---
title: "5000块雇一个永不请假的员工，这事儿正在发生"
id: "20260630A08KGX00"
publicationAccount: "非凡产研"
originalPublishedAt: "2026-06-30T18:01:57+08:00"
canonical: "https://ffcap.cn/research/20260630a08kgx00"
source: "https://view.inews.qq.com/a/20260630A08KGX00"
sourceAccount: "https://news.qq.com/omn/author/21759984"
language: "zh-CN"
tags: ["AI Agent","销售与客服","AI 编程"]
---

# 5000块雇一个永不请假的员工，这事儿正在发生

文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。

**AI行业观察**

## **如果有一天AI什么都能替你做，你还会想亲自做什么？**

  

一场关于AI、生意与人性的圆桌，答案简单得有点意外

"

**"做食品AI的说，吃东西。做法律AI的说，去旅游。搞Web3的说，运动流汗。"**

答案简单得有点意外。

但如果你在前面听完了整场讨论，你就知道这个问题的分量。因为就在几分钟前，他们还在聊红杉那篇著名的文章，聊自己做的数字员工已经能替代15个人的产能，聊AI在你睡觉的时候还在跑业务、不请假、不交公积金、没有情绪。

然后他们被问到，那你自己想留下什么？

这场圆桌里很多话都值得反复琢磨，我挑几个最有意思的点来聊。

  

## **从卖工具到卖结果，这事已经在发生了**

今年3月红杉有个合伙人写了篇文章，叫《Services is the new software》。核心逻辑很简单，企业每花1块钱买软件，愿意花6块钱买服务。企业愿意为结果买单，不是为工具买单。所以下一个万亿美元的公司，会是一个披着软件外衣的服务公司。

如果你觉得这又是一个VC画饼，CK会告诉你，他们已经在这么干了。

CK是新加坡人，做Cuber AI。他直接说我们交付的就是结果，不叫自己Agent，叫数字员工。从去年6月就已经开始按这个逻辑走了，7月份会全面推出全职数字员工和临时数字员工。

![5000块雇一个永不请假的员工，这事儿正在发生 · 原文图片 1](https://inews.gtimg.com/om_bt/OvxhwxGitJLelYW1hn-Y8Izo2DluoBnYYg3AToHYxH1ogAA/1000)

他说收费逻辑也很简单，完成一个任务，收你多少钱。比如一个客服数字员工，一个月租你5000块。好处是什么？7x24小时在线，不收公积金，不请假，不喊累，你骂他他也没情绪。

他甚至不写代码了。CK的说法是，往后开发全部用AI Native，不会有人去写代码，人只在商业端告诉这些数字员工怎么做。

说实话，5000块一个月买一个从不喊累的客服，这个账老板不可能算不过来。

但你肯定想接着问，那被替换掉的人去哪了？

CK的回答挺有意思。他说你别老想着淘汰人，你想想电脑刚出来的时候，手写账本的会计是不是也觉得自己完了？但结果是，会计还在，只是工作方式变了。

**"数字员工帮你处理掉80%的操作层面工作，你腾出手来做什么？跟客户拉关系、做群访、提供情绪价值。这些是AI做不了的。"**

人机协同不是口号，是你把自己的时间从琐事里抽出来，去做能带来更高收入的事。

  

## **预测你爱吃什么口味，准确率86%**

Erik做的公司Digitaste比较特别。他不是做聊天机器人的，是用数字孪生来帮食品饮料公司测试新产品会不会受欢迎。

![5000块雇一个永不请假的员工，这事儿正在发生 · 原文图片 2](https://inews.gtimg.com/om_bt/OCe_eTlAH5LCHPfvdTZhOMwbpMoXkYo8_LftbUXDmHsioAA/1000)

比如今年夏天是上杨梅味的好还是荔枝味的好，甜一点还是酸一点，他的系统能告诉品牌方方向。

原理其实不复杂。食品决策大部分是潜意识的，你去超市拿什么其实没过脑子，跟熟悉度有关。他通过线上问卷、内隐度测试、行为测试建每个人的数字孪生，再用200多道题里70%训练模型、30%验证，跟真人结果对比。目前准确率做到了86%。

他说他们还在接入电子鼻、电子舌，甚至脑电波数据，争取近期过90%。

但Ahaya问了一个问题。

她说有个场景AI不可能有。比如她特别喜欢桂花味的饮料，可能跟口感关系不大，主要是因为16岁那年在一棵桂花树下，跟班里打篮球很好的男生相视一笑。那个瞬间让她一看到桂花味就想买。

AI没有这种记忆。它能尝出甜不甜，但尝不出16岁桂花树下的悸动。

Erik的回答很坦诚。他说我们的系统能给出方向性判断，比如杨梅vs荔枝、甜一点vs酸一点，但具体到配方，还是得食品工程师来。那些属于碳基生命的体验部分，确实是AI到不了的地方。

我觉得这段话里藏着一个很重要的事实，AI越强，那些只有人才能做的事反而越清晰了。

  

## **大模型降维打击，垂直AI还有护城河吗**

Max做的ThinkSpace是法律垂直类应用。法律AI有个明星公司叫Harvey，去年估值11亿美元，全球1300多个客户，今年6月刚落地新加坡。

Ahaya直接问他，Harvey进来了，你的优势是护城河还是时间差？

Max的回答我觉得比很多人诚实。

![5000块雇一个永不请假的员工，这事儿正在发生 · 原文图片 3](https://inews.gtimg.com/om_bt/OiebG13cqPhDC_EmLJjzEOfXnppTv2aaApiL17gczuc8YAA/1000)

他先说了一个让同行有点难受的事实。他说昨天晚上有个大模型厂商的研发朋友给他发消息，说能不能合作，把你们垂直的数据和律师标注数据给我们训练用。他当时又气又笑，觉得这是我核心的Know-how，怎么可能给你。

但反过来想，大厂开始全面入局垂直场景了。当底层模型强到一定程度，垂直AI是不是就变成了大模型的一个功能？

Max说目前还有个Gap，红杉那篇文章也提到了，模型能力和企业实际采用率之间有巨大差距。而且企业客户有黏性，当他把所有数据、工作流、协作关系都放在你平台上，换掉你成本很高。

但他没回避那个更本质的问题，留给垂直AI的时间到底还有多少。

Ahaya补充了一个很有意思的观点。她说企业在做决策的过程中，有很多东西不是直接结果，是一些过程性的东西。这个决策怎么产生的，经过了哪些部门，老板的偏好是什么，各个负责人的决策依据是什么。通用大模型可以在每一个垂直行业都获取一些数据，但它拿不到这些属于人的那部分决策依据。

**"这些才是企业级Agent真正的护城河。技术壁垒早晚会被追上，理解人的壁垒不会。"**

  

## **如果Agent能一键分享，会发生什么**

熊炜想做 Agent 时代的 App Store。 

他之前做 Web3，对开源和去中心化有信仰。他的逻辑来自一个极其具体的痛点：他自己用 Agent 很顺手，能玩出各种花样；可一旦想把这些 Agent 分享给同事和朋友，就卡住了。因为一个 Agent 调用的技能和数据，往往跟个人的生产力环境绑得太紧，根本没法一键复制给别人。 

所以他想做一个开放的 Agent App Store。在这里，你可以把自己的工作流训练成 Agent，剔除隐私数据后，一键导出上架，供别人购买。平台负责底层运营，你完全不用管服务器的事。他口中的“开放生态”，就是每个人都能参与，而不是由某个大公司控制一切：开发者训练 Agent、用户使用 Agent、分享者获得收益，平台只收一点运营费。 

有人曾问过他一句：“你不怕最后做成另一个抽 30% 佣金的 App Store 吗？” 他说，他信开源，不想做封闭的帝国。 

但坦诚讲，这个愿景要真正落地，需要的东西太多了。毕竟，生态建设不像写代码，从来都不是一个人的事。

![5000块雇一个永不请假的员工，这事儿正在发生 · 原文图片 4](https://inews.gtimg.com/om_bt/O30vBrw96E3SMl76gzRApZcktpOaFPqH6AMbivFe1MV5sAA/1000)

所以他想做一个开放的Agent App Store。你把自己的工作流程训练成Agent，剔除隐私数据之后，一键导出挂上架，别人可以买。平台提供底层运营，你不用管服务器的事。

他说的开放生态，就是每个人都能参与，不是某个大公司控制一切。开发者训练Agent、用户使用Agent、分享者获得收益，平台收点运营费。

我问过他一句，你不怕做成另一个抽30%佣金的App Store吗。他说他信开源，不想做封闭帝国。但坦诚讲，这个愿景要实现，需要的东西太多了。生态建设不像写代码，不是一个人的事。

  

## **真正的问题是，你想留下什么**

回到开头那个问题。

你注意看，这四个人的答案有一个共同点，他们想留下的都是体验，不是产出。

没人想继续写代码。没人想继续审合同。也没人想继续管团队。

是吃东西。是旅游。是流汗。是感受。

CK在台上说了一句，数字员工80%做操作层面的事，20%需要人来给指令。但这个20%很可能就是人之所以为人的部分。你想做什么，你想去哪里，你想跟谁在一起，你看到桂花想起谁。

这些AI算不出来。

**"祝各位碳基生命，都能拥有美好的人生。"**

这话放在一个AI峰会上说，有点荒诞，又有点真诚。

讨论AI替代多少人，说多了其实挺无聊的。有意思的是别的问题。有了这些替代，腾出手来之后，你想亲自去经历什么。

  

## **更多对话细节**

**Panelist：**Erik Yang（Digitaste Founder）；Max Ye（ThinkSpace Founder）；C K Ng（Cuber AI Managing Director）；Wei Xiong / 熊炜（VertrAI CEO）

**Host：**Ahaya（DAJ Innovations Founder）

  

![5000块雇一个永不请假的员工，这事儿正在发生 · 原文图片 5](https://inews.gtimg.com/om_bt/OxwYUI_ruWUdTvuxoAh_v3y1UKdtAQwC-9nneQyOP_MwIAA/1000)

### **为什么选择从新加坡出发走向全球？最看重什么？**

**Ahaya：**今天我们 Panel 的主题是《从新加坡出发，然后走向全球化》。其实今天一整天在每一个 Panel 里面陆续都有讨论到这个问题，所以建议大家抛开地缘优势等前面嘉宾几乎都分享过的角度。我想请教一下四位嘉宾，你们为什么选择从新加坡出发？就一句话，新加坡你们最看重的是什么？

**Erik：**大家好，我是 Erik。新加坡对我们来讲最重要的是"East Meets West"（东西方融合）的本土文化。对我们的味觉研究来讲，感官科学一直建立在西方的体系之下，但是我们在新加坡能够很好地拿到样本，来进行东方人口味的研究。

**Max：**我在新加坡创业主要是因为我在这儿待了 20 多年，从学校一直到工作都在这儿。但如果用一句话总结的话，其实新加坡是中方和西方的一个交汇点。在法律行业也是一样，它融合了双方很多的规则，这也是我们一个很好的起点。

**CK：**我本身是新加坡人，所以可能就不讲（客观上）为什么在新加坡了。最主要是新加坡给我们提供了一个非常好的地理位置，这是第一点；第二，它链接全球，而且我们在政治上也有相当有利的一些支持。所以这对我们来讲，从这里开始再走向其他国家，是一个战点。

从英文的角度，包括中文的接受度来看，中国企业来到新加坡，然后再从新加坡重新走出去，有一个转换的模式。而且这里的传统跟中国的传统有类似之处，我们都是华人，理解度会比较高。要把产品转型再推向欧洲、美国甚至澳大利亚，就会简单得多，这是一个跳板。

**熊炜：**我来新加坡已经四年多了，之前做的是 Web3 行业。其实在新加坡，我们主要关注的还是它的法律、合规还有政治这一块。因为现在的地缘政治原因，大家对于数据安全性、敏感信息其实都非常注重，也不愿意把自己的数据公开出去。

在这种情况下，新加坡提供了一个安定、稳定的环境。这种环境依托于新加坡的法律法规，相对其他地方会更加严苛、更加完善。同时，新加坡也提供了一个多元文化的环境，这种环境非常适合我们做 AI 公司服务全球的用户。最终全球用户的数据也会落地到新加坡这里。我认为新加坡是一个非常利于 AI 企业、特别是面向全球企业发展的一个很好的落脚点。

### **怎么看红杉提出的"服务即软件（Services as the new software）"？未来是交付工具还是交付结果？**

**Ahaya：**熊总创业项目这部分我们后面再来具体介绍。我这边也补充介绍一下我自己，因为我本人也是从新加坡出发，现在在新加坡为拥有生态文明视野的华人创业者去链接全球的资本和市场资源。说人话就是，目前我提供的服务，也是为一些 Web3 和 AI Agent 的项目提供一些 Go-to-Market（走向市场）的服务。但未来我希望可以链接更多具备生态思维的创业者，包括科技、艺术、文化、生态社区等，帮助他们真正地走向全球市场。

接下来我们来到第二轮的问题。其实不知道大家有没有看过一篇文章，今年 3 月份的时候，红杉资本的一个合伙人发表了一篇文章叫《Services is the new software》（服务是新的软件）。文章的核心就是说，下一个万亿美元的公司，会是一家伪装成服务公司的软件公司。

他的逻辑是说，企业每在软件（Software）上花 1 美元的预算，他们就愿意为服务（Services）相应地花 6 美元的预算。也就是说，企业在付费的时候，是更加愿意为了"结果"和"服务本身"而付费的，而不是工具。所以他认为未来最值钱的 AI Agent 公司一定是直接交付服务，而不只是像 Copilot 一样交付一个工具。

我这边也很好奇，想请教一下四位创业者，你们现在所做的 AI Agent 是否有计划未来往服务方向发展？还是说你们其实已经融入了一部分直接交付服务的内容？

**Erik：**其实我一直不太认为我们是一家纯 AI 公司。因为我们作为一家建模高维度人类味觉和嗅觉的公司，AI 应该是我们加速的一个工具，也是技术上的一个革命。我们最 Care 的一件事情就是这个东西好不好吃、消费者端怎么觉得好吃、客户造出来的东西好不好吃。所以对我们来讲，交付（Deliver）这个准确性高的结果永远是第一位的。

刚才提到的问题，其实我之前也学习过红杉的这个观点。红杉把整个 Offering（产品服务）分为 Intelligence（智能）和 Judgement（判断）。Intelligence 肯定会加速我们人类的发展，但是 Judgement——比如品位和体验，这个是 AI 没有办法涵盖的。也就是说，以后我们肯定不会去把平时工作中很多繁杂的手头事务留给自己，这些 AI 都可以替代。但我们可以 Focus 在真正有意义、真正探索我们意识边疆的事情上。

所以这里面，1（工具）的预算和 6（服务）的结果溢价，我认为未来会有更高的结果溢价，甚至是 1 到 20 的溢价。因为 1 比 6 的比例是从存量市场来看的。打个比方，我们用 Digital Twins（数字孪生）来帮我们客户验证新品，来加速他们的食品生产。以前他们只有预算在 100 个品里头测试 10 个品，但是我们现在可以帮他们测 60 个、70 个品。所以这里如果把一个增量市场放进去的话，我认为有更大的一个潜力。

**Max：**那段采访其实我也看了。当时我的第一个想法是，我们一直说 SaaS 其实是 Software as a Service（软件即服务），它本身也是一种服务。那我感觉红杉可能更想说的是，人对人的服务和 Software 的服务有什么区别。

在我看来，这里面其实有一个从 L1 到 L5 的过程。从一开始比较偏手动的，到最后它可以像 Agent 一样自动化地去执行一个任务。我觉得这个区别可能在于，执行这个任务的时候，跟你在我们行业里去找一个真律师的区别到底有多大。在这个点上，我目前的感觉是——昨天还在和熊总聊，他们现在看一些合同，都是先让 GPT 律师来看一眼，先看一下这个合同怎么样。在这种情况下，我的感觉是，可能迟早有一天大部分的用户会觉得，我的第一个 Approach（途径）其实是找一个 Software 或者去找 AI 去问一下。

这是 To C 端的场景。但 To B 端的区别在于，很多的 Agent 当你把它自动化之后，其实它出错了你不知道错在哪。在这种情况下，你需要工作在前面做很多工程上的处理。比如在文件的结构上面，如果大量的文件进去，你要专注的是哪一段话或者哪一些条款更重要，这是需要人的判断然后去不断训练的。所以在看来，可能有一天确实 AI 会变成我们去寻找的第一服务方向，但我们现在还没有完全到那一步。

**CK：**可能我的见解就比较不大一样，我们现在交付的就是结果。我们也不叫自己 Agent，我们把它叫做"数字员工"，英文叫做 Digital Employee。大家可以关注一下我自己的 LinkedIn，找 CK Ng 都可以找到。

我最近发布的一些案例都是以交付为结果。我们现在做的 Digital Employee，纯粹是在交付这一部分、看结果。那往后我们的收费也会依此类推，就像你请个人来帮你工作，你看他的结果然后你付费，是这样的概念。现阶段的话，我们从去年的 6 月份已经开始有这样的一个做法了。这可能也应验了一句话——红杉资本也投资了我们，所以我们也就是在按这个逻辑开始做。

在 7 月份，我们公司会全程做 FDE（Full-time Digital Employee）跟 TDE（Temporary Digital Employee）的结果交付。也就是说往后我们的开发都会用全程 AI Native，我们不会有人去写代码。我们用的人就是在商业端，包括怎么去 Prompt 所谓的这些 Agent 怎么来去做这些事情。所以我们现在已经走向了交付和结果的这一部分。

收费往后也是同样的逻辑：你完成了一个任务之后，我就收你多少钱。我们近期在东南亚也开始了类似我们所谓的 AI Service，也就是一个交付的节点，看成果付费。也就是说你买一个数字员工，如果他是做一个客服，可能每个月我租你 5000 块。这个 5000 块的好处是什么呢？7×24 小时在线，他不收公积金，他也不跟你请假，他也不跟你讲说我累了，他也没有情绪的输出。也就是说你怎么骂他、怎么逼他，他还是把工作给做完，这就是一种结果交付。

**Ahaya：**我想请教一下 CK，如果是买你们一个数字员工和传统员工相比，数字员工的工资打几折呢？

**CK：**之前我在深圳的时候搞了一个圆桌会，有人问我这个问题："是你的数字员工贵呢，还是我的人贵？"我一句话总结：我的数字员工开始会非常得贵。因为你刚开始的时候他需要学习，就跟你刚刚请一个小白入职是一样的道理，你要教他。但教了之后，一旦他熟悉之后，现在的 AI 科技已经发展到我们所谓 RIL，也就是 Recursive Improved Learning（递归自改进学习）。这一部分的话，Anthropic 是刚开始做，不过如果你们在用 OpenClaw（注：此处修正原转写错误）或者大模型，尤其是当你在用一些顶尖模型的时候，你给它几个指令之后，它会写一行字说"I am improving something"，也就是说它实现了迭代的自动学习。

所以开始的时候，第一你会觉得贵。不过一旦你用久了、看到成果之后，你就不觉得他贵，因为他可以不断地交付成果。所以我说开始的投入是贵的。就跟我们教小孩一样，前期供他读大学贵吗？贵。那后期他找到工作、工资高的时候，你觉得你的回本率高吗？一样相对是会高的。

**熊炜：**红杉这篇文章的话，其实我之前都没看过，还是 Ahaya 推荐给我，我才研究了一下，非常有意思。其实我在自己创业之前，是在银行里面给银行内部做这种 OA 还有 CRM 系统。这些系统本身其实就是我开发出来给某个业务部门（比如会计部门）使用，然后再让大家来操作。所以文章里提到的事情，其实就是我过去的经历。

但现在我们转到 AI 之后，包括我们做垂直类还有平台，其实对原来那套操作的方式都进行了一个革新。举个例子，我原来开发系统给人用、给一个部门去用。那现在的话我们不是了。AI 本身天生就知道我这个银行架构里面的数据是怎样的，我都不需要去操作一个系统，我只需要和原始的数据接通，它就可以直接去要这个结果。所以，从原来的"人去使用系统、然后产生一个企业架构内部的过程"，现在变成了"直接通过 Agent 给到企业内部最终的结果"。这个变化是非常非常巨大的。

在这种背景下，其实我们之前也尝试和 CK 总这边合作，给一个企业做了招聘的场景。那原来招聘可能是开发一个系统让员工去录入，然后让他的 HR 去处理。但现在我们的招聘 Agent（也算是一个数字人吧），他其实就不再去做原来的那套工作了，他就像一个 HR 一样直接和老板对接。

你作为老板，你只需要加了他的 WhatsApp，然后告诉他我要找什么人、把我的 JD（职位描述）发给他。这个 Agent 就会自己去 LinkedIn 等各种平台上搜索这样的人才，而且他还会去和这些人才聊天，聊他们是不是匹配、聊这个人的入职意愿怎么样。最终通过一系列的分析之后，他就会向老板汇报。老板到时候看一个报表之类的，看一下哪些匹配度高，最终他就可以直接给你约会议、让你进行面试。

当然，面试这个过程可能现在 AI 还做不到。不过将来语音系统、图像识别系统越来越好之后，可能也都能让 AI 去了。当然这个时候也有个悖论：如果 AI 都能做这些，那我们还要人类员工干什么？

所以我非常赞同红杉这篇文章的观点。我自己的背景以及我们现在处理的工作，其实正是做这个突破点。当然这些东西目前来说在技术上可能还有很多的地方需要突破，但我觉得不久的将来，很多地方都会有一个巨大的革新。

### **如何构建 Agent 时代的 App Store？开源还是封闭？**

**Ahaya：**顺着你刚才的回答，我想问另外一个问题。之前你分享过说你想做 Agent 时代的 App Store。但 App Store 可以说是商业史上最成功的一种生意，因为它抽 30% 的佣金，然后规则又很不透明，但每一个创业者又离不开它。我知道您之前的经历是做 Web3 的，而 Web3 建设的是去中心化的生态。所以现在您做的这个项目，未来您是希望建一个怎样的 Agent 时代的 App Store？是建一个封闭式的帝国，还是建一个真正开放的生态？

**熊炜：**首先我说结论：我们肯定是希望建一个开放的生态。而且我自己是工程师出身，所以对于软件开源是有比较深的信仰的。

那为什么我们会想建一套 Agent 的 App Store 呢？核心原因是其实现在有痛点。就是我个人在使用 Agent 时，可能可以玩得比较顺、用得比较好。但是呢，如果我要把这个 Agent 相关的东西分享给我的同事、分享给我的朋友，甚至分享给没有使用过 Agent 的这些用户的时候，这个东西很难复制。因为一个 Agent 它所使用的 Skill（技能）、它使用的数据，其实都是和我自己本身的生产力环境息息相关的。我们觉得现在最大的痛点，就是这种 Agent 能不能复制。能不能将来我做了一些高效的事情，我能把我的这个工作流程、把我的 Agent 一键化地复制给别人？

如果说 Agent 可以复制，那就代表着它应该是一个开放、开源的生态，而不是说由一个大公司掌控、只能用这个大公司来提供服务。应该每个人都要参与到这里边，可以把自己的工作训练成一些 Agent，然后在剔除掉自身的隐私数据之后，把我的 Agent 分享给别人。

因此有了这个想法之后，我们就在尝试做一个 Agent 的 App Store。我们希望首先建立一些基本的框架，去区分开放数据和隐私数据。那么最终，不管是工程师、开发者还是普通用户，在使用或训练 Agent 的时候，如果你觉得你的 Agent 非常好用，最终可以一键导出。导出之后它就可以挂到我们的 Agent App Store 上，让大家可以去购买你的 Agent。

同样地，我们的平台也会提供很底层的运营基础设施。开发者或用户其实不需要去管服务器的事情，这些 Agent 都会在一个开放的服务平台上去运行。最终用户就是去训练、去使用、去分享，其他用户也可以在我的平台上购买和使用。

### **数字人预测新品成功率达86%的原理？大模型的降维打击下，垂直AI的护城河到底在哪？**

**Ahaya：**下一个问题想问 Erik。先介绍一下 Erik 他们做的产品，主要是面向食品饮料行业，去提供一套数字人的工具，可以在产品上线以前去测试你这款新产品用户会不会喜欢。

之前你分享给我的 Deck（演示文稿）里，我看到一个案例说，当时预测精准度可以到 81%——去测验一款桂花味的饮料市场会不会喜欢和接受。

首先，我想请你给大家分享一下，这个测试的原理是怎样的？为什么一群数字人可以去预测一款产品受不受市场喜欢？尽量用简单的原理给我们解释一下。

第二，我有一个疑问。AI 替代不了碳基生物的地方在于它没有味觉和情感。就比方说，我们有时候喜欢吃一个东西（以桂花味饮料为例），可能不只是因为饮料的口感，同时里面可能还蕴含着我们的记忆。比如我 16 岁那年，在一棵桂花树下，和我们班打篮球很好的男生相视一笑。那个瞬间让我感觉，每当我看到桂花味的饮料我就想买。但这是 Agent 不可能有情感记忆。所以我就想问，Agent 真的能够去预测出人类的这种偏好吗？智能的部分是不是没有办法去替代人类心智的决策？

**Erik：**对，桂花树那个很有共鸣，可能对我来说不是男生（笑）。我们最近的研究，准确率现在已经达到 86% 了。这个预测度是怎么去做的呢？

首先我们回到系统的底层逻辑：人是区分你的生物感官和多模态体验的。生物感官很好理解，我们有味觉、嗅觉还有触觉，你的氛围体验需要这三个感官去 Detect（察觉）它。而多模态呢，就是比如说现在的场地是否很 Noisy（吵闹），或者周围你跟谁吃、什么情绪等。你的记忆、情绪、周边的环境和内在状态，这些是属于多模态层面的联想。

还有一个层级是身份属性。喜欢或不喜欢一个东西，有时候很难说清楚真正是因为自己喜欢，还是因为别人喜欢而喜欢。如果大家在上海待过一段时间，会知道上海特别流行自然酒，但我一直不觉得自然酒很好喝。但很多人都喜欢，我觉得我如果不喜欢的话，好像显得我不合群一样。所以我们人类是有一定的社会属性的。

那这个大概的测度是怎么来的呢？我们是通过一些线上问卷，还有内隐度测试以及一些行为上的测试来完成的。食品决策大部分是潜意识的，也就是说，我们不经过太多思考就会去超市拿某一个东西，它是跟你的熟悉度相关的。

在这里，我们会进行两周之后的测试者召回，让我们进行一个对比试验。我们会用测试实验设计当中的 200 多道题，可能其中 70% 用来训练这个人的 Digital Twins（数字孪生），另外 30% 用来去验证，然后跟真人的结果来做对比。

至于真正吃喝这块，我们最近也在跟一些电子鼻、电子舌公司进行业务上的对接。所以从方向上面，我们大概能够告诉饮料公司，比如这个季度你要发杨梅味的还是荔枝味的，大家喜欢甜一点还是酸一点等方向性的东西。但具体到配方，还是需要食品工程师来进行操作的。

最近我们也在往脑电波处理这块去靠。因为人的前额叶、颞叶是最能够诚实地反映出你对这个东西的熟悉度和好恶度的。所以我们也把这块的数据当做一个训练集融合到我们系统里面，争取近期能够达到 90% 以上的预测度。谢谢。

**Ahaya：**下一个问题是问 Max 的。咱们做的 ThinkSpace 是基于法律垂直类的应用。我们都知道法律垂直领域有一个 Agent 叫 Harvey，它非常出名，现在已经有 11 亿美元的估值，全球 1300 多个客户，最近 6 月份它也落地了新加坡。所以我想知道，对 ThinkSpace 来说，Harvey 是否是直接的竞争对手？当这样一家巨头也开始落地东南亚本地服务，开始打你们的市场和客群的时候，咱们 ThinkSpace 之前存在的那些优势，哪些是真正的护城河，哪些可能只是一个时间差的问题？

比如我之前看到咱们的报道里面，很多都说深耕东南亚本地、包括中文和小语种的优势、以及 Playbook（业务手册）的一些知识沉淀。当 Harvey 进来的时候要怎么应对？哪些才是你们真正的护城河？这是我非常好奇想知道的。

**Max：**这个问题其实非常核心。我觉得每一个 AI 创业的公司可能都会需要回答这样的问题：当你有一个比你做成功得多的大公司在面前时，你要怎么去做差异化？

我觉得这里面可能会把这个问题拆开来看。首先，Harvey 本身在我们这个行业出现，我认为对我们来说是很幸运的一件事情。因为法律行业在过去的几十年里没有发生过非常大的改变，所以它首先帮我们教育了市场，让市场知道"法律 AI 这件事情是有价值的，并且是值得去做的"。我觉得这件事情其实帮我们减少了很多的教育成本。因为法律本身就很接近于服务了。在这个层面上，我们是非常感谢 Harvey 的。

接下来再看，当它进入到我们的市场时，我们是否会把它当做一个绝对的竞争对手？其实在功能和产品上面，很多东西是相似的，比如说他们也做 Playbook，他们也做 Agent，他们也做各种法律层面的应用。其实律师做的事情也就是那些。

但我可能会反问一个问题：如果你是一个企业，是每个企业都愿意每年付最少 5 万美金去买一个全套产品吗？或者说，它的产品是每一个功能你都需要用到吗？就像 Adobe 有个全家桶（Lightroom、Photoshop 等等），每个人每年要付几百块。但另外一个产品可能它只做 Lightroom 这一件事，然后它的收费是 Adobe 的十分之一，对吧？

对于用户来说，其实我们会把用户的画像切得比较细。一类用户可能不需要那么多功能，那我们可能在合同审查这个产品上面只做"合同审查"这一件事，帮他把过往的数据提取出来变成结构化数据，去审查未来的合同，这一件事就够了，对吧？我们把它做细、做精。

但反过来，其实我觉得我们跟 Harvey 面临着同样一个更大的问题：当底层模型足够强的时候，是否还需要垂直应用（Vertical AI）这件事？

这件事情其实很有意思。在我今天参加 Panel 之前，昨天晚上有一个朋友——他在一个大模型的厂商做研发，给我发了一条短信说："Max，我知道你在做法律，请问你们垂直的数据和律师标注的数据，能跟我们合作吗？我们想要训练自己法律的垂直场景。"我当时的心情是又气又笑，觉得我怎么可能会把这个东西给你呢？这不就是我核心的 Know-how（核心技术诀窍）和核心数据吗？

但从侧面来看，你会发现大厂开始全面入局 Vertical（垂直）场景了，特别是法律，或者可能其他场景在未来也会有。我感觉在这个场景下面，其实是一个时间差的问题。如果当底层模型迭代到一定程度，其实目前为止——红杉的那篇报道里面也提到，大模型的底层能力和企业实际的 Adoption Rate（采用率）之间有一个很大的 Gap（鸿沟）。

但当模型能力足够强的时候，Vertical AI 的这个部分是不是能直接被取代掉？我的感觉是，像 Harvey 本身，他们的护城河其实是"用户的黏性"。当我已经在用你的产品，把我所有的 Know-how、数据、协作关系以及所有的使用习惯都放在你的平台上时，你让我去换另一个产品，其实相对来说是很难的。这种黏性是我觉得很大的一条护城河。

第二，我们在面对自己的客户时发现了一个场景。其实客户本身，你跟他说 AI 可以做 12345，他在实际使用的时候，是需要一个 Education（教育）或者 Hand-holding（手把手引导）的过程的。这个功能具体能够帮你做到什么样子，其实不是他一开始就会知道的。在这种情况下，我觉得有一个 Value-add（增值服务），就是我们会真正地去帮用户跑完这整个流程，并且正如刚才大哥说的，去交付一个结果。只不过在我们看来，可能在结果的交付上面，它还不一定全部是 AI 自动化完成的，它也需要我们人工去协助。这是我大概的一个看法。

**Ahaya：**在这一点上来说，做企业级的 AI Agent 当然和做 To C 的非常不一样。因为我也在帮一些企业级的 AI Agent 做一些 Go-to-Market 的顾问，我发现其实一方面就像 Max 刚才提到的，现在很多做垂直类 AI 的创业者都非常焦虑，觉得如果有一天大模型（比如 Claude）也顺手做了这个事，那我们可能只是它们的一个功能，留给我们的时间到底还有多少。

我觉得其实通用型的、或者说数据护城河比较低的垂直类 SaaS，未来的生存空间一定是越来越小的。因为垂直类累积的数据（需要清洗、标记、分类处理的），在大模型超强的能力和资本团队的加持下，可能不用多久大厂就能赶上。

那真正有价值的是什么？我个人的一个看法是，企业在做决策的过程中，有很多东西不是直接的结果，而是一些过程性的东西。比如这个决策到底是怎么产生的？它中间经过了多少部门？这里面的利害关系是什么？老板或者每个部门的负责人，他决策的依据是什么、偏好是什么？这些东西如果你真正深度在一个垂直行业去耕耘的话，通用大模型毕竟不可能在每一个垂直行业都做得那么深。它可以获取很多有用的通用行业数据，但它没有办法获取这些真正的"属于人的那部分决策依据"，以及一些不完全是逻辑理性的思考过程，这里面当然还包括工作流、协作模式等。

就好像刚才 Max 也提到所谓的企业客户黏性，企业客户的黏性肯定会比个人客户高很多。因为一个企业在做决策的时候，涉及到预算审批、各个部门都要同意（特别是涉及到跨部门的），它本身就需要一定的时间。所以这个决策和替换的过程也是相对比较长的。做企业级的 Agent，门槛会高很多，可相比于个人 Agent，可能护城河也会稍微高一点。如果你真的能够在某个领域去深耕的话，它对创业者的要求肯定比我们上一个 SaaS 时代要高非常多。

### **数字员工真的会淘汰人类吗？**

**Ahaya：**下一个问题是针对 CK 的。之前看到您提供给我的资料里面写了两句话，我印象非常深。一句说"Cuber AI 不淘汰人，我们增强人"；然后第二句话是说"Cuber AI 的数字员工，它的产能可以替换掉 15 个全职员工的产能"。

所以我想问 CK，这两句话是不是矛盾的？被你"替换"掉产能的那 15 个员工，他们去哪儿了呢？是不是也还是被淘汰了呢？

**CK：**我们严格地来讲，如果你跟老板谈，老板第一定义就是问你："我用了你的数字员工之后到底能淘汰多少人？"所以往往我们会跟他们讲，直接"淘汰人"是不太可能的一件事情，但你会省很多工时。

我所谓算出来的产能是这样的：做整个交付、看最终结果时，可能真的人去坐班，一天只能做 10 个案件或 10 个 Transaction（交易业务）。但我用数字员工去做的时候，他一天 7×24 小时地跑，它可以做到 50 个 Transaction。这样的话，你在睡觉的时间，他都在用来工作了。

所以这样就变成我省下来了一些工时，相当于帮一个人提升了他的工作能力。我讲一个很简单的道理。在电脑还没出现之前，我们所有用的 Excel 也不是真正的 Excel，是用手写账本对吗？那当微软推出 Excel 之后，你会不会觉得说："哎呀，糟糕，我这个数学天才完蛋了，没工作做了？"不会啊。计算机出来的时候，你还是同样有工作。到今天，甚至电脑已经这么蓬勃、这么厉害了，你认为会计师就没有工作了吗？还是有。只不过这个会计师的工作方法换了，他不用再那么操劳。

尤其是在物流行业，你看大多数的物流行业，每个人都在超长时间地工作。而且他们在休假的时候，老板会找他们，顾客会找他们。那今天如果有一个数字员工当你的助手，你是不是可以先让他顶一顶？

所以我们的意思是：第一，人跟机器将会并肩作战、同行，这是一定的。因为数字员工是没有情绪的。就像刚才前排那位小姐讲的，To B 的生意是要情绪的。你要提供一点情绪价值给你的客户，你要跟她讨价还价，她才会觉得"我在跟一个活人讲话"。所以这个情况还是要存在的。

那省下来时间的人做什么呢？让他们去做更有价值的事情，能够帮我们带来更高价值、更好收入的那一部分，比如去给我们的客户提供情绪价值。我们要把他的时间从琐事中抽出来。因为当你一忙起来，你就没空应酬了，你会跟人家讲："我一堆系统里的流程还没做完，我哪里还会去应酬，我哪里有空来跟你闲聊？"

昨天我刚刚见了我们的 CEO，他也跟我讲了："CK，你虽然忙，你至少要抽一个钟头跟人家讲讲话。"我一开始觉得讲话有这个必要吗？后来我想了一下，是有必要的，因为你要知道外面到底发生了什么事。数字员工只是帮你解决你在操作层面的这一部分工作。

所以我们是人机协同，80% 的工作是由机器人来做，20% 类似于我是个 CEO，我只是给他们 Instruction（指令），然后叫他们去做些什么事情。我把这个时间腾出来做什么呢？去跟客户拉近关系、做群访，或者提供情绪价值。

### **解放生产力后，碳基生物最想保留什么？**

**Ahaya：**所以最后解放的生产力，就是为了让人更好地做人。

这个就有点回归到我前面问的问题了。那我就不问 CK 了，我问另外三位嘉宾：如果有一天 AI 无所不能、能帮你做任何事情，什么事仍然是你自己想做的？

**Erik：**当然，很显而易见，是吃东西吧。就是这样。因为这个我们也常 Careful（谨慎关注），Creativity Part（创造力部分）还有最后的 Experience Part（体验部分），这些都是 Belong to（属于）我们碳基生命的，我们还是要维持这部分。但一些繁琐的工作就交给 AI 吧。

**Max：**我觉得我可能会去旅游吧，我挺喜欢出去玩的。就是让你的数字员工为你工作，你做 CEO，你出去玩。

**熊炜：**对，其实和 Max 相差不多。我觉得 AI 的话，包括像你的味觉，它是没有办法替你体验的。你去感受大自然、你的心脏在跳动、在流汗运动，这些东西都是只有自己才能深刻去体验的。

**Ahaya：**谢谢今天在场的四位嘉宾。然后最后感谢各位，给大家鞠个躬，谢谢你们。因为你们的存在，才让我们最后一场 Panel 可以顺利地进行。另外还是那句话：无论 AI 如何发展，祝各位碳基生命，我们都能拥有美好的人生！

---

原始发布版本：https://view.inews.qq.com/a/20260630A08KGX00

本站阅读页：https://ffcap.cn/research/20260630a08kgx00