咱们对 Decagon 这家公司保握了握续关怀。Decagon 专注于 AI for Customer Support 规模，奋勉于用 AI Agent 透顶调动客户工作体验。他们打造的不是浅薄的聊天机器东谈主，而是能抵制进化的 AI Agent 引擎，巧合真确长入客户的需求并高效地贬责难题。

Decagon 由 Jesse Zhang 和 Ashwin Sreenivas 创立于 2023 年，奋勉于为企业贬责复杂的客户维持问题。他们发现，传统的客服自动化用具往往只可处理浅薄问题，无法真确赢得客户的信任。因此，Decagon 但愿打造一款巧合与企业现存客户维持使命流深度集成的 AI Agent，并提供易于照管和建树这些 Agent 的用具，粗鲁 AI 期间的“黑箱”。他们的客户包括 Motion、Vanta、Bilt、Webflow、Substack 和 Rippling 等中微型科技公司。公司在 2024 年 10 月完成了由 Bain Capital Ventures 领投的 B 轮融资，融资金额达到 6500 万好意思元。

本次编译整理了 No Priors 对 Decagon 首创东谈主兼 CEO Jesse Zhang 的访谈。Jesse 在访谈中与主握东谈主 Elad 长远探讨了 AI 如何重塑客户工作：AI Agent 如何匡助企业提高着力、谴责资本，到语音交互靠近的期间挑战（如延伸问题），再到多模态 AI 和更天然交互形状的未来趋势，以及数学竞赛配景对 AI 创业的影响。通过此次访谈，咱们可以更立体的长入 AI 客服的近况和挑战，以及是 Decagon 如何利用 AI Agent 引擎，为 Rippling、Notion、Duolingo 等企业提供更智能的客户维持贬责决策的。

01.

Decagon：用 AI Agent重塑客户工作

Decagon 的创立：

弗成过度念念考，而应该飞快行径

Jesse Zhang 从小就展现出对数学的浓厚意思意思，他在 Boulder 长大，从小参加数学竞赛，其后在哈佛大学学习筹算机科学。毕业后，他创立了第一家公司 Lowkey ，该公司最终被 Niantic 收购。从此次资格中，Jesse 相识到弗成过度念念考，而应该飞快行径。他与 Ashwin 共同创立了 Decagon，专注于 AI Agent 规模，并飞快出手了生意探索。

Decagon 的关于创业场所的选拔并非一蹴而就。开首，首创团队也在念念考 AI Agent 的最好应用场景。他们意志到，并非通盘规模齐妥当快速部署 AI Agent。通过市集调研和客户访谈，Decagon 发现了现时 AI Agent 的才能并不适配两个场景：

1） 需要高开动精度的场景：在某些规模，比如安全，容错空间简直不存在。这些场景需要 Agent 从一出手就发达出极高的准确性。以安全信息照管系统（SIMs）为例，固然有多数日记数据，相当妥当 AI 模子处理，但其使命倡导是捕捉每一个小的格外事件。然而，现时的AI模子有时候会出错，因此客户很难全齐信任 AI Agent。在这些场景，AI Agent用得很慢。

2）难以量化 ROI 的场景：有一些规模，名义上看似相当妥当 AI Agent，但难以明确量化 ROI。比如，许多“文本转 SQL ”的公司作念的演示看起来可以，但仍需要东谈主工监督和谐和。AI Agent 更像是一个 co-pilot，而非孤苦的贬责决策。关于大多数企业来说，需要东谈主工侵犯的 AI Agent 难以证明其 ROI，公司很难为这么的 AI Agent 缔结大额契约。

通过抵制探索，Decagon 团队渐渐明确了成效的 AI Agent 用例需要具备两个关节特色：

1）可舒适扩充性：成效的 AI Agent 应用不应追求一步到位，而应维持舒适扩充和迭代优化。即使 AI Agent 在初期只可完成部分任务，也应该巧合立即为客户创造施行价值。举例，Coding Agent 可以先承担部分编码任务，权臣放松东谈主类设备者的包袱。

2）有明确的 ROI：巧合明晰量化 ROI 是关节。在客户工作规模，存在着多数可追踪的明确方针，举例对话贬责率、客户欣然度等。这些方针使得 AI Agent 的价值巧合得到有用的权衡和证明。

在此过程中，Decagon与Rippling、Notion、Eventbrite、Vanta和Substack等多家潜在客户进行了长远交流，渐渐详情了主要用例——客服规模。在初期，Decagon并莫得刻意强调强大的愿景，而是专注于如何打造让客户真确喜爱和欣然的居品。

Decagon 的相反化上风：

透明与可不雅测

Decagon 的中枢上风在于其 AI Agent 的高透明度和应用后果的可不雅测性。

关于大型企业来说，确保 AI Agent 不是一个“黑箱”至关蹙迫。Decagon 的平台巧合明晰地展示 AI Agent 的每一个决策过程，包括使用了哪些数据、如何生成谜底等。这种高度的透明性权臣提高了客户的信任度。

此外，在客服规模，自动化软件的后果鄙俚是可量化的，客户会用一些明确的方针来评估 Agent 的发达，比如 AI Agent 与东谈主工比较的后果、勤俭的资本，以及客户体验的质地提高等等。这种可量化的性情使得客户可以先在小范围内试用 Decagon 的 AI Agent ，然后再舒适扩大应用限度。

尽管客户工作规模的竞争格外浓烈，客户鄙俚会同期试用多家不同的 AI Agent 居品进行比较，并基于具体的数据（举例方针的优劣、代理的后果等）进行最终评估。现时，Decagon 凭借其高透明度和后果的可不雅测性，在客户的评估中发达出色。举例，多邻国在 2024 年 8 月对 Decagon 进行了一个月的测试后就决定认真继承其 AI Agent，并飞快杀青了 80% 的对话贬责率。

Decagon 与 Built Rewards 进行了一项大型案例权衡。Built Rewards 领有强大的用户群体，用户可以通过其平台赚取积分或进行支付。由于用户基数增长飞快，客服需求呈指数级增长。在使用 Decagon 之前，Built Rewards 的客服团队靠近巨大的使命量。继承 Decagon 后的一个月内，AI Agent 经受了大部分自动化使命。不到一年时期，Built Rewards 勤俭了约 65 个东谈主工客服的资本。

Decagon的期间架构：

谐和层与定制化模子

Decagon 将我方定位为一家软件公司，尽管不竭调用 GPT-4、Claude 等 AI 基础模子，但这些模子仅仅用具。Decagon 的独到价值在于基础模子之上的内容，包括谐和层（orchestration layer）和围绕中枢 AI Agent 设备的其他功能。谐和层决定了 AI Agent 如何混杂使用不同的 AI 模子，并围绕客户的业务逻辑进诳骗命。此外，Decagon 还设备了透明度用具和分析功能，匡助客户了解 Agent 使用的数据和履行的要领，并自动分析海量客服对话。

关于不同的 AI Agent，谐和层可能分辩很大，客服 Agent 与 Coding Agent 的谐和逻辑就相当不同。但归根结底，多样谐和层齐是在 LLM 之上构建的一种结构化系统。Decagon 相当详确谐和层，因为它决定了 AI Agent 将如何混杂使用不同的 AI 模子。Decagon 竖立了评价机制来权衡每个模子在特定客服任务中的发达，以此决定如何将这些模子整合起来，使其巧合围绕客户的业务逻辑进诳骗命。

Modern AI Stack

除了谐和层，Decagon 还围绕 AI Agent 构建了一些其他的客服软件功能。举例，百家乐AG点杀Decagon 设备了一个透明度用具，能让客户了解 Agent 所使用的数据和履行的要领，这也保证了 AI Agent 不再仅仅一个只会回复问题的“黑箱”。此外，迎面对海量的客服对话时，手动稽察通盘内容是难以杀青的。因此，Decagon 还瞎想了一个分析功能，可以让 AI Agent 巧合自动分析对话，并生成需要关怀的客服问题类别和趋势证据。

Decagon AI Agent Engine

首创东谈主 Jesse 的"数学基因"与社区文化

如今，AI 规模有许多公司是由具稀有学竞赛配景的东谈主创立的，比如 Braintrust、Pika AI 和 Cognition 的首创团队。主要原因有二：最先，往日几年内，多数贤人且才华横溢的东谈主涌入创业市集，创业对他们来说比传统学术或量化往来更具引诱力；其次，数学竞赛历史悠久，造成了一个能让贤人孩子相互相识并设备关系的社区文化。Jesse 在高中时期就参加过多项数学竞赛和学术神态，包括好意思国数学奥林匹克神态（MOP）、Intel STS 决赛 SPARC 以及好意思国筹算机奥林匹克竞赛（USACO）。

在创业过程中，这些配景相似的东谈主们会相互维持。Jesse 个东谈主也投资了许多 AI 初创公司的首创东谈主，而他们中的许多东谈主亦然 Decagon 的天神投资东谈主。这种维持大多强横认确凿，更像是一又友间的相互匡助。此外，创建企业需要筹商招聘、销售、居品构建和薪酬结构等诸多问题，因此他东谈主教导作为参考相当有匡助。

这种数学竞赛配景也影响了 Decagon 的东谈主才画像。Decagon 的团队中也有许多东谈主稀有学竞赛或编程竞赛的配景。Decagon 会不如期举办数学竞赛或肖似行动，并将这些行动行动引诱东谈主才的蹙迫路线。

02.

AI Agent 如何走向真确的智能化？

Klarna（一家瑞典先付后买公司）的 CEO Sebastian Siemiatkowski 在 X 平台上共享了他们使用AI Agent的权臣成效：短短四周内，AI Agent 处理了 230 万次客户对话，客户欣然度与东谈主工客服不相迂回。更蹙迫的是，AI Agent将相通性问题减少了 25%，平均问题贬责时期从 11 分钟大幅镌汰至 2 分钟。此外，AI Agent 还能提供 24/7 全天候工作，遮掩 23 个市集和 35 种话语，极地面提高了运营着力。通过部署 AI Agent，Clara 得以将 700 名全职客服东谈主员再行分拨到其他更具价值的使命岗亭。

Clara 的出色案例为通盘这个词客服行业使用 AI Agent 带来了很大的推能源。关于 Decagon 的客户来说，他们鄙俚最关怀以下两点：

1）使命量的减少：AI Agent 巧合完成些许对话和任务，从而为客户勤俭了些许时期和资源。

2）客户欣然度的提高：主要通过客户欣然度得分（CSAT）和净推选值（NPS）来权衡。天然，也会有一些客户相当羡慕 AI Agent 回复的准确性，尤其是受监管行业内的客户。

Voice Agent 的延伸问题

语音维持是客户工作中至关蹙迫的一环。东谈主们对 AI 模子的主流有计划依旧围绕 text，text-to-speech、长入语音和通过音频进行反应的才能似乎被低估了。像 11 Labs、OpenAI、Google 等公司出手提供这类工作和 API。Decagon 相同推出了语音维持功能，现存客户也在试用他们的 Voice Agent。Jesse 合计，对客户而言，疏浚渠谈的选拔因东谈主而异：有些东谈主可爱语音通话，有些东谈主则更可爱聊天、邮件或短信。因此，遮掩通盘渠谈至关蹙迫。

Decagon 率先选拔从文本 Agent 出手，因为文本渠谈相对浅薄，也更容易进行后果评估。然而，现时行业正投入一个新的阶段，有一些大公司对 Voice Agent 相当感意思意思，他们合计“既然 Text Agent 后果很好，那么生谚语音并用于电话维持应该也能达到相同的后果”。本年许多模子公司在语音期间方面取得了巨猛进展，尤其是语音的委果感上。Decagon 正与 11 Labs、OpenAI 和Google 等公司细密无比合作，探索如何大限度构建这些语音系统。

延伸也强横常关节的一个方针，至极是在电话交谈时，用户会期待相当指引的对话体验，弗成有昭彰的延伸。现时，语音模子在处理经过中——从拿获用户语音、将其退换为文本、输入话语模子处理，再到生谚语音输出——不可幸免地会产生一定的延伸，导致用户感到停顿或恭候。许多公司正在努力贬责这个问题，举例通过流式处理（streaming）期间来镌汰延伸。

Decagon 正在尝试使用 voice-to-voice 模子。OpenAI在这方面进行了多数权衡。这类模子的延伸发达鄙俚较好，但在某些情况下，举例需要赢得外部数据或进行屡次模子调用时，模子“念念考”的时期会更长。此外，voice-to-voice模子可能并不适用于通盘场景。

除了 voice-to-voice 模子外，也可以先将语音转录为文本（speech-to-text），在文本层面完成通盘筹算后，再生谚语音（text-to-speech），但这种法子鄙俚会引入非凡的延伸。许多公司依然找到了一些法子来缓解延伸问题，举例在后台提前生成部老实容。在 Decagon 的应用中，客户可以通过添加语音教唆（举例“请稍等，正在查询您的数据”）来减少延伸对用户体验的负面影响。

AI Agent 的发展瞻望

Jesse 合计未来东谈主类与 AI Agent 的配合模式将发生巨大变化。可能会有更多东谈主从事监督和裁剪 AI Agent 的使命。与东谈主工客服比较，AI Agent 的性情全齐不同。举例，AI Agent 可以无尽推广，可以通过 hard coding 来杀青特定任务。因此，如何有用地照管 AI Agent 将是一个蹙迫的权衡场所。Decagon 也一直相当关怀如何让客户的东谈主工客服团队更好地监控和谐和 AI Agent，但愿为他们提供更多的可见性和为止权。

Jesse 合计，现时 AI 行业仍旧处于真确“Agent 化”发展的早期阶段，包括将复杂任务循序列化（sequence）并采集某些神态的 reasoning 才能。固然依然有一些先进模子（举例“o1”或 Sonnet）在尝试贬责这一问题，但主要靠拢在量化推默默能，如在 coding 和 math 规模发达更好，而客服规模最垂青的是 Agent 的指示罢黜才能（instruction following）。客服使命中有许多明确的操作指示（举例 SOP 或使命流），AI Agent 需要作念到严格且准确地履行这些指示。

值得期待的 AI 期间

未来 1-2 年，Jesse 相当期待的 AI 期间主要有多模态、用户 Context Window 以及未来 Computer Use。模子的多模态才能（尤其是语音）发展可以进一步完善 Decagon 的居品 Roadmap，而 AI Agent 的 context window 的进一步推广和更天然的交互形状则可以优化用户的使用体验，致使更进一步，AI Agent 可以匡助客户告成完成任务。此外，基础模子才能的矫正相同值得关怀，比如 Anthropic 的 Computer Use，固然现时还没准备好投入坐褥环境，但跟着期间的提高，将带来许多令东谈主期待的应用可能性。

排版：Doro

拾象 2025 AI Best Ideas：20大关节瞻望

Agent 最全 Playbook：场景、记念和交互翻新

LLM 竞赛 2025: 突出 Google 之路

Metronome：OpenAI、Anthropic背后的计费平台，会是AI时间的Stripe吗？

估值13亿好意思金百家乐AG，Clay 用 AI Agent 帮企业找客户