商业 TechCrunch · Ivan Mehta · 昨天 20:00 · AI 生成
Omilia 获 6700 万美元 B 轮融资，用于扩大客服平台规模 客服 AI 初创公司众多，但雅典的 Omilia 认为并非所有场景都需要大模型，其 CEO 以「用刀而非用火箭筒」类比，强调工具匹配。公司已实现 6000 万美元 ARR（疫情后增长 10 倍），本轮融资 6700 万美元由 Expedition Growth Capital 领投，计划用于美国市场扩张与团队建设。文章核心价值在于提供了一个少数派的、务实的 AI 应用观点——在客服场景中，传统技术与小模型往往比通用大模型更经济高效。适合关注 AI 落地成本效益、SaaS 单位经济学的读者，以及想了解客服行业不同技术路线的从业者。原文 ↗ 原文 ↗
核心观点
▍ Omilia 认为在客服场景中，大量查询（如查余额）无需大模型，用传统自动化或小模型即可，AI 工具应「按需匹配」而非「堆砌大模型」。 01 Omilia 自 2002 年起专注语音客服自动化，2020 年从 Grafton Capital 融资 2000 万美元，此后 ARR 增长 10 倍至 6000 万美元。 02 客户包括 Capital One、Discover、RBC、DWP、PSEG 以及 Taco Bell（已在 1000+ 门店部署语音点餐系统）。 03 CEO Dimitris Vassos 表示公司不追求「LinkedIn 上的性感」，而是关注单位经济，目标是三年内成为收入十亿美元的公司。 04 公司当前约 500 名员工，计划年底增至 600 人，新融资将用于开设美国办公室并招聘 CRO、CMO 等高管。 反方 / 局限
— 文章提及 Taco Bell 语音点餐系统曾出现「被下单 18000 杯水」的报道，虽 CEO 否认，但暴露了 AI 客服在复杂场景下可能出现的意外错误。 — 文章未详细对比 Omilia 与传统 IVR 系统或纯大模型方案的性能差异，仅以「工具匹配」逻辑论证，缺乏量化数据支撑其「无需大模型」的结论。
概念锚点 自学习 Agent 平台如何工作
Omilia 2025 年推出的「自学习代理式客户体验」平台，号称业界首个能从每一次交互（包括人工坐席对话）中学习并自主改进的 Agent 系统。它专为金融、医疗等受监管行业设计，提供零日上线、统一推理和持续自主优化——而非传统「拼凑多个 LLM 工具」的集成方案。核心差异在于：Omilia 的语音、推理、路由、工作流和分析层全部自研且深度集成，客户无需自带密钥（BYOK）来弥补底层 AI 的缺失。这是 SaaS 客服从「AI 辅助」到「AI 劳动力」的质变节点。
▸ 1 条关联资料
▼
前置背景 Taco Bell 点餐翻车与专有模型
Omilia 的得来速语音 AI 使用专有小模型，针对噪音、口音和快节奏做了深度优化，已部署到 Taco Bell 超过 890 家门店，CEO 称事故从未发生。但社交媒体上流传的「1.8 万杯水弄瘫系统」「AI 听不懂大杯激浪」等恶搞视频，让 Taco Bell 当下正重新评估 AI 部署策略，只允许在忙时有人工兜底。这恰恰佐证了 Omilia 的「刀 vs 火箭筒」逻辑：通用语音 AI 在快餐店容易翻车，而专为场景打磨的小模型反而更稳——但极端用户行为（恶意绕路、方言戏弄）依然是所有 AI 点餐系统共同的软肋。
▸ 2 条关联资料
▼
平行视角 AI客服的两种生存路线
Omilia 强调「用刀而非火箭筒」，用专有小模型和传统技术处理 80% 的基础查询，以 6000 万美元 ARR 和零融资依赖走稳健路线。而硅谷明星 Sierra（前 Salesforce CEO 创办）18 个月估值破百亿、融资 6.35 亿美元，押注生成式 AI 端到端接管复杂咨询。同一赛道，Omilia 的「单位经济优先」与 Sierra 的「增长换估值」形成鲜明对比——前者金融服务客户复购率超 90%，后者年营收逼近 1 亿美元但尚未盈利。两种路线谁能在 3 年内跑通，取决于 AI 客服的 ROI 到底是靠精准匹配场景还是靠大模型通用能力。
▸ 1 条关联资料
▼
未来推演 单位经济模型能否撑起十亿收入
Omilia CEO 放言 3 年内要建成「十亿美元营收公司」，底气来自 6000 万美元 ARR 和疫情后 10 倍增长，以及宣称优于竞品的单位经济。但关键在于：当前 500 名员工支撑 6000 万 ARR（人均 12 万美元），要翻到 10 亿需将人均产出提升 15 倍，或大规模扩员——而新融资主要投向美国市场扩张和 C 级高管招聘，而非研发。同赛道 Intercom 已转向「每成功工单 0.99 美元」的纯结果计费模式，这对 Omilia 的固定 SaaS 订阅模式构成切实压力。拐点信号是 2026 年能否在 QSR 快餐连锁新增 2 家以上头部客户。
▸ 2 条关联资料
▼
延伸追问 AI 客服的成本边界在哪
Omilia 认为「用大模型处理全部查询是浪费」，但现实是 Decagon 这类生成式 AI 玩家已实现 71% 对话自动处理、客户满意度 4.2 分。真正值得追问的边界不是「大模型 vs 小模型用哪个」，而是「何时该让 AI 犯错、何时不允许」。快餐店点错一杯水是段子，但金融服务少算一笔账就是合规事故。Omilia 的专有模型在受监管行业有优势，可一旦 Sierra 或 Decagon 用大模型加上可控的置信度阈值（如 95% 才放行），「专有 vs 通用」的护城河还能撑多久？核心变量是生成式 AI 的幻觉率能否在 2027 年降至千分之一以下。
▸ 2 条关联资料
▼