當下業界聚焦結果付費（RaaS）與Agent 技術進展的結合議題。結果付費在中美市場的落地情況備受關注，但其對 A 股軟件上市公司本就負數的累計利潤或造成更大沖擊。與此同時，Agent 技術的最新發展亦成為焦點。

本次邀請到容智信息 CEO 柴亞團，圍繞結果付費在中國落地的實際進展與現狀展開交流，探究這一模式在行業利潤承壓背景下的實踐路徑，以及與 Agent 技術融合可能帶來的變革與挑戰。

內容已做精簡，如需獲取專家完整版視頻，請掃碼領取。

01結果付費模式在企業服務領域的興起、變革與落地挑戰

結果付費在企業級ToB 市場并非全新概念，IT 服務外包領域早在十多年前就已嘗試這一模式，但今年其概念再度興起與 AI 行業的發展密切相關。當下 AI 行業正經歷從 “賣工具” 到 “賣收益” 的轉型，過往企業在 SaaS 工具等方面投入大量預算卻常未達預期效果，而 Agent 技術的出現降低了客戶嘗試新技術的風險。因此，結果付費模式的興起被視為鼓勵用戶嘗試 AI 技術的良好開端，有望推動行業從單純的工具銷售轉向價值導向的服務模式。

此次結果付費與上一代智能客服等領域的嘗試存在本質差異，核心在于結果評估標準的徹底變革。上一代模式更關注“事情是否完成”，如客服系統的功能實現，而此次則聚焦 “客戶實際收益”，例如營銷環節的收入增長、客戶滿意度提升等可量化指標。AI 技術的進步，尤其是大模型的成熟，使語義理解精度大幅提升，能夠精準識別用戶意圖，無論是正式語言還是口語表達，都能準確把握需求，這為結果付費中指向客戶核心期望的結果衡量提供了技術支撐，使得 “按效果付費” 從概念走向可落地的商業實踐。

回顧上一代 RPA 按結果付費的失敗案例，其核心問題在于 RPA 本身的技術局限性。RPA 本質上是臨時技術中間態，高度依賴業務系統環境，一旦系統頁面或邏輯改變，RPA 流程就會失效；且 RPA 處理的多是規則清晰、價值較低的重復性任務，單次執行價值有限，難以支撐結果付費模式。而 Agent 技術則聚焦高價值、需經驗判斷的復雜任務，與 RPA 結合后可形成端到端的解決方案，例如智能體規劃加 RPA 執行的模式，能真正實現業務流程的全面接管，為結果付費提供了可行的技術基礎。

結果付費模式的推行本質上源于企業預算下滑的現實壓力，企業希望IT 投入能獲得明確的價值保障，而非廠商間的內卷競爭。盡管短期來看，結果付費可能壓縮廠商毛利，影響產品研發投入 ，尤其是對新興的 Agent 服務商而言，高毛利空間是支撐持續研發的關鍵 。但從長遠看，唯有能為客戶創造真實價值的廠商才能在這一模式下獲得更大收益。此外，結果付費還能有效擠出 AI 行業泡沫，促使市場從概念炒作轉向實效競爭，推動行業健康發展。

在商業化落地層面，結果付費尚未形成標準化模式，目前多采用“基礎費用 + 分潤” 的一事一議機制。甲方先支付基礎費用覆蓋乙方初始成本，待業務產生實際收益后，乙方再從收益中獲得分潤，這種模式本質上是甲乙雙方的共建合作。與傳統模式相比，它降低了甲方的初始投入風險，同時也要求乙方從單純的服務提供者轉變為價值共創者。然而，這一模式對企業自身提出了更高要求，企業需投入更多業務人員參與共創，積累行業 Know-How，而非僅扮演項目管理角色，這也意味著廠商在選擇標桿客戶時需謹慎考量甲方的資源投入意愿與能力。

對比 SaaS 在中國的水土不服，結果付費模式有望突破這一困境。SaaS 失敗的核心原因在于國外模式面向中小企業且高度標準化，而國內市場卻將其項目化，大企業主導且需求高度個性化。結果付費則不同，其需求源自甲方對投入產出的理性考量，大小企業均追求明確的結果回報，且通過 “標準化平臺 + 個性化配置” 的方式，可在滿足企業差異化需求的同時避免完全定制化的高成本，從而更適應中國市場的實際情況，為 AI 技術在企業服務中的落地開辟新路徑。

02Agent 開發新范式解決傳統 Workflow 模式痛點

上一代 Agent 開發范式多以開發代碼為導向，但其落地時面臨業務人員上手難的問題。此前基于 Workflow 的拖拉拽模式，即便標榜低代碼或零代碼，仍需 IT 人員或原廠交付人員操作，業務人員難以真正參與，根源在于傳統模式存在技術門檻，復雜流程無法擺脫代碼依賴，且與業務人員的話術體系脫節。

新一代 Agent 開發平臺嘗試通過自然語言交互解決上述問題。其核心優勢在于打破傳統 Workflow 模式的呆板性 。 上一代基于 Workflow 的 Agent 預設腳本僵化，未預設的問題便無法響應，而自然語言范式借助大語言模型的語義理解能力，能精準識別用戶意圖，無需預設腳本即可靈活應對業務需求，避免了 “超出范疇就無法回答” 的困境。

自然語言驅動的 Agent 開發平臺采用 “三大模塊” 架構：以大語言模型作為 “大腦” 處理意圖識別，通過 Memory 模塊存儲上下文記憶，借助 Tool 模塊實現工具調用，如 API 查詢數據庫或 RPA 操作。這種架構將大模型的語言理解優勢與工具執行能力結合，既發揮了大模型在語義解析上的特長，又通過工具調用解決了其 “幻覺” 問題，形成技術組合的最優解。

對業務人員而言，自然語言交互大幅降低了參與門檻。無需學習流程圖拖拉拽或代碼編寫，只需通過中文自然語言描述對 Agent 的需求，如輸出結果、操作步驟等，即可完成開發調整。這種“像寫文章一樣修改 Agent” 的方式，使業務人員能直接參與到場景構建中，避免了傳統模式中需求梳理的中間翻譯環節，減少信息遺漏與知識轉移損耗。

業務人員的深度參與對 Agent 落地至關重要。因其對具體業務場景的 Know-How 最為熟悉，若缺乏業務人員參與，Agent 開發易陷入 “需求偏差 — 反復修改” 的循環。自然語言范式讓業務人員能直接用零代碼方式定義需求，例如在營銷場景中實時調整話術邏輯，使 Agent 更貼合實際業務流程，提升落地成功率。

與 OpenAI 等廠商的自然語言開發思路一致，該范式被視為對 Workflow 手動搭建模式的升級。Workflow 模式因缺乏智能性，本質上是臨時方案，而自然 語言驅動的 Agent 開發通過人機交互的靈活性、業務人員的直接參與以及技術模塊的協同，正成為推動 Agent 從概念走向業務落地的核心路徑，為企業服務智能化轉型提供了更可行的技術范式。

在 Agent 開發范式的演進中，Workflow 模式被視為中間態。當業務規則清晰時，Workflow 結合 RPA 處理能實現 100% 準確率，性價比最高；而面對模糊需經驗判斷的場景，其僵化性暴露，此時自然語言驅動的 LM 架構成為最優解，通過人機交互循環精準理解需求并輸出結論，彌補了 Workflow “半自動化” 的不足。

03Agent 突破路徑：C 端通用智能體先行滲透 B 端，還是 B 端垂直場景率先落地？

關于 Agent 技術落地路徑，存在 ToC 先于 ToB 或反之的爭議。從現狀看，C 端智能體面臨商業化困境：盡管互聯網巨頭推出免費產品吸引流量，但用戶粘性不足，長期使用意愿低。而 B 端更具商業可行性，企業愿為能創造實際價值的智能體買單，這促使開發聚焦垂直領域而非通用場景。

垂直領域智能體的落地邏輯在于“由深到廣”。人類技術迭代規律表明，需先在細分場景做深做透 ， 通過沉淀行業 Know-How、打磨技術穩定性，再逐步拓展至通用能力。若一上來就開發通用智能體，缺乏具體場景支撐，易陷入技術空轉，無法滿足企業實際需求。

B 端與 C 端的商業化邏輯差異顯著。C 端依賴流量變現，如通過廣告植入、搜索結果權重等方式實現盈利，其核心是用戶規模與注意力爭奪；而 B 端聚焦價值創造，企業更關注智能體能否解決具體業務問題（如提升轉化率、降低成本），付費意愿基于可量化的收益，而非流量規模。

當前 B 端市場對通用智能體接受度低。此前大模型熱潮中，企業多次為概念買單卻未達預期，導致對通用方案持謹慎態度。例如年初 DeepSeek 等模型推出后，部分企業因前期投入巨大陷入焦慮，更傾向于選擇聚焦垂直場景的應用型 Agent，以規避風險并快速實現價值落地。

未來 ToB 與 ToC 路徑可能交匯。C 端通過流量積累數據與用戶習慣，B 端通過垂直場景打磨技術與行業經驗，兩者在數據互通、能力互補的過程中，可能孕育出兼顧通用性與行業深度的智能體形態。這種融合既需要 C 端流量生態的成熟，也依賴 B 端垂直技術的突破，是未來幾年值得關注的發展方向。

04企業端Agent 開發面臨模型能力與成本控制雙重挑戰

企業端對智能體的準確性、穩定性要求遠超 C 端，當前 Agent 開發平臺在商業化落地中面臨兩大核心挑戰。模型層面存在幻覺問題，雖可通過工程能力彌補，但如DeepSeek滿血版大模型的高算力成本成為企業部署瓶頸，尤其私有化部署時硬件投入巨大。

算力稀缺與成本高企是主要障礙。中國算力資源緊張，企業若采用滿血版大模型運行 Agent，不僅采購成本高昂，后續維護也需持續投入，導致許多預算有限的企業望而卻步，目前落地仍集中在金融等預算充足的行業。

優化方向聚焦“模型輕量化” 與 “成本控制”。一方面嘗試用小參數模型替代滿血版，通過行業數據調優提升穩定性；另一方面利用企業沉淀的私有化數據對小模型進行定向訓練，在降低硬件要求的同時保證智能體的準確性。

模型廠商與企業協同推進成本下降。隨著技術迭代，更小參數的模型將成為趨勢，既能減少算力依賴，又能適配更多企業的預算需求，推動 Agent 從頭部企業向中小企業滲透。

當前落地進度呈現行業分化。金融等資金充裕領域已開始嘗試滿血版模型，而更多企業受制于成本，仍在等待輕量化方案成熟，需平衡模型能力與投入成本以實現規模化應用。

未來趨勢是“低成本 + 高可用”。通過技術優化降低模型硬件門檻，讓中小企業也能享受智能體紅利，同時通過行業數據積累提升小模型的專業性，實現 Agent 開發平臺的廣泛落地。

展望未來，企業服務的智能化轉型需要在技術迭代與商業實踐中尋找動態平衡。對廠商而言，需以“垂直場景 + 輕量化技術” 降低企業試錯成本，通過 “基礎服務 + 價值分潤” 的混合模式實現可持續盈利；對企業而言，需打破 “技術采購” 思維，以業務人員深度參與的 “價值共創” 模式，將 Agent 真正融入經營流程。當結果付費成為行業共識、Agent 技術實現成本與效能的最優解時，企業服務將擺脫 “概念內卷”，迎來以實效為核心的黃金發展期，最終推動 AI 從工具層面向生產力層面的深度躍遷。

如想體驗容智信息agent-100產品，可掃碼添加小助手領取權益碼福利，可暢享1個月基礎會員和50元余額卡。

部分Agent展示如下（詳細內容可搜索網頁https://www.agent-100.com/）：

「愛分析·對話首席」欄目介紹：

《對話首席》是一檔面向科技行業從業者的深度對話直播欄目，聚焦數智化浪潮下的戰略思考與商業實踐。欄目每期邀請1-2位對于科技領域有著獨特見解的高層管理人員，通過1.5小時的高濃度對談，解構數智化關鍵命題。

欄目話題包含宏觀形勢研判、前沿技術落地、行業格局變遷、競爭壁壘構建及業務增長路徑等。通過嘉賓之間實踐經驗與行業洞察的碰撞，還原科技領軍者在技術創新與商業博弈中的決策邏輯，為從業者提供兼具思想縱深與實踐價值的行業參考。