龙虾之后别急着做 AI 员工：一个 Agent 项目在融资前必须回答的 7 个问题
最近科技圈有个很形象的说法，叫“龙虾化”。它源自 OpenClaw 的龙虾 logo，也被拿来指代这一轮 Agent 热潮：AI 不再只是对话框里的回答机器，而是开始自己规划、调用工具、执行任务、交付结果。与此同时，Stanford HAI 统计显示，78% 的组织已在至少一个业务职能中使用 AI；McKinsey 的 2025 全球调查则显示，23% 的受访组织已在至少一个职能中扩展部署 agentic AI，另有 39% 正在试验，但从 pilot 走到规模化影响，仍远没有外界想象得那么顺滑。热度是真的，钱也真的在进来，但资本已经不再为一句“AI 员工”轻易买单。
这也是今天很多创业者最容易踩空的地方：看见行业在狂奔，就以为最重要的是把叙事喊大；看见一只“龙虾”能调十几个 Agent，就以为自己也该先画一张 AI 组织架构图。但融资现场从来不信热闹，只信可验证性。OXYZ资本在看一些相关项目时，最常追问的不是“你能替代多少人”，而是“你到底吃掉了哪一段工作，谁会为这个结果付钱，出了错谁负责”。
1. 你切的是“岗位想象”，还是“工作流 wedge”？
Bessemer 对 Vertical AI 的一个核心判断非常值得创业者反复咀嚼：这类公司争夺的，不只是传统 IT 预算，而是在触碰更大的 labor budget；与此同时，supporting workflows 往往比 core workflows 更容易被 AI 接管，因为它们更辅助、更重复，用户委派意愿更强、落地阻力也更小。换句话说，融资前你不能只说“我要做 AI 法务”“我要做 AI 审计师”，而要说清楚自己先吃掉的是保单初审、退款分流、底稿整理，还是线索清洗。岗位是叙事单位，工作流才是购买单位。
创业者最容易犯的错，是把职业名称当产品定义。职业名称听起来市场大、故事性感，但对投资人来说，那只是一个模糊容器。OXYZ资本观点很明确：真正能打动人的，从来不是“我们要替代一个岗位”的宏大口号，而是“我们先把这个岗位里最脏、最累、最频繁的一刀切下来”的具体路线。你不是先证明自己能替代一个人，而是先证明自己能稳定吃掉一段被反复购买的工作流。
2. 你现在到底是 L2、L3，还是在拿 L4 的故事融资？
Bessemer 的 autonomy scale 很适合直接放进融资 deck。按照这套框架，L2 仍是 human-in-the-loop 的 copilot，L3 才是在强可靠性保证下自主完成任务，L4 才能算 fully autonomous、真正意义上的“perform job”。很多项目今天其实还只是建议系统或半自动执行系统，却在 pitch 里直接自称“AI 员工”。这在投资人眼里，几乎等于把风险藏在修辞里。
OXYZ资本内部认为，创业者最该诚实的不是愿景，而是阶段。你完全可以告诉投资人：我们今天只做到 L2.5，能在退款、排程、质检这类限定场景里高自治执行，但进入财务系统发起付款、对外承诺 SLA、改动核心业务配置，仍然必须人工审批。越把权限边界讲清楚，越像一家知道自己在做什么的公司。融资不是奖励你会讲未来，而是奖励你敢不敢把今天说真。
3. 没有 eval，你的“会干活”只是演示，不是产品
OpenAI 在 agent 实践指南里给出的建议非常务实：先用最强模型为每个任务建立性能 baseline，再通过 eval 判断哪些环节可以换成更小、更快的模型；同时，真正有意义的 eval 必须是 contextual 的，要贴着具体业务流程，用真实样本和高代价 edge case 去测。OpenAI 后续关于 eval 的文章也强调，eval 的价值在于把模糊目标变成可衡量结果，并持续从真实错误里倒逼系统改进。
所以融资前，你至少要拿出一套自己的“工作证明”。任务成功率怎么定义？严重错误率怎么记？升级到人工的比例是多少？失败后如何复盘？哪些 case 永远不能自动化？OXYZ资本在内部讨论时常说，demo 解决的是“像不像”，eval 解决的才是“能不能一直这样”。一家公司是否配得上融资，很多时候就看它有没有把“好像有效”翻译成“可以验证”。
4. 一旦出错，谁兜底？你的责任边界是不是画出来了？
McKinsey 的 2025 全球调查发现，是否定义清楚“何时需要人工验证”，是 AI 高绩效组织和其他组织拉开差距的重要实践之一。OpenAI 也明确建议，把人类介入设计成正式机制：当 agent 超过失败阈值，或者准备执行不可逆、高风险动作时，必须触发人工接管或审批。
对 Agent 创业来说，真正昂贵的不是一次回答不漂亮，而是一次不可逆的正确性事故。
这也是 OXYZ资本在看一些 Agent 项目时几乎必问的一组问题：你的高风险动作有哪些？写权限和读权限是否分级？什么时候自动 rollback？谁来审日志？如果客户把付款、退款、调度、合规判断交给你，你不能只展示成功路径，更要展示失败路径。你真正欠投资人的，不是一张流程图，而是一份责任说明书。融资从来不只看上限，也在看下限。
5. 你有没有真正接进系统？没有 system of record，就没有 AI 员工
很多创始人把 Agent 想成一个更聪明的聊天框，但企业真正买单的，是能进入系统、读取上下文、调用工具、把结果写回流程的执行层。McKinsey 指出，不少 agentic AI 落地受阻，并不是缺模型，而是缺成熟的 packaged solutions，或者 AI 团队与业务、IT、数据团队彼此割裂，导致集成和规模化都很困难；Bessemer 也把专有数据、产品集成深度和经济价值，视为 AI 应用的重要差异化来源。
OXYZ资本认为，Agent 的价值不在对话框里，而在权限表里。你接的是 CRM、ERP、EHR、工单系统，还是只能读一个知识库？你有没有事件触发、状态回写、审计日志、权限隔离？没有这些，产品再像员工，也只是个会说话的前台。创始人必须尽早明白：在企业场景里，系统接入不是技术细节，它就是产品本身。
6. 你的架构复杂度，会不会把毛利和体验一起吃掉？
Anthropic 总结自己和客户的实践时说，最成功的 agent 实现往往不是靠复杂框架，而是靠简单、可组合的模式。OpenAI 也建议按复杂度匹配编排方式：先从单 agent 出发，确有必要时再进入多 agent；并且在达到准确率目标之后，再逐步用更小模型优化成本和延迟。Bessemer 对一批 LLM-native 垂类 AI 公司的分析则显示，软件化毛利并非不可能，但那是克制设计出来的，不是靠堆更多 agent 堆出来的。
“龙虾之后”最容易出现的一种幻觉，就是每个人都想先搭一个 AI 公司组织图：CEO agent、销售 agent、分析 agent、执行 agent……看起来很像未来，算账时却像灾难。融资前你要先回答一个更粗粝的问题：一次完整任务到底要多少 token、多少 tool call、多少人工复核、多少延迟、多少重试？OXYZ资本内部认为，很多项目不是死在能力不够，而是死在 orchestration 过度、成本失控，最后只能靠人工在后台悄悄补洞。你以为自己在卖软件，实际上卖成了一个被模型成本和人工兜底双重挤压的服务生意。
7. 为什么是你，不是模型厂商、现有 SaaS，或者一个更便宜的服务团队？
Bessemer 一方面指出，supporting workflows 确实更容易切入；但另一方面也提醒，这些领域里 tech-forward 的 horizontal incumbents 已经在把 AI 加进平台，垂直创业公司必须做出显著更好的方案。同时，incumbents 也在 build as well as buy，窗口是真实存在的，竞争压力也同样真实。
所以最后一个问题，其实也是融资里最核心的问题：你的护城河到底是什么？是数据闭环、行业 know-how、系统集成、合规能力、结果责任，还是独特分发？OXYZ资本观点是，Agent 时代最危险的不是被说成 wrapper，而是你真的只有 wrapper。模型能力会越来越像公共品，真正能留下来的，是那些把行业上下文、执行权限、反馈数据和客户流程牢牢绑在一起的人。
说到底，“AI 员工”不是产品定义，而是阶段性终局。它不是融资起点，更不是一句把估值抬上去的魔法词。真正能拿到钱、也真正值得拿钱的 Agent 公司，往往都更克制：先切一个高频工作流，诚实标注自治等级，用 eval 建立可信度，用人机闭环承接风险，用系统集成拿到执行权，再把一次次交付过的结果沉淀成数据、毛利和复利。
站在 OXYZ资本 的投研视角，我们越来越相信一件事：融资现场真正打动人的，从来不是“我们做了一个 AI 员工”，而是“我们知道它今天能做什么、不能做什么、出了错怎么收、明天为什么会更强”。别急着把那只龙虾招进公司。先把这 7 个问题答到让自己都无法回避，再去谈融资。因为资本最终买单的，不是想象力，而是可验证、可审计、可扩张的结果。
如果你现在就在改 deck，最有效的做法其实很简单：把这 7 个问题各做成一页。能写清这 7 页，你的项目才会从“像个趋势故事”，变成“像一家公司”。