过去，当你因为网络故障拨打运营商的客服热线时，流程通常是这样的：一个机械的语音会先把你当作“尊贵的客户”问候一番，然后让你在电话菜单里耗上好几分钟（“技术支持请按 3，宽带业务请按 2，其他问题请按 4”）。接着你被转接等待，感觉自己被彻底遗忘了，直到客服代表终于接听，询问你的姓名、账号和问题。如果重启路由器没能解决问题，你会再次被转接等待，最后只能把整件事向另一位客服再讲一遍，才能约到技术人员上门。
AI 已经在改变这类客服交互体验。现在，你不用再和机械语音以及好几位客服代表周旋，AI Agent 可以直接接听。它能查看你的账户，确认你所在区域的其他客户是否也受到了影响，然后直接解决简单问题或帮你预约技术人员。再也没有“所有客服代表正忙”，也没有了等待时的背景音乐。直到不久前，这已经是技术能做到的极限。
但现在，新的能力让 Agent 能够追踪长线索，并在更长的时间跨度内执行任务。我们相信，这将让 AI 公司不再局限于单次客户交互，而是重新思考如何应对跨越数周甚至数月的复杂客户旅程。AI 将引导保险客户从首次报案走到理赔到账，陪伴房贷借款人从预审批走到最终交割，推动企业潜在客户从第一次产品演示走到签约。这不仅能为客户带来更好的结果，也能让 AI 供应商的收入来源从单纯的“节省成本”扩展到“创造增量营收”。
价值只在接力赛的终点显现
在很多行业里，为客户创造价值需要经历多个步骤，耗时数周甚至数月。以传统的原告律师案件准备流程为例。潜在案源通常通过电话接入，由案件受理专员收集关键事实，再转交给律师评估是否接案。律所一旦接下案子，接下来就是调查取证：律师助理调取警方报告、设法联系证人、向被告发送证据保全函以防证据灭失，同时不断向客户同步进展。之后，律所还要等客户治疗结束，整理出医疗时间线，再把资料交给律师定稿索赔函。
这个过程就是我们过去常说的“接力赛”：一段漫长的旅程，每一次交接都可能出现客户流失或价值损耗。潜在客户通常会咨询好几家人身伤害律所，而且往往会选择回复最快的那家签约。所以，如果客户只听到了语音留言，或者律所评估得太慢，案子就会从漏斗里漏掉。签单之后，取证工作要同时推进多条线索，而律所未必有耐心在四次电话无人接听后，再去打第五次联系潜在证人。此外，人力限制也让律所无法仔细审查每一份证据，尤其是那些看似常规、标的额不高的案件。律所可能会接受对方的第一次报价，但如果仔细研读医嘱，本可以发现脑损伤的迹象，从而大幅提高和解金额。最后，案件可能持续数月，需要多人协作，信息散落在各种文档、相关方和系统中。这导致几乎不可能对每个客户的情况都保持全局掌控。结果就是，重要的账单可能没写进索赔函，治疗空档期也没得到解释，最终拉低了和解金额。
长周期 Agent 的机会
直到最近，AI Agent 大多还在处理边界明确的任务（“发这封跟进邮件”、“总结那通电话”、“创建这份文档”）和狭窄的交互场景。比如，客服一直是 AI 极佳的早期落地场景，因为问题空间定义清晰，容易实现高可靠性，同时还能根据公司特定政策进行定制。交互时间短，结果可验证，而且如果 AI Agent 遇到处理不了的边缘情况，现有的客服团队通常还能兜底升级处理。
如今，长周期 Agent 已经能够跨越数十个步骤、多种模态和更长的时间跨度去达成目标，从而可以从头到尾接管整场“接力赛”。在原告律师的例子中，你可以给一个长周期 Agent 分配一个案子，从最初的受理电话开始，目标就是最大化客户的获赔金额。Agent 会按需保存和调取案件上下文。它会根据事件或截止日期自动唤醒，主动调度子 Agent 去联系证人、向客户同步进展，并通过电话、邮件或短信与律师沟通。随后，它会汇总调查结果、规划下一步行动、起草待审文档，推动案件走向最佳结果。在服务不同客户的过程中，它还会不断学习——每个案件产生的数据，都能让它把下一个案子处理得比当前这个更好。
Agent 堵住了当今“接力赛”中的关键价值漏洞。在旅程起点，客户不会再因为案件评估太慢而流失，因为 Agent 不分昼夜和工作日随时在线，几乎可以瞬间完成案件评估。取证也不再受限于人力瓶颈，案件 Agent 可以随时启动额外的子 Agent，去打第五通、第十通甚至第二十通电话。由于 Agent 几乎可以无限扩展，即便是看似常规的案件也能得到充分处理，每份证据都会被详细审查，那些原本可能被遗漏的潜在脑损伤线索也会浮出水面。最后，Agent 会保留案件的完整记录，从证人通话录音文本到警方报告和病历，确保没有任何信息丢失。
为结果付费
除了堵住这些漏洞，掌控完整的客户旅程还能改变 Agent 供应商的商业模型。当 Agent 能以更快的速度交付更高质量的结果时，它们带来的就不只是帮客户降本，而是实实在在的增收。更重要的是，当这些成效变得可观测且可归因于 Agent 时，供应商就可以按工作成果或最终结果定价，分享自己创造的价值红利。比如在原告律师行业，单个案件就是一个独立的工作单元，其产出结果（和解金额）的价值非常清晰。此外，随着 Agent 承担了最终工作成果中越来越大的比重，将结果归因于 Agent 也变得更容易。这样一来，供应商就能分享营收增长的红利，触达过去仅靠“降本”逻辑根本无法企及的合同金额。
当然，转向基于结果的定价模式并非毫无阻力。在原告律师行业，大多数州禁止非律师人员分成律师费，因此定价需要与和解金额挂钩，但不能直接从中抽成。在其他垂直领域，供应商可能会遭到采购团队的反对，因为他们还没有基于结果的合同先例。而且，尽管 Agent 离完全掌控结果越来越近，初期关于“功劳算谁的”争论恐怕难以避免。因此，成功部署长周期 Agent 既是一项技术挑战，也是一项商业挑战。
不过，为高价值客户旅程的结果付费，并不是一个新概念。
打造 AI 原生的 Red Ventures
Red Ventures（RV）就是一个绝佳的历史案例。RV 由 Ric Elias 和 Dan Feldstein 创立，率先为长期消费者合同打造了数字化的端到端外包销售运营体系。以保险为例，RV 会在客户搜索相关产品时收集他们的信息（通过运营 homeinsurance.com 等网站），主动联系客户，带他们了解保障方案，最终促成保单成交。通过完全掌控这一旅程，RV 能从保险公司那里为每张成交的保单收取佣金。这套模式曾经极其成功：根据 S&P Global 的数据，RV 在 2022 年实现了约 14 亿美元销售额和约 3.7 亿美元 EBITDA。
但现在，这种模式在结构上正面临威胁。在漏斗顶端，消费者发现产品的方式正在改变。他们不再依赖 Google 搜索或比价网站来了解和对比产品，而是可以直接向 Meta Muse 或 Instinct 这样的个人 Agent 询问推荐，这让传统导流网站的价值大打折扣。在更下游的环节，长周期 Agent 不再像几百名员工那样只能跑线性漏斗，而是能驾驭复杂得多的客户旅程。它们可以跨产品、跨沟通渠道并行工作，支持任何语言，具备无限耐心，并且能大规模运行。受客户流失和广告支出疲软影响，RV 的 EBITDA 预计在 2025 年将下滑至约 1.6 亿美元，这初步印证了该模式的脆弱性——而随着 AI 进一步重塑整个行业，挑战只会更大。
三种商业化路径
把长周期 Agent 推向市场有几种不同的打法。
(1) 卖平台： 在这种模式下，供应商把长周期 Agent 作为软件出售，支持企业现有的业务运营。原告律师案件 Agent 接入现有团队及其工作流就是一个很好的例子。卖平台的好处是收入上限更高，因为通常没有现成的同类软件或外包服务合同来锚定价格。但缺点是会拉长销售周期，因为需要设立新的预算科目；而且当一个 Agent 要对接企业内部多个部门时，也很难把结果清晰地归因于它。
(2) 卖服务： 在这里，供应商接手一项已经外包出去的服务，更高效地交付预期结果，就像 Red Ventures 替保险公司包揽整个获客旅程一样。这种方式能缩短销售周期，因为买方的 ROI 账很好算，而且 BPO（业务流程外包）的预算本来就存在。然而，AI 时代之前的既有定价模型可能无法体现长周期 Agent 真正能交付的价值，而且目前许多高价值旅程都是企业内部自营的，这限制了该模式的适用范围。
(3) 全栈模式： 全栈意味着纵向整合，成为一家 AI 原生的玩家。比如，与其把长周期 Agent 卖给催收公司，不如你自己买下债权资产包亲自去催收，这样就能完全捕获 AI 带来的所有增量价值，同时解决归因难题。但这也意味着你要承担牌照、合规等实际客户旅程之外的环节，增加干扰因素和运营复杂度。
现在判断哪种路径会胜出还为时尚早，但我们坚信，长周期 Agent 将大规模赢下这场“接力赛”，并把 AI 的可触达市场从“分走一部分人力预算”扩大到“分走一部分营收”。原告案件准备只是一个例子，我们预计 Agent 还将在房贷申请、保险理赔、复杂企业销售等无数高价值旅程中驱动结果。如果你正在探索如何抓住这个机会，欢迎与我们联系！
