Voice AI：被低估的界面革命

大飞: 大家好，这里是最佳拍档，我是大飞。今天我们来聊一个AI领域可能被大家忽视的一个重要领域：Voice AI，也就是语音人工智能。很多人的第一直觉可能会是，这不就是营销电话里的机器人客服嘛，或者就像 ChatGPT 里的实时对话那样。但是绝大多数人还没有意识到，Voice AI 可能正在经历一个的转折点，它也许会成为一次真正意义上的界面革命。

大飞: 最近我听了 Verticals 的一期访谈，嘉宾是贝塞麦风险投资（Bessemer Venture Partners）的合伙人迈克·德雷施（Mike Droesch）。贝塞麦是全球最顶尖的风险投资机构之一，曾经投资过 Twilio、Auth0、Pinterest 等科技公司。而迈克·德雷施带领他的团队，在 Voice AI 赛道做了将近两年的系统性研究，投资了医疗AI记录公司 Abridge、销售对话分析公司 Rilla，以及语音AI基础设施平台 Vapi 等明星公司。就在不久前，Vapi 刚刚完成了B轮融资，估值达到了5亿美元。在这期访谈里，迈克·德雷施分享了很多来自一线的反直觉判断。今天我就把他的核心观点整理出来，让大家了解到 Voice AI 这个赛道真正在发生什么，以及它为什么可能会成为AI时代最被低估的革命。

语音带来更高的数据带宽

大飞: 首先，Voice AI 到底为什么重要呢？很多人会说，因为语音交互更自然、更方便，解放了双手。但是迈克·德雷施的核心论点比这个要深刻得多。他认为，语音之所以重要，不是因为它更自然、更好用，而是因为它从根本上提高了数据流入AI的带宽。

大飞: 我们现在和AI交互的主要方式是，无非是打字、点击、填写表格，这些都是非常低带宽的交互方式。你传进去的信息是离散的、碎片化的，而且是经过你大脑过滤和精简的。比如你在网上申请理赔，需要填写一张长长的表格，你只会填写表格上要求的那些信息，很多你觉得不重要的细节，或者你当时没有想到的信息，根本不会出现在表格里。

大飞: 但是语音不一样。当你说话的时候，AI同时接收到的信息要丰富得多。它不仅能听到你说了什么内容，还能感知到你的语气、你的停顿、你的情绪、你的措辞习惯，甚至你在哪个问题上犹豫了一下。这些非语言信息加在一起，所传递的信息量远远超过打字所能传递的。带宽提高了，输出的质量自然就会跟着变。

大飞: 迈克·德雷施的逻辑非常清晰，当流入机器的数据更多、更丰富，流出的结果就会更好、更准确、更有针对性。这带来的将不只是线性的提升，而是一种质变。基于这个逻辑，迈克·德雷施把 Voice AI 定义为一个新的上下文层（context layer），而不是一个能接电话的功能。这两种定义方式的差别非常非常大。如果只是个功能，那它就是锦上添花，有没有都行。但如果是上下文层，它就是整个软件系统里的基础设施，是所有智能决策的数据来源。这个定位，直接决定了 Voice AI 的天花板有多高。

大飞: 德雷施指出，人类的说话，其实是一种更接近思维流的表达方式。当你和别人聊天的时候，你的情绪、逻辑断点、隐含的顾虑，全都会自然而然地给带出来。这就是为什么语音数据对AI来说，质量天然比文字更高。Voice AI 不只是换了一个输入方式，它在根本上改变了AI能看到多少的真实世界。以前的AI只能看到我们愿意写下来的那些结论和决定，而现在的AI能看到我们得出这些结论和决定的整个过程。

保守行业的爆发与合规红利

大飞: 随后，德雷施道出了一个非常反直觉的发现。他说，最让他意外的一件事，是哪些行业的 Voice AI 采用速度最快。他原本以为，最先采用 Voice AI 的会是那些互联网友好型的行业，比如电商、互联网服务、在线教育这些本来就数字化程度很高的行业。结果恰恰相反，跑得最快的反而是监管最严格的行业，比如医疗、保险、金融服务、法律。

大飞: 这乍一听这确实很反直觉。这些行业通常被认为是最保守的，合规流程复杂，决策链条长，新技术进来往往会遇到很大的阻力。但迈克·德雷施的解释非常有说服力。他说，这些行业之所以跑的快，恰恰是因为它们对于控制的要求极高。我们拿医疗行业来举例。在一次和患者的电话里，AI agent 在释放任何健康信息之前，必须先严格验证对方的身份，包括确认生日，核对保单编号，回答安全问题等等。每一个环节都要有严格的对话关卡（gate），不能有任何的疏漏。这种对流程和控制的极致需求，反而和 Voice AI 平台的能力高度契合。

大飞: 好的 Voice AI 平台，本来就是为精细控制对话的每一步，设置严格的评估（eval）机制而生的。它可以精确地规定AI在什么情况下可以说什么，在什么情况下必须验证身份，在什么情况下必须移交人工。每一步操作都有详细的日志记录，完全符合医疗行业的合规要求。这个发现对做产品的人来说有非常深的启示，我们总以为灵活是产品最大的卖点，但是在某些场景里，可控才是真正的价值主张。医院不需要一个随机应变、能和患者聊家常的AI，他们需要一个绝对按规矩来、不会泄露患者隐私、但是又能24小时不间断运转的AI。

大飞: 所以，能否在合规性上做到极致，反而是打开这些大市场的钥匙。而且那些门槛最高的行业，一旦你进去了，就不容易被赶出来，因为客户的切换成本极高。这是一种比技术壁垒更持久的产品黏性。

重写SaaS软件的经济学

大飞: 随后，德雷施贡献了整个访谈里我觉得最重要的一个观点：Voice AI 正在重写软件的经济学，因为它改变了整个 SaaS 行业的商业逻辑。SaaS 的逻辑是什么？是让人工作得更高效。你花3万美金一年买一套会计软件，本质上是在提升你公司会计的生产力。所以软件预算来自企业的IT部门，对标的是工具成本，是一个相对固定的小盘子。

大飞: 但是 Voice AI 不一样。当它真的能端到端完成一项工作的时候，整个逻辑就变了。它不是在让员工更高效，而是在直接替代人工。这时候，软件的预算就不再来自IT部门，而是来自人力成本、来自企业整体运营支出的大盘子。这个盘子，比IT部门的工具预算要大得多得多。

大飞: 德雷施举了一个非常具体的例子。一个传统的会计类 SaaS 工具，年合同额（ACV）大概是3万美金。但如果是 AI Agent 版本，真正能端到端完成整个会计工作流，包括从发票录入、凭证生成、银行对账，到税务申报、财务报表生成，全部由AI独立完成。那么它的年合同额可以达到15万美金。同样的客户，同样的问题，5倍的价格差距。这不是因为厂商漫天要价，而是因为预算的来源变了。你是在和企业原来雇那个会计师的工资竞争。一个初级会计师的年薪大概是6万美金，你收15万美金一年，相当于两个半会计师的工资。但是AI可以24小时工作，不用休息，不用交社保，不用请假，不会辞职，对企业来说反而更划算。

大飞: 当然，这里有一个非常重要的前提，那就是必须真的能做到端到端。如果你的产品只是帮人处理了工作流里的一个小环节，最后还是要靠人来收尾，那这个定价逻辑就不成立。这也是为什么德雷施反复强调，不要去做一个辅助性的语音 Agent，要么拥有整个工作流，要么就是在给别人做功能。

基础设施的真正护城河

大飞: 接下来的问题是，Voice AI 的护城河到底在哪里呢？很多人可能会说，延迟低、音质好、模型准确、音色自然，这些就是 Voice AI 的壁垒。但是德雷施的回答非常直接，不是。这些都不是壁垒，这些只是入场券。做到了这些不代表你有优势，但做不到你就直接出局了。他以 Vapi 为例，分析了 Voice AI 真正的护城河是什么。在他看来，Vapi 建立了两个真实的、难以复制的优势。

大飞: 第一个优势是开发者社区。Vapi 有大量的开发者自发涌入，用它的API搭建各种各样的语音AI应用。这些应用大部分是小项目，可能是一个个人开发者做的预约助手，也可能是一个小团队做的客服机器人。但其中一小部分人，最终会把在 Vapi 上验证过的东西带进自己的企业项目，变成 Vapi 的大客户。这个成长路径跟 Twilio、Auth0 当年的路径非常像。Twilio 就是靠开发者社区起来的，很多开发者用 Twilio 的API做自己的应用。当这些应用成长起来，Twilio 就自然获得了大量的企业客户。开发者飞轮一旦转起来，就是非常强的分发壁垒。

大飞: 德雷施说道，分发（distribution）比以往任何时候都更重要。因为现在达到功能对等（feature parity）太容易了，可能只需要几周时间。在大模型时代，技术的复制成本变得极低。你花了几个月做出来的功能，竞争对手可能几周就抄走了。但是开发者社区和分发渠道，是抄不走的。

大飞: 第二个优势是评估（eval）飞轮。每一次真实的对话都是宝贵的产品数据。Vapi 收集了大量的真实对话数据，不断测试和优化自己的模型和对话流程，建立出越来越强的自我改进机制。这种飞轮一旦建立，跑的次数越多，质量领先就越明显。基础设施层面的竞争对手可以追上你的技术，但是这个数据飞轮很难复制。

最大瓶颈是信任而非技术

大飞: 既然技术已经不是最大的问题，那现在 Voice AI 发展的最大瓶颈是什么呢？德雷施给出了一个非常微妙也非常准确的判断。现在的瓶颈不是能力，而是信任。很多人担心的问题是，AI够不够聪明？能不能处理复杂情况？会不会听不懂奇怪的口音？会不会说错话？但德雷施的观察是，这些技术问题其实在很大程度上已经解决了，或者正在以非常快的速度被解决。真正的瓶颈不是AI能不能做，而是企业敢不敢让AI做。

大飞: 他说道，我们正在进入一个 Agent 理解得比人们预期的更多的世界。但是要让它真正连接到核心系统、帮你转账、结案一个理赔、完成一笔预订或者修改一条关键记录，需要的是完全不同级别的信心。这种信心不是靠好看的演示就能建立的。你给客户看一个完美的演示，说我们的AI能处理99%的情况，客户可能会觉得很厉害。但他不会马上就把自己的核心业务交给你。信任的建立靠的是治理框架（governance）、**可观测性（observability）**和不断重复的验证。

大飞: 换句话说，买家不会因为感觉不错就放心，他们需要看到：这个 Agent 出了问题能不能被发现？能不能被追溯？能不能被回滚？德雷施说得非常直接，买家的**首席信息安全官（CISO）**在不在意这个事，跟你想不想没关系，他们就在你的产品路线图上，早晚要面对。任何涉及企业核心系统的AI应用，都必须经过 CISO 的严格审核。这是企业采购的必经环节。

人机移交：信任建立的关键时刻

大飞: 接下来要聊的，是行业里争议很大的一个话题：人机移交（handoff）。一直以来，行业里有一种隐含的假设，AI接了电话又移交给人工，说明AI不够好，是产品失败的标志。很多创业者都在追求100%的自动化率，觉得自动化率越高，产品就越成功。

大飞: 但是德雷施对这个逻辑提出了不同的看法。他说，大多数人打电话进来，本来就已经是在处理一个边缘情况（edge case）了。你打电话给银行，通常是因为网上银行办不了。你打电话给保险公司，通常是因为APP里找不到理赔入口。你打电话给客服，通常是因为你已经尝试了所有自助方式都解决不了问题。所以接进来的这通电话，本身就可能是一个复杂情况。这种情况下，AI能处理的就处理，处理不了的流转给人工，是完全合理的设计，不是失败。

大飞: 关键不在于AI能处理多少比例的通话，而在于移交的过程够不够顺畅。移交得好，信任就建立了。移交得不好，哪怕之前对话再顺，最后那一脚踢给人工的瞬间如果体验很差，用户对整个系统的印象就会彻底崩塌。所以德雷施说，人机移交的流畅程度，是信任建立还是被摧毁的关键时刻。

大飞: 现阶段，Voice AI 实现里还是会有5%到10%的通话需要升级给人工处理。德雷施的看法是，这不是问题。真正的问题是，当评估体系足够成熟的时候，当我们对 Agent 的行为有足够的把握，我们才会放心地把它连接到更多核心系统，给它更多权限去执行更复杂的任务。这是一个成熟曲线，不是一个非此即彼的选择。把移交设计成一个产品功能，而不是一个失败后的兜底方案，本身就是高水准的产品思维。

赛道现状：蓝海与红海

大飞: 聊了这么多，大家肯定很关心，现在 Voice AI 赛道里，哪些方向已经人满为患，哪些地方还是真正的蓝海呢？德雷施在访谈里给出了一个非常实用的行业地图，对很多做产品的人来说很有参考价值。首先是已经过度拥挤的方向，包括预约排程（scheduling）、催债（debt collection）、招聘（recruiting）。这些方向的逻辑很简单，高频、高量、对错误容忍度相对高，是最容易验证的场景。所以最先被大量创业者涌入。现在这几个方向，竞争已经非常激烈，没有明显的差异化很难杀出来。

大飞: 那还有机会的地方在哪里呢？迈克·德雷施提到了几个很有意思的方向。第一个是法律行业的案件受理（legal intake）。比如人身伤害类诉讼的初步案情收集。这是一个复杂度高、对话质量要求高、之前从来没人会想到用AI来做的场景。但是从成本和规模来看，这里的价值非常大。

大飞: 第二个是专家网络访谈。德雷施投资的 Qualitate 就在做这件事。他分享了一个非常具体的案例，一家企业在做并购（M&A）前的尽职调查，需要尽量多地做专家访谈，了解目标公司所在行业的情况。以前，一个分析师一个电话要花一个小时，还要记录、整理，非常耗人力。用 Qualitate 的方案，整个周末完成了200通专家访谈，周一早上所有的反馈都已经整理好了。而且这个场景里，语音的优势非常明显。语气、停顿、情绪，这些在邮件或者文字问卷里完全看不到，但是在语音里能被准确捕捉到。AI可以根据专家的语气和停顿，判断哪些信息是重要的，哪些是专家有所保留的，然后引导出下一个问题。这是一个文字交互根本替代不了语音的场景。

大飞: 第三个是多模态混合场景（mixed modality）。比如一边监控用户的屏幕操作轨迹，一边用语音实时指导。往右一点，点那个蓝色的按钮。或者告诉用户，你现在需要输入身份证号码。这种客服体验是完全不同维度的，比单纯的语音或者文字指导要高效得多。还有工业现场检测，工人一边说话、一边拍照，所有的语音数据和图像数据整合起来给AI判断，自动生成检测报告。这是把 Voice AI 真正带进物理世界的尝试，比如屋顶检修、建筑工地质检、设备维护这类场景，都有非常大的应用潜力。

给创业者的三个核心忠告

大飞: 最后，德雷施给正在做 Voice AI 的创业者们提出了几个非常核心的忠告。第一个忠告，也是最重要的一个，不要花时间去做一个只能完成工作流一部分、最后还是要移交给人工的语音 Agent。这种东西很容易做出来，演示很好看，对话很流畅，但本质上只是一个功能，不是一个真正的业务。真正值得花时间的，是找到一个你可以端到端拥有整个工作流的场景。从第一声铃响到最终动作完成，全部由AI负责。只有这样，你才有资格谈真正的规模效应，才有资格谈从IT预算跳到人力成本预算，才能建立真正的护城河。而且，这个工作流最好是经济价值很高的，否则做了一堆低价值的自动化，就算跑得再顺，天花板也很低。

大飞: 第二个忠告是关于定价的。现在不要强行做基于结果的定价（outcome-based pricing）。因为大多数场景里，结果是很难精确定义和验证的。现实中做得不错的公司，用的都还是平台费加使用量的组合，对买卖双方都更清晰、更可预期。等到某个场景的结果足够标准化、可验证了，再切换到结果定价也不迟。

大飞: 第三个忠告是关于融资的。什么样的公司值得在这个时代拿到A轮融资呢？德雷施说，产品够不够神奇已经不是问题了。现在几乎所有产品演示都很神奇。他们更看重的是两个东西。第一，这个团队有没有清晰的飞轮理论，他们打算怎么建立防御性。不一定从第一天就要有，但团队要能清晰表达这个路径。第二，速度。不是以前意义上的速度，而是现在这个时代定义的速度。从有产品到出现模仿者，可能就是几周的事。你必须跑得比以前快得多。

大飞: 好了，以上就是这期访谈的主要内容了。希望能让大家对对 Voice AI 这个赛道有一个更全面、更深刻的理解。感谢收看，我们下期再见。