No Priors 第132期｜对话 Decagon CEO兼联合创始人 Jesse Zhang
摘要
Decagon切入企业市场的价值主张异常清晰：自动化处理高流量客服，同时维持甚至提升客户满意度；据披露的案例，客服中心或运营支出可削减60–70%。 公司最初服务 Rippling、Notion 等数字原生公司，随后随着董事会和高管层将 AI 采用变成自上而下的硬性要求，迅速“上攻市场”，进入银行、航空和电信行业。
这个市场是由客户需求筛选出来的，不是由创始人预设的创业判断决定的。 Decagon 的创始人通过严谨的客户访谈探索方向；在公司 ARR 为0时，只有客服这个方向反复吸引到六位数合同。这个品类看起来是否显而易见并不重要，真正明确的信号是客户说：“我确实愿意付钱，因为我能证明这笔钱花得值。”（“I would literally pay you money because I can justify it.”）
该产品替代的是琐碎劳动，初期并不取代企业现有技术栈。 Decagon 接入客户已有的 CRM 和电话系统，完成一名人工客服应做的工作，24/7 全天在线、几乎无需培训，也“不会流失”。长期目标则更大：成为消费者与品牌互动的对话式界面。
嘉宾认为，Decagon 的差异化来自围绕模型搭建的厚重企业软件层，而不是试图在模型本身上击败模型实验室。 模型实验室可能会进入应用层，但大概率会先从更封闭、以消费者为主的产品入手，编码可能是其优先切入的领域之一，复杂企业客服则更靠后。Decagon 正集中建设可观测性、监控、对话分析、测试和模拟能力，并让业务用户无需等待工程师就能修改 agent 逻辑。
AI agent 按产出计价，将可服务市场从软件席位扩展至劳动力和服务预算。 Decagon 按合同期出售对话额度，可包含或排除需要人工介入的对话，与客户的单次联系成本模型匹配；按分钟计费反而会激励更长的通话。其核心判断是，AI agent 供应商相对于可以迁移进软件的整个服务业 TAM，仍只是“一粒沙子”。
终局是一个统一的礼宾 agent，负责客服、购买、追加销售和主动触达，最终还将与消费者自己的 agent 沟通。 嘉宾认为这个世界“基本已经到来”，但 agent 之间的客服交互尚未实现规模化。未来 agent 可能发展出更高效的协议，但沟通仍应以自然语言为基础，因为双方最终都要与人互动。
公司的经营理念归根结底是执行：速度、高强度的办公室工作，以及创始人和核心管理层的商业化能力。 Decagon 员工数接近200人，正在补齐组织架构、人力职能和海外办公室，同时研究 Ramp、Databricks 等公司的经营者。战略重点正从短期成交转向可规模化的产品投入；今天推迟的工作，6个月后可能会变得明显更难。
精读
1. 企业紧迫性让客服成为异常快速的 AI 切入口
Decagon 嘉宾将公司描述为面向联系量巨大的组织提供 AI 客服 agent：进行个性化对话、解决问题并降低运营成本。随着产品拓展，Decagon 越来越把它看作品牌的“对话式 UI”，或者按公司偏好的说法，“礼宾服务”。
最初的客户是 Rippling、Notion 等数字原生公司，它们行动迅速，也帮助 Decagon 快速迭代。大型企业的到来早于预期，一方面是因为最大的客服联系量集中在那里，另一方面是因为许多企业事实证明比传统企业销售判断所认为的更愿意采用 AI。
采用已经变成一种“自上而下的推动”。不再是某个团队悄悄评估软件，而是董事会和高管层直接推动“AI 转型”；客服经常被视为最容易落地的切入口之一，因为买方可以把巨大的联系量与清晰的运营成本基线对应起来。
首要考核指标是经济效益：客服中心或运营支出能够削减多少？嘉宾称，成功案例中的降幅达到60–70%，但客户满意度通常也维持在原有水平，甚至更高，因为如果用户变得更不满意或更不投入，效率提升就不算成功。
这些 agent 的定位是替代琐碎的人力劳动，而不是立即替换企业技术栈。它们接入客户已经在使用的 CRM 和电话系统，完成一名人工客服应做的工作，并且因为始终在线、几乎无需培训，也不存在员工流失，所以可以实现规模化。
2. 商业信号筛选出这个方向，并持续塑造组织
Decagon 并不是从一个固定的客服判断出发。创始人通过客户访谈测试不同想法；客服方向之所以脱颖而出，是因为公司 ARR 仍为0时，就有多个潜在客户提出六位数合同。
反对意见是，客服自动化看起来“太显而易见了”，一定早已被别人占据。嘉宾的回答是经验性的：一旦进入一个看似显而易见的市场，运营层面的细节就会显现；而有2个人能够持续吸引客户对话并拿到采购承诺，本身就是这个问题值得追踪的强信号。
二次创业的一条经验是，技术人才可以变得更商业化。对一些工程师来说，市场进入问题“更棘手”，也没那么有吸引力，但它们本质上仍是问题求解；掌握这些能力，能让优秀的技术团队卖得更多、增长更快。相比之下，第一家公司时期很难建立起对好想法的直觉。
Decagon 首先看重的是聪明程度，而不是完全匹配的过往经历，工程、销售和市场岗位都遵循这一原则。早期经验仍然重要：公司最初规模较大的一批招聘并没有直接招应届毕业生，但现在已经会这样做。办公室要求每周5天到岗，周末常有人来但不作强制要求；公司寻找的是把这里视为“职业生涯高光”的人，相信额外投入能带来职业加速和有趣的问题。
商业化能力对创始人及其身边的核心成员最重要，并不意味着每名工程师都必须具备这种能力。嘉宾给未来可能创业的工程师的建议颇为反直觉：一家已经实现 product-market fit、能让人看见商业执行的公司，可能比一家尚未实现 PMF、员工完全看不到商业一面的团队更有学习价值，后者实际上只能学到哪些事不要做。第一家公司提供了约2年的“反面教材”，而正面案例能加快学习速度。
3. 规模化要求在正确时点告别早期的“贪心思维”
Decagon 员工数接近200人，正在补充管理层、组织架构和全职人力职能。公司已在纽约设立办公室，也正在筹建欧洲办公室；每个办公室的文化都可能成为“一个独立运转的生命体”，因此公司必须有意识地把旧金山文化带到新地点，尤其是在当地规范不同、办公室相对孤立的情况下。
战略转型是从只优化下一个客户，转向在中长期产品路线图之间分配资源。早期的“贪心思维”很有用：先把交易拿下，而不是花一个季度做规划。企业站稳脚跟后，长期投入既成为可能，也成为必须。
核心产品建设体现了这种取舍。它今天可能无法带来任何客户，但如果不做，未来每次部署都要重复付出同样的努力，甚至因为架构负担累积而付出更多。6个月后，公司可能恰恰在需要这层基础时后悔当初没有建设，而此时补上它已经更难。
嘉宾正在研究 Ramp、Databricks 等执行能力扩张出色的后期团队。目标是从正面案例中学习，同时承认 Decagon 仍有大量问题需要解决，而不是只依赖第一家公司留下的失败经验。
4. 企业工作流深度，是对抗模型实验室整合的防线
采访者用微软推出操作系统后向上整合 Office 等应用、Google 增加垂直搜索的案例，提出平台迁移的框架。在 AI 语境下，采访者指出 Anthropic 已经提供 Claude Code，OpenAI 也曾尝试收购 Windsurf：平台提供商可能会向下游整合主要应用。
嘉宾同意，模型实验室有充分理由进入应用层，因为掌握客户比单独提供模型 API 能捕获更多价值。他推测，API 业务可能更多是切入口，而不是长期利润中心，同时也承认云服务商等基础设施企业可以实现巨大规模并产生可观现金流。
嘉宾预计，模型实验室会先从更封闭、以消费者为主的应用入手，之后才可能进入企业市场，编码大概率是它们首先尝试的领域之一。Decagon 的防线在于企业客服所需的“更厚”软件层：对话可观测性、监控、从对话中学习、洞察提取、质量测试和模拟。Decagon 已与大型模型实验室建立了良好关系，也可能与其合作，但在大量应用基础设施尚未建成之际，花太多时间预测它们的下一步价值有限。
产品化和执行能力，是 Decagon 相对于 Salesforce 和 Agentforce、Google 及其他 AI 原生玩家更锋利的差异化。非技术用户应当能够自行构建、迭代和分析 agent；工程师可以继续负责 API 连接和系统交互，把逻辑构建交给业务团队。如果由工程团队全权负责整套客服部署，这种方式可能不太适用，但即便是深度参与的工程团队，也未必愿意处理每一项细小改动。“我们就是不认为这适合 AI 时代。”
5. 按产出计价，通往一个连接 agent 的通用礼宾服务
客服 agent 有一个清晰的产出单位：对话。因此，Decagon 按合同期出售对话额度，由客户逐步消耗；额度可以覆盖所有对话，也可以只覆盖不需要人工介入的对话。席位不适合自主工作的 agent，而按分钟计费会产生一种“奇怪”的激励，让 agent 把通话拖得更长。
采访者认为，按产出计价的 TAM 含义在于，它突破了员工席位的天花板，转而对应相关职能中的人员和薪资。嘉宾进一步推演称，“整个服务业 TAM”都可以迁移进软件，相比这一机会，Decagon、竞争对手以及更广泛的 agent 市场合在一起仍只是“一粒沙子”。
当前的组织难题是，酒店的预订和客服对话可能分属不同团队、使用不同预算，但消费者体验到的却是同一个品牌。最终产品应当统一这些交互，并可能成为默认界面，减少用户访问大量应用和网站的必要。
嘉宾认为，在消费者场景中，agent 之间的交互“基本已经到来”：例如个人 agent 已经可以下单 DoorDash，未来也可以通过与航空公司的客服 agent 对话来改签航班。但这类交互尚未在客服领域实现规模化。最初，双方会为了兼容人类而使用自然语言；之后可能更高效地交换信息，并从被动客服扩展到购买、追加销售，以及发现问题后的主动触达。“不会太久就会到来。”