編譯：yaxin，haina
海外獨角獸原創編譯 轉載請註明
我們對 Decagon 這家公司保持了持續關注。Decagon 專注於 AI for Customer Support 領域，致力於用 AI Agent 徹底改變客戶服務體驗。他們打造的不是簡單的聊天機器人，而是能不斷進化的 AI Agent 引擎，能夠真正理解客戶的需求並高效地解決問題。
Decagon 由 Jesse Zhang 和 Ashwin Sreenivas 創立於 2023 年，致力於為企業解決複雜的客戶支援問題。他們發現，傳統的客服自動化工具往往只能處理簡單問題，無法真正贏得客戶的信任。因此，Decagon 希望打造一款能夠與企業現有客戶支援工作流深度整合的 AI Agent，並提供易於管理和配置這些 Agent 的工具，打破 AI 技術的“黑箱”。他們的客戶包括 Motion、Vanta、Bilt、Webflow、Substack 和 Rippling 等中小型科技公司。公司在 2024 年 10 月完成了由 Bain Capital Ventures 領投的 B 輪融資，融資金額達到 6500 萬美元。
本次編譯整理了 No Priors 對 Decagon 創始人兼 CEO Jesse Zhang 的訪談。Jesse 在訪談中與主持人 Elad 深入探討了 AI 如何重塑客戶服務：AI Agent 如何幫助企業提升效率、降低成本，到語音互動面臨的技術挑戰（如延遲問題），再到多模態 AI 和更自然互動方式的未來趨勢，以及數學競賽背景對 AI 創業的影響。透過這次訪談，我們可以更立體的理解 AI 客服的現狀和挑戰，以及是 Decagon 如何利用 AI Agent 引擎，為 Rippling、Notion、Duolingo 等企業提供更智慧的客戶支援解決方案的。
01.
Decagon：用 AI Agent重塑客戶服務
Decagon 的創立：
不能過度思考，而應該迅速行動
Jesse Zhang 從小就展現出對數學的濃厚興趣，他在 Boulder 長大，從小參加數學競賽，後來在哈佛大學學習計算機科學。畢業後，他創立了第一家公司 Lowkey ，該公司最終被 Niantic 收購。從這次經歷中，Jesse 認識到不能過度思考，而應該迅速行動。他與 Ashwin 共同創立了 Decagon，專注於 AI Agent 領域，並迅速開始了商業探索。
Decagon 的對於創業方向的選擇並非一蹴而就。起初，創始團隊也在思考 AI Agent 的最佳應用場景。他們意識到，並非所有領域都適合快速部署 AI Agent。透過市場調研和客戶訪談，Decagon 發現了目前 AI Agent 的能力並不適配兩個場景：
1） 需要高初始精度的場景：在某些領域，比如安全，容錯空間幾乎不存在。這些場景需要 Agent 從一開始就表現出極高的準確性。以安全資訊管理系統（SIMs）為例，雖然有大量日誌資料，非常適合 AI 模型處理，但其工作目標是捕捉每一個小的異常事件。可是，現在的AI模型有時候會出錯，因此客戶很難完全信任 AI Agent。在這些場景，AI Agent用得很慢。
2）難以量化 ROI 的場景：有一些領域，表面上看似非常適合 AI Agent，但難以明確量化 ROI。比如，很多“文字轉 SQL ”的公司做的演示看起來不錯，但仍需要人工監督和調整。AI Agent 更像是一個 co-pilot，而非獨立的解決方案。對於大多數企業來說，需要人工干預的 AI Agent 難以證明其 ROI，公司很難為這樣的 AI Agent 簽訂大額合同。
透過不斷探索，Decagon 團隊逐漸明確了成功的 AI Agent 用例需要具備兩個關鍵特質：
1）可逐步推廣性：成功的 AI Agent 應用不應追求一步到位，而應支援逐步推廣和迭代最佳化。即使 AI Agent 在初期只能完成部分任務，也應該能夠立即為客戶創造實際價值。例如，Coding Agent 可以先承擔部分編碼任務，顯著減輕人類開發者的負擔。
2）有明確的 ROI：能夠清晰量化 ROI 是關鍵。在客戶服務領域，存在著大量可跟蹤的明確指標，例如對話解決率、客戶滿意度等。這些指標使得 AI Agent 的價值能夠得到有效的衡量和證明。
在此過程中，Decagon與Rippling、Notion、Eventbrite、Vanta和Substack等多家潛在客戶進行了深入交流，逐漸確定了主要用例——客服領域。在初期，Decagon並沒有刻意強調宏大的願景，而是專注於如何打造讓客戶真正喜愛和滿意的產品。
Decagon 的差異化優勢：
透明與可觀測
Decagon 的核心優勢在於其 AI Agent 的高透明度和應用效果的可觀測性。
對於大型企業來說，確保 AI Agent 不是一個“黑箱”至關重要。Decagon 的平臺能夠清晰地展示 AI Agent 的每一個決策過程，包括使用了哪些資料、如何生成答案等。這種高度的透明性顯著提升了客戶的信任度。
此外，在客服領域，自動化軟體的效果通常是可量化的，客戶會用一些明確的指標來評估 Agent 的表現，比如 AI Agent 與人工相比的效果、節省的成本，以及客戶體驗的質量提升等等。這種可量化的特性使得客戶可以先在小範圍內試用 Decagon 的 AI Agent ，然後再逐步擴大應用規模。
儘管客戶服務領域的競爭異常激烈，客戶通常會同時試用多家不同的 AI Agent 產品進行比較，並基於具體的資料（例如指標的優劣、代理的效果等）進行最終評估。目前，Decagon 憑藉其高透明度和效果的可觀測性，在客戶的評估中表現出色。例如，多鄰國在 2024 年 8 月對 Decagon 進行了一個月的測試後就決定正式採用其 AI Agent，並迅速實現了 80% 的對話解決率。
Decagon 與 Built Rewards 進行了一項大型案例研究。Built Rewards 擁有龐大的使用者群體，使用者可以透過其平臺賺取積分或進行支付。由於使用者基數增長迅速，客服需求呈指數級增長。在使用 Decagon 之前，Built Rewards 的客服團隊面臨巨大的工作量。採用 Decagon 後的一個月內，AI Agent 接管了大部分自動化工作。不到一年時間，Built Rewards 節省了約 65 個人工客服的成本。
Decagon的技術架構：
協調層與定製化模型
Decagon 將自己定位為一家軟體公司，儘管頻繁呼叫 GPT-4、Claude 等 AI 基礎模型，但這些模型只是工具。Decagon 的獨特價值在於基礎模型之上的內容，包括協調層（orchestration layer）和圍繞核心 AI Agent 開發的其他功能。協調層決定了 AI Agent 如何混合使用不同的 AI 模型，並圍繞客戶的業務邏輯進行工作。此外，Decagon 還開發了透明度工具和分析功能，幫助客戶瞭解 Agent 使用的資料和執行的步驟，並自動分析海量客服對話。
對於不同的 AI Agent，協調層可能差別很大，客服 Agent 與 Coding Agent 的協調邏輯就非常不同。但歸根結底，各種協調層都是在 LLM 之上構建的一種結構化系統。Decagon 非常注重協調層，因為它決定了 AI Agent 將如何混合使用不同的 AI 模型。Decagon 設定了評價機制來衡量每個模型在特定客服任務中的表現，以此決定如何將這些模型整合起來，使其能夠圍繞客戶的業務邏輯進行工作。
Modern AI Stack
除了協調層，Decagon 還圍繞 AI Agent 構建了一些其他的客服軟體功能。例如，Decagon 開發了一個透明度工具，能讓客戶瞭解 Agent 所使用的資料和執行的步驟，這也保證了 AI Agent 不再只是一個只會回答問題的“黑箱”。此外，當面對海量的客服對話時，手動檢視所有內容是難以實現的。因此，Decagon 還設計了一個分析功能，可以讓 AI Agent 能夠自動分析對話，並生成需要關注的客服問題類別和趨勢報告。
Decagon AI Agent Engine
創始人 Jesse 的"數學基因"與社群文化
如今，AI 領域有許多公司是由具有數學競賽背景的人創立的，比如 Braintrust、Pika AI 和 Cognition 的創始團隊。主要原因有二：首先，過去幾年內，大量聰明且才華橫溢的人湧入創業市場，創業對他們來說比傳統學術或量化交易更具吸引力；其次，數學競賽歷史悠久，形成了一個能讓聰明孩子相互認識並建立聯絡的社群文化。Jesse 在高中時期就參加過多項數學競賽和學術專案，包括美國數學奧林匹克專案（MOP）、Intel STS 決賽 SPARC 以及美國計算機奧林匹克競賽（USACO）。
在創業過程中，這些背景相似的人們會彼此支援。Jesse 個人也投資了許多 AI 初創公司的創始人，而他們中的許多人也是 Decagon 的天使投資人。這種支援大多是非正式的，更像是朋友間的互相幫助。此外，建立企業需要考慮招聘、銷售、產品構建和薪酬結構等諸多問題，因此他人經驗作為參考非常有幫助。
這種數學競賽背景也影響了 Decagon 的人才畫像。Decagon 的團隊中也有許多人有數學競賽或程式設計競賽的背景。Decagon 會不定期舉辦數學競賽或類似活動，並將這些活動當作吸引人才的重要途徑。
02.
AI Agent 怎麼走向真正的智慧化？
Klarna（一家瑞典先付後買公司）的 CEO Sebastian Siemiatkowski 在 X 平臺上分享了他們使用AI Agent的顯著成效：短短四周內，AI Agent 處理了 230 萬次客戶對話，客戶滿意度與人工客服不相上下。更重要的是，AI Agent將重複性問題減少了 25%，平均問題解決時間從 11 分鐘大幅縮短至 2 分鐘。此外，AI Agent 還能提供 24/7 全天候服務，覆蓋 23 個市場和 35 種語言，極大地提升了運營效率。透過部署 AI Agent，Clara 得以將 700 名全職客服人員重新分配到其他更具價值的工作崗位。
Clara 的出色案例為整個客服行業使用 AI Agent 帶來了很大的推動力。對於 Decagon 的客戶來說，他們通常最關注以下兩點：
1）工作量的減少：AI Agent 能夠完成多少對話和任務，從而為客戶節省了多少時間和資源。
2）客戶滿意度的提升：主要透過客戶滿意度得分（CSAT）和淨推薦值（NPS）來衡量。當然，也會有一些客戶非常重視 AI Agent 回答的準確性，尤其是受監管行業內的客戶。
Voice Agent 的延遲問題
語音支援是客戶服務中至關重要的一環。人們對 AI 模型的主流討論依舊圍繞 text，text-to-speech、理解語音和透過音訊進行響應的能力似乎被低估了。像 11 Labs、OpenAI、Google 等公司開始提供這類服務和 API。Decagon 同樣推出了語音支援功能，現有客戶也在試用他們的 Voice Agent。Jesse 認為，對客戶而言，溝通渠道的選擇因人而異：有些人喜歡語音通話，有些人則更喜歡聊天、郵件或簡訊。因此，覆蓋所有渠道至關重要。
Decagon 最初選擇從文字 Agent 入手，因為文字渠道相對簡單，也更容易進行效果評估。然而，現在行業正進入一個新的階段，有一些大公司對 Voice Agent 非常感興趣，他們認為“既然 Text Agent 效果很好，那麼生成語音並用於電話支援應該也能達到同樣的效果”。今年許多模型公司在語音技術方面取得了巨大進展，尤其是語音的真實感上。Decagon 正與 11 Labs、OpenAI 和Google 等公司緊密合作，探索如何大規模構建這些語音系統。
延遲也是非常關鍵的一個指標，特別是在電話交談時，使用者會期待非常流暢的對話體驗，不能有明顯的延遲。目前，語音模型在處理流程中——從捕獲使用者語音、將其轉換為文字、輸入語言模型處理，再到生成語音輸出——不可避免地會產生一定的延遲，導致使用者感到停頓或等待。許多公司正在努力解決這個問題，例如透過流式處理（streaming）技術來縮短延遲。
Decagon 正在嘗試使用 voice-to-voice 模型。OpenAI在這方面進行了大量研究。這類模型的延遲表現通常較好，但在某些情況下，例如需要獲取外部資料或進行多次模型呼叫時，模型“思考”的時間會更長。此外，voice-to-voice模型可能並不適用於所有場景。
除了 voice-to-voice 模型外，也可以先將語音轉錄為文字（speech-to-text），在文字層面完成所有計算後，再生成語音（text-to-speech），但這種方法通常會引入額外的延遲。許多公司已經找到了一些方法來緩解延遲問題，例如在後臺提前生成部分內容。在 Decagon 的應用中，客戶可以透過新增語音提示（例如“請稍等，正在查詢您的資料”）來減少延遲對使用者體驗的負面影響。
AI Agent 的發展預測
Jesse 認為未來人類與 AI Agent 的協作模式將發生巨大變化。可能會有更多人從事監督和編輯 AI Agent 的工作。與人工客服相比，AI Agent 的特性完全不同。例如，AI Agent 可以無限擴充套件，可以透過 hard coding 來實現特定任務。因此，如何有效地管理 AI Agent 將是一個重要的研究方向。Decagon 也一直非常關注如何讓客戶的人工客服團隊更好地監控和調整 AI Agent，希望為他們提供更多的可見性和控制權。
Jesse 認為，目前 AI 行業仍舊處於真正“Agent 化”發展的早期階段，包括將複雜任務按序列化（sequence）並結合某些形式的 reasoning 能力。雖然已經有一些先進模型（例如“o1”或 Sonnet）在嘗試解決這一問題，但主要集中在量化推理智慧，如在 coding 和 math 領域表現更好，而客服領域最看重的是 Agent 的指令遵循能力（instruction following）。客服工作中有很多明確的操作指令（例如 SOP 或工作流），AI Agent 需要做到嚴格且準確地執行這些指令。
值得期待的 AI 技術
未來 1-2 年，Jesse 非常期待的 AI 技術主要有多模態、使用者 Context Window 以及未來 Computer Use。模型的多模態能力（尤其是語音）發展可以進一步完善 Decagon 的產品 Roadmap，而 AI Agent 的 context window 的進一步擴充套件和更自然的互動方式則可以最佳化使用者的使用體驗，甚至更進一步，AI Agent 可以幫助客戶直接完成任務。此外，基礎模型能力的改進同樣值得關注，比如 Anthropic 的 Computer Use，雖然目前還沒準備好進入生產環境，但隨著技術的提升，將帶來許多令人期待的應用可能性。
排版：Doro
延伸閱讀