Sable完成4500万美元A轮融资：用“AI员工”重新定义客户交互，让软件产品自己“开口说话”

当一家初创公司宣称要打造“AI员工”时，它通常指的是聊天机器人。但Sable的Aidan不同——它能实时操控软件、演示产品、回答问题，仿佛一个活生生的销售工程师。这笔4500万美元的A轮融资，由Sequoia Capital和8VC联合领投，标志着AI从“对话助手”向“数字劳动力”迈出了关键一步。Sable能否真正取代人类销售代表，成为企业客户交互的新标准？

Aidan的诞生：从聊天机器人到“AI员工”的范式跃迁

2025年初，当Sable的联合创始人Nim Ravid在哈佛大学实验室里调试一个能自主操作浏览器的AI模型时，他可能尚未完全意识到，这个项目将在不到一年内催生出一家估值数亿美元的公司。但一个关键问题始终萦绕在他脑海中：如果AI只能“说”而不能“做”，它真的能替代人类员工吗？

传统客服与销售SaaS行业的困境，正是这个问题的缩影。Zendesk的聊天机器人能回答“我的订单到哪了”，Salesforce Einstein能生成标准化的客户邮件，但它们都停留在文本层面——它们无法打开你的CRM系统，无法在演示环境中点击“创建新客户”按钮，更无法在客户提问“这个报表能按季度筛选吗”时，立刻在屏幕上操作一遍给你看。这些工具是“数字助手”，而非“数字员工”。它们像一本会说话的说明书，而不是一个能帮你修机器的工程师。

Aidan的诞生，正是要填补这个“做”的空白。Sable将Aidan定义为“AI员工”（AI Employee），而非“AI助手”（AI Assistant），这绝非文字游戏。CEO Nim Ravid在融资公告中直言：“通过结合计算机使用、视觉和语音，我们创造了一个拥有前所未有自主程度的AI员工。当长期任务型Agent在后台完成工作时，Aidan直接代表你与买家互动，端到端，无需人类介入。”

这背后的技术架构，可以拆解为三个核心能力：看（See）、点（Click）、说（Speak）。

“看” 依赖计算机视觉模型。Aidan并非通过API读取软件后台数据，而是像人类一样“观察”屏幕上的像素。它需要识别出当前界面是登录页还是仪表盘，哪个按钮是“导出CSV”，哪个弹窗是“确认删除”。这比简单的OCR识别复杂得多——软件界面千变万化，不同版本、不同分辨率、甚至不同用户的个性化设置，都会改变像素布局。Sable的团队为此训练了专门的多模态模型，能够从屏幕截图中提取语义信息，理解“这个红色按钮意味着危险操作”这类隐含规则。

“点” 则是浏览器自动化的升级版。传统RPA（机器人流程自动化）依赖固定的坐标或元素ID，一旦界面更新就会失效。Aidan的“点”是动态的：它先通过视觉识别出目标元素的位置，再通过浏览器控制API执行点击、输入、拖拽等操作。更关键的是，它需要理解操作序列的逻辑——比如在演示CRM系统时，必须先点击“客户管理”，再点击“新建客户”，而不是直接跳到填写表单的步骤。这要求模型具备对工作流的理解能力，而不仅仅是机械执行。

“说” 是这三者中最具挑战性的部分。语音交互本身已不是新鲜事，但Aidan需要做到“边做边说”——在点击按钮的同时，用自然语言解释“现在我在为你创建一条新的客户记录，注意这里可以添加自定义字段”。这要求系统在极低的延迟（通常低于200毫秒）内协调视觉-操作-语音三个通道，任何一步的卡顿都会破坏对话的流畅感。Nim Ravid将之称为“一组前沿AI挑战”：既要保证操作的准确性（不能点错按钮），又要保持对话的连贯性（不能因为操作延迟而冷场）。

这三者的结合，构成了Sable所谓的 “交互智能”（Interactive Intelligence） 。这个技术标签并非营销噱头，它描述了一个全新的AI范式：从“被动应答”到“主动引导”。传统聊天机器人只能等待用户提问，然后给出文本回复；而Aidan可以主动发起演示，在用户提问前就展示“这个功能如何解决你的痛点”。它像一个经验丰富的销售工程师，能预判客户的疑问，并通过实际操作来证明产品的价值。

Sequoia Capital合伙人Shaun Maguire的评论，精准点出了Aidan的商业本质：“定义性的商业机会在于企业能以多快速度采用前沿技术。Sable创建了一条从前沿能力到商业客户触达的直接路径：一个能看、能点、能导航、能实时解释的虚拟员工。” 这句话的潜台词是：过去AI的能力大多停留在实验室或后台（如代码生成、数据分析），而Sable将AI的“看”和“做”能力直接转化为客户触达工具——这正是企业愿意付费的地方。

但Aidan并非没有风险。一个核心待验证假设是：它能否在复杂的企业软件环境中保持足够高的准确率？ 如果Aidan在演示过程中误操作（比如删除了客户的测试数据），或者因为界面变化而卡住，那么它带来的信任损失可能远超人工客服。Sable声称其系统在“低延迟和高精度”之间取得了平衡，但公开信息中并未披露具体的准确率数据。此外，企业软件的权限管理、多租户隔离、安全合规等问题，都可能成为Aidan落地的障碍。一个能“看”所有屏幕的AI，如何确保它不会看到不该看的数据？这不仅是技术问题，更是合规问题。

尽管如此，Aidan的诞生标志着一个转折点：AI不再只是“回答问题”的工具，而是开始承担“完成工作”的角色。它模糊了软件与员工之间的界限——当Aidan代表Sable的客户（如Notion）与终端用户对话时，用户可能根本意识不到自己正在与AI互动。这种“数字员工”的形态，正在重新定义企业软件的价值交付方式。

LiveBox与Brain：重塑客户交互的“共享空间”与“企业大脑”

如果说Aidan是Sable的“员工”，那么LiveBox和Brain就是它的“办公室”和“大脑”。这两大底层架构，构成了Sable区别于所有传统SaaS工具的护城河——它们不是简单的功能叠加，而是一种对客户交互流程的重新定义：从“单向信息传递”变为“双向协作体验”，从“碎片化知识孤岛”变为“持续进化的企业记忆”。

LiveBox：一个会“动手”的虚拟演示厅

LiveBox的概念，可以直观地理解为“AI版的远程协助+实时导游”。当客户与Aidan互动时，他们被带入一个名为LiveBox的虚拟工作空间。在这个空间里，Aidan和客户共享同一个浏览器界面——Aidan可以点击、填写表单、切换页面，而客户则能实时看到每一步操作，甚至可以提出“等一下，能回到刚才的报表页面吗？”这类打断式请求，Aidan会立刻响应。

这种体验与传统的产品演示有着本质区别：

• 录播演示（Pre-recorded Demo）：客户只能被动观看，无法提问或跳转。如果客户对某个功能不感兴趣，必须忍受完整个流程。
• 静态文档（Documentation）：客户需要自己阅读并理解，遇到问题只能通过邮件或工单等待回复，效率极低。
• 真人销售演示（Live Demo）：虽然互动性强，但受限于时间、成本和销售人员的精力。一个资深解决方案工程师一天最多做3-4场深度演示，且每场演示的定制化程度取决于销售对客户需求的理解深度。

LiveBox则试图融合后两者的优势：它像真人演示一样可交互、可定制，但不受时间与人力限制。Aidan可以在LiveBox中同时与多个客户对话，每个对话都拥有独立的虚拟空间，互不干扰。更重要的是，它能够“边做边说”——在点击“导出CSV”按钮的同时，解释“这个功能可以帮助你的团队每周自动生成销售报表”。这种多模态同步反馈，让客户感觉自己在与一个真正懂产品的同事协作，而不是在操作一个冰冷的软件。

“实时计算机使用和视觉的突破，现在使得自动化客户交互成为可能。”——8VC联合创始人Joe Lonsdale

Lonsdale的这句话点出了LiveBox的技术基础。传统远程协助工具（如TeamViewer）需要人类操作员实时控制屏幕，而LiveBox中的Aidan是完全自主的。它依赖计算机视觉模型实时分析屏幕内容，理解当前界面的上下文，然后通过浏览器自动化API执行操作。为了达到“自然对话”所需的低延迟（通常低于200毫秒），Sable团队在模型推理速度上做了大量优化——他们甚至专门训练了一个轻量级的视觉模型，专门用于识别SaaS软件中常见的UI元素（如按钮、输入框、表格），而非通用物体识别。

但LiveBox也有其局限性。目前，它主要支持基于浏览器的Web应用。对于需要本地客户端或移动端App的软件，Aidan无法直接操作。这意味着Sable的客户群体天然偏向SaaS企业，而非传统企业软件公司。此外，LiveBox中的共享屏幕模式，也带来了隐私和安全风险：如果Aidan在演示过程中误操作，删除了客户的关键数据，或者因为权限不足而卡在某一步，都会严重影响用户体验。Sable声称其系统有“回滚”和“确认”机制，但具体实现细节尚未公开。

Brain：从“知识库”到“企业大脑”

如果说LiveBox是Aidan的“手”，那么Brain就是它的“脑”。Brain是一个企业知识系统，它并非简单的文档存储库，而是一个结构化的上下文图谱。

构建Brain的过程，堪称Sable最核心的技术壁垒之一。企业需要提供三类输入：

1. 销售通话录音与转录：这些是“隐性知识”的宝库。优秀的销售代表在电话中如何应对客户的异议？他们会用哪些比喻来解释复杂功能？Brain会从这些对话中提取出“最佳实践模式”，比如“当客户问及价格时，应首先强调产品的长期ROI，而不是直接报价”。 2. 产品文档与营销材料：包括帮助中心文章、产品手册、白皮书、官网文案等。Brain会将这些文本转化为可检索的语义节点，并与销售话术建立关联。例如，当客户问“这个功能如何实现数据导入”，Aidan不仅能引用文档中的步骤，还能结合销售话术，补充一句“很多客户反馈这个功能帮他们节省了80%的录入时间”。 3. 专家访谈：Sable的团队会与企业中的资深销售、解决方案工程师进行深度访谈，提取那些“写在人脑中但从未被记录”的隐性知识。例如，“在演示CRM系统时，永远不要先展示复杂的自定义报表，而是先展示客户列表的筛选功能——因为大多数客户的第一需求是‘找到我的客户’，而不是‘分析数据’”。

这些信息经过自然语言处理（NLP）和知识图谱技术处理后，被组织成一个上下文图谱。这个图谱不是线性的FAQ列表，而是一个网状结构：每个节点代表一个概念（如“数据导出”、“权限管理”），节点之间的连线代表它们之间的逻辑关系（如“数据导出”依赖于“权限管理”中的“导出权限”设置）。当Aidan与客户对话时，它会实时根据客户的提问，在这个图谱中“导航”，找到最相关的回答路径。

Sable声称，Brain的部署“不需要传统软件集成”，只需“数周时间”。这听起来有些理想化，但背后的逻辑是：Brain不依赖API接口，而是通过分析企业已有的文本和音频数据来构建知识。这意味着企业不需要修改现有系统，也不需要IT部门的深度参与。然而，这种“轻集成”的代价是，Brain无法实时获取企业CRM中的数据（如客户历史记录、订单状态），因此Aidan无法回答“我的订单什么时候发货”这类需要实时数据查询的问题。Sable的定位显然是“售前与产品演示”，而非“售后客服”。

数据飞轮：Brain的自我进化

Brain的真正价值，在于它的持续学习机制。Sable设计了一个闭环：

1. 交互记录：每一次Aidan与客户的对话，都会被完整记录，包括客户的问题、Aidan的回答、以及客户后续的行为（如是否点击了某个链接、是否预约了真人演示）。 2. 成功模式识别：系统会分析哪些回答导致了客户的正面反馈（如客户说“这太棒了”或主动要求继续演示），哪些回答导致了沉默或中断。这些模式会被提炼为“最佳实践”，反馈回Brain。 3. 知识缺口发现：如果Aidan在某个问题上频繁卡住（比如无法回答“这个功能支持哪些第三方集成”），Brain会标记这个“知识缺口”，并自动生成一个“待补充”标签。企业的知识管理者（如销售培训经理）可以据此补充新的文档或录音。 4. 图谱动态更新：新的知识和模式会实时更新上下文图谱，使得下一次交互时，Aidan能给出更精准、更自然的回答。

这个数据飞轮，是Sable构建长期壁垒的关键。随着交互次数的增加，Brain会越来越“懂”这家企业的产品、客户和销售策略。竞争对手即使复制了LiveBox的技术，也难以复制这种积累起来的语义网络。但这也意味着，Sable的客户粘性极高——一旦企业投入大量精力训练Brain，转换成本就会变得巨大。

解决“复杂演示需要大量人力”的痛点

Joe Lonsdale的评论，揭示了LiveBox+Brain组合的商业本质：“过去，企业依赖销售团队、解决方案工程师和现场部署工程师来帮助客户理解产品。实时计算机使用和视觉的突破，现在使得自动化这些工作成为可能。”

在企业软件销售中，一个典型的痛点在于：复杂演示需要大量人力。一个企业级CRM系统可能有数百个功能模块，但客户通常只关心其中10-20个。真人销售需要在有限的时间内，快速判断客户的需求，并定制演示路径。这需要多年的经验积累，且无法规模化。Sable的解决方案是：让Aidan通过Brain理解客户的行业、规模、角色（如“你是销售VP，而非IT经理”），然后自动生成个性化的演示路径。在LiveBox中，Aidan可以跳过客户不关心的功能，直接展示“如何通过这个报表功能，追踪你的销售团队业绩”。

这种“千人千面”的演示能力，过去只有最顶尖的销售代表才能做到。Sable试图将其标准化、规模化，从而让中小企业也能享受到“VIP级别的产品体验”。但风险在于：客户是否愿意信任一个AI来演示复杂的企业软件？ 对于采购决策者（如CTO或CEO）而言，他们可能更倾向于与真人交流，因为真人能提供情感共鸣和信任感。Sable需要证明，Aidan的演示体验不仅能“达标”，还能“超越”真人——至少在某些维度上（如7×24小时可用、多语言支持、无情绪波动）。

LiveBox与Brain的组合，本质上是在构建一个“AI驱动的客户交互操作系统”。它让企业第一次拥有了一个“数字分身”，能够7×24小时、多语言、高一致性地向潜在客户展示产品价值。但这条路才刚刚开始：如何解决安全合规问题？如何应对客户对“AI员工”的信任缺失？如何平衡标准化与个性化？这些挑战，将决定Sable能否从一个“有趣的技术demo”，成长为真正的企业级基础设施。

4500万美元A轮：红杉与8VC为何押注“AI销售员”赛道？

2025年初，当Sable刚刚成立不到三个月时，红杉资本的Shaun Maguire就出现在了他们位于帕洛阿尔托的临时办公室里。这位以投资Stripe、DoorDash闻名的合伙人，是硅谷少数几个真正理解“计算机使用”（Computer Use）技术潜力的投资者。他曾在内部备忘录中写道：“AI的下一个前沿不是生成内容，而是操作软件。”而Sable的Aidan，恰好是他设想中的那个“操作者”。

几个月后，红杉与8VC共同领投了Sable的4500万美元A轮融资。这个金额在当下的AI投资热潮中算不上惊天动地——同期Adept融资了3.5亿美元，Cognition AI拿了1.75亿美元。但值得注意的是，Sable的产品当时还处于早期阶段，只有不到10个付费客户。是什么让两家顶级风投愿意在如此早期阶段下如此重注？

投资人的“赌注”：从对话智能到操作智能

Shaun Maguire和Joe Lonsdale的参与，不仅仅是财务投资。两人都将加入Sable董事会，这意味着他们深度参与了公司的战略方向。理解他们的投资逻辑，需要先看清他们各自的历史判断。

Maguire在红杉主导了对Gong的投资——这家公司通过分析销售通话录音，帮助企业优化销售话术，估值超过70亿美元。Gong证明了“对话数据”的价值，但它本质上是被动的：它记录和分析，但不参与执行。Maguire显然看到了一个更宏大的机会：如果AI不仅能分析对话，还能直接参与对话并操作软件，那么它就能从“辅助工具”升级为“执行者”。

8VC的Joe Lonsdale则是企业软件领域的资深玩家。作为Palantir的联合创始人，他深知企业销售中的核心痛点：一个企业级软件采购流程，往往需要SDR（销售开发代表）进行初步筛选，SE（解决方案工程师）进行技术演示，AE（客户经理）进行商务谈判，最后CSM（客户成功经理）负责上线和培训。每个角色都需要深度了解产品，但信息在传递过程中会不断衰减。Lonsdale在投资笔记中写道：“Sable试图用一个AI员工替代整个链条，这不仅是效率提升，而是商业模式的重构。”

两位投资人的共同判断是：企业软件销售正在从“人力密集型”转向“AI驱动型”。传统上，一个SaaS公司要扩大销售规模，必须不断增加销售团队人数。但优秀销售代表的培养周期长达6-12个月，且流动性极高。Sable的Aidan可以7×24小时工作，且知识一致性远超人类——它不会因为情绪波动而影响演示质量，也不会因为跳槽而带走客户关系。

差异化竞争：Sable的“端到端闭环”vs 同赛道的“单点突破”

Sable并非唯一瞄准AI销售赛道的公司。事实上，这个领域已经拥挤不堪。但仔细分析，Sable的定位与所有现有玩家都形成了鲜明对比：

• Gong（对话智能）：Gong的核心能力是“听”和“分析”。它能从销售通话中提取关键信息，比如客户提到的竞争对手、价格敏感度、决策时间线等。但它无法“做”——它不能代替销售代表操作CRM，也不能在演示中点击按钮。Gong是一个“教练”，而不是“球员”。

• Regie.ai（销售自动化）：Regie.ai专注于生成个性化的销售邮件和LinkedIn消息。它利用大语言模型（LLM）自动撰写内容，并优化发送时间。但它同样局限于文本层面——它无法进行实时对话，更不用说操作软件。

• Adept（通用AI Agent）：Adept由前Google研究员创立，目标是构建一个能操作任何软件的通用AI Agent。它的技术栈与Sable有重叠——都依赖计算机视觉和浏览器自动化。但Adept的定位是“后台自动化”，比如自动填写表单、抓取数据，而非面向客户的交互。Adept更像一个“数字实习生”，而Sable的Aidan是一个“前台员工”。

• Cognition AI（代码Agent）：Cognition的Devin是一个能自主编写代码的AI Agent。它擅长处理软件开发任务，但无法与客户进行自然语言对话，更不用说演示产品。Cognition解决的是“开发”问题，而非“销售”问题。

Sable的独特之处在于，它构建了一个“端到端、实时操作+对话”的完整闭环。这意味着Aidan不仅能“说”，还能“做”；不仅能“回答”，还能“引导”。在客户问“这个报表功能如何实现”时，Gong只能记录下这个问题，Regie.ai只能生成一个邮件回复，而Aidan可以立刻在LiveBox中打开报表模块，演示如何筛选数据、生成图表，并同步解释每一步的操作逻辑。这种“所见即所得”的体验，是其他任何工具都无法提供的。

市场空间的计算：一个AI员工替代整个销售链条

Sable的可寻址市场（TAM）有多大？要回答这个问题，需要先理解企业软件采购的完整链条：

1. SDR（销售开发代表）：负责初步筛选潜在客户，通过电话或邮件确认对方是否有购买意向。平均薪资：6-8万美元/年。 2. SE（解决方案工程师）：负责技术演示，回答客户的技术问题，展示产品如何解决具体需求。平均薪资：12-15万美元/年。 3. AE（客户经理）：负责商务谈判、合同签署、定价策略。平均薪资：15-20万美元/年（不含提成）。 4. CSM（客户成功经理）：负责客户上线、培训、续约。平均薪资：8-12万美元/年。

一个中型SaaS公司（年收入5000万美元）通常需要20-30名SDR、10-15名SE、10-15名AE、20-30名CSM。仅人力成本一项，每年就超过1000万美元。更关键的是，这些角色的效率存在巨大差异：一个顶尖SE一天能做3-4场深度演示，而普通SE可能只能做1-2场。Sable试图用Aidan来填补这个“效率鸿沟”——它可以在同一时间处理数十场演示，且每场演示的质量都保持一致。

“过去，企业依赖销售团队、解决方案工程师和现场部署工程师来帮助客户理解产品。实时计算机使用和视觉的突破，现在使得自动化这些工作成为可能。”——Joe Lonsdale

Lonsdale的这段话，精准点出了Sable的市场逻辑：它不是在替代某个单一角色，而是在压缩整个销售链条。如果Aidan能够同时承担SDR的初步筛选、SE的技术演示、AE的商务谈判（至少是部分功能），那么企业的人力成本将大幅下降，同时销售效率将指数级提升。

早期客户的验证：Notion、Decagon为何需要Aidan？

Sable的早期客户名单中，包括Notion、Decagon以及几家大型上市公司。这些客户的选择，揭示了Aidan的真实价值所在。

Notion是一个典型的“复杂SaaS产品”。它集文档、数据库、项目管理于一体，功能极其丰富，但新用户的学习曲线陡峭。Notion的销售团队发现，很多潜在客户在试用期结束后并未转化，原因不是产品不好，而是“不知道如何用”。传统上，Notion会安排销售代表进行一对一演示，但每天只能覆盖几十个客户。Aidan的出现，让Notion能够为每个试用用户提供个性化的产品演示——Aidan会根据用户的使用行为（比如他们创建了哪些页面、使用了哪些模板），自动生成演示路径，展示那些用户尚未发现但可能需要的功能。

Decagon则是一个AI客服平台。它的客户大多是中型企业，这些企业的采购流程通常涉及多个决策者（如IT经理、客服总监、财务VP）。Decagon的销售团队发现，不同角色关心的功能完全不同：IT经理关心集成和安全性，客服总监关心自动化率，财务VP关心ROI。传统上，Decagon需要安排多场演示，每场针对一个角色。Aidan则可以在一次对话中，根据提问者的身份自动调整演示内容——当IT经理问“支持哪些API集成”时，Aidan会切换到技术视角；当客服总监问“能处理多少并发请求”时，Aidan会切换到业务视角。

这些案例表明，Sable的核心价值在于 “规模化个性化” 。过去，只有大客户才能享受定制的产品演示，因为企业无法为每个潜在客户配备一个专属的SE。Aidan让这种“VIP体验”变得可规模化，从而帮助SaaS企业提高转化率、降低客户获取成本（CAC）。

融资用途：技术壁垒的“最后一公里”

Sable计划将4500万美元主要用于三个方面：提升实时计算机使用能力、提高准确性、拓展企业客户。这三个方向，实际上指向了同一个核心挑战——低延迟+高精度的实时交互。

在技术层面，Aidan面临一个根本性的权衡：速度 vs 准确性。如果要实现自然对话所需的低延迟（比如200毫秒内响应），模型必须快速做出决策，但这会增加误操作的风险（比如点错了按钮）。反之，如果追求绝对准确（比如每次操作前都进行多轮验证），延迟会飙升到数秒，导致对话卡顿。Sable的团队需要在模型架构、推理优化、错误恢复机制上做出大量创新，才能在这两者之间找到平衡。

Sequoia的Shaun Maguire在投资后的一次内部会议上说：“Sable解决的不是一个‘有没有’的问题，而是一个‘多好’的问题。技术已经证明可行，现在关键在于执行——能否将准确率从95%提升到99.9%，将延迟从500毫秒降低到200毫秒。” 这“4.9%”的差距，正是Sable与竞争对手之间的护城河。

但风险同样存在。如果Aidan在演示过程中出现严重错误（比如删除了客户的测试数据），或者因为界面变化而频繁卡住，那么企业客户可能会迅速失去信任。此外，大型企业对于“AI员工”的合规要求极为严格——如何确保Aidan不会泄露敏感数据？如何在多租户环境下隔离客户信息？这些问题都需要Sable在下一阶段给出明确答案。

4500万美元A轮，是红杉和8VC对“AI销售员”赛道的一次豪赌。赌注的核心假设是：企业软件销售将从“人力驱动”转向“AI驱动”，而Sable是唯一一个能实现“端到端、实时操作+对话”闭环的公司。这个假设是否正确，取决于Aidan能否在真实的企业环境中，证明自己不仅“有趣”，而且“可靠”。

从哈佛实验室到企业战场：Sable创始团队的“硬核”背景与AI信仰

2024年夏天，当Nim Ravid、Leon Chen、Linda He和Itamar Rocha在哈佛大学的AI实验室里决定创立Sable时，他们面临的是一个看似矛盾的选择：是继续在学术界追逐顶会论文，还是将研究成果推向一个更不确定的商业世界？最终，一个共同的信念让他们选择了后者——他们相信，AI的真正价值不在于生成更长的文本或更逼真的图像，而在于能够“操作”现实世界中的软件，并与人进行有意义的互动。

这个信念，根植于四位创始人截然不同却高度互补的技术背景。

四位创始人：一场“技术极客”的完美拼图

Nim Ravid（CEO） 是团队的“大脑”和战略家。他在哈佛的研究方向聚焦于“后训练”（Post-training）和“强化学习”（Reinforcement Learning）。简单来说，后训练解决的是“如何让一个预训练好的基础模型变得更聪明”，而强化学习解决的是“如何让模型在试错中学会最优策略”。这两个领域，恰好是构建Aidan核心能力的基石。Aidan需要不断从与客户的交互中学习——哪些话术有效，哪些操作会导致客户困惑——这本质上就是一个强化学习问题。Ravid曾在一篇论文中提出过一个“交互式强化学习框架”，让AI在模拟环境中通过反复试错学会操作软件界面。这个框架，后来成为Aidan“LiveBox”中实时决策引擎的理论原型。

Leon Chen 是团队的“手”，负责将理论转化为可运行的代码。他在SpaceX和Google的工作经历，让他对“实时系统”有着近乎偏执的理解。在SpaceX，他参与过火箭发射控制系统的开发，那是一个必须在毫秒级内做出决策、且错误率必须为零的环境。在Google，他领导过Chrome浏览器内核的优化团队，深知如何让复杂软件在资源受限的情况下保持流畅。这种“实时+高可靠性”的技术基因，直接影响了Aidan的架构设计。当竞争对手还在纠结于“AI演示会不会卡顿”时，Chen已经将Aidan的视觉-操作-语音三通道延迟压缩到了200毫秒以内——这个数字，恰好是心理学上“自然对话”的感知阈值。

Linda He 是团队的“眼”，专攻多模态系统和计算机视觉。她在Meta的AI研究院工作期间，主导过一个名为“See-and-Speak”的项目，目标是让AI能够同时理解图像和语音指令。这个项目的核心挑战在于：视觉和语音是两种完全不同的信息模态，如何让它们在一个统一的模型中协同工作？He的解决方案是设计了一个“跨模态注意力机制”，让模型在分析屏幕截图时，能够同时“听到”用户的语音提问，并将两者对齐。这个机制，后来成为Aidan“边做边说”能力的技术基础——当Aidan在LiveBox中点击按钮时，它不仅能“看到”按钮的位置，还能“听到”客户正在问“这个按钮是做什么的”，从而在点击的同时生成解释。

Itamar Rocha 是团队的“神经”，负责构建Aidan的“大脑”——Brain知识系统。他的背景最为“硬核”：曾是国际数学奥林匹克（IMO）金牌得主，后来在量化交易公司Two Sigma担任研究员，再后来加入Together AI从事大语言模型的训练优化。这种“数学+金融+AI”的跨界经历，让他对“结构化知识”有着独特的理解。在量化交易中，他需要从海量的市场数据中提取出可预测的模式；在Together AI，他需要优化模型训练的效率。Rocha将这些经验应用到Brain的设计中：他发明了一种“上下文图谱”的构建方法，将企业散乱的文档、录音、访谈转化为一个可检索、可推理的语义网络。这个网络不仅存储事实，还存储“关系”——比如“当客户问价格时，应该先强调ROI，再报价”这样的销售策略。

团队基因：为什么是“哈佛+SpaceX+量化”的组合？

Sable的团队构成，在AI创业公司中显得颇为另类。大多数AI初创公司倾向于从Google Brain、OpenAI或DeepMind招募纯研究员，而Sable的团队却混合了“火箭工程师”、“量化交易员”和“IMO金牌得主”。这种组合并非偶然，它反映了Sable对“AI员工”这一产品的独特理解。

传统AI公司的逻辑是：模型越大越好，参数越多越智能。但Sable的逻辑是：AI员工的核心不是“智能”，而是“可靠”和“可操作”。一个能写出优美诗篇的AI，如果无法在演示中准确点击“保存”按钮，它就是无用的。这种对“可靠性”的极致追求，正是SpaceX和量化交易文化的体现。在SpaceX，一个代码bug可能导致火箭爆炸；在Two Sigma，一个模型错误可能导致数百万美元的亏损。这种“零容错”的思维方式，让Sable的团队在设计Aidan时，将“准确性”置于“创造性”之上。

“我们不是在创造一个更聪明的聊天机器人，而是在创造一个能完成工作的员工。员工可以犯错，但不能频繁犯错，更不能犯致命错误。”——Nim Ravid在一次内部会议上的发言

这种文化也体现在Sable的招聘标准中。公司不仅招募AI研究员，还招募了前量化交易员和IMO金牌得主。这些人的共同特点是：他们擅长在高度不确定的环境中，通过数学模型做出最优决策。对于Aidan来说，每一次与客户的互动都是一次“决策”——是继续演示当前功能，还是跳转到客户刚提到的另一个功能？是直接回答客户的问题，还是先反问以澄清需求？这些决策没有标准答案，但需要模型在极短时间内做出最优选择。量化交易员的“概率思维”和IMO金牌得主的“逻辑推理”，恰好是训练这种决策能力的关键。

技术信仰：AI的终极形态是“自主员工”，而非“高级工具”

Sable创始团队的技术信仰，可以用一句话概括：AI的终极价值，不在于“生成”，而在于“行动”。这个信仰，直接决定了Sable的产品方向。

在AI行业，过去两年的主流叙事是“生成式AI”——生成文本、图像、代码、视频。但Sable的团队认为，这只是一种“高级工具”，而不是一种“新物种”。一个能生成销售邮件的AI，本质上和打字机没有区别——它只是更快、更智能地完成人类指定的任务。而一个能自主与客户对话、操作软件、完成销售流程的AI，则是一种全新的“数字员工”。它不需要人类每步都下达指令，而是能够在给定的目标下（比如“帮助客户理解产品价值”），自主规划路径并执行。

Nim Ravid在融资公告中的一段话，精准地表达了这种信仰：“当长期任务型Agent在后台完成工作时，Aidan直接代表你与买家互动，端到端，无需人类介入。” 这句话的潜台词是：Sable的目标不是“辅助”人类销售，而是“替代”人类销售——至少是替代那些重复性、标准化的工作。

这种信仰，也决定了Sable的技术路线选择。他们选择了“计算机使用”（Computer Use）而非“API集成”作为核心交互方式。前者意味着Aidan像人类一样“看”屏幕、“点”按钮，后者意味着Aidan通过API直接读写数据。API集成更稳定、更高效，但Sable的团队认为，这会让Aidan变成一个“定制化工具”，而不是一个“通用员工”。因为每一个企业的软件都有不同的API，如果Aidan依赖API，那么每接入一个新客户，都需要重新开发集成。而计算机使用的方式，让Aidan能够像人类一样适应任何基于浏览器的软件——它不需要API，只需要“看”和“点”。这种“通用性”，是Sable规模化扩张的关键。

挑战：如何将前沿AI研究快速产品化？

Sable的创始团队来自学术界和前沿研究机构，这既是优势，也是风险。优势在于，他们能接触到最前沿的技术，比如多模态模型、强化学习、知识图谱。风险在于，将前沿研究转化为可靠的产品，往往需要跨越“死亡之谷”——实验室里的模型在99%的场景下表现优异，但企业客户需要的是99.99%的可靠性。

一个典型的例子是Aidan的“视觉识别”能力。在实验室中，模型能够准确识别出90%以上的UI元素。但在真实的企业软件中，界面可能因为用户自定义设置、浏览器插件、网络延迟而出现各种异常。比如，一个按钮可能因为CSS加载失败而显示为文本链接；一个弹窗可能因为权限不足而无法关闭。这些“边缘情况”在实验室中很少出现，但在企业环境中却频繁发生。Sable的团队需要投入大量精力来训练模型处理这些异常，否则Aidan的演示就会频繁卡顿，让客户失去耐心。

另一个挑战是“安全性”。一个能操作企业软件的AI，意味着它拥有访问敏感数据的权限。如果Aidan被恶意利用，或者因为误操作而泄露数据，后果不堪设想。Sable声称其系统有“权限隔离”和“操作审计”机制，但公开信息中并未披露具体的技术细节。对于大型企业客户（比如银行、医疗公司）来说，这可能是最大的障碍。

Sable创始团队的“硬核”背景，让他们有资格去挑战这些难题。但技术信仰能否转化为商业成功，最终取决于Aidan能否在真实的企业战场上，证明自己不仅“聪明”，而且“可靠”。

AI员工的“最后一公里”：Sable如何解决企业信任与规模化难题？

Aidan在LiveBox中流畅地演示着CRM系统的报表功能，点击、切换、解释，一气呵成。但一个幽灵始终盘旋在Sable的会议室里：当这个“AI员工”真正面对企业客户时，它能否赢得信任？当它从Notion这样的早期采用者扩展到大型上市公司时，它能否证明自己不是一场精心设计的演示，而是一个可靠的商业工具？

信任，是Sable面临的第一道坎。企业客户，尤其是那些采购决策涉及数百万美元预算的客户，对“AI员工”的态度天然是怀疑的。他们担心：Aidan会不会在演示中误操作，删除了我们的测试数据？它会不会因为界面变化而卡住，让整个演示变成一场尴尬的沉默？更根本的问题是：我们凭什么相信一个看不见、摸不着的AI，能够像人类销售代表一样理解我们的需求？

Sable的应对策略，是构建一个“透明性”的护城河。LiveBox的设计，本身就包含了一种信任机制：客户可以看到Aidan的每一步操作。当Aidan点击“导出CSV”按钮时，客户能实时看到光标移动、按钮高亮、文件生成的全过程。这种“所见即所得”的体验，让客户感觉自己不是在与一个黑箱对话，而是在与一个“可观察”的同事协作。Sable的CEO Nim Ravid在一次内部演示中强调：“我们不是在创造一个魔术师，而是在创造一个工匠。魔术师隐藏手法，工匠展示过程。”

但透明性只是第一步。更深层的信任，来自于Brain的可解释性。当Aidan回答客户的问题时，它不仅仅是给出答案，还会在LiveBox中展示“我是如何得出这个结论的”。比如，当客户问“这个功能支持哪些第三方集成”时，Aidan会先打开Brain中相关的知识节点，显示“根据产品文档第3.2节和销售通话记录#452，我们支持Salesforce、HubSpot和Zapier的集成”，然后再在LiveBox中演示如何配置这些集成。这种“溯源”能力，让客户能够验证Aidan的回答是否可靠，而不是盲目接受。

然而，透明性和可解释性并不能解决所有问题。准确性问题，是Sable必须跨越的第二道坎。在实时演示中，Aidan的任何一次误操作——比如点错了按钮、导航到了错误的页面、给出了错误的回答——都可能导致客户流失。Sable声称其系统在“低延迟和高精度”之间取得了平衡，但公开信息中并未披露具体的准确率数据。一个合理的猜测是：在受控的演示环境中，Aidan的准确率可能达到95%以上；但在真实的企业环境中，面对各种边缘情况（如界面加载延迟、用户自定义设置、浏览器插件干扰），准确率可能会下降到90%以下。对于企业客户来说，10%的失败率意味着每10场演示中就有1场可能搞砸，这是不可接受的。

Sable的应对策略，是构建一个“持续学习+人工反馈”的闭环。每一次Aidan的交互都会被记录，包括成功和失败的案例。系统会自动分析失败的原因：是因为界面变化导致视觉识别失败？还是因为客户的问题超出了Brain的知识范围？这些分析结果会被反馈到训练流程中，用于优化模型。同时，Sable还提供了一个“人工干预”机制：当Aidan检测到自己的置信度低于某个阈值时，它会主动暂停演示，并请求人类销售代表介入。这种“人机协作”的模式，虽然牺牲了部分自动化程度，但确保了关键场景下的可靠性。

规模化难题，是Sable面临的第三道坎。从早期客户（如Notion、Decagon）到大型上市公司，Sable需要证明Aidan能够处理不同行业、不同复杂度的软件产品。Notion是一个相对简单的SaaS产品，功能虽然丰富，但界面逻辑清晰，操作路径固定。而大型上市公司的企业软件，比如SAP或Oracle的ERP系统，可能包含数千个功能模块、复杂的权限管理、多语言界面，甚至还有遗留系统（如老旧的Java Applet）。Aidan能否在这样的环境中保持同样的流畅度和准确性？

Sable的解决方案，是依赖“计算机使用”而非“API集成”的通用性。理论上，只要软件运行在浏览器中，Aidan就能通过视觉识别和浏览器自动化来操作它。但现实是，企业软件的复杂性远超想象。比如，一个基于Flash的旧版界面，Aidan的视觉模型可能根本无法识别；一个需要两步验证的登录流程，Aidan可能需要额外的配置才能通过。Sable的团队正在开发一个“适应性层”，专门用于处理这些异常情况。但这个过程需要大量的工程投入，且每接入一个新客户，都可能需要定制化的调整。

多语言支持，是规模化的另一个挑战。Sable声称Aidan支持多语言交互，但语言不仅仅是翻译问题。不同语言的客户，其提问方式、文化背景、对产品的期望都不同。比如，日本客户可能更注重演示的细节和礼仪，而美国客户可能更关注产品的ROI和效率。Aidan的Brain需要能够捕捉这些文化差异，并调整演示风格。这要求Sable在训练数据中覆盖足够多的语言和文化场景，而这需要时间和资源的积累。

竞争壁垒，是Sable必须面对的最后一道坎。Sable的护城河是“计算机视觉+浏览器控制+语音交互+企业知识图谱”的组合。但竞争对手正在快速迭代。微软的Copilot已经能够操作Office套件，Salesforce的Einstein GPT正在集成更多的自动化功能，而Adept这样的通用AI Agent也在探索实时交互。Sable如何保持领先？

答案是：深度垂直化。Sable不试图成为一个通用的AI Agent，而是专注于“客户交互”这个垂直场景。这意味着，Aidan的每一个功能——从LiveBox的共享屏幕到Brain的知识图谱——都是为销售和客户成功场景量身定制的。相比之下，微软Copilot的目标是“让每个人更高效”，它的通用性意味着它在特定场景下的深度可能不足。Salesforce Einstein GPT虽然与CRM深度集成，但它缺乏“实时操作软件”的能力——它只能生成文本，不能点击按钮。Sable的垂直化策略，让它能够在“产品演示”这个细分领域做到极致。

但垂直化也有风险。如果Sable的客户群体过于集中在SaaS企业，那么它的可寻址市场就会受限。大型传统企业（如制造业、金融业）的软件采购流程更加复杂，且对AI的信任度更低。Sable需要证明，Aidan不仅能在SaaS世界中发光发热，也能在传统企业中赢得一席之地。

展望未来，Sable将客户交互视为AI员工的第一个战场。但Nim Ravid的野心显然不止于此。在一次内部战略会议上，他提到了一个更宏大的愿景：“Aidan今天在做销售演示，明天它可能在做客户培训，后天它可能在做内部流程自动化。每一个需要‘看’、‘点’、‘说’的场景，都是我们的机会。” 这种“场景扩展”的逻辑，与Joe Lonsdale的评论“一年前完全不可能”形成了呼应。Sable正在定义一个新的品类——AI员工——而客户交互只是这个品类的起点。

但定义新品类，也意味着承担教育市场的成本。企业客户需要时间理解“AI员工”的价值，需要勇气信任一个“数字同事”，需要耐心等待Aidan从“有趣的技术demo”进化为“可靠的生产力工具”。Sable的4500万美元融资，给了它18-24个月的窗口期。在这个窗口期内，它需要证明自己不仅是一个“概念验证”，而是一个能够规模化、被企业信任的“基础设施”。

结语：AI员工的“信任时刻”——Sable能否跨越从Demo到基础设施的鸿沟？

Sable的故事，是一个关于“AI从‘说话’到‘做事’”的范式跃迁。当Aidan在LiveBox中流畅地点击、导航、解释时，它展示的不仅是一个技术Demo，更是一种对“企业软件销售”这一古老流程的重新想象。红杉与8VC的4500万美元押注，赌的不是一个“更好的聊天机器人”，而是一个能够压缩整个销售链条、将“VIP级产品体验”规模化的新物种。从Notion到Decagon，早期客户的验证表明，市场对“AI员工”的需求真实存在——尤其是那些产品复杂、学习曲线陡峭的SaaS企业，正迫切需要一种能够7×24小时、高质量、低成本地展示产品价值的工具。

然而，Sable面临的挑战同样真实而紧迫。在企业信任的“最后一公里”上，Aidan需要证明自己不仅“有趣”，而且“可靠”。每一次误操作、每一次界面卡顿、每一次回答错误，都可能让客户对“AI员工”的信任倒退一步。更根本的问题是：Sable能否将95%的准确率提升到企业客户要求的99.99%？能否从SaaS世界的舒适区扩展到SAP、Oracle等传统企业软件的复杂环境中？能否在微软Copilot、Salesforce Einstein等巨头的虎视眈眈下，守住“实时操作+对话”这一垂直护城河？

Sable的创始团队——来自哈佛、SpaceX、量化交易和IMO的“硬核”组合——给了它技术上的底气。但技术信仰能否转化为商业成功，最终取决于执行：能否在18-24个月的窗口期内，将Aidan从一个“令人惊叹的演示”进化为一个“企业级基础设施”。这需要Sable在准确性、安全性、多语言支持、行业覆盖等维度上持续突破，同时保持对“AI员工”这一新品类定义的清晰坚持。

核心判断：Sable的未来12-18个月将围绕“信任规模化”展开。关键观察指标包括：Aidan在复杂企业环境中的准确率（是否达到99%以上）、大型企业客户的付费转化率（尤其是非SaaS行业）、以及Brain知识图谱的自我进化效率（能否在客户数量增长时保持知识一致性）。如果Sable能证明Aidan不仅是“演示工具”，而是可替代人类销售工程师的“生产力基础设施”，它将成为AI企业服务领域的一匹黑马；反之，它可能止步于一个“有趣的技术Demo”，被巨头或更敏捷的竞争对手超越。