Jesse Zhang

Decagon 如今将90%的工作流运行在开源模型上，因为生产级语音智能体看重的是特定任务的准确率和低延迟，而非通用智能。 在主题识别、坏人检测等窄任务上，微调后的更小模型可以胜过前沿系统，同时更便宜、更快：“我们最终3项优势都拿到了”（“We end up getting all three things."）。剩余10%用于新任务、实验性任务或特别开放的工作。

真正持久的模型分工，是前沿模型用于探索，开源模型用于规模化生产。 前沿 API 仍是启动不确定用例最便捷的方式；工作流稳定后，微调并控制更小模型的激励会显著增强。Decagon Autopilot 仍利用前沿模型的智能，审阅最多100万段对话、发现趋势、生成变体并测试改进。企业迁移会很慢，因为专有数据、定制评测、安全和模型风险治理的重要性都高于模型是否可用。

Decagon 将其研究组织视为持续运转的“模型工厂”，而不是一次性基础设施项目。 新能力会创造新的自动化任务，更强的基座模型也会让旧微调模型过时，因此公司持续训练、持续退役模型。Decagon 在内部构建紧密耦合的系统级评测，同时购买通用的数据标注和数据集多样性工具；它优化的是客户的价值单位——一次对话，即使每次对话中的模型调用和 token 数量不断上升。

应用层的核心判断是，模型不会编码不断变化的业务流程、集成、控制措施或记录系统。 Decagon 针对可复用的客服行为进行微调，但将每家企业的具体流程留在上下文中，以便流程变化时无需重新训练；外围产品则必须处理测试、QA、合规、协作，以及航班取消后为3名旅客重新订票等场景。即便 AGI 到来，创始人仍认为，智能体也需要软件“来存储工作、调取信息，并据此进行推理”。

只有当客户痛点能够沉淀为可复用产品时，前置部署才有价值。 早期 AI 工作流需要人们“边判断火车驶向哪里，边铺设轨道”，但已知工作流应该为接下来的10个客户产品化；否则，公司就会变成“一家披着 AI 外衣的咨询公司”。Ashwin Sreenivas 保留了 Palantir 更尖锐的说法：前置部署工程师“吞下痛苦，再排出产品”（“eat pain and excrete product."）。

Duo 展示了 Decagon 的复利式产品循环：昂贵的人力部署任务先变成产品功能，再由 Duo Autopilot 自动化该功能的持续改进。 这个更大、更慢的智能体可以把文字记录和文档转化为智能体操作规程、集成、测试、模拟、对话监控和修复草案——这些工作是核心对话智能体无法完成的。Jesse Zhang 认为，Decagon 近期的护城河是围绕智能构建的企业基础设施；但他也承认，如果未来智能体能够按需生成全部这类基础设施，“我不知道，但3年后我们会弄清楚”。

Decagon 的商业切入口是客户可以自行操作的“玻璃盒子”，并由客服拓展为覆盖每次客户互动的 AI 前门。 据称，一家客户在大约1年内只在 Sierra 上做出了3个旅程，转到 Decagon 后则在1个月内做出了7个；创始人仍深度参与销售，Jesse Zhang 估计销售约占其时间的80%。服务成本下降也可能释放潜在需求，而不是机械地转化为裁员：Ashwin Sreenivas 认为，“AI 会消灭工作，但不会消灭职业”（“AI will kill jobs but not careers."）。

🔗 原始收听与视频来源： Decagon 如何让90%的智能体运行在开源模型上

Decagon 是 AI 客服代理，而 Jesse Zhang 对这一场景为何最具企业生成式 AI 落地势头的解释，才是可交易的洞见：ROI 已被预先量化（现有聊天机器人/IVR 只能“解决”15–20%的请求；AI 可将这一比例提升至50–80%，也就是“我要把总成本砍掉60%”），而转人工机制已内置于呼叫中心基础设施中，从而降低上线风险。 企业通常先接入5%的流量，待解决率、CSAT 和准确率达标后，“几周内”扩展至全部流量。

Zhang 的劳动力光谱框架是：AI 代理存在的目的就是替代人力，因此应按这部分人力的成本来划分场景——AI 从光谱两端同时吞噬劳动力。 工程师成本最高，通常会被增强而不是直接裁掉，因为“工程工作是无限的”；外包的一线、二线支持处于低薪端，则确实可能被替代。BPO 并不担心，因为人员流动率本来就高，员工会转向 AI 还做不了的任务，比如数据标注。

创始方法可以复制：用“创始人的方式提经典销售资格审查问题”——你到底愿意付多少钱、谁的上级会审批、你会如何向管理层解释 ROI。 大多数想法在大公司报出“每月100美元订阅费”时就夭折；Decagon 真正建立信心，是因为汇总后的付费意愿“比其他任何想法高出一个数量级”——即便“非常聪明的资深创始人”都警告这个想法过于显而易见，最终会被 incumbent 赢走。

语音是前沿阵地，但还没有被解决：语音到语音模型的幻觉率“可能高出约8倍”，因此企业目前采用语音→文本→语音，并增加检查环节。 机会巨大——《财富》100强企业的客服90–95%依赖语音；门槛也极高，因为口语是拥有约15万年历史的用户界面，而键盘只有约60年历史。

护城河的核心判断是：如今 LLM 会读取每月100万段对话中的每一段（而过去只有20人的抽样团队），标记其中出问题的2%，并起草修复方案——因此一年后，“你的代理是否已经持续变得更好……好到其他代理很难进来达到同样水平？” 最终，代理会成为品牌的前端，作为“数字礼宾”彻底取代 App 和网站。

关于单位经济学：在应用层，“现在你的利润率其实没那么重要”——成本在指数级下降，因此应优先争夺市场份额和心智份额——但企业合同不能持续失血，Decagon 的唯一原则是不接受负毛利。 他的可颂类比是：真正解决问题的最后一步拿走最多利润，这也是为什么“wrapper”只是懒惰的批评，以及为什么随着 API 商品化，实验室会继续向应用层推进（“你只需要改一行代码”）。

他从内部观察到融资市场的狂热：“融资似乎太容易了”，而 Decagon 每轮融资后几乎“立刻”就被提前抢投——“光这一点就不可能是对的。” 他的筛选标准包括：利用投资人想投但尚未投资的窗口期进行测试（他们此时的帮助程度，是投后行为的代理变量）；关注“原始智力吞吐量”；警惕专家电话的噪音——“很多人会在客户电话里直接撒谎”，包括那些声称使用 Decagon、但公司从未听说过的人。

他的逆向判断包括：在超大市值公司中看多 Google，因为消费者触达是新数据的来源（Anthropic 缺乏消费者端优势是长期风险）；他的5个私募持仓名额属于 Cognition、Cursor、Etched、Pika 和 Chai。 前置部署工程师的热潮被过度炒作了——在可能指向 Palantir 的模式中，FDE 服务的是“1000万–2500万美元”的合同，客户规模或收入大约要达到100万美元才合理；996“并不那么健康”，而且在中国盛行，部分原因是雇主拥有议价权。

🔗 原始收听与视频来源： AI 代理的未来｜Jesse Zhang 访谈

Kaz 押注 Opendoor 最终会成为软件与服务平台，而不只是加杠杆炒房的交易商。 公司应提供公平价格，用软件和 AI 评估房产，并通过绑定服务经营长期关系，而不是在买入时一次性榨取利润。「企业不应为了赚钱而存在，企业应该赚钱来兑现使命。」

产品野心正从轻资产交易延伸到可退货、甚至终身担保的房屋。 Kaz 认为，Opendoor 最终可以为卖家找到下一套房，为售出的房产提供背书，并把重资产与轻资产模式结合起来。相应的投资叙事也极其激进：「Opendoor 的牛市情景令人咋舌」，但主持人反复强调，房屋仍是异质、低流动性的资产。

Kaz 正在为一家上市公司的“重新创业”调整薪酬与治理，且有意把执行风险集中到自己身上。 他说自己愿意拿不到1美元的薪酬，但公司不允许；他没有任何 RSU，绩效薪酬则与股价悬崖式门槛挂钩。他还表示，如果 Keith 和 Eric 没有在董事会层面提供保护，他不会加入 Opendoor。离开 Shopify 时放弃了「几亿美元」之后，他给自己的经营标准是「难、有价值、好玩」，对人才的招募口号则是打造「最激进、最具创新力的上市科技公司」。

Oracle 超过3000亿美元的积压订单，为公开市场提供了一个押注 OpenAI 的流动性代理标的，而投资者给它定价时几乎把每一美元都当成了确定收入。 Oracle 股价上涨约36–38%，一度触及1万亿美元市值，尽管市场隐含的 OpenAI 承诺是未来5年每年约600亿美元，而其当前收入约为120亿美元。小组不相信这3000亿美元会全部兑现，也质疑 GPU 托管能否接近 Oracle 现有41%的营业利润率。

小组对周期的判断是：AI 狂热可以推动生产力，但现实流动性仍比另一轮账面重估更有价值。 私募投资者无法像公开市场股东那样逐步卖出，因此「估值」不等于「流动性」；拒绝40亿美元的报价，去幻想8亿美元、120亿美元或240亿美元的结果，可能变成「中了彩票却把彩票弄丢」。一位嘉宾的默认做法是：任何创始人拿到巨额报价，都建议直接卖出；只有创始人自身的坚定信念，才能推翻这条建议。

OpenAI 似乎正在摆脱 Microsoft 的“熊抱”，把战略依赖转化为保持距离的商业关系。 可能的终局是，Microsoft 仍是重要股东、云服务商和模型客户，但不再拥有排他性；与此同时，Microsoft 也在采用 Anthropic 的产品。若 Microsoft 持有 OpenAI 20–35%的股份，这笔投资可能为其130亿美元的投入带来约10倍回报，但对于一家约3万亿美元的公司而言，影响仍然微乎其微。

AI 应用正在创造远超 AI 之前 TAM 的市场，但其收入持久性远未达到 SaaS 的验证程度。 据称 Higgsfield 融资5000万美元并达到5000万美元 ARR，Gamma 今年达到6000万美元；背后的机制，是让能够制作视频、幻灯片或软件的人数扩大10倍甚至100倍。但竞争如今在「两周内」就会跟上，即便 Anthropic 也可能因为 GPT-5 Codex 达到同等能力而损失 Claude Code 30–40%的收入。

分发能力让部分老牌公司重新杀回 AI 赛道，也让强势的第二名创业公司成为异常有价值的收购目标。 据称 Wix 以8000万美元收购个人创办的 Base44，随后为其接入身份、安全与自身漏斗，可能把它推向5000万美元 ARR；Workday 则以11亿美元收购 Sana Labs，当时 ARR 约为5000万美元。随着 IPO 活动重新升温，交易的核心越来越是判断：战略买家或开放窗口提供的究竟是真金白银，还是理论上的复利空间。

🔗 原始收听与视频来源： Opendoor CEO Kaz Nejatian：OpenAI 与 Oracle，凭什么都做得起这件事

客户支持是 Decagon 的 AI 智能体“黄金用例”，因为自动化程度和客户结果都能直接衡量。 Jesse Zhang 表示，买方会追踪智能体处理的对话占比、CSAT 或 NPS，以及——尤其在受监管行业——准确率。最终，企业可能获得一个支持任何语言、全天候在线的“私人礼宾”，在节省人力的同时提升留存和转化。

Bilt Rewards 采用 Decagon 后约1个月内就停止扩张支持团队，此后已记录节省约65名员工的编制。 随着用户基数快速扩大，其支持量也持续增长；自动化让 Bilt 得以重构运营，同时加快响应速度。Zhang 称，这个案例的 ROI “非常容易看清”。

真正的差异化在基础模型之上，而不在于独家获取基础模型。 Decagon 通过评测驱动的编排组合多个模型，围绕每个客户的业务逻辑进行塑形，并展示回答背后的数据、步骤和知识缺口。“你真的不希望它给人的感觉像一个黑箱。”

对客服智能体而言，指令遵循比模型讨论中占主导的编程和数学能力提升更重要。 Zhang 欢迎 o1 和 Sonnet 带来的进步，但表示决定性能力在于，模型能否拿到一份客服 SOP 或工作流并“严格照做”。即使核心模型继续进化，应用层仍有大量工作要完成。

近期的智能体赢家必须支持渐进式部署，并在达到完美之前就能带来容易量化的回报。 客户支持和编程满足这一标准；安全领域可能不满足，因为漏掉一个细微事件就可能不可接受，而 text-to-SQL 往往仍是需要人工监督的副驾驶，定价能力也不清晰。因此，Zhang 表示自己“对很多 AI 智能体近期用例更加悲观”。

语音、屏幕上下文和智能体监督，是 Decagon 未来的关键方向。 语音到语音模型可以降低延迟，但生产工作流仍可能需要检索数据并进行多次调用；Zhang 认为 computer use 可能还没准备好投入生产。更长期看，他预计会有更多人监督和编辑可无限扩展的智能体，使可观测性和控制成为产品重点。

🔗 原始收听与视频来源： No Priors 第97期｜与 Decagon CEO 兼联合创始人 Jesse Zhang 对谈

客户支持正成为 AI Agent 近期的“黄金用例”，因为部署可以从小规模启动，同时节省成本和服务质量仍能直接量化。 Decagon 同时追踪自动化处理的对话占比、客户满意度、NPS 和准确率，实际上为每位客户提供跨语言、全天候在线的“口袋私人礼宾”。

Bilt Rewards 提供了 Decagon 最清晰的经营杠杆证明：大约1个月内，随着 AI 接管大量自动化工作，Bilt 停止扩充客服团队。 近1年后，Bilt 已重组客服职能，并量化出约65名客服的人员成本节省；客户则表示，其客服“完全不像我们以前用过的任何 AI 或聊天机器人系统”。

Decagon 声称的差异化来自通用模型之上的软件，而不是对 GPT-4o、GPT-4 或 Claude Sonnet 的独家访问。 其编排层围绕客户特定的业务逻辑评估并组合模型；产品层则展示数据、决策步骤、知识缺口和对话类别。Zhang 的框架是：“大部分 alpha，或者说你真正构建的大部分特殊能力，都在模型之上。”

对于客服 Agent，指令遵循比 o1 和 Sonnet 时代被反复强调的编程与数学推理能力提升更重要。 客服 Agent 必须“严格按 SOP 执行”，尤其是在受监管行业；更强的推理能力有帮助，但对 Decagon 而言，可靠地遵循工作流才是更关键的模型发展方向。

语音扩大了可覆盖的工作流，但也带来持续存在的延迟与计算权衡。 端到端语音模型响应很快，但生产环境中的通话可能需要检索数据并多次调用模型；语音转文字、文本处理、再转语音会增加延迟，却能完成这些工作。Decagon 的务实过渡方案包括使用“好的，请稍等一下，我正在查询您的数据”这样的对话缓冲。

组织的终局并不只是减少人手，而是让更多人“监督和编辑 Agent”。 Zhang 预计，管理者将监控、纠正并硬编码无限扩展系统的行为；屏幕上下文和计算机使用能力则可能让 Agent 真正操作产品，而不只是回答问题。不过在他看来，Anthropic 展示的 computer use“还没达到生产就绪”。

相较于行业演示所暗示的前景，Zhang 对大多数近期 Agent 类别“更悲观”。 成功的市场既需要在接近完美之前逐步上线，也需要容易量化的 ROI：安全 Agent 面临非确定性问题，因为任何微小异常都可能必须被捕捉；text-to-SQL 则往往仍是需要人工监控的 copilot，经济价值难以定价。更好的模型未来可能解锁这些类别。

🔗 原始收听与视频来源： AI Agent 如何重塑客户支持：与 Decagon 的 Jesse Zhang 对谈