兩次拿到陸奇投資，張浩然這次想用 Agencize AI 干掉所有工作流 Agent

「軟件不應再等待被使用，而是在需要它的那一刻才存在。」

這是 Agencize AI 創始人張浩然，對于 AI-Native 時代工作流/軟件該如何設計的一種回答。

多年 SaaS/無代碼創業的經歷，2021 年、2025 年兩次登上奇績創壇的 Demo Day，做了十幾年生產力工具的張浩然，對于 AI 工作流有很多自己的想法。

「我們想解決的不是 『做 AI 工作流』，是『根本不需要有工作流』。所有要求用戶『預先構建工作流』的 Agent 都是錯的。」

在他看來，SaaS 不會因為 Agent 而消亡，但 SaaS 會成為 AI 時代新的基礎設施，Agencize AI 會為用戶即時生成各類個性化的軟件，連接和利用好傳統 SaaS 軟件。

在 Agencize AI 產品發布之前，我們和張浩然聊了聊他對于生產力工具和工作流的看法，以及 Agencize AI 的真正競爭力。

產品官網：https://agencize.ai/

超 19000 人的「AI 產品市集」社群！不錯過每一款有價值的 AI 應用。

邀請從業者、開發人員和創業者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產品曝光渠道

01所有要求用戶預先構建工作流的 Agent，都是錯的

Founder Park：怎么介紹你的產品？解決了什么核心痛點？

張浩然：我們希望用戶不需要預先構建任何工作流，只需要描述意圖，就能替用戶完成 95% 以上的自動化工作。實現的方式，是為用戶生成一個個性化的軟件，來替代 Ta 過去手動的重復性操作。

本質上，我們面向的是所有知識工作者，為他們提供一種以意圖驅動、全新的生產力工具和交互方式。就像 Excel 開啟了數字化辦公時代一樣，我們認為 AI 時代也需要一個對標 Excel 的劃時代產品，改變大家在 AI 時代的工作方式。所以，我們的目標是面向知識工作者的通用場景，不是某個具體行業。

Founder Park：舉一個典型的用戶場景，哪一類人用這個工具解決什么問題？

張浩然：幾周前，我們在海外做了一些小范圍的推廣，收集了 100 多個 waitlist 申請。其中，訪談了一位心理醫生，他的 case 非常典型。

他的日常工作流是：每天要整理 WhatsApp 里的醫患對話，生成報告，然后更新到 Notion 的對應病人文檔中；之后還要和病人約下次溝通的時間，如果病人回復了，就要把時間同步到 Google 日歷，而且在日歷里還要附上病人的 Notion 文檔鏈接。

以前做這些事特別麻煩，每天只能手動處理，效率很低。他也試過 n8n、Zapier，都沒解決問題。直到看到我們的產品演示，他覺得這就是他想要的形態，不用復雜操作，只要說明每天要做的事、同步到 Notion 和 Google 日歷，我們的產品就能自主推理、調用他的工具，串聯成一個完整的工作流。只要再加上一個「每天 9 點運行」的觸發器，整個流程就能完全自動化了。

這就是我們期望的典型場景：讓每個知識工作者都能組合自己常用的多個工具，達成最終目標。我們的核心用戶有兩個特點：一是完成一件事需要用多個工具；二是做事的環節相對固定，但每個環節的具體內容又高度變化、有不確定性。這類場景，我們能解決得很好，但是在過去的 SaaS 時代、軟件時代、自動化時代都解決不了的問題。

Founder Park：你們的產品更像是在現有的SaaS工具之間搭橋梁，并不是替代它們？

張浩然：是的，我們不會消滅任何軟件。我們認為，SaaS 本身就是一種基礎設施，重構了社會的數字化。

雖然 SaaS 在中國有點失敗，但它的價值不可否認。個人的生活數字化被各種 App 瓜分了，但我們社會的運行，真正還是在被「軟件吞噬世界」這件事完全數字化掉。我們的目標是在 SaaS 的基礎上，利用新技術帶來新價值，做更進一步的價值交付，而不是去替代每一個應用。

Founder Park：也就是說，傳統的SaaS軟件成為了新基建，你們用一種新的方式來連接它們。用戶不需要再來一個標準化的軟件，而是可以隨時、隨意地在任意工具之間生成一個流程來連接彼此。

張浩然：是的。過去用 n8n、Zapier，你必須要先設定好「當這個應用觸發后，那個應用要做什么」。如果能把流程想清楚，搭建本身不難；真正的問題是，非技術人員根本沒法想明白、串起這些邏輯——他們腦子里的需求，和這些工具的使用方式是對不上的。

現在確實有很多 AI 工作流工具，但我們想解決的不是「做 AI 工作流」，而是「根本不需要有工作流」。所有要求用戶「預先構建工作流」的 Agent 都是錯的。Agent 是個交互環境，核心得圍繞你的目標來：要是你已經把要做的事梳理清楚了，Agent 的價值反而低了，它最大的價值應該體現在幫你梳理需求的過程中。

所以我們想再往前一步：不需要用戶梳理完再來找我，而是在跟我對話的過程中，我就幫用戶把需求越理越清。當用戶最終確認「對，這就是我要的」，任務就可以自動運行了。這個關鍵在任務生成前的互動。就像有個 AI 工作伙伴，它會先用你的工具試做一遍，然后問你：「是這樣操作嗎？」你說：「不對，那個地方需要調整。」它調整完再問：「這次對了嗎？」你確認后說：「對了，以后每天 9 點都這么運行。」任務就固定下來了。

現在的工作流工具，都是拖拽模塊、連接模塊……根本不是真正的 Agent。我們希望讓「Agent」這個概念消失，讓普通用戶不需要理解它是什么，只需要在這完成工作。系統會記住并學習他的做事方式，之后讓 AI 替他做。這才是我們真正想做的事。

Founder Park：你希望用戶在使用你們的產品時，在哪個環節體驗到「aha moment」？

張浩然：當他給出一個模糊的指令，我們立刻給出了結果，并且這個完成方式超出了他的預期。比如把一個模糊的需求丟過來，結果這事居然真辦成了。這是我們觀察到最強烈的驚喜時刻，用戶會覺得「你的 AI 真聰明」。

很多海外用戶體驗后會說：「這才是真正的 AI，不是 ChatGPT 那種只會聊天的。」這種「魔法時刻」，遠比讓用戶自己去研究如何配置工具更有沖擊力。

Founder Park：從測試來看，用戶達到「aha moment」需要多久？

張浩然：快的可能一分鐘，慢的需要兩三輪額外對話。如果指令明確，用戶用我們提供的模板一點，馬上就能跑通。如果用戶覺得結果不符合預期，會跟 AI 說「不該從那個工具找，要從這個工具找」，經過一兩輪調整，結果也會很準。

而且「準」是相對的，關鍵是有沒有達到用戶預期。哪怕有些細節錯了，用戶也會很「aha」，因為他意識到「原來 AI 能力這么強，只是我剛才指令沒說清」。

02AI-Native 的工作流，

節點應該是后置的

Founder Park：在交付形式上，用戶是需要把完整的流程細節都告訴 AI，還是只需要給一個任務目標？

張浩然：只需要給目標。比如我自己會說：「每天 9 點，看看我官網昨天有多少人申請了白名單，然后在 Slack 里發個全員公告，提醒運營同事關注。」就這樣，結束了。我不需要告訴它白名單在哪個工具里，也沒說 Slack 發在哪個頻道，但是我的 AI 就會知道。因為我們在這里做了很多工作，當這些信息 AI 全都知道的時候，構建工作流就很簡單了。但真正人的工作在腦子里產生的那一刻是很模糊的：「我要把那個東西發到那」。我們能接收并處理這種模糊的用戶指令。

AI 會替我找到最合適的軟件，在軟件中完成操作，然后把將多個軟件串聯起來。最后 AI 會告訴我：「我已經在你的 A 應用里做了什么操作，并且在 Slack 里發了公告，還需要我做什么嗎？」然后任務就結束了。

Founder Park：最后生成的自動化流程，每次的執行過程會完全一樣嗎？還是會很自主？

張浩然：這個過程相對標準化，但不是絕對的。還是剛才的場景：當你確認一套流程沒問題，設置了「每天 9 點運行」后，我們會為你生成一個專屬的、個性化的軟件。

軟件界面會清晰地展示整個流程，比如「9 點觸發」，然后是「在 A 應用搜索 XX 內容」，接著「確認得到 XX 結論后，去 B 應用發運營公告」。這個工作流不是你手動搭建的，而是 AI 在理解了你的意圖和操作后，自動生成的。

簡單來說，如果你明確說「每天從我樓下那家瑞幸點美式咖啡」，它就會嚴格執行。如果你只說「每天點一杯美式給我同事」，它就會在中間擁有一定的自主決策空間。

通過 chat 完成任務，用戶只需要關心結果，無需預先構建工作流

Founder Park：最終生成的個性化軟件里，那些傳統n8n或 workflow 里固定的節點，還存在嗎？

張浩然：其實還在，但顆粒度很粗，而且它是后置的，不是前置的。這些模塊可能粗到像「選個咖啡館、訂杯美式」這樣的程度。

「后置」這點特別重要。現在沒有人意識到「預先構建工作流」是錯的，大家都覺得得先把工作流編排好才能用。工作流的核心問題是「角色錯配」，能把工作流想清楚、搭明白的，只有工程師或結構化思維極強的人。生產力工具要面向普通大眾，就得讓 AI 來替他們完成「思考結構化工作流」這一步。

所以，「工作流」這個概念本身，在用戶側就不該存在。

Founder Park：「后置」具體是什么意思？

張浩然：舉個例子：你招了新員工，怎么安排工作？你不會說「每天 9 點到崗，先放好衣服，再打開飛書、點開表格，看到文檔里有 XX 內容就粘到那個系統里。」這種指令是反人性的。

你會說的是：「到崗后，首要任務是處理這件事。根據我的經驗，建議你先從飛書里獲取信息，最后把結論同步到某個地方。」你看，后者只給了目標和方向，沒說具體步驟。前者就是工作流，后者就是我說的模式。你只是給了他一個目的、或者意圖，怎么干，你幾乎沒說。

聰明的員工會自己在工具里摸索，找到關鍵信息完成任務；不聰明的員工會回頭問：「要完成這件事得先要 XX 信息，我從哪找？」這才是人與人之間自然的協作方式。

我們做的 AI 工具就像后者：如果任務模糊，它會主動問你；如果覺得能嘗試，它會自己去操作，做好了告訴你，不確定的會帶著嘗試的結果來找你確認。

這就是我們和「預先構建工作流」工具的區別：我們的工具像人一樣靈活交互，預先構建工作流是反人類的。

Founder Park：預先構建的工作流把人的能力限制在了一個很死的框架里，他沒法發揮自己的主動性。

張浩然：說得很對。Agentic 的本質就像你對一條小狗說「出去，找到骨頭后回來」，它去哪找，怎么找，完全由它自己決定，你撒手就不用管了。如果沒有 agentic，就是你必須得告訴它「往前一公里右轉，再走五百米左轉……」

我們是真正把 agentic 原生到產品里去思考這個問題的。目前，我還沒看到第二家公司是這樣思考的。

以及，n8n 原來干這個事需要很多個模塊，它可能只是把這些模塊變模糊了，只需要一個模塊就搞定了。但我覺得仍然不對，這還不是 AI-native 的。AI 時代不能這么想問題。我們思考的角度不是說誰好誰壞，而是真正從 AI-native 的視角下去思考，一個 agentic、AI-native 的產品，它應該像一個人。

03比起用什么工具，

AI 更應該去理解工具有什么能力

Founder Park：所以，現在做這類軟件的出發點是，我們可以把 AI 當成一個真正的同事來交付任務了？

張浩然：是的，除非某些環節真的重要，必須明確一、二、三布分別怎么做，那 AI 也會嚴格遵循你的指令。它就像一個「真人」同事。

并且，我們在 agentic 的基礎上自研了一套推理引擎，才可以當做人來看待。我們對「能動性」的理解是：接受一個目標后，持續對齊并完成目標的能力。基于這個理解，我們做了一套持續自適應對齊用戶目標的推理架構，再結合像 Claude 這樣的模型，才能做到今天這樣。這背后其實是有哲學的思考。

Founder Park：今天的 AI 在「主動性」上能做到什么程度？

張浩然：我們認為，現在的「能動」和「主動」是兩回事。「能動」是遵循指令完成目標，而「主動」是 AI 觀察到某些特征后，自主發起行為。

主動，是我們下一步要重點做的。當 AI 充分理解你的工作環境后，它應該能自主判斷什么事需要被關注。比如，它會主動跟你說：「我覺得現在做這件事很合適，原因是 XXX，要不要我啟動？」甚至可能直接做完，拿著結果告訴你：「我主動分析了這些數據，建議你未來的內容方向做一些調整。」而這一切，你并沒有提前給它指令。

這就是我們接下來的目標：第一步先讓 AI 在你的工作空間里「站穩腳」，能感知你的所有需求；在此基礎上，下一步就是「主動」。

Founder Park：現在你們實現的「能動性」，大概能達到什么狀態？

張浩然：現在的狀態是，你給 AI 一個模糊的任務，它能自己尋找工具、不斷試錯，直到把這個事干完，把結果交給你。整個鏈路可以調用二三十個工具，持續地對齊目標。目前我們已經做得比較穩定了，可以持續二三十步完成任務。

Founder Park：在多步執行中，怎么保證每一步完成的準確度？

張浩然：我們的推理框架會自行來解決這個問題，不用人操心。而且這個框架能判斷事情的輕重：比如，修改電商商品價格這類高風險操作，它會自動彈出確認窗口：「我即將把價格調整為 XX，是否確認？」你點擊確認后才會執行。簡單說，它清楚什么時候該讓你決策，什么時候可以自主操作。

Founder Park：對 AI 調用「工具」的能力，你們是怎么理解的？

張浩然：現在大家都覺得要給 AI 描述工具是做什么的，AI 才知道怎么用。我覺得不對。比如 Klaviyo 是一個郵件營銷工具，但它到底是電商郵件工具，還是 B2B 外貿郵件工具？定義得太窄，另一類用戶用起來就不準；如果同時有三個郵件工具，不定義又不知道該選哪個。

我們的解決方案是：根本不去看每個應用是做什么的，我們讓 AI 理解「應用有什么能力」。我們有一套機制，把每個應用的能力點「打散」。比如，你有電商郵件營銷的需求，AI 會發現 Klaviyo 在用戶標簽和 CDP 相關的能力點上，比 Mailchimp 更匹配電商場景，于是反推出應該使用 Klaviyo。這種細節工作我們做了很多，我們把模糊的語義理解問題，轉化成了一個更精確的能力匹配問題。

Founder Park：這個「打散」和理解的過程，是怎么做的？

張浩然：我們自創了一套推理引擎，是一個雙 Agent 循環架構。有一個 Agent 非常能夠理解我們定義的這套能力，另一個 Agent 非常理解用戶的目標，兩個結合起來能很好地工作。

在上下文管理上，我們設置了一個中間層專門用來挑選工具。我們說的「能力」維度，比工具本身要更細。比如，Klaviyo 不僅有郵件查詢功能，它還有一個「能帶著用戶標簽進行查詢」的能力，這就跟 Mailchimp 產生了區別。我們的拆解細到了這個程度。

當用戶發出一個指令，Agent 就會在這個中間層里，找到能解決問題的能力組合，形成一個推理策略。它可能最終組合了五個能力點，然后發現這五個能力分屬于兩個不同工具的三個接口。這時，它會把這個包含具體接口的策略帶回來，注入到上下文中，去干預下一步的推理。這樣，下一步的推理就能非常明確地命中那幾個工具。

Founder Park：相當于拓展了模型本身的能力，不再糾結怎么選擇工具。

張浩然：是的。而且你想想，當一個用戶集成了 40 個應用時怎么辦？只有我們這種從業務倒推的方式才能解決。我們提前構建的這套能力，就相當于是數據標注了，我們未來做強化訓練的時候，這個數據標注的價值直接就用上了。

04PMF 就在那，

看誰敢第一步跳出慣性

Founder Park：你當時是怎么考慮去做這樣一款產品的？

張浩然：我過往的所有經歷都是圍繞流程效率與生產力的。包括之前在飛書做 workflow，兩次創業分別做營銷 MarTech 領域的 SaaS 和幫其他 SaaS 做用戶引導工具，都和流程自動化相關。

我很清楚，企業經營的本質就是不斷組合工作流：把工作流拆分成不同角色，對應設置崗位，崗位再去執行相應的 SOP。過去工廠靠流水線組合 SOP，現在知識型企業就是靠無數軟件拼接起來的。

在過去的知識型流水線工廠里，無數軟件成為設施，人反而成了無腦執行 SOP 的「機器」，這是大量中低端員工的現狀。AI 的出現，尤其是 Claude 3.5 推出后，帶來了 agentic 這類模型能力的擴展。這種高能動性的核心是能持續對齊人類目標，基于目標使用人類工具，真正融入到真實生活場景中。

如果 agentic 能力一直在變強，軟件行業將迎來從「軟件 1.0」到「SaaS 時代的軟件 2.0」，再到「軟件 3.0」的巨大變革。「軟件 3.0」的最大意義，在于能感知你所處空間的所有知識，還能在你所行動的空間里完成一樣的行動。

這時候，軟件不再是預先構建好的，而是根據你的意圖實時顯化、即時生成的「意圖驅動型計算工具」。這會徹底打破傳統的 SOP 執行模式，實現「專家平權」，讓資深員工的 know-how 下沉，讓月薪 5000 元的員工也能完成高端工作。

這種變革將顛覆現有軟件市場，反推企業模式改變：企業不再是預先制定好工作流程，用軟件把人「拴」在崗位上執行；而是人類可以專注發揮創造力，理解工作本質后，通過和 AI 工具對話傳遞意圖，由 AI 完成工作中大量具有不確定性的「灰度」任務。人類的「灰度」工作被壓縮到最小，能更高效地做出高質量決策，真正釋放創造力

這是我們看到的未來，也是我們想投身去做的事。

Founder Park：你覺得產品現在找到明確的 PMF 了嗎？

張浩然：我認為已經不需要再驗證了。n8n、Zapier 的存在就已經證明了這個需求的強烈性。關鍵是，我們能不能做出比它們體驗好 20 到 50 倍的構建方式。

現在大家都困在慣性里，沒人敢想「讓流程消失來實現自動化」。AI 時代之前，IFTTT 那樣的流程引擎是最好的模式，所有人都被這種確定性思維固化了。我做過很多流程引擎工具，我知道這種模式有問題，所以敢第一個跳出慣性。

PMF 本身就在那，看得是誰能做出顛覆性的產品，改變用戶解決痛點的方式，你只要會自然語言就可以了。

Founder Park：你們產品的核心壁壘是什么？

張浩然：短期壁壘是認知。我們搭建了一套讓 AI 像人一樣工作的認知框架，敢于跳出傳統工作流的慣性，這本身就是差異。加上我們的迭代速度快，擁有先發優勢。

長期壁壘是個性化軟件。當 AI 通過對話幫你完成任務時，會學習你的工作方式，之后直接生成一個專屬軟件。比如，你需要看 Shopify 訂單并去 ERP 發貨，AI 能給你生成一個界面：左邊是訂單，右邊是發貨狀態，甚至還會提示「這 4 個訂單建議優先處理」。點一下就能操作，這多棒啊。如果沒有界面，AI 只能用大段文字描述，根本滿足不了真實工作的信息密度需求。

AI 與你互動的越多，就越懂你的業務經驗，生成的軟件也就越多。這些軟件的交互數據，你為什么生成它，它動用了你哪些 know-how，你如何與它互動，得到了什么結果。最終，會形成一個獨一無二的封閉數據集。未來，用這個數據集來訓練我們自己的「行動型模型」，就像 Cursor 的模式一樣，這就是我們的長期壁壘。

Founder Park：這個數據集能夠形成數據飛輪嗎？

張浩然：是的，就像 Cursor 監控你寫代碼的方式，用你的編程習慣和糾錯記錄訓練小模型，這個小模型形成了數據飛輪，越用越懂你，還能實時更新模型權重，這就是我們要構建的長期壁壘。

而且，因為我們是個性化軟件，個性化軟件的后端本質上就是一個 Agent，它使用了你所有的工具，學到了你的 know-how 和工作流程，同時有 coding 能力，固化了一部分代碼在沙盒里運行。

馬卡龍、靈光都沒有后端，這個世界上，沒有任何一個 AI 生成的軟件有后端，但我們有。

但我們會讓「Agent」這個概念消失，你不用特意構建它，跟 AI 伙伴一起工作，它就會變成你的「業務分身」。本質是 Agent，但我們不會強調，因為它只是過渡產物。沒人會說「先構建 Excel 再工作」，Excel 的概念早被淡化了。等哪天沒人提 Agent 了，AI 才算真正走進大眾。

完成任務后，可以將整個對話流程轉換成自動化常規流程

Founder Park：如果n8n或者大廠也按這個思路來做，你們怎么防御？

張浩然：防御要靠下一步的強化學習，訓練自己的模型。現在我們有一個小身位差，可以利用先發優勢積累大量用戶、跑通數據。我們必須在這個窗口期里，搭建用戶交互到模型自訓練的管道，讓用戶行為能動態地、持續自主地更新模型權重，形成數據飛輪。

Founder Park：擔心大模型本身的能力迭代，吃掉你們的業務嗎？

張浩然：有點小擔心，還是要考慮這件事的風險，不能盲目樂觀。

比如 Claude 和 Gemini 都在往類似方向發力：Claude 的進化，大概率會瞄準整個計算機生態，想顛覆馮?諾依曼架構，做 GPU 驅動的新一代上下文計算，所以它不會具體在應用層。但我也會緊跟變化。Gemini 有谷歌全家桶，可能會顛覆很多通用場景，但很難滲透到各行各業。

我們真正的價值，還是在積累企業的 know-how，并把這些經驗轉化成實際結果。本質上，Gemini 是「低抽象、高通用」，而我們在它之上再抽象一層，是「高抽象、中等通用」。因為我們要深入到組織的復雜場景里，這是大模型難以替代的。

05選對用戶，

這是個十萬億的巨大市場

Founder Park：你希望用戶如何定位這款產品？

張浩然：我們想定位的是一個全新的工作臺，就像飛機的駕駛艙。過去的駕駛艙有成千上萬個按鈕，你需要知道什么時候按哪一個。但現在，這個駕駛艙只有一個話筒，你對它說話，它就能自動完成操作。

如果說跟馬卡龍、靈光的區別，本質上我們的產品形態是類似的，只不過是在工作的復雜場景里。既然 SOP 能被解決，為什么最終的產出只能是一句話，而不是一個軟件呢？現在所有 Agent 的輸出都只是一句「我做完了」，但為什么不能輸出一個軟件？自然語言的密度低且是線性的，而 GUI 有天然優勢，軟件的視覺化呈現能讓你一眼看懂功能。

在真實的復雜工作場景中，很多交互是靠界面驅動的，不是語言。所以我們覺得，AI 工作伙伴完全可以通過一個界面與你交互，這不就是個性化軟件嗎？

Founder Park：在生產力場景下，GUI 或軟件界面還是必要的。未來它的交互還會有其他形態嗎？

張浩然：會有。未來會和硬件結合，不同硬件在不同場景下有不同優勢，比如能語音交互的戒指，處理低密度信息推送就很高效。未來我們會考慮，當產品滲透到工作場景各環節時，讓不同工作形態匹配不同交互方式：比如電商場景需要打電話問用戶，這時界面就不重要了，語音交互才是核心。

不排除我們會推出硬件的可能，想象一下，把動態界面推送到 Apple Watch 上，抬手說話、看一眼小界面就能處理工作，想象空間很大。

Founder Park：現階段你們專注于解決工作流問題，暫時不考慮個人生活場景，是覺得價值不大嗎？

張浩然：我們永遠不會考慮。我們公司的使命就是釋放人類生產力，讓組織能自主運行。像個人娛樂、服裝管理這類需求，不在我們的解決范圍內。

Founder Park：你們的目標用戶是中小商家，還是更偏向個人的知識工作者？

張浩然：在我們看來，中小企業（SMB）和個人知識工作者本質上是一群人。比如我們自己公司目前就兩個人，是典型的中小企業，工作模式和一個獨立的個人沒什么區別。

Founder Park：「知識工作者」這個畫像有更詳細的分類嗎？怎么定義？

張浩然：基本上，只要是坐在電腦前，通過操作軟件就能完成工作、交付結果、產生經濟效益的這群人，都算是知識工作者。全球大概有 10 億。

Founder Park：這個賽道的市場有多大？

張浩然：首先，生產力市場本身是 600 多億美金的規模，這是 SaaS 時代的標準市場。全球大概 2000 萬個人用戶、1500 萬中小企業用戶，按個人 30 美金 / 月、企業 200 美金 / 月的收費結構算，我們瞄準的 TAM（總體有效市場）約 660 億美金。

但真正的機會不在這，在于我們一旦用個性化軟件交付了價值的最后一公里，我們顛覆的其實是一個非常成熟的軟件勞動力供應市場。這個市場非常龐大，無論是 IT 外包，還是微軟、SAP 的實施供應商生態，規模都達到了幾萬億美金級別。

當用戶說一句話，就能生成想要的軟件時，這種定制化的勞動力市場就會被替代。我們從幾百億美金的生產力市場先切進來，最終瞄準的是軟件勞動力定制化市場。很多標準軟件的長尾需求，仍然需要第三方公司通過類似于外包和定制開發的方式來解決，這個市場巨大。

Founder Park：未來會考慮純粹按結果付費嗎？

張浩然：今天大家都在談按結果付費，但關鍵是怎么驗證結果。你交付一份報告，用戶不認可怎么辦？至少目前來看，你生成了一個軟件，用戶認可并持續使用它，這本身就是一種明確的結果交付。這個事還在探索，但我個人希望能最終干掉 token 消耗模式，讓用戶可以不限量地使用。

06創業別太執著「產品必須完美才上線」

Founder Park：創業、大廠這些經歷對你現在的項目有什么幫助？

張浩然：幫助非常大。首先，在之前的職場工作里，一直是在用軟件自動化解決龐大的業務效率問題，親身經歷過企業、個人、組織在這方面的痛點，我自己就是最懂這些痛點的人。

我第一次創業做的「住客云」，是一個 MarTech，本質是營銷自動化，核心還是工作流；第二次創業做「啊哈時刻」，幫國外 SaaS 公司做用戶引導，離不開流程和規則引擎的設計；后來去字節，負責飛書里的無代碼表單和工作流系統，依舊在跟工作流打交道。可以說，我整個職業生涯都在和工作流深度綁定，對它的理解非常透徹。

特別是「啊哈時刻」這個項目，它是一款 Chrome 插件，我們需要通過它解構網站的所有 DOM 元素，再綁定規則來引導用戶。這段經歷讓我積累了大量底層技術經驗，現在大家常說的 Computer Vision、Browser Vision，甚至 RPA，本質上都是我們當時產品里用到的技術。過去識別網站元素的能力，現在正好能轉化為生成個性化軟件模塊的能力，兩者在技術上是相通的。

所以，在生產力這件事的理解上，我可能是中國最懂 IFTTT 模式的產品經理了。很多產品經理雖然也做過流程引擎，但他們沒有真正扮演過企業里 CIO 這樣的角色。而我恰好既在企業里承擔過類似 CIO 的職責，深知業務運營如何與產品結合，又親手做過抽象層的工作流引擎。

為什么我要堅持「干掉工作流」？因為我既懂工作流，又懂企業是怎么經營的，我知道一線運營人員腦子里在想什么。這些經歷對我幫助非常大。

Founder Park：參與過兩次奇績路演，感覺國內的創業生態有什么變化？

張浩然：首先，現在資本整體還在寒冬，但我能明顯感受到 90 后、95 后創業者的熱情。21 年我做 SaaS 去奇績時，是那期最年輕的創始人，大概 25、26 歲，當時整體平均年齡 31、32 歲；但這一期入選者平均年齡 28 歲，我 94 年的，今年 31 歲，幾乎是前三大的，變化特別大。

21 年那波創業還是以 SaaS、生產力為主，AI 還沒起來，大家的想象力比較局限；但這一波完全不一樣，00 后創業者做的東西天馬行空，比如 AI 陪伴玩具，有些我都理解不了，我主要還是關注生產力方向。

一個明顯的感受是，創投圈換代了。21 年我加了 300 多個投資人微信，這次加了近 500 個，但只有 3 個是 21 年認識的。

Founder Park：對你來說，這個換代是好事還是壞事？

張浩然：我不知道，但體感上有回暖。21 年奇績 Demo Day 后我沒融到資，直到 22 年冬天才融，那會兒美元基金全面撤出，哪怕我做的「啊哈時刻」數據很好，一個月有上千家 SMB 客戶、周留存 70% 以上，也沒人敢出手。但這次不一樣，我帶著即將上線的產品演示，大家都很積極想推進，能感受到「暖意」。

Founder Park：回顧過去的創業經歷，有什么經驗可以分享，幫助大家少走彎路？

張浩然：一定要盡快推出產品。「啊哈時刻」那次，產品打磨太久，快沒錢了才被迫上線，結果現金流斷裂，公司倒了。

我們這波 AI 創業的人大部分都是產研驅動的，這是一個優勢，但也要反過來意識到，最終能夠證明你產品行不行的是市場。用陸奇的話說，「上帝來了都要踩坑」，所以本質是快速推出產品，快速驗證，把大坑變成小坑，別掉到大坑里去。

創業別太執著「產品必須完美才上線」，哪怕沒成品，也能用其他方式先驗證：比如我這次創業前，先給公司做 AI 落地顧問，看咨詢能不能賣出去；如果是 To C，先拋出觀點看有沒有人認可。要有驗證思維，別憋大招、別過度理想主義。

Founder Park：明白，就是盡快面向市場，看市場的反饋。

張浩然：對。有時候即便市場反饋不好，但你拿到了反饋信息。不一定要調整，你也可以選擇堅持，這不沖突。但你不能不面向市場，自己悶頭憋，這是不對的。就算你一定要往那個方向做，你也得知道它可能在哪錯。你可以不認可這個錯誤，但你必須知道今天你在這有一個問題，這個問題可能會影響它。

轉載原創文章請添加微信：founderparker