Sierra写过一篇很容易被低估的文章，标题叫《Agents as a Service》。里面最激进的一句话，不是“Agent会提高客服效率”，而是：传统Web App可能只是AI时代的“无马马车”。

今天的软件，是为人类设计的。我们打开网页，在菜单、表格、筛选器和表单之间不断点击，把自己的意图翻译成软件能够识别的操作。

但Agent不是人。它不需要一个经过视觉美化的订单页面，也不需要先点开“客户资料”，再切换到“退款申请”。它需要的是结构化数据、可调用动作、权限边界和任务完成标准。

当用户说“帮我退掉昨天买错的鞋，并把退款原路退回”时，Agent真正需要调用的是：身份、订单、退货政策、库存、物流、支付和工单接口。那个摆在中间、供人点击的Web App，可能不再是必需品。Sierra：Agents as a Service〔1〕

这并不意味着软件消失了。

恰恰相反，软件会更多，只是大部分软件从“给人看的网页”，变成“给Agent调用的能力”。企业仍然需要数据库、API、权限、审计、支付、订单、会计和合规；消失的是员工每天逐个打开软件、理解界面并搬运数据的工作。

这就是本期的“叙事差”：

Sierra、Fin、Decagon、Glean和Clay争夺的是意图入口、上下文、任务编排与结果账单；Salesforce、Shopify、Stripe、SAP和ServiceNow暂时保留客户、订单、支付、财务和权限的事实记录。价值没有从软件行业消失，而是在软件栈内部重新分层。

先澄清一个容易产生误解的地方。

Sierra说的“没有Web App”，并不是未来企业不再购买软件，也不是所有网页都会消失。更准确的含义是：完成业务的主要路径，不再要求人理解每一套软件的界面。

未来仍然会有三类界面：

1. 目标界面：人告诉Agent想完成什么；
2. 例外界面：高风险、模糊或超权限的任务由人审批和接管；
3. 控制界面：管理员配置政策、权限、评测、成本和审计。

真正被压缩的是第四类界面：每个员工每天打开十几个SaaS，逐项查询、复制、判断、填写、提交，再把结果同步到另一套系统。

从Web App到Agent

传统SaaS的交互单位是“页面”，Agent软件的交互单位是“目标”。

传统SaaS告诉用户：“这是订单页面，这是退款按钮。”

Agent软件问用户：“你希望得到什么结果？”

一旦软件的基本单位从页面变成结果，行业的产品设计、竞争壁垒和收费方式都会变化。

Sierra是理解这场变化最好的样本，因为它没有从旧Helpdesk里长出来，也没有试图把AI塞进一个传统坐席工作台。它从第一天就把产品定义成“代表企业工作的客户Agent”。

1. Ghostwriter：把企业的隐性流程编译成Agent

企业的客服规则通常散落在知识库、SOP、历史对话、培训材料、录音、截图和员工经验里。传统软件实施需要产品经理、流程顾问和工程师把这些材料重新整理成字段、流程和决策树。

Sierra的Ghostwriter试图直接读取这些材料，生成可以上线的Agent：它理解品牌语气、服务政策、异常边界和升级规则，再把Agent部署到聊天、邮件、电话等渠道。Sierra称其Agent可覆盖多渠道和多语言，并与CRM、订单管理等系统连接；这些能力与效果数据均来自公司披露，应按厂商口径理解。Sierra产品概览〔2〕

这里被革命的不是“客服回复速度”，而是软件实施方式。过去企业把业务翻译成软件配置；现在模型先理解业务材料，再生成流程和行为。

2. Agent SDK：把自然语言目标变成可控执行

客服不是开放式聊天。退款金额、身份验证、保修期限和合规披露必须确定，不能依赖模型临场发挥。

因此Sierra的Agent SDK同时包含两类能力：一类是大模型擅长的意图理解、上下文判断和自然语言表达；另一类是企业软件擅长的确定性工具、规则、权限、测试、调试、升级和审计。Sierra Agent SDK〔3〕

这也是企业Agent与普通聊天机器人的分水岭：

• 聊天机器人追求“答案像不像人”；
• 企业Agent追求“任务是否正确完成、是否越权、是否留下证据”。

3. Horizon：从一次对话，延伸到跨越数周的任务

很多真实工作并不能在一个会话里完成。保险理赔要等待材料，医疗授权要联系支付方，按揭申请要补文件，客户续费要在不同时间节点触达。

Sierra的Horizon把Agent从“即时回复”扩展到长周期工作。它可以持续保存任务状态，根据新信号重新行动，通过API、网页、电话或消息联系不同参与方，并在满足条件时推进下一步。Sierra Horizon〔4〕

如果这类产品可靠，真正被替代的就不只是一级客服，而是一部分协调员、运营专员和流程管理工作。

4. Context Engine与Explorer：把每一次工作变成下一次工作的训练数据

模型可以租用，企业自己的上下文不能。

Sierra把客户历史、政策、行动结果、失败路径与“什么做法有效”沉淀为Context Engine；Explorer再从大量交互中发现新问题、流程缺口和优化建议，并把改进反馈给Agent。Sierra Context Engine〔5〕 Sierra Explorer〔6〕

这形成了AI原生应用最重要的飞轮：

这套反馈不是通用模型天然拥有的。它属于真正执行任务、知道任务是否成功的应用层。

5. 结果定价：收入与被替代的工作量绑定

Sierra按成功结果定价，而不是按坐席或token收费。一个结果可以是解决问题、挽回取消、完成续费或实现交叉销售；普通升级和未达成结果的交互通常不计费，具体定义由合同确定。Sierra结果定价〔7〕

这改变了它所争夺的预算池：它不再只和每席位几十美元的客服SaaS比较，而是和人工客服、外包服务、流失损失和销售增量比较。

2026年2月，Sierra披露公司ARR已超过1.5亿美元。这个数字来自公司自报，但至少说明市场已经愿意为“完成工作”而不是“提供功能”付费。Sierra两周年回顾〔8〕

如果只看它们的网站，所有公司似乎都在卖“企业Agent”。真正区分它们的方法，是看它们进入哪一段工作、拿走哪一种预算，以及必须依赖哪些旧系统。

AI原生应用公司价值链地图

Fin：先把“回答问题”变成“完成客服Procedure”

Fin原本是Intercom内部的AI产品，后来公司直接改名为Fin。它可以连接知识库和Helpdesk，处理聊天、邮件、语音等渠道；更重要的是，Procedures允许企业用自然语言与确定性代码描述退款、修改账户、管理订阅、身份验证等多步流程。Fin Procedures〔9〕

Fin接入Salesforce后，会读取知识、客户和案件，遵守原有路由与权限，完成操作后把摘要、字段变化和对话写回Salesforce。Salesforce继续是系统记录，Fin成为面向客户的执行层。Fin for Salesforce〔10〕

它切走的传统价值包括：一级支持、部分二级支持、坐席查资料与填单、工单摘要、基础质检和Helpdesk的客户入口。

它暂时绕不开的系统包括：Salesforce、Zendesk、HubSpot等CRM与工单系统，Shopify等订单系统，Stripe等支付系统，以及企业自己的身份、库存和政策数据。

Fin公开价格为每个成功结果0.99美元。这个价格未必适用于所有企业和所有任务，但它为行业提供了一个清晰锚点：Agent的账单开始与被完成的工作量挂钩。Fin定价〔11〕

Decagon：把客服SOP写成可以运行和评测的Agent程序

Decagon的核心不是聊天框，而是Agent Operating Procedures。企业用自然语言表达业务规则，底层以代码、工具和控制逻辑保证执行；系统识别意图，选择合适流程，调用外部系统，失败时回退或升级。Decagon AOP〔12〕

它还提供测试、监控、品牌边界、Agent Supervisor和主动触达。Proactive Agents可以根据系统信号主动联系客户，而不是等客户发起工单。Decagon Proactive Agents〔13〕

Decagon切走的是传统客服软件中的流程编排、规则树、机器人、QA和一部分客户运营；但它仍要同步Salesforce、Intercom、Zendesk、Confluence、Amazon Connect和内部API。它更像“客服操作系统的智能执行层”，不是企业事实数据库。Decagon集成〔14〕

Glean：把“打开十个SaaS找信息”变成“问一个企业入口并直接行动”

Glean最初做企业搜索，现在更重要的资产是Enterprise Graph：它通过大量连接器理解人、项目、客户、产品、文档和工单之间的关系，同时继承原系统权限。Glean Enterprise Graph〔15〕

搜索只拿走“找信息”的时间，Actions则开始拿走“切换软件做动作”的时间。Agent可以在外部应用中创建工单、更新记录、发送消息、执行查询，并继续遵守原系统的安全边界。Glean Actions〔16〕

Glean革命的是企业软件的导航层和知识入口。员工不再需要知道答案究竟藏在Google Drive、Slack、Jira、Salesforce还是ServiceNow。但Glean也因此高度依赖这些系统：没有底层内容、权限和业务记录，Enterprise Graph就没有可靠上下文。

Clay：把RevOps与SDR的手工拼接，变成可执行的GTM工作流

Clay处理的是销售增长团队最繁琐的一段工作：找公司、查联系人、补充信息、判断资格、发现信号、编写个性化触达、同步CRM并跟踪结果。

Claygent可以像研究员一样浏览资料、提取结构化信息和解释判断；Workflows把产品使用、CRM历史、第三方数据和意图信号组合起来，根据条件触发研究、分群、写作与外联。Clay Workflows〔17〕

一个很有代表性的内部案例，是Clay把Snowflake里的产品和交易数据、Gong里的通话内容与销售判断结合，生成丢单原因和产品缺口，再写回Salesforce并触发重新激活。Clay丢单分析案例〔18〕

Clay切走的是销售研究、数据富集、名单清洗、部分SDR外联与RevOps编排；但Salesforce仍保存商机，Gong仍保存通话，Snowflake仍保存分析数据，邮件系统仍负责送达。Clay拥有“下一步做什么”，旧系统拥有“已经发生什么”。

Attio：不满足于骑在CRM之上，而是从头重写CRM

Attio代表更激进的路线。它不是给Salesforce增加Agent，而是试图建立一套面向Agent的数据模型、工作流和CRM。

传统CRM要求企业预先定义对象、字段和页面，再由员工不断填写。Attio的Universal Context强调把邮件、通话、记录和关系持续转成机器可理解的上下文；Ask Attio可以查询、创建和更新CRM记录，提取通话洞察、安排后续任务，外部Agent也能通过MCP调用这些能力。Attio Universal Context〔19〕 Ask Attio〔20〕

Attio真正想切走的是Salesforce的系统记录本身，而不只是界面。它最适合尚未被旧CRM锁定的创业公司和成长型企业；在大型企业中，迁移历史数据、权限、审批、行业合规和成千上万条集成，仍然是巨大的现实门槛。

Day AI：先捕获所有客户记忆，再决定CRM字段应该长什么样

Day AI提出“capture first, structure later”。它先从Gmail、日历、Slack、会议和Gong等来源自动捕获客户互动，再根据业务需要生成结构和属性，而不是要求销售人员先把每次交流录入表格。Day AI入门〔21〕

对于早期公司，Day AI可以直接替代CRM；对于规模更大的企业，它又可以作为现有CRM旁边的Customer Memory层。公司甚至披露，有客户在发展后把核心CRM迁往更成熟的平台，但仍保留Day AI用于自动客户记忆。Day AI与Gong〔22〕

这个细节非常重要：AI原生公司未必一次性替换全部SaaS。它可以先拿走高频使用与上下文，把成熟SaaS降级为低频后台；等自己积累足够多的数据、权限和集成，再决定是否继续向系统记录层进攻。

“SaaS变成数据库”听起来像贬义，但企业数据库并不是一张普通表格。它往往承载法律事实、资金责任、权限边界和多年集成。

在可预见阶段，Agent最难绕开的包括：

Agent可以让用户不再打开这些系统，却不能让这些责任消失。

因此，“No Web App”的真实终局，更可能是下面这套结构：

企业软件价值重新分层

最上层的Agent拥有意图、交互、任务和结果；中间的上下文层统一理解不同系统；底层系统保存事实、动作、权限与审计；模型和云提供通用智能与计算。

旧SaaS的风险，不是数据库明天被删掉，而是发生三件更慢、更危险的事：

1. 员工不再打开它，产品失去注意力与反馈；
2. Agent通过API调用它，界面与工作流模块失去溢价；
3. 原来按全部员工卖seat，未来只能按数据、动作、API与治理收费。

但系统记录也可能反击。如果Salesforce、ServiceNow、Shopify或金蝶能够把自己的数据模型、权限和动作直接暴露给Agent，并在上层提供足够好的原生Agent，它们就能把“数据库税”升级为“业务动作税”，未必只能被动退守。

企业AI的价值不会平均分给每一层。决定价值捕获的不是技术名词，而是四种稀缺性。

第一层：通用模型与算力——必需，但议价权可能周期性波动

每一个Agent都消耗模型与算力，因此应用越普及，底层总需求越大。但模型能力趋同、开源模型进步和token价格下降，会持续压缩单位智能价格。

底层可以获得规模价值，却不一定获得全部应用价值。就像云计算承载了所有SaaS，但不会自动拿走每个行业的软件利润。

第二层：通用Agent平台——最容易拥挤

模型路由、工作流、RAG、评测、监控和MCP连接非常重要，但也是云厂商、模型公司、开源项目与SaaS巨头同时进入的层。

如果平台只提供“拖拽搭Agent”，没有独有数据、渠道或业务结果，它容易被压成基础工具。Dify等开源平台会加速企业自建，也会让通用编排本身更难维持高溢价。Dify Enterprise〔23〕

第三层：企业上下文与系统记录——慢，但很黏

客户是谁、订单是否真实、退款是否完成、员工拥有什么权限，这些事实不能由模型猜测。上下文、语义模型、权限和动作接口是Agent可靠工作的地基。

这一层最大的优势是迁移成本和责任；最大的风险是变成低增长后台。如果它只保存数据而不参与动作和反馈，价值会向上层迁移。

第四层：垂直结果应用——最有机会扩大软件预算池

客服Agent卖的是已解决问题，销售Agent卖的是合格线索或成交机会，财务Agent卖的是已完成对账、报表或合规检查。

当产品能对结果负责，它比较的就不再是SaaS订阅费，而是一个岗位、一家外包商或一段业务结果的成本。这是Sierra和Fin最重要的意义。

但这一层也最难：厂商必须同时理解行业、接入旧系统、控制错误、定义结果、承担服务波动，并证明扣除推理成本和人工兜底后仍有健康毛利。

第五层：人类与组织——不会归零，而是集中到例外和责任

客户投诉、复杂谈判、重大赔付、医疗判断和受监管决策仍需要人承担责任。Agent首先替代高频、标准、可验证的任务，人类逐渐集中到例外处理、情感沟通、监督、流程设计和最终问责。

因此，价值分层最可能呈现“哑铃型”：

客服是最适合观察Agent经济的行业，因为任务量大、对话数据多、结果相对可验证，而且人力成本远高于软件成本。

1. 全球客服运营成本池：约0.9万亿—1.35万亿美元

麦肯锡估计，生成式AI用于客户运营，每年可创造约4040亿美元生产率价值，相当于现有客服职能成本的30%—45%；由此反推，全球客服运营的年成本池约为：

• 4040亿 ÷ 45% = 约8980亿美元；
• 4040亿 ÷ 30% = 约1.35万亿美元；
• 中点约1.08万亿美元。

这不是“AI客服市场收入”，而是企业今天为客服运营付出的广义成本，包括前线人员、外包、管理、培训、质检、软件、通信和基础设施。麦肯锡也明确提示，这一估计主要衡量直接生产率，不含更好的体验可能带来的留存与销售提升。麦肯锡：生成式AI经济潜力〔24〕

美国劳工统计局提供了一个交叉验证：2025年美国约有259.6万名Customer Service Representatives，平均年工资约4.659万美元，仅直接工资就约1210亿美元；这还没有包含福利、管理层、外包、技术系统和美国以外的客服人员。美国劳工统计局2025职业工资〔25〕

2. 不是4040亿美元都归Agent公司

生产率价值不等于厂商收入。AI替代一美元人工成本后，这一美元可能被分成四部分：企业节省、Agent软件收入、底层云与模型收入，以及继续保留的人力和旧系统支出。

下面以1.08万亿美元中点为基数，对原有成本池做三种情景分配。所有比例都是研究假设，不是行业预测；它的作用是说明数量级和利益方向。

客服价值池三种情景

在基准情景中：

• 一线人工与外包从原成本池的68%降到39%；
• 管理、质检、培训与例外处理仍占10%；
• Agent结果层获得12%，约1300亿美元收入空间；
• 旧SaaS与系统记录保留7%，约760亿美元；
• 通信、云、数据、身份等基础设施占10%；
• 约22%，即约2380亿美元，转化为企业净节省或更低服务成本。

这里最值得注意的不是“人力是否归零”，而是Agent应用层可能从原来很小的软件预算，跨越到约千亿美元级结果预算。即便Agent只拿走被创造价值的一部分，它的收入天花板也可能远高于传统Helpdesk。

3. 一个1000席客服中心的经济账

再用一个假设案例把宏观数字落地。

设一个美国1000席客服中心：每人年均工资4.659万美元，福利与雇主成本按工资的30%估算；管理、培训和质检为一线人力成本的15%；SaaS与系统每席每年4000美元；通信与基础设施每席每年3000美元。

这个中心每年约处理528万次联系，计算方式为：1000人 × 220个工作日 × 每日8小时 × 每小时3次联系。

当前年成本约7665万美元。

基准情景中，Agent完成约317万次任务，按0.99美元计费，对应约314万美元Agent收入；人工并未按60%同比下降，而只减少40%，因为高峰、复杂问题、监管和例外仍需要人。旧SaaS支出从400万美元降到280万美元，但没有消失；通信、身份、数据和基础设施反而上升。

这个模型没有计算服务量增加、销售转化、客户留存和部署改造成本，也没有把Fin的公开价格当作全行业永久价格。它只说明一个现实：当Agent每年收走300万美元，却帮助客户节省2500万美元时，结果定价有极强的商业吸引力；同时也存在继续提价的空间。

中国并不缺模型和Agent平台，真正的差异在企业软件土壤。

美国企业已经把CRM、ERP、工单、支付和数据仓库SaaS化多年，AI公司可以通过标准API骑在成熟系统之上。中国大量企业仍然存在本地部署、定制开发、数据孤岛、接口不统一和业务依赖微信沟通等问题。

这既是劣势，也是机会。

劣势是Agent缺少干净、统一、可授权的数据与动作；机会是中国企业没有那么强的“每个员工打开十个SaaS”习惯，企业微信、飞书和钉钉本来就是集中入口，可能更容易直接跨入Agent交互。

1. 中国的“系统记录层”已经存在

• 金蝶、用友：财务、ERP、人力、供应链与企业管理数据，是最接近SAP、Oracle的事实和动作底座。金蝶苍穹Agent提供任务编排、知识处理、模型管理和SaaS连接；用友BIP则强调本体连接结构化与非结构化数据，并披露智能体平台可接入数千个企业API。金蝶苍穹Agent〔26〕 用友本体智能体〔27〕
• 纷享销客：CRM、营销、销售与服务记录层。2026年产品更新显示，其已经开放MCP与命令行能力，让外部Agent在权限范围内查询和操作CRM。纷享销客MCP〔28〕
• 有赞、微盟、聚水潭等：分别覆盖商家经营、电商交易、订单、库存和履约，可对应Shopify及电商ERP的工具与数据库层。
• 企业微信、飞书、钉钉：身份、沟通与工作入口，可能成为中国企业Agent最重要的分发渠道，而不只是协同SaaS。

这些公司不一定被Agent淘汰。只要它们把数据、权限和动作变成标准化、可计量的能力，就可能从“卖页面和seat”转向“卖事实、API、流程与治理”。

2. 中国的“Agent基础设施层”正在快速成熟

• Dify：中国团队发起的开源Agent与工作流平台，支持多模型、RAG、工具、观测、私有化部署和企业治理；它降低了企业自建Agent的门槛，但本身更接近基础设施而非垂直结果应用。
• 阿里云百炼、扣子及各云厂商平台：提供模型、知识库、工作流、Agent和MCP连接。百炼把开放式任务交给Agent，把确定流程交给Workflow，体现了“概率理解+确定执行”的组合。阿里云百炼应用类型〔29〕
• 金蝶苍穹、用友BIP、纷享AI PaaS：优势不是通用模型，而是已经拥有企业业务对象、权限、流程和行业语义。

通用平台会非常繁荣，但也最容易陷入价格竞争。真正稀缺的是平台之上的行业上下文和可验证结果。

3. 中国已经出现值得观察的原生与准原生应用

智齿科技正在把传统联络中心改造成Agent驱动的平台。其产品覆盖在线、语音、工单与海外渠道，Agent Studio用于配置知识、技能、工具、话术、评测与运营。公司宣称Agent可独立解决90%以上问题，这属于厂商口径，不能直接与Fin或Sierra横向比较，但产品方向已经从“辅助坐席”转向“自主处理”。智齿Agents〔30〕

数势科技SwiftAgent聚焦企业数据分析。它把指标语义、本体和大模型结合，让业务人员用自然语言完成查询、归因、解读与报告生成。它试图切走传统BI中“打开报表—找指标—让分析师取数—写结论”的流程，同时仍依赖数据仓库、指标治理和底层业务系统。数势科技SwiftAgent〔31〕

澜码科技AskXBOT更接近企业Agent中间层，强调连接数据、文档、应用与流程，让企业搭建专业任务Agent。它有利于私有部署和复杂流程，但是否能从项目与平台收入走向标准化结果收入，仍需要更多公开经营数据验证。澜码科技〔32〕

迈富时是资本市场里较早尝试“AI应用收入”与新计费方式的样本。公司2026年第一季度公告称，AI应用业务收入同比增长约110.5%，并在GEO、EVA等产品中尝试“消耗+效果”的混合收费；但公告没有给出AI收入绝对金额、毛利与留存，因此增速不能单独证明商业模式已经成熟。迈富时2026年一季度公告〔33〕

更准确的判断是：中国已经有大量Agent能力和一些可信产品方向，但还缺少像Sierra那样以高额ARR、标准结果定价和规模化企业部署同时证明自己的公开样本。

中国的落地路径可能也不同：美国更容易出现横向SaaS之上的标准Agent；中国更可能先出现“行业方案+私有部署+实施服务+企业微信入口”，然后再逐步产品化。它能更快进入复杂企业，却也可能带来项目制收入、交付成本高和毛利难扩张的问题。

这场变化同时给旧SaaS和新Agent公司机会，但“发布Agent”几乎没有信息量。

真正值得跟踪的是六个问题。

1. 收费单位是否真的改变？

从seat转向调用量、任务量或成功结果，说明产品开始进入人力与业务预算。只把AI打包进更贵的订阅套餐，可能仍是旧SaaS逻辑。

2. Agent能否执行动作，而不只是生成答案？

能够退款、改订单、更新CRM、完成审批和留下审计记录，才真正进入业务流程。纯问答和内容生成很容易被通用模型吸收。

3. 公司是否拥有“结果反馈数据”？

知识库人人可以接，真正稀缺的是哪种处理成功、为什么失败、何时升级、客户最终是否满意。这些数据构成垂直应用飞轮。

4. 它能否不要求客户先迁移全部系统？

Fin、Sierra、Glean和Clay的共同聪明之处，是先骑在Salesforce、Shopify、Stripe和Snowflake之上。先创造结果，再争夺系统记录，比要求客户一次性重构IT现实得多。

5. 扣除模型、语音、实施与人工兜底后，毛利是否成立？

结果定价把风险从客户转给厂商。如果一个失败任务消耗大量token、电话时长和人工支持，却不能收费，收入增长未必带来利润。

6. 老SaaS是否愿意蚕食自己的seat？

Salesforce、ServiceNow、HubSpot、金蝶和用友都拥有数据、分发与权限优势。决定它们能否守住价值的，不是有没有Agent演示，而是Agent收入能否快于被减少的人工seat和旧模块收入。

从价值链看，我更关注两端：

• 一端是拥有交易事实、权限、动作和行业语义的系统记录；
• 另一端是能端到端完成高价值任务、按结果收费并积累反馈的垂直Agent。

最需要警惕的是中间层：没有独有数据、没有客户入口、没有业务动作、只做模型编排和提示词包装的公司。随着开源模型、MCP和云平台成熟，这一层最容易被商品化。

Sierra的“No Web App”之所以前瞻，不是因为它预测所有网页都会关闭，而是它指出了一个软件行业长期默认却很少被质疑的前提：

Agent出现后，这个前提正在变成：

当“工作完成”成为产品单位，界面不再等于入口，seat不再等于价值，SaaS也不再天然拥有整个业务流程。

Salesforce、Shopify、Stripe、金蝶和用友可能继续保存事实；Sierra、Fin、Decagon、Glean和Clay争夺理解、行动与结果；模型和云提供越来越便宜的智能；人类集中到例外、关系和责任。

客服行业给出了第一个清晰样本：原来软件只拿走约一成成本池，Agent开始挑战占比更高的人力与外包预算。它不需要把人全部替代，只要端到端完成一部分高频任务，就可能创造一个远大于传统Helpdesk的新软件市场。

因此，下一阶段最重要的问题已经不是“企业有没有使用AI”，而是：

本文是《叙事差｜Narrative Delta》第05期。叙事差关注正在发生、但尚未被充分定价的认知变化：发现叙事，解构叙事，预测叙事。

文中公司披露、产品页面和案例用于行业研究，不构成对效果的独立审计；市场规模与情景测算包含明确假设，不构成投资建议。