6个月4000万ARR：收入型AI Agent创业实战
仅仅6个月时间，一家名为Hellyeah AI的企业就从0起步实现了4000万美元的年度经常性收入（ARR）。这家公司的CEO Michael Guan透露，他们的核心产品是数字员工，首个落地场景选择了增长营销赛道——值得注意的是，他公布的并非公司估值或远期愿景，而是实打实的年度营收数据。
这场圆桌对话并未纠结于模型参数或通用人工智能的宏大叙事，而是聚焦一个最落地的话题：你的AI Agent到底能不能帮客户赚到真金白银，以及客户凭什么愿意为你的服务分成。
圆桌另外三位嘉宾同样交出了亮眼的成绩单：做语音外呼业务的94AI，国内海外总营收达数亿元人民币，业务覆盖30余个国家；聚焦品牌出海的QuickCEP，年度ARR达到1亿元人民币，已经服务了中国品牌出海百强榜单中的70家企业；专注Shopify生态智能导购的upsello.ai，年营收约100万美元，客户中包含5家年GMV超过1亿美元的大卖。
赛道选择：从需求出发的务实路径
四位创业者的赛道选择看似各有不同，背后却有着共同的商业逻辑：他们都没有追逐所谓的“风口赛道”，而是从真实的客户需求和可落地的商业回报出发。
Michael的选择逻辑最为直接：增长营销是强化学习信号最强的场景。数字员工在真实预算中跑通获客、转化的全流程，盈利和亏损的数据都清晰可见，这正是训练AI模型最宝贵的真实数据。他们原本就专注于企业内部知识蒸馏和数字员工部署，营销增长只是首个垂类，没想到快速打开了市场。
94AI的刘嗣平则走了另一条路。团队2018年就开始研发语音模型，覆盖语音识别、合成和交互全链路，但很快发现一个现实问题：很多语音应用场景很难实现商业化收费。最终他们聚焦电话场景——金融客户的电话回访、营销推广和催收都是刚性需求，没有替代方案。目前团队在全球十余国家设有本地运营团队，核心市场覆盖印尼、菲律宾、尼日利亚、墨西哥和日本等地区。
upsello.ai的高舟有近十年的量化从业经历，今年有客户主动找上门：你们做AI和数据驱动的，能不能让我们的聊天工具直接帮着赚钱？基于这个需求，团队围绕Shopify生态开发了进攻型导购的在线客服插件。团队服务的客户以Shopify卖家为主，其中年GMV超1亿美元的大卖有5家，其余大多处于1000万到2000万美元的GMV区间。
QuickCEP的陈光则更为极致，只专注品牌出海一个赛道。他的理由非常实在：海外有几十种电商平台和数十个社交媒体渠道，数据彼此割裂形成孤岛，品牌方接入的成本极高。团队没有捷径，只能逐个对接平台接口，部分平台甚至要求成为官方合作伙伴才能获取API，对接完成后还要持续跟进平台政策变化，让AI Agent的通用知识适配不同平台的规则。目前他们已经服务了70家中国品牌出海百强企业。
四位创业者都没有选择所谓的“性感赛道”，他们的选择都是被客户需求、真实数据和商业回报倒逼出来的。
归因难题：如何证明你的Agent带来了真实增长
收入型AI Agent的第一个核心难题就是归因。客户只关心最终的业务结果，而你的服务往往只是业务流程中的一环，如何证明增长是你的功劳？
upsello.ai的高舟采用了量化的归因逻辑：他从结果倒推产品设计，明确所有触达和成交都必须在在线客服的对话流程中完成。比如用户原本打算购买商品A，Agent通过追加销售或捆绑推荐了商品B，那么只将B的GMV计入团队贡献，A的销售额则不计入。这种归因方式之所以能成立，得益于Shopify生态的数据互通性。
Michael的方案则更为直接：将数字员工直接部署到客户的代码仓库中，同时定制化改造数据埋点系统，确保归因的公平性和透明度。不过这种方案需要侵入客户的代码体系，不少客户对此存在顾虑，担心团队会在其代码中植入不明内容。Michael的态度非常明确：“真正的数字员工应该像正式员工一样进入客户的办公体系”，因此他们拒绝了很多无法接受这种方案的客户。他表示，创业公司不必承接所有客户，对于无法接受这种超前理念的客户，果断拒绝是更务实的选择。
归因是所有收入型Agent商业化的基础，过不去这一关，后续的分成讨论都无从谈起。高舟依托生态数据实现透明归因，Michael则通过直接接入客户代码体系确保可信度，本质上都是在回答同一个问题：你是否愿意将自己的贡献完全暴露在客户的财务审核之下。
付费模式：务实选择而非政治正确
按效果付费听起来是AI Agent行业的理想模式，但四位创业者的态度都非常冷静。
94AI的刘嗣平直言，按效果付费当然是更好的模式，说明客户认可你的核心能力，但需要满足两个前提：一是客户的业务场景适合，二是用户质量足够稳定。头部银行、大型平台的用户量大且质量稳定，可以尝试按结果付费；但新兴企业的获客渠道和用户质量波动极大，可能今天营收暴增明天出现亏损，这种模式就难以落地。实在无法实现按效果付费时，按调用量收费是更稳妥的备选方案。
他还点出了一个容易被忽略的问题：按调用量收费可能会扭曲团队的发展方向。按效果付费时，团队会以提升业务结果为核心迭代模型；而按调用量收费时，团队可能更关注如何提高用户的使用频次和调用量，反而忽视了最终的业务效果。“客户心中有明确的衡量标准”，只有当用户质量稳定时，这种衡量标准才会清晰可控。
QuickCEP的陈光则补充了三个实操中的现实障碍：第一，中大型企业的采购流程和预算制度并不支持按效果付费，很多客户甚至无法明确全年的预算额度；第二，销售激励机制难以适配，传统订阅模式下销售可以一次性拿到全年提成，而按效果付费则需要客户实际产生收益后才能结算，销售的积极性会受到影响；第三，客户的认知壁垒：在行业普遍认知中，只有掌握流量或掌握交易环节的服务商才有资格抽取GMV分成，中间环节的服务商往往被视为辅助工具，只能收取订阅费用。
那QuickCEP为何能在部分场景实现按收入抽佣？陈光分享了日本市场的实践：当客户自身的团队无法覆盖当地业务时，QuickCEP会派出完整的AI Agent团队接管当地的消费者运营，包括EDM营销、WhatsApp群发、老会员召回和忠诚度运营，客户无需额外安排人员。这种模式相当于完全替代了客户的一个完整部门，新增的营收部分自然可以参与分成。比如日本市场通过会员运营新增了1000万美元的营收，团队可以抽取1%-5%的分成，这类合作已经落地。
想要从收取工具费升级为按营收分成，核心在于你是否真正接管了客户的完整职能。辅助一个部门，你只是成本中心；替代一个部门，你才有资格参与价值分配。
陈光还提到了年初推出的PollyReach产品，这是一款为AI Agent提供的技能插件，核心功能是提供美国虚拟电话号码。这个产品的灵感来自他在日本的生活经历：预约烧鸟店、理发时因为英文不好需要麻烦同事帮忙，他意识到AI Agent虽然可以完成写PPT、调研研报等任务，但无法与物理世界交互，因此开发了这个让Agent可以拨打电话的技能。目前这款插件在Agent应用商店中排名第一，装机量超过10万。为AI Agent打通与物理世界的连接，比很多宏大叙事都更具落地价值。
AI接管的岗位：从执行到决策的边界
圆桌最后讨论了一个更宽泛的话题：企业内部还有哪些岗位会被AI全面接管，实现24小时自动闭环运行。
陈光已经将AI自动化体系落地到了自己的公司。他们的研发团队正在推行“loop engineer”体系，包含三个迭代循环：第一个循环是AI Agent之间的自我反馈，实现分钟级的快速迭代；第二个循环是人类在环中参与，由程序员提供反馈，实现小时级的迭代；第三个循环是外部用户反馈，按天或按周收集终端用户的体验和问题，实现月度迭代。他们甚至将这套体系应用到了招聘流程中：AI Agent在主流招聘平台上筛选候选人并按标准打分，HR专员收集反馈，业务部门的销售VP提供最终评估，系统会自动调整筛选规则。陈光表示，未来即使HR团队扩大三倍也无需新增人员，唯一的瓶颈是部分招聘平台不允许AI直接沟通，他们正在尝试用RPA技术解决这个问题，但持续操作电脑会消耗大量的token，成本较高。
但HR岗位并不会消失，他们的工作内容会发生变化：主要负责维护AI Agent，不断调整其技能和规则。岗位依然存在，但核心工作从执行转向了管理和优化。
刘嗣平的观察更为直接：AI更多替代的是企业外部的岗位和服务。客服、电销等行业原本依赖大量人工和配套的软硬件系统，未来这类公司的生存空间会越来越小。如果服务的对象已经从人变成了AI，那么传统的软硬件工具还有存在的必要吗？比如传统的外呼管理系统、软交换设备，美国的Avaya、Genesys等通信软件厂商，过去呼叫中心动辄投入数百万甚至上千万的系统，未来很多这类工具都将不再被需要。
Michael则认为所有的SaaS工具都可以被AI重构。北美市场的传统SaaS产品往往价格昂贵，同时需要雇佣专业人员操作，本质上和购买更昂贵的AI Agent是同一个逻辑。他们正在探索的下一个赛道是财务税务：招聘场景的反馈周期太长，需要五年才能看到一个员工是否成功；而财务税务的反馈周期极短，出现错误可以立刻纠正，且美国企业在这块的人力成本极高。
高舟则提出了一个更宏观的框架：他并不想制造焦虑，目前阶段AI接管岗位的速度可能没有那么快，未来更多是“接管”而非“替代”。更依赖理性分析和数据支撑的岗位会率先被接管，比如量化分析、代码编写等工作。过去量化团队可能需要雇佣五六名毕业生专门编写策略代码，每天更新大量策略，现在这些工作完全可以由AI完成。而人类的价值则体现在决策层：当AI提供了ABCD多种方案后，人类需要依靠美感、审美和感性判断做出最终选择，这是人类与AI的核心边界。
核心逻辑：生意本质大于技术参数
整场圆桌对话下来，最强烈的感受是四位创业者谈论AI Agent的口吻，越来越像传统生意人讨论商业本质。
归因要公平、计费要匹配客户质量、分成要建立在完整职能接管的基础上，这些原则放到任何传统行业都成立，只是他们的生产工具从人力换成了AI Agent。
高舟作为量化出身的创业者，习惯从结果倒推所有决策。他曾说管理客户资金时，会先确定年度收益目标，再倒推交易策略和资产配置。做AI Agent也是同样的逻辑：先明确能为客户赚到什么钱，再倒推产品的设计和功能。这或许就是收入型AI Agent的核心秘密：先考虑商业回报，再搭建AI产品，最后才是技术实现。在AI提供多种方案的分工中，先把商业账算清楚的一方，往往能走得更远。
圆桌对话核心细节
参与嘉宾：upsello.ai创始人&CEO高舟、Hellyeah AI CEO Michael Guan、94AI创始人&CEO刘嗣平、QuickCEP&PollyReach创始人&CEO陈光
对话主持人：行业观察者
对话围绕收入型AI Agent的商业化展开，从赛道选择、归因逻辑、付费模式到AI对企业岗位的影响，四位嘉宾分享了大量实操经验。其中高舟提到，Shopify生态的数据互通性让归因变得清晰；Michael坚持数字员工需要接入客户代码体系，哪怕拒绝部分客户；刘嗣平指出按调用量收费可能扭曲团队方向；陈光则分享了通过接管完整职能实现按营收分成的实践，以及为AI Agent打通物理交互的PollyReach产品。
