今天分享的这家公司是：Prentis，https://www.prentis.ai/
先举个例子，让我们看下 Prentis 是做什么的。
如果一家保险公司收到新的理赔申请后，员工通常要做一连串操作：
先打开理赔系统，核对保单和申请人信息。
发现身份证明或医疗材料不完整，再去邮箱、共享文件夹和其他系统里寻找附件。
然后把不同文件里的姓名、日期、金额录入表格，登录另一个系统提交申请。
如果金额对不上、材料过期或者保单情况特殊，还要决定是退回补充、继续处理，还是交给其他部门审核。
每一步都不算难，但很难写成一条简单指令，也很难用 RPA 实现。
因为材料每次都不一样，系统之间没有完全打通，流程中还会不断出现例外情况。
今天的主角，Prentis 想做的，就是让 AI 接手这类工作。
简单来说，Prentis 想训练出一名可以直接操作电脑的 AI 员工：
看懂屏幕上的文件和系统，移动鼠标、点击按钮、输入信息，在不同软件之间切换，最后把整段工作跑完。
2026 年 4月，Prentis 正式启动。
三个月后，这家公司就在洽谈一轮 1亿美元融资，对应估值达到 10 亿美元。
如果融资完成，它几乎会在成立几个月后就直接成为独角兽。
从帮员工写东西，到直接替员工操作电脑
过去两年，大多数人接触到的 AI，主要停留在对话框里。
用户提出一个问题，AI 返回一段文字、一张图片或者一份表格。
后来出现了 AI Agent。
它不只生成内容，还可以调用企业开放的系统接口，查询订单、发送邮件、创建日程或者修改客户信息。
但这种方式有一个前提：企业已经为相关系统开放了接口，并且提前告诉 AI 每个接口应该怎样使用。
现实中的办公室和打工人，很多并没有这么“整齐”的数据和系统基础。
一名员工处理一项工作，可能要同时打开浏览器、Excel、邮箱、企业内部系统和一个十年前采购的老软件。
有些系统没有接口，有些系统虽然有接口，但只能读取一部分数据。
还有大量信息藏在扫描件、邮件正文、表格备注和员工自己建立的文件夹里。
如果想用传统方式实现自动化，企业需要为每个系统单独开发连接工具，再把整套流程重新梳理一遍。
Prentis 选择了另一条路线：
不要求所有软件先为 AI 改造，而是让 AI 学会使用企业现有的软件。
它训练的是“电脑操作模型”。
从 Prentis 官网给出的定位看，这类模型可以直接识别手机、浏览器和电脑桌面上的内容，并像人一样操作软件。
这类模型通常会按照一个循环工作：
先截取当前屏幕，判断自己打开了什么软件、页面上有哪些信息；
再根据任务目标，决定下一步应该点击哪里、输入什么，或者打开哪个文件；
操作完成后，重新读取屏幕，确认页面发生了什么变化，再决定下一步。
Anthropic 在介绍 Claude 的电脑操作能力时，曾解释过类似的工作原理：
模型先读取屏幕截图，再计算鼠标应该移动到哪个位置，完成点击和键盘输入。如果操作失败，模型还需要根据新的页面状态重新尝试。
换成更容易理解的说法是：
普通 AI 像一个坐在旁边提供建议的同事，Prentis 想训练的 AI，则坐到了电脑前面。
办公室自动化早就存在，Prentis 为什么还要重做一遍？
企业使用软件模拟鼠标和键盘，并不是什么新鲜事，银行、保险、制造和财务部门已经使用了很多年。
这类工具通常被称为传统流程自动化，也就是 RPA。
企业可以提前录制一套操作：
打开某个系统、点击固定位置、复制一列数据、粘贴到另一个表格，最后点击提交。
只要每次输入的数据格式相同、页面布局不变，软件就可以不断重复这套动作。
问题出现在流程发生变化的时候。
如果按钮换了位置、网页弹出提示、文件少了一页，或者某个客户需要特殊处理，固定脚本就可能停下来。
传统流程自动化执行的是提前写好的步骤；电脑操作 Agent 则需要持续观察当前页面，根据实际情况决定下一步。
微软对两者的区分也很清晰：
固定流程自动化适合稳定、高频、几乎没有例外的工作；
电脑操作 Agent 更适合输入不断变化、需要读取非结构化文件、跨越多个系统，并且中途需要处理异常的流程。
Prentis 公开提到的两个应用方向，也都符合这个特点。
第一个是保险理赔。
理赔申请可能来自不同医院、客户和保险产品，提交的文件格式并不统一。
系统不仅要读取材料，还要判断文件是否完整、信息是否一致，以及下一步应该进入哪条审核流程。
第二个是关税退款异常处理。
企业申请关税退还时，可能需要在订单、进口申报、商品信息、付款记录和相关证明之间反复核对。
一旦出现异常，员工还要继续寻找文件，确认哪些信息需要修改或补充。
Prentis 的思路，是学习员工如何在这些文件和系统之间完成任务，再为不同客户训练相应的电脑操作 Agent。
它瞄准的并不是最简单的复制粘贴，而是传统自动化一直没有处理好的那部分工作：
流程大体重复，但每次又不完全相同。
31 岁的连续创业者，找来了 LinkedIn 和 Zynga 的创始人
Prentis 的三位联合创始人组合比较特别。
负责公司日常经营的是 31 岁的 Ritankar Das。
2013 年，18岁的 Das 从加州大学伯克利分校毕业，同时完成生物工程和化学生物学两个专业。
他只用了三年便修完超过 200 个学分，毕业成绩达到 3.99，并成为伯克利一百多年来最年轻的“大学奖章”获得者。这个奖项每年颁给学校最优秀的本科毕业生。
此后，他前往牛津大学学习生物医学工程，又以盖茨学者身份进入剑桥大学攻读博士，研究机器学习在能源领域的应用。
但他没有完成博士学业。
2014 年，Das 离开学校，成立了 Titan Holdings，一个投资公司。
Titan 和普通投资基金不太一样，它自己寻找方向、组建团队和创办公司，再用之前项目退出获得的资金孵化下一家公司。
Das 先后参与创办了疾病预测公司 Dascena、孤独症治疗平台 Forta Health、AI 医疗公司 Tala Health，以及后来被 LimeWire 收购的 AI 绘画产品 BlueWillow。
Das 的这次创业可以说非常成功：
Dascena 在 2022 年被收购；Forta Health 在 2024 年完成 5500万美元融资；Tala Health 在 2025 年完成 1亿美元种子轮融资。
Prentis 的另外两位联合创始人名气更大。
一位是 LinkedIn 联合创始人里德·霍夫曼。
他是 OpenAI 的早期投资人，也曾经与 Mustafa Suleyman 共同创办 Inflection AI。
另一位是社交游戏公司 Zynga 创始人马克·平卡斯。
Zynga 曾经做出《FarmVille/类似开心农场》等热门游戏，2011年上市，后来被 Take-Two 收购。
不过，两人在 Prentis 的角色不能理解成全职管理者，公司具体经营和产品推进，仍然由 CEO Ritankar Das 负责。
截至今年 7月，Prentis 已经招募超过25名员工，其中包括曾经供职于 OpenAI、Google DeepMind、Meta、腾讯和阿里巴巴的研究人员。
这个团队的组成也说明，Prentis 并不打算只做一个调用其他大模型的企业应用。
它希望自己训练专门操作电脑的模型。
Hive-32B到底证明了什么？
Prentis 目前公开披露的核心模型叫 Hive-32B。
根据公司提供给投资人的材料，Hive-32B 在两项电脑操作测试中，超过了 OpenAI 的 GPT-5.4 和 Anthropic 的 Claude Opus 4.6。
第一项测试叫 Windows Agent Arena。
它让 AI 在真实的 Windows 环境中完成一整段任务，例如编辑文档和表格、操作浏览器、打开文件、修改系统设置和使用常见软件。
微软最初建立这套测试时，一共设计了154项任务。AI 不仅要找到正确按钮，还要规划步骤，并确认任务是否完成。
第二项测试叫 ScreenSpot-v2。
它主要测试 AI 能不能看懂屏幕，并根据一句指令找到正确的按钮、输入框或图标。
例如，系统告诉 AI“把这个文件移动到指定文件夹”，模型首先要在复杂界面中准确找到文件和相关操作按钮。
Prentis 还声称，Hive-32B 每完成一项电脑操作任务的成本，大约只有头部大模型接口的十分之一。
对企业来说，成本确实很重要。
如果 AI 每天只帮助一名员工处理几次任务，调用一次大模型贵几分钱还是几毛钱，区别不大。
如果一家公司每天需要处理几十万份订单、理赔申请和财务单据，每一步操作都要调用模型，成本会迅速累积。
专门训练一个体量更小、只擅长识别界面和操作软件的模型，有可能比每一步都调用大型通用模型更划算。
但目前这些数据只能算 Prentis 自己的主张，公司才成立 3个月，没有公开完整的测试报告、客户部署数据和错误率。
而且，在测试中找到正确按钮，不等于已经能够稳定接管企业流程。
因为真实工作往往包含几十个连续步骤。
前面 99 次点击全部正确，最后一次把错误金额提交进理赔系统，整项任务依然失败。
企业最终关心的并不是 AI 在测试中赢了几个百分点，而是它能不能长期稳定运行，能不能发现自己的错误，以及什么情况下会把任务交还给员工。
不按账号收费，直接拿走客户节省成本的 20%
Prentis 的商业模式，也和普通企业软件不一样。
传统软件通常按照账号数量收费。
企业有 100 名员工使用，每人每月支付一笔订阅费。员工有没有真正使用、最后节省了多少时间，软件公司的收入并不会随之改变。
Prentis 计划采用按效果付费的方式：
它先计算 AI 为客户减少了多少成本，再从实际节省金额中收取 20%。
例如，一家保险公司原来每年需要为某项理赔流程支付 1000万美元的人工和外包费用。
如果部署 Prentis 后，这部分成本降低到 600万美元，理论上就节省了 400万美元。
按照 20% 的收费比例，Prentis 可以获得 80万美元。
这种模式对客户很有吸引力。
企业不需要先相信一套复杂的技术方案，只需要判断一件事：Prentis 是否真的帮公司省下了钱。
如果没有效果，客户就不需要支付那么多费用。
但这种收费方式也有很大的执行难度。
首先要确定，客户原来的成本到底是多少。
其次要判断，成本下降究竟来自 Prentis，还是来自业务量变化、组织裁员、流程调整或者其他系统升级。
此外，AI 可能减少了基础处理人员，却增加了检查错误、维护模型和处理异常的成本。
哪些算节省，哪些只是成本从一个部门转移到另一个部门，都需要双方提前约定。
因此，按节省金额收费看起来简单，真正落到合同里，计算方式可能比按账号收费复杂得多。
Prentis 真正要替代的，是企业里没有写进系统的工作
企业软件发展了几十年，办公室里仍然存在大量依靠人工连接的流程。
客户发来一份文件，员工读取文件，再把信息录入系统。
系统给出结果，员工复制到另一张表格。
遇到异常，再根据经验决定下一步应该找谁、查什么、去哪里补材料。
从企业管理的角度看，这些人承担的不只是数据录入工作。
他们实际上充当了不同系统之间的“人工接口”。
Prentis 的产品方向之所以受到关注，是因为它不要求企业先拆掉旧系统，也不要求所有软件立即开放接口。
AI 可以直接进入现有的电脑环境，学习员工怎样使用这些系统。
但这条路线也会不可避免的带来三个很实际的问题：
第一个是可靠性。
聊天机器人答错一句话，用户可以重新提问。
电脑操作 Agent 如果提交了错误付款、删除了文件或者修改了客户记录，后果可能很难撤回。
第二个是数据与权限。
保险理赔、医疗服务和关税处理都涉及敏感文件。电脑操作模型需要持续读取屏幕，还可能接触邮箱、内部系统和客户资料。
企业必须限制它可以看到哪些数据、可以点击哪些按钮，以及哪些操作必须由员工确认。
Anthropic 在开发电脑操作模型时，也把恶意指令攻击列为主要风险：AI 在网页或文件中看到一段隐藏指令后，有可能偏离原来的任务，执行不应该执行的操作。
第三个是部署成本。
每家公司的软件、文件结构和异常处理方式都不一样。
如果 Prentis 每进入一家客户，都需要大量工程师重新整理流程、训练模型和编写规则，它就很容易从一家软件公司变成一家重交付的自动化服务公司。
能不能把一部分客户定制工作做成标准产品，会直接影响它未来的扩张速度和利润。
一个比 AI 编程更大的市场
Prentis 判断，操作电脑和处理办公室流程，可能会成为一个比 AI 编程更大的市场。
这个判断并不难理解。
会写代码的人只占劳动力市场的一部分。
但几乎每一家稍具规模的公司，都有员工在打开文件、核对信息、填写表格、登录系统和处理异常。
过去的 AI 产品主要帮助这些员工提高效率。
Prentis 想进一步，把一整段工作从员工手中拿走。
它出售的也不再是一套供员工使用的软件，而是流程完成以后实际节省的成本。
当然，Prentis 现在仍然非常早期。
融资没有完成，客户没有公开，合同金额依赖项目表现，模型数据也没有经过独立验证。
所以，10 亿美元估值目前代表的更多是一种市场预期，而不是已经被收入证明的公司价值。
但 Prentis 提出的产品方向非常有启发性：
如果 AI 可以看懂人类正在使用的屏幕，也可以点击鼠标、填写信息、寻找文件并处理异常，它就不必等待企业把所有旧系统重新改造一遍。
它可以直接进入今天的办公室，使用员工正在使用的电脑和软件。
一些电脑桌面前，可能不再需要固定坐着一个人了。