一个销售刚挂断电话，AI 就自动记下了他说的每个金句、每个让客户点头的话术。更夸张的是，它还会把整段对话拆成几十个步骤，标注出哪个环节把谈话推向了成交，哪个环节差点搞砸——然后把这些“成功模板”编进自己的大脑里，下一次直接对客户开口。这就是 Encore AI 正在做的事。 这家成立四年的公司刚刚完成 3000 万美元 A 轮融资，领投方是专注于企业科技的基金 Team8。资金将用于扩大其“交互挖掘”平台——一个通过分析企业与客户之间真实对话，训练 AI 语音代理的系统。该公司称，这些代理不仅能独立接打电话、发消息，还能像影子助手一样，在销售或客服人员通话时实时推送话术建议。 公司首席执行官 Dvir Ginzburg 把整套方法论称为“交互挖掘”。在接受 TechCrunch 独家采访时，他解释：平台会接入企业的通话录音、电子邮件、短信记录，并与 CRM 系统打通，然后将一次完整的客户旅程切分成多个阶段，逐个检视哪些话、哪些行动真正推动了进展。“我们把那些被验证有效的‘剧本’打包，构建成一个代理。有时候我们的代理甚至会说关系经理讲过的笑话，或者引用他们用过的真实例子——因为我们完全按照那些行得通的剧本来运作。”Ginzburg 说。 这番话点出了它与市面上多数生成式 AI 客服工具的根本差别。一般的 AI 代理依赖预训练的语言模型和固定的对话流程，而 Encore 的做法是：从一家企业原有的一线员工身上学习，把不同人员在不同销售或服务阶段表现最好的那部分经验抽取出来，拼成一个综合性的对话机器人。 同一个客户，可能遭遇多位员工接待，有人擅长破冰，有人擅长逼单，有人擅长处理异议。其代理能自动组合这些优势，形成一套动态应对策略。 平台的工作原理可以拆成两层。第一层是“发现”：系统分析历史交互数据，标记出哪些对话片段起到了正面作用，哪些是无效甚至起反作用的摩擦点。企业主能得到一份清晰的可视化报告，看到自己的销售或客服流程中，哪一个环节的转化率最低、哪里卡住了客户、哪个常见问题被反复提及却从未解决。 第二层则是“部署”：这些洞察会直接注入到 AI 代理的行为逻辑中，代理在与客户实时交互时——无论是语音通话还是文本聊天——都会调用那些经过验证的高效剧本。 值得注意的是，其代理工作模式有两种。一种是完全自主式，直接与客户沟通，不需要人类介入。另一种是辅助式，更像员工的随身教练：代理不会直接对外发声，而是在员工与客户交谈的同时，悄悄给出建议——“可以提一下我们最近的数据安全升级”“上次同行业的客户在这个环节问过报价，准备一下”。Ginzburg 强调，这种实时辅导对金融机构尤其有价值，因为理财顾问和客户关系经理面对的谈话复杂程度远高于标准客服。 目前该公司已签下超过 40 家企业客户，大多数集中在金融行业。Ginzburg 不愿透露具体的收入数字或估值，但给出了一个增长指标：自上一轮种子轮融资以来（不到 18 个月），年度经常性收入（ARR）增长了 5 倍以上。对于一个 A 轮公司，这样的增速通常意味着产品已经找到了明确的产品-市场契合点，且有大量客户在持续增购。 然而，摆在它面前的护城河并不算深。Salesforce、SAP、Zoho、HubSpot 等 CRM 巨头，手里握着海量客户交互数据，理论上也可以沿着类似的路径构建 AI 代理。它们既有客户关系管理的入口，又有庞大的研发预算，一旦决定将“历史对话数据”深度整合进自己的 AI 产品，先发优势可能会受到挑战。 对于这种竞争担忧，Ginzburg 的回应颇有一针见血的意味。他认为，仅仅拥有数据是不够的。大型 CRM 厂商如果要做同样的事，必须从底层改变自己的产品架构，把历史客户对话当作构建 AI 代理的核心基础，而不是一个可有可无的附加数据点。这意味着要重新设计数据管道、重写对话处理逻辑、甚至调整对客户成功指标的定义。“最大的对手们并不把对话历史视为一个数据点来对待。”Ginzburg 说。换句话说，数据放在那里不动，就只是一堆存储成本；只有围绕它重构整个产品引擎，才可能复制这种能力。 这种思路的差异反映在技术路径上也很明显。其“交互挖掘”并非简单地把对话文稿丢给大语言模型做总结，而是对每次交互做结构化标注：对话阶段、情绪拐点、信息交换类型、决策触发点……然后建立关联模型。这才让它能够从成千上万次通话中定量地判断出，哪一类话术组合对特定客群最有效。
热门跟贴