Omilia完成6700万美元B轮融资：客服AI竞争进入ROI决胜期

2026年的客服AI战场正在上演一幕荒诞剧：一边是硅谷新贵们拿着最昂贵的大语言模型“重炮”轰击每一个客户问询，另一边是连锁餐厅的免下车通道里，一个顾客据称用语音AI系统成功下单了18000杯水。事件真假至今成谜——Omilia CEO Dimitris Vassos坚称公司日志中从未出现这笔订单，TechCrunch已向Taco Bell求证但未获回复——然而这个故事能在行业里疯传，恰恰折射出一个深层焦虑：当企业把客服自动化押注在生成式AI上时，他们是否正在为大量不需要大模型处理的简单问询支付高昂的token成本，同时还要承受系统被意外输入击穿的风险？

正是在这个ROI焦虑弥漫的时刻，一家成立超过20年、总部位于雅典的对话式AI公司Omilia，用一组“反共识”的数字闯入了聚光灯下：年经常性收入突破6000万美元，较2020年A轮时增长超过10倍，客户名单上排列着Capital One、Discover、加拿大皇家银行、Taco Bell、英国就业与养老金部等企业和机构，其披露的两大客户数据显示：一家美国Tier 1银行日均处理超100万通电话，一家跨国保险公司日均超60万通——支撑这个体量的，是一套刻意绕开前沿大语言模型的专有技术架构。8月6日，Omilia宣布完成6700万美元B轮融资，由跨大西洋软件与AI投资机构Expedition Growth Capital领投。这距离公司上一次外部融资——2020年Grafton Capital的2000万美元——已过去六年。

语音优先的专有栈

理解Omilia的产品策略，需要先退回到一个被许多AI公司刻意模糊的前提：客服场景的流量构成极度不均。Vassos的论断直白到近乎冒犯——“客户支持中很大一部分来电询问的是账户余额这类基础信息，部署大语言模型处理这些任务几乎是一种浪费。”这种表述将Omilia与其他以生成式AI为标签的竞品——他在TechCrunch采访中点名Sierra、Decagon——划出清晰界线。后者以“生成式AI公司”自居，产品形态上倾向于在第三方前沿大语言模型之上构建应用层。Omilia则从底层出发，自研专有agentic语音AI技术，全栈覆盖自动语音识别、自然语言理解、对话管理和语音合成。

这种架构选择的工程含义是明确的：当一家公司不调用外部模型API时，它就不需要为每一次对话支付token费用。Omilia据此设计了一套独特的商业模式——按使用计费，零token成本转嫁。这意味着客户不会因为某个顾客和语音助手聊了十分钟天气而收到意外账单。对受监管行业的大企业而言，成本可预测性往往比技术前沿性更重要，因为他们的呼叫中心预算必须提前锁定，任何模型升级导致的计费波动都可能触发内部合规审查。

支撑这套技术架构的部署规模数据在官方材料中有据可查：为一家美国Tier 1银行处理日均超100万通电话，为一家跨国保险公司处理日均超60万通电话，单客户并发语音交互量超过50,000路，全程维持亚秒级延迟。这组数字在联络中心行业有一个具体的参照系：一个典型的大型银行呼叫中心在高峰时段可能只有数千名人工座席同时在线，50,000路并发意味着Omilia单独承载的自动化规模已数倍于客户自有人力。

公司近期推出的自有生成式TTS模型Lexis也沿袭了同一技术哲学——自研而非集成。语音合成是客服AI的末梢体验环节，大多数竞品的做法是接入第三方合成引擎，但Omilia选择将这项能力内化至自有平台。这样做的好处是合成语音的音色、语速、情感表达可以针对银行或保险场景的术语和合规话术做精细校准，而无需受制于第三方的模型迭代节奏。代价则是需要持续投入研发资源维护一个并非核心对话能力的模型家族。

交易结构暗含的资本效率叙事

这轮6700万美元B轮融资的定价逻辑，放在2026年AI泡沫叙事里显得异类。而Omilia的ARR已超6000万美元——若按常规SaaS估值倍数，单看数字体量应对应更高的融资额和更豪华的投资方阵容。但这轮只有一家领投方Expedition Growth Capital，且公司在A轮至B轮的六年间未引入任何新股权资本。

这种克制是刻意的。Vassos在采访中主动袒露了立场：“我们不在乎现在在LinkedIn上不像ElevenLabs和Sierra那么性感。我们在乎的是稳定增长，为未来三年打造一家十亿美元收入公司。”这段话的信息量超过其字面态度：一家CEO公开将“十亿美元收入”而非“独角兽估值”设为坐标系的AI公司，为投资人释放的信号既包括成本纪律，也暗示公司在B轮阶段对估值可能设置了上限，避免因过高估值在未来融资轮次中承受增长倒挂压力。

从Expedition Growth Capital创始合伙人Oliver Thomas的表述中可以读出投资方的判断逻辑。他将Omilia的竞争壁垒归结为一个短语：“玻璃盒可审计性与成本可预测性”。所谓“玻璃盒”，指区别于“黑箱”大模型的可解释架构——在银行和保险等监管行业，当AI做出一个拒绝贷款申请或延迟理赔的决策建议时，企业需要向监管机构和客户解释决策路径，而一个基于专有规则与自学习模型混合的系统比通用大语言模型更容易实现逐步骤溯源。Thomas进而指出这种能力“从结构上让其他供应商难以竞争”——“结构上”这个限定词指向的是技术栈的底层差异，而非营销或销售层面的短期优势。

“所有可用武器”：工具理性高于模型崇拜

Omilia对生成式AI的态度并非拒绝，而是工具化。Vassos用了一个军事隐喻来解释：“我们会使用一切可用武器来打赢客服这场战役。Sierra和Decagon这样的公司定位为生成式AI公司，他们的唯一目标就是部署生成式AI，从而限制了自己。你可能有火箭筒，但如果敌人离你很近，你就需要一把刀。这就是联络中心的现实，你需要多种工具。”

这句话需要被放置到具体的客服场景中还原：一个银行客户来电查询最近三笔交易的金额和商户名，这是一个确定性极高、答案范围极窄的查询。用生成式AI处理这样的请求不仅增加延迟和成本，还可能因为模型产生幻觉而返回错误商户信息，触发争议交易调查流程。而一个信用卡被盗刷后焦虑致电的客户，则需要系统识别情绪、即时整合卡号、近期交易地点、异常模式等多个数据源，并生成自然语言安抚话术——这恰恰是生成式AI可以发挥的领域。所谓“多种工具”，指的正是在同一平台上根据查询类型动态路由至不同模型——从确定性决策树到专有小模型再到生成式模型——而非用同一套大语言模型处理所有呼叫。

这种工具理性的外部证据存在于行业分析师的判断中。在Forrester近期发布的《Forrester Wave™对话式AI客户服务平台Q2 2026》报告中，Omilia被评为领导者，Forrester给出的定性描述是：“高度受监管或安全优先型组织寻找高可扩展性语音优先平台的理想选择”。分析师的用词是“语音优先”而非“生成式AI优先”——在厂商争相将“生成式”写入slogan的2026年，这个定位选择同时是市场策略和技术基因的投影。

快餐厅免下车通道：真实世界的验证场

在Omilia所有客户中，Taco Bell是最能揭示产品真实负载能力的案例。这家百胜餐饮集团旗下连锁品牌已在全美38个州超过1000家门店的免下车通道部署了Omilia语音AI，用于自动接单。Vassos称，目前公司正在与美国另外两家快餐连锁进行部署洽谈。快餐场景的技术要求与银行呼叫中心截然不同：环境噪音大、顾客口音多样、菜单结构随时变动、下单中途修改菜品频繁发生，而且交易失败意味着营业额直接损失而非客服满意度下降。能否在这种嘈杂、非结构化环境中保持准确率，是对语音AI最接近真实世界的压力测试。

必须指出的是，Taco Bell案例中也存在信息不对称地带。去年关于“18000杯水订单”的报道至今没有明确结论。Vassos对TechCrunch声称此事从未发生，Omilia日志中未找到对应记录。TechCrunch已就此向Taco Bell求证，截至发稿未获回应。编辑视角下，该事件的真实性尚无法独立核实，但其成为行业谈资本身即表明：当企业将营收直接绑定到自动化系统时，可审计性不仅是一个合规卖点，更是一种危机应对能力。一个拥有完整调用记录和决策路径日志的系统，在面临类似争议时至少能够自证清白，而依赖第三方大语言模型且缺乏内部日志的系统则难以复盘。

商业化的下一步：从远程交付到本土驻场

资金用途中藏着一个远比“全球扩张”更具体的战略信号：Omilia将在2026年下半年开设首个美国办公室。一家成立超过20年、美国市场贡献了收入大头且客户包括多家美国头部银行和保险公司的企业，此前竟然没有美国实体办公室，长期以希腊为研发和交付基地进行远程管理。这种运营模式在ARR不足3000万美元时可能是利润率的加分项，但在ARR突破6000万美元、客户名单持续扩大的阶段，缺乏本地化团队会暴露出两个问题：一是北美高度合规行业的客户在采购评审阶段对没有本土实体的供应商存在天然疑虑，二是大型企业级部署的定制化交付和持续运维需要本地驻场工程师与客户IT部门的实时协作。

本轮融资后Omilia在商业化团队的大幅增员进一步印证了这一判断。公司在新闻稿中列出四位高管任命：首席营收官Nick Delis、首席市场官Ryan Kam、拉美和伊比利亚执行副总裁Armando Trivellato、以及营收运营副总裁Dave Ogden。四人共同的一个履历特征是在Five9任职期间参与过将ARR从1亿美元规模推升至超过10亿美元的全过程。这个选人标准透露的信息是：Omilia正在为下一个量级的增长配备经历过相应阶段的操盘手，而非继续用创业期团队驱动规模化。公司目前员工约500人，预计年底达到600人，新增岗位将集中在销售、市场和客户成功方向，而非研发。

竞争格局的定价权之争

将Omilia与Sierra、Decagon放在同一图表比较，会发现三家公司在回答同一个问题：客服AI到底是在卖技术还是卖结果？Sierra的路径是构建通用AI agent平台，强调跨行业适应性；Decagon的路径接近AI原生客服助手，强调入职速度和界面友好度。Omilia的路径则是以语音优先的专有栈承载大规模、高合规性部署，强调可控性和确定性。三者的估值逻辑和人效指标可能存在很大差异，但由于除Omilia外两家公司均未公开ARR数据，无法进行直接财务比较。

但有一组对比维度是可以基于公开信息完成的：token成本风险敞口。依赖第三方前沿大语言模型的公司，其边际成本结构耦合于模型提供商的定价策略。如果底层模型因算力紧缺或版本更新而提价，这些公司的毛利率将被动收窄，除非他们能够将成本转嫁给客户——但在客服这样一个预算刚性、降本被列为第一KPI的采购类别中，转嫁空间的弹性有限。而Omilia的零token成本转嫁模式本质上是一种成本结构隔离：边际服务成本取决于自建基础设施的摊销和带宽费用，而非外部模型的使用量。在ARR高速增长期，这种差异会被营收增长所覆盖；一旦进入存量竞争或价格战阶段，成本结构差异就会转化为定价权差异。

待验证的假设

尽管增长数据有力，Omilia仍需面对一系列在其叙事中被淡化的问题。首先是客户集中度风险：官方披露的六家代表性客户中若有一到两家贡献了大部分ARR，一旦流失将对营收造成显著冲击。关于这一点，公司未披露前十大客户收入占比，投资人Oliver Thomas也未在公开评论中提及。其次是技术团队维持能力：以希腊为主要研发基地的约500人团队，能否在AI人才被美国科技巨头以数倍薪酬挖角的压力下持续迭代自研模型，而不致陷入关键人员流失—产品迭代速度下降—客户满意度下滑的连锁反应。第三是自研模型的技术代差风险：尽管Omilia强调专有模型在处理高确定性查询时效率更高，但如果前沿大语言模型在特定复杂场景中的表现持续超越自研方案，企业客户可能要求在现有平台中集成第三方模型，从而侵蚀Omilia赖以建立差异化叙事的专有架构纯粹性。

值得进一步观察的指标包括：美国办公室设立后的客户获取速度是否显著提升，高管团队到位后的销售效率数据，以及Taco Bell项目从1000家门店扩展至全美更大规模网络时的运维成本变动。这些将是检验Omilia能否将6000万美元ARR推向下一个里程碑的关键观测点。

RecodeX 极客视：当客服AI赛道陷入模型参数竞赛时，Omilia用一套20年打磨的专有栈和零token转嫁的定价模式，提供了一种反周期的扩张样本。这家公司不是在卖AI能力本身，而是在卖呼叫中心的成本确定性和监管合规性——两个不那么性感但受监管行业愿意持续付费的东西。本轮融资的核心赌注在于：随着越来越多企业在AI部署中遭遇意外成本超支和合规事故，ROI可计算、决策可追溯的方案将从一种差异化定位变成一种准入门槛。如果这个判断成立，Omilia长达六年的零融资间隔与其说是保守，不如说是一种等待市场认知赶上产品能力的耐心博弈。