“三年前和我们一同拿到融资的很多公司，现在已经有不少退出了市场。”Jobright.ai 联合创始人郑玉典（Ethan Zheng）在钛媒体与 WAIC 组委会联合主办的「WAIC UP！AI 三极夜话」上，用一句话点出了 AI 创业市场的残酷性。

快速涌动的资本和极速变化的AI市场，造就了一个又一个财富神话。OpenAI、Anthropic等用两三年的时间，“市值”便冲进世界前十，成为头部AI公司。过去一年，这些大模型公司极速演化，正在演变成Agentic AI公司或企业服务公司。“快”与“变”的背景下，企业Agent如何活下来，如何赚到钱，如何实现商业闭环，这些最现实的商业问题中隐藏着AI创业者最深的焦虑。

市场环境对企业Agent的要求也再逐步提高。据Gartner预测，企业AI预算正受到更严格的审查，支出正向能在成本、时延、性能与可靠性方面展现明确商业价值的供应商倾斜。这表明，企业采购AI不再是为"炫技"买单，而是必须为“结果”付费。

在 WAIC 当晚这场“Agent 的‘最后一公里’——从能对话到能赚钱”的圆桌讨论中，来自中国、美国和新加坡的 AI 创业者——Jobright.ai 联合创始人郑玉典（Ethan Zheng）、Agnes AI 合伙人孙卓（Will）、Cloudsway AI 创始人杜知恒（William）、红熊 AI 执行总裁杨晓煜——围绕 Agent 商业化展开讨论，共同探寻不同商业模式下的困惑、机遇与生存法则。这或许不是一场成熟“成功经验”的分享，但一定呈现了创业者最切身的市场思考。

7.17 WAIC UP！AI三极夜话 现场照片

困局：“赚钱难”是共识

尽管 Jobright.ai 的年经常性收入（ARR）已超过 700 万美元，并已实现盈利，正在向 1000 万美元 ARR 的目标迈进，郑玉典依然认为：“赚钱难是 AI 创业的本质问题之一。”

难在哪里？他算了两笔账。第一笔是 Token 账。很多 AI 公司的成本结构中，Token 成本占比超过 20%，有的甚至达到 50%、60%乃至 80%。“如果 Token 成本长期占到收入的 80%，企业就很难形成自己的产品壁垒，更像是在转售模型能力。”他认为，OpenAI、Anthropic 等头部基础模型公司正在向更广泛的知识工作和企业服务场景延伸，过去企业用于招聘白领员工的一部分预算，未来可能会转化为 AI 算力、模型调用和软件服务支出。

第二笔是获客账。AI 产品往往希望触达认知度高、付费能力强的用户，即 Prosumer 或 Super Consumer。例如愿意为 AI 投资决策工具付费的专业投资者，或能够获得公司报销的管理者。但这类用户的获客成本也很高：“在美国，一些 Vibe Coding 工具获取一名程序员注册用户的成本可能达到数百美元；一个高质量注册用户的成本可能达到上千元人民币。”

他认为，从产品打磨、用户获取到最终实现商业化，需要团队具备很强的综合能力。与此同时，像 Manus 这样拥有较强品牌势能的公司，可以显著降低获客成本：“其他企业获取一个用户可能需要 100 美元，它可能只需要 5 美元。”

“应用难赚钱，用户忠诚度低，哪里有羊毛薅哪里，付费转化有问题，marketing投入也越来越难。”Agnes AI 的合伙人孙卓坦言，在应用商业化碰壁之后，今年团队已将重心转向模型与Harness（工具链）研发。核心是将量化做到极致：从模型参数优化、硬件适配到场景化训练，通过自研非传统Transformer架构、定制化奖励函数与强化学习算法，实现低成本推理。6月1日Agnes AI上线了API  Platform。目前为止，单周的调用量超过5T。文本占60%，多模态占40%。

孙卓认为，胜负手还是取决于，“模型能力再强，得有人用。Race with top 1%，serve the 99%，价格打下来，大家都用起来，之后会有正向反馈和循环。”

无论是高昂的Token调用成本，还是惊人的获客支出，是Agent商业化的第一重成本鸿沟。将技术优势转化为可负担的商业价值，这是C端AI创业者必须跨越的死亡之谷。

破局：“懂需求”缝隙求生

尽管共识是“难”，但圆桌中四家企业都已经利用不同的途径实现了自己的商业闭环。追本溯源，“懂需求”既是他们商业化的起点也是最终实现闭环的锚点。

Jobright.ai 是垂直 AI 应用的一个代表案例。随着 AI 重塑白领就业市场，岗位需求、技能结构和招聘流程都在快速变化。单次求职虽然具有阶段性，但整个求职过程包含职位发现、简历定制、申请填写、内推寻找和面试准备等大量高频任务。Jobright.ai 将 AI 深入这些具体工作流，并通过数据持续优化用户价值、付费转化和获客效率。

通用模型难以在短期内覆盖的垂直场景，也是 Jobright.ai 建立差异化优势的重要空间。

“基础模型公司专注于算法和通用能力，但垂直领域的复杂流程很难在短时间内被彻底颠覆。”郑玉典认为，招聘、房地产、法律等行业的工作流复杂且高度专业化，通用模型公司很难覆盖其中的全部业务细节，这恰恰为专注垂直领域的创业公司留下了机会“AI 会率先改变标准化程度较高、重复性较强的工作环节，但真正进入复杂的垂直行业仍然需要时间。只有长期深耕一个领域，积累行业 know-how，理解工作流的每一个细节，才能建立用户愿意付费的价值。”

Agnes AI虽然是低成本换市场规模的路径，但同样离不开深切的市场洞察。孙卓认为，“战略要坚定，但战术一定要灵活。因为变化太快了。好的模型，高质量的交付结果，肯定有人愿意为此付费。但这部分人不是所有的市场需求。”

观察到文本模型的Coding需求以及多模态图片视频里的短剧需求，Agnes AI就此发力。目前，Agnes AI的文本模型已成为国内外头部模型的“兜底替换”方案，尤其在短剧等多模态内容生产领域，为成本敏感的用户提供了高性价比选择。

“模型故事讲完了，下一个叙事是ToB与Harness。”孙卓判断，作为模型公司，主要方向还是怎么样把成本打下来。满足大量场景诉求。

作为Infra玩家，走SLG路线的Cloudsway AI天然就带着客户需求导向的基因。头部模型公司和 AI 应用公司是其主要客户，前二十大客户为其贡献了超一半的收入，连测试都收费，Cloudsway AI从根源上避免了“用亏损换增长”的陷阱。

“商业化起点永远是客户需求。”杜知恒举例，DeepSeek R1走红后，微软停掉了向中国大模型开放的搜索接口，英文搜索引擎市场出现空白，Cloudsway AI顺势推出搜索API。

“我们用三个圈筛选机会：一是看头部客户需求，二是看创始团队有没有能力禀赋满足客户需求，三是看市场 momentum（势能）。在Telling下，一分努力可能拿十分结果。猪都能飞起来，飞起来过程中能不能活下来，还得靠团队能力和对客户需求的把控。”他表示。

“中国客户愿意付费，但前提是你真的懂他们的需求。”红熊AI执行总裁杨晓煜也在圆桌讨论上这样强调。红熊AI 2024年成立，2025年营收已达2.5亿元，今年6月便突破去年全年水平。

杨晓煜认为To B的核心不是“简单粗暴砍人头”，而是“提效增收”。“老板关心的不是省多少人力成本，而是业务增量与营收增长。”红熊AI的做法是为每个客户做业务剖析，找准真实痛点，再匹配AI工具：针对大型客户提供私有化部署，满足个性化需求；针对中小客户推出轻量化SaaS版本，支持免费试用，按效果付费。

在巨头林立的夹缝中，AI创业者必须找到自己的生存法则：深刻理解并满足特定市场的真实需求。无论是深耕招聘等垂直领域，还是通过极致的成本控制，为价格敏感型市场提供高性价比的模型方案；亦或是敏锐捕捉市场变化，为头部客户提供定制化的基础设施服务。它们的共同点在于，商业化并非始于技术，而是始于对客户痛点的精准洞察，并以此构建起难以被轻易复制的商业闭环。

抉择：做深场景还是做广平台？

Agent商业化，到底是做深场景，还是做广平台？哪种模式更可持续？商业抉择背后的逻辑依然需要回归到市场需求。

“做深场景和做广平台本身并不冲突。”杨晓煜表示，红熊AI的使命就是：把人工智能带入每一家企业里去。

他认为，从市场化的角度来说，一定是两条腿走路。深耕某个场景是为了更好地获得行业认可和利润；做广平台是为了更好地迭代技术和产品。两者相辅相成。

他举例表示，“在实际市场运行中，红熊AI的营销获客产品正是基于市场投流线索量暴增而来的。市场上很多CRM系统不太安全或者可靠，基于我们自己的漏斗模型，自己建了一套CRM系统。通过在零售电商领域里做市场验证，用户获得了好的收益。企业自身也从工具销售的逻辑变为效果付费的逻辑。”

因此，在杨晓煜看来，两点并不矛盾，“我们有AI能力，有服务能力，可以向前端获客视角延伸。企业需求是动态变化的，单点突破能为平台化积累经验，平台化又能反哺单点场景的效率。”

杜知恒的三个圈理论同样适用于此：做深场景是为了验证需求、打磨产品，做广平台是为了复用能力、放大规模。“去年卖模型，今年卖Harness，明年可能卖完整Agent解决方案。”

杜知恒已经明确感知到：客户的需求已经从需要大模型本身变成需要 Harness 的套件，需要一套完整可交付结果的产线。中国公司，不管是大模型公司，还是大厂，亦或是传统产业公司，对AI的觉醒程度都显著高于东南亚、日韩等市场，差距非常明显。即使是传统行业的CTO、CIO，对AI产品的理解和需求可能领先新加坡、日韩半年到一年的时间。“去年在中国卖得好的东西和方式，今年在亚洲市场比较容易铺开。”Cloudsway AI已经开始复制成功模式到其他市场。

郑玉典认为，路径选择还取决于创始团队的能力结构：“具备大客户销售、行业资源和复杂交付能力的团队，可以探索平台型业务；产品和技术能力更强的团队，也可以先从 C 端产品或开发者工具切入，验证需求并积累能力。”孙卓则强调，“抓住需求，就能找到商业化切口。”

关于“做深场景”还是“做广平台”的战略抉择，并非一道非此即彼的单选题。深耕场景是验证需求、打磨产品、获取利润的起点；而拓展平台则是复用能力、放大规模、迭代技术的必然路径，其核心逻辑始终围绕着如何更高效地交付可落地的业务结果。

Agent商业化的终局，属于“懂业务”的长期主义者

这场圆桌讨论剥开了Agent商业化最真实的切面：市场需求急剧变化，更明确的商业反馈，更落地的业务结果，已经成为企业采购AI的核心诉求。先跑出商业价值的主体，不一定是手握超大模型、充沛资源的巨头，也可能是长期扎根垂直产业、深度吃透业务场景的AI创业公司。

当全球企业逐步摆脱单一模型依赖，或自研垂直专用小模型，或基于开源基座通过强化学习搭配大小双模型适配细分业务，AI商业化的底层逻辑已然清晰——能赚钱的AI，从来不是“做出来的”，而是“长出来的”：长在真实的场景里，长在用户的需求中，长在一群愿意坚持的创业人手里。（文｜AI Boom Global，整理｜杨秀娟）