一次报关，熟练工埋头干20到30分钟以上，还特别容易出错；换成Agent，几十个任务一口气砸过来，十几分钟全部处理完。
数字摆在这儿，你是不是觉得这项目稳了？
NoDesk AI真做了这么一个进出口报关Agent。联合创始人王仿告诉我，一线员工拿手机拍出口商品，后端要从成堆的图片、Word和Excel里抠出几十个字段，再做标准化处理、重量审核，最后生成报关单、装箱单和合同。这套活儿，Agent干得又快又齐。
但故事到这儿，才刚刚开始。
POC是滤镜，生产环境是素颜
POC阶段，甲方给的测试照片张张清晰。真正上线才发现，至少10%的照片连人都看不清。
更棘手的是报关这个场景：一个字符出错，就可能是一次严重事故。
所以Agent必须学会一件事：看不清，就老实说看不清，把活儿交还给人，而不是硬着头皮瞎猜。 "辅助工具做到80%的准确率，大家已经觉得惊艳了；但上了生产线，准确率到不了90%以上，通常没法上线——它出一次错，就是一次事故。"
那剩下的10%怎么办？人和Agent互相兜底。他们的做法叫"AI First"：高置信度的任务AI自动跑，全程每个节点人都看得见；Agent自己拿不准，就主动转给人。最后兜底的，永远是业务人员。
说白了，POC只是一场低成本的互相试探——甲方可以同时找好几个团队测，乙方投入也有限。真正进生产环境，考的是另一套东西：价值、责任、人、流程。
死掉的AI项目，大多死在立项会上
这可能是整场圆桌最扎心的一句：很多项目最大的卡点，是业务价值在立项之前就没定义清楚。
王仿见过太多这样的项目。2023、2024年，企业做AI，最爱选行政助手、HR问答、内部知识库。效果可以调得很好，但最后老板发现，全公司一年也用不了几次，自然不会继续投钱。
现在AI进了客服这类核心场景，老板觉得有价值了，业务部门又开始挑战：上线后出大量问题怎么办？大模型出错，风险谁担？
所以立项前要论证的不只是价值，还有责任机制。缺了这条，POC再漂亮，项目也走不进生产环境。
人手一个AI，效率为啥没涨？
再讲个反直觉的。
Ouraca联合创始人张栖铭复盘过自家团队：AI Coding刚流行时，产品用AI写文档，设计用AI出图，程序员用AI写代码——每个岗位看起来都快了一点，但整体开发进度并没提升多少。
拆开一看，耗时最长的根本不是执行，是对齐。
我要把思路完整讲给你，你理解了再传给下一层；每一层都在等上游把文档写清楚，才肯动手。执行速度提了，中间的沟通摩擦一点没少。
后来他们换了个活法：招有创业经历、懂业务的程序员，一个人能把一件事从头干到尾；管理者放下身段，少指手画脚。他们还写了很多Skill托底：不知道下一步做什么，就跑一个Skill；先做竞品调研、找对标，再加入自己的理解。结果是什么？十个人的全职团队，研发每人每周能写几万行代码。 "工具没变，组织方式变了，产出才变。"
Agent不是装进去的，是"炼"出来的
灵核数智的王婷做制造业客户，她补了一个常被忽略的卡点：人。
很多制造企业还在靠Excel过日子，"表哥表姐"满地走，数据在线下，审批靠纸质文件。Agent部署进去只是第一步，真正的难题是：员工会不会跟它一起干活。
她举了个例子。客户的表格格式变了——原来跑RPA，表格一变就趴窝；换成AI，AI也得知道业务发生了什么。这时候需要员工告诉Agent：这是原来那个客户，现在哪里变了，你要怎么调。
听起来就一句话的事。但很多员工根本描述不清楚自己的工作，说不清变化在哪、要Agent干什么。
他们的解法是在企业内部养一个岗位，叫"AI炼化师"——不靠外派，自己培养。炼化师先把工作流程讲清楚，AI直接生成SOP；业务一变，负责发现变化、描述变化、指挥Agent调整。
这套体系跑起来之后，他们公司几乎每个岗位、每个人至少有三个Agent。以王婷自己为例：见客户前，Agent生成访谈提纲；访谈完，纪要丢给Agent，接着输出客户需求、解决方案和技术拆解，哪些要交给研发，一目了然。
效果也是实打实的：一个案例里，Agent帮客户省掉3个人，对应约150万元人力成本。从销售下单、订单预测到生产排班、采购发货，整条链路都在跑。 "不是'业务加AI'，是'AI加业务'。"
30到50万的项目，老板怎么算账？
聊完人和组织，最现实的问题来了：钱。
王仿给的报价很坦诚：知识库这类产品可以标准化，按月按年订阅；但知识治理、内部系统集成，得收实施费。一个项目通常30万到50万元。
你可能想问：企业怎么衡量这几十万花得值不值？
有些账很好算：电商做视频，人工一条500元，AI做到300元；客服、审核这类岗位，动辄几十上百人，Agent上线后减多少人、少招多少人，一目了然；618、双十一，过去要临时招一大批外包，现在可以少招甚至不招。
说真的，目前大多数客户衡量ROI的方式就一个：省了多少人力成本。这也解释了为什么灵核那个"省3人、150万"的案例特别有说服力——数字越直接，项目越好推。
金融为什么先跑通：文无第一，武无第二
最后讲个选方向的故事，挺有意思。
深涌智能最早不是做金融的，是做Infra的——算力、模型、数据，全是苦活。2025年DeepSeek火了之后，各行各业都开始琢磨在企业内部署大模型，他们也扎进过制造业，发现底子太薄：OCR、表格电子化、知识库建设，全是绕不开的脏活累活。老板掏50万、100万，一定要算清能省几个人——花钱是痛苦的，项目推得慢。
后来他们把对外卖的Infra能力收回来，自己做交易。这一试，味道完全不同：金融数字化程度高，而且特别容易做评估。
CEO黄可铖的原话："文无第一，武无第二。"交易收益摆出来，足够好，其他争论自动消失。现在他们和香港、新加坡的私募基金批量沟通，开场不聊技术，先摆结果；结果够惊艳，后面都好谈。客户甚至会反过来问：交易之外，数字员工你们能不能做？
他们现在主打亚太和中东——新加坡、日本、香港。这些市场的客户更愿意为早期投入付费，订阅习惯也更成熟。 "同一个团队，同一套技术，换了个考场，就从'处处要解释'变成'拿结果说话'。"
明天就要启动AI？先回答这几个问题
圆桌最后，主持人问：企业明天就要启动AI项目，立项前必须确认什么？
几个人的答案拼在一起，其实是一张体检表——
你是不是真的要做这件事，还是只是觉得"我想要AI"？公司内部有没有一个推动者，有影响力、有执行力，能协调各个部门？（他们见过Agent都上线了，到了协调测试环节，相关部门的人根本不来。）每一步的账能不能算清楚——不只是省多少钱，还包括组织投入和流程改造？
再往下，是两件更慢的事：有没有规则和文化兜底，告诉员工什么必须做、公司鼓励什么；有没有从内部养出一批AI Native的人，像灵核说的"AI炼化师"那样，懂业务、愿意折腾、能持续把变化教给Agent。最后，AI负责什么、人负责什么，得先画清楚，员工才有安全感。
黄可铖的判断标准最干脆：看甲方派来的接口人。执行力、认知、话语权，缺一不可。如果对方派来一个90%时间都在忙别的、只用10%时间配合、还天天追问"这玩意儿到底有啥用"的人，这项目多半推不动。 "技术问题终归都能解决——模型会越来越强，很多难题甚至不用你自己解。但组织的问题，不会自己消失。POC考的是模型聪不聪明，生产环境考的是企业清不清醒。"
更多对话细节
Speakers｜嘉宾深涌智能 CEO 黄可铖
NoDesk AI 联合创始人&CTO 王仿
Ouraca 联合创始人 张栖铭
灵核数智 首席客户官 王婷 Host｜主持人
非凡产研 创始人&CEO 吴畏
从POC到生产环境，最关键的卡点是什么？
吴畏：各位都有过帮助企业落地AI的实践，过程中一定遇到过很多卡点和坑。今天希望大家把这些经验尽可能真实地分享出来，让其他企业少走一些弯路。第一个问题，从POC到真正进入生产环境，卡点可能来自组织结构、成本预算，也可能是企业自身的信息化、数字化基础还没有完成。如果只能选一个，你们认为最关键的卡点是什么？ 黄可铖：我们是深涌智能，英文名是Emerging AI，主要在国内和海外帮助企业进行一站式AI落地。目前聚焦金融行业，以海外券商、私募、家族办公室等金融机构为主。
我们也会做一些C端产品，核心是把Autonomous Finance Intelligence，也就是自主金融智能，从头部机构和头部量化基金，下放到非头部机构以及普通人。这是我们的愿景。
我觉得，POC和真正进入Runtime、进入生产环境，实际上是两件完全不同的事情。
在POC阶段，甲方可以同时找很多团队测试，我们也可以同时为很多甲方做POC。双方投入的资源都比较有限，本质上是一种较低层级的资源匹配。
但真正进入生产环境之后，对双方的投入要求会高很多。企业愿意开放多少信息，能够投入多少团队资源，双方有没有足够的认知和信任，团队之间能不能有效协同，都会成为卡点。
如果只能选一个，我认为最关键的是企业资源，包括数据、算力，以及企业在安全和信任层面愿意开放到什么程度。 吴畏：这可能也与你们服务金融行业有关。金融对可信度和精确度的要求非常高，很多环节不能出现任何错误。王总，你怎么看？ 王仿：我是算法出身，之前在阿里和搜狗做搜索推荐、NLP算法。2023年从阿里出来后加入智谱，算是国内比较早的一批参与大模型企业落地的人。现在NoDesk AI团队主要由智谱和阿里出来的同学组成，聚焦国内To B企业的AI落地。
从我们的实践来看，很多项目从POC到生产环境，最大的卡点是：业务价值在立项之前就没有定义清楚。
即使POC效果做得很好，到了真正需要继续投入、上线生产的时候，大家还是会觉得，这件事好像没有那么大的价值，于是项目就停下来了。
尤其是2023年、2024年，很多企业做AI落地，选的是行政助手、HR问答或者内部知识助手。你可以把效果调得很好，但最后老板发现，公司里的人一年可能也用不了几次，自然就不会继续投入。
现在AI开始进入客服等更核心的业务场景，老板通常会觉得有价值，但组织内部的人未必认可。业务部门会不断挑战：POC看起来还可以，但上线之后会不会出现大量问题？大模型出错怎么办？风险由谁承担？
所以在立项之前，不仅要把价值论证清楚，也要把责任机制论证清楚。否则项目很难真正进入生产环境。 吴畏：也就是说，不能因为"大家都在做AI"就先试一下。立项之前必须明确，它到底解决什么业务问题、创造什么价值，以及最终由谁承担责任。张总，你们怎么看这个问题？ 张栖铭：我来自Ouraca，名字是"Our Academy"的缩写。公司最初想做一所面向未来的大学。
大模型出现以后，我们觉得，过去孩子学习的很多东西，未来可能不需要再按照原来的方式学习，因为模型已经做得比人更好。我们最终的结论是，未来更应该学习如何用好Agent。
我们的第一个产品叫Library。因为我们认为，建一所大学，应该先建一个图书馆。我们把很多书转化成播客，再根据用户的个性做讲解。
产品推出以后，我们访谈了很多用户。很多人告诉我们："我其实不喜欢学习，也不想读书。我之所以读书，是因为我需要解决生活和工作中的问题。"
这件事对我的触动很大。
后来我们尝试把增长类书籍中的知识抽取成Skill。用户把自己的文档交给Agent后，Agent可以根据这些Skill告诉他：哪些功能应该做，哪些功能不应该做，应该专注哪一类客户。
他不需要完整读完一本书，而是可以直接调用书里的方法解决问题。
因此，我们后来逐步从"帮助人学习知识"，转向"教人如何把Agent用好"。
在这个过程中，我们访谈了很多企业，包括阿里、字节等互联网公司，也包括江浙沪的制造业、供应链企业。
我个人认为，企业AI落地有两个重要卡点。
第一个是一把手的认知是否到位。我们接触的企业基本都非常FOMO，但不同老板对AI的理解差异很大。
有些老板认为，只要把现有岗位员工的经验"蒸馏"出来就可以了；但有些制造业老板已经意识到，AI带来的不是简单提效，而是技术路线和生产方式的重新设计。
比如一些3D打印厂商认为，过去机械设计的方法已经不适用了，需要用AI把整个机械设计流程重新做一遍。这不是在旧知识上做优化，而是一件颠覆性的事情。
互联网企业目前最关心的是如何把AI Coding真正用起来。但如果想把AI Coding用好，涉及的不只是给程序员配一个工具，而是整个组织方式都要调整。
出海电商企业关注的则是开源节流，例如如何通过AI获得更多用户、做SEO和增长。
所以，不同行业的核心需求完全不同，不能用一套统一方案覆盖所有企业。 王婷：我来自灵核数智，产品叫Linkcross，主要帮助制造业企业进行AI数字化转型。
我们创始人来自一个有40年历史的制造业家庭，曾经负责过整个企业的数字化转型。他发现，中国制造业还有非常大的改造空间。很多制造企业依然依赖Excel，也就是大家说的"表哥表姐"，数据还在线下，甚至部分审批仍然使用纸质文件。
我们认为，AI是改变制造业的一次重要机会。我们的口号是"助力中国制造业持续伟大"。这句话听起来可能很大，但对我们来说，它是一个可以长期去做的起点。
我的职位是首席客户官，主要负责客户侧的AI落地，所以对这些问题感受非常清晰。
前面几位提到的是资源、业务价值和一把手认知。我补充一个经常被忽略的问题：人才转型。
现在FDE，也就是前端部署工程师很流行。但把AI部署进企业只是第一步，真正重要的是部署之后能不能持续应用。
企业能不能持续使用Agent，核心在于员工是否具备与Agent协同的能力。
Agent上线之后，为什么还需要员工持续"教"它？
吴畏：企业原有的员工需要具备什么能力？ 王婷：他首先要学会与Agent对话。大家可以把Agent想象成一个进入企业的新员工。它被部署到一个岗位之后，还需要持续学习和成长。
我昨天刚见了一个客户。他们有一个Agent已经上线并运行了一段时间，后来客户提供的表格发生了变化。
原来这套流程是通过RPA跑的，表格一变，RPA就跑不通了。换成AI以后，它依然需要知道业务发生了什么变化。
这时候，员工需要告诉Agent："这是原来的某个客户，现在这个客户发生了哪些变化，你需要调整自己的能力去适应。"
听起来只是一句很简单的话，但很多员工不知道应该怎么描述。他甚至说不清楚变化发生在哪里、自己需要Agent做什么。
我们现在通过两个方面解决这个问题。
第一，我们会帮助企业建立"AI炼化师"这样的岗位。这个岗位不是简单地由我们派人过去，而是在建设过程中，和企业一起把内部合适的人找出来、培养出来。
我之前在字节跳动，2021年创办过"效率先锋"。到了现在这个岗位，我越来越发现，未来最重要的能力之一，是与AI对话的能力，以及提炼经验的能力。所以我们把这类人叫作AI炼化师。
AI炼化师首先要学会拆解自己的工作，把工作流程讲清楚。
实际上，只要员工能把流程说出来，AI就可以直接生成SOP。我们的系统可以把SOP和Skill结合起来，让Agent开始执行。
员工需要掌握的核心能力是：当业务发生变化时，能够发现变化、描述变化，并告诉Agent应该如何调整。
如果没有经过训练，很多员工确实描述不清楚自己的工作。但经过这类训练之后，人的思维方式也会发生变化。
我们自己也在做"炼化师大赛"。目前公司几乎所有岗位，每个人至少有三个Agent。
以我的工作为例，从客户调研开始，我只需要告诉Agent：客户是谁、属于什么行业、今天要见什么人、这个岗位负责什么，Agent就会帮我生成访谈问题。
访谈结束后产生会议纪要，再把纪要交给Agent。我们已经把后续SOP写好了，它会继续输出客户需求、解决方案和技术拆解：哪些能力平台已经具备，哪些是新的技术卡点，需要交给研发。
这整个过程基本都可以由AI完成。 吴畏：你们在制造业已经落地了哪些环节？ 王婷：从销售下单、订单分析、订单预测，到生产计划、生产排班，再到采购、报价和发货，我们都有涉及。
我们的思路不是让一个Agent替代一个孤立岗位，而是通过Agent帮助企业重塑整个业务流程。
它不是简单的"业务加AI"，而应该是"AI加业务"。 吴畏：此前提到的一个案例中，你们的Agent帮助客户节省了三个人，对应的人力成本大约是150万元。这种能够直接量化的结果，对企业判断项目价值非常重要。
只是给每个岗位配一个AI工具，为什么整体效率没有明显提高？
吴畏：刚才王婷提到了员工能力和组织转型。张总长期在做教育，你们内部的人才和组织方式，是怎么适应AI的？ 张栖铭：我用互联网行业举一个例子。互联网企业在AI转型上可能比制造业更极端，因此特征也更明显。我们自己的团队最初还是传统研发模式：上层定战略，产品经理写PRD，设计师出设计稿，研发写代码，测试再进行测试，一层一层往下走。
AI Coding刚开始流行时，我们认为，产品经理可以用AI写文档，设计师可以用AI做设计，程序员可以用AI写代码。
结果是，每一个岗位看起来都快了一点，但整体开发进度并没有提升太多。
后来我们把整个过程拆开，发现耗时最长的不是执行，而是对齐。
我要把自己的思路完整讲给你，你理解后再传给下一层。每一层都在追求确定性：等上游把文档写得足够清楚，我才开始做下一步。
所以，每一层的执行速度提高了，但中间的沟通和对齐时间没有减少，组织摩擦依然非常大。
后来我自己有想法时，会先用AI快速生成一个页面或者Demo，再拿着具体的东西和团队沟通。这样确实快了一些。
但新的问题又出现了。过程中需要频繁修改，这里改一点，那里改一点。如果一直让别人跟着修改，对方又会"躺平"，觉得你必须先把需求完全想清楚，再交给他。
后来我招了几位有创业经历的程序员。我发现，这类人对业务的理解能力比较强。只要他理解了业务，就可以独立完成很多事情，形成自闭环。
所以我们开始刻意培养团队中的每一个人：习惯用一句话生成一个东西，自己理解业务，自己做判断。
我们也写了很多Skill辅助这个过程。比如，当你不知道下一步应该做什么时，就运行一个Skill。我们还形成了一些SOP，包括先做竞品调研、寻找对标对象，再加入自己的独特理解。
但在这个过程中，管理者也需要变化。
如果管理者管得太多，今天要求这里改，明天要求那里改，员工还是会重新躺平。所以管理者必须把自己的控制欲放下来，把Ego放低。
第二，要让每一位同事真正理解业务。如果他暂时理解不了，可以通过Skill和适度沟通帮助他。 吴畏：以目前Coding Agent和模型的能力，如果一个人具备创业者式的主动性，他最大程度可以自闭环多大规模的项目？ 张栖铭：我个人认为，只要不是涉及特别强的底层技术或者算法，绝大部分工作一个人都可以完成。
制造业中，除了需要训练专业算法进行机械设计等工作，其他大部分业务系统，现在基本都可以通过AI完成。
我们目前有十名全职同事。除去运营和对外岗位，主要研发同事每个人一周基本可以完成几万行代码。
与去年相比，现在模型能力更强了。以前写代码时经常出现一些很诡异的问题，现在这类问题越来越少，基本上一两次"抽卡"之后，结果就已经比较可用了。
报关Agent：流程看起来标准，真实执行却非常非标
吴畏：NoDesk AI目前相对聚焦电商零售和制造业。能不能结合具体案例，谈谈企业如何把Agent真正落进业务？ 王仿：我们前段时间做了一个进出口报关Agent。报关听起来流程比较标准，但实际执行非常复杂。
一线员工需要用相机或者手机拍摄各种出口商品，把大量图片、Word和Excel文件传到后端。
后端员工要从这些复杂材料中提取几十个字段，再到内部系统查询相关信息，对字段进行标准化处理，包括实体别名对齐、不同出口国家对应的实体转换、重量审核等。
审核完成后，还要把这些字段整理成标准的报关单、装箱单和合同单据。
过去人工完成一次报关，通常需要20到30分钟以上，而且非常容易出错。
现在通过Agent，一次来了几十个任务，可能十几分钟就可以全部处理完。
前端是感知和理解层，AI自动理解图片内容，抽取Excel和其他文档中的数据，后面再调用不同系统完成核验和文件生成。
但生产环境和POC完全不同。
在POC阶段，大家提供的照片质量通常都很好。真正上线后，照片质量会迅速变差，至少有10%的照片连人都看不清楚。
这时候，Agent必须知道："我看不清楚，需要交给人处理。"而不是硬着头皮解析。因为在报关场景中，哪怕一个字符出错，都可能造成严重事故。 吴畏：所以这个流程本身是标准的，但过程其实非常非标。 王仿：对。要把一个Agent做到专家水平，或者达到专家90%的水平，做Agent的人自己就必须成为这个领域的专家。
你需要深度理解Agent的目标、边界、异常处理方式，以及应该调用哪些系统、哪些Skill。只有把这些事情定义得足够清楚，Agent才能在生产线上运行。
一个辅助工具做到80%的准确率，大家可能已经觉得很惊艳了。但进入生产线以后，如果准确率到不了90%以上，通常没有办法上线，因为它出一次问题就可能是一次事故。
剩下的10%怎么办？最终还是需要人和Agent相互兜底。
我们的模式叫"AI First"。高置信度任务由AI自动执行，但整个过程必须可控、可观测，每一个节点人都能看到。
当Agent对自己的判断置信度不高、觉得拿不准时，就要主动把任务转给人处理。
最后兜底的一定还是业务人员。
Agent项目怎么定价，企业又如何计算ROI？
吴畏：这类项目目前是标准化产品，还是需要深度定制？ 王仿：一部分标准化，一部分定制。知识库等产品可以做成标准化产品，采用偏SaaS的定价模式，按月或者按年订购。
但知识治理、企业内部系统集成，以及如何把这些系统接入Agent，通常还需要收取实施费用。
我们目前一个项目的费用通常在30万元到50万元左右。 吴畏：企业如何衡量这30万元到50万元的投入？预期的产出是什么？ 王仿：有些场景的账比较容易算。
例如电商视频生成，过去人工制作一个视频可能需要500元，使用AI后可能降到300元，成本变化比较直接。
还有一些劳动密集型岗位，例如客服和各种审核岗位，企业可能有几十人甚至上百人。
Agent上线之后，企业会计算需要多少人、能够减少多少人力，或者能不能避免额外招聘。
电商行业在"618""双十一"等业务高峰期，通常需要临时招聘大量外包人员。有了AI以后，企业可能不再需要在高峰期增加那么多外包人员。
目前，大多数客户还是以减少人员成本作为衡量AI投入ROI的主要方式。
为什么深涌智能最终选择金融行业？
吴畏：金融是对精确度、安全和审核规则要求非常高的行业。你们为什么最终选择这个方向，又为什么首先在海外市场取得了一些结果？ 黄可铖：我们并不是第一天就开始做金融。最开始做的是Infra，包括算力、模型、数据和效率优化，这些都是比较苦的部分。
到了2025年，DeepSeek出现以后，一个很明显的变化是，各行各业都开始讨论Enterprise AI，开始考虑在企业内部部署大模型。当时也很流行一体机，本质上都是为了解决本地化部署和业务应用问题。
那时候我们接触过很多行业，包括电商和制造业。制造业接触得尤其多。
我们的创始团队相对年轻，成员有MIT、北大数学、清华等背景，也有一些大厂经验。团队整体偏校园化，很多人有海外经历。
这个团队有两个特点：第一，转方向比较快，没有太强的行业限制；第二，大家数学基础相对比较好。
我们做制造业时感触很深。制造业确实是一件伟大的事情，但进入里面以后，会发现大量Dirty Work没有办法避免。
在POC阶段，企业投入的成本不高，项目验收相对容易。有些海外客户的商业环境更成熟一些，愿意为POC支付一部分费用。
但真正进入生产环境以后，企业会发现，要进行员工培训、提高员工能力，还要处理大量OCR、表格电子化、知识库建设、历史知识提炼等工作。整个过程听起来非常麻烦。
如果老板需要支付50万元或者100万元，他一定会计算能节省多少人、产生多少价值。但花钱始终是一件痛苦的事，这种项目推进起来会比较慢。
后来我们发现，金融交易场景有些不一样。
我们团队数学基础比较好，于是开始把过去对外出售的Infra能力，拿回来自己做Training和交易尝试。
金融给我们的第一个感受是数字化程度比较高。第二，它非常容易做Evaluation。
"文无第一，武无第二。"在金融交易中，收益结果足够好，基本可以压倒其他争论。
现在我们和香港、新加坡等地的私募基金进行批量沟通，流程已经比较固定。我们不需要一开始花很多时间解释技术，而是先把收益结果摆出来：这个结果是不是足够Impressive？
如果结果成立，其他问题就容易继续谈。 吴畏：所以，你们最开始做的是类似AI量化交易系统的能力。 黄可铖：这是我们一切业务的起点。
金融本身是一个非常端到端的系统。我们一开始并没有想过要成为Finance Bro，但把主链路做出来以后，会发现里面有大量能力可以向外溢出。
包括底层Infra、中间的数据、因子等，每一个部分对私募基金、私人银行、家族办公室或者券商部门来说，都可能直接对应利润中心。
一家机构缺少哪个环节，我们刚好有这个能力，沟通就会容易很多。
客户可能先看到我们的交易结果，觉得很有吸引力，然后再问："除了交易之外，我们还有数字员工的问题，你们能不能做？"
这时候，整个业务顺序就倒过来了，沟通会顺畅很多。
海外客户为什么更愿意为POC付费？
吴畏：这是不是也决定了你们会更多进入海外市场？ 黄可铖：对，也与团队基因有关。现在做美国市场，特别是Enterprise Level的项目，难度比以前更高。我们目前主要聚焦亚太和中东，其中新加坡、日本和中国香港是切入相对较多的市场。
这些市场的客户更愿意为早期投入付费，也有更成熟的订阅习惯。如果商业模式从一次性付费进一步变成佣金模式，项目就更容易谈。
当然，中国团队出海也有自己的问题。
客户会关心海外业务与中国国内团队、技术架构之间是什么关系。尤其是金融行业，涉及数据合规和金融合规。
即使不自己申请牌照，也必须遵守不同市场的监管规定。 吴畏：你们有没有考虑过，未来自己去做一家持牌金融机构？ 黄可铖：这个问题经常有人问。做传统金融机构不是我们的强项。我们可以自己放一点钱进去，也可以让老股东投入一些钱，但如果让我们真正变成一家传统金融机构，像Finance Bro一样去做销售和增长，我们并不擅长。
我们更希望顺着AI推动金融平权的趋势继续往前走。
企业明天就要启动AI，立项前必须确认什么？
吴畏：最后一个问题。如果一家企业说明天就要启动AI项目，在立项之前，最需要确认的事情是什么？ 王婷：只说一件事可能不太够。根据我们交付企业的经验，组织层面至少要确认三个问题。
第一，企业是不是真的决定做这件事。
很多企业只是觉得"我想要AI"，但到底要解决什么问题并不知道，谁来决定项目是否启动也没有明确。
第二，谁是企业内部的引导者和推动者。
这个人需要有足够的影响力、执行力和一定的决策权。老板本人通常太忙，不一定适合负责日常推动，但企业内部必须有人能够协调各个部门。
我们遇到过Agent已经做好并上线，到了协调各部门测试的时候，相关人员根本不来。项目就卡在这里。
所以要明确：谁来决策，谁来推动。
同时，企业需要培养一批AI Native人才。应该从企业内部选择工作三到五年、有一定业务经验、愿意接受新事物并持续改进的人，这也是我们建立AI炼化师体系的原因。
第三，企业需要建立规则和文化保障。
人需要明确的激励和约束。规则告诉员工什么必须做，文化则告诉员工企业提倡什么、鼓励什么、需要什么。
当决策、推动者、人才、规则和文化都具备以后，企业AI落地才算有了一个比较好的起点。 张栖铭：我补充一个：ROI。
企业要把每一步的ROI讲清楚。
这个任务是不是可以量化？最后的结果是不是可以验收？AI投入、人工兜底以及组织改造产生的各种成本，能不能全部核算清楚？
这里的ROI不是狭义的财务ROI，而是一个泛ROI。除了直接的成本和收入，还要把组织介入、流程改革和组织增益计算进去。
如果这笔账能够算清楚，老板的决策和组织推动都会容易很多。 王仿：我从组织关系上再补充一点。
AI落地会对组织产生很大影响。老板通常很想做，但一线员工和中层管理者会比较纠结。
很多一线员工原来能够做的事情，Agent确实已经可以完成。员工的价值和稀缺性可能会被AI稀释。
即使企业把财务账算得很清楚，真正往下落的时候依然会遇到很强的阻力。
所以企业必须提前回答：AI到底负责什么，人负责什么？人的稀缺性未来体现在哪里？
只有让员工知道自己与AI之间是什么关系，在落地过程中有基本的安全感，项目才能真正推进。 黄可铖：技术问题最终都是可以解决的。随着AI越来越强大，很多问题甚至不需要我们自己解决，基础模型就可以帮助我们完成。
我最深的体会是：如果我是乙方，我希望甲方内部有一个能够与我对等协作的Counterpart；如果我是甲方，真的想推动企业AI转型，也不能把所有希望都寄托在乙方身上。
企业内部必须有一个人，或者一个小组，有足够的力量去推动这件事。可以理解为一个AI变革小组。
我们判断一个项目是不是应该暂时放弃，很多时候就是看企业派过来的接口人。
例如，对方安排了一位并不真正懂业务的人负责AI转型。他90%的时间都在处理其他工作，只用10%的时间配合项目，还不断追问"这件事到底能带来什么价值"，这种项目通常很难推进。
接口人必须同时具备三个条件：执行力、认知和话语权，缺一不可。 吴畏：从POC走向真正的生产环境，技术只是其中一个部分。
企业还需要明确业务价值和ROI，建立合适的决策与推动机制，找到有执行力、认知和话语权的负责人，处理好人与AI的关系，并通过规则、文化和人才培养让Agent持续运行。
这些问题如果不能提前解决，即使POC效果再好，也很难真正进入生产环境。