AI 客服本因高重复、强标准的特性，被视作最易被自动化替代的岗位，可现实却陷入用户吐槽的困境，简单咨询需多次转接才能找到人工，效率未升反降，人工客服反倒成了奢侈体验。但这样的质疑并未冷却资本热情，AI 客服公司 Decagon 过去两年完成 4 轮融资，2025 年 6 月 C 轮估值达 15 亿美元，仅三月后就被传升至 50 亿美元，成了资本市场的 “香饽饽”。
客服，一直被认为是最容易被AI替代的岗位。高重复、强标准的流程特性，让它成了自动化落地的天然“试验田”。
但现实却远没那么理想。在社交平台上，越来越多用户吐槽：
“一个简单的咨询，竟然要转4遍才能找到人。”
“难度比以前提高了100倍。”
AI本应提升效率，但在很多企业里，它反而变成了新的“阻断层”。问题没解决，先被“解决”的，是提出问题的人。人工客服，如今成了一种奢侈体验。
但这些质疑，并未浇灭投资人对AI客服的热情。
过去两年，AI客服公司Decagon已经完成了4轮融资，累计募资超2.3亿美元，几乎每一轮都在正式启动前就被“提前截胡”。
2025年6月，在Accel与a16z联合领投的C轮融资中，Decagon的估值已跃升至15亿美元；仅隔三个月，路透社爆料称，有投资人主动抬价，估值或已被推高至50亿美元。
VC排着队递Term Sheet（条款清单），让这家初创公司的估值增长周期，从一年压缩到了一个季度。
为什么在质疑声中，Decagon反而成了资本市场的“共识”？它的独特之处，又是否真的跑通了“AI客服”这门生意？
今年夏末，一场关于“AI客服是否应当优先投入”的争论，突然从X平台烧到了各家公司的董事会。
起因是，Decagon在今年8月放的一份调研：
在对2077名美国成年人的调研中，18–44岁人群对AI客服的信任明显回暖：近三分之二的人表示，比去年更愿意让AI接待客户。
与此同时，大家对糟糕客服的容忍度已降至冰点——一次不爽就转身离开，甚至有三成受访者直言：宁愿去看牙医，也不想再打客服电话。
客服自动化是一个相对传统但市场庞大的赛道，全球客户服务市场估值高达4450亿美元。
这个市场既有Salesforce这样的系统整合老将，也涌现出Sierra这样的AI原生新贵——由OpenAI董事会主席、前Salesforce CEO Bret Taylor创办，2024年10月刚完成45亿美元估值融资。
在AI客服的公司里，Decagon也绝对算是一个耀眼的明星了。Decagon定位为一个多通道AI客服代理平台，主打自动化处理客服流程，覆盖聊天、语音、邮件等渠道。
它将客服拆成两条并行流水线：文本与语音，并外挂一套“人类可理解、审计可追溯”的规则系统，试图把效率、合规与信任打包成一套可落地的SaaS产品。
网页或App右下角的小窗口仍是客服的主战场。举例来说，当顾客表示“我把行李落你们租的车里了”，Decagon系统可以立刻认出关键词“lost item”和“rental car”，对应“租赁车辆”和“物品遗失”两个关键元素。
这时候，Decagon的客服就会参考《遗失物品标准作业流程（SOP）》安抚顾客，再引导填写在线表单，并自动将案件编号邮件发送给客人。如若需要租车合同，系统也可自行调取CRM快照。
再列举棘手一些的场景，Duolingo用户投诉“订阅扣了费但没给我Plus”。系统会自动核对订阅状态，发现为苹果端支付延迟，直接生成含退款链接的双语邮件，用户点击两次即可完成退款。
公司公开表示，其平台“平均转接率接近70%，部分如Duolingo达80%+。
语音能力方面，Decagon与ElevenLabs合作推出AI语音代理，强化“电话也能由AI接”的能力。而Decagon的语音通道由AI语音代理全程处理，模拟人工坐席。
以租车公司Hertz为例，如果客人夜间来电称自己在洛杉矶机场提的车的车胎压报警灯了，Decagon系统会依次确认位置、车型、指示灯状态，查询门店库存后给出两条可选方案：
客人选后，系统自动将GPS坐标、车牌、手机号写入救援工单，并短信发送技师联系方式。通话结束，AI将摘要回写到Salesforce，方便次日人工回访。
平均通话时长约95秒，较人工平均4分20秒缩短约60%，且保留跨通道记忆：若客人挂断后再次打开App聊天，系统会继续询问“技师是否到达”，无需重复描述车况。
除了打磨服务外，Decagon还在花了很大力气在产品落地上。
如今的大模型如ChatGPT虽然聪明，但回答常常很随机，这一点在进入金融、医疗、客服这类讲究规范的领域，就变成了潜在风险。合规和审计团队难免会担心：AI为什么这么回答？依据是什么？能追溯来源吗？出了问题谁来担责？
这些顾虑，让很多企业不敢轻易用AI。而Decagon的解法很巧妙：给大模型加一层叫AOP的规则系统。AOP，声明式策略语言，Decagon的核心技术之一，指运营／客服人员用自然语言制定“如果…那么…”逻辑，系统自动编译执行。
这套系统允许客服或运营团队用接近日常语言的方式，编写业务逻辑规则——比如“特定用户类型优先接入人工”、“检测到用户负面反馈后触发安抚回应”等。系统会将这些自然语言规则转译为结构化逻辑，由底层的AI Agent执行。
AOP模式的好处在于三点，快速构建(Speed to Build)、灵活适应(Flexibility)、安全护栏(Guardrails)。
采用AOP后，业务团队可直接用自然语言调整逻辑，即无需写代码，仅用几句话即可上线新规则；同时，业务规则可以随场景演变快速更新。据Decagon披露，采用AOP后，客户最快在几周就看到ROI。
相比“黑盒”模型决策不可控，AOP所有决策链路都有迹可循。所有规则可以被查看、测试和版本管理，系统还能提供“为何触发某条规则”的上下文说明，帮助企业在自动化的同时保留审核与追责能力。
此外，Decagon的平台设计支持客服流程中必要的“人工接手”机制，以及从AI到人工之间的灵活路由，并提供用于运营监控的控制面板。
这些能力组合在一起，使其产品既面向效率，也兼顾对流程合规性与品牌体验的要求。
总得来说，Decagon没有选择让AI更聪明，而是选择让它更可靠。正是这份“可信”，让它从一个客服工具，升级为整个企业信赖的AI系统。
随着今年Agent概念持续升温，Decagon作为垂直场景中最具代表性的AI Agent项目之一，估值也水涨船高。
2025年6月，Decagon 以 15 亿美元估值完成了1.31亿美元C轮融资，由Accel和a16z共同领投。仅三个月后，路透社曝出有投资方主动抬价，新一轮估值可能攀升至50亿美元。而距离其上一轮 B 轮融资（估值6.5亿美元，融资额6500万）不过不到一年。
资本市场如此追捧，除了得益于其产品的高落地性，更关键在于其明确、直接、效果导向的变现逻辑。
不同于许多AI公司以SaaS订阅为主的收费方式，Decagon采用的是按使用量或按结果付费的双轨模式。客户可以自由选择：
按使用量：按每次AI Agent会话计费；
按结果付费：仅当AI成功完成客户请求时才收费，单价更高，但失败不收费。
这种定价模型让产品本身与ROI高度绑定：使用越多、节省越多、付费越合理。正如其在市场中的主张所强调的：
“你每接待一次客户，我们就帮你省掉一次人工客服成本，我们只从节省下来的部分里分一杯羹。”
其核心价值很直接：省人就是省钱。
据官网披露，平台部署后的平均工单分流率接近70%。以每名客服年均成本5–7万美元计算，企业每投入1美元，理论上可节省3–4美元人力支出。TaskUs也在公开声明中表示，希望通过与Decagon合作，将客户支持成本降低25%–50%。
在落地方面，Decagon已积累一批极具说服力的标杆客户与实证数据：
据第三方数据显示，Decagon平均每个客户的年合同价值已达40万美元左右。这些成果背后，是Decagon正在推进的“平台+生态”战略架构。
具体来说，Decagon试图建立一个企业级的、可扩展的客服自动化平台（规则引擎+AI agent+多通道+监控机制），并配套构建合作伙伴网络（实施服务商、运营外包商、培训认证机构），从而加速落地、扩大规模、提高门槛、增强竞争力。
比如，Decagon通过“Decagon University”提供认证培训体系，构建服务生态，自身则聚焦于语音模型、规则引擎等关键技术栈的打磨与演进。
这种“平台做底座、生态做规模”的打法，并非首次验证。
Salesforce早在十多年前就走通了这条路。最初它只是CRM软件供应商，后来推出AppExchange和Force.com，成功转型为平台型公司：由第三方开发插件、系统集成商提供定制服务，Salesforce本身则专注订阅收入与生态分成。
今天的Decagon，正试图在客服AI赛道复刻类似的路径：从单点AI工具，走向结果交付的系统平台，从产品能力走向平台生态的复利增长。
撰文：郎朗
本文由人人都是产品经理作者【乌鸦智能说】，微信公众号：【乌鸦智能说】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。