对话独到科技CEO张文浩：一边教AI做“销冠”，一边教AI当“警官”

2026年，AI应用正加速落地，但与此同时，一场深刻而隐秘的分化也在同步上演。

一方面，是硅谷与国内资本市场对算力、基模与Vibe Coding（AI辅助编程）的狂热追捧；另一方面，则是绝大多数传统企业在面对非编程、多岗位协同的复杂业务流程时，依然感到AI“看似无所不能，实则无从下手”。

当AI编程已经到达替代初级程序员的临界点，在那些占企业运行90%以上的非代码业务世界里，AI该如何真正沉降为真正的生产力？

“在日常业务流程中，尤其是跨部门、长流程、多角色协同的复杂场景，AI真正发挥的作用仍然微乎其微。我们在思考，AI能否胜任‘FDE（前线部署工程师）’的职责？能否切实缩短FDE的交付周期？”独到科技创始人兼CEO张文浩对《商业与生活》表示。

近日，独到科技正式发布基于大模型的业务世界Agent编译器——DLM-AOP，其核心能力在于，用户只需通过自然语言指令，即可一键生成可执行、可回溯、可持续迭代的Multi-Agent System（多智能体协作系统）。同时，公司宣布完成新一轮融资，由赛富投资基金领投。

以往，企业依赖SOP（标准作业程序）将业务流程交付给员工执行；使用DLM-AOP后，只需将原本用于员工培训的操作文档、流程图等文件输入系统，DLM-AOP便会自动读取并拆解业务逻辑，智能判断完成该业务所需Agent的数量、职责与配置，并自动编译生成可直接投入运行的Agent协作网络。目前，独到科技已经重点布局AI销售与AI反诈两大高价值场景，并同步开展更多场景的探索与合作。

张文浩为清华计算机系人工智能实验室博士，师从“中国人工智能奠基人”张钹院士，具备多年前沿技术商业化落地经验。多年来，一直在探索人工智能与服务业的结合点。2022年ChatGPT问世后，他第一时间投身大模型的技术浪潮，始终坚持以大模型能力落地服务B端客户。

赛富投资基金科技赛道管理合伙人蒋驰华表示：“当前，大模型产业正处在从‘基础模型能力跃升’迈向‘生产力系统级重构’的关键拐点。独到科技前瞻性地提出‘业务世界的Agent编译器’这一颠覆性技术架构，在当下这一节点，从技术底层有效突破了Agent在企业级应用中面临的稳定性、业务可编译性和规模化落地难题。”

以下对话由《商业与生活》整理：

01、从“代码世界”走向“业务世界”

Q：人工智能技术演进极快，但目前大模型在企业内部真正的落地比例依然偏低。你如何看待当前的AI落地格局？独到科技为何选择DLM-AOP（业务编译器）这个切入点？

张文浩：现在大模型落地效果最好、商业化最成功的领域是Vibe Coding。把人类的自然语言编译为代码。这已经带来了巨大的生产力变革，甚至完全改变了市场对于程序员的能力要求，比如优秀的后端工程师可以直接把前端的工作完成，端到端交付结果。

但这里仍存在一个巨大的供给空白。对于绝大多数企业来说，编程只是很小的场景应用，企业日常的业务流程中还有大量的非编程场景，尤其是需要跨部门、多岗位协同的复杂场景里，AI真正发挥的作用依然很少。

在硅谷，像Palantir这样的公司持续在通过FDE做AI Agent流程化落地，其他模型厂商也在跟进，但他们对FDE人选的要求极高——既要极其懂AI，又要深度懂业务，两个人往往要驻场工作两个月才能搞定一个流程。

因此，我们一直在思考，AI能不能降低FDE本身的能力门槛？能不能把FDE交付的周期缩短？这就产生了我们目前的DLM-AOP产品雏形。后面我们在实践中发现，DLM-AOP本身就能解决企业的很多问题，解决企业的业务需求，所以后续我们将产品雏形，演化为目前的产品形态。

Q：业务世界Agent编译器DLM-AOP的核心定义是什么？

张文浩：代码领域中，Claude Code与其他模型厂商的同类产品，核心是充当代码世界的编译引擎。而我们的核心定位是非代码、真实业务世界的编译系统。

我们将DLM-AOP定位为非代码业务世界里的“Agent编译器”。以前企业通过SOP（标准作业程序）把业务交给员工执行；现在，你只需把给员工发的培训文档、流程图丢给系统，它就会自动读取、拆解业务逻辑，自动判断完成这个业务需要多少个不同的Agent，并一键编译生成可直接执行的Agent协作网络。这就大大降低了FDE的操作门槛，提高了FDE的交付带宽。

Q：听起来这很像上一代的Workflow（工作流）平台，比如Coze或者
Workbuddy。DLM-AOP与它们的底层逻辑有何不同？

张文浩：核心区别在于两点：个人的个体提效与组织层面的流程重塑。

像Workbuddy或Coze，更多是基于个人提效。企业里的每个人有自己的任务，用AI生成文档、输出观点，本质上是“人+工具”的个体协同。

但真正的企业级复杂任务，比如销售或客服，以前是以人为核心设置岗位，拉一个很长的协同链条。如果你直接在Coze里建，你需要手动作图、拖拉拽各种组件，调试可能要花上一个月。

我们做的是IDE（集成开发环境）的自动化编译。你把资料传上去，AI会像写代码的编译器一样，自动对中间过程做任务拆解。

做多Agent拆解的原因是，我们做过比对测试，如果给单一智能体定义的内容太多，它的幻觉率就会极高。我们的系统会自动把复杂任务分解，自动化生成多个只解决单一简单问题的Agent，自动定义好Agent之间的触发条件与流转逻辑，准确率相比单大模型能提升接近25个百分点，同时交互延迟大幅下降。企业不用再去拖拽框图，AI自己会把这套协同网络画出来并跑起来。

02、从“一问一答”到“主动推进任务”

Q：能用一个具体的案例，展示DLM-AOP是如何在真实业务中“一键上岗”的吗？

张文浩：以我们服务的一家大健康产品企业为例，这是典型的AI私域销售运营落地场景。该企业核心业务诉求是提升用户复购率，为此搭建了一套极其细化、标准化的私域运营SOP体系与配套话术体系。

在传统人工运营模式下，用户首次添加企业微信后，员工需严格执行整套繁琐流程。新员工必须通读两份厚重文档、经过长期培训，才能上岗开展运营工作。

接入我们的DLM-AOP平台后，整套流程被极大简化。企业只需将现有SOP流程文档、节点话术文档全部上传至AI，并下达“搭建企业微信智能导购系统”的明确指令，无需任何人工编排，等待系统自主生成整套智能运营体系即可，并支持生成后即时进行测试验证。

系统上线后，它不是传统的“一问一答”式客服，而是主动推进任务的销售。比如客户发了“你好”后没发订单截图，AI过一段时间会主动跟进提醒说，“亲亲，您的订单截图发我一下，我帮您核对权益。”

如果业务人员觉得某句话说的不好，无需改底层代码或改原始文档，直接用自然语言对AI提出需求，系统就会自动识别出文档里对应节点的关联表述，统一修改并重新编译。懂业务的人，不需要懂AI，就能直接调优业务流。此外，系统还具备自学习的能力，通过业务过程自动化提出可提升的流程优化建议，沉淀企业自己的业务流程迭代。

Q：相较于市面数字人、AI客服、AI办公工具，独到科技的核心差异化是什么？

张文浩：我们的核心差异化可从三大维度清晰区分所有同类产品，同时拥有独特的商业模式优势。

第一，对比底层大模型厂商，大模型相当于“发动机”，是单一的技术零部件，缺少落地所需的完整体系，无法直接落地企业真实业务。而我们交付的是可直接落地的整车系统，能够直接帮企业完成成交、风控、运营的完整闭环业务体系。

第二，对比Coze、WorkBuddy等主流AI办公平台，他们核心是聚焦个人提效，主打优化员工个人文档、个人任务、单点工作流程，服务对象是个体员工。而我们彻底跳出个人提效维度，聚焦企业组织级流程重塑。

企业核心业务多为跨岗位、跨部门的协同流程，传统AI工具仅能优化单点环节，无法重构整体业务链路；我们的核心价值是重塑企业完整业务流，替代多岗位协同人工工作，提升的是企业整体组织效率，而非单一个人效率。

第三，飞书、钉钉等大厂标准化产品，主打通用标准化功能，而我们深耕私域运营、智能反诈两大垂直高壁垒场景，积累了独家行业私有数据与专属业务流程。例如，反诈领域深度对接公安独家数据、专属风控流程，是大厂无法全覆盖、深度定制的核心领域。

除此之外，商业模式上，行业主流厂商以售卖席位、售卖工具为核心盈利模式，而我们按真实业务结果付费：销售场景按企业增收、降本效果计费，反诈场景按人工替代量、风控拦截效果计费，真正与客户业务价值深度绑定。

Q：独到科技目前最核心的落地场景是什么？在这类场景中，你们面临的最大挑战是什么？

张文浩：我们目前重点聚焦两个高价值场景：AI销售和AI反诈。

在AI销售端，以金融保险为例，保司或一些汽车销售平台以前靠人工执行在线卖车险，在接入AI后，90%的日常跟进和系统对接由AI自动完成，单均成本降到了原本成本的10%。在银行业的财富管理场景，一些头部银行用我们的系统对长尾客户进行自动化的日常关怀与产品推荐，把以前ROI算不过来的“赔钱服务”变成了盈利点。

另一个增长极快的领域是AI反诈。诈骗已占到国内公安立案数量的60%，每年涉案金额数千亿。诈骗团伙大多在海外，国内打击的核心在于“抢在转账前拦截”。

我们在某省公安厅落地的反诈大模型，每天要帮运营商和银行核验大量的疑涉诈骗线索。这套系统上线后，我们在该省某银行的实际应用中，协助拦截的涉诈案件数量降低了61%，案损金额同比下降了81%。

Q：AI销售与AI反诈场景看似相悖，两套业务是否存在逻辑矛盾？

张文浩：两套业务看似场景差异很大，但本质都是通过交互达成业务目标。技术底座完全统一，语音识别、大模型交互、Agent调度、流程编译等核心能力均为通用技术，不存在任何技术冲突，差异点是在场景适配、AI人格设定与话术规则。

AI销售场景中，我们为AI设定积极、亲和、专业的“顶级销冠”人格，核心是合规服务用户、优化消费体验、完成正向业务转化；AI反诈场景中，AI设定严谨、公正、严肃的“警官”人格，核心是风险预警、资金拦截、反诈劝阻。

大众反感的并非合规营销，而是技术滥用、隐私泄露、无差别盲打、硬性骚扰推销。我们的AI营销全部基于用户在客户侧的主动留资、合规授权的数据开展运营，本质是复刻优质销冠的合规服务能力，淘汰劣质销售的骚扰式推广，优化行业营销生态，与反诈“科技向善”的核心理念高度契合，不存在逻辑矛盾。

Q：怎么规避技术被灰产滥用？你们公司的技术伦理与边界是什么？

张文浩：我们核心团队为纯正清华学术背景，始终坚守科技向善的核心价值观。在反诈业务早期，尚未探索出成熟商业模式和盈利空间，但我们持续投入大量研发和人力成本进行深耕，核心是看重其社会公共价值，坚守技术底线。

当前电诈团伙已全面AI化，借助AI将诈骗洗脑周期从1天缩短至4小时，通过大数据定位用户短板、模拟亲人声音、定制专属诈骗话术，诈骗效率大幅提升。反诈本质是一场技术对抗，我们必须比诈骗团伙更快、更精准地识别风险、预警用户。

反诈存在两大黄金拦截时段：用户转账20分钟内、2小时内，及时预警可大幅降低被骗概率。我们的算法可实现5分钟内识别诈骗风险，第一时间通过官方渠道预警拦截。

我们严格守住技术边界，反诈能力绝不对外裸输出，仅与各地公安、官方合规机构深度合作，统一使用96110官方反诈号码外呼，从根源杜绝灰产滥用风险。所有反诈话术、风控规则，均由公安实战团队指导优化，完全贴合一线实战需求。

03、商业本质与资本现实

Q：当前B端企业对于AI的付费意愿究竟如何？独到科技的商业模式是怎样的？

张文浩：在当下的宏观环境下，企业对内部管理AI化的决策非常谨慎且阻力极大，但对“对外服务AI化”极具热情，因为这直接关系到收入与开源节流。

我们的收费模式非常贴近商业本质，按业务结果分润/降本提成。

在AI销售领域，如果是一个成熟的良性业务，我们按照AI带来的增收百分比抽成；如果是为了降本，我们按照节省的人工成本百分比计费。

在金融反诈领域，国家有《反电信网络诈骗法》，银行和运营商有明确的反诈主体责任，我们按次/按电话核验消耗的Token折算计费，由银行和运营商按年付费。目前我们的反诈业务已覆盖江苏、浙江等省份，后续会全国快速推广。

Q：现在很多ToB AI企业在融资时都会找一个美国的对标公司，独到科技在资本市场上是否有直接对标？

张文浩：坦白讲，投资人喜欢听“我是中国的某某，比如Palantir或Cognition，因为这是过去互联网二十年最通行的融资逻辑。但AI发展到今天，极其强调本土化数据与垂直场景的深度融合。

大模型本身像一台发动机，而独到科技做的是把发动机、变速箱、方向盘组装成一辆能直接上路的“整车”。

在Infra层面，需要较高的资本门槛，主要玩家是国家队和大厂巨头；在模型端，谁能抢占SOTA生态位，谁就能获得极高的资本溢价。但对于面向实际业务场景的AI Agent Infra公司，核心壁垒在于数据与业务流程的融合度。

中国市场对私有化部署、数据合规、国产信创适配的要求远高于海外。大厂出于标品思维，不可能去把每个公安省厅的系统或者每家银行的私有数据全部做深度对接，这给了我们极大的生存与爆发空间。

我们目前专注于做“自学习引擎”。当你输入的SOP和垂直行业历史数据越来越多，DLM-AOP跑得越久就会越聪明，下一个客户的交付周期就会成倍缩短，对复杂场景处理的能力也会随之增强。

在这个阶段，能真正帮客户卖出东西、把成本降下来、把风险防住，这就是AI在商业世界里最大的底牌。

Q：怎么看一些AI应用落地门槛高的问题？

张文浩：传统AI落地交付门槛极高，必须搭配懂业务的行业专家+懂技术的研发工程师，至少两人协同，甚至需要多人团队配合，交付周期长、人力成本高、落地不确定性强。

我们打造AOP平台的一个核心目标，就是减少技术人员驻场交付环节，仅需懂业务的人员，即可独立完成快速落地交付，从根源上降低交付门槛与成本。

同时我们会精准筛选高价值落地场景，优先选择人工消耗大、重复度高、可规模化复制、企业推动意愿强的业务场景；对于体量小、成本低、无明显降本增效价值的小众场景，暂不介入，保障每一次落地都具备实际商业价值。

所有落地场景均会开展AI作业效果与人工作业效果的精准对标，严格遵循“AI效果达标甚至超越人工水平”的落地标准，杜绝概念性落地，确保为客户创造真实、可量化的商业与社会价值。

04、AI Agent的未来

Q：独到科技的未来场景拓展方向与核心战略是什么？

张文浩：公司长期坚持“深耕成熟场景、拓展高价值新场景”的核心战略。现有AI销售、AI反诈两大核心场景，将持续全国规模化复制、迭代优化，筑牢企业基本盘。

新场景拓展严格遵循三大筛选标准：第一，数据驱动，可依托行业独家数据持续迭代优化模型能力；第二，人工依赖度高、重复工作量大，具备充足的降本增效空间；第三，能够为客户创造可量化的商业价值或社会价值，解决传统软件、通用AI无法攻克的行业痛点。

目前我们也在积极探索医保风控、汽车金融、保险理赔、医药工业等新业务场景，依托通用AOP技术底座，联合行业合作伙伴的资源与数据，共同打磨标准化产品，实现规模化落地。未来我们将持续依托独家行业数据壁垒构建核心竞争力，这也是AI行业长期稳定的核心壁垒。

Q：如何看待国内AI大模型、AI To B行业的资本市场现状与未来趋势？

张文浩：AI行业仍处于持续发展迭代的过程中，前期市场的核心关注点仍在算力、模型、基础设施等赛道领域。随着市场格局逐步清晰，牌桌上的玩家基本定型，产业的关注点已经开始转向大模型在应用层面的实际落地效果上，这正是我们的发展机遇。

从行业长期趋势来看，算力成本必然持续下行。早期移动互联网流量、通讯话费均从高价稀缺资源，逐步转变为普惠基础设施，未来token也必然将复刻这一趋势，成为全民普惠基础设施，价格持续下降、市场普及度持续提升。

AI产业竞争已从底层模型、算力的同质化内卷，逐步转向应用层落地效果比拼。AI编程已率先跑通商业化落地，接下来AI销售、AI反诈、AI行业流程自动化等场景将快速迎来落地临界点，能够为企业创造真实业务价值的应用层公司，将成为行业核心受益者。

Q：当DLM-AOP这样的“业务编译器”广泛普及后，未来企业的组织架构和岗位形态会发生怎样的变化？

张文浩：过去的组织模式是“管理层制定SOP——基层员工执行SOP”。未来，懂业务的基层员工或中层主管将转变为“Agent架构师/调教员”，他们不再亲自执行重复性事务，而是用自然语言不断修正和优化SOP，由AI Agent网络去承接具体执行。

企业的竞争力不再取决于雇佣了多少员工，而取决于其业务流程的Agent化率（Agentization Rate）。一个拥有10名“Agent架构师”的企业，其业务吞吐量与响应速度可能轻松超越传统百人甚至千人规模的团队。

最终，企业将演变成一个由少数核心业务专家驱动、底层由数千个高度专业化Agent实时协同的“超级自动化组织”。