Decagon 的共同創辦人主張，企業 agent 的價值不在「像人回答」，而在能否把任務拆開、量測、改進，再安全地接回真實的客戶與營運流程。
這是 a16z 對談裡的公司經驗與判斷；關於模型選型、就業與市場結果的推測，仍需要各自的部署資料驗證。
Decagon 將 agent 描述成企業的「前門」：它不只回答客服問題，也可能主動處理銷售、續約、帳務或營運事件。這個說法的核心不是讓對話更自然，而是把原本散落在工具、人員與規則裡的工作，串成一條能執行的路徑。
因此，部署的難題也不只是挑模型。agent 必須知道何時讀資料、何時呼叫系統、何時交給人，以及每一段輸出如何被檢查。模型是其中一個元件，不是整個產品。
受訪者說 Decagon 約九成工作流改用開源模型，理由是許多企業任務可被明確定義、微調與評估；在指定工作上，較小的模型可能更快、更便宜，也更容易控制。
這不等於任何開源模型都會勝出。對談反覆提到延遲、資料品質、模型行為與任務邊界。真正的問題是：某個模型在這一個可測量的任務上，是否穩定地符合要求，而不是它在一般排行榜上是否最強。
Decagon 把評估、資料與微調視為同一套生產系統。客服或銷售任務會遇到不同產品、語氣、帳戶狀態與例外條件；若團隊不能把錯誤分類、重播並比較版本，就很難知道改動究竟改善了什麼。
對企業來說，這也意味著「可解釋」不只是一段模型說明。每次系統採取行動前後，需要留下足夠的脈絡，讓營運、法務或產品團隊能追問：它讀了什麼、依據什麼規則、又在哪裡應該停止。
受訪者談到 forward-deployed engineering：工程師深入客戶環境，把真實流程轉成可運作的產品。風險在於，若每個客戶都靠手工救火，公司可能變成顧問服務，而不是能累積的軟體。
可擴張的界線是把重複出現的需求、評估與工具連接整理成平台能力；不可泛化的部分則必須誠實保留為人工作業。這個邊界不會由 demo 決定，而要看部署後的維運資料。
「企業 AI 不是把一個前沿模型插進流程；它必須成為能被量測、校正與交接的工作系統。」
這是根據受訪者對模型、評估與前線部署的共同主張整理，不是對任何產品成效的保證。
選擇你認為不能靠展示影片取代的一道檢查