2026年初，一家初创公司的AI智能体在短短几个月内创造了近千万美元的年化收入，但它的月推理账单也随之飙升至120万美元，几乎将所有利润吞噬殆尽。这不是孤例。Gartner预测，到2027年底，超过40%的智能体AI项目将因成本失控而被取消。市场正在目睹一场尴尬的错位：构建智能体的能力从未如此强大，但让它们在真实商业环境中持续、经济、可控地运行，仍然是一个被严重低估的工程挑战。当成本成为智能体从demo走向生产的第一道断头台，一场围绕“执行层”的资本押注已经拉开帷幕。
2026年8月5日，旧金山初创公司Sapiom宣布完成3500万美元A轮融资。这家成立仅11个月的公司，距离其1500万美元种子轮仅过去约6个月，总融资额迅速攀升至5000万美元，估值未披露。本轮由Dragonfly领投，Accel、Gradient、Coinbase Ventures、Operator Collective、Formus Capital和VanEck Ventures等新投资者加入，Okta Ventures、Menlo Ventures、Anthropic和Array Ventures等现有投资者继续跟进。Dragonfly管理合伙人Haseeb Qureshi将加入Sapiom董事会。
在一个基础设施投资通常被认为门槛极高、周期极长的领域，这种融资速度传递了一个清晰信号：当智能体经济从“能不能做”转向“做不做得起”，资本正在押注那些能够定义新标准的人。
| 字段 | 内容 |
|---|---|
| 公司 | Sapiom |
| 轮次 | A轮 |
| 金额 | 3500万美元 |
| 投资方 | Dragonfly（领投），Accel、Gradient、Coinbase Ventures、Operator Collective、Formus Capital、VanEck Ventures（新进），Okta Ventures、Menlo Ventures、Anthropic、Array Ventures（跟投） |
| 总部 | 旧金山 |
| 创始人 | Ilan Zerbib（CEO） |
| 官网 | https://www.sapiom.ai |
每次API调用都是预算决策，而非模型选择
Sapiom的核心主张直指一个结构性痛点：当前大多数AI智能体在生产环境中仍沿用开发阶段确定的固定模型和基础设施配置——通常是最贵、最新的那一款。当任务需求已经改变，当更便宜的模型完全可以胜任，当延迟和可用性动态变化时，这些智能体依然被锁定在“昨天的决定”中，像一个没有预算意识、没有管理者的雇员。
Sapiom的做法是在执行点插入一个实时决策引擎。对于智能体的每一个操作，该引擎会在可用的模型、计算资源、工具和服务之间动态选择最佳路径，决策依据包括任务要求、成本、质量、延迟、可靠性以及公司策略。预算和权限在执行前即被强制执行，每一笔操作都被计量并记录在完整的审计跟踪中。
这与传统的API网关或模型路由工具有着本质区别。传统方案通常在请求层面做分发，关注的是流量管理和可用性；Sapiom则深入到智能体行为的颗粒度——一个智能体可能执行数十步操作，每一步都可能调用不同的模型或服务，Sapiom在每一步做决策。这意味着公司将“成本治理”从CFO的仪表盘下沉到了智能体行动的每一个瞬间。
除了决策引擎，Sapiom同步推出了三个产品组件：Router负责将每个模型调用匹配到最合适的模型，而非默认使用最昂贵的选项；Agent Studio为工程团队提供一个可与现有代码库上下文联动的本地开发环境，用于构建、测试、检查和部署智能体；Runtime则是一个托管式生产基础设施，提供访问控制、路由、故障恢复、步骤级可见性和规模化运营所必需的控制能力。
公司披露，平台自上线6个月以来已处理超过2.7亿笔交易，每日支持的智能体运行次数超过10万次。一家客户在将其智能体迁移至Sapiom后，推理成本降低了75%。但公司未披露这家客户的名称、所在行业、迁移前后的具体调用量或模型类型，使这一标杆案例的可复制性仍有待验证。
一家支付工程背景的创始人，把智能体当成交易对手
Sapiom的创始人和CEO Ilan Zerbib在Shopify担任支付工程总监五年。这一履历几乎解释了一切：Sapiom对智能体的处理方式——预算分配、权限控制、每笔操作计量、完整审计——与其说是在管理模型调用，不如说是在构建一个面向机器的金融交易系统。Crunchbase的公司简介也写道：“Sapiom为AI智能体提供对API经济的可信访问，包括KYA、钱包、支出和使用控制以及多通道支付。”
Zerbib对当前困境的描述是：“团队可以在几天内构建出令人印象深刻的智能体demo，但将其经济、可靠、可控地投入生产仍然极其困难。每个团队都被迫在智能体能够真正执行工作之前重建相同的基础设施。Sapiom的存在就是为了消除这些障碍。我们从成本入手，因为这是经济逻辑最先崩溃的地方，但我们的野心要大得多：消除建造者与下一万亿个智能体之间的一切障碍。”
这种叙事将Sapiom定位为一个“智能体经济的AWS”——不是在算力层面竞争，而是在算力与模型的选择、治理和经济性层面做一层抽象。它的底层逻辑是：随着智能体数量从数千膨胀到数十亿，它们将不再是被动工具，而是主动进行API调用的经济参与者，它们需要的不是更好的模型，而是更好的交易基础设施。
这个逻辑的吸引力在于它抓住了工程团队的另一个真需求——不只是降低成本，而是建立对成本的理解和控制。正如Dragonfly的Haseeb Qureshi所说的：“智能体正在变成没有管理者、没有预算的员工，而CTO越来越像CFO，分配着真金白银却看不到它们流向了哪里。这不是一个可以用另一个仪表盘来解决的治理问题——这是一个必须在智能体行动和资金流动的节点上解决的基础设施问题。”
投资人的逻辑：不是更好，而是更必要
本轮融资的投资人组合值得审视。领投方Dragonfly以加密和Web3投资著称，其对Sapiom的兴趣显然超出了单纯的AI赛道布局。Qureshi将智能体成本问题定义为“基础设施问题”而非“治理问题”，这暗示了Dragonfly可能在Sapiom身上看到了去中心化基础设施与智能体经济融合的可能——当智能体需要自主进行经济决策和支付时，链上原生的身份、权限和结算机制可能比传统支付轨道更具优势。
但Sapiom官方新闻稿中并未提及区块链或Web3技术栈，其当前产品描述也专注于模型路由和托管基础设施。Crunchbase页面上关于“KYA、钱包、多通道支付”的描述与新闻稿定位存在微妙张力，这可能意味着公司在种子轮和A轮之间进行了产品方向的调整，从更激进的“智能体经济支付基础设施”收窄至更务实的“执行成本优化平台”。编辑推断，这种调整可能是为了更快地契合企业市场的落地需求——企业客户更关心的是降低现有智能体的运营成本，而不是为尚未到来的“智能体自主商业化”做准备。
Accel的持续参与构成了另一个信号。这家在基础设施领域拥有深厚投资履历的基金从种子轮跟到A轮，其合伙人曾在一份分析中将API调用定义为“本质上的支付交易”。Anthropic作为战略投资者的出现更值得关注：这家领先模型公司投资了一个可能降低其自身API收入（通过将调用路由到更便宜的模型）的平台。一种解释是，Anthropic意识到当前按token计费的模型定价模式正在阻碍智能体的大规模部署，而行业需要的是一个更大规模的总市场，而非更高的客单价。
没有竞品分析的市场，往往还未成型
值得注意的是，Sapiom在公开材料中未提及任何明确的竞争对手。这不意味着它没有竞争者，而是意味着市场尚未形成共识性的竞争维度。
从功能拆解来看，Sapiom与多个赛道的公司存在交集。在模型路由层面，开源方案如RouteLLM和商业产品如Martian、OpenRouter都在做“为每个请求选择合适模型”的工作，但它们通常不深入到智能体的多步执行逻辑和权限控制。在可观测性和治理层面，LangSmith、Arize等平台提供智能体执行的跟踪和评估，但它们不主动做路由决策或预算控制。在支付和API访问管理层面，Apigee、Kong等传统API网关在某些场景下也可以作为智能体API调用的中间层，但它们没有针对智能体动态决策做优化。
Sapiom试图将这三个层面的功能——动态路由、执行治理、成本控制——整合到一个执行层中。这种定位面临的挑战是多重的：每个功能层面都有深耕多年的公司，Sapiom需要在每个方向上证明其整合方案至少不比单点方案差，同时还要证明整合本身带来了不可替代的价值。
另一个参考视角来自Sapiom早期的种子轮定位。多家媒体报道称，该公司最初作为“AI智能体的金融基础设施”亮相，解决的是“智能体自主购买第三方服务”的问题。这一叙事与当前“执行成本优化”的表述相比更具想象力，但也更遥远。从“支付基础设施”到“路由和运行平台”的偏移表明，公司可能在实际部署中发现客户最紧迫的痛点并非“让智能体会花钱”，而是“让智能体少花钱”。
资金去向：一个在基础设施上积累数据飞轮的小团队
Sapiom明确表示本轮资金将用于扩大服务规模，招聘工程、机器学习、GTM和开发者关系人才，重点发展路由策略、推理系统和后训练。一个值得关注的细节是，公司披露自己运营着自有推理容量，每天观察数千万次真实智能体执行，声称能够将“硬核研究问题转化为生产工程问题”。
这种“自营运力+决策引擎”的模式意味着Sapiom在收集真实世界中智能体执行的数据——哪些模型在哪些任务上表现更好，哪些服务的性价比最高，哪些路由决策最终带来了可观测的业务结果。如果这一数据飞轮能够持续运转，Sapiom的决策质量将随规模提升而提升，构成一条不易被复制的护城河。
但公司未披露团队规模、关键成员背景、推理容量的具体规格和位置。对于一个在11个月内融资5000万美元的初创公司，这种信息缺失在早期阶段尚属正常，但随着A轮的完成，客户和合作伙伴对基础设施稳定性和人员连续性的期望将显著提高。
被搁置的问题：锁定效应、模型定价权和多智能体博弈
Sapiom的价值主张建立在几个关键假设之上，这些假设的演变方向将决定公司的天花板。
首先是模型市场的价格分散度。Sapiom的实时路由价值与市场上可用模型的性价比差异成正比——差异越大，路由决策的潜在节约越多。如果未来模型市场趋同，或者头部模型与廉价模型之间的价格质量比趋于一致，Sapiom的套利空间将收窄。反过来说，如果模型市场保持高度碎片化，新模型不断涌现、价格波动频繁，Sapiom作为中间层的价值将变得更大。
其次是与模型提供商的关系。Sapiom将调用路由到不同模型的行为，本质上在促使模型提供商在价格和性能上竞争。对于像Anthropic这样的投资方来说，这是一种复杂的博弈：它同时是Sapiom的股东和被优化的对象。如果模型提供商开始对Sapiom实施歧视性定价或限制访问，或者在API使用条款中禁止未授权的再路由，Sapiom的业务将面临法律和商业风险。
第三是降本与降能力的模糊边界。将推理成本降低75%是一个引人注目的数字，但问题在于：切换到更便宜的模型后，智能体的任务完成质量是否下降？延迟是否增加？Sapiom声称在决策中考虑了质量、延迟和可靠性，但最终证明需要客户将Sapiom的路由结果与默认使用最强大模型的结果进行系统对比。在一个智能体错误可能引发客户流失或合规风险的场景中，“足够好”可能不够好。
最后，Sapiom目前仅公开了一个具名客户案例（且未具名），这增加了评估其产品通用性的难度。不同行业的智能体对延迟、可靠性和准确性的要求差异巨大——自动客服对话可以容忍较高的延迟和偶尔的错误，金融交易执行则不能。Sapiom的实时决策引擎在这些差异化的严苛场景中表现如何，仍是未经验证的假设。
智能体的工业化拐点，与尚未发生的标准化
Sapiom代表了一个正在加速的趋势：AI智能体正在从手工作坊式的单件建造，走向工业化生产和运营。当智能体数量从数以千计扩展到数以百万计，开发者需要的将不再只是更强大的模型，而是一整套关于如何经济、安全、可控地大规模运营智能体的基础设施标准。
这个市场目前仍处在定义前夜。还没有哪家公司能够声称已经建立了智能体执行层的行业标准，Sapiom的定价模式、技术架构和客户规模同样有待进一步验证。但Gartner关于40%项目将因成本被取消的预测，以及Sapiom早期客户75%的成本削减数据，共同描绘了一个清晰的窗口：当智能体的经济性成为比能力更紧迫的瓶颈时，解决这一瓶颈的公司将有机会定义整个类别。
Zerbib的“下一万亿个智能体”叙事听起来宏大，但投入其中所需的每一美元成本、每一次模型路由决策、每一步执行审计，都是真实的、可计量的工程问题。这正是Sapiom试图占据的领地——不是智能体本身，而是智能体行动时脚下的那层基础设施。它能走多远，取决于它能否将正在被快速重写的智能体经济学，变成一套自己制定的游戏规则。
RecodeX 极客视：如果把智能体经济的爆发比作淘金热，Sapiom想卖的不是铲子，而是一整套矿场运营系统——你挖不挖得到金我不知道，但你采掘的每一铲子成本、安全性和效率，都由我的系统决定。这套叙事在AWS时代已经被证明是成立的，但智能体经济的矿脉还远没有探明。Sapiom面临的真正考验不是技术上的路由优化——这是一个有确定解的问题——而是市场是否愿意在模型提供商和智能体开发者之间再塞进一个“执行税”征收者。历史表明，这种中间层的命运最终取决于它能否持续证明：没有它，系统的总成本更高。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。