
但关于对准销售的零犀来说，中枢命题天渊之隔 —— 它不是「对分歧」的问题，因为话术对不等于能成交。举个例子，一位女士在接头保障过程中说「我要和老公磋议一下」，通用大模子可能趁势接一句「好的，您且归磋议」。看起来，这个回话莫得什么罪恶。但在施行的销售场景中，一个金牌销售不会让话题就这样拆伙，而是读懂这句话背后的真实操心（比如怕买错或没搞懂保障范围），并作念进一步接力。
这种情况下，模子必须学会向高搬动想法歪斜。因此，零犀真实需要的是一套赏罚机制 —— 作念对了给正向激励，没达到预期就施加刑事包袱，2026实时最新比赛数据与热门对阵分析通事后考试握续把模子的权重推向想要的想法。
但这个后考试过程，远比考试模子去作念编程等任务险阻，因为销售场景的难点是全所在的 —— 数据稀缺、信号寥落、归因复杂，而且根蒂无法在造谣环境中考据。
咱们知谈，销售的成交率本来就低，施行场景里可能唯有百分之几，大部分用户都不会成交。这意味着你拿到的正向响应自然珍稀，没办法像考试代码模子那样 —— 写一段代码，跑一下看有莫得报错，就能坐窝取得明确的对错响应，进而产生大都考试数据。销售扫尾是由真实的东谈主来决定的，你没办法造出一个造谣用户，设定「只消这样说他就一定会买」，这个环境根蒂不存在。
归因则是更复杂的问题。一单成交了，是因为 AI 话术好，如故客户本来就有购买意向？一单丢了，是 AI 战术诞妄，如故客户客不雅原因？这和「抽烟是否导致肺癌」是并吞类问题 —— 不是个体能径直考据的，必须靠大都真实样本的统计因果分析技艺建造确切的归因逻辑。
但统计也不是全能的，因为许多时候基于统计的大模子无法分歧真实的因果和虚伪的相干，这亦然所谓「幻觉」的根源。当模子看到「疏导时候长」与「成交」之间存在统计相干，它可能就学会拚命延伸对话，却不知谈淌若用户一直在投诉，聊再久也不会买单。单纯依赖统计因果，模子会收缩被污染变量带偏，这正是销售场景里最容易踩的坑。这亦然为什么通用大模子无论才略多强，在销售搬动这件事上都难以径直处置。
零犀的冲突口：让模子学会「因果」
正因为销售场景存在以上这些问题，零犀临了走出了一条和通用大模子很不一样的后考试旅途。这条旅途的要道，不是单纯让模子「更会说」，而是让模子在后考试阶段学会：用户买，为什么会买，什么战术真实灵验、为什么灵验，以及什么样的战术应该被握续虽化
为了达到这个想法，滥觞，它解决的是「归因」这件事。
前边提到，销售最大的难点之一，是模子很容易被虚伪的统计相干带偏。这里的问题不在于模子不会统计，而在于它不知谈真实起作用的「因」是什么。
是以，零犀千里淀的并不仅仅无为对话数据，而是一套尽可能因果完备的全链路数据：用户那时是什么景况、浏览了什么页面、AI 为什么遴选这个战术、用户后续又给出了什么响应…… 这些信息都会被完满纪录下来，并千里淀为边界因果学问图谱，作为事实底盘管理模子输出。因为唯有「因」富裕完满，模子才不会只学到名义的相干性。
但数据仅仅基础，更难的是把销售阅历真实变成模子才略
许多销冠并不一定能准确说清我方为什么蛮横，但他们频频知谈：什么情况下应该鼓励，什么情况下应该搬动话题，什么情况下用户真实的操心其实莫得说出口。零犀作念的，是把这些本来存在于东谈主脑中的阅历，拆解成一套「用户景况识别 — 战术遴荐 — 扫尾响应」的因果逻辑，再通事后考试千里淀进模子。这套「逻辑因果」方法与「统计因果」共同作用，使得模子的输出愈加可靠，能让模子知谈什么该奖、什么该罚、什么样的战术值得被强化学习握续放大。
此外，起作用的还有反事实推理。系统不仅纪录「作念了什么」，还会评估「淌若没作念会若何」—— 对每一次未成交，它会复盘：比如在给重生儿父母先容保障时，淌若那时没讲性价比，而是陆续聊孩子保障缺口，搬动率瞻望能到几许？这种从「没发生的事」里索要学问的才略，让模子在真实数据寥落时依然能握续学习。
当这些才略建造起来之后，系统的自主进化才真实驱动运转。
由于零犀本人即是按扫尾收费，它自然概况拿到最径直的响应闭环。哪些战术带来了更高搬动，哪些用户会在什么节点流失，哪些侵扰步地施行上瞒上欺下，系统都能在真实业务环境中握续完成评估、归因和战术调优。
与此同期，新的业务方法、得胜案例和失败训戒，也会被不息加工成结构化的因果学问片断，重新千里淀回模子与学问图谱之中。跟着服务限度扩大，系统对用户意会、战术遴荐和委用才略的积贮也会越来越深，最终造成一种握续自我优化、自我进化的后考试体系。
因此，零犀的壁垒，施行上并不是某一个单点时间，而是一套不息自我强化的飞轮：因果完备的数据、业务 know-how 的 AI 化，以及真实业务环境中的握续迭代，三者互相咬合，最终造成了一个会越跑越快的后考试系统。
而搭救这个飞轮握续运转的，是一支优秀的后考试团队。除了来自头部高校和大厂的算法工程师以外，零犀还持久引入深耕行业十年以上的销售群众。他们参与的并不仅仅「标注数据」，还在匡助系统回答一个更难的问题：顶级销售真实灵验的才略，到底该如何被 AI 意会、拆解和复制。
当咱们把视野从具体的时间细节拉回来，会发现 Sierra 和零犀的探索，其实正在回答 AI 行业一个更根蒂的问题：AI 到底应该如何创造价值，又该如何被订价
这两年，一个趋势正在变得越来越明显：单点器具的壁垒正在被快速分解。Claude Code 等 Agent 产物的出现，让许多专门器具，变成了「用时生成、用完即弃」的东西。器具本人的价值，正在以肉眼可见的速率被稀释。但与此同期，另一件事情的价值却在水长船高：把使命真实作念完、作念好的服务。
原因很浅陋。器具仅仅经由里的一把锤子，你买了锤子，还得我方去钉钉子，钉歪了、钉错了，包袱都在你。但服务委用的是「把钉子钉好」这件事本人 —— 扫尾详情，风险搬动。
这其实亦然 AI 从降生第一天驱动，东谈主们真实期待它作念到的事情 ——成为一个能安适背 KPI 的数字劳能源。谁能真实作念到这少许，谁能拿到的市集，就会比传统软件大出一个数目级。
而 RaaS 这个赛谈更值得关注的地方在于，它的护城河并不会跟着基础模子升级而被削弱，反而可能越来越深
因为 SaaS 卖的是器具，客户今天能买，未来也能换；但 RaaS 一朝驱动端到端地委用扫尾，它就会逐渐镶嵌客户真实的业务经由。更要道的是，每一次真实委用，都会千里淀新的扫余数据、行业 know-how、战术阅历和合规逻辑。这些东西不会因为底层模子升级就被清零，相悖，模子越强，它们的价值反而越会被放大。
还有一个容易被冷漠的变化是：当客户驱动风俗「按扫尾付费」之后，他们会反过来用这套圭臬去条目总计自后的 AI 服务商。
这亦然为什么，零犀提到说，他们的一些大客户，仍是驱动不再热心「你用了哪个模子」「参数目是几许」，而是径直追问：「你到底能不成把搬动率作念上去？」一朝行业驱动用扫尾而不是功能评估 AI，通盘竞争逻辑都会被透彻改写。
是以，先发者真实占据的，并不仅仅时候窗口，而是界说方法的才略
回到著述开头，那些大厂里面为了冲 AI 使用率而猖獗「烧 token」的荒诞场景，施行上其实败露的是并吞个问题：AI 的价值，永久莫得被真实结束。而 RaaS 真实紧迫的地方，正巧在于它把这件事重新拉回了正轨。
从施行上来讲，这是一种价值追溯：让 AI 真实对扫尾负责，让收益和风险对都，也让「分娩力」这个词第一次真实回到交易宇宙最朴素的斟酌圭臬里 —— 到底有莫得把事情作念成。
摩根士丹利 2026 年头发布的论述将 AI 界说为第六次时间改进。前五次时间改进的历史仍是反复考据：短期卖「铲子」的基础模范商首先赚钱，持久最大价值却千里淀在哄骗层和收受者手中。由于这种分娩率红利的滞后性，AI 对分娩率的实质性带动可能要到 2030 年之后才会充分清楚。当泡沫退去、杂音脱色，真实穿越周期的，永远是那些勇于为扫尾负责、把时间搬动为分娩率的公司。
这也正是 RaaS 最值得被持久看好的底层逻辑。零犀和 Sierra 的探索，不是在作念主见，而是在重演一个被历史反复考据的脚本：谁能把「铲子」用好，把使命真实作念完，谁就能界说下一个十年。