給Agent清理「屎山」，正在成為一門賺錢的生意

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

（來源：字母榜）

企業採購Agent，正在變得越來越容易。

OpenAI、Anthropic、Google和微軟都在爭奪企業客户，Salesforce、ServiceNow、Workday等SaaS公司則忙着把Agent塞進每個產品頁面。

可以説，購買Agent本身已經不是難題。但當企業真正嘗試部署這些Agent時，新的問題出現了：

買Agent，並不等於讓Agent進入工作。

美國抵押貸款公司CMG Financial就遇到了這樣的困境：其首席戰略官Paul Akinmade此前曾在Salesforce年度大會上承諾，公司下一階段將推動100個Agent投入運行，但事情並沒有他想象中那麼容易。

此前，CMG已經將部分軟件開發工作遷移到Claude Code，證明團隊能夠快速採用最新AI工具，可當團隊試圖讓Agent進入Salesforce、參與真實業務流程時，項目突然慢了下來。

他們很快發現，Agent可以寫代碼、調用API，卻無法理解一家企業多年積累的數據、權限和業務流程。

類似的問題正在整個行業出現。根據獵頭公司Christian & Timbers（C&T）的一項行業研究，美國目前真正具備將AI系統部署進企業、並幫助客户獲得可量化回報能力的前線部署工程師（Forward Deployed Engineer，FDE）僅約2000人。

隨着企業從「嘗試AI」進入「規模化部署AI」，大型諮詢和服務公司正在快速擴充這類團隊。

AI產業由此出現了一個略顯諷刺的轉折：企業已經不太缺Agent，真正稀缺的是能替它收拾舊系統的人。

最后幫CMG找到路的，是一家名為June的創業公司。

01

100個Agent，卡在Salesforce里

大模型公司演示Agent時，通常會給它一個乾淨的環境。

數據已經整理好，接口已經打通，任務邊界清晰，調用權限也經過預設。Agent需要完成的，是在一條平整的跑道上證明自己跑得足夠快。

然而，現實中的企業系統很少如此整潔。

一家經營了十幾年的公司，通常同時使用Salesforce、ServiceNow、Workday、Databricks以及一批自建系統。一名客户可能出現在四個數據庫中，擁有四個編號、三個狀態和兩個負責人。系統之間還可能保留着歷次組織調整、產品改版和管理層更替留下的痕跡。

這些痕跡並不都是技術錯誤，只是不同部門之間的判斷標準不同：銷售部門可能按照是否產生商機判斷「活躍客户」，財務部門則按照是否發生回款判斷；客服認為客户關係已經終止，合規系統卻要求繼續保留其檔案。

每個字段背后都有一套部門利益、責任邊界和歷史原因。

在傳統軟件中，出於員工經驗，這些矛盾的數據可以被人暫時消化。老員工知道某個字段雖然名為「客户狀態」，實際上已經兩年沒人更新；財務人員知道導出報表后還要手動修改三列；銷售經理也清楚，系統里顯示已經關閉的項目仍有挽回機會。

但Agent沒有這些經驗，更不會產生這種默契——它只能認真地讀取每個字段，按照被授予的權限執行指令。

很多過去靠人類經驗勉強維持的系統漏洞，在Agent面前，就變成了必須解決的大問題。錯誤的客户狀態可能導致一封不合時宜的營銷郵件，錯誤的貸款狀態卻可能觸發風控、合規乃至法律責任。對 Agent 而言，這就是一座龐大無邊的「屎山代碼」。

這正是CMG遇到的障礙。

CMG Financial並非對AI毫無準備，事實上，作為美國一家抵押貸款公司，CMG近年來一直在探索如何將AI引入業務流程。公司已經開始使用Claude Code輔助部分軟件開發工作，也證明了其工程團隊能夠快速採用最新AI工具。

在Salesforce生態中，CMG也希望進一步擴大AI應用範圍。

此前，CMG首席戰略官Paul Akinmade曾在Salesforce年度大會上提出目標：下一次回到大會時，公司希望已經有100個Agent投入運行。

但當Agent真正進入企業流程后，CMG很快發現，事情並沒有想象中簡單。

把軟件開發遷移到Claude Code相對容易，因為代碼的邊界較為清晰，錯誤也可以通過測試、審覈和回滾加以控制；讓Agent進入Salesforce則不同，它面對的是一家公司多年經營活動留下來的數字沉積。

這種情況下，Agent部署就不再是一個純技術項目，它要求企業回答一系列此前一直迴避的問題：哪套數據纔算真實，誰有權修改它，哪個部門為錯誤負責，以及哪些歷史流程應該被廢除。

爲了讓Agent真正進入工作流，CMG不得不引入架構師、諮詢顧問和前線部署工程師（FDE），幫助梳理企業現有系統。

但幾個星期過去，項目依然沒有取得預期進展。

直到CMG找到了一家名為June的創業公司。

June創始人Efrat Rapoport將CMG的問題概括為：創建一個Agent模板並不困難，困難的是處理它下面的混亂。

June給出的方案，是先製作一張企業系統的「病歷」。它會掃描公司已有的軟件和數據庫，識別業務流程、重複字段、數據斷點和權限衝突，再生成一條實施路線。

這套方法幫CMG看清了Agent適合部署在哪里，以及上線前必須先解決什麼問題。

據Akinmade稱，June甚至在雙方正式啟動會議之前，就已經幫助團隊安全地部署了一部分能力。

02

AI先製造了一支FDE軍團

CMG遇到的問題並不是個例。隨着企業紛紛把Agent塞入工作流，一個新的崗位正在快速升溫：FDE。

該崗位最早由Palantir推廣。與傳統軟件工程師不同，FDE並不只是負責開發產品，而是需要直接進入客户企業，理解業務流程，將AI系統接入真實工作環境，並幫助企業獲得實際回報。

但這類人才並不容易找到：根據獵頭公司Christian & Timbers（C&T）的一項研究，美國目前真正具備這種能力的工程師大約只有2000人——這個數字指的不是空缺崗位數量，是符合要求的人才，一共只有2000人。

TechCrunch援引該研究稱，這些人需要同時具備行業知識、企業溝通和推動能力，以及實際AI部署經驗，才能持續幫助企業從AI投入中獲得回報。

而企業需求正在快速增長。

2026年初，只有約5%至10%的企業計劃招聘FDE；到了第二季度末，這一比例已經升至約70%。大型諮詢和服務公司也開始計劃將相關團隊擴大10倍。

這件事在軟件時代亦有發生——無論是ERP還是CRM，企業購買軟件后，都需要實施顧問進入現場，幫助系統適配真實業務；如今，Agent進入企業，也重新催生了類似的角色。

但這類模式也存在一個天然限制：它依賴大量高成本的人力。

一個企業部署Agent，可能需要工程師先理解幾十套軟件系統、數百個數據字段，以及數十年的業務流程。

如果每一家企業都需要一支FDE團隊，AI規模化落地的速度仍然會受到限制。

而這正是June試圖解決的問題。

2026年8月3日，TechCrunch報道稱，企業AI部署創業公司June完成2000萬美元Pre-seed融資。

本輪融資由Marc Benioff旗下Time Ventures領投，Michael Dell、Aaron Levie和George Kurtz等企業軟件和雲計算領域的重要人物參與投資。

公司創始人之一Rapoport稱，這輪融資甚至沒有準備商業計劃書。

這並不是June的創始人團隊第一次創業——Rapoport和Ohad Hen、Barak Goldstein、Idan Tsitiat曾共同創辦語音分析公司Bonobo AI。2019年，Bonobo被Salesforce收購，團隊隨后進入Salesforce，參與其AI業務。

可以認為，他們上一家公司解決的是「如何讓AI理解客户對話」；下一家公司解決的是「如何讓AI理解整個企業系統」。

投資人願意迅速下注，不只是因為四名創始人有過一次成功退出，而是他們指向的問題已經成為整個企業AI行業的共同焦慮。

Rapoport説：「AI反而增加了企業對專業服務的需求。」

一家銀行的授信流程無法直接複製給一家航空公司，同一家公司的銷售部門和財務部門也未必使用相同的數據標準。模型供應商每進入一個大客户，都要重新理解業務、打通數據、配置權限並設計容錯機制。

OpenAI已經證明，單純出售模型並不足以拿下企業市場。它正在補齊部署能力：通過Frontier Alliance聯合BCG、麥肯錫、埃森哲和凱捷等諮詢與系統集成夥伴，幫助企業推進AI改造。2026年5月，OpenAI又成立OpenAI Deployment Company，並收購應用AI諮詢公司Tomoro，獲得約150名FDE和部署專家。該公司啟動時獲得超過40億美元初始投資，進一步押注企業AI落地市場。

亞馬遜走得更加直接，今年7月底，AWS宣佈投入10億美元組建前線部署工程團隊，讓工程師進入客户組織，幫助其在幾天而不是幾個月內搭建Agent系統。

Anthropic、Google Cloud、Stripe等公司也在擴充類似崗位。部分美國FDE職位的基本年薪已經達到17萬至20萬美元，OpenAI開出的上限一度達到34.5萬美元，尚不包括股權。

企業缺乏的顯然不再是一套Agent產品，而是一支同時懂模型、軟件和業務的工程隊。

Palantir的成功已經證明，部署團隊不只是成本中心，也可以成為銷售和續約的核心壁壘。工程師留在客户身邊，可以迅速發現真實需求，幫助產品團隊糾正方向，還能建立普通SaaS難以形成的客户黏性。

問題是，這種模式很難無限複製。

每增加一個客户，都可能需要增加一批工程師；每家公司都有自己的歷史包袱，前一個項目積累的經驗未必能完整複用到下一個項目。只要交付仍然高度依賴人力，Agent公司的毛利率和擴張速度就會受到約束。

更麻煩的是，客户可能重新陷入一種熟悉的困境：過去被軟件供應商鎖定，現在則被部署工程師鎖定。系統確實運行起來了，卻只有少數外部人員知道它為什麼能夠運行。一旦這些人離開，企業又會得到一個新的黑箱。

Akinmade在試用June前説得很直白：如果這個產品仍然需要FDE，他就不想要；他不想再得到一套只有少數人能夠理解的東西。

目前看來，June通過了這個考驗。

03

誰能吃掉「擦屁股」這門生意

過去，企業願意忍受系統的混亂，是因為舊系統雖然低效，但至少還能運行。員工可以靠經驗填補數據斷點，管理層也不願意爲了提高一點效率，冒險改造核心業務。

而Agent推翻了這套模式。它承諾的是接管一整段工作，而並非單純地提效百分之幾。

要兑現這種承諾，企業必須系統地清理數據、重新劃分權限，並把那些依賴口耳相傳的流程正式寫入軟件。

這使「給舊系統擦屁股」從維護費用變成了一門增長生意。

June想吃掉的正是這部分預算——它試圖把FDE的工作拆解成一套軟件流程：先自動診斷，再給出改造路線，最后逐項完成搭建。

如果同一種數據衝突、權限結構和工作流能夠在不同企業間複用，June就可能把過去按照人天收費的項目，變成可以規模化銷售的產品。

這是一筆比再造一個Agent更有吸引力的生意。

模型能力正在趨同，調用價格也持續下降。企業可以在OpenAI、Anthropic、Google乃至開源模型之間切換，卻很難輕易更換一套已經梳理完成的數據和業務結構。

企業並不是一張等待AI書寫的白紙。它更像一棟不斷加蓋、從未徹底維修的老樓：地下埋着廢棄管線，牆后藏着臨時電路，每一任管理者都留下了只有自己看得懂的改造痕跡。

模型公司送來了越來越聰明的機器人，卻發現機器人進門之后，首先要做的不是工作，而是看懂這棟樓的結構，防止它哪天忽然牽一發而轟然倒塌。

誰替企業完成了這次清理，誰就更可能佔據Agent與舊系統之間的控制層。

June並不是唯一試圖解決這個問題的公司。但「擦屁股」這門生意最終會屬於誰，仍然沒有答案：

第一種可能，是June這樣的創業公司成功將部署工作產品化。

它們不擁有最強模型，也不掌握企業原始系統，卻可以保持相對中立：同時接入不同模型和SaaS產品，幫助客户選擇最適合自己的組合。如果產品確實能夠減少駐場人員，這類公司將直接衝擊傳統諮詢公司和系統集成商。

第二種可能，是Salesforce、ServiceNow等SaaS巨頭自己拿走這筆錢。

它們最瞭解自家系統的數據結構，也控制着企業最重要的業務入口。Agent越需要讀取客户、員工和訂單數據，這些舊SaaS就越難被繞過。

June證明市場成立之后，SaaS公司既可以複製它的功能，也可以直接收購它。

這會導向一個與「SaaS末日論」截然不同的結果，即Agent不僅沒有摧毀傳統軟件，反而延長了它們的壽命。

企業不會用自然語言臨時搓出一套世界500強級別的CRM，更不敢讓一個來歷不明的Agent直接接管財務和人事系統。Salesforce、Workday和ServiceNow長期積累的客户數據、權限體系和合規記錄，恰是Agent進入企業時必須依賴的基礎——Agent越強，這些系統作為「事實來源」的價值就越大。

第三種可能，也是對AI行業最不性感的一種可能：企業技術債根本無法被徹底產品化。

修改數據字段看起來是技術工作，實際可能是在重新劃分部門權力。取消一道審批程序，意味着有人失去控制權；統一兩套客户標準，意味着某個部門必須承認自己過去的數據不可靠；讓Agent接管一段流程，還涉及出了問題究竟由業務負責人、軟件供應商還是模型公司承擔責任。

這些問題不可能只靠掃描數據庫解決。

如果企業改造的核心始終是組織協調，而不是技術診斷，那麼最終賺到最多錢的，仍可能是Palantir、埃森哲、麥肯錫等擁有龐大交付隊伍的公司。模型公司賣出更多Agent，諮詢公司就獲得更多實施項目。AI號稱減少白領勞動，率先創造出來的卻是一支更昂貴的技術顧問大軍。

June能否跳出第三種壞結局，取決於幾個尚未得到回答的問題。

它進入一個客户后，需要多少員工參與？不同企業之間有多少診斷結果可以複用？收費依據是軟件訂閲、實施項目還是業務效果？如果June建議客户刪除某個字段，最終造成合規事故，誰來承擔責任？

更關鍵的是，它能否公開一批不是由創始團隊親自陪跑、卻仍然成功上線的客户？

一家號稱替代FDE的公司，不能依靠更多FDE證明自己。

CMG的案例目前只證明，June比此前那批架構師和顧問更快地找到了問題。但它還沒有證明，這種能力可以脱離幾名擁有多年Salesforce經驗的創始人，被穩定複製給成百上千家企業。

CMG不缺Agent，不缺模型，也不缺採購預算。它缺的是一張能夠説明舊系統如何運轉、哪里可以拆除、出了問題誰來負責的地圖。

Akinmade不想要只有少數人才能理解的黑箱。但在企業AI真正實現標準化之前，能夠打開這些黑箱的人，可能比黑箱里的Agent更貴。