Netic 创始人兼 CEO Melisa Tokmak 讨论了如何为现实服务型企业构建 AI 平台以促进自治企业发展，同时保留现场劳动价值。Netic 的产品充当企业与客户之间的智能中介。由于行业特性影响，短期内机器人无法替代人工，因此软件和编排解决方案尤为重要。超过 70% 的客户首次交互通过 Netic 代理。Melisa 强调实地调研与产品设计的重要性，并提倡与大型模型公司合作。Netic 已帮助客户通过 AI 产生超过 1 亿美元收入，显现其在自治企业实现上的成果。 #### 内容简介 本期访谈请到 Netic 创始人兼 CEO Melisa Tokmak，围绕如何为 HVAC、屋顶、电力、汽车等现实服务型企业构建可落地的 AI 平台，推动“自治企业”但不替代现场技工。核心观点包括：Netic 定位为大型必需服务企业与终端客户之间的智能中介，负责理解客户意图、匹配调度人工并执行服务决策；现实服务行业高度非标且季节性强，短期内机器人难以替代人工，因此需以软件与编排解决“最后一公里”问题；推行“Netic-first”接入（超70%客户首次交互由 Netic 代理处理），支持电话、短信与完整语音交互；工程师必须到现场调研，将真实场景的复杂规则融入产品设计；与大型模型公司合作而非直接竞争，差异化在于行业聚焦、长期运营与把 AI 产出转化为可衡量营收的能力；招聘上重视“agency”（主动性）与对客户的长期投入。关键事实包括 Melisa 的背景（斯坦福奖学金、在 Scale 与 Meta 任职）、公司成立约两年、端到端项目可在14天内落地、单笔合同可达50万美元，Netic 宣称已通过 AI 处理交互为客户产出超过1亿美元收入；实践案例如屋顶方案接入卫星数据用于风险识别与材料建议，对 PE 的看法是要以真实部署与可衡量营收取信而非概念验证。 #### 社区观点 支持观点：许多人赞同将 AI 用作“编排与中介”而非替代现场劳动，认为这更现实且能快速带来可衡量业务价值； 实践派观点：认同“工程师下现场”的必要性，认为产品设计必须基于真实业务复杂性，现场调研能发现规则与例外情形； 商业怀疑：有评论质疑1亿美元产出和大合同数据是否含可归因度量，担心供应商宣称的营收提升难以在外部复现； 技术路线争论：一派主张与 OpenAI/Anthropic 合作快速借力通用 LLM，另一派认为需构建行业专用模型和数据管道以维持长期差异化； 规模化疑虑：有人担心行业高度非标是否会限制产品横向扩展，认为“通用”与“差异化”之间难取得平衡； 运维与合规担忧：评论里提到部署复杂度、现场数据接入、隐私与劳工关系（例如工会或现场人员抗拒自动化）是主要阻力； 招聘与文化共识：多数人认同 Netic 强调“主动性”和长期投入的招聘标准，认为这对落地型创业公司至关重要； 对 PE 的态度分歧：部分人认为 PE 推动的 AI operating partners 有助于加速采纳，另一些人警告不要把 AI 当作“盲投”指标，需要真实部署和可量化回报。 #### 内容导读 这期访谈的核心在于理解如何把 AI 作为现实服务型企业的运营中枢——不是去取代现场技工，而是做“智能中介+编排”来解决最后一公里的复杂性。关键要点可总结为三步：第一，聚焦高价值的接入与交互层（如 Netic-first 的电话/短信/语音代理），把客户意图准确捕捉并交付给合适的现场人员；第二，把产品設計建立在现场调研与行业规则之上，工程师必须亲临现场以处理非标场景和季节性波动；第三，将短期技术（如大型模型）与长期运营能力结合，强调用可衡量的营收与部署指标说话，而非仅做演示或概念验证。对读者的建议是：把注意力放在可快速验证的高频高价值场景、确保有现场数据与反馈回路、与通用模型供应商建立合作但保留行业化能力，以及在招聘与文化上优先选择愿意长期沉淀并主动解决问题的人。