百融智能战略转向：AICC业务高增，以RaaS模式推动企业级Agent规模化落地

事件概述

2026年9月2日，百融智能发布最新中报并披露其战略升级方向。在整体营收承压的背景下，公司重点发展的AICC（AI Contact Center，智能联络中心）业务成为增长引擎，展现出企业级Agent从概念走向规模化商业落地的清晰路径。百融通过自研垂类模型、构建数据飞轮以及推行RaaS（Results as a Service，按结果付费）商业模式，正在将AI客服转化为可量化产出的“硅基员工”。

核心财务与业务数据

• 整体业绩波动：2026年上半年，百融实现总收入9.14亿元，同比下降43%；毛利降至4.88亿元，毛利率由73%降至53%；净利润由盈转亏，亏损额为3.22亿元。主要受2025年底至2026年初互联网助贷及信贷营销相关监管政策收紧影响。
• AICC业务逆势高增：
  • AICC业务收入达1.66亿元，同比增长52%。
  • 其中，传统信贷场景收入1.55亿元，同比增长47%。
  • 新场景收入（非金融领域）达1126万元，同比大幅增长195%。
  • AICC占总收入比例从2025年上半年的约6.8%提升至约18.1%。
• AI决策业务基本盘稳固：该板块收入3.72亿元，同比下降26%，但核心机构留存率高达96%，仍为公司提供现金流支撑。
• 研发投入加大：上半年研发开支增至3.94亿元（同比+31%），占收入比重升至43%。截至6月底，1477名员工中研发人员占比达61%。

关键进展与技术架构

1. 跨行业复制与规模扩张

百融正将其在金融领域打磨成熟的AICC能力向物流、券商、航空等高交互需求行业延伸：

• 物流场景：承接查件、异常反馈等复杂呼入任务，日处理量从上线初期的不足1000通提升至8月底的超过1.5万通。
• 券商场景：签约及流程中机构达13家，某头部券商部署席位从年初约30席扩大至约210席。
• 成效对比：在物流场景中，基于RaaS模式结算后，单次有效通话处理成本比传统人工降低50%以上。

2. 技术路线：自研垂类模型 vs 通用大模型

百融采取不同于海外竞品（如Sierra、Decagon依赖OpenAI/Anthropic基础模型）的技术策略：

• 自研体系：拥有BR-Voice（语音多模态）、BR-LLM-Proactive（主动对话）、BR-Vision-Doc（文档理解）三类自研垂类基础模型。
• 参数控制：针对电话场景预训练模型参数控制在0.4B～30B之间，旨在平衡准确率、稳定性、时延与推理成本。
• 迭代优势：掌握底层模型预训练、后训练及推理优化全链路，便于快速定位问题并进行针对性微调。
• 性能验证：在INTERSPEECH 2026 MLC-SLM Challenge中，取得94.84%的多语种对话语音理解准确率，排名全球第三、国内产业界第一。

3. 工程化与交付能力

为解决Agent进入生产环境的门槛，百融构建了完整的技术闭环：

• 通信工程适配：针对传统电话网络的8kHz窄带语音进行降噪、识别及实时交互优化，解决高并发调度与系统对接问题。
• 数据飞轮机制：从真实投产中收集正负反馈（如任务完成度、转人工原因），转化为强化学习信号，持续优化模型与服务策略。
• FDE前沿部署团队：深入客户现场梳理工作流，拆解原有人工流程，重新组织为Agent工作流，确保技术与具体业务场景无缝嵌入。

商业模式创新：RaaS与AI Roll-up

RaaS（Results as a Service）

• 计费模式转变：从传统的License、SaaS订阅或Token计费，转向按结果付费。依据成功完成且无需转人工的有效通话/工单数量，或Agent部署规模及促成业务规模分成。
• 价值逻辑：将AI投入从IT预算延伸至运营成本，技术服务方的收入直接与业务产出挂钩，倒逼模型性能与稳定性提升。

技术重构型AI Roll-up

• 战略定义：百融提出此概念，指先通过AI Agent改造具体工作流并验证效果，再借助资本合作或产业整合扩大覆盖范围。
• 实施路径：
  1. 单点跑通：在特定场景（如金融客服）建立标杆。
  2. 扩大部署：向同行业或其他高集中度行业（如物流、券商）复制。
  3. 数据反哺：利用真实交互数据优化模型，形成竞争壁垒。
  4. 产业延伸：通过投资或合作获取更多业务入口，进一步放大产能。

行业意义

百融的实践表明，企业级Agent的落地难点已从单纯的技术可用性问题，转向商业价值量化与规模化复制效率。AICC因其任务边界清晰、评价标准明确，成为AI进入生产系统的最佳切入点。随着Agent逐步承担具体工作任务，AI正从辅助工具演变为直接参与经济活动的生产要素，重塑企业的成本结构与组织方式。