a16z 合伙人 David Haber 撰文表示，AI 商业化正在进入一个更关键的阶段：从按小时、按坐席或按节省成本收费，转向按工作成果和最终结果收费。文章标题为《Winning the Relay Race: Long-Running Agents in High-Value Customer Journeys》，由深潮 TechFlow 编译。
他在文中提出，真正高价值的商业机会，不在一次性的客服应答，也不在单个自动化任务，而在那些跨越数周甚至数月、由多个步骤串联而成的长期客户旅程。只要 AI 代理能够持续追踪线索、执行任务，并在更长时间跨度内围绕目标运行，供应商就有机会分享客户收入增长，而不只是出售节省出来的人力成本。
从单次交互走向长周期客户旅程
文章先用网络运营商报修断网的场景说明传统客服体验：用户通常需要先听语音菜单，在不同选项之间跳转，随后进入长时间等待，被接入客服后重复提供姓名、账号和问题描述。如果重启路由器无效，问题还会被转给另一个客服，用户又得重新解释一次，最后才可能约到上门维修。
David Haber 认为，AI 已经改变了这类场景。用户不再需要和多轮电话菜单以及多个客服来回周旋，AI 代理可以直接接起电话，查看账户，检查所在区域是否有其他用户也遇到同类故障，并在简单问题上直接给出处理，或者帮助安排维修。过去这类能力已经让客服自动化取得进展，但那仍然主要停留在短时、边界清晰的交互上。
而现在，新能力正在出现。a16z 判断，新的 AI 代理可以在更长时间跨度里跟进线索、保存上下文并执行任务，这将使 AI 公司不再只处理一次客户接触，而是重新设计整段客户旅程。文章举出的场景包括：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准走到过户，以及推动企业销售线索从第一次演示一路走到签约。
价值只出现在“接力赛”的终点
在 a16z 看来，很多业务的价值创造都像一场接力赛，不是某一个节点决定成败，而是长时间、多步骤协作后，最终在终点处兑现。文中以传统原告律所的案件准备流程为例，对这一逻辑展开说明。
一个潜在案件通常先以电话线索进入律所。接案专员先收集关键事实，再交给律师判断是否接案。案件签下后，调查和取证才真正开始：律师助理调取警方报告，尝试联系证人，向被告发出证据保全函，同时持续向客户同步进度。接着，律所还要等待客户结束治疗，再整理医疗时间线，将材料交给律师起草索赔函。
文章认为，这类流程之所以像接力赛，是因为每一次交接都可能导致价值流失。潜在客户往往会同时联系多家个人伤害律所，谁回复更快，谁就更容易签下案件。因此，只要客户先听到的是语音信箱，或者资格审核推进过慢，案件就可能直接从漏斗中流失。
即便已经完成签约，后续也同样存在损耗。取证通常涉及多条并行线索，但律所未必有足够耐心和资源，在电话四次无人接听后继续拨打第五次。与此同时，人力约束也会压缩证据审阅深度，尤其是那些表面上看较为常规、争议金额不高的案件。文中举例称，如果医生记录中其实存在脑损伤迹象，而律所没有仔细读到这一细节，就可能过早接受对方第一次报价，压低最终和解金额。
案件周期拉长后，问题会变得更复杂。流程可能持续几个月，参与者众多，信息散落在文档、人员和系统之间。结果是，律所很难对单个客户维持完整的全局视图，某些重要账单可能没有被写进索赔函，治疗空白期也没人解释，最终影响赔付结果。
长程代理瞄准的是整条链路
David Haber 指出，直到最近，大多数 AI 代理擅长的仍然是有边界的任务，例如「发这封跟进邮件」「总结那通电话」「创建这份文档」，或者在非常有限的问题空间内完成一次交互。客服成为 AI 早期落地的典型场景，正是因为问题定义相对清晰，可靠性要求容易控制，企业还能依据自身政策进行定制。如果出现边缘情况，现成客服团队也可以接手升级处理。
但长程代理的不同之处在于，它可以跨越几十个步骤、多种模态和更长的时间跨度持续追求同一个目标。按照文章的设想，在原告律所的案例中，从最初接到来电开始，就可以把整个案件交给一个长程代理，并将「最大化客户获赔金额」设为明确目标。
这一代理会在需要时保存和检索案件背景，在事件出现或截止日期到来时自动被唤醒，并主动调度子代理去联系证人、更新客户、通过电话、邮件或短信与律师沟通。随后，它还会整合调查结果，规划下一步行动，起草待审阅文件，推动案件朝着更优结果前进。a16z 认为，这类系统不仅能在单个案件内形成闭环，还能在跨客户层面持续学习，让每个案件产生的数据都用于优化下一个案件的处理效果。
它试图补上接力赛中的价值损耗点
文章将长程代理的优势概括为对现有流程中几个关键价值损耗点的修补。
- 在旅程起点，客户不必再因为案件评估过慢而流失，因为代理几乎随时在线，可以即时完成案件评估。
- 在取证阶段，流程不再受人力上限约束，因为代理可以随时调出额外子代理，去完成第五次、第十次甚至第二十次电话联系。
- 在证据审阅上，即便是看似常规的案件，也可以被彻底处理，每一份证据都被详细查看，从而找出原本可能被忽略的线索，例如医生记录中的脑损伤迹象。
- 在案件管理上，代理会保存完整记录，从证人电话录音到警方报告，再到医疗记录，减少信息在长周期流转中丢失的可能。
a16z 的核心判断是，只有当代理能够跑完整场接力赛，而不是只完成中间某一棒，价值才有可能在终点真正体现出来。
从节省成本到分享结果
文章接着将讨论转向商业模式。a16z 认为，拥有整段客户旅程的控制权，会改变 AI 供应商的定价逻辑。过去，很多 AI 产品更容易围绕降本收费，因为它们替代的是单个岗位、单段工时或局部流程；而当代理能够以更快速度和更高质量交付可验证的最终结果时，它创造的就不只是成本节省，还包括收入增长。
在这种情况下，供应商可以不再仅仅出售软件许可或人力替代，而是依据工作产出或最终结果来定价，并分享由代理带来的增量价值。原告律所就是文中给出的典型案例：单个案件天然就是一个清晰的工作单元，而和解金额又是可以识别的最终结果。随着代理在最终工作成果中承担的比重上升，结果与代理之间的关联也会更明确，供应商据此有机会获得过去依赖降本收费时无法达到的合同规模。
结果定价并非没有阻力
不过，David Haber 也指出，向按结果收费切换并不轻松。
在原告律师行业，美国大多数州禁止非律师分享法律费用，因此定价方式需要与和解金额保持一致，但又不能直接按和解金额抽成。换到其他垂直行业，供应商还可能遭遇采购部门的阻力，因为不少企业内部并没有按结果签约的先例。即便代理在最终成果中的占比越来越高，早期部署阶段围绕归因问题的争议也仍然可能出现。
因此，文章认为，长期运行智能体的落地不只是技术挑战，同样也是商业挑战。问题不只是能否把代理做出来，还包括如何签下合同、怎样对齐激励，以及怎么处理结果归因。
Red Ventures 的案例与结构性压力
为了说明「按结果收费」并不是全新概念，a16z 在文中引入了 Red Ventures（RV）这一历史案例。
文章称，RV 由 Ric Elias 和 Dan Feldstein 创立，其核心做法是为长期消费者合同提供数字化端到端外包销售运营。以保险为例，RV 会在消费者搜索相关产品时，通过自己拥有的网站收集用户信息，例如 homeinsurance.com，然后主动联系客户，帮助他们理解承保选项，并最终促成保单成交。由于 RV 拥有了从线索获取到成交的整段旅程，它能够在每卖出一份保单后，从保险公司获得报酬。
据 S&P Global 数据，RV 在 2022 年实现约 14 亿美元销售额，并创造约 3.7 亿美元 EBITDA。a16z 认为，这说明在高价值、长链路客户旅程里，只要一家公司能够真正拥有全过程，按结果收费的模式可以非常有效。
但文中也指出，这一模式如今正面临结构性威胁。首先在漏斗顶部，消费者发现产品的方式正在变化。用户不再只能依赖 Google 搜索或比价网站来探索和比较产品，而是可以直接向 Meta 的 Muse 或 Instinct 等个人智能体寻求推荐，这会削弱拥有探索型网站的传统价值。
在更下游的环节，原本依赖大量人工推动的线性漏斗，也正在受到长期运行智能体的挑战。文章认为，这类智能体可以跨产品、跨沟通方式并行运行，支持任何语言，具备大规模扩展能力，同时拥有几乎无限的坚持力。
a16z 引述称，RV 的 EBITDA 在 2025 年预计将降至约 1.6 亿美元，原因包括客户流失和广告支出走软。文章将这一变化视作该模式脆弱性的初步迹象，并认为 AI 还会继续改写整个行业结构。
三种市场切入路径
围绕长期运行智能体如何进入市场，a16z 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，供企业接入现有运营体系。文中提到，原告律所如果将智能体整合进现有团队与工作流，就是这种模式的典型例子。
这种路径的优点在于收入上行空间较大，因为市场上往往没有现成的软件合同或外包合同可以作为价格锚点。但问题也很明显：销售周期会更长，因为企业往往需要为这种新产品建立新的预算项；与此同时，一个智能体如果会与企业多个部门发生交互，结果归因也更难厘清。
卖服务
第二种是卖服务。供应商直接接手一项已经外包出去的服务，并用长期运行智能体以更高效率完成目标，类似 Red Ventures 为保险公司掌握整个获客旅程。
这种方式的好处是销售周期较短，因为买方更容易计算 ROI，而且 BPO 的预算项已经存在。缺点在于，AI 出现之前形成的定价模式，未必能够体现长期运行智能体真正创造的价值。与此同时，当前很多高价值旅程仍由企业内部团队执行，这会限制这种路径的覆盖范围。
全栈切入
第三种是全栈切入，也就是做垂直整合，直接成为一个 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。这样一来，AI 带来的上行空间可以被完全捕获，结果归因问题也会随之减轻。
但代价同样存在。全栈模式意味着企业还要承担牌照、合规等服务环节，这些部分并不属于客户旅程本身，却会增加运营复杂度和执行干扰。
a16z 的判断
文章最后表示，现在还很难断定哪一种路径最终会胜出，但 a16z 相信，长期运行智能体会在这类大规模「接力赛」中跑赢现有模式，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。
在 David Haber 看来，原告案件准备只是一个例子，类似机会还会出现在按揭贷款发放、保险理赔处理、复杂企业销售等更多高价值旅程中。文章最后写道，如果有人正在抓住这一机会，a16z 很乐意听到对方的消息。