作者 | 铅笔道 吴欣晓
编辑 | 铅笔道 黄小贵
封面图｜铅笔道制图
2025年正月十五，天晴转多云。
任鑫琦没顾上吃饺子，就带着团队去了客户现场。对方是一家头部面板厂商，核心诉求只有一个：良率。
面板是个“千分之几定生死”的行业。
良率每往上走一点，一年对应的就是几百上千万利润；一个批次的问题没被及时发现，损失同样可能以千万计。
过去，这些活主要靠人：查数、分析、判断原因，再把整改动作拆给工艺、设备、采购等部门。
客户问得很直接：“AI到底能不能替人干活？如果只是做知识库、出报表，那叫挠痒痒。”
几个月后，这家工厂的良率上去了，一年多赚出上千万元；原来需要多人花几天完成的质量追溯，缩短到一名员工5分钟。
接下这活的是悦点科技。它做企业AI智能体，让AI不只回答问题，还能参与分析、决策和执行。
2024年12月，悦点完成云启资本独家投资的数千万元天使轮融资；近期又完成由盈富泰克领投、水木创投跟投的数千万元Pre-A轮融资。目前，公司累计付费客户接近100家，已实现盈亏平衡。
悦点科技创始人任鑫琦，外表淡定，脑内狂跑Agent
创始人任鑫琦本科、硕士均就读于北京大学计算机系，曾任明略科技技术合伙人。2022年，他带着原知识图谱团队创业，押注企业级智能体。
近期，铅笔道邀请任鑫琦交流企业Agent。以下是他的口述，经铅笔道整理。
- 01 -
企业为什么愿意掏钱？
企业AI以前为什么看起来很热闹，却不好赚钱？一个重要原因是，AI原来只起到展示作用，而不能帮客户做判断。
我做企业软件十二年。五年前，制造业老板愿意花钱，首先是想把公司“看清楚”：今天生产多少，良率怎么样，设备有没有异常，库存还剩多少。
ERP、MES、BI、知识图谱，本质上都在做同一件事——把数据收上来，让人看见，再由人做决定。
但到了2020年前后，我开始觉得这套逻辑只走了一半。
当时我还没创业，我们同时交付几十个项目，前后累计做了数百个。后来复盘，真正让客户觉得“惊艳”的大概只有三成，剩下多数项目有用，但谈不上惊艳。
问题不一定出在产品，而是最后那一步仍然依赖人。
还是拿良率来说。
系统把缺陷分布、批次、供应商、工艺参数都摆出来，一个干了二十年的工程师看一眼就知道该往哪查；换个新人，看到的可能只是一堆图表。软件把信息给了人，但没替人判断。
所以我那时一直在想：软件能不能别只把答案摆在人面前，而是自己判断，甚至继续把事情做掉？
大模型起来后，这件事开始变得现实。
DeepSeek出来之前，很多企业谈AI，最常见的是知识库、AI问数。说白了，是先试一试：把公司文件放进去，员工问一句“去年某个区域收入多少”，AI能把答案找出来，大家就觉得挺新鲜。
DeepSeek之后，尤其是国央企和头部民企，问题变了：能不能进业务？能不能做专业判断？判断完，能不能直接执行？
成本也在变。过去大型企业做私有化部署，模型、软硬件都不便宜；开源模型起来以后，至少底层模型这一块的门槛明显下降。
所以我现在看企业AI，分水岭已经很明显：过去更多是“给人看”，现在真正值钱的AI，开始“替人干”。
前者还会有需求，但会越来越标准化、越来越便宜。真正能让企业掏大钱的，是能进入复杂业务、做判断，还能继续执行的企业Agent。
- 02 -
怎么帮企业赚钱？
企业Agent到底值不值钱，最后还是看一件事：能不能解决真问题，账能不能算清楚。
2025年正月十五，我带着团队到了那家头部面板厂商。面板行业里，良率就是命根子。但良率最难的不是发现异常，而是归因。
客户信息在CRM，生产批次在MES，原材料和供应商在ERP，工艺和设计在PLM。
出了问题，不同岗位的人要分头去查，最后再由资深工程师把线索拼起来，判断到底是批次、物料、供应商还是工艺参数出了问题。
客户不缺厂商，但真正把核心业务摆出来以后，当时没人敢直接接。
我们敢接，但也不敢蛮干。高价值项目，一般先做付费POC，一二十万元，选一个小场景跑一两个月，双方验证，确认能做，再往下走。
这套流程本身也不简单。
先把各个系统的数据规整到一起，同一个物料在四个系统里可能是四个编码，人填的Excel也会有误差；
再算良率、缺陷分布等指标，做定性判断，归因到批次、物料、供应商或工艺；最后再对接不同系统，下发整改任务。
每一环都需要不同能力的智能体：数据处理、指标计算、专业判断、流程生成、系统对接，一整套。
正月十五第一次交流，4月清明节后第一周，我们带着成果参加集团春季办公会，现场演示质量追溯和归因流程，拿了集团的AI奖项。
但我们没马上撤人。良率归因不是普通办公场景，聊天机器人答错一句，最多体验差一点；良率判断错了，一条产线的工艺参数可能就往错误方向调整，损失直接以百万、千万计。
所以一开始，人做一遍，AI也做一遍，双方不断对结果。这个过程跑了大约半年。
到2025年底，这套体系正式上线。原来一次跨系统质量追溯，要多个岗位配合花上几天；现在一名工程师驱动整个流程，5分钟就能拿到结果。
更重要的是，良率真的上去了。
光良率这一项，一年多赚出来的就是上千万元。
再加上时效，过去异常发现和归因要压几天，晚一天发现，就是多几天不良品继续往下走，这部分同样是真金白银。
Knora·本体增强AI平台
我特别想强调，这笔账是“多赚的钱”，不是“省下的人工”。企业AI最容易被理解成降本，但真正让客户下决心的，往往是增收。
企业愿意为Agent付费，我总结下来大概四类：帮我赚钱、帮我省钱、帮我降低风险、把人的经验留下来。
前三个好理解，最后一个反而容易被忽略。
很多企业真正值钱的东西，不在电脑里，而在老员工脑子里。一个干了十几二十年的老师傅，看一眼数据就知道哪里不对，这种经验很难写进流程，也很难靠培训完整复制。
这个项目人机并跑半年，另一个结果，就是把资深工程师做分析、判断和排序的方法慢慢沉淀进系统。
以后即使是老人退休、新人进来，业务都不需要从头学；再做类似产线、类似工厂，原来的经验也能复制。
这部分价值，甚至没有算进ROI。
所以企业买Agent，表面上是在买效率，往深了看，其实是在买一种确定性：人可以流动，但业务不能跟着一起波动。
- 03 -
谁在赚钱？
这条链上，站的位置不同，赚钱方式也完全不同。
最直接的是算力。
前两年，手里有稀缺的卡，生意相对好做；这两年开始分化，不稀缺的那部分，已经变成拼价格、拼折旧的重资产生意。
第二块是大模型厂商。
它们赚的钱未必少，但投入极大，而且模型能力在快速标准化，价格也不断往下走。
再往上是Agent平台、开发框架、MaaS，这两年最热闹，也最挤：上面被大模型厂商往下压，下面被云厂商往上收。
我更看好的，是深度业务场景里的分析、决策和行动闭环。
越往下越标准，越标准越拼成本和规模；越往上越不标准，越不标准越拼专业度。算力和模型最终都会沉成基础设施，真正的机会在基础设施之上。
但一说“深度场景”，很多人就以为是做项目、堆人。恰恰相反，如果每个客户都重新做一遍，那不叫生意。
我们做的是一套框架：Ontology把行业里的业务对象、关系、规则和可执行动作沉淀下来，Agent在上面做判断和执行，整套体系还能自迭代。换行业、换客户，变的是Ontology里的知识，不是重新写一遍系统。
国外典型是Palantir。国内未必会长出一个完全一样的Palantir，但它覆盖的那些能力，会分散在不同细分行业和场景里。
经常有人问我们的边界在哪儿。
我的回答是：不在行业上，在深度上。
制造、能源、汽车、轨交我们都在做，但有一条线很清楚——我不做办公AI，只做能独立干活的AI。
办公AI会很快标准化。写邮件、做纪要、查文档，各家产品差别不会太大，最后一定会集中到少数巨头手里。
但业务AI不是一个市场，而是无数个市场叠在一起。
质量、设备、供应链、研发，随便横切一刀，背后都是整个制造业的盘子；而每一刀切下去，需要的知识和判断逻辑又不一样。
办公AI拼覆盖率，业务AI拼进入深度。
上一轮知识图谱、数仓热潮，大厂也几乎全部下场。2017年前后厂商像雨后春笋一样冒出来，到2020年前后，一批团队关停、裁撤，有的公司直接消失。
所以我始终认为，这件事最终还是专业的人做专业的事。巨头会进来，但一定会给那些专业度够高、场景做得够深的公司留下空间。
- 04 -
怎么赚钱？
前面讲的是怎么帮客户赚钱。轮到企业AI公司自己，我有四点体会。
第一，只赚自己能力半径里的钱。
别看到什么热就追什么。原来种西瓜，看到大蒜涨价就改种大蒜，通常赚不到钱。帆软做BI二十年，今天大模型可能半宿就能写一个简单BI，但它的壁垒从来不是那几行代码，而是二十年积累下来的业务和产品能力。
热点每年都在换，能力半径变不了那么快。
第二，用AI原生的方式重做，而不是给老产品套一个AI外壳。
过去的企业软件，是把流程固化下来，让人按流程走；Agent是反过来的，你把目标交给它，让它自己找路径。产品形态、交付方式，甚至定价逻辑都会发生变化。
第三，先算账，再谈技术。
我们进任何一个场景，第一件事不是讲模型有多强，而是跟客户把账算清楚：这个场景一年到底值多少钱，钱从哪儿来，是多赚的，还是省下的。
算不清账的场景，技术再好也不该做。
第四，用付费POC筛客户，而不只是筛项目。
高价值项目先做一二十万元的POC，选一个小场景跑一两个月。表面看是客户验证我们，其实也是我们在判断这家企业到底适不适合做。
我们碰到过两个月POC换三拨人的客户，也碰到过场景选错、领导一句话往下传，最后执行层理解完全变了的客户。
遇到这种情况，技术反而不是最大的问题，先得把方向拉回来。
企业服务最贵的成本，不是获客，而是做了一个注定做不成的项目。一次失败的交付，赔掉的不只是这一单的钱，还有口碑。
Knora·AIGO企业知识记忆
外部环境也在变。
去年找我们的还是能源、轨交类大型国央企居多，今年工业制造和泛工业已经成为绝对大头。
投资人也从问“你有没有AI”，变成继续往下问：核心技术是什么？有没有真正跑通的场景？能不能快速复制？
这个行业也会因此分层。
能标准化、能规模化的，会往下沉成基础设施；能做深、能做专业的，才有机会往上走。中间那些有一些AI能力，却始终没跑通真实场景的，会最先被挤掉。
所以回到最开始那个问题：企业为什么愿意为AI付钱？还是四件事——多赚钱、省钱、降风险、沉淀知识。
五年前，老板想的是“让我看见、让我判断”；现在老板开始想的是：“AI，你直接给我干。”
把分析、决策、执行全部接起来，人只需要看它干得对不对。
对于真正能把这件事做好的公司来说，这个变化，就是钱。
海量资讯、精准解读，尽在新浪财经APP
51我要配资提示：文章来自网络，不代表本站观点。
热点资讯
