原文标题： Winning the Relay Race: Long-Running Agents in High-Value Customer Journeys
原文作者：David Haber，a16z 合伙人
原文编译：深潮 TechFlow
导读： a16z 这篇分析直指 AI 商业化最关键的转折：从按小时节省成本到按结果分成。如果你是 SaaS 从业者或投资人，这篇文章解释了为什么下一批 AI 独角兽不会再卖“坐席费”，而是直接拿走客户收入增长的一部分。
传统上，打电话给网络运营商报修断网大概是这样的：一个机器人声音先把你称为“尊贵客户”，然后让你在电话菜单里折腾好几分钟：“按 3 进技术支持，按 2 选宽带，再按 4 处理其他问题”。接着你被搁置在等待音乐里，感觉自己被遗忘了，直到终于有个客服接起来，问你要姓名、账号和问题描述。如果重启路由器没解决，你又得继续等，然后跟另一个客服把整个事情从头讲一遍，最后才能约到上门维修。
AI 已经在改变这类客服场景。你不用再跟机器人声音和好几个客服纠缠，一个 AI 代理现在可以立刻接起电话。它能查看你的账户，检查你所在区域是否有其他用户也受影响，要么直接解决简单问题，要么帮你预约维修人员。再也没有“当前所有客服代表正忙”，也没有等待音乐了。直到最近，这基本就是技术的上限。
但现在，新的能力正在让 AI 代理能够在更长的时间跨度里追踪线索、执行任务。我们相信，这将让 AI 公司超越单次客户交互，重新思考如何处理持续数周甚至数月的复杂客户旅程。AI 将引导保险客户从第一次来电到最终赔付，引导按揭借款人从预批到过户，引导企业销售线索从第一次演示到签约。这不仅会给客户带来更好的结果，也让 AI 供应商能够根据收入增长获得报酬，而不只是靠节省成本来收费。
有很多类型的业务，为客户创造价值需要很多步骤，跨越数周甚至数月。以传统的原告律所案件准备流程为例。潜在案件通常以电话线索形式进来，接案专员收集关键信息后交给律师评估是否接这个客户。一旦律所签下案件，调查和取证就开始了：律师助理调取警方报告，设法联系证人，向被告发证据保全函以保留证据，同时持续向客户更新进展。然后律所要等客户结束治疗，再起草医疗时间线，把材料交给律师完成索赔函。
这个过程就是我们过去所说的“接力赛”：一段漫长的旅程，每次交接都存在流失或价值损耗的风险。潜在客户通常会打给好几家个人伤害律所，往往跟回复最快的那家签约。所以如果客户只听到语音信箱，或者资格审核太慢，案件就会从漏斗里流失。客户签约之后，取证涉及多条并行线索，律所未必有耐心在四次电话没人接之后再去打第五次。另外，人力限制可能让律所无法详细审阅每一份证据，尤其是那些看起来常规、标的不大的案件。如果仔细读医生记录本来能发现脑损伤的迹象，从而大幅提高和解金额，但律所可能直接接受了对方的第一次报价。最后，案件可能拖好几个月，涉及众多参与者，信息散落在文档、人员和系统之间。这让律所几乎不可能对每个客户保持全局视图。结果就是，重要账单可能没被写进索赔函，治疗空白期也没人解释，最终压低和解金额。
直到最近，AI 代理大多只处理有边界的任务：“发这封跟进邮件”“总结那通电话”“创建这份文档”，以及范围很窄的交互。比如，客服之所以成为 AI 早期落地的优秀场景，是因为问题空间定义清晰，可以实现高可靠性，同时还能根据公司具体政策做定制。交互时间短，结果可验证，而且如果 AI 代理遇到处理不了的边缘情况，现成的客服团队通常还在，可以做升级处理。
现在，长程代理能够跨越几十个步骤、多种模态和更长的时间跨度去追求目标，这让它们能够从头到尾跑完接力赛。在原告律所的例子中，从最初的接案电话开始，就可以给一个长程代理分配案件，目标是最大化客户的获赔金额。代理会在需要时保存和检索案件背景信息。它根据事件或截止日期自动唤醒，主动派出子代理去联系证人、更新客户、通过电话、邮件或短信跟律师沟通。然后它整合发现，规划下一步行动，起草待审阅的文件，推动案件走向尽可能好的结果。跨客户层面，它持续学习，每个案件产生的数据都能帮它把下一个案件处理得比现在更好。
代理解决了今天接力赛中观察到的主要价值损耗点。在旅程起点，客户不再因为案件评估缓慢而流失，因为代理无论几点、周几都在线，而且几乎可以即时完成案件评估。取证不再受人力限制，因为案件代理随时可以拉起一个额外的子代理去打第五次、第十次甚至第二十次电话。由于代理几乎可以无限扩展，即使是看起来常规的案件也会被彻底处理，每一份证据都被仔细审阅，从而暴露出可能被忽略的脑损伤线索。最后，代理保留案件的完整记录，从证人电话录音到警方报告再到医疗记录，确保任何信息都不会丢失。
除了堵住这些漏洞之外，拥有完整的客户旅程还能改变代理供应商的商业模式。当代理能以更高质量和更快速度交付结果时，它可以为客户带来收入增长，而不仅仅是成本削减。更重要的是，由于影响是可观察的、可归因于代理的，供应商可以通过按工作产品或结果定价来分享自己创造的增量价值。以原告律所为例，单个案件是自然的工作单元，最终结果即和解金额的价值清晰可识别。此外，由于代理在最终工作成果中占据越来越大的份额，结果也更容易与代理关联起来。供应商因此可以分享收入的增长，达到此前单纯靠成本削减无法企及的合同金额。
诚然，转向按结果定价并非毫无摩擦。在原告律师行业，大多数州禁止非律师分享法律费用，因此定价需要与和解金额对齐，但又不能直接从中分成。在其他垂直领域，供应商可能会遇到采购团队的反对，因为他们还没有按结果签约的先例。而且即使智能体更接近完全拥有结果，归因争议初期仍可能出现。因此，成功部署长期运行的智能体，既是一场商业挑战，也是一场技术挑战。
不过，在高价值客户旅程中按结果收费并不是新想法。
Red Ventures（RV）是一个很好的历史案例。RV 由 Ric Elias 和 Dan Feldstein 创立，率先为长期消费者合同提供数字化的端到端外包销售运营。以保险为例，RV 会在客户搜索这些产品时收集他们的信息（通过拥有 homeinsurance.com 等网站），主动联系客户，带他们了解承保选项，并最终成交保单。由于完全拥有这一旅程，RV 每成交一单保单就从保险公司获得一笔报酬。这一模式曾经极其有效：据 S&P Global 数据，RV 在 2022 年以约 $14 亿销售额创造了约 $3.7 亿 EBITDA。
如今，这一模式似乎面临结构性威胁。在漏斗顶部，消费者发现产品的方式正在改变。他们不再依赖 Google 搜索或比价网站来探索和比较产品，而是可以直接向 Meta 的 Muse 或 Instinct 等个人智能体询问产品推荐，这降低了过去拥有探索类网站的价值。再往下游看，不再是成百上千的人运营线性漏斗，长期运行智能体可以处理远比过去复杂的旅程。它们能跨产品、跨沟通方式、并行工作，支持任何语言并大规模运行，且拥有无限的坚持力。RV 的 EBITDA 在 2025 年预计降至约 $1.6 亿，原因是客户流失和广告支出走软，这已经初步表明该模式的脆弱性，而 AI 还将进一步改变整个行业。
将长期运行智能体推向市场有不同的方式：
(1) 卖平台：在这种方式下，供应商把长期运行智能体作为软件出售，支持企业在现有运营中使用。原告律所案例中，智能体与现有团队及其工作流整合就是一个好例子。卖平台能带来收入上行空间，因为通常没有可比的软件或外包服务合同来锚定价格。但这也拉长了销售周期，因为需要创建新的预算条目，而且当一个智能体与企业的多个部门交互时，很难清晰地把结果归因于它。
(2) 卖服务：这里供应商接手一项已经外包出去的服务，以更有效地交付期望的结果，就像 Red Ventures 为保险公司拥有整个获客旅程一样。这种方式缩短了销售周期，因为买方的 ROI 计算简单，而且 BPO 的预算条目已经存在。然而，现有的 AI 出现之前的定价模型可能无法反映长期运行智能体真正能交付的价值，而且今天许多高价值旅程由企业内部运营，限制了这种方式的覆盖面。
(3) 全栈切入：全栈意味着垂直整合，成为一个 AI 原生玩家。例如，与其把长期运行智能体卖给一家债务催收公司，不如自己买入债务组合并自行催收，这样你可以完全捕获 AI 带来的任何上行空间，并解决归因问题。但这也意味着你要承担牌照或合规等服务环节，它们在实际客户旅程之外，会增加干扰和运营复杂性。
现在判断哪种方式会胜出还为时过早，但我们确信，长期运行智能体将在大规模接力赛中获胜，并把 AI 可寻址的市场从劳动力预算的一部分扩展到收入的一部分。原告案件准备只是一个例子，我们预计智能体将在其他高价值旅程中推动结果，比如抵押贷款发放、保险理赔处理、复杂企业销售以及无数其他场景。如果你正在捕捉这一机会，我们很乐意听到你的消息！
