KeyFrame內部研究專用

AI Agents are the new SaaS

Greg Isenberg26 min英文
觀看原始影片

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

  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

  • 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

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

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。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。