九游体育(NineGameSports)官方网站-最强体育平台

　　一份动辄数百页的船舶维修招标文件，往往需要售前工程师们耗费好几天时间逐条拆解。从钢板规格到焊接工艺，从设备参数到维护条款，稍有不慎，就可能因漏报或错报而损失数百万的订单。

　　一份新的招标文件上传系统，AI 会在20 分钟内完成过去需要 4 天时间去做的工作。

　　售前数字员工像一位经验丰富的老工程师，精准拆解出工程、零部件、维护等不同类型的核心招标需求。调取历史数据与成本模型，生成合规报价，确保每一份投标文件的准确率超过 90%。

　　语核科技有个执念，即AI Agent 必须帮企业实现降本增效，要么能直接帮助客户快速提振营收，要么能帮助客户快速压缩成本。

　　2023 年夏天，大模型创业潮席卷而来时，从帆软出来的翟星吉带领语核科技团队，开发了一款面向 C 端的桌面生产力工具，产品迅速收获数万用户，留存率亮眼。

　　然而，付费转化并不好，哪怕产品将 C 端用户的效率提升 10 倍，他们买单的意愿仍然不高。

　　“这相当于给用户一把锤子，但他没有钉子可敲。” 翟星吉在接受牛透社采访时这样总结。

　　C 端生产力工具需依赖用户自身的价值创造能力，普通用户难以形成付费闭环。

　　受到当时海外 AI 创业项目启发，语核科技团队曾尝试开发类似 扣子 的 C 端 Agent 构建平台，让超级个体能自主训练专属 AI 助手，用于视频剪辑脚本生成、多平台内容分发等场景。

　　但是他们面对的竞争对手过于强大，由于字节等大厂通过旗下产品天然占据用户入口，形成了用户行为的数据闭环，能快速迭代垂类 Agent。

　　初创公司依赖公开 API，效果滞后，教育用户自己搭建 Agent 的成本远高于直接提供成品工具。

　　他们发现，企业端的需求本质上是 用 AI Agent 实现降本增效，他们把效率工具当作生产资料，一个 Agent 数字员工，价值可以直接折算成财报上的数字。

　　这种刺刀见红的调研方式效果也很明显，从 2024 年 4 月份开始，公司在一个季度里建联了上百个客户。

　　“我们的价值主张是，通过 AI Agent 直接解决企业可量化的核心业务痛点，摒弃传统数字化工具的说服成本，用即时 ROI 证明价值，要么赚钱要么省钱。” 翟星吉告诉牛透社。

　　语核科技做的事情就是将 Agent 数字员工提供给企业，在商业逻辑上颠覆了企业级软件产品的价值交付方式。

　　传统软件销售模式中，企业客户购买的是功能模块或席位订阅，需要自行配置、培训员工使用，最终价值依赖客户自身的落地能力。这种模式导致软件厂商陷入功能内卷和价格战，而客户则面临 投入高、见效慢 的困境。

　　翟星吉说，他们不想再做说服客户的事情。卖传统数字化系统需要给老板画 “未来价值” 的饼，而他们要做的是直接呈现可计算的 ROI—— 要么帮客户赚更多钱，要么帮他们省更多钱。

　　语核科技的底薪+提成定价模型彻底改变了软件付费逻辑。底薪部分覆盖数字员工的基础运维成本，确保服务的稳定性；提成部分则根据实际产生的业务价值进行分成，如销售线索转化提升带来的增量营收、人力解放产生的成本节约等。

　　这种模式将厂商与客户的利益深度绑定。以售前数字员工为例，某制造企业引入后，报价周期从 4 天缩短至 20 分钟，响应速度提升数百倍，而语核科技仅按新增订单金额的一定比例获取回报。

　　企业老板们只相信确定性的价值，花了多少钱，能带来多少确定的营收增长或成本节约，他们就愿意付相应的费用。

　　这类项目通常源于企业管理层的 AI 指标压力，而非真实业务需求，典型表现为 领导说要搞个 AI 项目，最终往往沦为搭知识库、做聊天机器人等形式化工程。

　　翟星吉在访谈中表示，这类项目他们一直比较排斥，如果需求本身都不存在，何谈落地呢？

　　他们的实施标准是，客户场景必须能明确测算投入产出比，要么带来确定性营收增长，要么实现可量化的成本节约。而且要有价值共识，客户需认可数字员工按结果付费的模式，而非单纯采购工具。

　　某国企曾提出开发通用型企业聊天机器人项目，预算充足但无法明确业务价值。语核科技评估后发现其本质是 为了 AI 而 AI 的 KPI 项目，最终婉拒。

　　与此对比，一家汽车零部件头部企业的供应链单据处理项目因能直接解放 6 名人工去从事更加创造性的工作，降低企业千万级现金流压力，成为标杆案例。

　　语核科技选择客户的第二个原则是聚焦高科技特定垂直岗位，而非通用解决方案。

　　通过将数字员工限定在 售前解决方案 供应链单据处理 产线质检技术员 等具体职能，实现跨客户的快速复制。

　　翟星吉表示，他们所选岗位在不同企业间的能力模型相似，业务流程相对固定，知识沉淀清晰，价值密度大。比如，供应链单据处理有明确的规则和模板，高级售前专家年薪可超 50 万，价值高，企业潜在节省的成本可观。

　　实际上，每个岗位都可以拆解为基础素质、专业技能和行业知识三个层面，前两层可以标准化，仅行业知识需要客户化配置。

　　新客户接入时只需加载企业特定数据，如同新员工入职培训，平均配置周期仅需5天~7天。同一岗位的数字员工在三家以上客户落地后，便可提炼通用能力组件，形成可复用的岗位模板。

　　九游体育

　　一方面是因为公司资源有限，好钢用在刀刃上。大额项目往往伴随过多定制化需求，会分散团队在核心产品迭代上的精力。

　　翟星吉说，任何项目必须符合聚焦垂直岗位的产品战略，避免为短期利益偏离长期目标。超过阈值的项目收入增长无法抵消定制化带来的长期成本，会影响公司的产品规模化能力。

　　拒绝 KPI 项目确保价值真实，控制合同规模确保了产品聚焦，垂直岗位深耕则有助于实现规模化复制。

　　翟星吉说：我们不想花很高的成本去说服客户这个事有价值，我就想让他直接能看到这个东西有价值。

　　据语核科技官方信息，公司成立两年内成功服务了上海仪电集团、唯捷创芯等多家制造业龙头企业，且客户续约率达到 100%。

　　传统企业软件长期被困在 席位订阅 的收费困境里，客户按账号数支付年费，却难以衡量软件究竟创造了多少价值。

　　企业客户认为，这种模式本质上是将技术成本转嫁给企业，而非与企业共享技术红利。

　　语核科技推出的数字员工 Agent，正在颠覆这一延续数十年的商业逻辑。数字员工的革命性在于，它让企业服务的定价首次与可量化的业务价值直接挂钩。

　　一个售前 Agent 可以缩短 80% 的报价周期，一个供应链 Agent 能解放 6 名人工......这些都可被精确测算并反映在底薪+提成的收费模型中，彻底改变了软件服务的价值评估体系。

　　这不仅重新定义了企业服务的价值标准，更预示着行业将从 卖软件工具 转向 卖业务结果 的新时代。

　　在这场变革中，真正的赢家会是那些能用技术帮企业赚到钱，而不仅是帮企业花掉钱的服务商。

　　翟星吉：最初的探索源于对大模型生产力变革的判断—— 大模型带来了全新的认知智能，能替代人类大脑的部分思考，具备巨大的应用潜力。

　　我们先尝试了 ToC 场景，做了一款生产力工具桌面客户端，用户增长和留存都不错，但付费意愿低，核心原因是普通 C 端用户时间和自身价值有限，工具难以激发其付费行为。

　　之后我们将用户分层：普通 C 端、Pro C（高净值人群、自媒体博主等）、ToB 企业组织。

　　Pro C 有较强付费意愿，但我们判断其与字节等巨头竞争难度大；而 ToB 企业本身是生产集合体，能通过工具提升业绩或降低成本，价值可观且客户粘性高，因此转向了 ToB。

　　2024 年 4 月起，我们用一个季度对接了上百个客户，聚焦挖掘其核心痛点，希望避免传统数字化系统的 “画饼” 式推销。

　　传统系统需要老板相信未来价值，缺乏直接正反馈，而我们想做能直接让客户看到 ROI（省钱或增收）的事。

　　牛透社：从 SaaS 产品到 Agent 数字员工，企业客户对产品的关注点有哪些变化？

　　翟星吉：过去企业采购软件更关注功能、价格、易用性，本质是 “内卷” 式对比。但现在转向 Agent 数字员工后，我们引导客户关注三个核心：

　　二是能否直接带来价值——要么帮企业省钱，替代重复劳动，降低人力成本，促进员工去做更有创造性的工作；要么帮企业增收，将专家服务规模化，覆盖更多客户；

　　三是定价模式，我们希望企业按“底薪+提成” 付费，即给 Agent 定 KPI，完成后按价值分成，而非传统的按席位、人天或 License 收费。

　　翟星吉：首先要明确 90% 准确率的重要性，企业场景对准确率要求极高，低准确率的 Agent 无法落地。

　　在此基础上，我们的核心措施是技术攻坚，团队由技术专家带领，联合清华、上交、帝国理工等研究人员，专门优化 Agent 架构。

　　从产品定义上锁定高准确率目标，通过自研技术来确保三个环节：文档输入准确率、RAG（检索增强生成）端到端准确率、Agent 架构算法效率；

　　翟星吉：Agent 难以落地的主要问题往往出在客户需求本身—— 很多项目是 “KPI 项目”，即领导要求做 AI 项目，比如搭知识库、做 chatbot 等，但缺乏实际业务价值，属于伪需求。

　　我们只做 “真需求” 项目，客户能明确核心痛点，且 Agent 落地后能算出 ROI，客户也认可这个价值。

　　翟星吉：我们的核心策略是聚焦。从创业初期我们就明确不做平台型产品，而是从行业和职能两个维度去聚焦。

　　在行业层面，我们聚焦在高科技行业；职能层面，锁定特定岗位，如售前解决方案 Agent、供应链单据处理 Agent、产线技术员 Agent 等。

　　我们将 Agent 打造成标准化岗位能力模型，就像员工跳槽一样，只需熟悉新公司的业务数据和流程，核心岗位技能是标准化的。

　　翟星吉：最大挑战是资源有限，受现金流制约。我们需要在融资环境不佳的背景下，保证充足的现金流周期，因此团队扩张、项目承接都受资金限制 —— 今年能花的钱、能招的人，都由营收和回款决定。

　　虽然有奇绩创坛的投资，但我们更倾向稳健经营，避免因快速扩张导致风险，防止合同回款不及预期击穿公司。

　　九游体育

　　目前资源优先投向能快速迭代产品、实现标准化的小项目，而非大而复杂的单子。

　　比如在降本场景，客户原本需要 8 人完成的工作，用 Agent 后只需 2 人，节省的人力成本按比例分成。增收场景也类似，比如通过 Agent 提升了销售线索转化率，新增的营收按比例分成。

　　首先，通用大模型存在一定的短板，未来大模型会强化通用推理能力，但垂直场景的 Know-how 是私有数据，通用模型难以覆盖，而我们聚焦的轻推理场景恰好能填补这一空白。

　　其次，我们深耕RAG，确保 Agent 接入上下文的准确性，聚焦垂直岗位的 “最后一公里” 问题，将产业中 “通用模型满足不了的痛点” 固化成产品，形成了核心技术壁垒。

　　翟星吉：今年的战略目标主要有三个：产品层面，孵化三个垂直领域的数字员工，聚焦特定岗位的标准化落地；营销层面，达成明确的营收目标，同时通过项目迭代持续优化产品；品牌层面，成为全国 Top 级的 Agent 服务商及产品公司，建立行业影响力。

　　首先，必须聚焦。我们很早就否定了做 Agent 平台的方向，因为平台模式类似早期的低代码平台，只能满足长尾需求 —— 就像没有客户会用低代码平台从头搭建 ERP 系统，而是会选择现成的垂直系统一样，未来的市场一定是垂直岗位 Agent 的市场，需要聚焦在具体岗位的价值落地，而非做一个什么都能搭的平台。

　　一是对业务场景的深度理解。比如清楚具体岗位的核心痛点、日常工作中的阻塞点，以及企业管理者和中层的真实需求；

　　二是对中国数字化产业的理解。包括上下游关系、产业生态、客户决策逻辑、付费模式等；

　　三是对前沿技术的理解。作为 AI Native 团队，要懂最新的 Agent 技术、架构设计，知道如何实现 90% 以上的准确率，能把技术转化为解决实际问题的能力。

　　最后，商业化能力也很关键，要能把这些理解落地为产品，转化为实际的商业价值。