Agent的运营与商业模式需以 “结果价值” 为核心

发布日期： 2025-07-03 阅读量： 作者： 小编

　　6月25日下午，由爱分析主办的2025爱分析·第三届AI大模型高峰论坛在北京JW万豪酒店成功举办。在圆桌对话环节，邀请晶合集成AI研发项目总负责人黎家俨、开为科技创始人杨通、拓尔思金融和产业大脑产品中心总经理周宁捷”主题展开讨论。以甲方和厂商的不同视角一起探讨Agent 当前的实际落地进展和未来的趋势。

Agent的运营与商业模式需以 “结果价值” 为核心(图1)

　　黎总认为，在半导体领域的Agent落地中，强调甲乙方深度融合的开发模式。合作伙伴、用户端与项目管理方需共同参与系统构建，以满足行业对端到端任务的严苛定义。

　　由于需深度耦合物理世界运行逻辑，多智能体协作系统被应用于晶圆厂（Fab）场景，覆盖从任务理解、拆解、工具调用到交付的全链路闭环。针对半导体工程师需掌握超100种工具的痛点，Agent可显著缩短技能训练周期。

　　具体落地场景层面，Agent优先解决高频基础工作。例如开发自动读图表Agent，其准确率已超越人类工程师。在良率预测分析场景中，将任务拆解为数据多维分析、大模型预测、优化建议三阶段，避免直接响应笼统的提升良率需求，转而聚焦关键影响因子分析。

　　技术实现上降低依赖通用语言模型，而是基于Transformer架构构建专用多模态模型，应用于机台调试与仿真场景。同时结合DeepSeek等开源模型迭代语言模块，通过行业数据自建知识库，并采用强化学习持续降低模型错误率。

　　半导体行业的特殊性要求Agent必须垂直深耕：容错率逼近零阈值、知识体系跨领域且封闭、需与物理设备深度交互。因此核心壁垒在于四维能力整合：每秒千万级生产数据的实时处理能力、现有工业系统的无缝集成能力、兼具半导体经验与AI技术的复合型人才、以及Agent与物理流程的原子级融合能力。

　　杨总提出当前行业正经历从追求100%准确率到接受容错以释放杠杆价值的范式迁移。为实现准确率与效率的平衡，构建三层防护体系：第一是基于知识库与RAG技术确保基础准确性；第二是通过多智能体交叉验证，如代码生成与测试Agent互补，降低错误率；第三是在关键决策节点引入人工审核承担最终责任。未来模型升级，如GPT-5的推理工具一体化，将提升意图理解精度。当前需构建兼容性框架等待技术成熟。

　　Agent开发采用通用基座+垂直插件双轨路径。通用基座，依托GPT、Gemini等基础模型内化工具使用与多模态理解能力。同时通过三大能力快速适配垂直场景：支持PB级知识库实时爬取与精准RAG检索、深度集成数据库交互与AI数据分析、利用MCP协议连接各类SaaS工具。该模式既能捕获基础模型进化红利，又能通过垂类知识库、数据库及M开云官方入口开云网址CP接口满足业务深度需求。

　　Agent构建壁垒的核心在于研产融合机制：采用敏捷小组制同步推进业务落地与前沿论文研究，持续验证新技术优势；建立用户反馈-数据积累-模型优化的飞轮，团队配置融合资深工程师与AI研究者，通过学习-复现-创新三阶机制高效整合技术突破，规避从零创新的资源陷阱。

　　周总认为，C端与B端的Agent落地呈现显著差异。C端在生成、创意类等容错空间较大的场景已实现端到端应用。B端则依赖预置任务链，例如金融与央企场景中，10个节点任务链通常仅有2-3个节点由Agent执行，且整体准确率需达85%以上才具备商业化价值。B端核心难点在于自然语言交互的上下文限制，需通过机器合成精细化提示词约束交互边界——单一Agent达到90%准确率已属行业高位。

　　在路径选择上，基座大模型应侧重通用能力，但Agent应用必须垂直深耕。因各领域行业Know-How、专家推理逻辑难以被通用方案覆盖，且非结构化数据处理范式差异显著。以金融、政务、媒体为例，垂直Agent的壁垒体现在三维能力：行业知识图谱构建能力、上下文工程优化能力、评估体系设计能力。这不仅涉及提示词优化，更需完成数据清洗、标签化等底层工程，并通过用户反馈闭环持续提升准确率。

　　Agent的核心竞争壁垒在于评估体系与长期迭代机制：从POC到商业化需经历高成本的准确率爬坡过程，垂直场景中知识处理方式，如索引策略，存在数百种组合方案，需结合领域经验筛选最优解。同时需构建覆盖RAG、MCP、Agent的全链路评估体系，通过持续积累行业专属数据与反馈，形成难以复制的迭代护城河。

　　在晶和集成内部推广AI Agent 时，需以 “痛点解决” 为核心选项目，通过 “灯塔项目” 展现成效。例如优先解决公司当前最迫切的问题，让高层直观看到价值。同时要分阶段管理预期，明确告知各阶段可达成的目标，如第一阶段实现基础功能，第二阶段优化效率等，避免过度承诺。对外沟通时，以实际效益为说服依据，引导资源投入。晶和集成公司高层主动推动 AI 计划，使得 AI 导入过程更顺畅。

　　当前AI 运营的核心是让甲方接受 AI 价值，由于行业处于 “旧世界崩塌、新世界未立” 的过渡期，甲方对 AI 格局尚不明确，因此采用 “AI+SaaS” 的过渡模式：将 AI 作为使用 SaaS 的 “润滑剂”，而非独立产品销售，延续传统 SaaS 收费模式，通过 AI 提升用户使用频次和付费意愿。

　　今年开为科技以免费或低门槛方式让客户体验AI 功能，抢占市场先机，待明年甲方 AI 预算大幅提升时，前期积累的用户和数据将发挥价值。这种策略既能留住客户，又能为未来 AI 规模化应用奠定基础。

　　DeepSeek 带动下，甲方加速 Agent 落地，如某银行年初启动 100 个 Agent 项目，却面临效果不达预期的问题。运营关键在于聚焦高价值场景，解决真实业务痛点，避免 “为 AI 而 AI” 的资源浪费。冷启动阶段需快速达到用户初步预期，通过持续迭代形成 “数据飞轮”—— 用实际效果驱动用户反馈，再以反馈优化 Agent。若盲目铺开场景，易导致业务方失望，反向影响 AI 应用推进，因此需精准定位核心需求，以结果为导向推进 Agent 运营。

　　作为甲方代表，黎总指出过去与厂商的付费模式主要基于厂商的投入成本，而今年更倾向于按结果付费（RaaS）。随着成功案例增多，甲方对 “结果导向” 的付费方式接受度提升，这是从传统 SaaS 模式向更务实的价值交付转变。甲方态度的转变源于对 AI 价值的信心增强。

　　杨总从厂商视角提出，Agent 时代的商业模式变革核心在于赋能传统 SaaS 公司转型。由于生产结构从 “工具直接面向用户” 变为 “工具→Agent→用户”，厂商应聚焦帮助 SaaS 公司升级为垂类 Agent，再由 Agent 为甲方提供服务。

　　这种模式下，付费逻辑从传统的年订阅制转向按Agent 调用量收费，因为 Agent 对工具的使用频次可达人类的成百上千倍，这种 “Agent+SaaS” 的模式将催生指数级增长的商业机会。

　　周总指出，对垂直领域厂商而言，按结果付费是商业模式的终极目标。传统按Token 或 SaaS 订阅的收费模式以技术驱动为主，而垂类客户更关注业务结果，因此需与甲方或行业 ISV 合作共建 RaaS 模式。他强调，结果付费的可行性在于整合行业 Know-How 与技术能力，通过 Agent 直接覆盖传统工具的过程性工作。

　　本次圆桌对话环节，三位专家围绕Agent 在落地应用、推广运营及商业模式变革三大核心议题展开讨论，结合半导体、金融、政务等多行业实践，揭示了 Agent 从技术落地到商业价值实现的关键路径与竞争要点，强调垂直领域深耕、结果导向思维及数据驱动迭代的重要性。

　　本次交流探讨出Agent 发展的三大趋势：一是必须扎根垂直行业，通过深度融合业务逻辑与技术能力构建壁垒；二是运营与商业模式需以 “结果价值” 为核心，从技术驱动转向业务驱动；三是数据与反馈闭环是持续优化的关键，唯有形成 “场景验证 - 迭代升级” 的正向循环，才能推动 Agent 从概念走向规模化商业落地。

Agent的运营与商业模式需以 “结果价值” 为核心(图2)

Agent的运营与商业模式需以 “结果价值” 为核心(图3)

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　二手车商涌向榕江收购泡水车，否认“趁火打劫”：很多车我们不买就只能报废

　　爱分析致力于成为中国领先的数字化市场专业服务平台，为企业用户提供数字化规划与落地全流程服务。

　　到手价1189起，联想moto g100 Pro预售开启千元续航金刚

　　《编码物候》展览开幕北京时代美术馆以科学艺术解读数字与生物交织的宇宙节律

上一篇: 从芬兰到全球：一位中国创始人15年SaaS创业与AI出海的真

下一篇: 开源驱动AI创新！上海加速培育大模型、语料数据和人形机器人开

Kaiyun(中国大陆) - 官方认证的数字化服务平台

Agent的运营与商业模式需以 “结果价值” 为核心

随便看看