# AI Agent 从演示到生产：谁能把可靠执行变成利润？

> 一次演示证明任务能够完成。一门生意需要证明：失败可控、结果可验收，而且下一单仍然划算。

limerick · 研究样稿，AI辅助整理，待作者审阅

## 先把“成功”写进账本

一个客服 Agent 查到订单、解释政策，再调用退款工具，演示就结束了。生产系统的故事常常从这里开始：支付接口超时，钱到底退没退？用户随后改口要换货，之前的操作还能撤回吗？同一投诉从微信转到电话，系统会不会再赔一次？

这几种情况决定的，首先是费用由谁承担。模型公司按调用收费，软件公司可能按“解决”收费，商家承担退款、投诉与客户流失。三张账单对应三个不同的成功定义。

本文的判断是：Agent 的利润池，更可能聚集在能限定任务边界、掌握业务状态、证明交付结果的一层。模型变便宜有帮助，但如果验收和异常处理仍然昂贵，节约很容易被吃掉。这个判断有边界：低风险、可自动验收、容易撤销的任务，可能更适合便宜模型与简单规则，未必需要昂贵平台。

## 一笔退款，为什么需要一套系统

设想一家电商允许对未发货订单自动退款。这是用于拆解成本的工作流，不代表某家公司已经采用以下实现。

第一步是确定状态。Agent 需要读取订单、仓储和支付记录，并知道哪一份数据是当前有效的。订单查询之后、退款之前，仓库可能已经发货；仅把查询结果塞进提示词，无法解决这个时间差。执行前再验证状态会增加一次查询，有助于减少错误退款；关键状态仍需原子条件更新或等效约束，避免检查后又发生变化。

第二步是保证重试不会变成重复付款。网络超时只说明没有收到结果。为同一退款请求绑定唯一标识，重试时查询已有操作，才能避免把“再试一次”变成“再退一次”。幂等设计的价值，体现在少赔的钱和少查的工单里。

第三步是限定权限。查询物流、发优惠券和退一万元，不能共用同一种授权。金额上限、可操作订单范围和必要的人审，可限制单次错误暴露；还需总额、频率限制与监控，防止重复错误累积损失。权限也会降低表面自动化率：被拦下的任务可能本来就不该自主完成。

第四步是恢复。记录每一步是否完成、把待确认支付放进队列、允许人类从失败位置接手，通常比从头重跑整段对话更便宜。涉及资金的补救也不能假设总能“撤销”；应预先规定哪些只能升级处理。

最后才是验收。τ-bench用对话后的数据库状态评价完成情况，提供了比只检查回复更扎实的测量思路；这里采用其方法启示，不把2024年基准成绩外推为今天的能力。[E01](https://arxiv.org/abs/2406.12045) 用户不再回复，并不能单独证明退款到账。对这个任务，更有意义的条件是：政策符合、支付状态确认、订单状态一致，并观察约定窗口内的重复投诉。用户满意度与完成时长仍要另外看。

Anthropic的评测方法也区分了“说已完成”和环境实际终态，并强调不同评分方式与人工校准。[E05](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents) 这些工程环节把不可控损失变成可管理成本。不过，接入接口、维护权限、处理异常和抽查质量都需要人。它们不会因为演示视频没有展示而消失。

## 每个验收成功任务，究竟花多少钱

下面是一组人民币情景假设，不是行业均值，也不是任何供应商报价。它刻意保留上线初期的保守做法：每个任务都经人审。

每月进入系统 10,000 个同类任务；80% 由 Agent 完成并通过初审；其余 20% 升级，其中 95% 最终通过验收。于是最终成功数是 10,000 × [80% + 20% × 95%] = 9,900。

成本分四笔：

- 每个进入系统的任务，模型、工具与重试平均 0.60 元；已经包含重试，不能再加一次。
- 每个任务初审 1.20 元，覆盖全部 10,000 个任务，不能只算失败单。
- 初审未通过的任务，额外接管 8 元，包含升级后的处理与最终核验；成功或失败都付出这笔成本，不再重复加初审。
- 每月工程维护与系统费用 20,000 元，假设该业务量范围内不变。

总成本是 10,000 × (0.60 + 1.20 + 20% × 8) + 20,000 = 54,000 元。每个最终验收成功任务的成本为 54,000 ÷ 9,900 ≈ 5.45 元。最终失败的任务照样花了钱，所以留在分子里。

若同口径、含处理及质检维护的人工流程每个进入任务花 6 元、最终成功率 99%，则每成功单约 6.06 元。Agent 方案仅节省约 10%。这里还假设初审判断准确，没有漏过的错误、赔偿或后续复联；升级失败也没有额外损失。因此它只是一个需要质量审计配合的成本模型，不能用账面节约替代上线判断。

这组数字最有用的地方是阈值。令自主执行后通过初审的比例为 p（仍全部接受人审），其他参数不变，每成功单成本为：

(11.8 − 8p) ÷ (0.95 + 0.05p)。

它低于人工对照，需要 p 高于约 72.8%。当 p 降到 60%，成本升至约 7.14 元。按基准 80% 通过率，月任务量必须超过约 7,692 单才能摊薄固定费用、优于人工对照。这个阈值不适用于需要扩编维护团队的更大规模。

模型与工具费用即使减半，每成功单也只省约 0.30 元。质量或流程的一个小变化，可能超过 API 降价的作用。如果实际审核会误判，就要额外测量误拒造成的接管费用、漏错造成的损失，并重新计算经独立抽检确认的成功数。供应商后台的“已解决”不能直接拿来替代分母。

## 客户省下的时间，谁能收走钱

真实业务研究提供了一点支持，也限定了想象空间。《Generative AI at Work》的2024年修订版覆盖5,172名客服人员：AI辅助使每小时解决问题数平均增加15%。这项研究支持在该场景下辅助工具能够提高产出，尚未证明自主客服能够以同样幅度降低成本，更没有证明利润增长15%。[E06](https://arxiv.org/abs/2304.11771v2)

客服团队省出工时后，只有减少外包、加班、自然减员不补，或用同样资源服务更多付费需求，收益才可能进入利润与现金。否则，首先得到的是闲余产能。上线费用通常先付，工资和长期合同却未必立刻变化。

供应商的账与客户不同。Salesforce在2025年5月发布的Flex Credits方案中，标准动作折合0.10美元；这是当时公告价格，不是当前合同报价。按动作付费时，同一个问题重试五次可能产生更多消耗，客户却只需要一次解决。结果计费能缓解这种分歧，但会把谈判焦点移到“怎样算解决、错误由谁负责”。[E09](https://www.salesforce.com/news/press-releases/2025/05/15/agentforce-flexible-pricing-news/)

因此，真正值得追踪的经营变量是：同一类任务产生的净新增收入，扣掉模型、实施、支持和异常处理之后，能留下多少；客户续约时是否仍愿意付费。以下三家公司各有一个可能收费的位置，也各有一个尚未回答的问题。

### Salesforce：业务状态的入口，能否带来净新增收入

客户记录、客服流程和操作权限给了Salesforce一个靠近验收结果的位置。这是机制上的优势推断。

公司2026年8月公布的FY2027第二季度资料称，Agentforce ARR超过15亿美元，但该季口径开始纳入Slackbot与Headless 360。其AWU还混合计算解决案例、更新记录与触发流程。ARR是合同年化指标，AWU是混合工作量；二者都不能直接证明赚到了多少自主执行利润。[E10](https://investor.salesforce.com/news/news-details/2026/Salesforce-Delivers-Record-Second-Quarter-Fiscal-2027-Results/default.aspx)

收入最终归属Salesforce的条件，是客户为执行能力新增预算，且复用产品收入足以覆盖模型及交付成本。如果credit预算主要替代旧席位，新增标签可能比新增收入更快。应追踪同口径续约、实际消耗与增购，尤其需要拆开合同规模、收入确认与回款。

### Microsoft：两层收费，同时承担两层成本

Microsoft可从应用订阅和云端使用两头收费，也能利用现有身份、分发与办公入口降低推广摩擦。FY2026第四季度电话会披露，M365 Copilot付费席位超过3,000万，并强调席位加消耗的路线；同一资料显示Microsoft Cloud毛利率为65%、同比下降，管理层解释涉及业务组合、AI基础设施与使用增长等因素。[E11](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4)

这支持“商业化已具规模”，不支持“Agent单独高利润”。Copilot席位不等于自主Agent活跃用户，云毛利也不能全部归因于Agent。公司还需为基础设施投入现金，折旧与资本开支的时点不同。利润能否转化为现金，要把使用收入、云成本、资本开支和客户留存一起看。

### ServiceNow：治理能否成为产品收入

ServiceNow靠近工单、审批和企业流程，具备把治理与执行做成可复用产品的条件。其2026年第二季度披露AI ACV超过10亿美元，订阅收入38.77亿美元，订阅GAAP毛利率73.5%。AI ACV是合同指标；整体订阅收入和毛利并未拆出自主Agent的贡献。[E12](https://newsroom.servicenow.com/press-releases/details/2026/ServiceNow-Reports-Second-Quarter-2026-Financial-Results/default.aspx)

这里的关键是复用率。同一套权限与恢复能力卖给更多客户，收入可以长得比交付成本快；每家都要重写流程，则更接近人力服务。若治理功能被云平台捆绑提供，ServiceNow仍可能提升产品留存，却未必能单独加价。检验点是同基础产品上的净增合同金额、续约和实施成本，而非AI标签覆盖多少产品。

## 哪些证据会推翻这篇文章

第一个反例是测量失败。METR在2025年的小样本随机实验里发现，熟悉自己项目的开发者使用当时AI工具后反而慢19%。但其2026年后续研究指出严重选择偏差、调整实验设计，新估计的不确定区间也跨零。两份材料共同提醒：体感、旧工具结果和特定人群，都不足以替代今天的匹配对照。[E07](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/)[E08](https://metr.org/blog/2026-02-24-uplift-update/)

第二个反例直接威胁本文的利润分配判断。Anthropic在2026年4月介绍Managed Agents时，已经把持久会话日志、运行框架和隔离环境拆开，提供故障恢复设计。模型平台正在进入可靠执行这一层。日志恢复本身还不保证外部退款恰好一次，但如果平台把这些能力标准化，应用层可收费的工程差异就会收窄。[E04](https://www.anthropic.com/engineering/managed-agents)

接下来值得等待三类事件，而非一个宏大的“Agent时代”日期：

1. 同一任务分布下的上线对照：完整成本下降，复联、赔偿和超时没有恶化。如果便宜通用模型加简单规则持续胜出，本文对复杂执行平台的溢价判断应下调。
2. 下一轮真实续约：同口径新增付费与实际使用同步，扣除实施及运行成本后仍有增量利润。若主要靠旧预算迁移，收入池扩张判断就要收缩。
3. 跨客户交付：第二家、第五家客户的实施周期和异常处理成本下降。若每家都要从头定制，所谓平台优势可能只是项目经验。

对部署方，先选一个边界清楚、能验证终态的任务，把完整成本算出来。对公司研究者，沿着同一个任务追钱：谁承担失败，谁定义验收，谁收到新增预算，谁支付算力与交付费用。

可靠执行有经济价值。能否把价值留在自己的账上，仍须由合同、续约和现金流来回答。

## 证据与口径

资料核对截止2026-10-12。工程建议和公司价值分配为本文推断；模型为纯假设。下表为原始资料的简要索引，厂商披露不等于独立因果验证。本文不含估值或交易建议。

| 来源 | 发布日期 | 采用内容与边界 |
| --- | --- | --- |
| [E01 · τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains](https://arxiv.org/abs/2406.12045) | 2024-06-17 | 终态验证方法；历史模拟基准，非当前生产成功率。 |
| [E04 · Scaling Managed Agents: Decoupling the brain from the hands](https://www.anthropic.com/engineering/managed-agents) | 2026-04-08 | 厂商持久日志与恢复设计；不等于外部操作恰好一次。 |
| [E05 · Demystifying evals for AI agents](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents) | 2026-01-09 | 厂商评测方法；未证明任一产品已达生产SLA。 |
| [E06 · Generative AI at Work (arXiv v2)](https://arxiv.org/abs/2304.11771v2) | 2024-11-06 | 修订版5,172人、产出+15%；辅助客服，非自主Agent利润。 |
| [E07 · Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) | 2025-07-10 | 2025年特定开发者实验；须结合后续更新，不能泛化。 |
| [E08 · We are Changing our Developer Productivity Experiment Design](https://metr.org/blog/2026-02-24-uplift-update/) | 2026-02-24 | 后续选择偏差与设计调整；不确定区间跨零。 |
| [E09 · Salesforce Introduces New Flexible Agentforce Pricing](https://www.salesforce.com/news/press-releases/2025/05/15/agentforce-flexible-pricing-news/) | 2025-05-15 | 2025年发布时的动作价格；非现行合同价或每成功单价。 |
| [E10 · Salesforce Delivers Record Second Quarter Fiscal 2027 Results](https://investor.salesforce.com/news/news-details/2026/Salesforce-Delivers-Record-Second-Quarter-Fiscal-2027-Results/default.aspx) | 2026-08-26 | FY2027 Q2合同与工作量；ARR扩口径，AWU混合动作。 |
| [E11 · Microsoft FY2026 Q4 Earnings Conference Call](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4) | 2026-07-29 | FY2026 Q4席位与云毛利；非Agent独立收入或毛利。 |
| [E12 · ServiceNow Reports Second Quarter 2026 Financial Results](https://newsroom.servicenow.com/press-releases/details/2026/ServiceNow-Reports-Second-Quarter-2026-Financial-Results/default.aspx) | 2026-07-22 | 2026 Q2合同及订阅财务；AI ACV非自主Agent利润。 |