Hapax把AI塞进银行练了3年，现在要让打工人集体失业？

全球企业每年在AI工具上烧掉数千亿美元，但80%的员工仍在手动复制粘贴Excel。Hapax今天扔出一组数据：其主动式AI平台能让非技术团队零代码搭建自动化工作流——不是等用户提问，而是像新来的实习生一样，先看两周你怎么干活，再递上一份"我能帮你干这个"的方案。

银行熔炉里炼出的"反Prompt"哲学

Hapax的CEO Hank Seales有个暴论：「收获AI红利不该需要额外时间和技术技能。」这话听着像所有SaaS厂商的营销话术，但背后有个反常识的产品决策——他们主动放弃了大语言模型最擅长的"创意生成"能力。

事情要从银行业说起。Hapax早期扎根金融监管最严的赛道，发现传统LLM（大语言模型，Large Language Model）有个致命毛病：你给它越自由的发挥空间，它越会在关键任务上跑偏。银行客户要的是"每周三下午三点，把这三张表的A列和B列核对完，异常标红"，而不是"根据你的数据风格，我生成了一段富有洞察力的分析"。

Seales的团队因此押注了一条窄路：让AI放弃"理解"，专攻"记忆"。Hapax的底层不是通用对话引擎，而是一个专有的世界模型，封装了记忆、信息流、因果关系——包括用户交互、业务活动、数据和网络拓扑。换句话说，它不关心"什么是好的财务分析"，只关心"张经理过去47周每周三下午都点了哪七个按钮"。

这个设计在银行业是生存必需，在普通企业却成了降维打击。当其他AI厂商还在教用户怎么写Prompt（提示词）时，Hapax的卖点是"你根本不需要知道Prompt是什么"。

实习生式渗透：先看，再问，再接管

Hapax的入职流程模拟了一个理想实习生的行为模式。

第一阶段是观察期。平台接入企业的工具链后，开始记录工作流——不是录屏那种粗暴监控，而是识别重复性操作的模式。同一个人每周用同样顺序打开同样三个系统、导出同样格式的报表、填入同样的模板，这套动作会被解构为"触发条件-操作序列-输出目标"的结构化数据。

第二阶段是提案期。系统生成一个自动化方案，复现用户的工具使用路径，接入相关数据源，在正确的时间推送需要的信息。然后它停下来，发一条通知："我注意到你每周做这个，要试试让我代劳吗？"

第三阶段是磨合期。用户可以在可视化界面里调整参数，比如"周三改到周四""多加一个审批节点"。Hapax强调这不是一次性配置——业务变了，工作流跟着变，AI同事会重新观察、重新提案。

Seales把这种关系定义为「组织智能，而非个人生产力」。市面上大多数AI工具在解决"一个人怎么干得更快"，Hapax想解决的是"一个部门的知识怎么不随着老员工离职而蒸发"。

主动式的代价：从"响应"到"入侵"的微妙边界

Hapax的差异化定位有个天然张力。

被动式AI（聊天机器人、传统Agent）的安全感在于边界清晰：用户发起，AI响应，权责分明。主动式AI则必须回答一个伦理问题——到什么程度算"帮忙"，什么程度算"监视"？

Seales的回应很产品经理：「我们构建的是同事，不是脚下绊人的东西。」具体落实在产品层面，Hapax设置了双重 consent（同意）机制——系统不会自动执行任何操作，每次提案都需要人工确认；用户随时可查看AI"看到"了什么，并一键删除特定数据流。

但更深层的挑战在于组织政治。Hapax的卖点是"零代码自动化"，这也意味着它直接威胁到企业内部的RPA（机器人流程自动化）团队、低代码开发团队，甚至某些中层管理者的存在价值。一个能自己发现需求、自己搭建流程的AI，让"数字化转型的负责人"这个角色变得尴尬。

银行业给Hapax的另一样遗产是合规肌肉记忆。平台从第一天就嵌入了企业级安全和审计追踪，这在金融客户那里是门槛，在普通企业那里是溢价能力。Seales暗示，某些竞争对手的"主动式AI" demo（演示）在真实企业环境里跑不过合规审查的第一关。

市场卡位：当"Agent"变成烂大街的标签

2024年到2025年，"Agentic AI"（智能体AI）从学术概念变成营销热词。微软Copilot、Salesforce Agentforce、ServiceNow的AI Agent——每家都在说自己能"自主完成任务"。

Hapax的切割策略是重新定义"主动"的颗粒度。大多数Agent仍然是人触发、多步骤执行；Hapax的触发条件是"系统检测到模式"，执行前还要经过人的许可。这不是技术能力的差异，是产品哲学的差异——前者追求"尽可能自动"，后者追求"尽可能不打扰"。

这个选择有其商业逻辑。Hapax的目标客户不是技术先锋，而是"有数字化焦虑但无数字化预算"的传统企业部门。他们买不起专门的AI团队，也养不起RPA工程师，但需要证明自己在降本增效。一个"看起来懂我们业务"的AI同事，比"理论上能做任何事情"的AI平台更容易通过采购流程。

Seales的定价策略也反映了这一定位。Hapax不按API调用量或算力消耗计费，而是按"自动化工作流数量"打包出售——把AI成本转化为可预测的"虚拟员工"开支，方便财务部门做预算。

未解的问题：当AI比你更清楚你在忙什么

Hapax今天发布的不是一个成熟产品，而是一个赌注——赌企业愿意让AI从"工具"变成"同事"，赌"观察-提案-协作"的循环能跑通比"需求-开发-交付"更快的迭代速度。

这个赌注的风险也很清晰。主动式AI的冷启动需要大量数据，而数据积累需要信任，信任建立需要成功案例——典型的鸡生蛋问题。Hapax选择从银行业切入，正是因为金融客户的数据质量高、流程标准化程度高、付费意愿强，但这也意味着其技术栈向其他行业迁移时可能遭遇"水土不服"。

另一个悬而未决的问题是规模效应。Hapax的世界模型是专有的、针对特定客户训练的，这意味着每个新客户的 onboarding（ onboarding，入职/上手）成本不会随着客户数量增加而摊薄。这与SaaS行业的理想模型相悖，也可能限制其估值天花板。

Seales在采访最后提到一个细节：早期银行客户里，有个财务经理在试用Hapax三个月后，主动要求系统"不要自动化我那部分工作"。原因是她发现，每周三下午的手工对账是她唯一能和跨部门同事面对面交流的机会。"她怕的不是失业，是孤独。"

如果AI真的看懂了这一点，它该做什么选择？