图片来源：Duvo官网公开预览图，官方宣传素材，不作为第三方商业数据证据。
AI Agent最容易先赚钱的地方，可能不是干净的新系统，而是旧系统之间没人愿意碰的运营缝隙。
Duvo就是这样一个案例。它没有从“做一个通用AI员工”开始讲故事，而是把场景压得很窄：零售、FMCG和CPG团队每天在SAP、供应商门户、邮件、Excel、文件、网页工具和内部系统之间搬数据、查异常、等审批。Duvo官网把自己定义为一个面向这些团队的agentic operations platform，目标不是替换ERP，而是在现有系统上“映射真实流程、设计更好的流程，并让Agent运行被批准的工作”。
这件事之所以值得拆，不是因为它又用了Agent这个词，而是因为它把AI产品商业化中最难的一步讲清楚了：客户不为“智能”付钱，客户为一个可审计、可复用、能改变业务指标的工作结果付钱。
它卖的不是自动化，而是“真实流程”
很多AI自动化产品的问题，是一上来就让用户描述“你想自动化什么”。但在复杂企业里，真正的问题常常是：用户自己也说不清真实流程。
零售运营尤其如此。一个看似简单的采购订单，可能牵涉供应商确认、库存可得性、价格表、促销计划、到货差异、发票匹配和门店/仓库异常。每一步都可能不在一个系统里完成。ERP里有一部分，供应商门户里有一部分，Excel里有一部分，邮件和Slack里还有一部分。
Duvo的产品化切口，是先把“真实工作”变成资产。它的机器可读说明写得很直接：Duvo会从walkthroughs、interviews和既有文档中形成流程证据，保留任务、系统、角色、决策、交接、异常和workaround。换句话说，它先卖“流程被看见”，再卖“流程被执行”。
这和很多横向Agent工具不一样。横向工具的默认假设是：用户知道自己要做什么，只是缺一个AI帮手。Duvo的假设是：在零售运营这种脏场景里，用户真正缺的是一张能解释现实的流程地图。
为什么零售运营是一个好入口
零售是一个不性感但商业化很硬的入口。
第一，毛利薄，改进容易被老板看见。官网客户案例称，Pilulka在两周内把库存可得性提升15%；Rohlik Group通过修复入库发票差异，保护了210万欧元收入和140万欧元毛利。这些是Duvo官网客户案例口径，未经第三方审计，但它们说明了这个品类最重要的商业化逻辑：AI不是在写报告，而是在影响库存、毛利和现金损失。
第二，系统碎，痛点不容易被通用软件吃掉。Duvo官网明确说，它运行在零售团队已经使用的系统上，包括ERP、供应商门户、邮件、表格、文件、网页工具和内部系统。对客户来说，这意味着它不要求先完成一场两年的核心系统改造，才开始产生价值。
第三，异常多，反而给Agent留下空间。传统RPA适合稳定、重复、规则清晰的流程；零售运营里最值钱的部分，恰恰是“正常流程之外”的异常：价格不一致、到货数量不对、促销库存不够、供应商确认缺失、账实不符。Duvo官网的产品图也把“variants”和“exceptions”放在显眼位置，这不是装饰，而是品类判断。
真正的产品化在控制面
如果只是让大模型跨系统点按钮，客户不会放心。Duvo真正值得学的地方，是它把控制面做成产品的一部分。
官网说明里反复出现几个关键词：RBAC、SSO、audit trails、policy gates、human-in-the-loop review。也就是说，Duvo不是承诺“AI可以完全替代人”，而是把权限、审批、日志和例外处理放进默认工作流。敏感写入动作先给人审批，执行历史可以回看，角色权限继承组织边界。
这对AI创业者很重要。很多团队把人机协同看成自动化不够强的妥协，但在高价值B2B场景里，它其实是进入生产系统的门票。没有审批和审计，Agent只能停留在建议层；有了审批和审计，Agent才可能接触订单、发票、库存和价格。
Duvo还有一个细节值得注意：它公开了OpenAPI、MCP、webhooks、CLI和开发者资源，但官网也说明没有公共免注册sandbox，评估工作区、API凭证、MCP访问和生产试点需要通过技术Demo或批准的pilot开通。这是典型的企业化节奏：让技术买家看到可集成性，但不把高风险能力直接开放成玩具。
定价逻辑比模型逻辑更关键
Duvo最有启发的地方，是它没有把商业模式绑定到token。
它的定价说明列出三种商业模式：固定范围的流程发现、转型和SAP项目定价、生产自动化按完成工作单元收费。最后一种尤其关键：一个处理完的发票、一条完成的价格变更、一个解决的case，都可以成为计费单位。Duvo还明确说，token usage是它自己管理的成本，不是客户账单上的一行，也没有按席位收费。
这给AI产品创业者一个很现实的提醒：客户不想理解你的模型成本结构。客户想知道自己买到什么结果。
如果按token收费，客户会天然担心不可预测；如果按席位收费，客户会把你和SaaS工具比较；如果按完成的工作单元收费，客户就会开始比较“这件事原来要多少人、多少时间、多少错误成本”。对于垂直Agent产品，这往往是更好的商业化语言。
Index Ventures在融资文章中称，Duvo客户为六位数年度合同，并且随着部署扩张而增长。这是投资方口径，不等于独立审计，但它和Duvo的定价说明能拼出一个清楚路径：先拿一个流程证明价值，再扩到更多国家、团队和任务量。
和Mercor、Parloa相比，Duvo更适合今天写深
本轮还看了两个很强的候选。
Mercor是AI训练数据和专家网络里的高增长案例。The Verge报道，Mercor从高度自动化招聘起步，数月内达到100万美元年化收入，后来转向为模型实验室提供专家训练数据、rubric和评测环境；Mercor官网Enterprise页还披露了100k+承包者由AI端到端招聘、10B美元估值和2B+收入run rate等公司数据，均需按公司口径看待。它的商业化信号非常强，但也伴随数据劳工、隐私、客户集中和供应链风险，今天更像一篇“AI数据供应链”的大文章。
Parloa则是语音客服Agent里的成熟玩家。FT报道称它融资3.5亿美元、估值30亿美元，2025年ARR超过5000万美元；官网客户页列出BER机场、Decathlon、TUI、Swiss Life等案例。它的证据更成熟，但语音客服Agent已是相对拥挤的叙事。
Duvo更有今天的价值，是因为它代表另一条路：不抢“AI客服”“AI销售”“AI写代码”这些热门入口，而是钻进一个更碎、更老、更难讲清楚的运营现场。
给创业者的三个启发
第一，垂直Agent不要先卖“全能”，要先卖“某个脏流程终于能跑通”。
Duvo的入口不是“我能帮零售企业做一切”，而是供应商、采购、发票、库存、促销、主数据这些具体工作。越具体，越容易定义成功；越容易定义成功，越容易收费。
第二，流程证据本身就是产品。
很多企业AI项目失败，不是因为模型不够强，而是因为没人知道“好结果”长什么样。Duvo先把流程、异常、角色、审批、交接和系统边界结构化，等于先替Agent写好业务操作系统。
第三，把定价单位从AI能力改成业务结果。
按完成工作单元收费，背后是一种强判断：客户愿意为少一个异常、少一张错发票、少一次库存损失付钱，而不是为“更智能的对话”付钱。AI创业者真正要找的，不是模型最能展示魔法的地方，而是客户已经为低效付出现金成本的地方。
Duvo的启发可以总结成一句话：AI Agent先别急着当新系统，先学会在旧系统之间把脏活接住。能把脏活接住，才有机会把智能卖成收入。