做 AI 客服的和做人工客服的坐到一个台上，说了些大实话
"战略有时候就是这样，你决定不做什么，反而更能说明你真正要做什么。"
台上坐着五个人。其中一个，开了一家 AI 客服公司。另一个，开了一家 2000 多人的人工客服公司。
按理说，这俩人该打起来。
结果在 FOSHO DAY 2026 的圆桌上，做 AI 客服的陈光说：企业要是只能把 AI 投到一个环节，先投营销，别投客服。做人工客服的王耿东说：我们公司 70% 的业务已经是售后电话了，售前？基本交给 AI 了。
做 AI 的劝你别急着把钱砸给客服，做人工的主动交代哪些阵地已经撤了。这场圆桌好玩就好玩在这：五个人的利益位置完全不同，说出来的话却互相印证，像一次对口供。
先把人认全。主持人是非凡产研的吴畏。五位嘉宾：快牛 QuickCEP 创始人陈光，做 AI 客服和消费者运营，服务了中国出海品牌 TOP 100 里的 70%；Vinyl 乙烯创始人 Andy，做海外众筹和投放，今年上半年业务同比增长了两到三倍；PingPong 中国电商业务总经理郑志坤，管钱的；链帮出海 BrandLink 联合创始人王耿东，管人的，2000 多名员工，头部智能硬件品牌里服务了七成；Deep Edge AI 的 Albert，现场唯一把智能体做到线下实体空间去的。
五个人，刚好凑齐一条出海全链路：市场研究、营销获客、支付履约、售后服务，外加一个线下实体。
AI 只能投一个环节？没人投给自己
吴畏开场就问了个狠问题：假设现在是 2026 年，企业只能把 AI 投到一个环节，投哪？
这个问题其实很刁钻。因为台上每个人都有自己的生意，投给哪个环节，就等于给谁的生意投票。
结果没人投自己。
做客服的陈光第一个答，答案是营销。理由很直白：增长是第一层级，没有增长，客服也没那么多事情可做。
做支付的郑志坤也投营销。他的视角是数据：中国企业供应链很强，运营也很强，相比之下，营销能力仍然是最明显的短板。
王耿东很诚实。他做人工客服，按理说最该捍卫客服预算。但他直接摊了账本：客服在很多企业经营费用里的占比也就几个百分点，甚至更低；营销投入能占到百分之十几、二十几。 要投，就投占经营权重更大的环节。
Andy 做营销出身，投营销不意外。连做导购机器人的 Albert，答案都是市场研究和消费者洞察，用他的话说，现在产品开发越来越快，真正难的是找对市场。四舍五入，这也算营销的上游。
五个人，四个半投营销。可以看到在一线干活的人眼里，2026 年的出海企业，缺订单的程度远大于缺效率。降本的故事讲了三年，大家心里都清楚：省出来的钱是线性的，长出来的钱才是指数的。
客服怎么变成收入中心：一个讲上下文，一个讲放弃
接下来这个问题，是整场圆桌含金量最高的部分：客服一直被当成成本部门，怎么让它创造收入？
陈光给的答案是上下文。
他的逻辑是这样的：今天各家 Agent 底层用的是差不多的模型，基础能力差距没有想象中大，真正拉开差距的是上下文。你长期用一个产品，它为什么越来越懂你？因为你的上下文都沉淀在里面。
AI 客服想从"回答问题"走到"创造收入"，就得知道订单、消费习惯、这个用户点开过哪封营销邮件、和品牌发生过什么互动。用行话说，context is all you need。上下文越完整，Agent 越可能顺带做导购、做召回、做转化。
第二件事更有意思。陈光说，所谓 Agent 的"自我进化"，不是什么玄乎的词，本质上就是每一轮转化率都能继续优化：把营销自动化里那套 A/B Test 的打法搬进 Agent，不断测试、学习、再测试，在某个环节逐步逼近最优解。
他还点破了一层窗户纸：过去很多企业其实知道要做精细化运营，问题是算不过 ROI。养一堆分析师和运营去做很细的动作，人力成本太高，不值当。现在这些动作能交给 AI，过去性价比不成立的事，突然就成立了。
同一个问题，王耿东从人工这一侧给出了镜像答案。
他的公司这几年业务结构变化很大：售前、邮件、电话都做，到现在 70% 是售后电话。售前尤其是文字导购，AI 已经很擅长了，处理文本准确率高，偶尔出点小错风险也低，那就交出去。
售后撤不了，尤其是极端客诉和高客单价产品。他举了个例子：他们服务一些家庭储能产品，一套几万美金。用户出了问题，客服一通电话能定位并解决，就直接省掉一次工程师上门。这时候客服本身就在挣钱。
然后他说出了全场我最喜欢的一段话：
"看我们主动放弃什么，某种程度上就能看出 AI 已经能做什么。"
他们现在主动放弃一部分卖家型客户、放弃低客单价品类。十几美金的衣服出了问题，直接退款就是最经济的解法，没必要投入很重的人工。他们坚守的是头部品牌、高客单价、高复杂度的产品，这些品牌赚的还有品牌溢价和用户心智的钱，人和品牌之间需要更深的接触。
一家被 AI 围攻的公司，用"放弃什么"来定义自己的护城河。这个思路比绝大多数 AI 布道都清醒。
AI 替代不了什么：时机、情绪，和没人敢背的锅
圆桌聊到后来，话题变成了：哪些事 AI 就是干不了？
Andy 的答案是一个词：时机。
众筹是个特别适合积累数据的行业。Vinyl 做了快十年，每个项目结束都存 Report，攒了 500 多个项目的完整数据，从几十万美金的到接近千万美金级别的都有。这些历史数据现在成了很值钱的 AI 资产，他说得很实在：没真正做过那么多项目的机构，拿不到这类数据。
现在他们一年看 1000 多个项目，只接 30 到 40 个。客户先填问卷，AI 直接分析这个产品的众筹上限下限、预算怎么做、各阶段干什么，再给项目打分。他们内部有条线：接进来的项目要有机会做到 100 万美金以上。初筛这关，AI 干得又快又好。
但有一件事 AI 干不了：它不知道此时此刻，已经有十家公司拿着非常接近的产品在往市场里冲。
硬件市场变化太快了。一个众筹爆款出来，三个月里可能冒出三到五家类似产品，半年内十几家。这个实时竞争状态，公开数据里根本没有，只能靠一线项目经验去闻。所以选品到最后就三个东西：创新、经验、时机。产品本身当然重要，但你是不是在最合适的时间进场，同样重要。
营销侧还有一样东西 AI 搞不定：情绪。
Andy 提到网红谈判。讨价还价是高度人性的过程，一个网红已经被你谈烦了、情绪明显变了，AI 没意识到，还在继续压价，最后整个合作谈崩。品牌里那些独特的审美、表达和价值感，也不是简单提高点击率能解决的。
郑志坤的答案最狠。聊到 AI 出问题谁来担责，这位管钱的说：
"如果企业今天把 AI 放到一个场景里，还首先在想出了问题到底谁背锅，那这个场景尽量先别用 AI。"
他的逻辑是，AI 能做的事已经很多了，光低风险、边界明确的提效场景，空间就足够大，没必要一上来就把它放到责任边界都没想清楚的地方。连卡牌这种强情绪消费的行业，都有 AI 验真伪、辅助鉴定这种功效明确的环节。所以别问哪个行业能不能用 AI，要问哪个环节功效明确、责任清晰。
PingPong 自己马上要上一个 AI 外汇产品：按币种、风险因素、回款账期给卖家评级，输出外汇策略。为什么是外汇？因为汇率一年波动几个点，对跨境企业就是很大的利润变量，而远期、对冲这些工具，很多财务不是不会，是不敢。做好了老板表扬，做差了要担责。AI 先把复杂信息结构化，给出建议，老板只需定一个风险偏好：激进、中性还是保守。
从支付数据往经营决策走，郑志坤反而希望 AI 走得慢一点、深一点。理由朴素得让人没法反驳：这个行业所有事情都和钱有关。
那个做机器人的，反而不想让机器人跳舞
Albert 是台上唯一做实体智能体的。按现在的行情，做机器人的最容易飘，他反而是最泼冷水的那个。
他的导购机器人全部用轮子移动。理由简单：效率上，轮式在很多商业场景里比双足现实得多。
他做过企业咨询，对这件事的判断很硬：机器人表演功夫、跳舞，那些事一年看一次就够了。企业长期需要的，是一个每天都能持续创造价值的角色。
他们的切入点来自一个真实痛点：一家两三千平米的智能硬件体验中心，上千个 SKU，每个销售员都要理解和介绍。一个员工培训两三个月刚能用，人离职了。这个成本黑洞，才是机器人的生存空间。
数据打通这个老大难问题上，Albert 的答案也和别人不一样。大家都在讲 API、MCP、系统集成，他直接退回端侧：客户搭自己的本地 AI 服务器，敏感数据尽量留在自己环境里。理由同样朴素，大模型很强，但大模型没有你企业自己的私有数据。他管这个叫"软件 3.0"时代的壁垒：只有自己的数据，才能训练出真正懂你业务、客户和组织的系统。
陈光在旁边补了一个行业视角：现在很多软件基础设施还没适配 Agent 时代。他们做大客户，大量时间耗在协调 Salesforce、OMS、ERP 的系统集成上，非常浪费。未来每个软件厂商都得变得更 Headless，把能力用 CLI、API、MCP 这类方式开放出来。界面不值钱了，值钱的是界面后面那套把某个细分场景做透的能力模型。
哪些事能交给 Agent？陈光的划线也清楚：已经固化成 SOP 的流程，配上安全护栏和定期评估，可以逐步放手。新产品上线、新业务、突发故障，这些高风险的事，还得人来判断。责任最终落在甲方的决策人身上，工具给建议，执行是企业的选择。
有没有 AI 泡沫？五个人的答案没一个重样
收尾问题，一人一句：现在有没有 AI 泡沫？
Albert：有。最大的泡沫是大家对 AI 的预期和它真实能力边界之间的认知差。不常用的人觉得 AI 无所不能，每天重度使用的人，越来越清楚它的边界在哪。
王耿东：绝对有。做的人太多，很多方向的门槛没有想象中高。最后能留下来的，是那些除了 AI 之外，本身就有独有业务能力、行业资源和难替代资产的公司。
郑志坤：有泡沫，但有泡沫未必是坏事。今天能在实际场景里用起来、创造价值的，就不是泡沫；今天完全没有实际使用场景的，在当下就是泡沫。 至于未来有没有用，未来的事未来再说。
Andy：一定要说一个，具身智能泡沫最大。他们实测过一些项目，体验和可用性离预期都很远。很多产品看着热闹，没有什么功能能稳定进入真实使用场景。
这句话说完，不知道坐在台上的 Albert 作何感想，全场唯一做实体机器人的就是他。好在 Albert 前面那句"机器人跳舞一年看一次就够了"，算是提前替自己做了切割。
陈光的答案最不合群：AI 软件没有泡沫。
他给了两个理由。第一，算力依然很缺，新模型一发布就限流，说明供给端跟不上需求。第二，他们做大企业落地时越来越明显地感觉到，模型能力其实已经够强了，真正的阻碍是老系统怎么改造、数据怎么接、业务流程怎么融。这些瓶颈一突破，Token 的实际使用量还会继续涨。至于具身智能，他说还需要更长时间找稳定场景。
注意一个细节：五个人里，唯一说"没有泡沫"的，是把话说得最窄的那个。他只辩护 AI 软件，特意把机器人摘了出去。
写在最后
这场圆桌听下来，最大的收获不在某个具体判断，在这群人思考 AI 的方式已经变了。
两年前大家问的是"AI 能做什么"。现在这五个一线玩家回答的是"我敢把什么交给 AI，坚决不交什么"。Andy 敢交初筛，不敢交时机；王耿东敢交售前端，不敢交极端客诉；郑志坤敢交策略建议，不敢交付款指令。陈光把固化成 SOP 的流程划给 Agent，把突发情况留给人。Albert 更彻底，连数据都不肯出客户的机房。
王耿东那句话可以当整场的注脚：战略有时候就是这样，你决定不做什么，反而更能说明你真正要做什么。
这句话说的是他的客服公司，听着也像在说 2026 年所有想用 AI 的企业。
更多对话细节
陈光 Billy Chen｜快牛 QuickCEP 创始人 & CEO
Andy Peng｜Vinyl 乙烯 创始人
郑志坤｜PingPong 中国电商业务总经理
王耿东｜链帮出海 BrandLink 联合创始人
Albert Lee｜Deep Edge AI CEO
主持人：吴畏｜非凡产研 创始人
如果 AI 只能投一个环节，最应该投在哪里？
吴畏：我们先很快做一轮介绍。每位用一句话介绍自己所在的公司和业务，再回答一个问题：假设现在是 2026 年，如果企业只能把 AI 投到一个环节，你觉得最应该投在哪里？
陈光：我是陈光。QuickCEP 主要服务全球品牌的客服环节，我们用一套 AI Agent 平台，帮助全球品牌做消费者服务与运营。目前已经服务了中国出海品牌 TOP 100 里的 70% 左右。
如果只能选一个环节，我反而觉得应该先投营销。增长是第一层级，有增长之后才会有大量订单和服务需求。没有增长，客服也没有那么多事情可做。当然，营销做起来之后，客户来了，后面的客服和消费者运营就很重要。
Andy Peng：我是 Andy，Vinyl 乙烯的创始人。我们主要做海外众筹、独立站投放，也做一些营销相关的业务。这么多年服务的公司主要集中在智能硬件出海，以及一些比较创新的新产品。
这几年增长很明显。尤其最近资本市场比较活跃，硬件出海的公司变多了，很多企业都要完成从 0 到 1 的任务。我们今年上半年和去年同期相比，大概增长了两到三倍。
在 AI 应用上，我自己的经验更多是在营销端，所以如果只能选一个，我也会选营销。尤其对于需要种草的新产品，AI 在市场研究、内容和投放前期都能发挥很大的作用。
吴畏：郑总，你们做支付，看到的数据也比较多。先介绍一下 PingPong，再说说你觉得 AI 最应该投在哪个板块。
郑志坤：我是 PingPong 的郑志坤。PingPong 主要集中在收款、付款、汇款这些产品上，帮助中国企业解决海外支付和资金链的问题。
我们服务的不只是传统跨境电商卖家。这两年也在服务像比亚迪，以及一些餐饮出海企业。很多企业在国内已经很强了，但真正走到海外以后，支付链路往往还是缺能力的，我们就是帮他们解决这一块。
过去几年，我们也一直在深入各个行业。比如 2023 年做过 e-bike 行业联盟，2024 年比较早地做了 AI 硬件行业联盟，前段时间也在关注 Maker Tool，也就是创客工具这个品类。像 3D 打印行业因为拓竹这类公司的出现，整个行业关注度一下子起来了。
如果说明年的新品类机会，我依然看好 Maker Tool，会有很多迭代产品和新公司出来。其次还是 AI 硬件，很多原来硬件能力已经很强的公司，会因为 AI 再做一轮产品迭代。
如果问 AI 最应该投在哪里，对 PingPong 自己来说，当然应该投在支付这个环节，因为我们希望用 AI 去赋能更多卖家。但如果站在客户角度，我还是建议先投营销。中国企业供应链很强，运营也很强，相比之下，营销能力仍然是比较明显的短板。
吴畏：王总，你们做的是人工客服，今天这个题对你们很有挑战。介绍一下公司，再说说你觉得 AI 最值得投在哪里。
王耿东：我是链帮出海 BrandLink 的王耿东。我们做的是"人工"，不是"人工智能"。公司 2022 年成立，现在全球有 2000 多名员工。头部出海品牌里，我们服务了大概 50 家；如果只看头部智能硬件品牌，我们服务的比例大概在 70%。
智能硬件的客服不只是简单回答问题。很多头部品牌本身产品创新很快，需要教育消费者，而且品牌调性和用户体验要求都很高，所以客服本质上也是品牌体验的一部分。
AI 会不会取代人工客服？我们当然一直在关注。所以我们和 QuickCEP 这类 AI 公司也是战略合作关系。我们的思路很简单：AI 能解决的、重复性的事情交给 AI，AI 暂时解决不了的事情交给人。人和 AI 加到一起，给品牌做端到端的服务。
但如果问企业最应该把 AI 预算投在哪里，我不认为应该全部投客服。客服在很多企业整体经营费用里的占比其实很低，整个行业平均可能也就是几个百分点，甚至更低；营销的投入可能占百分之十几、二十几。从这个角度看，更应该优先投在占企业经营权重更大的环节。
吴畏：Albert，你是现场唯一一个做实体智能体、导购机器人的，介绍一下你们。
Albert Lee：我从大公司出来创业还不到一年。Deep Edge AI 主要做实体助手的智能体平台，现在最重要的场景是导购机器人。我们希望让智能体跳出屏幕和软件，直接在线下和用户交互，核心能力偏情感交互和体验层的"机器人大脑"。
我不觉得机器人一定要做得特别像人。最重要的还是把完整的用户服务链路做好：介绍产品、识别会员、理解需求、推荐商品、给出付款二维码等等。我们现在大部分机器人都是用轮子移动，因为从效率上讲，轮式移动在很多商业场景里比双足更现实。
如果说 AI 现在最应该投在哪，我觉得除了研发，更重要的是市场研究和消费者洞察。现在产品开发越来越快，真正难的是找对市场、理解机会、判断什么需求值得做。市场洞察是起点。
吴畏：听下来大家虽然角度不一样，但有一个共同点：AI 应该先去解决企业价值占比更大的环节。多数人提到了营销，也有人强调市场洞察、支付，以及后续客服和消费者运营。
客服怎么从"成本中心"变成"收入中心"？
吴畏：很多企业一直把客服当作成本部门。怎么让客服不只是回答问题，还能够做推荐、召回、销售转化，甚至创造收入？
陈光：Agent 发展到今天，其实各家产品如果底层用的是同样的模型，基础能力差距未必有想象中那么大。长程任务、工具调用这些能力大家都在做。真正拉开效果差异的，一个非常关键的东西是上下文。
你长期使用一个产品，为什么它越来越懂你？因为你的上下文都沉淀在里面。放到 To B 的 Agent 解决方案也是一样。
如果希望一个 AI 客服不只是完成服务，还能做导购、转化和召回，就必须给它足够多的上下文。它不能只知道售后知识，还要知道订单、用户消费习惯、这个人过去点过什么营销邮件、之前和品牌发生过什么互动。上下文越完整，Agent 才越有可能从"回答问题"走向"创造收入"。
第二件事，是让 Agent 在执行营销和消费者运营任务时，能够基于数据不断优化。营销自动化本来就需要持续做 A/B Test。现在可以把这种闭环引入 Agent，让它根据每一轮转化结果去调整策略。
所谓"自我进化"，不是一个很玄的词，本质上就是每一轮转化率都能继续优化。你不断测试、学习、再测试，最后在某一个环节逐步逼近最优解。
过去很多企业不是不知道要做精细化运营，而是算不过 ROI。你需要很多分析师和运营人员去做一堆很细的动作，成本太高。现在如果这些动作可以交给 AI，过去性价比不高的事情就可能突然变得值得做。
所以我觉得有两个核心：第一，把足够完整的消费者上下文给到 Agent；第二，把运营过程沉淀成可以不断优化的 Skill。Agent 真正懂这个用户之后，增收才有基础。
众筹行业里，AI 能替代经验吗？
吴畏：安迪，众筹很多时候是消费电子和创新产品出海的第一站。从市场调研、选品、新品开发，到 Kickstarter、Indiegogo 上线，这条链路里哪些事适合 AI，哪些事情 AI 暂时替代不了？
Andy Peng：众筹其实是一个很垂直的行业，也特别适合积累经验。我们做这个行业快 10 年了，很清楚一个项目最后能做到什么量级，背后的数据是什么，产品在什么 Launch 时机进去，最后是怎么做到那个结果的。
过去这些东西很多都在少数核心人员的脑子里。我们每个项目做完都会存 Report，累计已经有 500 个以上项目的数据。里面有几十万美元的项目，也有几百万美元的项目，还有接近千万美元级别的项目。
这些历史数据现在变成了非常重要的 AI 资产。不是头部机构，没有真正做过那么多项目，其实拿不到这类数据。
我们一年可能会看到 1000 多个项目，但真正服务的大概只有 30 到 40 个，因为一个项目周期往往要四个月。现在我们会让客户先填一份问卷，AI 根据产品信息直接分析：这个产品众筹的上限、下限大概在哪里，预算应该怎么做，整个周期各阶段要做什么，然后给项目打分，判断该不该接。
我们自己有一个 Benchmark，希望接进来的项目有机会做到 100 万以上。AI 可以先帮我们完成大量初筛工作。
但这件事也特别能说明 AI 替代不了什么。它很难判断"现在是不是一个好的时机"。它可以抓网上的信息，也可以拿我们的历史项目做对比，但它未必知道，此时此刻已经有十家公司拿着非常接近的产品在往市场里冲。
硬件市场变化很快。一个众筹爆款出来，三个月里可能就有三到五家类似产品，半年内甚至十几家。这个实时竞争状态，如果没有一线项目经验，很难只靠公开数据判断。
所以我觉得选品最终还是几个东西：创新、经验和时机。尤其时机非常重要。早期多色 3D 打印、激光雕刻机、储能产品，包括现在一些很适合种草的新品类，很多时候产品本身当然重要，但你是不是在最合适的时间进入，同样重要。
支付工具能不能被 AI 升级成经营决策系统？
吴畏：郑总，PingPong 掌握的是企业资金进出的链路。AI 有没有可能让支付工具进一步升级成企业的现金流管理，甚至经营决策系统？
郑志坤：这个问题对支付行业一直都很有挑战。我有时候会想，如果十年前就有今天这么强的 AI，支付是不是也能做很多事情？但仔细想，十年前可能还不一定有今天这么强的需求。
因为十年前做跨境，很多企业是单一市场、单一品牌、单一平台。今天已经完全不一样了。
第一，多市场。很多企业不只做欧美，还会覆盖东南亚、中东等更多市场。
第二，多平台。除了亚马逊，还有 TikTok 等不同渠道。
第三，多模式。除了货架电商，还有内容电商、DTC 出海。
多市场、多平台、多模式一叠加，支付的复杂度就完全不一样了。不同市场对应不同货币，不同平台回款周期不同，还会涉及财务、税务、汇率和资金管理。
很多老板都希望找一个特别强的财务，一个人把这些问题全部解决掉，但现实里真正能覆盖这些事情的往往是一个财务团队。
我们接下来会上一个和 AI 相关的外汇产品。它会根据不同币种、不同风险因素、不同回款账期，对卖家做评级，再给出相应的外汇策略，辅助财务决策。
外汇风险对企业利润的影响其实很直接。比如汇率一年波动几个点，对于很多跨境企业已经是非常大的利润变量。问题在于，远期、对冲、外汇衍生品这些策略，很多财务不是不会，而是不敢轻易做。做好了老板表扬，做不好可能就要担责。
AI 在这里可以做的是，把复杂的信息先结构化，再给出策略建议。
我理解 AI 在企业里可以分成输入层、中间层和决策层。老板不需要参与每一个动作，他只需要先确定风险偏好，比如激进、中性还是保守。后面的策略可以由系统结合企业实际业务来生成，并根据历史执行结果继续迭代。
人工客服为什么还没有被 AI 替掉？
吴畏：王总，你们服务很多消费电子、智能硬件品牌，而且跨国家、跨语言。现在人还留在这条链路里，主要是在做什么？哪些工作 AI 暂时替代不了？
王耿东：我们可以从业务结构的变化来看。
刚开始做的时候，售前、邮件客服、电话客服我们都做。现在我们的业务里，大概 70% 是售后电话。售前做得越来越少，因为售前尤其是文字型导购，AI 已经很适合做了。它处理的是文本，准确率可以做得比较高，而且即便有一点小错误，风险相对也低。
但售后不一样，尤其是极端客诉、高客单价产品。一个很简单的判断错误，可能就会带来退货、差评；再严重一点，甚至会变成品牌公关事件。
我们现在服务得比较多的，就是产品复杂、客单价高的智能硬件。客服自己需要拿着产品反复实操，真正知道用户遇到问题时该怎么排查和引导。
这几年我们的客户结构也很有意思。华南地区的头部客户越来越集中在南山，储能、激光雕刻机、扫地机、AI智能硬件、吸奶器等等，很多都是使用门槛高、产品复杂、客单价也高的品类。
对这些头部品牌来说，客服不只是成本中心。它还承担了品牌体验和用户心智的交付。很多客户跟我们说得很直接：满意度指标做好，成本不是第一优先级。核心就是用户满意度。
比如我们现在也服务一些高价值的家庭储能产品，一套可能几万美金。用户出了问题，如果客服通过一通电话就能判断并解决，就能直接省掉一次工程师上门维护的成本。这时候客服本身就在创造价值，不只是消耗成本。
我们的收费方式整体还是 BPO 的逻辑，以基础人力费用加绩效为主，而绩效里一个很核心的指标就是满意度。
线下为什么需要一个导购机器人？
吴畏：Albert，你的导购机器人不是为了简单替代导购员。在线下零售场景里，为什么需要它存在？
Albert Lee：我们一开始其实不是做导购机器人，而是做端侧 AI。端侧的意思是尽量不依赖云端大模型，因为云端模型会面临时延、成本和稳定性的问题。
后来我们一直在研究，垂直行业里端侧 AI 到底有什么真正能落地的场景。其中有一个客户是大型智能硬件体验中心，一家店两三千平方米，里面可能有上千种科技产品，包括机器人、无人机、录音笔、智能乐器等等。
它最大的痛点是培训。上千个 SKU，每一个都需要销售员理解和介绍。一个员工可能培训两三个月刚刚能用，结果人又离职了。这个成本非常高。
所以我们把端侧 AI、交互能力和实体硬件结合起来，做成零售导购机器人。
我自己以前做企业咨询，所以我对这件事有一个很强的判断：企业真正长期需要的，不是机器人表演功夫、跳舞。这些事情可能一年看一次就够了。企业需要的是一个每天都能持续创造价值的角色。
所以我们的机器人要做的是导购、产品介绍、CRM、库存管理，把原来网站、小程序里的一部分能力搬到线下实体空间，同时让它可以和顾客直接互动。我们也会加一些轻互动，比如小游戏，让顾客愿意停留。
另外，我们也在研究一些高客单价、低频场景，比如医美、美容院、酒店等。像酒店快速 Check-in 这类任务，用户对机器人介入的接受度可能就比较高。
隐私确实是一个问题。摄像头、用户识别这些能力，不是所有场景都适合。所以最后还是要选场景，不能因为技术能做就什么地方都做。
全链路数据怎么打通？哪些事可以交给 Agent，出了问题谁负责？
吴畏：最后回到今天"全链路"这个主题。从市场洞察、营销获客、销售转化，到支付履约、售后服务，很多企业现在最大的问题就是数据不通。
你们怎么看未来怎么把这些数据真正打通？哪些已经固定下来的环节，可以比较放心地交给 Agent？哪些事情不应该交给 AI？如果出了问题，责任最终应该由企业、服务商还是模型厂商承担？
陈光：软件基础设施必须先适配 Agent
陈光：最近 FDE 这个概念很火，我们其实从去年就开始建 FDE 团队。做下来最大的感受是，现在很多软件基础设施还没有真正适配 Agent 时代。
未来每个环节的软件厂商都需要变得更 Headless，把能力以 CLI、API、MCP 这类 Agent 更容易调用的方式开放出来。这样无论是甲方自己的 Agent，还是不同服务商之间的 Agent，都更容易互相调用和联通。
我们最近做几个大客户，深入到 IT 系统里以后，大量时间都花在协调 Salesforce、OMS、ERP。为了把消费者相关的数据融到一个平台里，不停做系统集成。这些工作其实非常浪费时间。
如果大家的能力都可以被标准化调用，给 Agent 文档，它自己就能完成很多对接。我们自己下半年的一个重点，也是把更多能力开放出来给客户和合作伙伴。
我觉得软件厂商未来真正的核心竞争力，并不是那个界面。界面从 GUI 变成 API、CLI、MCP 都可以，真正值钱的是后面那套能力模型：你能不能把某一个细分场景做得足够好。
至于哪些事情可以交给 Agent，我的判断是：企业里已经明确决策、已经固化成 SOP 的流程，可以逐步放手给 Agent 执行。当然要有安全护栏、Eval 和定期回归评估。
但新产品上线、新业务、新的故障类型、某一批次突然出现的产品瑕疵，或者其他高风险、突发的情况，我不建议直接让 Agent 自己决策。这些事情还是要由人判断。
最后谁担责？我认为最终还是甲方自己的决策人担责。模型厂商、Agent 厂商本质上提供的是工具。工具可以给建议，但最终是否执行，仍然是企业自己的决策。
品牌营销里，人依然要处理"情绪"和差异化
吴畏：安迪，你们营销和投放这一侧怎么看？
Andy Peng：我们也一直在测 AI 自动投放。像 Meta 这些平台都在推越来越自动化的投放功能，内容也可以直接生成 AI 图片、AI 视频。
Agency 当然会焦虑：有一天广告优化师是不是会被 AI 完全取代？我们团队里很厉害的优化师，可能亲手花过上千万美金广告费，如果平台自动投放足够强，那这个岗位还需不需要？
但目前我们测下来，还没有办法完全取代。
一个核心原因是品牌里面有情感和差异化。真正厉害的品牌，最后都会形成自己非常独特的审美、表达和价值感，这部分不是简单提高点击率就能解决的。
我们实际也踩过坑。有些众筹平台对 AI 内容有明确限制；有些品牌方也不接受 Agency 未经确认直接用 AI 素材。我们现在如果想测试 AI 图片，必须先问客户能不能测。客户同意，我们才会去跑。
还有网红营销里的谈判。讨价还价本身就是高度人性的过程。一个网红可能已经被你谈烦了、情绪明显变化，但 AI 没意识到，还在继续压价，最后整个合作就谈崩了。
所以每个环节都需要判断：哪些部分可以交给 Agent，哪些地方还必须有人。至少在当前阶段，营销里涉及品牌、情绪和关系的部分，人还很重要。
如果还在纠结"谁背锅"，这个场景可能还不该交给 AI
郑志坤：我们现在做支付和外汇相关产品，也在和 ERP 厂商聊数据打通。
为什么现在很多东西打不通？技术当然是一方面，但还有一个很现实的问题是利益和边界。大家都会担心：你是不是进入了我的领域，我是不是把自己的核心数据交给了你。这是一个天然的数据和商业壁垒。
随着市场越来越成熟，我觉得大家最终会更清楚，数据打通不是为了谁侵入谁，而是为了共同服务卖家，让企业做更好的经营决策。
至于"背锅"这个问题，我的观点比较直接：如果企业今天把 AI 放到一个场景里，还首先在想出了问题到底谁背锅，那这个场景尽量先别用 AI。
AI 可以做的事情已经很多了。光是在低风险、明确的提效场景里，空间就已经足够大，没有必要一开始就把它放到责任边界都没想清楚的地方。
而且很多看起来很"情绪化"的行业，其实也有很清晰的 AI 场景。比如卡牌，本质上是一个很强的情绪消费品，但 AI 可以用来识别卡牌真伪、辅助鉴定。这类场景的价值就非常明确。
所以不是哪个行业能不能用 AI，而是要找到那个功效明确、责任边界也清晰的具体环节。
我们在"放弃什么"，就说明 AI 已经能做什么
王耿东：我换一个角度讲。看我们主动放弃什么，某种程度上就能看出 AI 已经能做什么。
我们现在会主动放弃一部分卖家型客户，也会放弃一些低客单价品类。因为这些客户竞争的核心是运营效率、供应链效率，并不需要通过客服给用户传递太多情绪价值。像十几美金的服装，出了问题直接退款可能就是最经济的解决办法，没有必要投入很重的人工服务。
那我们坚守什么？我们坚守头部品牌、高客单价和高复杂度的产品。
这些品牌赚的不只是产品性价比的钱，还要赚品牌溢价和用户心智的钱。这个时候，用户和品牌之间需要更深的接触，人依然有价值。
战略有时候就是这样：你决定不做什么，反而更能说明你真正要做什么。
私有数据会成为企业真正的壁垒
吴畏：Albert，你既有线下硬件，又涉及 CRM、会员系统，线上线下的数据怎么接？
Albert Lee：我以前做企业咨询时就长期做数据这一块，所以我对这个问题比较敏感。
我们现在做项目，经常要接客户的 CRM、会员系统等数据。最大的问题之一，就是客户非常担心数据安全：打通以后，会不会被其他客户拿到？会不会泄露？
所以我们很多零售项目会回到自己擅长的端侧 AI。客户可以搭建自己的本地 AI 服务器，对数据做隔离，让敏感信息尽量留在自己的环境里。
现在大模型很强，但大模型没有你企业自己的私有数据。
我觉得到了"软件 3.0"时代，企业私有数据会变成非常重要的竞争壁垒。只有你自己的数据，才能逐步训练出真正懂你业务、懂你客户、懂你组织的智能系统。
现在有没有 AI 泡沫？
吴畏：最后每个人一句话：你觉得现在有没有 AI 泡沫？如果有，最大的泡沫是什么？
Albert Lee：我觉得或多或少有。最大的泡沫，其实是大家对 AI 的预期和它今天真实能力边界之间的认知差。
很多不太真正使用 AI 的人，会觉得 AI 什么都很厉害；但真正每天大量使用的人，会越来越清楚它到底能做什么、不能做什么。AI 肯定有用，但不要把能力边界想得过头。
王耿东：我觉得绝对有泡沫。现在做的人太多了，而且很多方向的门槛没有大家想象中那么高。
最后真正能留下来的，还是那些除了 AI 之外，本身有独有业务能力、行业资源和难以替代资产的公司。AI 和这些东西结合起来，才更有可能成为长期竞争力。
郑志坤：有泡沫，但有泡沫未必是坏事。经济好的时候本来就会有泡沫。
我的判断很简单：今天已经能在实际场景里用起来、创造价值的 AI，就不是泡沫；今天还完全没有实际使用场景的东西，在当下就是泡沫。当然，它未来也可能变得有用。
Andy Peng：如果一定要说一个，我觉得目前具身智能的泡沫比较大。我们实际测过一些项目，体验和真正可用性距离预期都还很远。很多产品看起来很热闹，但还没有什么功能能够稳定进入真实使用场景。
陈光：我说"没有泡沫"，主要是指 AI 软件，不包含机器人。像 AI 软件、生图、生视频这些方向，我觉得今天还谈不上没有空间。
一个原因是算力依然很缺。很多新模型一发布就限流，说明供给端还跟不上需求。
第二，我们自己在做大企业 AI 落地时，越来越明显地感觉到：现在模型能力、AI 能力其实已经够强了，真正的阻碍往往不是模型，而是老系统怎么改造、怎么融合、怎么把数据和业务流程接起来。
一旦这些瓶颈被逐步突破，Token 的实际使用量还会继续增长。所以我觉得 AI 软件还有很大的空间。至于具身智能，我觉得还需要更长时间去找到真正稳定的应用场景。