企业级Agent落地有了样板间！百融硅基员工批量上岗，“按结果”领工资

杰西卡 发自 凹非寺
量子位 | 公众号 QbitAI

大模型越来越强之后，企业究竟愿意为什么样的AI付钱？

单纯的模型能力，恐怕已经很难单独构成企业采用AI的理由。市场关注的重点已经从模型本身，逐渐转向AI怎样才能形成可以被感知、被核算的产出。

百融智能最新披露的中报，呈现出的正是这样一条变化路径。

2026年上半年，受外部因素影响，公司总收入出现波动；另一边，其AICC业务同比增长52%，其中面向更多行业的新场景收入增长195%。

AICC即AI Contact Center（智能联络），简单来说，就是把AI接入企业联络中心，让Agent直接承担查询、营销、服务和运营等具体工作。

百融透露，公司已在金融场景中打磨出了成熟的AICC和企业级Agent能力，如今开始向物流、券商等更多场景复制。

其物流项目日处理量，已从上线初期不足1000通提升至超过1.5万通；某家头部券商的部署规模也由年初约30席扩大至约210席。

并且这套路径还在继续向外延伸。百融采用的RaaS按结果收费模式，让处理量和部署规模可以更直接地转化为收入。

一个标杆场景跑通以后，同一套能力和记忆还可以继续向更多岗位、更多行业复制。

随着部署规模扩大，真实运行产生的大量交互反馈，可以继续进入模型训练和策略优化，形成数据飞轮。

这条链条继续向外延伸，资本和产业资源也开始有了新的作用。

百融提出了“技术重构型AI Roll-up”的概念，本质上是通过投资、合作或产业整合获得更多真实业务入口，再把已经验证的Agent能力嵌入其中。

于是，百融计划从一个具体联络场景出发，搭建起一套逐级放大的增长机制：

先单点跑通，再扩大部署，逐步推进跨行业复制，靠真实数据继续反哺模型，再借助产业资源打开更多工作流入口。

在最新业绩电话会上，百融CEO张韶峰将这轮调整定义为战略升级。起点就落在AICC，以及一批真正开始承担具体工作的硅基员工身上。

百融智能财报里的战略转向

先看这份最新中报，一个明显特征是，百融的不同业务之间已经出现分化。

本期财报还重新按照业务属性划分收入，将业务拆分为AI决策、AICC和其他业务三大板块。这种重新分类本身，也让百融正在进行的业务切换变得更加直观。

2026年上半年，百融实现收入9.14亿元，同比下降43%；毛利由11.82亿元降至4.88亿元，毛利率从73%下降至53%。

利润端，公司由上年同期盈利2.01亿元转为亏损3.22亿元。

财报解释，这轮波动有比较明确的外部背景——

2025年发布、同年10月正式实施的互联网助贷业务相关监管文件，加上今年上半年陆续落地的一系列规定，使部分金融机构暂停部分产品运营，由此影响了百融相应成熟业务。

具体来看，今年上半年，百融AI决策业务收入3.72亿元，同比下降26%；其他业务收入3.77亿元，同比下降62%，后者的下降主要来自部分信贷产品智能营销及运营收入收缩。

不过，AI决策这块基本盘，并没有同步出现同等程度的经营波动。

上半年该业务核心机构达到141家，核心机构收入占比从76%升至84%，留存率仍达到96%；其中来自银行和互联网平台机构的核心收入同比增长1%。

因此，百融管理层仍将AI决策定位为利润和现金流的重要基础，用于支撑下一阶段AI投入。

另一边，百融的AICC走出了方向相反的增长曲线。

今年上半年，这项业务实现收入1.66亿元，同比增长52%；其中信贷场景收入1.55亿元，同比增长47%，新场景收入1126万元，同比增长195%。

新场景目前只占AICC收入约7%，规模仍小，但增速已经开始在财务数据中显现。AICC整体占百融收入的比例，也从2025年上半年的约6.8%升至今年同期约18.1%。

这一比例的提升，同时受到AICC自身增长和总收入收缩影响，但业务结构的分化已经比较明显。

研发投入进一步强化了这种趋势。

百融上半年研发开支从3.02亿元增加至3.94亿元，同比增长31%，占收入比例升至43%；截至6月底，公司1477名员工中有901名研发人员，占比达到61%。

在整体收入承压阶段选择继续提高研发投入，也意味着百融这轮AI战略调整已经开始落实到资源配置。

张韶峰在电话会上进一步明确，AICC新场景已经成为集团当前重点发展的增长业务，承担跨行业复制和寻找新增量的任务，新增资源也将优先向AICC新场景和其他硅基岗位倾斜。

△百融智能创始人兼CEO 张韶峰

百融本次宣布的战略升级，首先表现为行业范围扩大。

百融此前的AICC能力主要在金融领域积累，如今正在向物流、航空、券商、银行、运营商和保险等服务密集型行业延伸。

与行业范围一同变化的，还有AI承担任务的复杂程度。

上一代AICC更多应用于呼出场景，依靠关键词匹配和预设话术，适合通知提醒、固定流程营销等标准化任务。

而复杂呼入明显不同。用户主动进线以后，问题、表达方式和情绪都很难提前设定，AI既要理解开放式问题，维持长时间多轮对话，还需要调用知识库及内部业务系统继续完成后续任务。

张韶峰在电话会上透露，传统应答机器人面对这类复杂场景时，转人工率甚至可以达到70%～80%。新一代AICC试图解决的，正是从理解问题到完成服务流程之间这一段距离。

百融将这种进入实际服务流程的企业级Agent，称作“硅基客服”。

而在跨行业复制方面，百融也已经取得了一些实际进展。

今年7月，百融的硅基客服开始在物流场景承接查件咨询、派件异常和投诉反馈等复杂呼入任务，日处理量由上线初期不足1000通提升至8月底超过1.5万通。

券商场景中，截至7月，百融已签约及处于合同流程中的机构达到13家，其中一家头部券商的部署规模由年初约30席扩大至约210席。

这些进展说明，此前主要围绕金融场景形成的AICC能力，已经开始进入新的生产环境。

而百融目前选择优先进入的这些行业，也具有相对明确的共性——拥有持续而庞大的C端交互需求，同时行业集中度较高。

物流每天都会持续产生查件和异常件咨询，航空则长期存在退票、改签等服务需求；头部企业又相对集中，一旦标杆项目跑通，同一套能力更容易向内部更多场景以及同行业复制。

电话会同时透露了另一面，目前跨行业推进真正耗时的环节，更多集中在大型企业的采购验证周期，以及系统集成和生产切量。

大型企业正式接入前，通常需要经过POC，对问题解决率、人工介入比例、响应效率和稳定性进行验证；进入生产以后，也只有在安全、合规和服务边界得到确认后，业务量才会逐步释放。

所以规模化的难点已经不只在模型。

一个新的问题也就此出现：企业级Agent可以进入的场景很多，百融为什么把AICC作为现阶段最重要的突破口？

企业级Agent，为什么先落在AICC？

企业级Agent已经进入越来越多重复性工作流，但从技术可用走到规模化落地，首先需要解决商业价值如何被清晰衡量。

企业采用AI最终仍要回到投入产出比上。但在很多场景中，AI提升了多少决策质量、释放了多少隐性效率等等，很难在短期内直接量化。

而AICC相对特殊。

联络中心长期承担大量查询、营销和服务工作，任务边界、流程和评价标准比较明确；AI接入以后，处理量、转人工比例和单位服务成本都可以较快反馈到经营结果上。

顶级风投机构a16z，此前也将编程、企业搜索和客服支持列为企业级AI较早进入生产应用的几类场景。

客服领域业务目标明确，流程大多已经文档化，同时保留人工兜底路径，天然适合Agent逐步接手标准化工作。

当然，百融选择AICC，还有自身积累这一层原因。

张韶峰透露，公司客服和营销硅基员工项目从2017年就已立项，至今经过七八年的持续迭代。金融行业对于准确率、稳定性和合规要求较高，由此形成的能力，与AICC需要的语音交互、智能联络和复杂流程执行高度重合。

百融也由此围绕真实生产环境，搭建起了一套相对完整的技术体系。

首先是最核心的模型能力。

目前百融拥有BR-Voice语音多模态模型、BR-LLM-Proactive主动对话模型和BR-Vision-Doc文档理解模型。

三类都属于百融自研的垂类基础模型，其中前两者恰恰是构成AICC垂类模型的重要基础。

这套模型体系的技术路线相对明确——不追求“大而全”，将更多重心放在围绕具体任务优化上。

张韶峰透露，公司针对电话场景预训练的模型，参数规模主要控制在0.4B～30B之间，核心目的是在准确率、稳定性、响应时延和推理成本之间取得更适合生产环境的平衡。

电话会上，张韶峰还进一步解释了这套路线与部分海外AICC公司的差异。

据其观察，Sierra、Decagon等企业较多基于OpenAI、Anthropic等第三方基础模型，再向上构建应用和harness工程；百融则把底层垂类基础模型也纳入自身技术体系，预训练、后训练和推理优化等关键环节均由自己掌握。

这样在实际运行出现问题后，可以继续判断问题位于应用工程层还是基础模型层，并直接进入下一轮训练和优化，缩短整个迭代链路。

这也反映出企业级AI与通用模型不同的一面。通用模型更强调能力上限，进入生产环境以后，还需要同时面对准确率、稳定性、响应速度和成本等约束。

从公开测试结果看，百融的垂类路线已得到了一些外部验证。

在INTERSPEECH 2026 MLC-SLM Challenge的多语种对话语音理解任务中，百融取得94.84%的准确率，排名全球第三、国内产业界第一。

不过，模型能力只是生产级落地的起点，真实电话联络并不是静态题库。用户表达、业务需求和异常情况不断变化，即使模型上线初期达到较高准确率，也需要在生产运行中被继续校正。

百融重点积累的第二大能力，因此落到了数据飞轮上。

在合法合规的前提下，公司会从真实投产中识别正负反馈，例如一次服务最终有没有完成任务，哪些表达导致理解偏差，哪些环节最终进入人工处理，再把这些信息转化为强化学习信号，继续调整模型、服务策略和对话方式。

△图片由AI生成

真实业务由此成为模型持续训练的一部分，形成业务运行、反馈、模型迭代再回到业务的循环。

不过，模型能够持续迭代之后，距离真正进入联络中心依然有一道门槛，就是需要在电话网络里稳定运行。

传统电话通常采用8kHz窄带语音，保留的声学信息明显少于互联网常见的16kHz宽带音频，对语音识别和实时交互提出更高要求。

真实联络中心还要处理通信软交换、高并发调度、系统对接和录音质检。

百融为此长期围绕电话网络建设通信工程体系，同时针对窄带识别、降噪、用户打断和对话轮次判断等环节进行适配。

而技术真正进入业务以后，还要面对另一层高度依赖现场的问题：交付。

不同企业的知识体系、操作规则和系统环境并不相同，AI完成对话后还可能继续查询信息、调用内部系统、执行任务并写回结果。

百融为此配置了FDE前沿部署工程师团队。FDE进入业务现场后，会梳理服务标准、进线情况、知识库和系统接口，拆解原有人工工作流，再把适合AI承接的环节重新组织成Agent工作流。

这样一来，百融围绕AICC形成的几层能力正好首尾相接：垂类模型提供任务能力，真实业务反馈推动模型继续迭代，通信工程保证AI能够运行在电话环境，FDE再把技术嵌入具体工作流。

Agent进入生产以后又不断产生新的反馈，重新进入下一轮模型训练。

百融接下来的AI投入，也由此指向一个更明确的目标：让AI成为可以长期运行的生产能力。

而一旦Agent开始承担原本由人工完成的工作，接下来发生变化的，其实就不再只是技术。

企业购买AI的方式，很可能也会随之发生改变。

AI开始进入生产系统

软件行业发展至今，企业采购技术已经形成相对成熟的商业模式。

早期软件主要出售License，SaaS兴起以后，订阅和席位成为主流；大模型时代又增加了Token计费。

这些模式虽然计价单位不同，企业购买的核心依然是一种技术能力。

而Agent的兴起，让AI进一步走入了任务执行环节，直接承担具体工作。

这一过程中，企业付费的对象逐渐从技术使用转向实际产出，其能够触达的价值范围也从传统IT预算向运营成本和人力成本延伸。

百融目前采用的RaaS（Results as a Service）模式，可以理解为这种变化的一种现实形态。

按照公司披露，RaaS可以按照成功完成且无需转人工的有效通话或工单收费，也可以根据Agent实际部署规模计费，部分场景还会按照促成的业务规模分成。

△图片由AI生成

电话会上管理层透露，以已经落地的物流业务为例，按照成功解决问题的有效通话收费后，单次处理成本目前可以比传统人工降低50%以上。技术服务方的收入由此直接与实际完成的工作建立联系。

这也是RaaS相比传统软件收费最大的不同。

软件完成交付以后，后续经营主要由使用方承担；结果付费进一步把技术公司推进业务流程内部，模型性能、稳定性、成本和任务完成效果都需要进入同一套经营逻辑。

而AI开始进入运营和人力成本以后，一个更大的问题随之出现：这种新形成的AI产能，怎样进入更多真实工作流，并进一步规模化复制？

近年来从硅谷开始爆火的AI Roll-up，正是在这一背景下受到关注。

Roll-up原本是一种产业整合方式，常见做法是连续收购同一行业中较为分散的企业，再通过规模整合、后台共享等方式获得协同效应。

AI加入以后，核心变化在于获得真实业务入口之后，继续通过垂类模型、Agent和工程体系重构工作流、服务交付和成本结构。

因此，广义AI Roll-up已经不局限于收购。资本收购、战略投资、产业合作，甚至直接部署Agent，都可以成为进入真实工作流的方式；真正重要的是AI有没有进入日常运营，并持续改变效率、产能和单位经济。

目前，北美已经形成一条比较典型的路线：资本先获得传统服务企业和工作流入口，再由AI工程团队进行改造。

例如Current整合会计事务所，Crescendo AI收购PartnerHero，都属于这种资本控制加AI工程改造的实践。

国内则正在涌现两类路径：

一类是产业聚合型AI Roll-up。先通过资本、联营或产业整合进入分散的服务网络，获得业务系统和真实工作流，再进行AI升级。

另一类是技术重构型AI Roll-up。起点可以直接放在企业工作流中，通过垂类模型和Agent承接具体工作，再逐渐扩大部署范围，并结合战略投资和产业合作向外延伸。

百融就是技术重构型AI Roll-up的代表之一。

两种路径的顺序不同：产业聚合型强调的是先聚合产业入口，再做AI改造；技术重构型则是先用AI改造工作流，再扩大产业覆盖。

而二者的共同之处，是把AI从企业软件体系外围继续推向生产作业内部。

从这个角度再看，RaaS和AI Roll-up，实际上对应着企业级AI商业化的不同层面：前者解决AI完成工作以后如何计价，后者进一步处理这种生产能力如何被组织起来，并进入更多真实业务。

AI Roll-up负责改变产能的组织方式，企业级Agent则真正落到一项项具体工作。

软件完成了大量业务流程的数字化，大模型进一步提供理解和推理能力，如今Agent开始进入流程本身，直接承接其中的具体任务。

模型进入真实产业以后，竞争边界也由此向外扩展。企业级AI需要把模型、工程和业务流程连接成一套长期运行的系统，并持续接受真实生产环境的检验。

Agent的产业意义，也已经开始超出一种大模型产品形态，正逐渐成为机器智能进入真实经济活动的入口。

由此，机器智能开始从一种技术产品，逐渐成为经济活动中的生产要素。

历史上每一次生产力变革，最初往往都从少数具体工作开始，再逐渐改变整个产业的成本和组织方式。

这一次，企业服务正在成为AI最先深入的腹地，而百融已经通过AICC步入其中。