KeyFrame內部研究專用

AI Agents are the new SaaS

Greg Isenberg·7月1日週三·26 min英文

三句話摘要

如何透過AI Agent替代重複勞動工作來建立SaaS業務,並從萬兆級別的人力市場中創造價值。 找到在同一利基中重複頻繁、有明確收入的工作流,用Agent自動化替代人力,然後用內容行銷和結果定價來銷售,是進入萬兆級人力市場的關鍵。 心態轉變的重要性:傳統SaaS說「這是可用的工具」,Agent SaaS說「這份工作你的團隊不用再手動做了」。客戶不是為新工具買單,而是為被自動化的具體工作買單,這根本改變了整個銷售和產品邏輯。

重點整理

重點
  • 1

    心態轉變的重要性:傳統SaaS說「這是可用的工具」,Agent SaaS說「這份工作你的團隊不用再手動做了」。客戶不是為新工具買單,而是為被自動化的具體工作買單,這根本改變了整個銷售和產品邏輯。

  • 2

    工作流的五個必備條件:頻率(日常或每小時發生)、清晰的完成標誌、現有軟體接觸點(如Gmail、Slack、HubSpot)、邊界情況易於學習但不完全自動、用戶能感受到損失(錯失收入、反應遲緩)。缺少任何一個條件的工作流都不適合Agent化。

  • 3

    Shadowing的決定性作用:開發前必須直接觀察真人操作員執行工作10-20次。隱含的工作知識(如餐廳員工知道哪些桌子適合嬰兒車、何時VIP需要特殊路由)才是產品競爭力的真正來源,直接影響Agent的品質。

  • 4

    遞進式的最小化可行Agent:不應該追求完全自主,而是從Draft-Approve(起草審批)→ Triage(分類路由)→ Coordinator(協調系統)→ Bounded Action(有限操作)逐步提升自主性,每一層都建立客戶信任。

實用技巧與重點

乾貨
  • 工作流評分標準(五個維度)
  • 頻率:多常發生
  • 成本:解決問題的昂貴程度
  • 驗證難度:易於確認完成
  • 工具需求:需要接入哪些軟體
  • 預算權:誰擁有這部分預算
  • 最小化可行Agent類型
  • Draft and Approve:寫草稿、人類審批
  • Triage:分類工作、路由到正確地點
  • Coordinator:檢查可用性、發送提醒、收集缺失資訊
  • Bounded Action:在明確規則下執行(如$50以下自動退款)
  • 銷售定價模型示例
  • $1,500初始費用 + $1,000/月/工作流
  • $2,000初始費用 + $30/合格預約
  • $3,000/月處理至多500張工單
  • Eval Set評估(關鍵的信任工具)
  • 收集50個真實案例
  • 測試Agent的分類正確率、提問適當性、政策應用
  • 向客戶呈現「50個舊工單,正確42個、需人工審批6個、錯誤2個」→立即建立信任
  • 分布式策略(效果最佳)
  • Workflow Teardowns:對比舊流程痛點(無人接聽→失客)vs新Agent優勢(自動接聽→預約成單)
  • 製作50條工作流相關貼文
  • 內容測試→付費廣告
  • 30天執行計劃
  • Day 1:選擇工作頻密、成本明確的利基(家居服務、物業管理、保險)
  • Day 2:面試10位操作員,要求螢幕錄製
  • Day 3:鎖定一個工作流(頻率、痛點、軟體接入、成功指標明確)
  • Day 4:寫Agent規格說明(觸發、上下文、工具、規則、遞交、評估)
  • Day 5:用ChatGPT手動運行(複製上下文→AI生成→人類審批)測試有效性
  • Day 6:構建最小化版本(Draft-Approve或Triage通常足夠)
  • Day 7:用50個真實案例建立Eval Set
  • Week 2:在同一利基銷售2個試點
  • Week 3:加入產品包裝(日誌、審批、設定、分析、遞交)
  • Week 4:發布Workflow Teardowns、驗證內容行銷效果

結論

結論

找到在同一利基中重複頻繁、有明確收入的工作流,用Agent自動化替代人力,然後用內容行銷和結果定價來銷售,是進入萬兆級人力市場的關鍵。

完整解析

詳細

Agent SaaS業務與傳統SaaS的根本差異在於銷售對象的轉變。傳統SaaS企業賣的是工具和功能,客戶為軟體購買、部署和座位數付費;而Agent SaaS企業賣的是已完成的工作本身。例如,餐廳不是購買「來電管理工具」,而是購買「幫我們接聽並預約電話」的服務。這種心態轉變至關重要,因為它直接決定了你如何尋找機會、設計產品和定價。

要找到合適的工作流,需要同時滿足五個條件。首先是頻率,理想情況是每天甚至每小時都在發生(每通來電、每個工單、每份維護請求)。其次是清晰的完成標誌,工作何時才算真正做完必須明確可測量。第三是現有軟體接觸點,因為Agent需要透過這些系統讀取上下文和執行操作。第四是邊界情況的可學習性,太簡單的工作用傳統自動化(如Zapier)就能搞定,純人類判斷的工作則會讓Agent第一版本就失敗。甜蜜區間是重複但需要判斷力的工作。第五是用戶能感受到的損失,即錯失電話、回應遲緩、掉單等直接影響收入的痛點。

在著手開發Agent之前的關鍵步驟是「shadowing」——直接觀察真人操作員執行這項工作。許多創始人急於想跳過這一步開始編碼,但這會導致錯過隱含的工作知識。舉例來說,餐廳主持人的工作看似簡單,但實際上涉及知道廚房何時關閉、哪些桌子適合推嬰兒車、何時院子不開放、如何處理VIP,以及何時轉接私宴查詢。這些細節決定了Agent的品質。讓操作員螢幕錄製並邊做邊講解,詢問什麼讓工作簡單、什麼讓情況複雜、做決策前會檢查什麼——這些洞察才是你產品的真實競爭力。

Agent的開發應該從最小化可行版本開始,而非追求完全自主。講者提出了四種遞進式方案。最基礎的是「Draft and Approve」,Agent讀取上下文並起草回覆或建議,由人類審批。這適用於有創意空間或審批流程的工作。其次是「Triage」,Agent對進入的工作進行分類和路由到正確部門,判斷是維護問題、退款還是其他。第三是「Coordinator」,充當系統和人員之間的橋梁,檢查可用性、發送提醒、索要缺失資訊。最後是「Bounded Action」,在明確規則下執行特定操作,例如自動批准$50以下的退款。這種分層方法的好處是能逐步建立客戶信任,而非一開始就承諾完全自動。

產品層面,Agent能力只是一部分,真正的SaaS是「控制室」——一個仪表板讓客戶看到Agent做了什麼、為什麼這樣做、在哪裡失敗了。這包括通話摘要、預約結果、遺漏的人工遞交、被建立的工單、路由決定和客戶回饋。在部署前,必須用50個真實案例建立「Eval Set」來測試Agent。例如,50通真實通話,標記正確答案,然後跑過Agent系統,檢查它是否正確分類了問題、提出了正確的缺失資訊、應用了正確的政策。這個評估集就像「健身房」,每次改變提示詞、模型或工具時,Agent都要經過這個測試,以確保品質。更重要的是,這成為一個強大的銷售資產——告訴物業經理「我們在你50個舊工單上測試過,正確路由了42個,標記6個需要人工審批,犯了2個錯誤,以下是修復方案」會立即建立信任。

銷售策略上,最快的路徑是從試點開始,用AI輔助手動執行工作,然後逐步產品化重複的部分。建議先從同一利基的三個客戶開始,銷售的是結果而非軟體座位。定價可以簡單開始,例如$1,500初始費用加$1,000月費,或$2,000初始加$30每個合格預約。重點是通過試點學習客戶真正看重什麼、Agent在哪裡出問題、什麼需要人工審批。然後,將重複的部分標準化成產品。例如,如果每個屋頂修繕公司都需要相同的緊急通話腳本、服務區域檢查、融資問題處理和估價跟進,那就是一個成熟的產品。

在客戶獲取方面,「Workflow Teardown」內容營銷效果最佳——展示舊流程的痛點(電話無人接聽→客戶打給競爭對手)對比新Agent流程的優勢(Agent自動接聽→詢問正確問題→預約成功)。製作大約50條相關工作流的貼文,發現效果最好的內容,然後投入付費廣告。這之所以有效,是因為經理和老闆能切身感受到那些痛點,而你是在銷售止痛藥而非維生素。

完整的執行計劃可以在四週內完成。第一週選擇利基市場、面試10位操作員、選定工作流、寫規格說明書、用ChatGPT手動測試有效性、構建最小化版本、建立評估集。第二週在同一利基銷售兩個試點。第三週加入產品包裝(日誌、審批、設定、分析)。第四週發布Workflow Teardowns,將試點轉化為驗證資料,並加倍投入內容策略。整個過程中要持續建立受眾,到第四週末時應該有四個效果良好的內容形式,知道可以在哪裡加倍投資。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。