拉美二手车交易平台 Kavak 的 AI 负责人 Ali Massa，早在 ChatGPT 出现前十年就押注机器学习；如今他主导的这场转型，让 Kavak 每天实例化 10 万到 20 万个智能体，96% 的客户交互背后没有真人。这期《非共识进化论》访谈聊的，就是这套围绕 AI 重构公司的完整打法。

那时候我们管它叫机器学习，那是另一套算法家族。2013 年，transformer 出现之前，我们带着一个非常宏大的愿景创立了一家公司——相信新的机器学习模型会强大到足以解决任何复杂的问题，整个公司就是朝那个方向建的。回头看，我们大概超前了 10 年。

不过我们确实做成了一家很棒的公司，服务过大约 1.45 万家企业，涉及风险算法、物流、预测、营销。当 transformer 真正展现出威力、ChatGPT 时刻到来时，一切变得非常清晰：我们可以用全新的方式，打造一家全新的公司。所以我们加入 Kavak，和 Carlos 一起把它做起来。

Kavak 起步于一个具体的用例——二手车交易平台：我们收购车辆、整备翻新，再卖出去并提供金融方案。但要做成这件事，还必须自建一家金融科技公司、一家物流公司，以及类似 Carfax 的车辆记录服务——在拉美，让这一切运转起来的基础设施统统不存在。

所以我们只能纵向一体化地把所有环节都建起来，才能以正确的方式服务客户。

我们把整个公司押在了向「由智能体运营的公司」转型上。我们问自己的问题是：如果回到当初，放到 2035 年、用 GPT-10 级别的智能，我们会怎么重建 Kavak？那样的公司，会和我们现在建成的、当年拥有的公司截然不同。

现在当一个客户进来时，会有一个专门为这位客户生成的智能体，配有它自己的虚拟机。它会记住这位客户与 Kavak 多年来的每一次互动——他们在网页上看过什么、两年前的那通电话——把一切都存在它的记忆里，然后制定策略、设定长期目标，去最大化这位客户的终身价值，尽一切努力让客户满意，让客户在时间的长河里陆续转化成我们所有的不同产品。

我认为这是一套在大规模上全新的、具有开创性的架构。现在人们仍在构建专家式的多智能体系统，而我们意识到应该押注的是拥有硬性目标的长期运行智能体，而不仅仅是工作流。

三个主要决策。第一个决策，也是我认为现在很多公司卡住的地方：人的第一反应往往是「好吧，我们采用 AI」，然后基本保持原有架构不变，只是把 ChatGPT 或 Claude 发给团队用。结果没有任何效率提升，客户面临的问题照旧，什么都没发生。所以你需要围绕智能体、围绕未来的能力重新设计整家公司——真正重建你们的大部分 API 和系统，让智能体能够调用它们去执行任务，然后开始产生数据、构建反馈回路来微调它们。

让智能体真正奏效的唯一方式，就是去教它们。怎么教？把智能体放到开放的环境里，放到客户面前，收集那些数据、收集那些评估（evals）反馈，然后训练你的智能体。

第二个赌注，是我们相信自己能造出超人式的智能体。这意味着在每一个重要的维度上——转化率、终身价值、客户体验——我们的智能体都要胜过我们雇到过的最优秀的人，而且我们把它们放到最困难的问题面前。

最后，你开始改变衡量公司成功的方式。Kavak 曾经是一家交易型公司，衡量的是买进了多少辆车、卖出了多少辆车、需要采购多少刹车片；而现在我们变成了一家关系型公司：我的数据库里有 1000 万名客户，其中大多数都分配了专属智能体，任务就是最大化他们的终身价值。

我们现在卖的是汽车、个人贷款这类非常高客单价的商品，哪怕只激活这个客户池里的 1%，只要方向对了，就是数亿美元的生意。说到底，客户买二手车需要与一家公司建立信任；而建立信任的方式，就是了解他们，并为他们规划、维系一段长期关系。

是的，完全没错。大约 96% 的交互由智能体处理，背后没有真人；大约 95% 的交易完全由智能体完成。当然，提车的时候会见真人——现场有人把钥匙交给你，但其余整个旅程的体验都由智能体打理。

每天有 10 万到 20 万个智能体被实例化。它们醒来、工作——有时工作三分钟，有时八小时，有时三天——然后给自己定个闹钟，等下一个任务，再回去「睡觉」。这个规模真的很惊人，而且它确实在运转。

答案就是评估（evals）。我喜欢极速前进，但要想跑得快，你得有刹车。AI 极其强大，我看到很多公司在这里栽跟头——正因为没有可靠的刹车，所以只能小心翼翼、慢慢吞吞地走。而我是反过来想的：我们到底能跑多快？这取决于我们评估的质量。

一个好的经验法则：我们花在构建评估上的时间、工程师工时、token 和金钱，跟花在构建智能体上差不多。这正是让你变得越来越好的方式——而不是把评估当成事后才想起的事。

那我们衡量什么？首先也是最重要的，是业务结果。比如我的客户满意了，他们就会买车、贷款会获批、会把车卖给我们。这就是第一道检查：有没有转化？大多数问题都出在这里。我看到很多公司在衡量通话次数、通话时长，或者一些表面的 KPI——这些确实能给你一些信息，但并不真正起作用。

真正重要的是：这个客户转化了吗？它有没有给客户带来价值？过一段时间之后，客户还愿不愿意再来找我们互动？一旦你把那些评估接通了，剩下的就只是优化正确的 agentic 架构、给智能体赋予技能，把这一切规模化，去服务数百万客户。

会的。我们从来没有构建过客服、售后类的智能体，我们构建的是销售智能体。在拉丁美洲卖车是极其困难的：想象一个想买车的人，他可以在大约 2 万个 SKU 里挑选，还要选融资方案、走完整个贷款流程、选保险和保障产品，多半还要把自己的旧车置换进来——所以我们还必须给那辆车估价。

这个过程，如果按 Kavak 在 2021 年的做法来完成，你需要在 15 件不同的事情上极其擅长，要有 15 支不同团队里的 15 位不同专家。通常客户会分别去和融资专家、购车顾问、收购专家、保险专家聊，然后他们拼出一个打包方案，最终买到一辆车。要做到这一点极其困难。

但我们做的第一件事是：我们能不能让一个智能体在每一项上都比对应的专家更强？然后把它们整合到一起，变成一个「超级专家」——它既是保险专家，又是融资专家。我们把它放到客户面前，客户的体验变得非常棒：把智能体放到客户面前之后，我们的 NPS 和客户满意度评分翻了三倍；一开始它的转化率就比人工团队高出大约 50%，现在转化率已经超过人工水平的 2.2 倍。

它们是专家，拥有无限的耐心、了解你的全部历史、可以为长期关系做规划，而且永远不会疲倦。如果它们犯了错，它们会学到教训——第二天，不只是它们自己，其他 20 万个智能体也都会从那个错误中学习。这就是我们启动的反馈回路，它正体现在我们的增长、业绩和客户满意度上。

要好太多。我们推出的第一款金融产品是车贷。在墨西哥和一些新兴市场，一笔车贷获批通常要两个月甚至更久，而我们通常能在 3 分钟以内批下来——因为我们掌握着客户和车辆的全部数据。而且如果客户真的付不起车贷了，他们可以把车还给我们，我们再给他们换一辆更便宜的车，每个月少还一些，从而脱离困境——这正是这家企业纵向一体化模式了不起的地方。

当我们开始推出其他金融产品时，我们意识到，这对客户来说是一个极其重大的决定——他们通常要花三到四个月才能下定决心去买一辆车、去申请一笔贷款。如果你在这个过程中逐渐了解你的客户，让流程对他们来说变得轻松，那么你的转化率和留存指标就会开始一路飙升。这不只是一笔交易，而是设身处地地理解每一位客户，在对方准备好的时候促成转化：把利率、风险、贷款上限都做非常深度的个性化。显然要兼顾整个资产组合的健康，但在风险水平上是针对每个人优化的，很可能还要把客户正在收到的其他报价纳入考量。

你问自己：AI 能不能做这份工作？哪怕是 CEO 的工作，或者所有需要领导力的工作？而诚实的答案很可能是能——到 2035 年，以目前的速度改进下去，它是能做到的。于是我们说：好，那我们现在就试试，打造一个 AI CEO。

我们在墨西哥划出一座城市——库埃纳瓦卡（Cuernavaca），把一个智能体放进我们其中一个 harness 里担任 CEO。它开始学习、开始做决策，并对这些决策进行评估。它到现在才运行了六个星期。第一个月的目标是把库埃纳瓦卡的利润翻一倍，它没达成，但做到了 1.5 倍——利润增加了 50%，仅仅靠管理这座城市。这很疯狂，对吧？人们原本以为 CEO 是最不可能被替代的岗位，但现在看来并不是。

它是怎么做到的？它就像一个极其聪明的人，菲尔兹奖级别的聪明——深入到每一个数字、每一位客户，做出完美的预测，然后去微管理每天为了达成计划而必须执行的每一件小事。它会真的给库埃纳瓦卡所有一线员工发消息，告诉他们当天的计划，并让他们回传语音留言，以便了解进展。

结果客户满意度提升了，库存更合理、周转更快、融资渗透率也提高了——每一项 KPI 都开始改善。所以这真的超酷，现在也超级令人兴奋。

那些与物理世界相关的岗位。比如机械师——Kavak 在墨西哥大概有 800 名机械师，这个工种涉及大量的灵巧度和感官判断，极难被替代。所以在那块，我们也用完全相同的 harness 构建了智能体，与规模化体系里、与机械师们身边运行的智能体同款。

这个数字助理，就像电影《料理鼠王》那样：那只老鼠实际上是大厨，它与人类协作——差不多就是那种感觉。它是一个「副手」，我们叫它 El Mike，它告诉机械师如何检查车辆、给他们提示、示范该怎么做。

于是，检测质量再一次一飞冲天。我们检测得更快、维修得更快、成本更低，但最重要的是，我们交付的是品质更高的车。自上线以来，保修索赔下降了大约 20% 到 26%，客户满意度也再次上升。所以关键就在于此：如果充足、廉价、超级智能的资源触手可及，你会如何从零开始设计你的组织，然后放手去把它建出来。

事实是：每个人的工作都会改变。我们几年前在做的事，将来很可能会由 AI 智能体做得更好。那这意味着什么？我们需要培训每一个人。所以我们在 Kavak 内部启动了一个名为「绝地学院」（Jedi Academy）的项目，Kavak 的任何人都可以参加——从 CEO 到 AI 工程师、再到机械师，大家都去上这个学院。

它非常难。课程是我亲自设计的，而且要不断迭代——因为课程必须持续升级，一切变化太快了，而且你也不可能把这些人送到外面、比如斯坦福去学这些，因为这是全新的东西。所以我们培训每一个人，六周之后，他们就把最先进的智能体推上了生产环境。上手的既有机械师、也有财务人员和工程师——每个人都能做到。

这带来了什么？也许这个人不会成为 AI 工程师——虽然有些人确实成了——但他们知道如何与这项新技术协作。所以我们是这么看的：各位，没有回头路了。这就是 Kavak 前进的方向，这就是公司未来的样子。你有两个选择：要么去接受培训、掌握在这个新现实、新世界里胜任工作所需的技能；要么，如果这不适合你，你也可以离开 Kavak。但这就是我们要走的路。

而结果非常好——我们的文化得到了强化，每个人都异常兴奋，大家真的知道怎么构建这些 agentic 系统。现在你再看看 Kavak，任何流程本质上都是智能体与人类的协作：有时候智能体是人类的「上级」，有时候是人类在设计智能体。我们确实真正建成了这一切、改变了这一切——靠的就是「我们必须每天学习、事物会持续变化」这个信念。而想让自己持续保持价值，唯一的方法就是每个月或每隔几个月就升级一次自己的技能。

现在它是一支支非常扁平的团队、非常资深的团队、被充分赋权的团队。随便看一个团队，你会看到工程、AI、运营等等，什么都有。他们要么在构建智能体，要么在为智能体工作，要么就身处物理世界、直面客户。

我们大部分组织都是这样。它真的是围绕「未来的组织会是什么样」这个理念构建的——围绕 AI、真正驾驭这项新技术。显然，这需要大量的再培训，因为在 2022、2023 年，没有人构建智能体，没有人辅助智能体，也没有人听命于智能体。你服务物理世界或客户的方式，与由一个智能体告诉你该做什么、或帮你把工作做得更好时，是完全不同的。

现在生产环境中大多数大规模 agentic 系统里所谓的「人在回路」，通常是这样的：如果一个智能体撞了墙、没法再继续完成任务，它就会把这个工单或客户甩给二级支持，然后就不再管了。这其实行不通，因为你没有把回路闭合，也就没有产生用来训练智能体、让它在类似情况下做得更好的数据。

现在真正有效的做法是：我们为每一位客户都配一个专注于此客户的智能体——这样的智能体有数百万个。它们能访问每一个 API、每一项技能，那些技能正是由我们的人类团队为它们构建的。如果某个智能体撞了墙、或者取消了某件事，它会调用一个 API，说「我需要帮助」。而在另一端响应的并不是另一个智能体或软件，而是真人来帮它解决。但如果你把它画进组织架构图，你会发现实际上是「人类团队配了一个智能体」在运转——我得到了更好的结果。

我觉得是两件事。第一，这场转型必须是自上而下的。因为如果你只是放任自下而上的采纳，它哪儿也走不远——很难靠自下而上的方式，让人们自行判断该建什么、不建什么，然后拿出一个对公司真正有效的方案。领导者必须亲自拥抱它，而且必须对「要建什么」有非常清晰的规划。

我见过太多公司是这样的：「哦，我们办个黑客松吧」，大家提出各种用例，我们再资助其中一部分——那根本没用。你要做的是：非常清楚地想明白公司三五年后会变成什么样，然后开始去把它建出来，并且像垂直指挥一样，带领队伍朝那个方向推进。一支军队如果每个人都自己琢磨战略战术、各自上战场、想干什么就干什么，那是打不了仗的。

第二，你需要衡量真正重要的东西——就是评估（evals），而且得是正确的评估。我看到很多公司现在砸下巨额资金，然后说：「好吧，我们有采纳度了，我现在每个月在 token 上就要烧掉数亿美元，那又怎样？」关键在于，token 是有质量之分的。这里有一个同样有用的框架：把 token 分成三个层级。

对，我们现在已经看到成果了，但当初确实非常冒险。因为人们通常会从工作流入手。如果让我给所有人一个建议：别去构建 agentic 工作流。要建就建图谱（graph）、函数（function）或目标（objective）。而我们当初就是那么建的——那是一套多智能体系统，能够为一个复杂目标执行整套职能：就像我讲的，要卖出一辆车，你需要做融资、收购、推荐等等。

到去年 12 月的时候，我们已经有数千个、乃至数万个这样的智能体在规模化运行，支撑着整个业务。但后来 Opus 4.5 发布了，我意识到：这个范式已经不再正确了。如今的智能已经不再需要那种图谱、多智能体的网格架构和 harness 了——因为那反而会束缚这个级别的智能。

我们换了一个认为足够稳健、可扩展、能利用递归自我改进、以及每个月不断推出的更强大新模型的 harness。现在这套架构的样子是：一台虚拟机，里面有一个智能体，可以访问记忆、评估（evals）和 CLI，通过这些能触达我们公司的每一个工具、每一个 API，再加上一个长期目标。我每天实例化几十万个这样的智能体，每一个都带着长期目标——比如最大化客户的终身价值。

一个自我改进的组织。我觉得现在人们对递归自我改进（RSI）非常着迷，它能改进模型。但换个角度看：人类过去 4000 年的经济价值，是由组织创造的，而不是由个人创造的。所以你想要自我改进、想要纳入那个循环的，是那个能创造更多经济价值的组织。我相信公司们接下来会开始聚焦于这个循环。

我们就生活在人类历史上最激动人心的时代，这也是成为创业者最激动人心的时代。因为这是历史上第一次，人人都能接触到世界上最强大的工具和智能——几乎是免费的，或者说每月 20 美元就能用上。毫不夸张地说，人们用来构建的工具在民主化程度上从未达到过这样的水平。而且有待解决的问题如此之多，围绕这个新范式还有一个全新的现实等着去建造。

所以我的建议是：放手去干吧，但要干得深入。去想象 AI 周边的未来会是什么样子——甚至都不用按指数去外推，只要描绘一条线性趋势就行。只要 AI 以线性的速度持续变好，你只管朝着那个方向去构建，就一定会冒出精彩的想法，为世界带来巨大的价值。

如果你还没有面对过恐惧、没有感受过它，那说明你还没有真正尝试过 AI。

从「为每位客户造一个智能体」，到让一个智能体当一座城市的 CEO，Kavak 的实验未必人人能复制——高客单价、纵向一体化、拉美市场，都是它的特殊条件。但 Ali 留给所有组织的那道题是通用的：如果充足、廉价、超级智能的资源触手可及，你会如何从零开始设计你的公司？以及那句提醒——在你踩油门之前，先把刹车装好。