当下业界聚焦结果付费（RaaS）与Agent技术进展的结合议题。结果付费在中美市场的落地情况备受关注，但其对A 股软件上市公司本就负数的累计利润或造成更大冲击。与此同时，Agent技术的最新发展亦成为焦点。
本次邀请到容智信息CEO柴亚团，围绕结果付费在中国落地的实际进展与现状展开交流，探究这一模式在行业利润承压背景下的实践路径，以及与Agent技术融合可能带来的变革与挑战。
01 结果付费模式在企业服务领域的兴起、变革与落地挑战
结果付费在企业级ToB 市场并非全新概念，IT 服务外包领域早在十多年前就已尝试这一模式，但今年其概念再度兴起与 AI 行业的发展密切相关。当下 AI 行业正经历从 “卖工具” 到 “卖收益” 的转型，过往企业在 SaaS 工具等方面投入大量预算却常未达预期效果，而 Agent 技术的出现降低了客户尝试新技术的风险。因此，结果付费模式的兴起被视为鼓励用户尝试 AI 技术的良好开端，有望推动行业从单纯的工具销售转向价值导向的服务模式。
此次结果付费与上一代智能客服等领域的尝试存在本质差异，核心在于结果评估标准的彻底变革。上一代模式更关注“事情是否完成”，如客服系统的功能实现，而此次则聚焦 “客户实际收益”，例如营销环节的收入增长、客户满意度提升等可量化指标。AI 技术的进步，尤其是大模型的成熟，使语义理解精度大幅提升，能够精准识别用户意图，无论是正式语言还是口语表达，都能准确把握需求，这为结果付费中指向客户核心期望的结果衡量提供了技术支撑，使得 “按效果付费” 从概念走向可落地的商业实践。
回顾上一代 RPA 按结果付费的失败案例，其核心问题在于 RPA 本身的技术局限性。RPA 本质上是临时技术中间态，高度依赖业务系统环境，一旦系统页面或逻辑改变，RPA 流程就会失效；且 RPA 处理的多是规则清晰、价值较低的重复性任务，单次执行价值有限，难以支撑结果付费模式。而 Agent 技术则聚焦高价值、需经验判断的复杂任务，与 RPA 结合后可形成端到端的解决方案，例如智能体规划加 RPA 执行的模式，能真正实现业务流程的全面接管，为结果付费提供了可行的技术基础。
结果付费模式的推行本质上源于企业预算下滑的现实压力，企业希望IT 投入能获得明确的价值保障，而非厂商间的内卷竞争。尽管短期来看，结果付费可能压缩厂商毛利，影响产品研发投入 ，尤其是对新兴的 Agent 服务商而言，高毛利空间是支撑持续研发的关键 。但从长远看，唯有能为客户创造真实价值的厂商才能在这一模式下获得更大收益。此外，结果付费还能有效挤出 AI 行业泡沫，促使市场从概念炒作转向实效竞争，推动行业健康发展。
在商业化落地层面，结果付费尚未形成标准化模式，目前多采用“基础费用 + 分润” 的一事一议机制。甲方先支付基础费用覆盖乙方初始成本，待业务产生实际收益后，乙方再从收益中获得分润，这种模式本质上是甲乙双方的共建合作。与传统模式相比，它降低了甲方的初始投入风险，同时也要求乙方从单纯的服务提供者转变为价值共创者。然而，这一模式对企业自身提出了更高要求，企业需投入更多业务人员参与共创，积累行业 Know-How，而非仅扮演项目管理角色，这也意味着厂商在选择标杆客户时需谨慎考量甲方的资源投入意愿与能力。
对比 SaaS 在中国的水土不服，结果付费模式有望突破这一困境。SaaS 失败的核心原因在于国外模式面向中小企业且高度标准化，而国内市场却将其项目化，大企业主导且需求高度个性化。结果付费则不同，其需求源自甲方对投入产出的理性考量，大小企业均追求明确的结果回报，且通过 “标准化平台 + 个性化配置” 的方式，可在满足企业差异化需求的同时避免完全定制化的高成本，从而更适应中国市场的实际情况，为 AI 技术在企业服务中的落地开辟新路径。
02 Agent 开发新范式解决传统 Workflow 模式痛点
上一代 Agent 开发范式多以开发代码为导向，但其落地时面临业务人员上手难的问题。此前基于 Workflow 的拖拉拽模式，即便标榜低代码或零代码，仍需 IT 人员或原厂交付人员操作，业务人员难以真正参与，根源在于传统模式存在技术门槛，复杂流程无法摆脱代码依赖，且与业务人员的话术体系脱节。
新一代 Agent 开发平台尝试通过自然语言交互解决上述问题。其核心优势在于打破传统 Workflow 模式的呆板性 。 上一代基于 Workflow 的 Agent 预设脚本僵化，未预设的问题便无法响应，而自然语言范式借助大语言模型的语义理解能力，能精准识别用户意图，无需预设脚本即可灵活应对业务需求，避免了 “超出范畴就无法回答” 的困境。
自然语言驱动的 Agent 开发平台采用 “三大模块” 架构：以大语言模型作为 “大脑” 处理意图识别，通过 Memory 模块存储上下文记忆，借助 Tool 模块实现工具调用，如 API 查询数据库或 RPA 操作。这种架构将大模型的语言理解优势与工具执行能力结合，既发挥了大模型在语义解析上的特长，又通过工具调用解决了其 “幻觉” 问题，形成技术组合的最优解。
对业务人员而言，自然语言交互大幅降低了参与门槛。无需学习流程图拖拉拽或代码编写，只需通过中文自然语言描述对 Agent 的需求，如输出结果、操作步骤等，即可完成开发调整。这种“像写文章一样修改 Agent” 的方式，使业务人员能直接参与到场景构建中，避免了传统模式中需求梳理的中间翻译环节，减少信息遗漏与知识转移损耗。
业务人员的深度参与对 Agent 落地至关重要。因其对具体业务场景的 Know-How 最为熟悉，若缺乏业务人员参与，Agent 开发易陷入 “需求偏差 — 反复修改” 的循环。自然语言范式让业务人员能直接用零代码方式定义需求，例如在营销场景中实时调整话术逻辑，使 Agent 更贴合实际业务流程，提升落地成功率。
与 OpenAI 等厂商的自然语言开发思路一致，该范式被视为对 Workflow 手动搭建模式的升级。Workflow 模式因缺乏智能性，本质上是临时方案，而自然语言驱动的 Agent 开发通过人机交互的灵活性、业务人员的直接参与以及技术模块的协同，正成为推动 Agent 从概念走向业务落地的核心路径，为企业服务智能化转型提供了更可行的技术范式。
在 Agent 开发范式的演进中，Workflow 模式被视为中间态。当业务规则清晰时，Workflow 结合 RPA 处理能实现 100% 准确率，性价比最高；而面对模糊需经验判断的场景，其僵化性暴露，此时自然语言驱动的 LM 架构成为最优解，通过人机交互循环精准理解需求并输出结论，弥补了 Workflow “半自动化” 的不足。
03 Agent 突破路径：C 端通用智能体先行渗透 B 端，还是 B 端垂直场景率先落地？
关于 Agent 技术落地路径，存在 ToC 先于 ToB 或反之的争议。从现状看，C 端智能体面临商业化困境：尽管互联网巨头推出免费产品吸引流量，但用户粘性不足，长期使用意愿低。而 B 端更具商业可行性，企业愿为能创造实际价值的智能体买单，这促使开发聚焦垂直领域而非通用场景。
垂直领域智能体的落地逻辑在于“由深到广”。人类技术迭代规律表明，需先在细分场景做深做透 ， 通过沉淀行业 Know-How、打磨技术稳定性，再逐步拓展至通用能力。若一上来就开发通用智能体，缺乏具体场景支撑，易陷入技术空转，无法满足企业实际需求。
B 端与 C 端的商业化逻辑差异显著。C 端依赖流量变现，如通过广告植入、搜索结果权重等方式实现盈利，其核心是用户规模与注意力争夺；而 B 端聚焦价值创造，企业更关注智能体能否解决具体业务问题（如提升转化率、降低成本），付费意愿基于可量化的收益，而非流量规模。
当前 B 端市场对通用智能体接受度低。此前大模型热潮中，企业多次为概念买单却未达预期，导致对通用方案持谨慎态度。例如年初 DeepSeek 等模型推出后，部分企业因前期投入巨大陷入焦虑，更倾向于选择聚焦垂直场景的应用型 Agent，以规避风险并快速实现价值落地。
未来 ToB 与 ToC 路径可能交汇。C 端通过流量积累数据与用户习惯，B 端通过垂直场景打磨技术与行业经验，两者在数据互通、能力互补的过程中，可能孕育出兼顾通用性与行业深度的智能体形态。这种融合既需要 C 端流量生态的成熟，也依赖 B 端垂直技术的突破，是未来几年值得关注的发展方向。
04 企业端Agent 开发面临模型能力与成本控制双重挑战
企业端对智能体的准确性、稳定性要求远超 C 端，当前 Agent 开发平台在商业化落地中面临两大核心挑战。模型层面存在幻觉问题，虽可通过工程能力弥补，但如DeepSeek满血版大模型的高算力成本成为企业部署瓶颈，尤其私有化部署时硬件投入巨大。
算力稀缺与成本高企是主要障碍。中国算力资源紧张，企业若采用满血版大模型运行 Agent，不仅采购成本高昂，后续维护也需持续投入，导致许多预算有限的企业望而却步，目前落地仍集中在金融等预算充足的行业。
优化方向聚焦“模型轻量化” 与 “成本控制”。一方面尝试用小参数模型替代满血版，通过行业数据调优提升稳定性；另一方面利用企业沉淀的私有化数据对小模型进行定向训练，在降低硬件要求的同时保证智能体的准确性。
模型厂商与企业协同推进成本下降。随着技术迭代，更小参数的模型将成为趋势，既能减少算力依赖，又能适配更多企业的预算需求，推动 Agent 从头部企业向中小企业渗透。
当前落地进度呈现行业分化。金融等资金充裕领域已开始尝试满血版模型，而更多企业受制于成本，仍在等待轻量化方案成熟，需平衡模型能力与投入成本以实现规模化应用。
未来趋势是“低成本 + 高可用”。通过技术优化降低模型硬件门槛，让中小企业也能享受智能体红利，同时通过行业数据积累提升小模型的专业性，实现 Agent 开发平台的广泛落地。
展望未来，企业服务的智能化转型需要在技术迭代与商业实践中寻找动态平衡。对厂商而言，需以“垂直场景 + 轻量化技术” 降低企业试错成本，通过 “基础服务 + 价值分润” 的混合模式实现可持续盈利；对企业而言，需打破 “技术采购” 思维，以业务人员深度参与的 “价值共创” 模式，将 Agent 真正融入经营流程。当结果付费成为行业共识、Agent 技术实现成本与效能的最优解时，企业服务将摆脱 “概念内卷”，迎来以实效为核心的黄金发展期，最终推动 AI 从工具层面向生产力层面的深度跃迁。
文章来源：爱分析ifenxi
