一份报价从两周缩到当天：一个ToB老兵在制造业看到的AI真相

一份报价从两周缩到当天：一个ToB老兵在制造业看到的AI真相

能搭一个 Agent，跟能让它在工厂里稳定上班，是两件完全不同的事。

一张RFQ（询价单）发进一家阀门厂，以前销售不敢自己接，得找老师傅看参数、查标准、选型号、配方案、算价格。

一份复杂报价做下来，两周到一个月很正常。

现在，同样的流程，当天出。

这是一家制造业企业的工作状态。为这家企业提供AI数智员工服务的公司叫灵核数智，来自杭州，专门为制造业企业提供Agent平台和服务。

和我聊这件事的人叫肖铭洋，哈工大计算机出身，在飞书做了接近六年商业化，曾完整经历飞书从早期到数亿美元规模的过程。

和他聊完后我发现，他把“制造业企业为什么为AI掏钱”讲透了：制造业是对AI最挑剔的客户，容错低、规则脏、老板算账精。

能在这里活下来的认知，放到任何行业都成立。

我先问了他一个私人问题：学计算机的去做ToB销售，技术背景到底有什么用？

他的答案不是“懂产品”，而是：没那么容易被伪需求骗。

例如当客户说“我要一个交付预测AI”时，某些销售的第一反应是这项需求能不能做。他的第一反应是把需求往下拆：客户说的交付不准，到底是需求预测不准、BOM不齐、采购延期、产能不足，还是数据根本没及时进系统？

你要的是一个预测模型，还是一个能提前发现问题、推动人处理问题的机制？

“销售最怕的不是听不懂技术，而是客户说什么，你就卖什么。”

从成熟平台跳到创业公司，图什么？

他说不是因为原来的路不好，恰恰是那条路已经足够成熟。他把今天类比成移动互联网早期：iPhone刚出来的时候，你也不知道后来一定会有美团、滴滴、抖音，但你知道底层条件已经变了。

“不要站在一个已经成熟的浪潮后面，而是去参与下一个浪潮从0到1的过程。我想做一次属于这个时代的事。”

第二个原因是制造业。他服务过很多企业，越往深做越发现，企业真正难的问题在订单、毛利、库存、交付、质量等环节。

而AI第一次有可能真的进入到这些环节去“做事情”。

为什么这一波不是再做一个SaaS？他的判断是：“SaaS主要是在帮助人工作，而这一轮AI开始能够承担工作本身。过去软件卖的是工具，今天AI第一次成为生产力。”

以前做SaaS，天天问“怎么让客户把这个系统用起来”；现在做Agent，问的是“客户公司里的哪一部分工作，可以真正交给AI”。

前者是改变数字化流程，后者是改变人和软件的分工。

“最终交付的不是几个Agent，而是更好的经营结果和持续的价值。”

在灵核内部，他们把这看成一个更大的变化：工业时代，机器放大人的体力；信息时代，软件提高了信息和管理效率；这一轮AI开始进入具体工作，承担任务、推动流程、交付结果。

当AI从工具变成生产力，企业要改变的也就不只是软件，而是人、AI和工作之间原有的分工。

他说：我们是帮助制造业企业把过去必须靠老师傅、工程师、采购、订单员每天重复干的那些工作，一部分真正接过来。

可以把灵核理解为一家给制造企业提供 AI 劳动力的公司。这种 AI 劳动力不是简单替代人，而是进入销售、供应链、质保、研发等具体岗位，按照企业自己的流程和要求，使用企业的数据和系统，承担明确的工作，并和员工一起协同。

我们把这样的 AI 劳动力叫做岗位级数智员工。

灵核希望通过一个个岗位级数智员工，让关键工作持续有人负责，让经营事实更早被感知、问题和风险更早被发现，让管理动作能够及时发生。

同时把优秀员工的经验逐渐沉淀成企业自己的能力，最终改善交付、库存、质量、成本等经营结果。

简单来说，灵核卖的是能够真正进入岗位、承担工作的 AI 劳动力，最终帮助制造企业把个人能力变成可以持续运行和积累的组织能力。

那是不是所有岗位都能这么干？他说他现在看场景，第一反应已经不是“AI能不能做”，而是“这件事情值不值得AI做”。

在灵核数智内部，判断某个岗位场景是否上AI，有四个核心标准：真实痛、数据近、风险轻、结果可见。最好能用真实数据在两到三周就验证出结果，而不是半年后才知道有没有价值。

同时，还会再追几个硬问题：

频率够不够高？一年发生两次的事情，通常不用急着上AI

是不是材料密集？邮件、Excel、PDF、图纸、ERP之间来回搬的，正合适

有没有相对稳定的判断逻辑？如果连最优秀的人都说不清怎么判断就不要做

结果能不能验收？时间是否缩短、错误是否减少、毛利有没有守住，必须说得清楚

低频、没数据、责任边界极高、结果无法判断、流程天天变的业务，“我宁愿劝客户先别做，因为AI不是越多越先进”。

一个靠AI吃饭的公司劝客户别急着买或是少买，反而是最值钱的专业度。

你可能会问：现在用Coze、Dify拖几个节点，半天就能搭一个Agent，客户为什么还要找灵核？

他的回答很直接。

今天大模型、搭建工具越来越不稀缺。真正难的是，一张询价单进来后，AI知不知道去哪找历史报价、怎么看技术协议、什么时候查ERP、什么情况下不能自动报价、什么异常必须找老师傅、结果写回哪里。

这不是Prompt问题，是业务、数据、流程、系统、权限、异常和责任的问题。

“模型会越来越便宜，搭Agent会越来越简单，真正贵的是让Know-how被正确地变成生产力。”

因为行业Know-how 往往存在人的经验里、散落在文件里，或者写进了 SOP，却不一定能在每天的工作中被准确执行。灵核做的，是把这些 Know-how 放回具体岗位和具体工作中。

通过岗位级数智员工，把企业的 SOP、业务规则、历史案例和员工经验，变成实际工作中的判断和行动：什么时候应该关注、发现什么问题、按照什么规则处理、下一步应该做什么。

它不是简单“记住经验”，而是在真实业务中持续使用这些经验，完成任务、发现问题、推动行动，并根据工作结果继续积累和优化。

Know-how 只有进入工作、影响行动、产生结果，才真正变成生产力。

更进一步说，这件事的价值也不只是让一个Agent学会老师傅的经验。如果一套SOP、一条判断规则、一次异常处理经验，只存在某个人脑子里，它仍然是个人能力。

只有它能够被持续调用、验证、优化，并且不因为某个人离职而消失，才开始真正变成组织能力。

这也是灵核理解的“Know-how变成生产力”：不是把经验存进知识库，而是让经验进入工作，并在一次次工作结果里继续生长。

灵核技术架构的原则朴素得像句绕口令：“能确定的事情，不要让模型猜；必须判断的事情，不要硬写死规则。”

金额计算、权限校验、审批流、系统写入、付款、正式对外承诺，越关键越要有确定性执行，必要时必须有人确认。而邮件理解、图纸识别、异常归因、历史案例匹配，这些才是模型发挥价值的地方。

我追问：企业Agent最危险的是什么？幻觉、权限、数据，还是人过度相信AI？

所以他们一直强调人机边界和人工确认，而不是把Agent包装成一个“无人值守黑盒”。全行业都在研究怎么防AI出错，但真正会出大事的，是人不再确认的那一次。

2026年的客户是不是真的开始主动买AI了？他说是真的，但这里有一个很大的误区：客户开始主动买AI，不代表客户知道自己该买什么。

今天很多老板都会说“我们今年必须做AI”，这是时代创造出来的需求，已经不太需要销售再去教育。

但知道要做AI还不够，真正的卡点在下一步：到底先做报价、采购、质量、供应链，还是经营分析？从哪里开始，解决什么问题，做到什么程度才算有效？

也因此，判断一个客户是不是“好客户”，不能只看预算。

“预算大不等于好客户。”有些客户一上来就说有几百万预算，要做一个很大的AI平台，但问到具体解决什么问题，没有人知道；业务负责人不参与，数据不给，系统也不让碰。

还有一类客户是为了汇报而做AI，只要求Demo好看、领导参观时能展示。

这类项目短期可能好签，但长期并不是他们想要的客户。

AI ToB最经典的死法，是Demo惊艳、POC顺利，真正进入生产却开始出问题。

因为Demo验证的往往是“已知问题”。拿十份整理好的材料，模型回答得很好，所有人都很兴奋。

但真正上线以后，面对的是不断出现的“第十一份材料”：格式突然变了、数据缺了字段、流程里出现异常审批，或者业务冒出一条之前从没遇到过的规则。

真正的生产环境，不是把十道已知题做对，而是能不能持续处理那些没有提前准备好的第十一道题。

所以他现在判断一个项目是否真的能落地，会越来越早问三个问题：谁每天会用？在哪一个业务节点用？用了以后，下一步会发生什么？

如果这三个问题答不上来，再漂亮的POC也很难说明它真正进入了业务。

而进入生产，也不意味着项目结束了。AI和传统软件有一个很大的区别：模型会变、知识会变、流程会变，客户的业务本身也会变。

这意味着AI上线以后仍然需要持续运营、验证和优化。

这也直接决定了一家AI ToB公司的生意是否健康。一份几十万元的合同，如果背后长期需要产品、研发、FDE、销售和客户成功不断手工维护，那么账面收入并不能说明这门生意已经成立。

真正需要看的，是生产使用量有没有持续增长，把交付、模型和服务成本全部算进去以后，贡献毛利有没有改善，以及客户是否愿意续费、扩容、增加新的场景。

灵核最近在客户内部推一个角色，叫“AI炼化师”，让企业内部的员工发现场景，并通过灵核的平台训练、优化Agent。我问：把客户都教会了，服务商会不会把自己的生意教没了？

他的回答比我想象的狠：“替客户点几下按钮，把Agent搭出来”，如果生意只是这个，“那一定会被教没。而且应该被教没。”

但如果客户越来越会搭Agent，反而可能是好事。客户可能从一年做两个Agent，变成一年做五十个、一百个。

那他需要的是更好的底层平台、更稳定的治理、更成熟的行业能力、更丰富的连接器。客户越会用AI，市场反而越大。

为了找到和培养企业内部的“AI炼化师”，灵核把这套方法做成了AI炼化师大赛。参与者不是专业的AI工程师，而是最熟悉业务的一线员工。

他们从自己的真实工作出发，寻找适合AI参与的场景，把日常工作中的SOP、判断规则和经验逐步教给AI，并在实际业务中不断验证和优化。

大赛的目的也不只是现场做出几个Agent，而是帮助企业找到一批既懂业务、又能把业务Know-how转化为AI能力的人。

让企业从“外部帮我做AI”，逐渐走向“自己能够持续发现、建设和运营AI”。

这也是灵核更看重的一种能力：企业最终不只是拥有几个AI应用，而是逐渐拥有持续创造、管理和优化AI劳动力的能力。

话题最后绕回文娱。今天的影视、短剧、游戏公司大量用AI生图、AI配音、AI生成视频，算不算内容工业化？

他说，表面看制造业和文娱离得很远，底层其实很像：都是一个生产系统，都有大量专业经验在人脑子里、环节之间靠人传递、一个环节出错后面大量返工、真正优秀的人永远稀缺。

AI生图、AI配音有价值，但更像电动工具。真正的内容工业化，是一个岗位甚至一条生产链被重构：

一个内容Agent自己接Brief、理解要求、调用历史爆款和素材、生成初版、检查品牌规范、把异常交给人审核、再根据投放数据迭代。这时候它才不是工具，而是生产体系的一部分。

他这次在大会上想讲的核心，其实是一句话：“工业时代复制人的体力，信息时代复制信息，而生成式AI开始复制专业生产能力”。

最后一个问题：三年后，企业里是“每个人有很多AI工具”，还是“一家公司里真的多出几百个AI数智员工”？

他更相信后者，但补了一句：几百个AI数智员工，不一定意味着组织架构图上真的多几百个头像，而是每个关键流程里都会出现AI岗位能力。

采购有，销售有，供应链有，质量有，财务也有。

同时，组织也会跟着变：团队更小、能力更强；管理层级减少、管理半径变大；管理对象从“人”逐渐变成“人+AI”。

一个过去只能管十个人的主管，未来可能管十个人，再加几十个数智员工岗位。

灵核内部把这种变化称为智能企业时代（Intelligent Enterprise Era，IEE）。在他们的设想里，未来的企业不再只是“人+软件”，而会逐渐变成由人类员工、数智员工、企业数据等共同组成的新型组织。

企业之间比拼的，也不只是用了多少AI，而是谁能更快把自己的经验、流程和Know-how变成可以持续运行、持续进化的组织能力。

而软件公司的商业模式也一定会跟着变。过去卖Seat，本质是软件服务于人；未来软件本身开始承担工作，卖的就是数智生产力。

未来三年，大家真正要回答的问题不再是“AI能不能进入企业？”，而是“一家企业到底能多快把人的优秀能力变成可以规模化复制的组织能力？”

访谈对象

灵核数智 肖铭洋

Q1：你是哈工大计算机本科出身，后来却长期做 ToB 商业化。技术背景对你做销售最大的帮助到底是什么？希望不要只讲“懂产品”，可以具体讲一个场景：技术型销售和纯销售在判断客户需求时，最大的差异是什么？

肖铭洋：技术背景最大的帮助，不是让我更懂技术，而是让我没那么容易被“伪需求”骗。

客户说“我要一个交付预测AI”，纯销售第一反应可能是：这个需求我们能不能做。

我的第一反应通常是继续往下拆：你现在交付不准，到底是需求预测不准、BOM不齐、采购延期、产能不足，还是数据根本没有及时进系统？你要的是一个预测模型，还是一个能够提前发现问题、推动人处理问题的机制？

这两者差别非常大。

我学计算机最大的价值，是习惯把一个模糊问题拆成输入、规则、判断、动作、异常和结果。最后你会发现，很多客户表面上要的是AI，真正的问题可能根本不需要AI；反过来，有些过去软件解决不了的问题，现在反而非常适合AI。

销售最怕的不是听不懂技术，而是客户说什么，你就卖什么。

Q2：你完整经历了飞书从早期到数亿美元规模的商业化过程。如果现在回头看，飞书真正开始“卖得动”的那个拐点是什么？是产品成熟了、品牌起来了、找到了大客户，还是销售方法、组织和生态发生了变化？

肖铭洋：如果让我今天回头看，我觉得没有一个单点拐点。

不是某一天产品突然成熟了，也不是签下某一个大客户以后市场就打开了。

真正的拐点，是三件事情逐渐叠加到一起。

第一，产品从“挺好用”变成了能够解决企业的重要问题；第二，越来越多头部客户把抽象价值变成了真实案例；第三，也是我觉得最重要的一点——公司开始拥有一套可以复制的商业化能力。

什么叫真正卖得动？

不是有几个特别牛的销售可以卖，而是一个新销售进来以后，能够知道客户是谁、客户为什么买、应该怎么聊、怎么 Demo、怎么证明价值、怎么交付、怎么扩容。

当成功开始从“个人能力”变成“组织能力”的时候，才是真正的商业化拐点。

追问：有没有一个当时很反常识、但后来证明极其重要的商业化决策？

肖铭洋：如果一定让我讲一个反常识的体会，我不会把它包装成某一个具体的“飞书公司级决策”。但我个人最大的体会是：

ToB 在早期不能太着急复制。

很多公司一开始就想标准化、规模化、提高人效，但如果前面那几十、几百个客户都没真正吃透，你标准化的可能是一套错误的方法。

很多后来很轻的东西，前面其实都经历过非常重的客户调研、方案、交付和复盘。

这也是我今天做灵核时一直在提醒自己的事情。

Q3：你为什么会选择灵核数智这样一家成立时间并不长的 AI Agent 创业公司？你当时看到的机会究竟是什么？有哪些东西让你觉得“这一波不是再做一个 SaaS”？

肖铭洋：其实不是因为原来的路不好。

恰恰是因为那条路已经足够好、足够成熟了。我在飞书接近六年，经历了一代企业软件从早期到成熟的过程。大模型出来以后，我越来越明确地感觉到，这不是 SaaS 上再多一个 AI 功能，而是一次新的计算范式和生产力变化。

我自己经常把今天类比成移动互联网早期。iPhone 刚出现的时候，你也不知道后来一定会有美团、滴滴、抖音，但你知道底层条件已经改变了。

所以我当时特别想做一件事情：不要站在一个已经成熟的浪潮后面，而是去参与下一个浪潮从 0 到 1 的过程。我想做一次属于这个时代的事。

第二个原因是制造业。

我过去服务过非常多企业，越往深了做越发现，企业真正难的问题，不在开会、不在聊天，而在订单、毛利、库存、交付、质量这些地方。

而 AI 第一次有可能真的进去“做事情”。

不是给老板出一份分析报告，而是去读订单、看邮件、理解图纸、判断风险、做选型、做报价、跟供应商、发现异常。

这是我觉得最兴奋的地方。

另外有一句话对我影响确实非常大：

“助力中国制造持续伟大。”

一个公司的使命会决定你在很多短期选择面前到底怎么做。我比较相信长期主义——如果你真的持续给客户创造价值，结果最后会回来。

为什么我认为这一波不是再做一个SaaS？

因为SaaS主要是在帮助人工作，而这一轮AI开始能够承担工作本身。

过去软件卖的是工具，今天AI第一次开始有机会卖生产力。

Q4：从飞书到灵核，你对“企业软件”这门生意最大的认知变化是什么？有没有哪些在 SaaS 时代非常正确的方法，到 Agent 时代已经不好用了？

肖铭洋：以前做 SaaS，我们经常问：

“怎么让客户把这个系统用起来？”

现在做 Agent，我越来越多问的是：

“客户公司里的哪一部分工作，可以真正交给 AI？”

这是两个完全不同的问题。

SaaS 的核心是数字化流程。过去一件事情由人做，我给你一个更好的系统，让人更高效地做。

但 Agent 真正有意思的地方，是开始改变“人和软件的分工”。

以前是：

人判断、人在系统里操作。

未来可能是：

AI 读材料、做判断、跨系统执行，人只负责目标、异常和最终责任。

所以 SaaS 时代很多正确的方法并没有错，但是不够用了。

比如功能列表、账号数、标准 Demo、上线率、IT 部门主导、Seat 收费，这套逻辑都要重新思考。

Agent 更应该从业务问题和经营结果出发，再倒推数据、流程、模型、权限和人机分工。

所以我现在越来越少问：

“这个客户需要哪个 Agent？”

我更愿意问：

“这家公司到底有什么问题值得我们解决？”

这也是我对内反复讲的一句话：最终交付的不是几个 Agent，而应该是更好的经营结果。

Q5：如果不允许说“AI Agent”“数字员工”“智能化转型”这些词，你会怎么向一个制造业老板解释灵核到底在卖什么？希望用一个真实客户的一天或者一个岗位来讲。

肖铭洋：我会直接跟老板说：

我们帮你把过去必须靠老师傅、工程师、采购、订单员每天重复干的那些工作，一部分真正接过来。

我们服务的一个阀门的客户是一个很典型的例子。

以前客户一张RFQ进来，销售不敢自己判断，要找老师傅看参数、查标准、选型号、配方案、算价格。一份复杂报价，两周到一个月很正常。

我们做的事情，是先跟老师傅把“他到底是怎么判断的”学明白，把产品、历史案例、规则和选型经验留下来。以后新的RFQ进来，先完成解析、匹配和方案生成，人只做关键确认。

最后报价周期从2周—1个月缩短到当天。

所以如果一定要说灵核卖什么：

我们卖的不是AI，我们是在帮企业把少数人的能力，变成整个组织可以反复调用的生产力。

Q6：你们现在已经做了订单、排产、BOM转换、供应商推荐、质量、设计等很多场景。什么样的业务最适合今天的 Agent，什么样的业务其实暂时不应该上 AI？能不能给出几个你们内部筛选场景的硬指标，比如频率、标准化程度、人力成本、错误成本、数据条件等？

肖铭洋：我现在看场景，第一反应已经不是“AI能不能做”，而是：

“这件事情值不值得AI做。”

我们内部有四个很朴素的标准：

真实痛、数据近、风险轻、结果可见。资料也明确要求，最好能用真实数据在2—3周形成闭环验证，而不是半年以后才知道有没有价值。

我实际还会再追几个硬问题：

频率够不够高？一年发生两次的事情，通常不用急着AI化

是不是材料密集？邮件、Excel、PDF、图纸、ERP之间来回搬，特别适合

有没有相对稳定的判断逻辑？可以有例外，但不能连最优秀的人自己都说不清怎么判断

错误有没有成本？报错一个价格、漏一个料、晚发现一天交期风险，损失越明确，价值越大

结果能不能验收？时间有没有缩短、错误有没有减少、交付有没有提前、毛利有没有守住，必须说得清楚

什么不应该做？

低频、没有数据、责任边界极高、结果无法判断、流程本身天天变化的业务，我宁愿劝客户先别做。

AI不是越多越先进。

Q7：现在很多企业也可以买大模型、用 Coze、Dify、OpenClaw 或各种工作流平台自己搭 Agent。客户为什么还需要灵核？你们真正收费的价值到底是模型能力、平台能力、行业 Know-how，还是落地能力？

肖铭洋：我经常说一句话：

能搭一个Agent，跟能让它在工厂里稳定上班，是两件完全不同的事。

今天模型不稀缺，搭建工具也越来越不稀缺。

真正难的是，一张客户询价单进来以后，它知不知道去哪里找历史报价、怎么看技术协议、什么时候查ERP、什么情况下不能自动报价、什么异常必须找老师傅、最终结果写回哪里。

这不是Prompt问题。

这是业务、数据、流程、系统、权限、异常和责任的问题。

灵核真正值钱的也不是“我们有一个更厉害的大模型”。

而是把客户的业务经验、规则和判断变成可以执行、管理、持续优化的生产力，并且接进ERP、MES、PLM、WMS、邮件和文件这些真实环境。

所以长期来看：

模型会越来越便宜，搭Agent会越来越简单，真正贵的是Know-how被正确地变成生产力。

Q8：灵核现在强调 Workflow + Agent 的混合架构。为什么不把所有事情都交给 Agent？在真实企业环境里，你们怎么划那条线：哪些事情必须确定性执行，哪些事情可以允许模型判断？

追问：企业 Agent 真正最危险的地方是什么？幻觉、权限、数据、流程异常，还是人过度相信 AI？

肖铭洋：因为企业不需要一个“很聪明但不可控”的员工。

我的原则非常简单：

能确定的事情，不要让模型猜；必须判断的事情，不要硬写死规则。

比如金额计算、权限校验、审批流、系统写入、付款、正式对外承诺，这些事情越关键，越应该确定性执行，必要时必须有人确认。

但像邮件理解、图纸识别、异常归因、历史案例匹配、复杂信息判断，这些正是模型有价值的地方。

追问：企业Agent最危险的是什么？

肖铭洋：不是幻觉本身。

最危险的是，一个会犯错的模型拿到了很大的执行权限，而企业里的人开始默认它永远是对的。

幻觉不可怕，因为人也会犯错。

真正危险的是：

错误不可见、过程不可审计、责任没人承担。

所以我们一直强调人机边界和人工确认，而不是把Agent包装成一个“无人值守黑盒”。

Q9：你现在见企业客户，老板最常说的一句话是什么？2026 年客户是真的开始主动买 AI 了，还是嘴上说要 AI，最后仍然需要销售去创造需求？

肖铭洋：是真的。

但这里有一个特别大的误区：

客户开始主动买AI，不代表客户知道自己该买什么。

今天很多老板都会说：“我们今年必须做AI。”

这是时代创造出来的需求，不需要销售去教育。

但接下来才是销售真正有价值的地方：

到底先做报价、采购、质量、供应链，还是经营分析？到底解决哪个问题？

所以我现在的判断是：

AI需求已经不需要创造了，但AI价值仍然需要被发现。

客户不是缺AI焦虑，客户缺的是有人能把这种焦虑翻译成真实的经营结果。

Q10：一家企业第一次真正为 Agent 掏钱，预算通常从哪里出来？IT预算、数字化预算、业务部门预算、老板专项预算，还是人力成本？

追问：谁是 Agent 项目最关键的决策人？老板、CIO、业务负责人还是一线员工？

肖铭洋：今天其实还没有一个非常固定的“Agent 预算科目”。

很多第一笔预算，反而是老板专项、数字化专项或者业务部门为某个明确问题出的。

我反而不建议把它简单归到“人力成本”。

客户买 Agent 的首要逻辑不应该是“我少招两个人”。

更好的逻辑应该是：

订单更快、报价更快、库存风险变小、交付更确定、质量更稳定、毛利更可控。

至于决策人，我觉得不能只看一个人。

通常是一个链条：

老板决定这件事值不值得做；业务负责人决定有没有价值；IT 决定能不能安全落地；一线员工决定最后好不好用。

任何一层缺失都可能出问题。

如果老板特别热，但业务负责人完全不参与，我会很谨慎。

Q11：Agent 的销售和传统 SaaS 最大的不同，是不是客户已经不愿意只为“账号”和“功能”付费，而开始要求你承诺业务结果？如果是这样，未来 AI 企业到底应该按 Seat、Token、项目、数字员工还是结果收费？

肖铭洋：我觉得 Seat 会越来越不适合 AI。

因为 AI 很大一个价值，本身就是减少人为了操作软件产生的工作。

如果最后还是“多少个人登录就收多少钱”，其实没有反映 AI 的价值。

Token 也有问题。

Token 是成本单位，不天然是客户价值单位。

所以我比较看好的方式是一个演进过程：

早期可能是项目费 / 岗位能力费 + 平台能力 + 使用消耗。

慢慢地，随着场景标准化，长期收费核心会越来越走向工作量和生产力消耗。

我们内部也越来越倾向这个方向。

不是卖“多少个 Token”，而是把它包装成客户能够理解的 AI 生产力消耗。

结果付费我觉得会存在，但不会适用于所有场景。

因为很多经营结果受到外部变量影响，很难全部归因给 AI。

所以未来更合理的不是某一种收费模式赢掉所有模式，而是：

客户为真正被 AI 承接的生产能力持续付费。

Q12：你们现在判断一个客户是不是“好客户”，最看哪几个信号？比如老板意愿、数据基础、业务负责人投入度、流程标准化程度、内部是否有人负责 AI。

追问：有没有一种客户，看上去预算很多，但你们其实不太愿意接？

肖铭洋：我们现在越来越看五件事情。

老板是不是真的想解决问题；业务负责人愿不愿意投入；有没有真实数据和材料；这个问题是不是足够重要；客户愿不愿意和我们一起把东西做出来。

其中我觉得最容易被高估的，是预算。

预算大不等于好客户。

有些客户一上来就说几百万预算，要做一个很大的 AI 平台，但问到具体解决什么问题，没有人知道；业务负责人也不参与；数据不给，系统不让碰。

这种项目我反而会非常谨慎。

还有一类是为了汇报而做 AI。

只要求 Demo 好看，只要求领导参观的时候能展示。

这种短期容易签，但是长期不一定是我们真正想要的客户。

我们更希望找到的是：

真的有问题，也真的愿意让 AI 进入真实业务的人。

Q13：今天 AI ToB 最大的问题之一是 Demo 很惊艳、POC 很容易，Production 很难。从销售端看，一家公司从“有兴趣”到真正生产使用，最容易死在哪一步？请尽量讲你亲身经历过的项目，而不是理论判断。

肖铭洋：最容易死在：

Demo 证明“AI 能做到”，到真实业务证明“AI 能长期做到”之间。

Demo 太容易了。

拿十份整理好的材料，模型回答得很好，所有人都会很兴奋。

但真正上线以后，第十一份材料格式不一样，第十二份数据缺字段，第十三份出现异常审批，第十四份涉及一个从来没有遇到过的规则。

这时候才是真正开始。

另外还有一个巨大问题：

AI 最后有没有嵌入原来的工作流。

比如某阀门客户，我们真正关心的不是做一个“阀门 AI Demo”。

而是销售收到 RFQ 以后，AI 在什么地方介入，技术人员什么时候确认，历史经验怎么调用，报价怎么继续向下走。

Production 的本质不是模型上线，而是人机分工真正发生变化。

所以我现在判断项目，越来越早问：

谁每天会用？

在哪一个节点用？

用了以后下一步发生什么？

如果这三个问题答不上来，再漂亮的 POC，我都会担心。

Q14：很多 AI 公司现在销售额增长很快，但背后堆了大量 FDE、实施和定制人力。你怎么看这种“收入越增长，人越多”的模式？什么情况下这是必须付出的学费，什么情况下说明产品根本没有标准化？

肖铭洋：我觉得这个问题不能简单看。

0 到 1 阶段做重，本身没有问题。

甚至某种程度是必须的。

因为很多行业 Know-how 一开始根本不存在于你的产品里，你必须有人扎进客户现场，把它抽出来。

关键不是：

“这个项目投入了多少人。”

而是：

“这个项目结束以后，留下了什么。”

有没有留下一个可以复用的 Skill？

有没有留下数据结构、Connector、评测集、交付 SOP、产品能力？

如果第一个客户五个人做，第二个客户三个人，第三个客户一个人，这说明你在产品化。

如果做到第一百个客户，每个客户依然重新从零调研、从零写代码、从零交付，那你其实不是一家产品公司，而是一家项目公司。

所以我特别认同我们现在前 100 个客户的重要性。

前 10 个是找到客户真正愿意付钱的问题；10 到 100 是把销售、Demo、产品、交付逐步变成可复制的能力。

早期重不是问题，没有越来越轻才是问题。

Q15：你觉得现在 AI ToB 创业公司最容易算错哪笔账？CAC、交付成本、模型 Token 成本、售后成本、客户成功成本，还是销售周期？

追问：如果只能看三个指标判断一家企业级 AI 公司商业模式是否健康，你会看什么？

肖铭洋：我觉得最容易低估的是：

交付和持续运营成本。

大家很容易看 ARR、合同额、Token 成本，却忽略合同背后到底站了多少人。

如果一份 30 万的合同，背后长期需要产品、研发、FDE、销售、客户成功不停地手工维护，那它的真实毛利完全不是财务报表上看到的那个数字。

另外 Agent 和 SaaS 还有一点不一样。

很多 SaaS 上线以后比较稳定。

AI 是持续变化的。

模型会变，知识会变，流程会变，客户业务也会变。

所以客户成功成本其实可能比传统软件更重要。

如果只能看三个指标判断一家企业 AI 公司是否健康，我会看：

第一，真实生产使用量是不是持续增长；第二，把交付、模型和服务成本全部算进去以后，贡献毛利是否越来越好；第三，客户是不是续费、扩容、增加新的场景。

这三个东西都好，说明客户真的获得价值，而且你的价值可以规模化。

Q16：灵核最近不只在交付 Agent，还提出 CASM 和“AI炼化师”，让企业内部的人自己发现场景、训练和优化 Agent。为什么会走到这一步？是不是你们发现，AI落地最大的瓶颈根本不是技术，而是企业内部没人真正对结果负责？

肖铭洋：因为我们越来越发现：

AI 不是一个“上线完成”的产品。

传统软件上线以后，流程相对稳定。

但 Agent 是要持续成长的。

今天遇到一个新的异常，明天公司 SOP 改了，后天一个老师傅补充了一条经验，这些东西都需要不断进入 AI。

所以真正制约 AI 长期落地的，不只是技术。

还有一个特别大的问题：

企业内部到底有没有一个人，负责把真实业务经验持续变成 AI 能够理解和执行的东西，并且对结果负责。

以前这个角色不存在。

所以我们提出 AI 炼化师。

CASM 和炼化师其实是一内一外。

我们帮助客户建立能力，但最终企业自己要有一个人越来越懂自己的 AI。

这不是把交付责任甩给客户。

恰恰相反，是因为我们希望 AI 不只是供应商做完一个项目以后留在那里，而是真正变成这家公司的长期生产能力。

Q17：什么样的人最适合成为企业里的“AI炼化师”？是程序员、数字化部门的人，还是最懂业务的一线员工？

肖铭洋：我反而不认为程序员一定是最合适的。

我觉得最重要的是三种能力：

懂业务、会抽象、爱折腾。

比如一个很好的采购主管、质量工程师、供应链计划人员、销售运营人员，只要他足够懂业务，又能把一件复杂事情拆成规则、SOP 和异常情况，他完全可能比一个纯程序员更适合。

当然他还需要愿意学习 AI。

我一直比较相信一件事：

能力是靠事情做出来的。

未来非常多新的岗位，不是今天先把 JD 写出来，然后去市场招人。

而是企业里面会有一批人先开始主动用 AI、训练 AI、管理 AI，最后这个角色自然长出来。

所以未来一定会出现一些过去组织架构里没有的岗位。

AI 炼化师只是其中一个。

Q18：如果最终客户自己就能搭 Agent、训练 Agent，服务商会不会把自己的生意教没了？灵核未来真正长期收费和持续创造价值的部分会是什么？

肖铭洋：如果我们的生意只是：

“替客户点几下按钮，把 Agent 搭出来。”

那一定会被教没。

而且应该被教没。

但如果客户越来越会搭 Agent，对我们反而可能是一件好事。

因为这说明企业内部创造 AI 应用的速度越来越快。

客户可能从以前一年做两个 Agent，变成一年做五十个、一百个。

那他需要的是更好的底层平台、更稳定的治理、更成熟的行业能力、更好的评测体系、更丰富的连接器，以及持续升级的模型和 Skill。

所以长期看，我们真正的价值不会是替客户“搭一个 Agent”。

而是提供：

AI 生产力运行所需要的底层平台、行业 Know-how、标准能力和持续消耗。

这也是为什么我越来越看重真实客户积累。

一家又一家客户做下来以后，沉淀出来的不是几个 Demo，而是行业 Know-how、产品能力和交付方法。

如果这个学习飞轮成立，客户越会用 AI，我们的市场反而越大。

Q19：这次你参加的是 AI 文娱大会。制造业和文娱看起来差得非常远，但如果把“内容公司”也看成一家生产企业，你觉得两者有什么共同点？比如影视、短剧、漫剧、游戏公司都有选题、制作、审核、发行、投放、复盘等流程。在你看来，哪些环节最适合出现真正的“数字员工”？

肖铭洋：我觉得表面上特别远，底层其实非常像。

因为它们本质上都是一个生产系统。

制造业把原材料，通过设计、采购、生产、质检、交付，变成产品。

内容公司把选题、创意、脚本、素材，通过制作、审核、发行、投放、复盘，变成内容产品。

两边共同的问题也非常像：

大量专业经验在人脑子里；

中间很多环节靠人传递；

大量版本、文件和非结构化信息；

一个环节出问题，后面大量返工；

真正优秀的人永远稀缺。

所以如果让我看文娱，我不会只看 AI 生图、AI 视频、AI 配音。

这些当然有价值，但更像是电动工具。

真正的 AI 内容工业化，是一个岗位甚至一条生产链真正被重构。

比如一个内容 Agent：

自己接 Brief，理解要求，调用历史爆款和素材，生成初版，检查品牌规范和平台要求，把异常交给人审核，完成以后把结果记录下来，再根据投放数据继续迭代。

这时候，它才不是一个工具。

它开始成为生产体系的一部分。

所以我这次想讲的核心其实也是：

工业时代复制人的体力，信息时代复制信息，而生成式 AI 开始复制专业生产能力；Agent 第一次让企业有机会规模化复制优秀员工的工作能力。

追问：今天大家大量使用 AI 生图、视频生成、配音，这算真正的 AI 内容工业化了吗？还是仍然只是单点工具提效？

（注：本版素材中该追问未单独展开回答，已忽略。）

Q20：如果让你判断未来三年企业 AI 的终局，你觉得我们最后看到的是“每个人有很多 AI 工具”，还是“一家公司里真的多出几百个数字员工”？到那个时候，人的岗位、组织结构、管理半径和软件公司的商业模式分别会发生什么变化？

肖铭洋：我更相信后者。

但“几百个数字员工”并不一定意味着组织架构图上真的多了几百个头像。

我的理解是：

未来一家公司的每一个关键流程里面，都会逐渐出现大量 AI 岗位能力。

采购有，销售有，供应链有，质量有，财务有，研发有。

到那个时候，人做的事情也会变化。

大量信息搜集、整理、录入、跟进、基础分析和标准判断，会越来越多地交给 AI。

人的价值会更多集中到：

目标定义、复杂判断、创造、关系、组织协调，以及对异常和最终结果负责。

组织也会变化。

我觉得未来企业会出现几个明显趋势：

团队更小，能力更强；管理层级减少，管理半径变大；管理对象从“人”逐渐变成“人 + AI”。

一个过去只能管理十个人的主管，未来可能管理十个人，再加几十个数字岗位。

而软件公司的商业模式也一定会跟着改变。

过去卖 Seat，本质是软件服务于人。

未来如果软件本身开始承担工作，软件公司实际上开始提供的是一种数字生产力。

所以收费也会从账号，逐步走向生产能力、工作量和消耗。

我自己的判断是：

未来三年大家真正要回答的问题不会再是：

“AI 能不能进入企业？”

而是：

“一家企业到底能多快把人的优秀能力变成可以规模化复制的组织能力？”

这也是为什么我会这么坚定地选择现在这条路。现在制造业 AI 仍然处于 0 到 1，但一旦足够多的真实场景被跑通，竞争的问题就会从“AI 能不能做”变成“谁能更快进入真实业务、持续创造经营结果”。