大模型越来越强之后，企业究竟愿意为什么样的 AI 付钱？
单纯的模型能力，恐怕已经很难单独构成企业采用 AI 的理由。市场关注的重点已经从模型本身，逐渐转向 AI 怎样才能形成可以被感知、被核算的产出。
百融智能最新披露的中报，呈现出的正是这样一条变化路径。
2026 年上半年，受外部因素影响，公司总收入出现波动；另一边，其 AICC 业务同比增长 52%，其中面向更多行业的新场景收入增长 195%。
AICC 即 AI Contact Center（智能联络），简单来说，就是把 AI 接入企业联络中心，让 Agent 直接承担查询、营销、服务和运营等具体工作。
图片由 AI 生成
百融透露，公司已在金融场景中打磨出了成熟的 AICC 和企业级 Agent 能力，如今开始向物流、券商等更多场景复制。
其物流项目日处理量，已从上线初期不足 1000 通提升至超过 1.5 万通；某家头部券商的部署规模也由年初约 30 席扩大至约 210 席。
并且这套路径还在继续向外延伸。百融采用的RaaS 按结果收费模式，让处理量和部署规模可以更直接地转化为收入。
一个标杆场景跑通以后，同一套能力和记忆还可以继续向更多岗位、更多行业复制。
随着部署规模扩大，真实运行产生的大量交互反馈，可以继续进入模型训练和策略优化，形成数据飞轮。
这条链条继续向外延伸，资本和产业资源也开始有了新的作用。
百融提出了"技术重构型 AI Roll-up "的概念，本质上是通过投资、合作或产业整合获得更多真实业务入口，再把已经验证的 Agent 能力嵌入其中。
于是，百融计划从一个具体联络场景出发，搭建起一套逐级放大的增长机制：
先单点跑通，再扩大部署，逐步推进跨行业复制，靠真实数据继续反哺模型，再借助产业资源打开更多工作流入口。
在最新业绩电话会上，百融 CEO 张韶峰将这轮调整定义为战略升级。起点就落在AICC，以及一批真正开始承担具体工作的硅基员工身上。
百融智能财报里的战略转向
先看这份最新中报，一个明显特征是，百融的不同业务之间已经出现分化。
本期财报还重新按照业务属性划分收入，将业务拆分为AI 决策、AICC 和其他业务三大板块。这种重新分类本身，也让百融正在进行的业务切换变得更加直观。
2026 年上半年，百融实现收入 9.14 亿元，同比下降 43%；毛利由 11.82 亿元降至 4.88 亿元，毛利率从 73% 下降至 53%。
利润端，公司由上年同期盈利 2.01 亿元转为亏损 3.22 亿元。
财报解释，这轮波动有比较明确的外部背景——
2025 年发布、同年 10 月正式实施的互联网助贷业务相关监管文件，加上今年上半年陆续落地的一系列规定，使部分金融机构暂停部分产品运营，由此影响了百融相应成熟业务。
具体来看，今年上半年，百融 AI 决策业务收入 3.72 亿元，同比下降 26%；其他业务收入 3.77 亿元，同比下降 62%，后者的下降主要来自部分信贷产品智能营销及运营收入收缩。
不过，AI 决策这块基本盘，并没有同步出现同等程度的经营波动。
上半年该业务核心机构达到 141 家，核心机构收入占比从 76% 升至 84%，留存率仍达到 96%；其中来自银行和互联网平台机构的核心收入同比增长 1%。
因此，百融管理层仍将AI 决策定位为利润和现金流的重要基础，用于支撑下一阶段 AI 投入。
另一边，百融的AICC走出了方向相反的增长曲线。
今年上半年，这项业务实现收入 1.66 亿元，同比增长 52%；其中信贷场景收入1.55 亿元，同比增长 47%，新场景收入1126 万元，同比增长 195%。
新场景目前只占 AICC 收入约 7%，规模仍小，但增速已经开始在财务数据中显现。AICC 整体占百融收入的比例，也从 2025 年上半年的约 6.8% 升至今年同期约 18.1%。
这一比例的提升，同时受到 AICC 自身增长和总收入收缩影响，但业务结构的分化已经比较明显。
研发投入进一步强化了这种趋势。
百融上半年研发开支从 3.02 亿元增加至 3.94 亿元，同比增长 31%，占收入比例升至 43%；截至 6 月底，公司 1477 名员工中有 901 名研发人员，占比达到 61%。
在整体收入承压阶段选择继续提高研发投入，也意味着百融这轮 AI 战略调整已经开始落实到资源配置。
张韶峰在电话会上进一步明确，AICC 新场景已经成为集团当前重点发展的增长业务，承担跨行业复制和寻找新增量的任务，新增资源也将优先向 AICC 新场景和其他硅基岗位倾斜。
百融智能创始人兼 CEO 张韶峰
百融本次宣布的战略升级，首先表现为行业范围扩大。
百融此前的 AICC 能力主要在金融领域积累，如今正在向物流、航空、券商、银行、运营商和保险等服务密集型行业延伸。
与行业范围一同变化的，还有 AI 承担任务的复杂程度。
上一代 AICC 更多应用于呼出场景，依靠关键词匹配和预设话术，适合通知提醒、固定流程营销等标准化任务。
而复杂呼入明显不同。用户主动进线以后，问题、表达方式和情绪都很难提前设定，AI 既要理解开放式问题，维持长时间多轮对话，还需要调用知识库及内部业务系统继续完成后续任务。
张韶峰在电话会上透露，传统应答机器人面对这类复杂场景时，转人工率甚至可以达到 70%～80%。新一代 AICC 试图解决的，正是从理解问题到完成服务流程之间这一段距离。
百融将这种进入实际服务流程的企业级 Agent，称作"硅基客服"。
而在跨行业复制方面，百融也已经取得了一些实际进展。
今年 7 月，百融的硅基客服开始在物流场景承接查件咨询、派件异常和投诉反馈等复杂呼入任务，日处理量由上线初期不足 1000 通提升至 8 月底超过 1.5 万通。
券商场景中，截至 7 月，百融已签约及处于合同流程中的机构达到13 家，其中一家头部券商的部署规模由年初约 30 席扩大至约210 席。
这些进展说明，此前主要围绕金融场景形成的 AICC 能力，已经开始进入新的生产环境。
而百融目前选择优先进入的这些行业，也具有相对明确的共性——拥有持续而庞大的 C 端交互需求，同时行业集中度较高。
物流每天都会持续产生查件和异常件咨询，航空则长期存在退票、改签等服务需求；头部企业又相对集中，一旦标杆项目跑通，同一套能力更容易向内部更多场景以及同行业复制。
电话会同时透露了另一面，目前跨行业推进真正耗时的环节，更多集中在大型企业的采购验证周期，以及系统集成和生产切量。
大型企业正式接入前，通常需要经过 POC，对问题解决率、人工介入比例、响应效率和稳定性进行验证；进入生产以后，也只有在安全、合规和服务边界得到确认后，业务量才会逐步释放。
所以规模化的难点已经不只在模型。
一个新的问题也就此出现：企业级 Agent 可以进入的场景很多，百融为什么把 AICC 作为现阶段最重要的突破口？
企业级 Agent，为什么先落在 AICC？
企业级 Agent 已经进入越来越多重复性工作流，但从技术可用走到规模化落地，首先需要解决商业价值如何被清晰衡量。
企业采用 AI 最终仍要回到投入产出比上。但在很多场景中，AI 提升了多少决策质量、释放了多少隐性效率等等，很难在短期内直接量化。
而AICC相对特殊。
联络中心长期承担大量查询、营销和服务工作，任务边界、流程和评价标准比较明确；AI 接入以后，处理量、转人工比例和单位服务成本都可以较快反馈到经营结果上。
顶级风投机构 a16z，此前也将编程、企业搜索和客服支持列为企业级 AI 较早进入生产应用的几类场景。
客服领域业务目标明确，流程大多已经文档化，同时保留人工兜底路径，天然适合 Agent 逐步接手标准化工作。
当然，百融选择 AICC，还有自身积累这一层原因。
张韶峰透露，公司客服和营销硅基员工项目从2017 年就已立项，至今经过七八年的持续迭代。金融行业对于准确率、稳定性和合规要求较高，由此形成的能力，与 AICC 需要的语音交互、智能联络和复杂流程执行高度重合。
百融也由此围绕真实生产环境，搭建起了一套相对完整的技术体系。
首先是最核心的模型能力。
目前百融拥有BR-Voice 语音多模态模型、BR-LLM-Proactive 主动对话模型和 BR-Vision-Doc 文档理解模型。
三类都属于百融自研的垂类基础模型，其中前两者恰恰是构成 AICC 垂类模型的重要基础。
这套模型体系的技术路线相对明确——不追求"大而全"，将更多重心放在围绕具体任务优化上。
张韶峰透露，公司针对电话场景预训练的模型，参数规模主要控制在0.4B～30B之间，核心目的是在准确率、稳定性、响应时延和推理成本之间取得更适合生产环境的平衡。
元股证券:ygzq.hk电话会上，张韶峰还进一步解释了这套路线与部分海外 AICC 公司的差异。
据其观察，Sierra、Decagon 等企业较多基于 OpenAI、Anthropic 等第三方基础模型，再向上构建应用和 harness 工程；百融则把底层垂类基础模型也纳入自身技术体系，预训练、后训练和推理优化等关键环节均由自己掌握。
这样在实际运行出现问题后，可以继续判断问题位于应用工程层还是基础模型层，并直接进入下一轮训练和优化，缩短整个迭代链路。
这也反映出企业级 AI与通用模型不同的一面。通用模型更强调能力上限，进入生产环境以后，还需要同时面对准确率、稳定性、响应速度和成本等约束。
从公开测试结果看，百融的垂类路线已得到了一些外部验证。
在 INTERSPEECH 2026 MLC-SLM Challenge 的多语种对话语音理解任务中，百融取得94.84%的准确率，排名全球第三、国内产业界第一。
不过，模型能力只是生产级落地的起点，真实电话联络并不是静态题库。用户表达、业务需求和异常情况不断变化，即使模型上线初期达到较高准确率，也需要在生产运行中被继续校正。
百融重点积累的第二大能力，因此落到了数据飞轮上。
在合法合规的前提下，公司会从真实投产中识别正负反馈，例如一次服务最终有没有完成任务，哪些表达导致理解偏差，哪些环节最终进入人工处理，再把这些信息转化为强化学习信号，继续调整模型、服务策略和对话方式。
图片由 AI 生成
真实业务由此成为模型持续训练的一部分，形成业务运行、反馈、模型迭代再回到业务的循环。
不过，模型能够持续迭代之后，距离真正进入联络中心依然有一道门槛，就是需要在电话网络里稳定运行。
传统电话通常采用8kHz 窄带语音，保留的声学信息明显少于互联网常见的16kHz 宽带音频，对语音识别和实时交互提出更高要求。
真实联络中心还要处理通信软交换、高并发调度、系统对接和录音质检。
百融为此长期围绕电话网络建设通信工程体系，同时针对窄带识别、降噪、用户打断和对话轮次判断等环节进行适配。
而技术真正进入业务以后，还要面对另一层高度依赖现场的问题：交付。
不同企业的知识体系、操作规则和系统环境并不相同，AI 完成对话后还可能继续查询信息、调用内部系统、执行任务并写回结果。
百融为此配置了FDE 前沿部署工程师团队。FDE 进入业务现场后，会梳理服务标准、进线情况、知识库和系统接口，拆解原有人工工作流，再把适合 AI 承接的环节重新组织成 Agent 工作流。
这样一来，百融围绕 AICC 形成的几层能力正好首尾相接：垂类模型提供任务能力，真实业务反馈推动模型继续迭代，通信工程保证 AI 能够运行在电话环境，FDE 再把技术嵌入具体工作流。
Agent 进入生产以后又不断产生新的反馈，重新进入下一轮模型训练。
百融接下来的 AI 投入，也由此指向一个更明确的目标：让 AI 成为可以长期运行的生产能力。
而一旦 Agent 开始承担原本由人工完成的工作，接下来发生变化的，其实就不再只是技术。
企业购买 AI 的方式，很可能也会随之发生改变。
AI 开始进入生产系统
软件行业发展至今，企业采购技术已经形成相对成熟的商业模式。
早期软件主要出售License，SaaS兴起以后，订阅和席位成为主流；大模型时代又增加了Token 计费。
这些模式虽然计价单位不同，企业购买的核心依然是一种技术能力。
而 Agent 的兴起，让 AI 进一步走入了任务执行环节，直接承担具体工作。
这一过程中，企业付费的对象逐渐从技术使用转向实际产出，其能够触达的价值范围也从传统 IT 预算向运营成本和人力成本延伸。
配资炒股指南百融目前采用的RaaS（Results as a Service）模式，可以理解为这种变化的一种现实形态。
按照公司披露，RaaS 可以按照成功完成且无需转人工的有效通话或工单收费，也可以根据Agent 实际部署规模计费，部分场景还会按照促成的业务规模分成。
图片由 AI 生成
电话会上管理层透露，以已经落地的物流业务为例，按照成功解决问题的有效通话收费后，单次处理成本目前可以比传统人工降低 50% 以上。技术服务方的收入由此直接与实际完成的工作建立联系。
这也是 RaaS 相比传统软件收费最大的不同。
软件完成交付以后，后续经营主要由使用方承担；结果付费进一步把技术公司推进业务流程内部，模型性能、稳定性、成本和任务完成效果都需要进入同一套经营逻辑。
而 AI 开始进入运营和人力成本以后，一个更大的问题随之出现：这种新形成的 AI 产能，怎样进入更多真实工作流，并进一步规模化复制？
近年来从硅谷开始爆火的AI Roll-up，正是在这一背景下受到关注。
Roll-up 原本是一种产业整合方式，常见做法是连续收购同一行业中较为分散的企业，再通过规模整合、后台共享等方式获得协同效应。
AI 加入以后，核心变化在于获得真实业务入口之后，继续通过垂类模型、Agent 和工程体系重构工作流、服务交付和成本结构。
因此，广义 AI Roll-up 已经不局限于收购。资本收购、战略投资、产业合作，甚至直接部署 Agent，都可以成为进入真实工作流的方式；真正重要的是 AI 有没有进入日常运营，并持续改变效率、产能和单位经济。
目前，北美已经形成一条比较典型的路线：资本先获得传统服务企业和工作流入口，再由 AI 工程团队进行改造。
例如 Current 整合会计事务所，Crescendo AI 收购 PartnerHero，都属于这种资本控制加 AI 工程改造的实践。
国内则正在涌现两类路径：
一类是产业聚合型 AI Roll-up。先通过资本、联营或产业整合进入分散的服务网络，获得业务系统和真实工作流，再进行 AI 升级。
另一类是技术重构型 AI Roll-up。起点可以直接放在企业工作流中，通过垂类模型和 Agent 承接具体工作，再逐渐扩大部署范围，并结合战略投资和产业合作向外延伸。
百融就是技术重构型 AI Roll-up的代表之一。
两种路径的顺序不同：产业聚合型强调的是先聚合产业入口，再做 AI 改造；技术重构型则是先用 AI 改造工作流，再扩大产业覆盖。
而二者的共同之处，是把 AI 从企业软件体系外围继续推向生产作业内部。
从这个角度再看，RaaS 和 AI Roll-up，实际上对应着企业级 AI 商业化的不同层面：前者解决 AI 完成工作以后如何计价，后者进一步处理这种生产能力如何被组织起来，并进入更多真实业务。
AI Roll-up 负责改变产能的组织方式，企业级 Agent 则真正落到一项项具体工作。
软件完成了大量业务流程的数字化，大模型进一步提供理解和推理能力，如今 Agent 开始进入流程本身，直接承接其中的具体任务。
模型进入真实产业以后，竞争边界也由此向外扩展。企业级 AI 需要把模型、工程和业务流程连接成一套长期运行的系统，并持续接受真实生产环境的检验。
Agent 的产业意义，也已经开始超出一种大模型产品形态，正逐渐成为机器智能进入真实经济活动的入口。
由此，机器智能开始从一种技术产品，逐渐成为经济活动中的生产要素。
历史上每一次生产力变革，最初往往都从少数具体工作开始，再逐渐改变整个产业的成本和组织方式。
这一次，企业服务正在成为 AI 最先深入的腹地，而百融已经通过 AICC 步入其中。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见配资专属服务平台
合规杠杆配资网提示：本文来自互联网，不代表本网站观点。
