a16z 合伙人 David Haber 表示，AI 商业模式的关键变化，不在于继续按“坐席”收费，也不只是围绕节省的人力成本定价，而是转向按结果收费，分享客户收入增长。
这篇由深潮 TechFlow 编译的分析认为，随着 AI 代理开始具备跨更长时间持续跟踪线索、执行任务的能力，AI 公司将不再局限于一次性的客户交互，而是有机会覆盖持续数周甚至数月的复杂客户旅程。
从客服自动化走向长程任务执行
文章先以网络运营商的报修电话为例，说明传统客服流程往往伴随语音菜单、长时间等待、多次转接，以及用户重复描述问题等低效环节。
在这一场景中，AI 已经开始改变交互方式。一个 AI 代理可以直接接听来电、查看账户、检查所在区域是否存在类似故障，并处理简单问题，或协助预约维修人员。用户不必再反复等待，也不必在多个客服之间重复说明情况。
不过，David Haber 认为，直到最近，这类能力仍主要停留在单次、边界清晰的短流程任务中。现在，新的能力正在让 AI 代理能够跨越更长时间周期追踪线索、执行任务，并重新组织复杂客户旅程。
按文中的说法，AI 将能够引导保险客户从第一次来电走到最终赔付，引导按揭借款人从预批走到过户，也能推动企业销售线索从第一次演示走向签约。变化不只体现在客户体验上，也体现在收费方式上：AI 供应商可以围绕收入增长获得报酬，而不只是按节省成本收费。
“价值只出现在接力赛终点”
文中把这类跨多步骤、跨数周甚至数月才能创造价值的业务称作“接力赛”。在这类流程里，每一次交接都可能带来客户流失或价值损耗。
David Haber 以传统原告律所的案件准备流程举例说明。潜在案件通常先以电话线索进入，接案专员收集基本信息，再交由律师判断是否接案。案件签下后，调查和取证开始推进，律师助理会调取警方报告、联系证人、向被告发送证据保全函，并持续向客户同步进展。等客户治疗结束后，律所还要整理医疗时间线，再交由律师完成索赔函。
问题在于，这一流程很长，而且每个阶段都可能出现流失。潜在客户往往会同时联系多家个人伤害律所，谁先响应、谁更快完成资格审核，谁就更有机会签下案件。如果客户只听到语音信箱，或者案件评估推进缓慢，线索就会从漏斗中流失。
案件签约之后，问题依旧存在。取证需要推进多条并行线索，但律所未必愿意在四次联系失败后继续打第五次电话。受限于人力，律所也未必能仔细审阅每一份证据，特别是那些看起来标的不大、较为常规的案件。文章提到，如果医生记录里原本隐藏着脑损伤迹象，而律所没有深入阅读，就可能错过提高和解金额的关键证据，最终直接接受对方的第一次报价。
更长的案件周期也会带来信息分散的问题。一个案件可能持续数月，涉及多名参与者，信息散落在文档、人员和系统之间，律所很难始终掌握全局。结果可能是关键账单没有写入索赔函，治疗间隔没有得到解释，最终压低和解金额。
长程代理瞄准的是整段客户旅程
文中指出，过去的大多数 AI 代理主要处理边界清晰的任务，例如“发送一封跟进邮件”“总结一通电话”或“创建一份文档”。客服之所以成为 AI 早期较容易落地的场景，原因就在于问题空间清晰、可靠性更容易控制、结果也相对容易验证。即便 AI 代理遇到边缘情况，也可以升级给现有客服团队处理。
而现在，长程代理可以跨越几十个步骤、多种模态和更长时间跨度持续追求目标，这使它们有机会从头到尾跑完整场“接力赛”。
仍以原告律所为例，David Haber 设想，可以在最初接案电话进入时，就把整个案件交给一个长程代理，并将“最大化客户获赔金额”设为目标。这个代理会在需要时保存和检索案件背景信息，也会根据事件节点或截止日期自动唤醒自己，主动调度子代理联系证人、更新客户，并通过电话、邮件或短信与律师沟通。
它还可以整合调查发现，规划下一步动作，起草待审核文件，持续推动案件朝更优结果发展。跨案件维度上，系统还能够持续学习，让每一个案件积累的数据，帮助下一个案件处理得更好。
文章认为，这类代理直接针对当前接力赛中的主要价值损耗点：在流程起点，客户不必再因案件评估缓慢而流失，因为代理全天在线，几乎可以即时完成评估；在取证阶段，代理可以不断调度额外子代理去拨打第五次、第十次甚至第二十次电话，不再受限于人力；在证据审阅阶段，即使是看起来普通的案件，也能得到彻底处理，每一份证据都被审阅，从而减少遗漏；在全流程管理上，代理能保留案件完整记录，从证人电话录音到警方报告，再到医疗记录，尽量避免信息丢失。
商业模式从节省成本转向分享收入增长
David Haber 认为，真正大的变化不只是堵住流程漏洞，而是完整掌握客户旅程后，AI 供应商的商业模式也会发生变化。
当代理能够以更高质量和更快速度交付结果时，它带来的价值不再只是减少人工投入，还可能直接带来收入增长。更关键的是，这种影响变得可观察，也更容易归因给代理本身。这样一来，供应商就有机会按工作产出或按结果定价，分享自己创造的增量价值。
在原告律所场景中，单个案件就是天然的工作单元，而最终和解金额也构成了清晰可识别的结果价值。随着代理在最终成果中的贡献越来越大，结果与代理之间的关联也更容易建立。文章认为，这让供应商有机会分享收入增长，达到单纯依赖成本削减无法实现的合同规模。
不过，转向按结果收费并非没有障碍。文中提到，在原告律师行业，美国多数州禁止非律师分享法律费用，因此定价只能与和解金额对齐，但不能直接按和解金分成。在其他垂直行业中，采购团队也可能反对，因为它们没有按结果签约的先例。即便代理越来越接近独立交付结果，早期仍可能出现归因争议。因此，长程代理的部署既是技术问题，也是商业问题。
Red Ventures 案例：历史模式正在承压
文章还给出一个历史参照，即由 Ric Elias 和 Dan Feldstein 创立的 Red Ventures。David Haber 认为，这是一个较好的案例，用来说明长期消费者合同中端到端外包销售运营的商业逻辑。
以保险业务为例，Red Ventures 会在用户搜索相关产品时收集信息，例如通过拥有 homeinsurance.com 等网站获取线索，然后主动联系客户，带其了解承保选项，并最终促成保单成交。因为其掌握了整段客户旅程，所以每成交一单保单，就能从保险公司获得报酬。
这套模式一度非常有效。根据 S&P Global 数据，Red Ventures 在 2022 年实现了约 $14 亿销售额和约 $3.7 亿 EBITDA。
但文章认为，这一模式眼下正面临结构性威胁。在漏斗顶部，消费者发现产品的方式正在变化。用户不再完全依赖 Google 搜索或比价网站，也可以直接向 Meta 的 Muse 或 Instinct 等个人智能体询问产品推荐，这削弱了探索类网站原有的价值。
在更下游的执行层面，过去依赖成百上千名员工推进的线性漏斗，也可能被长期运行代理替代。它们可以跨产品、跨沟通方式并行工作，支持任意语言，具备大规模运行能力，也不存在“坚持力”上限。文中提到，Red Ventures 的 EBITDA 在 2025 年预计降至约 $1.6 亿，原因是客户流失和广告支出走软，而 AI 还会继续改变这一行业。
三种市场切入路径
围绕长期运行智能体如何进入市场，David Haber 总结了三种路径。
卖平台
第一种是卖平台，也就是把长期运行智能体作为软件出售，供企业在现有运营体系中使用。原告律所场景中，把智能体与现有团队和工作流整合，就是这一路径的例子。
这种做法的优点在于收入上限可能更高，因为市场上通常没有完全对应的软件或外包合同来锚定价格。但问题是销售周期会更长，因为企业需要新增预算科目；同时，当智能体与多个部门交互时，也更难准确归因其所带来的结果。
卖服务
第二种是卖服务，即供应商接手一项原本已经外包出去的服务，并用更高效率交付客户想要的结果。文章将 Red Ventures 为保险公司掌握整段获客旅程视作这一模式的代表。
其优势在于销售周期更短，因为买方更容易计算 ROI，而且 BPO 预算条目已经存在。但不足在于，AI 出现之前形成的定价模型，未必能够反映长期运行智能体真正创造的价值。与此同时，很多高价值客户旅程目前仍由企业内部直接运营，也限制了这一模式的覆盖范围。
全栈切入
第三种是全栈切入，即通过垂直整合，直接成为 AI 原生参与者。文章举例称，与其把长期运行智能体卖给一家债务催收公司，不如自己买入债务组合并自行催收。这样做可以完整捕获 AI 带来的上行空间，也能绕开归因问题。
但全栈模式也意味着企业要承担牌照、合规等服务环节，它们并不属于客户旅程本身，却会增加运营复杂度和干扰。
结论指向收入侧，而非劳动力预算
David Haber 认为，现在判断哪一种路径最终会胜出还为时过早，但他明确表示，长期运行智能体将在大规模“接力赛”中胜出，并把 AI 的可寻址市场从劳动力预算的一部分，扩展到收入的一部分。
文章最后提到，原告案件准备只是一个样本。类似模式还可能出现在抵押贷款发放、保险理赔处理、复杂企业销售以及更多高价值客户旅程中。