Jesse Zhang - Building Decagon - [Invest Like the Best, EP.443]

好的，这是根据你提供的访谈文字稿和指令生成的分析报告。

本期速览

Jesse Zhang，Decagon 联合创始人兼 CEO，分享了其 AI 客服公司从零到一的系统性方法论。本期主线围绕如何通过极度务实、以客户付费意愿为锚点的发现过程，找到并抓住企业级 AI 最清晰的应用场景。全片最有分量的判断是：Jesse Zhang 认为，AI 代理将首先从劳动力成本光谱的两端——最高薪的工程师和最低薪的客服——开始渗透，而非中间地带。

主题小节

1. 系统化寻找 PMF：用“你会付多少钱？”代替“你觉得怎么样？”

Jesse Zhang 认为，找到产品市场契合点的最佳方法不是靠直觉，而是通过一套结构化的客户访谈流程，直接量化潜在客户的付费意愿。 他批评了创始人常见的“问客户想要什么”的做法，认为这通常得不到真实信号。

• 机制拆解：Zhang 的流程始于与潜在客户（如 COO 或 VP）进行高层级探索，了解其痛点。然后，他会当场形成产品假设并抛出：“如果 AI 代理能做 X、Y、Z，会有帮助吗？” 在得到肯定答复后，他会立刻追问：“你愿意为此付多少钱？” 这个关键问题迫使客户从“这很酷”转向“这值多少钱”的理性思考，从而量化 ROI。
• 数据链：在探索多个想法（数据分析、安全、售前等）后，客服领域的潜在客户给出的付费意愿（低至中六位数）比其他所有想法高出一个数量级。这给了他们最终选择客服赛道的核心信心。
• 推演与证伪：Zhang 强调，这个过程的信号价值远高于向“聪明的老创始人”寻求建议。他认为，在任何技术浪潮中，真正的好想法都极少且非显而易见，只有通过这种深度、量化的客户对话才能发现。

2. 客服 vs. 编程：AI 代理正在“吃掉”劳动力成本光谱的两端

Jesse Zhang 提出了一个“劳动力成本光谱”框架来解释为何客服和编程是当前最成功的两个企业级 AI 应用场景。 他认为，AI 代理的本质是替代人类劳动，而它将首先从成本最高和最低的两端开始渗透。

• 对比分析：

特性	客服（低端）	编程（高端）
劳动力成本	低（通常外包，Tier 1/2）	极高（工程师）
AI 角色	替代：直接减少人力成本	增强：提升工程师杠杆，公司不会因此裁员
ROI 证明	容易量化：节省的运营成本	容易量化：工程师自报生产率提升（如 50%）
部署风险	低：有天然的“升级到人工”路径	低：工程师自己使用，自下而上推广

• 独到判断：Zhang 指出，客服场景的成功并非偶然。它有两个被低估的优势：1) ROI 极易量化（“砍掉 60% 的成本”）；2) 部署风险极低，因为 AI 代理失败时，可以无缝升级到人工客服，这为大型企业提供了宝贵的“安全网”。

3. 企业级 AI 部署的关键：对齐“什么是好的”与构建“混合”系统

Jesse Zhang 认为，在企业中成功部署 AI 代理，最大的挑战不是技术，而是与客户对齐“什么是好的表现”的标准。 这需要一套复杂的评估和测试体系。

• 机制拆解：Decagon 的做法是为每个客户构建一个包含10,000 个测试用例的模拟套件，持续运行以量化 AI 的表现。这迫使客户内部不同部门（如 CX 负责人、产品负责人）就“正确答案”达成一致，从而将模糊的“好”转化为可衡量的分数。
• 系统设计：Zhang 强调，企业级 AI 需要在“灵活性”和“严谨性”之间取得平衡。他描述了一个“混合”系统：对于需要高度准确性的场景（如金融合规），系统会强制遵循固定流程；对于需要个性化体验的场景（如查询账户），则允许模型自由发挥。这种设计是应对 LLM 非确定性本质的关键。
• 推演与证伪：关于语音 AI，Zhang 指出，虽然语音到语音（Voice-to-Voice） 模型在自然度上潜力巨大，但其幻觉率比文本模型高出约 8 倍，这使其在企业级应用中难以直接使用。因此，当前的最佳实践是“语音转文本，再转语音”的混合架构，以牺牲部分自然度换取准确性。

4. 竞争、人才与资本：AI 创业的“白热化”中心

Jesse Zhang 描绘了当前 AI 创业生态的激烈竞争状态，尤其是在人才和资本方面。 他认为，这吸引了一代具有高度竞争意识和数学/编程竞赛背景的创始人。

• 资本端：Zhang 坦言，AI 领域“融资太容易了”，存在“一点狂热”。他观察到，投资者为了投资顶尖公司，愿意在投资前就提供帮助，这为创始人提供了一个测试投资者未来价值的绝佳窗口。他建议创始人利用这个阶段来评估投资者的“认知能力”和“帮助意愿”。
• 人才端：招聘是“一场团队战”，需要整个公司“包围”目标候选人。为了争夺顶尖人才（如哈佛、MIT、斯坦福毕业生），公司需要深入了解候选人的个人和家庭需求，并为其定制角色。开设纽约办公室也是为了开拓新的人才池。
• 文化：Zhang 将公司文化描述为“极度竞争”和“行动至上”，墙上挂着“没有无法克服的挑战，没有无法击败的敌人”的标语。他认为，这种文化在 AI 时代具有吸引力，因为它能吸引那些将创业视为职业生涯巅峰、愿意高强度工作并建立终身关系的人。

提及的标的

标的	嘉宾态度	关键数据
Decagon	看好（自身公司）	客户付费意愿为低至中六位数；客户从“1/3 要求转人工”降至“1/20”；语音交互占比在某些客户中高达 90-95%。
Oura Ring	中性（客户案例）	使用 Decagon 后，要求转人工的客户比例从 1/3 降至 1/20。
Chime	看好（优秀客户）	被描述为“案例研究级”的客户，团队数据驱动、文化优秀。
Cognition	看好（朋友公司）	会纳入其 5 公司投资组合。
Cursor	看好（朋友公司）	会纳入其 5 公司投资组合。
Etched	看好（硬件层）	作为对硬件层的下注，会纳入其 5 公司投资组合。
Pika	看好（朋友公司）	会纳入其 5 公司投资组合。
CHI (Josh's company)	看好（朋友公司）	构建医疗健康领域的基础模型，会纳入其 5 公司投资组合。
Physical (Lockheed's company)	看好	作为对物理世界 AI 的下注，会纳入其 5 公司投资组合。
Google	看好	认为其拥有强大的消费者基础和团队，在 AI 时代具有优势。
Anthropic	中性	认为其在消费者端不如 ChatGPT，长期可能需要消费者数据。

值得记住的判断

1. 系统化 PMF 发现法 (Jesse Zhang): 不要问客户“你觉得怎么样”，要问“你愿意为此付多少钱？” 这个量化问题能迫使客户从感性判断转向理性计算，从而获得最真实的信号。

2. AI 代理的“劳动力成本光谱”理论 (Jesse Zhang): AI 将首先从劳动力成本光谱的两端——最高薪的工程师（增强）和最低薪的客服（替代）——开始渗透，而非中间地带。

3. 客服场景的“低风险”优势 (Jesse Zhang): 客服是 AI 在企业落地的理想场景，因为其拥有天然的“升级到人工”路径。即使 AI 出错，也能无缝转接，这极大地降低了企业的部署风险和心理门槛。

4. 语音 AI 的“8 倍幻觉率” (Jesse Zhang): 虽然语音到语音模型在自然度上潜力巨大，但其幻觉率比文本模型高出约 8 倍，这使其在企业级应用中难以直接使用，当前最佳实践是混合架构。

5. “测试套件”是 AI 部署的基石 (Jesse Zhang): 在企业部署 AI 代理前，必须与客户共同构建一个包含10,000 个测试用例的评估体系，以对齐“什么是好的表现”的标准，这是成功部署的前提。

6. 投资前的帮助是“试金石” (Jesse Zhang): 创始人应利用投资者在投资前“最想帮忙”的阶段来测试他们。如果此时都不愿帮忙，投资后更不可能有用。这是评估投资者价值的绝佳窗口。

7. “前向部署工程师”模式的门槛 (Jesse Zhang): 被热炒的“前向部署工程师”模式，其客户合同金额至少需要达到100 万美元才能实现经济性和可扩展性，否则会因人力瓶颈而无法规模化。

8. AI 应用层的“护城河”是数据飞轮 (Jesse Zhang): 与客户合作时间越长，AI 代理通过分析海量对话数据（如识别 2% 的异常话题）并持续自我优化，其性能就越强，最终形成竞争对手难以复制的数据护城河。