从1000通到1.5万通，百融智能的「硅基客服」真正开始「上岗」

编辑｜Youli

今年 7 月，一家头部物流企业上线了一批 AI 客服。

上线初期，这些 AI 客服每天处理的呼入电话不足 1000 通，但到 8 月底，这一数字已经超过 1.5 万通。

变化的不只是数量。资料显示，这些 AI 客服在传统智能客服最擅长的标准化问答之外，开始进入真实业务流程，处理查件、催件、派件异常、地址修改、投诉反馈等开放式任务。其中，最长的一次连续通话时长甚至超过 20 分钟。

几乎同一时期，一家大型综合类头部券商在对这套 AI 客服进行严格效果验证后，决定将部署规模从最初的 30 席扩大至约 210 席，覆盖客户获取、激活、查询、互动与运营等多个环节。

仔细看，这两组在真实业务场景中跑出陡峭曲线的数字，释放出一个清晰的产业信号：企业级 AI 正跨过「模型能不能做」，闯入「企业敢不敢把真实工作交给 AI」的深水区，那些曾经被视为试验品的「硅基员工」，已经真正打卡上岗、直接交付业务结果了……

而隐身于这两家行业巨头幕后的「硅基劳动力」供给方，正是百融智能。

如果追溯百融智能的发展路径，外界过去对它的认知更多集中在金融领域 —— 提供「智能决策、智能营销及客户运营」服务。2014 年，率先让决策式 AI 模型在高风险金融场景落地，解决了风险控制难题；2017 年，自研语音交互栈规模部署，开始在多行业营销、客服前线，扛起企业获客和经营增长的压力；2023 年，推出多模态基础模型 BR-LLM/BR-VLM，叠加行业专属模型和企业级 AgentOS，让一批批「硅基员工」在千行百业稳定交付关键经营指标……

如今，百融智能正在推动一次新的战略升级：将多年在严苛金融场景中千锤百炼形成的企业级 Agent 落地能力全面外溢，以物流、券商、航空、电信运营商等高频交互领域为支点，向万亿级企业生产系统全速「进军」。而支撑这次跨行业拓展的核心技术载体，正是「新一代 AICC 智能联络技术」。

为此，在百融智能 2026 中期业绩发布会后，机器之心和百融智能创始人兼董事长张韶峰聊了聊，试图理解此次战略升级背后的考量，以及对于 AI 技术发展的思考。

AI 从「工具」走向「生产力」，客服为什么成了「首发阵地」？

过去两年，整个科技界和资本圈的目光几乎全被基础大模型、算力、芯片等热门议题所牵引，但任何技术如若无法在应用端实现大规模商业落地，终究难以持续。张韶峰给出一个务实的判断：「普通企业不可能买一个大模型回去供着，因为大模型本身并不直接解决业务问题，企业真正需要的是能完成具体工作的 Agent。」

诚然，过去几年大模型在企业内部的渗透不可谓不快，但绝大多数场景仍被锁死在辅助性「工具」定位：润色公文、提炼长文本纪要、生成配图…… 这些确实提升了个体员工的效率，但对于企业来说，AI 进入生产系统的评判标准截然不同：它能否接手一项具体工作，并稳定交付结果？

在所有企业级场景中，客服场景，被公认为 Agent 率先攻下的第一座要塞。

这并非偶然。

客服本身就是一个高度依赖信息处理和流程执行的岗位：每天处理大量重复性问题，背后连接企业知识库、订单系统、CRM 等业务系统，服务结果又可以通过响应时间、解决率、转人工率、客户满意度等指标直接衡量。这意味着 AI 带来的价值可以被清晰计算。

全球知名风险投资机构 Andreessen Horowitz（a16z）曾对企业 AI 落地情况进行分析指出，当前企业 AI 的价值主要集中在三个场景：编程、客服支持和企业搜索。其中，编程工具增长最为突出，客服和搜索则成为企业知识工作流中较早实现规模化应用的方向。而客服因目标明确、流程清晰、价值可量化以及人工兜底机制完善，天然适合进入生产环境。

然而，「商业价值显性」并不等同于「技术实现容易」。在企业级 Agent 真正能够扛起客服大梁之前，这个行业已经被旧有技术路径困在原地太久，经历了至少两次技术迭代，而上一代技术的天花板，恰恰构成了今天的机会窗口……

AICC（AI Contact Center），即智能联络中心技术，是企业客服自动化的重要技术基础。早在十年前，上一代 AICC 技术就已广泛进入金融、电商与政务外呼体系。但只要真正接入过智能客服电话的用户，想必都有着被其「机械智障」逼到「怒转人工」的糟糕体验。

症结在于，传统 AICC 本质上是「流程自动化」，算不上「智能体」。张韶峰指出，其技术架构以 NLP、关键词匹配以及预设话术为主，适合流程相对固定的呼出任务 —— 按脚本外呼、通知提醒、菜单式应答，可一旦被拉进更加广阔的「呼入」战场，整个系统便迅速崩盘。

要理解这种断层，必须看透两类场景背后的认知逻辑差异。「呼出」与「呼入」，一字之差，实战难度却有天壤之别。

• 呼出：企业知道自己想表达什么；
• 呼入：企业不知道用户下一句话是什么，问题包罗万象：「我的快递为什么还没到？」「地址能不能修改？」「为什么扣了这笔钱？」「这个业务怎么办？」一次通话中，用户可能不断改变需求。

这就要求 AI 不仅要具备语言识别能力，还要理解上下文、判断真实意图、识别情绪变化、执行后续操作。

而传统 AICC 在这方面存在明显局限：

• 开放式问题理解失准：一旦用户提问超出预设关键词范围，系统立刻「智障」；
• 长 - 多轮对话维持困难：无法保持上下文连贯，反复让用户重复问题；
• 复杂业务流程执行断层：只能「回答问题」，不能「办事」—— 无法调用企业知识库、对接内部业务系统完成闭环（如查件后直接发起改址、投诉后自动创建工单）。

结果便是，客户体验差、转人工率高，AI 沦为「转接前的绊脚石」。

因此，谁能在「呼入」场景下做出真正「听得懂、办得成」的 AI，谁就能打开 AICC 赛道真正的增量空间…… 而大模型技术的跃升，让这件事从「不可能」变成了「可行但极难」。

新一代 AICC：从「能对话」到「能干活」

仔细看会发现，传统 AICC 的局限本质上源于它解决的是语言交互问题，而非业务执行问题。大模型时代的新一代 AICC，正致力于改变这一点。

张韶峰告诉机器之心，新一代 AICC 并不是传统客服系统的简单升级，而是以语音多模态大模型和主动对话大模型为底座的「硅基客服」生产力。它能在实时通话中准确理解用户的开放式提问、识别其意图与情绪变化，同时调用企业知识库、对接内部业务系统，按标准业务流程闭环完成服务任务。

换句话说，上一代 AICC 交付的是「对话能力」，而新一代 AICC 交付的是「业务结果」—— 从用户交互、任务处理到系统回写和结果交付，形成完整闭环。

不过，能够流畅聊天，并不代表能够真正进入企业生产环境，还必须跨过生产级落地的门槛。

这也解释了为什么市面上各类宣称能做「智能客服」的模型与开源项目层出不穷，但真正能在企业级核心生产系统上大规模立足的厂商，依然屈指可数。因为客服是一个对稳定性要求极高的场景，容错空间极小，实现 「拟人的对话」只是及格线。

张韶峰坦言，要实现生产级落地，还必须达成低理解错误率、高回复准确率、低响应时延、稳定的并发承载能力、可靠的人工转接机制及完备的录音质检体系等多项要求。

也就是说，「智能客服的壁垒，一半在 AI，一半在非 AI。」张韶峰告诉机器之心。

正是基于这一赛道蕴含的巨大商业空间，以及百融在长期实战中积累的落地能力，公司决定聚焦 AICC 智能联络赛道，为客户提供真正能干活的「硅基客服」。

百融如何跨过生产级门槛：四大能力构成护城河

前面提到，大模型只是让 AI 客服具备了「理解能力」，而真正让它进入企业生产环境，决定能否规模化落地的，是模型之外的一整套能力：模型是否足够懂业务；系统是否足够稳定；数据是否能够持续优化；流程是否能够真正跑通……

换句话说，能够实现「拟人对话」只能达到 60 分，想要做到稳定可靠完成工作的 90 分，考量的不仅是模型能力，更是综合能力。

百融智能，早已围绕新一代 AICC，构建了一套从模型到交付的完整能力体系。

「不同于多数厂商仅输出模型能力，我们拥有完整的垂类落地能力：自研 AICC 垂类基础大模型、真实通话业务积累的数据飞轮、长期电话网络工程体系沉淀、过往服务金融场景打磨的高标准交付能力，以及深入客户一线的 FDE 团队，这些能力相互协同，构筑起我们从模型研发走向生产落地的完整支撑体系。」张韶峰说道。

下面来具体看一下。

1. 自研 0.4B 至 30B 专属轻量垂类基模矩阵

首先，当整个科技行业还在为千亿甚至万亿参数的通用模型算力竞赛摇旗呐喊时，百融在企业级生产系统上反其道而行之，坚定聚焦于自研小参数规模的垂类大模型矩阵：

• BR-Voice 语音多模态大模型：负责端到端实时语音交互，将传统级联架构中语音识别、意图理解与语音合成割裂的延迟压缩至毫秒级，实现自然拟人的人机交互感知，获 INTERSPEECH 2026 MLC-SLM 挑战赛全球第 3、国内产业界第 1；
• BR-LLM-Proactive 主动引导式对话模型：不同于通用大模型「你问我答、被动应承」的顺从模式，该模型专门针对销售转化与服务引导场景研发，具备敏锐的意图识别与业务主动引导能力，像「销冠」一样主导长流程对话走向；
• BR-Vision-Doc 文档理解模型：精准解析企业内部极其繁琐的版式合同、表格与流程图，将非结构化行业知识高效注入 Agent。

之所以采用小参数模型解决垂类任务，是为了能够实现服务效果与商业成本的双向最优解。

当前，万亿参数通用模型博学多才，但进入专业生产场景时过于庞大、昂贵。张韶峰表示，「企业算不过来这笔账。」企业在落地客服 Agent 时，既要求高准确率、高稳定性、可控时延与合规保障，也看重投入产出比。

因此，百融智能预训练的电话专属大模型将参数规模压缩至 0.4B 至 30B 范围，以更少 token 精准稳定完成任务。同时部署方式灵活，可本地化也可弹性扩容，完美适配企业生产级落地需求。

2. 啃下被行业忽视的「隐形骨头」：电话窄带网络与通信工程攻坚

在采访中，张韶峰揭示了一个在科技界极少被提及、却对 AI 落地生死攸关的硬件物理规律：传统电话网络与互联网音频在声学环境上存在本质割裂。

传统电话通常采用 8000Hz 窄带语音，而互联网音频更多采用 16000Hz 甚至更高规格的宽带语音。市面上大多数语音模型基于宽带高清数据训练，一旦直接接入窄带电话线路，面对被严重压缩衰减的声学频谱与极高的线路噪音，模型当场就会「水土不服」，情感识别失真，意图捕捉频频出错……

而百融智能凭借多年深耕智能联络领域的技术沉淀，从底层自主研发了通信软交换与高并发调度中枢，在 8000Hz 窄带频谱环境下持续打磨声学建模与降噪算法，让 AI 在极端简陋的电话线路上依然能保持高保真意图捕获与极具亲和力的拟人交互，彻底跨越了这道阻绝绝大多数玩家的「工程高墙」。

3. 真实业务闭环的数据飞轮，让 Agent 在使用中持续进化

在大模型算法架构日益收敛的今天，决定 Agent 智商上限的往往是高质量数据。

百融智能在长期严谨合规的服务实践中，沉淀出一条极其敏锐的真实业务反馈数据飞轮：在业务实际投产中，系统会全面捕获用户的细微正负反馈信号 —— 是愤怒挂断、无奈叹气，还是欣然感谢、确认成交？这些深埋在真实场景中的隐式反馈，会被清洗转化为高价值的奖励模型信号，反哺给基模进行深度强化学习（RLHF/DPO），从而持续优化话术推演与服务决策策略。

最终，形成「业务落地 — 数据反馈 — 模型迭代 — 业务提升」的在生产系统中自运转的闭环，是不具备真实业务底盘的纯技术团队无法复制的壁垒。

4.FDE 团队，把企业流程重新变成 AI 工作流

企业部署 Agent 的最后一道门槛往往不是模型，是业务流程 —— 不同企业拥有不同的业务规则、系统架构、服务流程。因此，企业级 Agent 需要深入业务现场。

而百融智能内部有一支极其特殊的作战队伍 ——FDE（前沿部署工程师，Forward Deployed Engineer）团队，负责进入客户环境，梳理人工客服如何工作、哪些流程可以自动化、哪些环节需要人工兜底、哪些系统需要连接…… 最终，将传统人工 SOP 转化为 AI 能够执行的工作流。

可以说，企业 Agent 落地，不只是部署一个模型，更是重新设计企业流程。

落地验证 —— 金融高标准能力如何外溢到新行业？

拥有技术底座之后，下一个问题就是：这套能力能否离开金融行业？对于百融智能而言，这套严谨的技术与交付能力，长期浸润于规则精密、风控严苛的金融机构，当它跨界进入全新行业场景时，究竟能否真正跑通？

这正是百融战略升级需要验证的关键一步。

目前，物流和券商成为最早验证这一能力的两个「战场」。

在物流领域，百融的「硅基客服」正式上线某头部物流企业后，日通话处理量从 7 月上线初期不足 1000 通，攀升至单日超 1.5 万通；最长通话时长已超 20 分钟，充分证明在真实生产环境下稳定可行。目前，部分新客户已进入概念验证阶段。

如果说物流行业是对高并发、多情绪场景的极限施压，那么券商行业则是对合规准确率与专业素养的严酷考验。

近年来，伴随资本市场交投情绪的波动与投资者年轻化，券商财富管理与客户运营业务迎来爆发式进线，专业服务坐席的供需缺口急剧拉大。张韶峰结合券商行业的客户分析道，如果券商单纯通过招募人工来扩容，不仅一人每年动辄十五万元以上的综合成本难以承受，更关键的是根本来不及完成严格的合规培训与业务上岗考评。

因此，券商对「硅基客服」的核心诉求并非单纯降本，更是为了增效。

以百融智能与某顶尖头部券商的合作为例来看，该券商在年初以审慎态度试探性引入了约 30 席百融「硅基客服」，深度嵌入客户获取、沉睡激活、业务咨询、互动问答以及持续客户运营的全流程中。在日常运行中，券商引入了行业内最为苛刻的专家抽检体系：由资深真人合规专家反复听取录音或审阅文本，逐一核验三个核心硬指标 —— 意图理解是否百分之百精准、声音拟人度与同理心是否足够自然、在用户插话打断时能否实现毫秒级即时静默倾听……

测试结果证明，百融的「硅基客服」不仅在专业术语识别与合规底线上零差错，其对复杂语境的感知与引导能力甚至媲美资深从业者。更关键的是，它化解了传统人工无法随时应对突发流量的痛点。

于是，在业务跑通后，该券商迅速打破原定节奏，主动在几个月内将硅基客服规模扩充至约 210 席，实现了超 7 倍的规模裂变。

这只是其中一家。数据显示，在券商领域，截至 2026 年 8 月，百融智能已签约及处于合同流程中的券商客户达 13 家。

而从金融到物流，再到券商，接下来百融智能还将继续将这套能力向航空、银行、运营商、保险等行业扩张。背后的选择逻辑也很明确：优先选择岗位总量大且头部客户集中的行业，以降低销售与交付成本，而这些行业均满足「头部企业集中」和「海量 C 端交互需求」的标准。

从百融智能推出的「硅基客服」在真实行业场景的落地实践中不难看出，随着 Agent 开始直接承担工作，企业采购 AI 的逻辑正发生根本转变：从「买工具」转向「买结果」。

过去，企业购买软件许可、账号、功能模块；大模型时代，企业关注模型能力、调用次数、token 成本；而进入 Agent 时代，一个新的商业模式正在浮现：企业开始为 AI 完成的工作付费。

与之对应，百融智能目前全面推行RaaS（Results as a Service，结果即服务）收费模式，包括按无需转人工的有效闭环工单计件付费；按实际在岗的硅基员工规模计费；按最终促成的商业交易规模分润……

「但最终都是按结果收费。」张韶峰强调。

其实，这种计价单位向「工作量」的迁移，并非百融智能一家的独自探索，是全球 AI 行业共同奔赴的产业终局。

近期有媒体爆出，过去几个月，OpenAI 已在内部向部分核心企业级客户秘密试水一种颠覆性的付费机制 —— 企业不再需要为固定订阅或 token 消耗买单，只有当 AI 在企业端真正独立完成了某项既定的生产级任务（如成功解决一起客户支持工单）后，企业才需向其支付报酬。

对此，张韶峰认为，「这是技术演进不可逆转的必然规律。」

以往的技术只能做局部的辅助，无法端到端交付终局。但现在，企业级 Agent 已经可以在诸多垂直细分领域独立接管岗位了。以前的技术无法端到端交付结果，现在的技术在特定场景确实可以了。对于甲方企业而言，按结果付费将沉重的沉没风险降到最低，对于深耕落地能力的厂商而言，它让技术供给方的回报真正与创造的实际社会贡献成正比，推动行业走出低水平价格内卷。

最后，在当被问及百融智能的终极定位时，张韶峰表示，希望成为全国最大、最值得信赖的「硅基员工」供应商。「我们不卖工具，而是向社会直接派遣硅基员工，输送能够端到端交付高质量业务结果的硅基劳动力。」

而物流和券商只是这条路径的起点，接下来，百融智能将继续沿着「先验证、再复制、再放大」的路径稳步推进，让更多行业的生产系统迎来真正的「硅基同事」。