当下国外 2B 垂直 Agent 正直火热，当科技头条还在热议「超级 AI 助手何时走入千家万户」时，一批「低调务实」的玩家，已经悄然在垂直赛道的 Agent 领域掘到了真金白银。

扎根垂直领域的 2B Agent，如今正化身企业的「特种兵」——瞄准一个个具体、高频的业务痛点，用可量化的效率提升或成本节约，让企业心甘情愿地持续付费。

垂直赛道 Agent，如何找到那个「值钱」的场景？构建让企业无法拒绝的「高价值闭环」？

在 AGI Playground 2025 上，语核科技创始人分享了 2B 垂类 Agent 的产品理念和经验，并邀请了两位在垂直 Agent 领域深度实践并取得卓越成效的标杆客户代表，与大家一起共同探讨垂直 Agent 赛道到底有多大的商业价值。

嘉宾介绍：

• 翟星吉：语核科技创始人兼 CEO

• 王士昊：上海马勒热数字化管理官

• 赵德旭：华宝国际副总裁

TLDR

• SaaS 有一种不一样的方式去展开的可能性。

• 只做这个公司最核心业务流程里面最核心的阻塞点，直接创造营收或者帮助他很大程度地降低成本，交付真实可控的生产力。

• 2B 垂类 Agent 落地的一个重要概念，就是从 demo 玩具变成生产场景中可控落地的东西。

• 通过每个项目去做产品核心内核的能力，迭代我们的 PMF，让我们的产品真正能向市场，在未来有一席之地。

• 未来 Agent 一定是垂直 Agent，不会是通用的。

• 在未来的商业格局中，只会有两类企业：积极拥抱并深度整合人工智能的企业，以及被时代淘汰的企业。

• 选一家真正能提供 B 端服务的企业，这个非常重要，还有平台的集成性是足够企业快速落地的。

以下内容基于 AGI Playground 2025 现场对谈，由 Founder Park 整理。

---

超 9000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。

邀请从业者、开发人员和创业者，飞书扫码加群： 

进群后，你有机会得到：

• 最新、最值得关注的 AI 新品资讯； 
  

• 不定期赠送热门新品的邀请码、会员码；
  

• 最精准的AI产品曝光渠道

---

01 

反共识，

做长期难而正确的事

大家好，我是语核科技创始人兼 CEO 翟星吉，很高兴今天能站在这个舞台上分享我们的一些想法。

我认为创业就是要把你认可的事，也就是你的认知，但别人认为反共识的事坚持下去。把它从你的认知通过战略、通过执行，把它落地，变成你的项目，再把它转成商业化的成果，形成一个闭环的验证。然后在这条路上不断地去坚持、不断地在过程中做大量的决策，我们追求连续正确的决策，尽可能把每个决策做对，最后取得一个还不错的成果。

接下来，我将代入我的视角试图将过去一年我们的心路历程记录下来。

1.1 SaaS 时代的亲历者看到了什么

我们核心团队一部分来自于帆软，包括我、我们的 COO、我们的一些业务部门负责人，另一部分来自于年轻一代技术圈，比如 2003 年出生的 Co Founder&CTO 池光耀、一个典型意义上的技术极客。我们团队完整地经历了上一个 SaaS 时代从最高峰再跌到谷底的过程，同时我们可能是上一个 SaaS 时代里，在大家公认的不错的公司里跑得很快的一批人。我们在上个时代有比较多的收获、有一些既得利益，但是看到了很多遗憾，看到了 SaaS 有一种不一样的方式去展开的可能性。

我们具体看到了什么？

以前我们做数字化工具，要么卖产品，要么卖服务，要么两者搭配起来卖。

卖服务就是卖定制化，卖人头，也就是 IT 民工。另一种是卖产品，其实以前卖产品的时候我们遇到了很大的痛点，因为帆软是做大数据、做 BI 的，我们发现在卖这些产品时需要不断去说服企业管理者认可我们产品的价值，因为本质上不管是 BI 系统、还是 CRM 系统等各种垂直业务系统，很难直接带来业务营收，也很难直接改善公司的经营现状，这类数字化产品带来的是更多的是管理效率的提升、其实是数字化的饼，这个饼需要老板相信。但很多时候不是所有的老板都会相信，所以需要做很多解决方案告诉客户在他们这个行业的最佳实践是什么，都有哪些客户的竞争对手做了哪些数字化转型，但是这样会产生很大的说服成本，尝试让客户相信企业上了这个系统，能给他带来 10%或者 n%的提升。

所以，从我们做 Agent 这个方向的第一天起就有一个执着：能否去掉大量的说服成本，能否有一个方式直接告诉客户购买我们的 Agent 能直接计算出来的 ROI，进而让客户直接买我们的东西，而不要花很多时间去做大量的汇报、告诉客户我们的 Agent 有价值。

因此我们有一个核心价值主张，只做这个公司最核心业务流程里面最核心的阻塞点。

把这个阻塞点找到之后，达成的目标是能否帮助他直接创造营收或者帮助他很大程度地降低成本，这个很大程度不是砍半，我们觉得要做到 1/10，至少 1/5，因为企业内数字化转型会有很高的管理成本，有很多变动成本，有很大的战略阻力，如果要推行一个全新的技术和模式，必须带来足够显性的收益。

现在大家提 RaaS（Result as a Service），其实那个时候没有这个明确的概念，我们那时候只有一个直觉——想直接为业务去增收或者降本，就只有这个执着。其实我们一直做的就是按结果交付的事、做的是 RaaS 的事，让 Agent 数字员工直接上岗打工，让它背跟原有的人一样的 KPI。

1.2 一个季度建联 100+客户

基于我们的核心价值主张，下一步是选择行业。在我们创业的过程中，第一天就有的基础认知是选垂直赛道、进行聚焦。

我们背景相对比较好一点，拥有比较多的客户资源，所以我们做了一件事，在一个季度内建联了超过 100 个客户、平均每周跟 4 个客户聊。聊的过程很有意思，我们不会问客户想要用 AI 做什么，我们会问：第一，你们公司最核心的业务流程是什么、核心业务流程中的核心阻塞点是什么？第二，什么让你们的公司老板、部门负责人睡不着觉？第三，我们再去判断能不能用 Agent 尝试解决这个事，让老板不再焦虑、不再头疼。

比如某个客户是汽车产业链的零配件企业，最核心的业务流程就是零配件生产出来之后发给中转仓，一般中转仓在整车厂旁边，整车厂有仓库货物的支配权，接下来整车厂会随时提取零配件、最终定期跟零配件公司结算，汽车供应链的业务流程一般是这样的。在这个业务流程中，我们看到的核心痛点是他们作为零配件企业，对于货物在中转仓有多少、整车厂最终使用了多少零配件其实是不太了解的，所以他们雇了很多员工专门去做数据获取和数据核对，并且人工获取和核对的频率是按照周或月、是比较低频的，客户问能不能用 Agent 去解决数据获取和核对的工作、让数据处理的时效可以更低。

去年我们不追求营收，只追求场景。几乎把能想到的所有行业都跑了一遍，发现行业其实有共性。

比如医疗行业进入门槛比较高，我们做过导诊助手的预分诊、导诊，也尝试过医疗记录生成，我们 POC 验证过，我们的技术效果特别好，但是没人买单，核心原因是这个赛道中挤满了很多大厂、可以不计成本投入拿下客户案例，这个对我们这类初创公司很难。

比如政企客户，可以建很高的商务壁垒，能拿下上百万、上千万的案子，但这些案子的营收并不一定那么健康。一方面是在整个决策维度中，技术和产品不是最重要的部分，而我们作为初创公司、最重要的能力是产品创新；另一方面是这类客户的账款周期压力比较大，作为一个小公司，现金流风险比较高。

最后我们选择了高科技行业，也就是中高端制造业。

大家其实对中高端制造业这件事情是有误解的，中午吃饭时跟一个朋友聊，他问我为什么选制造业，他认为制造业很难做 Agent。这其实是反共识的事，但创业其实就是在做反共识的事。

第一，我们看到中高端制造业是国家的基本战略，未来一定不会太差。我们认为作为一个企业服务公司，很多时候最重要的不是来自于我们自己多厉害，而是来自于我们的客户有多厉害，就算我们特别厉害，当我们的客户日子很难的时候，你也没太大希望的，所以你要选一个好的利基行业。

第二，其实中高端制造业的数字化程度远高于大家的想象，为什么小米、特斯拉可以一个流水线几分钟自动化生产出一台车，为什么芯片可以被批量制造出来，而整个产线上一个人都没有？这是依托背后强大的数字化能力、信息化能力，这类企业已经几乎把所有能上的系统、能做的数字化全部做了。这远远颠覆了大家对传统制造业的认知，在中高端制造业中做 Agent 场景，反而是数据最完整、最合适的一个点。

第三，中高端制造业的客户是比较有钱的，客户一般一条产线动辄几十亿，一套比较先进的业务系统动辄几千万，对于一个几十万、百万的 Agent 项目而言，是有充足预算和试验欲望的。

第四，客户有强烈的转型需求。现在制造业本身的经营压力相对比较大，制造业同时也是成本管理的高手，他们现在有迫切的诉求想用 Agent 把一些低效的工作替代掉，让这些人去做更有价值的事。

第五，这个行业有极其高的进入壁垒，知识壁垒极其高，一个新人进入这个行业，在半导体行业可能要熟悉 3～6 个月，到装备制造又得重新熟悉，每一个细分行业都必须经历从头学习的过程。

02 

从 demo 玩具，

到生产场景中可控落地

2.1 创始人深度参与

垂直 Agent 时代，最重要的是业务的 Know-How，这是大家的共识。

我们怎么找到自己的 Know-How，怎么打磨我们的产品？核心是坚持一个原则：创始人深度参与。

我不负责公司的对外商业化、我主要负责产品，但早期我深度参与了公司的每个 PoC，每个 PoC 都是我亲自去做，每个客户我都亲自去现场调研，深入地去探讨他们的核心业务流程是什么，他们的痛点是什么，只有这样才能真正拿到客户真正关心的东西。

我们本质上是帮客户解决问题，所以客户才是业务场景的专家，我们是解决方案专家，我们只有深入地真正理解客户的场景之后，才有可能做出来一个还不错的东西。

我们做 PoC 或做技术验证的过程中需要做三层抽象。

第一层抽象，是判断这个客户的场景有没有共性，我们能复制推广到多少客户去，价值够不够高？第二层抽象，是判断标准化程度够不够高，能不能抽象成一个标准产品，在不同客户之间快速复制。第三层抽象，是判断我们的产品未来是否具有核心竞争力，这里的技术攻坚点是否值得去做？

2.2 交付真实可控的生产力

在所有的 PoC 验证中，很重要的一个概念是要把一个 Agent 从 demo 玩具变成生产场景中可控落地的产品。

去年接触客户时，很多企业客户都在自己做 Agent，很多时候客户是简单尝试了一下、感觉效果特别棒，汇报时效果特别好，轻轻松松做一个特别不错的 Agent，但是领导说现场把 Agent 拿出来真实地用一用，而不是做成 PPT 的形式，大家就吃瘪了、会很担心现场演示效果不可控；如果再把 Agent 推给业务用户真实地用，那就更瘪了，大部分情况下业务基本上都会弃用、反馈稳定性太差，幻觉现象很严重。

这里面很重要的点，是能否交付真实可控的生产力。

我们做的是一个数字员工，对企业而言，雇 Agent 跟雇人的逻辑一样，当企业在某一特定岗位上雇一个员工，如果这个员工每件事都干到 60 分，作为业务 Leader 的反应应该都是开掉这个员工。我们去年看到的现状是，大部分 Agent 很轻松地做到 60 分，但是做到 90 分真的很难。很难是因为要做好这件事情真的要对业务场景有足够多的 Know-How，有足够多的数据，做了足够多的验证，同时愿意把这件事情做好，必须得相信做好准确率是一件很重要的事。在此基础上，你又有能力用技术做好准确率这件事情，这个时候才有可能把 Agent 变成可控的生产力。

去年我们参加了世界人工智能大会，那时候我们没有产品、没有 demo、没有演示视频，什么都没有。我们只有一个观点：Agent 需要交付真实可控的生产力、需要做到 90%+准确率，而我们可以做到。我们发现大部分团队都遇到了这个痛点，并且很痛，我们拿到了很好的正反馈，加了几百个微信联系人、有很多线索，如此大的正反馈让我们觉得这个方向可能真的押对了。

2.3 迭代产品核心技术竞争力

那么，当我们明确了需要攻克的难点后，具体怎么做呢？我们的答案是与客户共创、持续迭代。

我们第一个核心技术能力——复杂文档的解析能力，是和一家芯片设计领域的龙头公司进行共创迭代了四个月才完成初版的。在这四个月中，我们的核心精力是不断打磨我们的技术，这个过程很累、很苦，但当我们将产品打磨出来后，这个客户本身是否和我们签约已经不重要了，因为我们发现我们拿到了一个很有技术竞争力的优势，可以拿这个优势功能去直接打很多其他的客户。

我们的第二个核心技术能力是结构化内容的提取能力。这是我们跟某海运客户共创的场景，他们在全球有超过 50 个当地的口岸，在每个口岸都有大量的各种单据、发票处理的工作。中国现在的发票很标准，并且是电子发票，传统的 OCR 技术进行发票内容提取已经相当成熟，但海外没有标准发票，很多时候只有收据，比如吃饭给的小票，每家餐厅的小票格式都不一样，如何果用技术将这类格式完全不同的单据自动录入系统呢？他们以前找了一家大公司，花了一千多万、面向每一个版式训练一个基于深度学习的 OCR 小模型，但这套系统维护的成本很高，并且效果不稳定，因为很多场景它没有见过。

这不是重点，重点的是它不能帮人解决问题。我觉得我们需要关注我们做的产品是否真的能帮客户解决问题，像这个产品就不能，比如有的发票识别准确率为 90%，但是这套系统只能告诉你整体统计意义上有 90%的准确率、10%错了，但是没办法精准指出哪些错误了，这意味着每个业务人员还需要将每张发票全部看一遍，这样这套系统的价值就直线下降了。我们做的事情就是直接给出来置信度，可以指出正确的 90%部分的发票，我们有信心它比同等人类员工的准确率要高，同时剩下的 10%是可能有错的，需要重点去看看，这样业务真的会解放出来。

03 

不接超级大单，

专注打造「端到端」Agent 数字员工

3.1 保持战略定力

最后一点，是如何选择客户？

我们过去做了很多战略取舍，其内核是关注一件事：我们的产品在客户的场景中是否具有核心价值？

希望产品有价值、公司有长期存在意义，这个问题是作为一个创始人应该关注和认真思考的事。因为这个年代想赚快钱太容易了，有太多企业买 DeepSeek 一体机、想上 KPI 驱动的 AI 项目，这些机会很考验人性。在这些时候，能不能真的坚持自己、坚持创业的初心，而去放弃很多东西？

对我们而言，KPI 型的项目一定不会去做，比如某个大公司总裁、CEO 拍板定下来要做一个 AI 的创新项目，找业务部门强行凑出来一个。我们会认真评估这类机会，里面的业务价值可能不高，但是内部汇报会比较顺利。很多这类项目钱真的很多，金额都在上百万，买一个 Agent 产品，再加一堆场景包。

我们拒绝这类项目，有我们更进一步的思考，这类项目，要么是项目中有大量非 Agent 相关的业务，比如传统数字化的业务，我们确实可以做、也确实可以赚到这个钱，但那不是我们想要的。除非商务能力特厉害，能将这个机会从 100 万运作到 500 万，我们没有这个能力，所以这个钱我们也赚不到。

我们坚持想要做业务价值最显性、最核心的产品，想通过每个项目去迭代产品内核、迭代 PMF，让我们的产品真正能面向市场，在未来有一席之地。

3.2 未来 Agent 一定是垂直 Agent，不会是通用的

那么，具体而言，应该朝着什么方向去迭代产品内核呢？

在我看来，只有聚焦到一个又一个垂直的场景下，才能真正把 Agent 做好。比如我们看 DeepResearch 就是研报助手，是一个垂直的岗位，在这个岗位下有明确的岗位职责，有明确的 SOP，这样才能做好这件事情。假如我们用 DeepResearch 去做一些其他垂直场景，比如进行客户分析、销售策略建议，它可以做、但是一定不专业。

我们知道术业有专攻，就像人的工作一样，每个人有特定的岗位、有自己的业务 Know-How，Agent 也一样。我们现在认为 Agent 不是聚焦在一个行业，是聚焦在一个职能、一个又一个特定的岗位上，我们需要把某一个特定岗位的能力做爆，在这个岗位上我们收集足够多垂直数据，包括 Agent 执行任务时的任务思考数据和任务路径数据，形成一批高质量的数据，再去做垂直 Agent 的预训练、微调，这是我们在探索的路。

目前这个方向还比较前沿，还未成型，但这是一个未来的方向，我们认为未来几年内一定不是一个通用的大的 Agent 能解决所有事情。

在这个趋势下，未来公司赖以生存的是有多少个垂直的 Agent 能帮我们在市场里交给用户可以开箱即用。建立在这个基础上，现在有一个 300 万的案子和 30 万的案子，300 万是靠堆人就可以做的，但对核心产品没有迭代；30 万的案子，虽然没有特别高的利润，但是能帮我们的产品和场景的核心进行迭代，在这种情况下，我相信大家心里都会有自己的选择。当然作为一家创业公司可能会有短期的营收压力、现实压力，但是我们要明白初心是什么，这个很重要，我们这个时代的风口浪尖冲浪，我们要看见更未来、更大的机会。

04 

客户需要怎样的垂直 Agent？

任何商业模式的成功，根基都在于客户价值。

再好的 Agent 数字员工，其真正价值也必须由客户实践来检验和放大。

以上是我们站在第一视角对我们过去的选择进行的思考。

而在语核科技所服务的客户看来，他们对于 Agent 的价值和落地中遇到的挑战又有着不同的思考，

更重要的是，在他们看来，Agent 供应商成功的关键也有所不同。

Q：请两位嘉宾快速介绍一下公司的基本情况以及公司内部 Agent 应用落地的情况。

赵德旭：我们是亚洲最大的味道实业控股集团，下面有三家上市公司，覆盖了 40 万亿的消费市场，在每天的 24 小时之内大家一定会接触到我们的产品，从早上用的洗发液、化妆品、香水；中午吃的大米先生、永和大王，包括吃日料的芥兰，我们占了中国 70%的份额；下午喝的奶茶以及晚上使用的香氛或精油，可以说我们的产品与服务渗透在大家生活的方方面面。

因为我们是定制化的，所以对 AI 的需求比较强烈。在香精香料方面，公司内部的 Agent 技术已从概念验证走向核心业务场景的使用。在研发与生产环节， Agent 能够实现定制化香精的开发与生产，将专家经验的复杂过程智能化；在销售与客户服务环节，我们利用 AI 实现了调料的售前方案，生成高度个性化的售前解决方案；在运营与决策支持环节，我们通过 AI 数据分析，实现了市场洞察，帮助我们更好地预测市场的变化。

王士昊：我是来自上海马勒热系统公司的王士昊，我们是上汽集团和德国马勒合资的一家公司。作为传统的汽车零部件制造企业，我们属于技术密集和劳动密集型产业。这几年汽车行业的竞争非常激烈，面对市场环境的巨大挑战，企业的数字化转型非常紧迫。

从去年开始，我们一共部署了 28 个智能体来支撑核心业务决策。这些智能体包括销售预测、产量预测和市场预测，我们也做了专门的销售风险预测智能体，用于实时识别和评估潜在的销售风险。目前来说我们更加关注研发生产、开发以及工艺管理这三个环节，提升效率与质量，实现从创新到交付。

Q：问一个比较宏观的问题，你们或者你们看到的其他企业做 Agent 商业化落地时，从战略上、宏观上希望 Agent 给这个公司带来的商业改变是什么？带来的商业机会是什么？

赵德旭：在未来的商业格局中，只会有两类企业：积极拥抱并深度整合人工智能的企业，以及被时代淘汰的企业。在 AI 的加持下，我们可以看到各类商业进行精准化，未来一定是一个个性化的世界，也是一个人工智能的时代。如今，企业仿佛拥有了「无数个 AI 领域的专业博士」，关键在于如何高效组织、释放这些智能体的潜力。对我们来说，AI 一定会成为一家公司的生产力，商业本身是否能够具有自我进化的能力非常重要，比如今天公司卖的是产品和服务，产品和服务只是表象，后面应该是通过产品和服务是否能获得消费者精准或私有的数据，帮助你的商业模式本身快速自我的更新和迭代，再去更精准地服务客户。

王士昊：从这两年的感受来讲，数字化的冲击和 AI 智能化的冲击其实对制造业的影响非常大。当前企业利润空间在不断压缩，尤其是制造业持续承压，降本增效是老板重点关注的，相较于单纯的成本削减，我们的核心是「增效」。为此，我们搭建了先进的「AI 教练」等智能化系统，深度赋能企业运营。一方面，利用 AI 强大的生成与分析能力，提升用户洞察、互动与运营效率，实现更精准的营销和服务；另一方面，通过 AI 自动处理重复性、规则化任务，释放人力聚焦更高价值的工作。

Q：赵总在 SaaS 创业圈非常有经验，这一代 Agent 和上一代 SaaS 的核心差异是什么？跟数字化会有不一样？真的不一样吗？

赵德旭：SaaS 的本质是工具与功能模块，其核心价值在于通过标准化流程和数字化界面，让人更顺畅、更规范地完成工作。 它主要作用于提升操作效率和建立执行规范。而 AI Agent 的定位有所不同，它不是工具，而是能独立思考和行动的「员工」。Agent 的核心目标是自主完成复杂任务，通过「自我调用」能力协调资源、决策行动，最终实现「让人干得更少、更快」，并释放中高端劳动力去聚焦更具战略性和创造性的工作。

当前的 SaaS 公司普遍处于焦虑之中，因为业界已形成一个明确共识，未来的 Agent，凭借其自主性、目标驱动性极有可能从根本上取代许多现有 SaaS 公司的价值定位和生存空间。

Q：上海马勒热已经有 28 个智能体在企业跑通了，华宝国际的 Agent 落地也做得很不错，想问下两位在为 Agent 选型时会考虑什么因素呢？优先选什么场景？

王士昊：首先制造业会有点区别，尤其是汽车制造业，汽车制造业有严格的信息安全的要求，信息不需要保密的东西先做。所以我们先做了专利的场景，之前一年专利申请量只能是 15 个，去年上了智能体，申请了 74 个，这就是 AI 带来的冲击力。

第二类对内部叫企业的知识库，行业内的实践让我发现一个很有意思的点，就是 AI 技术出现以后，企业上什么场景？上知识库。它是 AI 教练发挥作用的基础与核心，也是非常现实的一个场景，企业私有化，落到本地以后，各类的智能体就慢慢地可以相互之间数据关联，去搭建它的神经网络，然后再搭建企业运营智能体。

还有很多其他的场景，我们会去看员工在与 AI 对话时输入的问题是什么，用来作为我们的参考。值得一提的是，成功实施 AI 项目，管理层的支持和企业运营体系的支撑不可或缺。 尤其需要强调的是，从业务部门的视角来看，企业上 AI 并非简单地「上线一个 AI 工具」那么简单，「懂 AI」的深层含义远超于「上 AI」的技术动作本身。

赵德旭：在评估和部署企业级 AI Agent 时，需要系统性地考量多个维度。 首要问题是明确 Agent 的能力边界：它能否独立解决完整的业务问题，能否有效执行特定岗位的一些操作？ 鉴于 Agent 开发存在成本，我们目前会聚焦于高频、重复性强且容易出错的业务环节进行试点和推广。

当前阶段的 Agent 并不具备颠覆企业现有成熟 IT 系统的能力，其核心价值更在于能否与这些系统深度集成并协同工作。安全性是重中之重，必须严格设计细粒度的权限控制机制以保护公司敏感数据，并评估私有化部署、公域部署或混合模式的协同方案以满足不同安全等级需求。此外，Agent 解决方案的可拓展性至关重要，需确保其能适应业务增长、流程变化以及未来可能接入的新系统或数据源。

在 Agent 应用场景方面，制造型企业最爱用两个方向，一是销售，是否能帮我卖更好的产品，还有研发侧，这是整个生命线的保证。就这两个点，之后再选它的难度，如果难度很大，我们也会先放一放，先做一些容易的，这样大家会有信心。我们也会重点选 2～3 个标杆，会注入资源，不计代价把这个推出去，形成一种趋势。

Q：聊完了项目怎么选，下一部分是钱怎么来？中国很多企业是预算制，前段时间红杉观点也很明确，创业团队一定要做经常性预算的项目，不要做非经常性预算的项目。王总怎么看？

王士昊：在评估 AI 价值时，需要明确其带来的 ROI 更多是潜在的；期望通过上线 AI 系统就能直接减员从而实现 ROI，这种预期缺乏保障。更务实的路径是先从 SaaS 模式切入，在非敏感数据的场景中让用户实际感受应用效果，这种方式已能初步验证足够的成效。

尤其考虑到当前制造业普遍面临预算压力，创新型预算空间已非常有限。在分步落地的过程中，员工会自然涌现大量具体需求，企业 IT 部门可以借此机会，结合已验证的场景价值和实际需求，逐步规划和申请预算。对于需要本地部署的系统，其投入可更清晰地纳入投资回报框架进行计算和考量。

Q：Agent 进入企业时咱们怎么选伙伴？内部做 or 外部做？外部做的话，选什么伙伴，怎么选？

王士昊：其实 2B 端有很现实的点，就是 2B 端的玩法真没有那么多时间给他们去试练。我最近接触几家比较大的集团公司，IT 真的落到企业服务级不一定能行。所以我个人认为选一家真正能提供 B 端服务的企业，这个非常重要，而不是单独去找某一家单领域 AI 的功能提供商，这是不行的。

还有平台的集成性是足够企业快速落地的，要将 DeepSeek 或 ChatGPT 这类大模型安全地嵌入企业级数据环境，其安全加固的复杂性远超想象，在这种情况下选择一家已经集成完的 2B 服务企业可能更好、更快。

赵德旭：在选择 AI 解决方案合作伙伴时，我们核心关注几个维度：

首先，供应商能否真正理解我们真实的业务场景？ 这至关重要。

其次，供应商是否具备深厚的行业经验？有直接经验最好，类似行业经验也可以接受。

再者，团队稳定性我们也很看重， 很多创新企业在项目中途就可能出现问题。在供应商类型上，我们更倾向于选择创业公司而非巨头，因为大公司往往缺乏精力深耕细分领域的垂直落地，且大型组织在当前时代通常成本高、灵活度不足。

还有前面聊到的费用预算，我们认识到 AI 转型是当下的必选项，属于战略性投入，因此不会在初期就严格考核短期 ROI，而是需要保持足够的容忍度和耐心，并着重发掘和培育成功的标杆案例。整个项目的驱动逻辑是：立项由战略目标自上而下推动，但实际成效和价值则需通过基层应用自下而上地涌现和验证。

Q： 前面提到我们做 Agent 立项时，是战略驱动的，从上到下，其实落地过程中是从下到上，对一个又一个单点场景来说，有前期立项、规划、落地，最后怎么去评估效果？因为企业做战略，今年可以创新、明年可以创新，但不能一直投下去。

赵德旭：评估 Agent 是否成功落地并产生价值，其核心在于考察它是否真的能帮助员工完成实际工作。具体效果可以从几个维度衡量：能否有效减少特定环节的人力需求、缩短任务处理时间？能否降低人为操作导致的错误率？ 以及，能否独立地完成一个闭环的业务任务单元？

必须强调的是，每一家企业的业务流程和痛点都具有独特性，因此成功的 Agent 解决方案必须是为企业深度定制化的，能够紧密嵌入其特有的业务场景并解决实际问题，而非提供通用的、脱离实际的「万能」工具。

---

（文：Founder Park）