当企业部署上百个AI Agent | 硅谷AI Agent创始人圆桌实录

6月25日，在一场由EntreConnect主办的AI Agent主题圆桌中，主持人Silvia Tong与众多AI创业者以及AI投资人进行了一场深度对话。

本次圆桌嘉宾分别是：

Tatyana Mamut：Wayfound 联合创始人兼 CEO，该公司构建用于管理和实时监督其他 AI Agent 的 AI Agent。

Puneet Anand：AIMon 联合创始人兼 CEO，该公司为企业提供贯穿 AI 生命周期的支持，包括数据集生成和用于检测幻觉、安全问题的评估模型。

Anna Belova：OpenWay AI 创始人兼 CEO，该公司为个体创业者和中小企业提供“AI增长伙伴”，以思考和执行的方式驱动业务增长。

Kay Zhu（朱凯华）：Genspark 联合创始人兼 CTO，该公司凭借其 AI 原生搜索引擎和 Super Agent 实现了用户的快速增长。

Elana Lian：Dell Capital 合伙人，该机构是 Dell Technologies 的财务风险投资部门，专注于对AI、数据基础设施等领域的早期投资。

在这次访谈中，创始人们与投资人围绕AI Agent从一个前沿概念到落地为真实产品的转化路径，从企业采纳瓶颈、商业增长策略、未来竞争格局，到新时代的人才标准、技术信任建立及长期价值构建等多个维度，展开了深入探讨。来自投资界、消费级和企业级产品一线的尝创业者，分享了他们在AI原生时代下关于产品构建、用户增长、团队打造和构筑“护城河”的宝贵实战经验与反思。

01

企业级AI的采用现状与核心瓶颈

在消费级AI市场热情高涨的背景下，本次讨论首先深入探讨了企业级或B2B领域的AI应用现状。目前企业对AI的整体采纳情况如何？它们正以何种方式将AI融入现有工作流程，实际的采纳率大约是多少？而在这一过程中，所面临的最主要瓶颈又是什么？

Wayfound的联合创始人兼CEO Tatyana Mamut指出，当前企业界存在一种显著的脱节。她援引数据称，有60%的董事会成员会向CEO询问生成式AI的进展，而在近期的摩根士丹利技术大会上，约50%的问题都与生成式 AI 以及企业如何应用它有关。然而，她深入观察发现，除了像Cursor这类编码协驾工具外，“任何更进一步的AI应用，其实际采纳率都相当低”。许多公司实际上只是在“美化”数据，进行大量的概念验证以响应董事会的要求。真正的瓶颈在于，企业发现将这些实验投入生产环境“极难”。Tatyana Mamut点出了核心矛盾：一旦投入生产，董事会的下一个问题便是“很棒，那么你们裁减了多少员工？”，而这个问题立刻会引发对AI Agent失控的监管担忧，导致企业不敢放手。她总结道：“在董事会对部署AI Agent的期望，与企业内部在决定将项目从实验或概念验证阶段，推向能够实现董事会和投资者所期望的成本节约的全面应用阶段时，我们看到了巨大的现实矛盾。”

Dell Capital的合伙人Elana Lian认为，目前确实有大量的投资流向了前沿模型，这一点毋庸置疑。尽管企业级市场的应用确实相对滞后，但大量的概念验证和测试正在进行中。她观察到，一些“黄金”用例正在涌现，特别是在客户支持、销售赋能、内容生成等领域，这些场景的共同点是投资回报率相对容易计算，拥有海量数据，且对初期准确率的要求并非100%。她表示：“我们确实观察到有更多的实践活动，并且很有可能在不久的将来，编码领域也会出现类似趋势。”但她也给出了一个冷静的判断：“我们认为生成式AI在企业中的全面普及，大概还需要2到10年的时间。”

OpenWay AI的CEO Anna Belova则从员工心态的角度提供了独特的见解。她发现，相比创始人或独立工作者，企业员工对AI普遍更为恐惧，其核心是一种“如果AI取代了我该怎么办？”的担忧。在她看来，最好的用例并非由技术驱动，而是当员工真正将AI视为专业成长的助手时才会发生。她描绘了理想场景：“当人们，比如那些热衷于编程的程序员，真正感受到自己借助AI，效率可以提升5倍甚至10倍。这时他们想的就不再是‘有人会取代我’，而是‘我能有更多时间陪伴家人了’。”

02

AI Agent正在从执行任务的“助理”进化为驱动增长的“伙伴”

话题聚焦于AI Agent的具体应用场景。Anna作为与增长团队紧密合作的创始人，被问及如何帮助团队实现10倍效率提升的具体案例。同时，作为在客户体验领域有重要投资布局的投资人，Elana也被邀请分享她对该赛道的采纳情况、技术瓶颈的看法，以及其被投公司Maven AGI在处理复杂用例时，与Decagon等竞争对手相比的差异化优势体现在何处。

Anna Belova分享了她的亲身经历，作为一名AI原生创始人，她曾一度感觉自己不像创始人，反而更像一个“AI工具的秘书”，每天在不同的Agent间切换，处理繁琐的数据导入导出，这让她完全没有时间进行战略思考。这正是OpenWay试图解决的痛点。她解释说，每一位增长专家真正关心的只有一件事，那就是“如何获取更多的客户”。而她们的AI Agent所要做的，不仅仅是执行任务，更是要重新定义销售和营销流程。它需要“像一个增长伙伴一样思考。它不仅使用现有数据，还要能创造出新的东西，帮助我这样的创始人去理解公司发展的下一步应该怎么走。我认为这才是真正的挑战所在。”

Elana Lian详细介绍了其领投的案例Maven AGI。她指出，企业现有系统的碎片化是阻碍AI采纳的主要因素。Maven AGI的优势在于其“集成优先”的理念，能够处理极其复杂的用例，并已与超过100个系统集成，部署速度远超同行。此外，其“安全第一”的端到端平台设计，使其特别适合需要满足GDPR、SOC 2等高合规标准的复杂B2B场景，目前已有超过40家客户在生产环境中使用。

她接着将这个万亿美元级的市场比作一场“抢占地盘”的竞争，并预见未来会诞生不止一两个成功的企业。她以Salesforce和HubSpot分别从大型企业和中端市场切入并双双成功的案例类比，强调：“在一个已经为AI做好准备的领域，完全可能出现多个独角兽公司。我们看到客户对这类解决方案的需求非常迫切，市场增长的势头非常明显。”

03

AI初创公司的市场推广策略

在当前分销愈发困难、传统付费推广方法效果减弱的背景下，创始人们的市场推广策略成为讨论的焦点。各位嘉宾被邀请分享各自的实战经验：尝试过哪些方法？哪些策略被证明有效，哪些无效？对于其他创始人有何建议？特别是，Tatyana被追问是如何成功赢得与Salesforce Agent Force这样的大平台建立合作的。

Genspark的联合创始人Kay Zhu坦言，他们几乎不做市场推广，20名员工全是工程师，专注于产品。他透露，所有增长都源于口碑，他们没有在流量获取上花过一分钱。他发现：“如果真的有人热爱你的产品，他们会在社交网络上为你宣传。我们经常发现，流量的某些激增，其实和社交网络上某一个不经意的帖子高度相关，因此，我们正努力以一种更自然、更有机的方式，或者说更系统化的方式去实现更快的增长。”

Anna Belova表示，每一位创始人都希望听到我们的增长是纯自然的，这对创始人来说就像一句魔咒，因为我们都不喜欢把时间和金钱花在直接的广告投放上。随后她系统地分享了她在上一个项目中实现每日新增2000 B2B用户的经验。她总结了三点核心：首先，必须超越传统的客户画像，去了解目标受众“当下真正在使用哪些工具”，以借鉴其用户行为模式。其次，要抓住AI搜索兴起的机会，学会管理和运用搜索结果。她认为：“这一切才刚刚开始，这正是创新者去适应并创造新事物的时机。”第三，她强调口碑和社区的魔力，关键在于除了产品本身，你还能分享什么，以及你的个人品牌有多强大。

Kay Zhu对Anna的观点表示赞同并补充了Genspark的观察。他发现了一个强相关性：“每当我们推出一项新功能，并且该功能与我们Super Agent中的所有现有工具都能互联互通时，我们就会看到用户数量和用户付费额都出现巨幅增长。”这驱动他们不断推出高度整合的新功能。

AIMon的CEO Puneet Anand分享了早期公司的GTM策略。他透露，公司很早就决定投资分销渠道，通过与LlamaIndex、向量数据库等平台集成，已开始看到流量。同时，他强调在AI时代应加倍珍视线下交流建立的真实关系。在向潜在客户介绍业务时，他发现讲述一个匿名的、具体的客户案例，远比泛泛介绍公司产品更有效：“他们当时遇到了这样的问题，而这是他们如何通过使用我们的产品来解决这些问题的。”

Tatyana Mamut则讲述了Wayfound的独特挑战和破局之道。她回忆道，创业初期，市场上几乎没有需要被其产品管理的AI Agent，渠道问题严峻。因此，她们决定自己构建一个Agent生成器来获取早期数据，并认识到网络效应和深度合作的重要性。她们目前的重点是与AI Agent构建平台建立合作，比如成为Agent Force的官方市场监控合作伙伴，从而赋能其销售团队。她强调：“在一个你必须假设存在与你同样优秀的产品、存在大量资金雄厚的初创公司以及许多大公司与你同台竞争的市场中，你必须找到构筑自己‘护城河’的方法。”

当被问及如何赢得与Salesforce的合作时，Tatyana Mamut坦言，人脉和积极的社交固然重要，但更关键的是“做一个有诚意的合作者”。她们很早就向对方展示产品，坦诚面对潜在的竞争关系，并找到了可行的合作方案。最有效的一步，是她们成功说服了对方内部的两个销售团队，让销售人员主动向上级要求销售Wayfound的产品，这起到了决定性的作用。

04

付费留存、生态占位和AI Agent完成的“完整工作流”成为新指标

随着Genspark等公司展现出惊人的增长速度，传统的融资和成功标准正在被重新定义。讨论转向了新的衡量标准：在大模型时代，B2B公司A轮融资的ARR（年经常性收入）基准线有何变化？除了付费客户和收入，各位创始人还使用哪些其他关键指标来评估公司的成功？Kay也被邀请具体分享Genspark是如何通过个性化等功能提升核心指标——付费用户留存率的。

Elana Lian首先以投资人的视角描述了市场的剧变。她对Genspark 45天ARR达到3600万美元的速度表示“令人瞠目结舌”，并提及Replit等公司的快速增长。基于这些观察，她给出了一个判断：“关于你问的平均首年ARR，我会说，保守估计可能在300万到500万美元之间。但市场上肯定有大量像Genspark这样引领潮流的杰出个例。”

关于其他指标，Tatyana Mamut的关注点更为长远，她表示自己着眼于一场未来几年内必将爆发的“战争”。因此，Wayfound当下的目标并非短期指标，而是为五年后成为市场第一做准备。这意味着“今天就必须构建起强大的生态系统，占据有利的市场地位，构筑好我们的护城河，制定明确的战略，并审慎地走好每一步。”

Anna Belova则提出了一个创新的内部指标，即AI Agent能完成多少“完整的工作”。她解释说，AI Agent正从处理“任务”的助理，进化为处理完整“工作流程”的伙伴。因此，衡量的核心不再是任务数量，而是“完成了多少完整的工作流程，以及最终产出的结果质量如何。”

Kay Zhu明确指出Genspark最核心的两个指标是ARR和付费用户留存率。他将其归结为两个根本问题：“第一，用户是否愿意用他们的钱包为你投票？第二，在他们首次付费后，他们是否会真的持续使用你的产品并进行第二次付费？”

对于如何提升付费留存，Kay Zhu分享了核心方法：确保所有新功能都与现有工具深度互联，而非构建孤立的“筒仓”。他举例说，用户可以无缝地让AI下载报告到云盘，然后立即进行总结并生成PPT。这种高度整合的工作流，对提升用户参与度和付费意愿“非常有帮助”。关于个性化，他认为这是所有AI Agent的标配，通过记忆功能让产品“越用越懂你”，避免出现“每天早上都把所有记忆都清空了”的糟糕体验。

05

AI赛道的激烈竞争与潜在寒冬

AI领域激烈竞争越来越激烈，当前许多用户同时为多款功能相似的AI工具付费，这种“尝鲜式”增长背后，是否潜藏着用户大规模流失的风险，甚至可能引发“AI寒冬”？面对这种可能性，创始人们应如何构建产品的转换成本和护城河？而像Meta这样的科技巨头一旦携“AI界的React”这样的平台级产品入场，又将给现有初创公司生态带来怎样的冲击？

Tatyana Mamut率先表达了她的担忧。她观察到，无论是工程师还是设计师，都在同时使用多款AI工具。她预见，当用户的新鲜感过去，明年可能只会选择为其中一两个付费，这将导致其他工具的用户大量流失。这让她深刻反思转换成本和护城河的重要性。“作为创始人，我担心的是，也许在不久的将来，我们会看到人们所说的‘AI 寒冬’，我不知道现在有多少人在构建产品时，真正深入思考了转换成本的问题。”她认为，如果没有高转换成本，那么强大的网络效应是唯一的出路。

Puneet Anand对此补充道，他非常期待看到Meta在编程领域的动作。他分析，Meta在工具上高度依赖自研，基本实现自给自足，“所以我很确定他们也正在解决这个问题。”

Tatyana Mamut进一步引申了这个想法，设想道：“当他们发布一个‘AI界的React’那样的框架或平台时，对其他所有人会带来怎样的冲击？”

06

AI时代的人才战略与招聘标准

在一人即可撬动巨大价值的AI时代，人才战略成为创始人们必须面对的终极话题。面对大厂通过“人才收购”虹吸顶尖人才的现实，初创公司应如何看待招聘？在何种情况下考虑吸纳新人？具体的招聘标准是什么？特别是对于产品经理这类非工程岗位，“架构师思维”又该如何定义？

Anna Belova宣称已经“停止招聘销售人员”，因为她的团队里已有大约500名“AI销售员工”。她表示，现在招聘人才，更看重的是对方是否是“AI原生”的人，这关乎思维模式而非工具使用。她强调两个核心能力：一是“个人AI”，即管理和训练个人专业数据的能力；二是将AI视为一种思维模式，要懂得如何“教会我们的AI去‘跳出思维定式’”。

Kay Zhu分享了Genspark的精英招聘策略。他解释说，团队刻意保持20人的小规模并缓慢发展，以此维持极高的招聘门槛。他们青睐经验丰富、具备“架构师心态”的人，而非在单一领域深耕多年的“领域狭隘的专家”。他认为，技术迭代太快，过去的经验可能迅速过时。他回忆起15年前在Google做查询理解的经历，感叹“由于新技术栈的出现，所有旧方法都已失效。”

对于产品经理的角色，Kay Zhu透露，公司一名产品经理入职两周后就转岗为软件工程师，因为团队唯一的PM是CEO。他转述那位同事的感受，新旧工作非常相似，只是过去是向工程师提需求，现在是向AI编程工具Cursor提需求，并可以直接动手构建原型来验证想法，省去了大量争论时间。

Elana Lian从投资人视角补充道，她们寻找的是富有拼劲、具备出色产品感的创始人。而高管团队的构成则依公司发展阶段而定。一旦公司找到产品市场契合点，就需要引入具备相应经验的销售和市场团队，这个过程通常会“经历数次人员迭代”。

Puneet Anand用一个实例印证了“力量倍增器”的概念。他提到团队里一位出色的机器学习研究员，利用Cursor可以一人端到端地完成从前端到后端、从研究到部署的全过程，是一个真正的“力量倍增器”。

07

现场快问快答

在最后的问答环节，现场观众就企业合作、技术集成、需求发现和结果准确性等现实问题，与嘉宾们进行了深入的交流。

针对观众关于早期“收集客户logo”与后期“客户流失”之间联系的提问，Tatyana Mamut回应称，建立转换壁垒是关键。方法之一是深度集成到客户现有技术栈中，并与他们信任的合作伙伴共同进入，这会让竞争者面临极高门槛。第二是尽早建立品牌信任和声誉。她透露，她们甚至在有第一个客户前就获得了SOC 2认证，这成为赢得客户POC机会的关键，可以防止被“某个YC孵化的项目，或者两个自认为能复制我们模式的斯坦福辍学生轻易换掉。”

当被问及如何与没有AI接口的遗留平台集成时，Tatyana Mamut强调，这首先是一个信任问题，而非技术问题。企业是否敢让一个AI Agent进入其内部系统，并承担潜在的安全合规风险，这比技术本身更关键。她引用近期的诉讼案指出：“所有人都对此感到恐惧。所以问题的关键不在于产品层面设置了多少权限，而在于你的公司本身是否是一个值得信赖的合作伙伴。”

关于Genspark如何发现新需求并推广新功能，Kay Zhu的回答直截了当。他表示，团队通过持续观察用户在Twitter上的反馈来发现呼声最高的功能，然后利用快速构建能力进行测试。至于推广，他坦言目前尚未专门进行，“所以很多时候，新功能对用户而言算是一个意外的惊喜。”

对于如何保证AI报告数据的正确性这一核心挑战，多位嘉宾给出了自己的解法。

Kay Zhu解释说，Genspark在产品设计上采取了多种策略：一是通过展示Jupyter Notebook让过程透明化；二是AI Agent内嵌了自我检查和修正机制，例如解完方程后会代回检验；三是鼓励用户通过不断追问和交叉核对来建立信心。他认为AI Agent的步骤并非完全独立，后续步骤有机会修正错误。

Puneet Anand则从第三方视角提供了思路。他透露，其公司曾为一家“科技七巨头”评估外部供应商，发现对方声称0.01%的幻觉率，实际高于3.3%。因此，他认为“第三方的、独立的、持续的评估才是理想状态。”

Elana Lian补充了“人的温度”的重要性。她指出，在一些高风险、高复杂度的商业场景中，“人在回路”和人工标注的强化学习循环，是提供准确性的另一重保障，也是一道必要的“护栏”。

最后，Anna Belova总结道，整个行业正在经历从“命令与控制”到“信任与验证”的转变。她认为AI Agent的本质不只是执行，更是思考、探索和研究。她断言：“未来的赢家，将是那些懂得如何创建一个自学习系统，让它能理解如何利用自己的输出来达成更好结果的公司。”