别再用Token糊弄KPI了！硅谷Sierra与国内零犀正用“按效果付费”颠覆大模型商业化

导语：抛弃虚无的Token消耗率，AI大模型正迎来“按效果付费”的终极考验，RaaS正在重塑整个科技圈。

自从黄仁勋在 GTC 大会上开玩笑般建议企业将 Token 消耗量计入工程师的 KPI 后，科技界一些荒诞的怪相便开始野蛮生长。

先是 Meta 内部被爆出搞起了有些魔幻的“刷 Token 竞赛”，员工为了让数据好看，甚至编写死循环机器人、使用低效冗长的提示词来人为刷量；紧接着，亚马逊的部分团队为了证明自己是“高频使用 Agent”的排头兵，把原本几行代码就能搞定的简单逻辑，硬生生包装成了复杂的自动化智能体流水线。这种表面上的繁荣掩盖了一个核心痛点：当企业无法客观衡量 AI 带来的真实业务价值时，管理层只能退而求其次，用看似量化的“调用量”来麻痹自己。

这种评价体系的失真，正在成为整个 AI 行业落地时的隐秘硬伤。

麦肯锡公布的一项调研数据极其冷酷：虽然全球有 88% 的受访企业声称已在业务中常态化使用 AI，但真正能够实现因 AI 引入而提升息税前利润（EBIT）超过 5% 的“AI 高绩效企业”，占比甚至不足 6%。巨大的算力采购开支、昂贵的工程师工时，最终兑现成了账单上一串好看却空洞的 Token 数字。企业管理者心里都清楚 AI 是未来的门票，甚至也在跟风投资，但若要追问这笔钱到底换来了多少实打实的业务增幅，却极少有人能拿出令人信服的答卷。

这正是过去两年来大模型产业最为尴尬的阵痛点。大多数技术公司卖的本质上还是“工具”或“纯算力”。工具好不好用、能不能创造增益，试错成本和应用风险被极其自然地转嫁给了采购方。更棘手的是，这代生成式 AI 工具比以往任何软件都更昂贵、更不可预测，极其依赖企业自身的数据质量与业务重塑能力。于是，多数企业只能盯着日活、调用频次这些“过程指标”来自我宽慰。

然而对商业世界而言，决策者需要的从来就不是无意义的 Token。CEO 不会因为数据库里跑了多少亿个字符而开香槟，董事会也不可能仅凭智能体的使用频率就批准下一季度的核心预算。他们要的是最朴素的东西：能被精准验证的业务产出、可以明确归因的财务表现，以及能够直接体现在财报里的增长数据。之前，极少有技术厂商敢在这条底线上和企业利益捆绑。而现在，行业风向开始变了。

商业范式的破局点：RaaS 模式的全球交锋

红杉资本在今年发布的一篇前瞻性深度文章中，首次将“RaaS（Result-as-a-Service，结果即服务）”这一理念推到了聚光灯下。

该文做出了一个极具胆识的行业预判：“下一个万亿美元级的巨头，很可能是一家伪装成服务公司的软件企业。”这背后有着极其严密的底层逻辑。过去，以 AI 助手（Copilot）为代表的“卖工具”模式，用户虽然买了软件，但还要额外花钱雇人来操作。而在以自动驾驶（Autopilot）级交付为核心的 RaaS 模式下，企业买下的是“工作成果”这件商品。用户只为最终达成且可界定的商业结果买单，不再支付高昂的订阅费。

从财务结构看，企业在软件采购上每花 1 美元，往往就需要在相关配套服务和人力运营上支出接近 6 美元。AI 认知能力的爆发，让大模型直接“接管人类工作并交付结果”成为了可能，这一模式正在切入那个远比传统软件市场庞大得多的劳动力预算池。

这种颠覆性的商业思考立即得到了顶级资本市场的共鸣。由 OpenAI 董事会主席 Bret Taylor 与前谷歌高管 Clay Bavor 联合创办的 Sierra 便是这一领域的标志性样板。他们致力于为大型企业提供定制化的自主客户体验（CX）系统，其业务底盘正是鼓励客户“为出色的结果买单”。据公开信息披露，Sierra 的估值已飙升至 150 亿美元，相较于其当前约 1.5 亿美元的年经常性收入（ARR），溢价倍数高得令人咋舌。

如此高的估值并非空中楼阁，其底气直接来源于 Sierra 极强的头部企业渗透率。在对合规与转化率极其敏感的体验级场景中，财富 50 强企业中已有超过 40% 成为其深度客户。这意味着“按结果付费”不是停留在 PPT 里的概念，而是在极其严苛的头部企业测试中完成了闭环验证。

而在国内，同样有一家极具代表性的企业在默默践行这套逻辑，并以极其务实的方式率先向市场交出了规模化盈利的答卷——它就是零犀科技。

在行业尚未完全走出商业化探索期的背景下，零犀科技显得极为克制且务实，避开了宏大的基础模型竞争，而是直接让 AI 智能体去攻克转化难度最高的金融销售场景。在保险、汽车等高客单价行业中，零犀构建的 AI 系统能够真正主导从兴趣激活、客户跟进、精准推荐到最终促进成交的全链路流程。

这是一场极其直接且不留退路的硬仗：用户是否付款、保单是否真正达成，就是唯一的金标准。从早期的技术探索到 2024 年实现公司级净利润转正，再到 2025 年展现出强劲的规模化正现金流，零犀为大模型在中国的商业落地跑通了一条实证之路。以某头部保险机构的合作为例，引入零犀的智能体后，该机构直接新增保费收入超 20 亿元。在传统模式下，若想达成同样的业务增益，企业必须背负一支规模在 800 至 1000 人左右的庞大电销军团所带来的管理门槛和运营红利摊薄成本。

敢于将不确定性风险全部抗在自己肩上，这不仅需要过硬的商业胆识，底层更需要极其强悍的工程与系统稳定性支撑。毕竟如果最终交付无法达标，承压方就会面临实打实的资金亏损压力。而这种生存压力，也逼迫着 Sierra 和零犀走向了完全不同于通用大模型应用的技术深水区。

为结果负责的底层硬核科技：异构编排与因果干预

尽管从表面看两家公司侧重点判然有别——Sierra 倾向于客户体验的顺滑与合规，零犀则痴迷于销售成交的终极转化——但从技术逻辑深剖，两家公司走在同一条底层演进道路上：它们都深刻认识到，单纯靠堆砌通用大模型的能力，是根本无法为复杂结果做出稳健兜底的。

为了应对真实业务场景里无处不在的长尾噪声，两家厂商都在通用底座之上，量身构筑了一整套包括执行拦截、记忆控制、语义评估在内的业务控制网络。通过在后训练阶段进行强力干预，让大模型在垂直产业里表现得更可靠。

为了实现客户体验的绝对合规，Sierra 创造性地打造了一套极其精致的模型编排网络。在其体系内，多达 15 种以上各司其职的异构微小模型协同运转，再通过更高一级的监督模型对每一次动作进行高频、实时的合规审查。这种思路更像是通过严密的“企业化组织管理”去倒逼体系的正确性，从而实现生产安全的上限。

但面对真刀真枪的销售战场，仅靠这套思路是不够的。对于零犀科技来说，销售追求的从来不是简单的“把话说得正确”。

试想这样一个典型场景：一位客户在咨询险种时，提到“我要和家人商量一下”。如果使用的是市面上普通的 AI 客服，系统大概率会非常温顺地回复：“好的，那您商量好随时叫我。”从安全和合规的角度看，这个回答挑不出任何毛病；但在真实商业场景里，机会已经流失了。一位顶级销售能够敏感捕捉到这句话背后的潜台词——顾客是对当前的保障范围仍有疑虑？还是对性价比有顾虑？销售精英会通过更具同理心的发问，去挖掘并消解这个担忧，引导成交。

要想让模型掌握这种高情商的商业博弈能力，必须对其进行系统性的策略奖励或惩罚性后训练，持续纠正并迭代它的反馈决策权重。这比教大模型去写代码要艰难得多，因为真实的商业沟通存在三大难以逾越的鸿沟：

• 信号稀疏：真实的真实销售转化率极低，大部分沟通都以拒绝收尾。这就使得可用于正向强化的成功反馈样本天然极度匮乏，无法像代码验证那样通过“有无报错”来实现海量低成本仿真。
• 归因泥潭：一单最终达成了，究竟是因为智能体策略得当，还是因为客户原本就有采购需求？这就如同医学研究中厘清复杂病因一样，绝不能靠简单的相关性统计，必须通过极高密度的临床级反事实对比来论证。
• 虚假相关误导：在统计学角度上，大模型很容易因为捕捉到某些荒谬的表层相关而走偏。如果数据表明“沟通时间越长越容易成交”，模型就会倾向于喋喋不休地拖延对话，甚至无视用户已经产生烦躁情绪的客观事实。这种机械的相关性崇拜，正是通用垂直智能最大的软肋。

零犀的破局解法：构建因果图谱的自我进化飞轮

面对行业中悬而未决的归因怪圈，零犀科技并没有随大流去盲目卷更大参数的底座，而是选择了一条截然不同且难度极高的科研探索路线——引入“因果 AI”的观念框架进行后训练模型重构。他们不单教模型如何“更好地输出句子”，而是深层次地让模型弄清楚：客户究竟为什么选择买单，哪些沟通手段是真正有效的，其运作的物理和逻辑链路究竟是什么。

在这个被重新定义的研发范式中，零犀科技在以下三个核心支柱上进行了极深的技术布局：

第一步：搭建因果完备的全链路数据地基

为了免遭荒诞的表面相关性蒙蔽，零犀不再被动记录扁平的文本聊天日志。他们将每一次交互的数据，扩展到了一个全链动态图谱中：包括用户接入时的历史微观画像、所处的业务链路节点、AI 当时做出判断的策略权重以及用户随后产生的多维情绪波动。将这一套蕴含明确“动机-行为-结果”演变路径的完整因果鏈沉淀为领域知识图纸，对每一次后训练输出行为形成底层的理性钳制。

第二步：将人脑中隐性经验的显性参数化

老手销冠积累一生的“独门话术”，往往是复杂且难以用确定性算法还原的艺术。零犀通过独创的“客户意向状态识别-多元策略择优-微观反馈归因”链路，把顶尖销售的直觉降维拆解成了一整套结构化的逻辑因果关系链。当其与统计因果交叉印证后，被源源不断地通过后训练写进大模型的网络深处，指导强化学习引擎能够明确且高效地进行算法趋优。

第三步：引入反事实推理与动态自进化

面对极度稀缺的成交数据，零犀甚至让模型学会了“回马枪式的复盘自我批评”。针对每一桩未成交的销售过程，系统会启动反事实推理模块：“假定我们刚才在第 3 轮对话时没有强推保费折扣，而是花时间重点重申少儿重疾赔付政策，那么后续可能挽回的成功率会是多少？”这种通过对潜在可能性进行演算提取知识的能力，为技术的高频自闭环探索开辟了新通道。

基于这套精心构筑的演变回路，一个强大的进化飞轮在真实商业水温里高速旋转起来：当他们包揽下结果风险时，就同时获得了最直接、最清洁的终端反馈数据。哪些分支能获得真实增益，哪些说辞会踩中合规雷区，都被迅速归因、梳理并转化为全新的后训练肥料注入神经网络，形成了令人望尘微步的高维竞争屏障。

支撑这套进化体系不断向极致演进的，还有一支极具张力的跨界团队。在零犀的后训练工厂中，既有来自最顶尖科研单位的算法极客，也有在理财、汽车、保险等严酷环境下摸爬滚打十余年的顶级线下“老销售销售专家”。他们所做的工作并非流水线式的简单数据贴签，而是用毕生实战积累下来的商业敏感度，帮助 AI 找到大模型向高价值数字劳动力跃迁的钥匙。

结语：当噪音褪去，价值终将回归常识

当我们把视线从零犀与 Sierra 那些复杂的架构图上移开，重新审视整个大模型行业的时代演进，便不难发现，单点式 AI 工具带来的神秘感正在退潮。随着新一代推理模型展现出了近乎恐怖的自主代码生成与任务自理能力，很多独立的套壳应用正在失去坚守的根基。

软件工具正在加速贬值，但与之相对的，能够代替人类真正把复杂项目搞定并输出确定结果的“服务能力”，价值正在大踏步地水涨船高。

大模型商业化这场战役，下半场的核心逻辑其实分外直白：谁能够帮企业直接分担高风险的劳动包，让其不用再为复杂的系统运营算力费心，谁就能够在未来的核心劳动预算再分配中拿走最大的那一块蛋糕。这种嵌入和壁垒是一旦建立便极难撼动的。随着时间的推移，每一次在真实业务场景里的博弈与交付，都会沉淀出更为强大的因果策略图纸，底层大模型迭代得越快，这些高价值的动态逻辑数据就会被放大得越耀眼。

摩根士丹利此前在一份产业展望中提及，AI 作为新一轮技术高地的演化，其核心生产率对传统行业的实际提升和彻底爆发，可能要到 2030 年才会真正成熟。当概念炒作的潮水彻底退下，那些敢于放弃虚幻的调用数字、敢于帮客户承担商业风险并扎深技术土壤的公司，才是数字革命里最长袖善舞的造梦者，也是未来十年的行业定义者。