2026 No.12 期
AI Agent 研讨干货「2」
NEWS
"
继上篇探讨 Agent 时代 SaaS 产品形态与商业化模式的变革后，本文聚焦更深层次的挑战：当 Agent 成为新的执行层，企业如何重构工作流？多 Agent 协作落地的关键障碍何在？未来 SaaS 的核心竞争力将沉淀于数据、能力还是业务场景？
共识逐渐清晰：Agent 并非简单替代现有软件，而是推动 SaaS 从“功能交付”转向“业务结果交付”。未来的壁垒产品需深入企业工作流，积累行业数据与业务上下文（Context），在可靠性、专业性和确定性之间构建新的价值体系。
[ 本期嘉宾 ]
SEAMATE
部分嘉宾因公司保密要求未公开姓名或内容有所删节，感谢所有分享者的精彩输出。
注：文中链接或企业名若为嘉宾引用第三方，如有侵权请联系删除。
AgentGo Co-Founder 温晗 Hunter Wen
Datastrato CEO 堵俊平
Notion Research Manager 侯悠扬
Webflow Director Of Engineering, Applied AI 谢妍
YouNavi.ai CEO 胡旭升
北京国鑫锦睿 CEO 钱超
技术专家 & 增长黑客 子木
Part 02 工作流重构、组织转型与真实需求
企业工作流尚未被完全重构
谢妍｜Webflow
当前企业工作流仍处于重构初期。尽管 Claude Code、MCP Connect 等工具试图重新定义工作方式，但受限于 Token 成本、Context 过长等问题，尚无法完全取代具备更好验证机制、UI 交互和可视化能力的传统 ToB 产品。以 Figma 为例，其近期增长依然强劲，并未因代码生成工具的兴起而受阻。
Webflow 的策略是率先成为 AI 转型的实践者。若内部团队不探索新工作流，便难以打造下一代产品。目前工程师群体的 AI 转型最快，而 HR 和销售等依赖人际连接的岗位转型更为复杂。公司内部推行"AI Fluency"概念，将其纳入考核体系，自上而下推动 AI 工具的使用与自动化探索。
钱超｜北京国鑫锦睿
在电力能源等传统行业，业务流程往往固化甚至纸质化。客户关注的是最终结果而非中间过程。AI Agent 的价值在于将中间环节“沉默化”，直接交付结果。然而，多 Agent 协作面临质量评估与流程回滚的挑战。例如音视频处理涉及多个 Agent 协同，一旦出错需具备类似人工巡检的撤回与重排机制。目前传统行业最关注大模型能力对岗位的影响，如售前方案撰写等工作已逐步由技术人员借助 AI 完成。
侯悠扬｜Notion
组织转型存在光谱差异。部分企业如 Ramp、BrandLab 已进入组织重构阶段，营销、运营等岗位 AI 化程度达 50%-60%；而多数企业尚未真正起步。SaaS 厂商需引导用户识别适合 AI 的工作流环节。Notion 提出"AI 转型模型”：
- Level 1：简单使用 AI 进行问答或头脑风暴；
- Level 2：利用 AI 提升个人生产力，如会议纪要、写作；
- Level 3：引入 Agent 和工作流，实现部分工作自动化；
- Level 4：重构组织结构，明确人与 Agent 的分工协作及基础设施调整。
目前大部分企业处于 Level 3 以下。未来方向是助力企业迈向 Level 4，同时优先解决单一 Agent 的稳定性与治理问题，再探索复杂的多 Agent 协作。
多 Agent 协作目前不是第一优先级
堵俊平｜Datastrato
工作流协同的前提是建立可信边界，核心在于数据访问的准确性与安全性。SaaS 的本质是解决实际业务问题并降低成本，因此强调确定性。当前 Agent 落地多从边缘业务或高容错场景开始，类似 AI Coding 从 Copilot 演进的过程。现阶段重点并非多 Agent 协作，而是单个 Agent 能否独立完成任务，包括技能完善度、执行准确度及意图转化能力。
以 Data Agent 为例，关键在于 Context Engineering。传统数据系统缺乏业务语义沉淀，未来需在数据产生时同步构建业务 Schema 和 Context，使 Agent 真正理解业务逻辑。这标志着 SaaS 边界的重新定义：从固定 UI 操作转向自然语言驱动的任务执行。但 UI 依然重要，像 Salesforce 这类深度嵌入工作流、沉淀了大量数据与协作关系的产品，在人机协作时代仍具优势。
可观测性变得至关重要
堵俊平｜Datastrato
从人机协作到多 Agent 协作是渐进过程。只有当单点协作成熟且工作流重构完成后，多 Agent 协作才会成为重点。未来不同 Agent 将承担规划、执行、验证等角色，但这需要统一的协议支持。目前 MCP 主要解决工具调用，而在业务上下文、安全边界及可观测性等方面仍有大量缺口。
随着重复性工作交由 Agent，必须明确 Human-in-the-loop 的边界：哪些环节需人确认、如何评价质量、人如何高效介入。传统 SaaS 出错多为 Bug，而 Agent 可能存在幻觉，因此产品需从“黑盒”走向“可解释”。在数据分析等场景中，不仅展示结果，还需呈现计算过程、数据来源及中间链路，确保结果可理解、可验证。复杂的 Agent 工作流对可观测性和确定性的要求更高。
Part 03 护城河、价值迁移与产业机会
数据的积累与应用是核心竞争力
子木｜技术专家 & 增长黑客
未来 SaaS 的关键转变在于如何用好行业数据，而非单纯积累数据量。载体形式（Agent、Skill 等）取决于生态成熟度。目前 Skill 生态虽数量庞大但质量参差不齐。优秀的 Skill 应建立在数据基础之上，通过 API 持续获取最新数据并进行洞察分析，形成闭环。
谢妍｜Webflow
SaaS 行业正面临焦虑，通用软件价值因 AI 编程和分析能力的普及而被稀释。未来 SaaS 若想保持价值，必须深耕领域知识与复杂业务场景。例如权限管理、行业定制等需求，通用大模型难以以最高 ROI 覆盖。真正的壁垒在于对细分行业的深刻理解。
可靠性、专业性与确定性是捕捉价值的关键
堵俊平｜Datastrato
购买 SaaS 本质是购买业务价值与确定性。未来 SaaS 与 AI 将深度融合，形成分层结构：
- 入口层：趋于通用化，用户通过 Agent 表达需求；
- 能力层：SaaS 厂商的机会所在，依托对业务的深入理解、用户粘性及长期数据沉淀；
- 数据层：企业私域数据是核心资产与护城河，难以完全交给第三方模型厂商。
这种分层结构中，数据层壁垒最高，能力层次之，Human-in-the-loop 模式将长期存在。
侯悠扬｜Notion
数据治理已成为大型企业的首要关切。随着 MCP 和 API 的普及，数据接入风险增加。客户迫切希望知晓：谁在接入数据？谁在创建和使用 Agent？数据是否泄露？因此，加强 Agent 工作流的治理与审计是当前的重点投入方向。
谢妍｜Webflow
虽然 AI 降低了切换成本，但 ToB 产品的护城河不仅在于数据，更在于组织内多角色的席位绑定。一旦整个组织基于某系统运转，迁移成本极高。此外，若能创造明显的业务增量（如提升流量、效率），结果价值本身也是坚固的护城河。尽管 AI 迭代迅速，但数据沉淀与企业席位关系仍是相对稳定的竞争优势。
收费模式新探索：Agent as a Service
胡旭升｜YouNavi.ai
工业时代的集成商模式在 AI 时代依然适用，关键在于“靠近现场”。其优势包括：获取鲜活的一手数据、形成贴合场景的 Skills、提供适配的交互方式，以及更好地解决合规与信任问题。ToB/ToG 场景中，合规与信任是大模型厂商难以快速覆盖的领域，这为创业公司提供了机会。AI 能提升效率，但无法替代人与人建立的信任关系。
子木｜技术专家 & 增长黑客
代码杠杆正在变薄，软件功能的稀缺性下降，而 AI 算力成本类似水电费，可能压缩利润空间。未来将出现更多深入特定行业的小团队型企业。虽然 Agent 可承担诊断、分析等流程，但行业洞察、机会发现及高质量输入仍需依靠人的经验。巨头依然存在，但长尾市场将因行业 Know-how 与 Agent 能力的结合而更加丰富。
温晗 Hunter Wen｜AgentGo
面对行业变化，建议两点：一是深入工作流，二是把握时间窗口。未来互联网可能由 AI Agent 主导，但目前尚未形成统一入口。创业方向可聚焦于构建受控的 Agent 访问环境（如定制化 Browser），在合规前提下连接人类互联网。关键在于找准产业链中有价值的环节。在产品门槛降低的今天，比“做出来”更重要的是找到商业化路径，甚至在研发前完成销售验证，确保商业逻辑成立。
全文无删减版请移步知识库
项目推荐
来自 Seamate Vibe Launch
05/14 · 硅谷
Gorest.ai
以 Multi-Agent AI 为核心的游戏开发平台。通过自然语言指令，让无编程背景的用户创建高复杂度互动世界。平台将策划、程序、美术等环节分解为专业 Agent（Director/Narrative/Level/Code/Art/QA），多 Agent 协作完成全流程生产，定位为 AI Native 游戏开发 OS，将数十人协作压缩至个人可完成规模。
ActAVA（Kora Healthcare AI Factory）
专注医疗健康行业的 AI Agent 基础设施公司。核心产品 Kora Healthcare AI Factory 是面向医院、保险公司及生命科学企业的 Agent 生命周期管理平台，涵盖低代码构建、多 Agent 编排、合规测试（HIPAA）、治理审计与持续优化。创始团队来自 Salesforce Healthcare 及 CMU 机器学习博士领衔的研究团队。
线上闭门会年度支持方
