Why AI Agents Can Beat the Incumbents · 核心结论

论点 1——Incumbent 的"系统记录"反而是劣势。老牌厂商（如 Salesforce、SAP、Coupa）拥有客户、数据和系统记录，但 AI 原生生公司可以跳出系统记录的桎梏，端到端地拥有完整工作流。企业流程中 80% 以上的工作发生在系统记录之外——邮件、Excel、合同、3D 建模——incumbent 无法触达这些上下文。

论点 2——AI Agent 的四大阶段是结构性机会。从检索（chatbot）到流程（自动执行）、策略（判断与决策）、主体（超出政策约束的价值权衡），每个阶段都代表判断力的跃升。Incumbent 停留在第一阶段，而初创公司正在向第三、四阶段冲刺。

论点 3——"自建"神话破灭。Fortune 500 公司试图自建 AI 采购工具，三四月后才发现上下文质量差、多 ERP 集成复杂、异常处理无解。企业内部团队的最后 20% 性能差距意味着 100% 的人工复核，甚至创造更多工作量。

• 检索 Agent（Retrieval Agent）—— incumbent 的主场：基于系统记录的 chatbot，可从数据库中检索和合成信息，如查询合同条款、验证服务中断记录。Sema 形容为"打在 chatbot 脸上的耳光"。
• 流程 Agent（Process Agent）——无判断执行：根据政策手册自动执行流程，如基于服务中断日期自动计算并应用补偿。不需要判断力，只是把已有规则自动化。
• 策略 Agent（Policy Agent）——判断介入：在模糊地带做决策。例如判断 20 分钟中断是否构成"重大中断"并适用更高补偿标准——这需要超越硬编码规则的判断力。
• 主体 Agent（Principal Agent）——价值权衡：超越政策框架，综合客户关系、品牌影响等因素做决策。"是否应该提供超出政策规定的补偿来保留客户？"这是最高阶的 agent 形态。

投资含义：当前 incumbent 大多仍停留在检索阶段，部分在营销流程阶段。真正的竞争格局变化发生在 agent 进入策略和主体阶段——这正是 AI 原生初创公司的优势区间。

Leo 的定位：为企业采购构建 AI agent，覆盖间接采购、直接采购、物流和财务全链路。从第一个" viral "产品（将报价自动录入 SAP）起步，已演进到可以自主谈判 agent 的水平。

技术架构——模型即商品：Leo 使用多模型供应商策略，将基础模型视为商品。通用模型在读取/创建 PDF、电子表格等任务上表现良好，但遇到需要领域知识的场景（如成本建模、价格对标）时，仅靠 harness 无法达到 100% 准确率。

微调与 Outcome-Based 模型：在谈判和价格对标场景中，通用模型永远无法获得企业私有数据（如不同供应商报价的差异）。Leo 正在探索类似 Jav 模型的 outcome-based 训练——输入是报价，输出是"完美价格"，利用人类直觉数据而非规则来训练。

产品设计——自我自动化（Self-Automation）：Leo 的 forward deployed engineers (FDE) 的 KPI 是"自动化自己的工作"。每完成一个客户定制，就将其抽象为产品功能，减少对咨询团队的依赖。85% 工程师占比印证了这一产品优先策略。

市场验证——Buyers Summit：Leo 在纽约举办采购领导者峰会，首次 100 人、下次预期 700 人。参会者均为 C-level、CPL、副总裁级别，说明企业采购决策层对 AI agent 的热情远超市场预期。

• 壁垒 1——信任阶梯：初创公司必须逐步赢得信任：从检索信息 → 执行流程 → 辅助决策 → 自主谈判。客户信任一旦建立，切换成本急剧上升。但 incumbent 已有信任存量，且可能在"过早发布"中破坏信任。
• 壁垒 2——端到端工作流锁定：当 AI agent 从"记录交易"进化为"执行交易"时，客户对产品的依赖从"信息工具"变为"运营核心"，这是真正的 moat 信号。Sema 强调：moat 是客户使用后的下游结果，而非事先设计的路线图。
• 壁垒 3——双边网络效应：当采购方和供应商都使用同一平台上的 agent 时，将产生协调优势。5000 个任务中只有 1 个（价格）是零和博弈，其余 4999 个任务是共同利益（缩短交付周期、降低摩擦）。
• 风险 1——Incumbent 的"模型层"策略：Incumbent 可以在已有产品上叠加 LLM（如 Salesforce AgentForce），以极低边际成本向既有客户推送。如果阶段演进足够慢，incumbent 的渠道和信任优势可能压倒初创公司的技术优势。
• 风险 2——最后 20% 的难度被低估：Vlad 指出，70% 性能不等于 70% 自动化——你可能仍需完成 100% 的人工复核。如果整个行业的 agent 都卡在 70-80% 性能，商业化价值将大打折扣。
• 风险 3——模型商品化压缩利润空间：如果基础模型 truly 成为商品，AI 原生公司的技术溢价可能持续收窄。护城河将完全依赖于数据、工作流整合和客户关系，而非模型能力本身。

• "自建"困境的结构性根源：不是意图或预算问题，而是上下文质量和异常处理的内在难度。Fortune 500 自建 AI 产品的失败模式（上下文碎片化、多 ERP 映射、并购整合）代表了所有企业自建 AI 的共性挑战。
• Pareto 原理在 AI 落地中的体现：最后 20% 的性能差距创造了 80% 的工作量。这 20% 需要 harness、集成、记忆、工作流和垂直数据——这正是专业 vendor 的定价基础。
• 定制化不再意味着慢：LLM 使得在不过度拖慢业务的前提下进行深度定制成为可能。Forward deployed engineering + 软件驱动的自动化正在取代 Accenture 式的重度定制交付模式。
• 基础模型普及对市场的正面外溢：Sema 指出， base model 和 GPT 产品的广泛采用提高了用户对 AI 工具的信任度和接受度，这对垂直领域的 AI 公司是利好。

• 卖方先行、买方跟进：历史上销售侧的 AI 采纳领先于采购侧。但 Fortune 500 公司正在通过采购权力强制供应商采用特定工具，形成"自上而下"的扩散路径。
• 双边平台的协调价值：当买卖双方 agent 在同一平台工作时，不仅可以自动化谈判，还可以协调 5000 个非零和任务——合同草稿追踪、开放问题管理、交付里程碑对齐。这些目前仍由人工处理的协调工作，是 agent 的巨大增量价值所在。
• 法律等对抗性领域的延伸：Vlad 指出，即使是高度对抗的法律谈判，双方也受益于共享的进度追踪——这不是利益冲突的领域，而是协调效率的领域。这为 agent 平台提供了跨行业扩展的范式。
• 采购领域的万亿级机会：Vlad 认为采购领域集合了三大特征——高度情绪化（从业者极度不满）、无聊/ niche（竞争者少）、巨大商业影响（1% 节省 = 10% 营收）。这是典型的万亿级创业机会的特征组合。

• AI 原生初创公司的投资范式：Sema 建议投资者不要过早用"moat 路线图"来评判公司，而是关注"赢得客户信任 → 卖出更多产品"的基本增长逻辑。Moat 是客户依赖度自然累积的结果，不是设计出来的。
• 垂直 AI vs 水平 AI 的选择：当通用模型成为商品、incumbent 被系统记录锁定时，垂直领域的端到端 agent 具有结构性优势。关键筛选标准：是否拥有私有数据壁垒、是否能执行端到端工作流、是否建立了信任阶梯。
• Incumbent 投资的分化判断：能成功从检索 agent 向策略/主体 agent 演进的 incumbent 将跑赢；停滞在 chatbot 阶段的公司可能被边缘化。Salesforce AgentForce 零边际成本推送是双刃剑——既是护城盾也是创新陷阱。
• 采购/供应链 AI 赛道的关注度错配："Boring + highly emotional + crazy business impact"的赛道天然被市场低估，这恰恰是超额收益的来源。Leo 的 Buyers Summit 从 100 人到预期 700 人的增长速度印证了需求侧的势能。
• Outcome-Based 模型的投资机会：从"输出文本"到"输出结果"的模型范式转变（如 Jav），在价格对标、成本建模等场景中可能创造新的投资标的。

• 假设 1——Incumbent 能否跨越"内部激励冲突"：Incumbent 在"workflow 工具"和"resolving work"之间的产品线冲突是结构性难题。若能解决（如独立组织、独立激励），incumbent 可能快速追赶。需跟踪 Salesforce / SAP / ServiceNow 的 agent 产品实际能力演进。
• 假设 2——Outcome-Based 模型能否在垂直场景规模化：价格对标和成本建模中的"人类直觉数据"是否可以被有效采集和训练？若 outcome-based 模型能跨越通用模型的瓶颈，将重塑整个 AI 投资叙事。
• 假设 3——双边 agent 网络效应能否兑现：当买卖双方 agent 在同一平台相遇时，网络效应是真实的商业优势还是理论推演？需跟踪 Leo 等公司供应商侧的采纳数据和网络效应指标。
• 假设 4——"自我自动化"模型的可持续性：FDE 的 KPI 是自动化自己的工作——这是 Google 验证过的模式。但在多客户、多行业的扩张中，能否持续抽象出通用产品功能，是衡量公司能否从"高增长"走向"高利润"的关键。
• 假设 5——Agent 的信任衰减率：Incumbent 可能因一次 agent 失误就破坏客户信任，而初创公司需要数年积累。信任的不对称性是初创公司最大的非对称风险，需要量化跟踪 agent 失误率与客户留存的关系。