在生成式AI浪潮冲击企业运营的今天，客户支持成为AI落地最具吸引力，也是最具挑战性的战场之一。据硅谷科技评论（SVTR）AI创投库统计，全球60多家AI客服初创公司，总计获得超过26亿美元融资。同时，超过一半的大型企业已试水聊天机器人，但真正能够承担“复杂任务处理、逻辑推理与客户信任”三重考验的AI系统仍凤毛麟角。
Decagon 的出现（AI创投榜AI客服赛道排名第二位），正是在这一痛点交汇处给出了一种全新的答案：以“类人智能”代理为核心，辅以决策可解释性和低门槛配置工具，重塑企业客户支持的技术底座。Decagon在本周宣布以15亿美元估值，完成1.3亿美元融资，正式晋级独角兽。
我们认为，在黑箱担忧与责任归属的压力之下，Decagon所代表的路径——将智能体从纯工具进化为可控、可理解、可托付的企业协作伙伴——正在构筑生成式AI在企业级市场落地的信任护栏。在这一趋势下，真正有前景的AI项目，不再仅靠模型性能说话，而是能否在“复杂问题处理能力”与“企业治理能力”之间找到稳健平衡。
在当今企业运营中，客户支持是一项高度复杂的工作——从多样化的产品线，到不同业务单元，再到千差万别的用户需求，都让这项任务变得异常繁重。为了减轻客服团队在日常重复性任务上的负担，截至2024年12月，已有58%的公司积极采用聊天机器人。然而，越来越多的大型企业却感受到“客户支持的深层痛点”：传统的聊天机器人难以应对那些复杂、需多步骤处理的问题，最终导致客户信任度的下降。
除了技术本身的限制，还有另一个关键问题阻碍着大型企业部署AI客服——对AI系统“黑箱操作”的担忧。Decagon联合创始人Jesse Zhang和Ashwin Sreenivas指出：“很多大企业在客户体验上迟迟不敢采用AI，因为他们对AI的决策过程缺乏掌控和透明度。”
为了解决这些难题，Decagon推出了一款专为企业级客服场景打造的AI智能体。这款产品不仅具备“类人”智能，能够理解并推理复杂、多维度的问题，还能自主完成多项任务，例如为客户升级订阅、设置直接存款账户、甚至直接处理退款请求。更重要的是，Decagon在AI智能体之外构建了一整套配套工具，让企业可以全面追踪和解释AI的决策逻辑，并允许非技术背景的员工自定义规则、设定边界条件、配置业务逻辑，真正实现AI“可控、可解释、可托付”。
Decagon的做法不仅是对传统聊天机器人的一次升级，更是在企业如何将AI安全、有效地引入客户体验领域上的一次范式转变。
Decagon，哈佛毕业华裔学霸，如何真正实现AI客服自动化？
成立日期：2023年 1月
公司总部：加利福尼亚州旧金山
融资总额：$ 131M
融资阶段：C轮
公司员工：51-100
一、创立故事
2023年8月，Jesse Zhang与Ashwin Sreenivas共同创办了Decagon，一家专注于企业客户支持的AI公司。两位创始人都来自顶尖学府、具备技术背景，并在各自创业或技术旅程中已获得成功。他们这次联手，是看准了一个痛点明确、市场庞大且技术适配度极高的领域——企业客户支持。
Zhang的技术基础源于他小时候频繁参与数学竞赛。进入哈佛大学后，他主修计算机科学，并先后在Hudson River Trading、Citadel从事量化交易实习，也在Google担任软件工程实习生。虽然一开始走的是典型的技术精英路线，但身边朋友创业的经历促使他走上了创始人之路。
2018年毕业后，Zhang创办了Lowkey，一款面向游戏玩家的视频剪辑与分享平台，希望打造“跨游戏的社交层”。公司被Y Combinator录取，后获Andreessen Horowitz投资，并在2021年底被Niantic收购。此后，Zhang加入Niantic社交团队，同时也开始以天使投资人身份支持其他初创企业，如Pika AI与Cognition。
Sreenivas同样是一位技术背景深厚的创业者，在斯坦福大学完成计算机科学本硕连读。在2018年进入研究生阶段前，他在Palantir担任部署战略师，帮助客户构建数字孪生系统，角色融合产品经理、工程师与商业顾问。
2019年硕士毕业后，他联合创办了Helia，一家基于深度学习的视频计算机视觉公司。2020年底，Helia被Scale AI收购，后者正计划将其视频元数据处理技术应用于新推出的数据平台Nucleus，以支持高质量机器学习模型的构建。
2023年，两人在由a16z主办的创始人聚会上初识，迅速建立起合作意愿。Zhang表示：“我们都是工程师，都有不错的退出经历，但我们想做更大的事。” 在他们眼中，GPT-4和AI Agent的出现是一个重要转折点，“我们知道这将催生本时代最重要的公司。”
他们花了几周时间调研客户，精准判断出一个“高痛点+低满意度+强技术契合”的应用场景：企业客户支持。大型企业对传统聊天机器人充满不满，不仅问题无法解决，还导致客户流失和信任受损；而AI系统的“黑箱”特性又让企业难以放心部署。这些挑战成为Decagon诞生的契机。
Decagon的洞察并非空穴来风。数据显示，近75%的用户认为聊天机器人无法应对复杂问题，80%的用户反馈其使用体验令人沮丧，30%的用户甚至因为一次糟糕的对话放弃购买。
传统聊天机器人的失败源于多个技术瓶颈：无法正确理解用户意图，只能处理模板化的问句，对复杂指令束手无策。Bain Capital Ventures合伙人Aaref Hilaly指出：“传统客服机器人提供的是菜单式选择，一旦用户的问题稍有偏差，它就彻底失效。”
而Decagon的AI智能体不仅能自主推理复杂问题，还能完成具体操作，如账户设置、退款处理等。更重要的是，企业员工无需技术背景也能为AI设定规则和边界，保证AI在透明、可控的范围内运行。
Zhang强调，客服场景对AI Agent极为友好，主要有两个原因：
- 存在“安全网”：AI不必解决100%的问题，一旦遇到无法应对的请求，仍可交由成熟的人工客服系统处理，避免风险扩大。
- ROI可衡量：企业可通过客户满意度与自动化解决率这两个指标，直接量化成本节约与效率提升，易于推动内部决策。
正因如此，Decagon不仅是一家AI公司，更是以“结构适配+场景突破”为指导原则，精准打入企业智能客服市场。Zhang与Sreenivas凭借过去的技术积累与创业经验，把握住了AI agent的窗口期，也为企业服务带来了真正具备“类人智能”的下一代解决方案。
二、公司产品
Decagon 正在用 AI Agent Engine 重塑企业客户服务：它融合自然语言驱动的操作流程（AOPs）、跨渠道协同、灵活模型选择、强大监控与反馈系统（Watchtower），构建了一个可控、可视、可进化的智能客服平台。相比传统聊天机器人，Decagon 不只是提升自动化效率，更让企业能主动洞察客户需求、快速迭代响应逻辑，实现从“客服支持”到“客户增长引擎”的跃迁。
Decagon的AI 客服由五个核心模块组成：
核心AI Agent 就像一个全天候在线的超级客服代表，这个对话界面可深度理解客户意图，提供上下文相关、贴合需求的回答。不同于传统脚本式聊天机器人，它接入了Salesforce、Zendesk、Stripe等主流工具，能自动处理退款、开票、账户升级等重复性任务，大幅降低人力成本。
智能转接系统（Routing） 即使AI能解决70%-90%的问题，Decagon依然设有“人类兜底”机制。遇到AI无法解决的复杂需求时，系统会自动转接至人工客服，确保客户体验不打折。
Agent Assist协助工具 当问题交给人工时，Agent Assist自动提取最相关的知识库信息，实时提供推荐答案与背景数据，成为客服代表的“战略副驾驶”，极大提升响应效率。
管理控制台（Admin Dashboard） 管理员可在此控制中心查看客户互动全貌，包括常见问题趋势、解决率、满意度评分等。更重要的是，它能建议知识库新增内容，甚至自动生成文章，以优化AI未来表现。
质量审查界面（QA Interface） 面向非技术用户设计的审查工具，允许客户查看AI决策依据并以自然语言反馈。这是一个持续迭代优化的反馈闭环，确保AI行为始终透明、可控。
Decagon的理念是：“AI不应是黑箱。”借助QA Interface和Admin Dashboard，企业不仅能监督AI行为，还能参与其成长过程。这种开放式的学习机制，不仅增强了AI的准确性与可靠性，也提升了企业客户的信任度。
以ClassPass为例，在接入Decagon后，其客服自动化率是预期的10倍，并实现了全天候聊天服务的扩展，同时保持了高水准的客户满意度。Bilt的客户成功副总裁则称，引入Decagon“就像一夜之间多了65位客服”。
SVTR点评
在大模型（LLMs）能力突飞猛进的今天，Decagon用实际行动回答了一个关键问题：AI不仅要强，还要能解释自己的行为。通过可审计的接口和无代码配置工具，Decagon打破了传统AI系统难以调试和理解的桎梏，打造出一个“自解释”“自演进”的智能客服平台。这不是对传统客户服务的补充，而是一种全新的生产力范式——在保证服务质量的同时，让人类专注于更高价值的工作，让AI承接繁琐、重复、可预测的任务。
三、市场格局
公司客户
Decagon 选择聚焦一个看似冷门却极具潜力的市场切口：大型企业的客户支持系统。当前，公司客户包括 Notion、Bilt、Rippling、Substack、Eventbrite、Curology、Vanta 等知名企业。CEO Zhang 在初期调研时发现，传统AI客服工具无法应对企业客户中大量复杂、模糊、跨系统的支持请求，甚至会损害客户信任感；而“黑箱式AI”更是让企业安全与合规团队望而却步。
Decagon的突破点，正是将“透明性、控制权和业务逻辑可配置”植入AI Agent Engine的核心价值之中。配合Admin Dashboard与QA Interface等工具，客户可以为AI代理设定清晰的规则、审查其行为路径，并逐步将支持工作从“人力响应”转向“AI管理与优化”。
当AI能够自主解决70%-90%的客户问题后，Decagon也重新定义了客户支持岗位的职能定位：客服不再是被动答疑，而是成为“AI训练师”，负责监管代理行为、优化知识库、评估满意度并推进CX策略。正如CEO所说：“我们整个产品的核心假设，就是客服行业正在从处理问题，变成配置智能。”
- Substack：过去依赖内部构建的聊天机器人，但它无法区分不同用户角色（订阅者、创作者等），也无数据洞察能力。引入Decagon后，自动响应率提升至90%以上，释放人工资源支持重点创作者，从而直接推动平台订阅收入增长。
- Rippling：因产品多元化导致用户需求复杂，旧系统常将客户错误分配至错误团队，且自助解决率仅38%。部署Decagon后，不仅实现50%问题自动解决，还通过75个精细化标签系统提升7%转接准确率，大幅改善客户体验。
- Curology：将自动处理率从5%提升至80%，客服成本下降65%，人力从事务中释放出来，专注于客户保留与营收增长。
市场规模
AI Agent市场预计将从2024年的51亿美元增长至2030年的471亿美元，年复合增长率达44.8%。驱动因素包括：
客户对个性化支持的渴望：Medallia 调研显示，个性化体验能将客户满意度从65%提升至94%。Decagon AI通过整合历史数据，提供“看起来像人类”的回应，真正满足高阶用户预期。1
人力成本压力倒逼自动化：Gartner 数据显示，95%的客服成本来自人工。AI代理可实现7x24小时覆盖，在控制成本同时提升响应效率。
SVTR点评
Decagon成功打入大型企业市场的关键，不是“做一个更聪明的机器人”，而是“打造一个企业可控、可见、可持续训练的AI基础设施”。正如Rippling所言：“Decagon不仅提升了我们的自动化能力，更提升了整个客户体验水平。”在AI客户支持市场逐步爆发的当下，Decagon正通过产品与定位的精巧组合，重构企业与客户互动的未来模式。
四、竞争对手
尽管AI客服领域被Y Combinator称为“拥挤不堪”的红海市场，初创公司Decagon仍毅然入局。创始人Zhang表示，
“表面上看竞争激烈，但我们看到的更多是借AI热潮包装出来的‘炫技演示’，而非真正能赢得企业客户信任的产品。”
Zhang指出，企业真正需要的是能处理复杂、多步骤问题、并具备透明决策路径的AI系统。截至2024年10月，几乎所有Decagon客户都会在选择其软件前进行所谓“bake-off”测试（横向对比评估），将Decagon与如Salesforce等竞品对比使用，并最终选择Decagon的智能客服系统。
Salesforce
Salesforce作为CRM市场的领导者，自1999年成立以来，已连续十一年占据市场份额第一（截至2024年5月占比21.7%）。其2024年9月发布的Agentforce，通过原生整合Salesforce生态系统，为销售、客服、市场等模块提供可操作的自主AI代理。
Agentforce 2.0在2024年12月发布后，通过强化推理与数据检索能力，可处理更复杂问题，例如“根据收入和风险偏好，为孩子制定教育基金投资方案”。与Decagon类似，用户可通过自然语言设定agent角色，并具备“黑盒”透明机制，支持模拟回应与反馈。
凭借深厚的企业客户基础（如亚马逊、Uber Eats、Spotify等），以及全域AI覆盖，Salesforce对Decagon形成强大竞争压力。
Ada
成立于2016年的Ada，在2023年11月推出了由自研Reasoning Engine驱动的AI Agent，整合多种LLM，专为高复杂度任务优化。截至2024年5月，其AI系统已可自动解决70%以上客户问题，服务超过4亿用户，企业客户包括Mailchimp、Pinterest与Verizon。
Ada与Decagon在多个层面高度相似：都使用多模型组合、可通过用户反馈持续优化、具备决策透明化功能。不同之处在于数据集成方式——Ada的数据可导出到BI系统，而Decagon则将客户对话洞察内嵌于后台。
Intercom
Intercom自2011年起服务中小型企业客户，其AI Agent Fin 2（于2024年10月推出）支持跨渠道对话整合，并能自动归类问题类型及执行特定操作（如更改订阅或地址）。Fin 2也具备知识整合与自主操作能力。
尽管Fin 2在功能上与Decagon接近，但客户反馈的解答率约为50%，明显低于Decagon的90%。这表明其在处理复杂企业级工单方面仍存在差距。
Maven AGI
由前Google与Stripe高管创办的Maven AGI，在2024年5月发布Agent Maven，能解决93%的客户请求，集成50多个平台（如Zendesk、HubSpot），并支持语音、文本、App等多渠道部署。TripAdvisor等客户报告称，该系统可将成本降低81%。
Maven同时提供Maven Copilot（辅助人类客服）与Agent Designer（类似Decagon的Agent Engine），可训练AI代理执行自定义操作。其后台Agent Ops系统亦可监测客户情绪与ROI。
与Decagon高度相似之处在于其产品矩阵与多功能接口，而支持语音功能是其潜在差异化优势。
Ema
创立于2023年、2024年3月走出隐身模式的Ema，不仅专注客服，还覆盖销售、合规、人力等多个业务领域。其核心为Generative Workflow Engine，协调多个专用代理完成任务，搭配2万亿参数的EmaFusion模型，实现低成本高准确率。
客户可使用“角色模板”快速部署定制AI员工，如销售助理、数据工程师、提案经理等。由前Coinbase CPO和Google高管领衔的团队也增强了市场信心。Ema若能实现跨职能AI整合，可能迫使企业压缩供应商数量，影响Decagon定位。
Sierra
由前Salesforce联合CEO Bret Taylor和Clay Bavor创立的Sierra，致力于打造具备人性语调的AI语音客服。其Agent OS平台支持客户设置语音风格、语气与服务角色，实现更加自然、实时的交互体验。
虽然目前解决率为70%，低于Decagon，但Sierra的高保真语音技术与人性化定位，为其提供差异化路径。企业客户包括Sonos、Casper与ADT等。
SVTR点评
Decagon目前依靠更高的工单解决率（约90%）、复杂推理能力与透明机制赢得企业市场青睐。然而，面对Salesforce的生态一体化、Ada的快速追赶、Maven的语音通道、Ema的多功能扩展与Sierra的情感模拟能力，这场AI客服之战显然才刚刚开始。
五、商业模式
随着AI代理逐渐取代部分人工操作，企业完成相同工作量所需的人力正在减少。这一结构性变化也正在动摇传统SaaS（软件即服务）的“按人头计费”模式。我们观察到，在AI代理型产品中，价值的创造并不随用户数量线性增长，而是更接近于“按产出计价”。就像雇佣一个人类员工一样，AI代理完成的工作越多，其带来的价值也越大。
Decagon也不例外。截至2024年12月，该公司提供两种定价模式，旨在更合理地反映AI系统的产出价值：
- 按会话计费模型（Per-Conversation）：每次用户与AI代理之间的对话收取固定费用。该模型强调“使用即计费”，适合企业根据使用量精确预算。
- 按解决计费模型（Per-Resolution）：仅对那些由AI代理独立完成问题解决的对话收费，费用单价更高。若会话升级至人工客服，企业无需支付该次费用。
两种模型都支持常规的使用量折扣。值得注意的是，截至2024年底，大多数Decagon客户更倾向于按会话计费。核心原因在于其费用结构可预测性高，并可随着交互量线性扩展，这让企业在规模化部署时更易控制预算与预期ROI。
这类按成果或按使用量计费的策略，正在重塑AI服务产品的商业逻辑，也预示着SaaS行业在迈入AI时代后，可能面临更加灵活且结果导向的商业模式变革。
六、重大进展
截至2025年2月，Decagon的AI客服平台已被广泛应用于一批具有前瞻性的B2C与B2B企业客户中。B2C方面，包括Eventbrite、Curology、Bilt和ClassPass等公司已采用其AI代理系统；在B2B领域，则有Vanta、Duolingo、Webflow与Rippling等知名SaaS公司接入其服务。
这些企业选择Decagon，核心在于其AI代理系统能够快速且精准地解决复杂客户问题，在不牺牲响应速度或服务质量的前提下，实现大规模成本节约，并为终端用户带来“白手套级别”的高质量体验。
更重要的是，企业客户不仅获得AI代理，还能使用一整套围绕客户互动的工具链，包括：
- 可视化客户交互洞察：企业可以查看所有对话细节与趋势。
- 决策透明化：AI代理每一步判断路径都可追踪。
- 零代码自定义平台：用户无需编程即可设定操作逻辑、反馈机制与行为边界。
这一产品设计不仅提升客户满意度，也支持AI代理在企业环境中持续学习与优化。
Decagon的增长路径也颇具代表性。创始人Zhang透露，截至2024年6月，公司在仅有两名员工、从零起步的情况下，便达到了百万美元级别的年经常性收入（ARR）。到2025年2月，团队人数扩展至55人。
联合创始人Sreenivas则表示，公司在招人时首看“卓越潜力”：候选人要么在某项目上独立创造过“很酷的东西”，要么曾在他们尊敬的公司中表现突出。
七、融资估值
Decagon，正在迅速成为企业客户体验领域的新晋独角兽。在极短时间内完成了三轮融资，估值达15亿美元，总融资额达2.31亿美元，#硅谷科技评论SVTR.AI创投榜客服赛道排名第二。
从隐身到爆发：半年内三轮融资
2024年6月，Decagon刚刚结束隐身模式，便宣布完成3500万美元融资，其中包括由Accel领投的3000万美元A轮融资与早期的500万美元种子轮融资。本轮投资阵容豪华，不乏明星创业者与投资人：
- Accel（领投）
- Elad Gil、A*、BOND Capital、ACME Capital 等
- 天使投资人包括 Box CEO Aaron Levie、Airtable CEO Howie Liu、Rippling COO Matt MacInnis 以及 Lattice 前CEO Jack Altman
A轮领投方代表、Accel合伙人Ivan Zhou对Decagon团队有长期了解。他曾创办游戏AI平台Mayhem，后被Niantic收购，并在收购后主导了Zhang前一家公司Lowkey的并购。
B轮融资：估值四倍增长
仅几个月后，Decagon于2024年10月完成6500万美元B轮融资，由Bain Capital Ventures（BCV）领投，Aaref Hilaly代表BCV加入董事会。本轮投资者还包括：
- Accel（持续加码）
- Elad Gil、A*、BOND、ACME等老股东
尽管截至2025年2月官方尚未披露具体估值，但有信息显示，公司在短短数月内实现了估值翻四倍的飞跃，显示出资本市场对其增长潜力的极高认可。
C轮融资：晋升为独角兽
最新的C轮融资于2025年初完成，Decagon融资1.31亿美元，估值达到15亿美元，正式跻身独角兽行列。本轮由Accel与Andreessen Horowitz联合领投，其他参与方包括Avra、Forerunner、Ribbit Capital，以及现有投资者A*、Bain Capital Ventures、BOND等。
值得注意的是Andreessen Horowitz对Decagon支持由来已久——早在种子轮便已投资该公司，其投资合伙人Kimberly Tan不仅推动了最早的资金落地，还于2023年在犹他州一次创业者闭门会中，促成了两位创始人的结识。
八、关键机遇
1. 超越客户支持：向销售与员工协作场景进军
在面向客户的外部场景中，Decagon可自然延伸至销售线索挖掘与个性化触达。例如，像Artisan、Outreach、Unify与Clay等初创企业，正在利用AI代理系统自动化整个销售流程，包括潜客调研与定制外呼。Salesforce的Agentforce也已将销售功能纳入其AI代理产品中。
在企业内部，Decagon现有的Agent Assist功能已可为客服团队提供快速响应与知识支持。这种“企业级Copilot”模式完全可以复制到如HR、法务或IT支持等其他部门——让员工通过自然语言提问，快速获取企业知识库信息，甚至自动执行操作。
目前Decagon的客户覆盖极广，既包括如Curology这类D2C实体商品公司，也服务于Substack、Duolingo等B2C软件平台，以及Rippling、Vanta这类B2B企业软件商。这种跨业态适配性，为其横向扩展打下坚实基础。
2. 新交互机遇：探索语音AI，打开电话客服入口
截至2025年2月，Decagon的AI代理支持网页、聊天与移动App等文字通道。创始人Zhang曾表示，公司对语音AI极为期待，尽管目前仍处于早期阶段，还未达到企业级稳定性。他指出：“现在你可能看到一些语音演示延迟很低，但那通常只适用于简单的一次性交互，而非复杂多步骤问题。”
这意味着，虽然中小企业可以接受语音AI初级版本，但面对大型企业常见的复杂问题场景，语音代理系统必须具备极强的准确性与响应连续性。
若Decagon选择整合外部语音技术，有可能与正在构建超高速语音AI“Cartesia Sonic”的厂商合作，其主打的正是客户支持场景。通过加入语音通道，Decagon将首次具备电话交互能力，拓宽服务渠道。
3. 个性化客户管家：构建电商场景中的“AI店员”
BCV合伙人Aaref Hilaly曾在2024年10月的投资专访中畅想Decagon的未来应用：
“想象每位客户都有一个专属AI管家，第一时间记住客户名字，根据过往行为推荐商品、主动解决问题，带来四季酒店级别的贴心体验。”
这种深度个性化的服务，正是现代客户体验管理的核心诉求。根据2024年4月的调查，有81%的消费者偏好提供个性化体验的公司，尤其是在电商渠道中。
如果Decagon将AI代理打造成类似线下导购的“个人购物顾问”，根据用户过往对话、风格偏好、价格敏感度与购物记录做出精准推荐，不仅能提高用户满意度，也将带动客单价与复购率增长。考虑到Decagon已为Curology等B2C零售客户提供服务，打造“个性化电商助手”将成为拓展用户深度与粘性的又一有力武器。
九、主要风险
1. 市场竞争高度饱和
生成式AI客户支持市场火爆已久。据2022年8月数据，人工成本约占企业客服中心总支出的95%，AI技术的节省潜力自然吸引了众多公司入局。截至2025年6月，根据SVTR AI创投库，在AI客服赛道，全球60家初创公司总融资超过26亿美元。而在更大的GTM赛道，160家AI初创公司，总融资额近50亿美元。
2. 横向扩张的不确定性
虽然Decagon正在探索销售、营销、人力、合规等领域的延展，但目前仍主要聚焦于客服场景。而像Salesforce与Ema这类平台，早已布局全功能型的AI代理解决方案，横跨多个企业职能部门。
这意味着，对于重视数据安全与平台整合的企业客户来说，将AI代理统一采购于少数厂商之下是一种更具吸引力的策略。Decagon如果无法在非客服场景中建立明确优势，可能在客户预算分配中处于不利地位。
3. 产品持续创新压力高
Decagon目前的产品优势在于其“去黑盒化”的AI决策机制与对复杂问题的高效处理能力。但这些能力在行业中并非独有，竞争者已开始快速“追平”。
未来，持续扩展AI交互模态（如语音）与新业务场景（如内部Copilot、销售自动化），将是保持领先的关键。如果Decagon不能在这些方向上快速创新，可能很难维持当前的营收增长势头。
十、全文总结
面对产品线多样、用户基础庞大的企业客户支持需求，越来越多公司开始引入对话式AI系统，期望缓解人工客服处理重复性工作的压力。然而，传统聊天机器人在处理多步骤、复杂问题上的能力严重不足，导致客户信任受损，企业服务体验反而恶化。
2023年2月的一项调研显示，近75%的受访者认为现有聊天机器人无法解决复杂问题，也无法提供准确答案。更早在2022年12月的研究中，超过八成用户表示AI客服让他们更加沮丧，63%的用户问题未被解决。
针对这一痛点，Decagon开发了专为企业客服场景设计的AI代理系统，具备类人推理能力，能够准确处理复杂、细致的客户请求。其平台不仅提供核心AI功能，还配备可视化决策追踪、解释机制与低代码/零代码定制工具，便于任何岗位员工为AI设置规则、边界与业务逻辑。
截至2025年2月，Decagon已服务包括Rippling、Substack、Vanta、Bilt、Curology与Duolingo等在内的B2B与B2C企业客户。尽管在2024年仅靠两人团队便实现七位数年经常性收入（ARR），并迅速实现产品市场匹配，但在一个高度碎片化、竞争激烈的市场中，如何保持持续增长仍是其亟需回答的核心问题。
查看 Decagon 用于筹集 3500 万美元的 10 张幻灯片：
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon
Decagon pitch deck Decagon
Decagon 沥青平台 Decagon