本期嘉宾毛华，ccMonet.ai创始人，前腾讯应用宝创始人。2016 年起在腾讯内部做语音助手"腾讯小微"，载体覆盖 QQ 音乐、哈曼卡顿和 Bose 音响、Sony 耳机、HP 打印机等，后在腾讯云负责标准化产品。2019 年离开腾讯。 2023 年 3 月，ChatGPT 发布 4 个月后，他带着原腾讯小微的杭州团队做了 toC 的 AI 私人助理 PlatoX，覆盖时间管理、个人财务和知识管理。因为 Token 成本太高，2024 年 4 月停掉 PlatoX，把其中的财务模块拿出来转做 toB，于 2024 年 5 月 7 日写下 ccMonet 的第一行代码。ccMonet 面向新加坡及东南亚的小微企业，拍照、邮件转发、上传就能完成记账，目标是给每个小企业配一个 AI CFO。 Highlights： * 2023 年做 PlatoX 时，发一条消息的成本是 0.2 美金，解决一个问题要七八条到二十条消息。毛华一个人一个月测掉了 1000 多美金的 Token。他知道 Token 一定会降，但"扛不到降的时间" * ccMonet 是倒着做的：终点是给每个小企业配一个 AI CFO，但 CFO 的前提是完整、准确的财务数据，所以先从最底层的记账做起 * 早期刻意不配财务人员，因为产品要给非财务人员用：牙科诊所的前台、送货的小哥，拍个照就把账记完了 * 和金蝶、用友、SAP、QuickBooks、Xero 的本质区别是使用人群不同。传统财务软件是专业财务人员在用，ccMonet 的用户从没学过财务，也不需要学 * 不只是 OCR：识别之后还要理解和校验。一张手写的临时工工资报销单，拍照后系统直接发现总额多算了 40 多块钱，传统会计事务所只会登记右下角那个数字 * 泰国一家管理十几间公司的 CFO，只用了 ccMonet 的一个拍照功能，就重组了 20 人的财务团队，三个月整理完账目，通过安永审计，拿到了融资 * 功能很容易被抄，壁垒在数据沉淀和"温度"。AI 能做到 80%、90%，剩下的由一线数据团队和持牌会计师来检查、签字、负责 Timeline： 00:00 开场：ChatGPT 出来三年，第一批下场做应用的创业者现在怎么样了 01:22 PlatoX 的起点：延续在腾讯做语音助手"腾讯小微"的思路 02:40 腾讯小微的载体：QQ 音乐、哈曼卡顿、Bose、Sony 耳机、HP 打印机，但当时 AI 能力有限 03:23 2019 年离开腾讯，2022 年 11 月 ChatGPT 发布，决定把以前没做好的事重新做一遍 04:21 PlatoX 的三个模块：时间管理（截图或说句话就能记事提醒）、个人财务（拍发票记账）、知识管理 06:03 坚持一年后停掉：2023 年 3 月做到 2024 年 4 月，Token 实在太贵 06:38 2023 年 7 月在美国的测试：拍一张路边餐厅的照片，就能知道是什么店、招牌菜、人均消费，还能翻译日文菜单 07:51 公司要活下去，把 PlatoX 的财务模块拿出来转做 toB。一家日本保险公司也对消费数据感兴趣 09:07 PlatoX 当时不到 5000 个用户，0.2 美金一条消息，算下来每个用户一个月要几百块 10:27 当时大模型不能直接解决问题，团队自己搭了类似 Skill 的平台，接 web search 等能力 10:56 洛杉矶点菜的故事：5 个人、100 美金以下、两个不辣的菜，AI 第一次只点了 3 个菜 14:30 一次点菜来回接近 10 轮对话，毛华一个月一个人消耗了 1000 多美金 Token 15:16 "我知道 Token 一定会降，但是我扛不到降的时间" 15:55 ccMonet 的第一行代码：2024 年 5 月 7 日，把杭州团队拉到马来西亚新山租了栋房子，封闭开发一个月 16:40 一开始的定位就是 CFO：帮企业做财务决策、预测和融资准备 17:06 实现 CFO 的前提是数据完整、准确，所以要先解决 accounting 17:56 用银行账单、收入票据、支出票据交叉验证完整性：有转账没票说明票丢了，有票没转账说明钱没收或没付 19:17 用了大约 15 个月，把 accounting 做得相对完整 19:33 早期刻意不配财务人员，产品经理和工程师都没有财务背景 20:19 产品给谁用：牙科诊所前台、送货小哥，拍个照或截个屏就记完账 21:32 到了出报告的阶段，配了专业会计师团队来 review AI 的结果并签字背书 22:17 有了数据之后的 CFO 能力：采购价格变化、burn rate、应收应付、现金还能烧多久、催收提醒 24:19 "我们是倒着来的"：先有目标，再解决前提条件 25:38 为什么只做小微企业：中大型企业要对接现有系统、合规流程长、需要定制 27:06 腾讯云的经验：赚钱的是标准产品，定制团队难管理、成本高，所以不做定制 28:27 没有财务背景的团队怎么做财务产品：自己买会计书研究，早期重点在数据准确和完整 30:14 第一个外部推动者：一位泰国的跨国公司 CFO，只用了"拍票据变结构化数据"这一个功能 32:13 Ellen 提问：ERP、CRM 是表格录入，ccMonet 用拍照做入口，和传统企业软件有什么区别 33:53 最大的区别是用户群体：金蝶、用友、SAP、Oracle、QuickBooks、Xero 都是专业财务人员在用 35:37 拍照只是保底方式，邮件、PDF、WhatsApp、微信转发都可以 37:58 固定资产的例子：传统软件要手动设置折旧方式，ccMonet 看到一张 2000 美金的电脑发票就自动按 60 个月折旧 40:22 Ellen 的推论：判断 AI 产品能否持续成长，看它是否让以前用不了的人也能用 42:30 不只是 OCR：多语言、手写、打印混合的票据，识别之后还要理解和校验，财务数据不能有幻觉 44:05 手写报销单的故事：一张临时工工资单，系统发现总额多算了 40 多块钱 46:16 采购价格追踪：今天这批鸡蛋比上次贵了两分钱，系统会提醒餐厅经理和老板 47:41 泰国客户的故事：20 人财务团队重组，能力一般的人负责拍照，5 个能力强的人负责 review 49:59 三个月整理完十几间公司的账，通过安永审计，拿到融资 51:37 实时生成报告的难点：要懂 AI，要有 know-how，还要了解每个国家的财务准则 52:36 财务团队从 2025 年八九月开始组建，最初是为了校验 AI 生成的报告 53:12 从 0 到 1 之后的多条路径：收购会计师事务所、搭服务团队、做更深的 AI CFO 能力 55:33 现实制约：小企业财务都是外包的，切换要等财年节点，还有人情和老事务所不配合的成本 57:38 新加坡的秘书服务和财务服务常常绑在一起，新公司第一年往往用 Excel 就够了 59:38 toB 财务的特殊责任：结果必须正确，还要审计留痕，谁在什么时间改了什么都要记录 01:00:53 AI 时代抄产品很容易，ccMonet 的壁垒是什么 01:01:29 壁垒一：数据沉淀带来的切换成本 01:02:02 壁垒二："温度"，也就是真人服务带来的情绪价值 01:03:01 两层服务团队：一线数据检查团队 + 持牌会计师签字 01:03:57 "AI 还不能 100% 解决问题"：AI 从 80% 提升到 90%，最后 10% 还是要靠人 01:04:20 结尾：三年里变了什么，没变什么。谁来用、终点在哪、谁对结果负责，这些不会因为模型升级而失效 ——— 感谢嘉宾：毛华，ccMonet .AI创始人 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

本期对话：Allen 史大侠，产品与出海战略顾问，台湾出身，活跃于美国、日本、台湾和新加坡。物理学背景，跨越制造业、科技、出行、AI 内容、游戏（曾在 Roblox）、元宇宙、演唱会投资等多个行业。目前专注辅导 pre-A 轮及早期 AI 团队的产品策略和全球化路径，辅导的团队几乎每一季都有进入 YC。这是他第二次做客离线时间。 Highlights： * 新加坡不应该被当做一个市场来做，而应该定位成美国在亚洲的基地——你的优势是在亚洲有 solid 的 business，然后去挑战美国市场，反过来做大部分都会挂掉 * 中国团队出海做内容生成类产品（视频、音频）相对容易，因为 culture fit 门槛低，用户一看就知道好不好。但做办公协作类 agent 极难——你团队都不用 Slack，你怎么做海外版 teamwork 产品 * 冷启动的关键不是 growth hack，是找到供需不匹配的切入点。一个团队本来想做保险 workflow，去了趟纽约之后发现一个百亿美金的 niche——税务申报纠错的保险 * 很多创业者看到供给侧的机会就冲进去，但不理解需求侧。做餐饮 AI 的不应该越做越细到票券管理，应该透过票券切入更大的市场——餐饮库存管理、支付、物流 * 现在最大的运营挑战是 revenue growth 远大于团队能力的 growth——不是招更多人，而是如何在不招人的情况下实现 10 倍运营增长 * YC 现在申请要看你的 ChatGPT 使用记录、GitHub 提交、Codex 产出——你真的有没有在用 AI 做事，装也装不来了 * Go-to-market 最大的变化：决策过程中间环节越来越多由 AI 模型完成，你的数字资产必须能被 AI 找到和调取，否则就接不上 Timeline： 00:00 开场：Ellen 介绍本期嘉宾 Allen 史大侠，新加坡线下重聚 00:43 这次来新加坡的感受：TOKEN 2049 + F1 期间热度比半年前高，美国团队开始认真看亚洲 01:28 海外团队一直懒得进亚洲，top priority 还是美国。但亚洲需要本地 partner，不只是 BD，还要 SI 和 FDE 团队 02:04 Anthropic 和 OpenAI 今年还要在亚洲收购几间团队做 FDE 02:29 新加坡的 value proposition：不要当做市场来做，要定位成美国在亚洲的基地 03:54 华人团队的正确路径：在亚洲有 solid business，再去挑战美国市场。反过来做很容易挂掉 04:20 中国团队出海：做内容生成类（视频、音频）相对容易，culture fit 门槛低，全球体感一致 05:43 滴滴来台湾的故事：台北捷运 + 摩托车太方便，打车需求天然弱——culture fit 是无法跨越的门槛 07:09 办公协作类 agent 出海极难：你团队用飞书和腾讯会议，海外用 Slack 和 Teams，使用习惯完全不一样 09:04 出海团队最容易遇到的两个问题：culture fit 不了解 + 增长渠道方式不一样 09:30 Manus 为什么成功：很快看到 Chrome plugin 这个渠道，Monica 时代就抓到了流量 10:55 增长心态的问题：不是用话术和流量反推市场，而是真的去了解美国用户需要什么 11:21 实例：一个保险方向的团队，去了纽约跟真实银行聊完，最终切入税务申报纠错——百亿美金市场 13:51 YC 和 A16Z 也有反思：元宇宙那几届投的不好，现在看真实市场需求和 momentum，不追热点 14:48 Ellen 总结：第一性原理——产品要 base 在市场需求上 15:21 方法论：快速从供给和需求端找到不匹配的机会点 16:29 保姆行业例子：表面是供给侧问题（保姆水平），实际是需求侧问题（家庭能不能把 task 讲明白） 18:09 需求变成功能 vs 需求变成产品——产品要有人用 20:23 AI SEO/GEO 的真实挑战：不是工具好不好，是老板到底有没有精力和投入产出比去做这件事 22:41 2026 年的新变化：revenue growth 远大于团队能力的 growth，5-10 个 case 灌进来接不住 24:25 核心命题：如何在不招人的情况下实现 10 倍运营增长 25:22 Founder 如何自己找到商业本质：产品经理需要商业经验，至少连续扛过一两年业绩 26:02 实操建议：只做一两个产品，让 sales 更好卖，go-to-market strategy 变得极度 focus 28:30 AI 财务出海的建议：不要沿着票券越做越细，应该切入更大的市场——餐饮库存管理、支付、物流 31:27 跨行业迁移能力：好奇心 + 举一反三。好奇心不是有兴趣，是想知道背后的原理 33:00 找 co-founder 的标准：你跟他讲一个方法论，他是反驳、接受、还是能举一反三 34:18 Ego 和 open-mindedness 的 balance：grounded confidence vs 能接受新信息 34:53 怎么找到对的人聊：让朋友引荐行业里真正懂的人，学思考框架而不是答案 36:08 Web3 朋友的故事：100 万→1 亿人民币，问"交易所会不会停电"——其实在教你思考期望值和风险的关系 37:28 为什么做顾问而不是 founder：在 Roblox 发现不够喜欢游戏，最喜欢的是帮别人看到新方向 38:33 这个时代的 founder 太辛苦：三个月一小变，六个月一大变。Claude Opus 5.5 出来后很多 AI motion 团队直接挂了 39:16 Go-to-market 最大变化：数字资产越来越重要，AI 模型在帮用户做决策，你必须能被 AI 找到 41:55 YC 新的筛选标准：要看 ChatGPT 使用记录、GitHub 提交、Codex 产出、social media 持续曝光——装不来 43:09 这个时代越来越"真"了，你怎么把真实的一面留下来 45:14 新加坡的两个角色：欧美团队快速理解亚洲的综合型人才基地 + Fintech / Loyalty / IP 团队有独特机会 47:53 大公司出海建议（以 WorkBuddy 为例）：成立独立 BU，不要在原有产品上改，要从美国市场需求出发 49:34 区分风口和增长：元宇宙是风口，真实需求是随身 camera 和实时翻译——所以出来了 Ray-Ban 眼镜 50:12 结尾：感谢史大侠的分享 ——— 感谢嘉宾：Allen 史大侠，产品与出海战略顾问 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

Mia（Xiaohui Liu），Nora AI 创始人兼 CEO，妈妈，坐标新加坡。此前在淡马锡担任 AI 产品经理，也做过 AI startup 的 due diligence。2025年 11 月开始做 Nora，2026 年 3 月新加坡上线，5 月台湾上线。 Nora 不是育儿问答 chatbot，而是一个基于临床心理学框架的 AI 育儿教练。核心用法：家长录下 5 分钟亲子互动，AI 分析对话模式，生成个性化 coaching 报告——哪些话说得好，哪些互动模式可以微调。产品基于 一套亲子互动治疗的临床框架，目前约 2000+ 付费用户，全部走付费模式，未做过大规模推广。 Highlights： * Nora 不是"你问我答"的育儿 chatbot——家长不缺知识，缺的是在压力下把知识用出来的能力。录 5 分钟亲子互动，AI 分析你的对话模式，告诉你哪些做得好、哪些可以调整 * 曾经试过做聊天功能，结果 90% 的用户不用，重度用户也只愿意付不到 1 美元/月——验证了 chatbot 路线走不通，果断砍掉 * Coaching 报告的核心价值不是"教你怎么做"，而是"让你被看见"——5 分钟里 AI 问了你 30 个问题，你自己都不知道的互动习惯被呈现出来 * 一个忙碌的爸爸用了一周，女儿第一次主动抱了他；一个每天吼孩子的爸爸两周打破了吼叫循环——行为改变发生在几天到几周内 * 走临床路线有三个原因：临床背书建立信任、如果对 ADHD 等临床人群有效那对所有家庭都有效、医疗器械路径意味着保险和雇主可以买单 * 技术是混合路线：语音转文字用现成模型，说话人分离和语气分析是自研小模型，文本按临床框架分类是自研专利模型，报告生成用现成 LLM + context engineering * 所有育儿培训都是西方的——TripleP 是澳大利亚的，正面管教也是——Mia 和钟教授要做的是有亚洲特色的、基于亚洲专家经验的育儿体系 Timeline： 00:00 开场：本期嘉宾 Mia 和 Nora AI 00:17 Mia 自我介绍：Nora AI 联合创始人兼 CEO，产品是 AI 育儿教练 01:10 产品怎么用：家长录 5 分钟亲子互动，AI 分析对话模式，生成 coaching 报告 01:48 创业起点：自己是妈妈，育儿中遇到很多痛点 02:37 关键认知：99% 的儿童行为问题根源在亲子互动模式，不在孩子身上 03:36 临床上有一套"黄金治疗法则"，干预后变化非常明显 04:09 背景：此前在 淡马锡做 AI 产品经理，也做 AI startup due diligence 05:01 联合创始人：认识 10 多年的朋友，AI PhD，也是妈妈 05:05 时间线：2025 年 11 月启动，2026 年 3 月新加坡上线，5 月台湾地区上线 05:44 台湾教授加入担任临床顾问 + 股东，20 多年临床经验 06:14 AI 治理律师朋友帮忙处理数据合规 07:13 V1 版本反馈太直接，和心理医生、沟通教练一起调整了表达方式 07:56 目前约 2000+ 付费用户 08:08 两类用户群体：20% 临床转介（已有诊断），80% 健康发展（日常育儿提升） 09:54 为什么不做 chatbot：家长不缺知识，缺的是在压力下使用知识的能力 11:51 Chatbot 的竞争壁垒问题——ChatGPT 和 Gemini 随时可以做 12:59 聊天功能实验：90% 用户不用，重度用户也只愿付不到 $1/月，果断砍掉 17:01 Coaching 报告的设计：基于临床标准，不是随意的 AI 生成 19:41 核心价值：呈现你不知道的互动习惯（5 分钟里 AI 问了 30 个问题） 21:44 Ellen 的洞察：这个产品的核心价值是"被看见" 23:19 用户故事：忙碌的爸爸用了一周，女儿第一次主动抱他 25:05 "Special Playtime"：每天 5 分钟专注陪伴的概念 26:04 另一个故事：每天吼孩子的爸爸，两周打破吼叫循环 26:56 轻度 ADHD 孩子的妈妈，原本半信半疑，14 天后行为明显改善 30:23 为什么是 5 分钟：临床验证的最短有效时长 33:26 临床背景：亲子行为训练，40+ 年的循证框架 34:27 美国看一个儿童心理医生大概要排队一年 35:09 钟教授把西方框架适配了亚洲家庭 36:29 走临床路线的三个原因：临床背书建立信任、对临床人群有效则对所有人有效、医疗器械路径（保险/雇主买单） 40:32 AI 的边界：三个转介检查点（入门筛查、录音分析、家长自我转介） 44:25 Coaching 报告四大模块：session 记忆 + 高光时刻、危机时刻、主要教练内容、儿童发展特质 50:52 Mia 自己每天都用，也作为模型质量检查 52:09 磁力片故事：标准的共情方法对敏感型孩子反而无效，需要个性化策略 55:59 儿子学会了自我安抚 57:40 技术栈：混合路线——语音转文字（现成模型）+ 说话人分离和语气分析（自研）+ 临床框架分类（自研专利模型）+ 报告生成（现成 LLM + context engineering） 1:00:08 为什么选亚洲：投资人建议去美国，但 Mia 认为亚洲的 impact gap 更大、家长付费意愿更高 1:04:08 Triple P 和所有主流育儿培训都是西方的——为什么亚洲不能有自己的育儿体系 1:05:52 产品上线效果好，基本没做推广，都是口碑和心理医生转介 1:06:14 PMF 验证：临床用户群已验证（高粘性、高理解度），消费者群体还在迭代 1:07:42 台湾临床验证实验：对比传统两年心理医生 vs 6 个月心理医生 + Nora APP 1:08:54 Mia 坚持消费者路线的原因：让所有家长接触到这个理念——让孩子觉得被看到、被尊重、有能力 ——— 感谢嘉宾：Mia（Xiaohui Liu），Nora AI 联合创始人兼 CEO 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com HighlightsTimeline

贾子健，InspireAI 创始人兼 CEO，连续创业者，创业 6 年。本科学 AI，先后在网易做出中国第一个在线选座购票产品（早于猫眼），在 360 半年内从零做到 DAU 过亿的浏览器和 2 亿+收入，后负责 360 海外产品（1 亿+ DAU）。2018–2020 年在学而思做出第一个 AI 课程和拍照搜题产品，2020 年第一次创业做 K12 教育。 大模型时代转向 AI 语言学习，2024 年初推出 Talkme（AI 口语练习），随后推出 ListenLeap（用播客/YouTube 学语言，小红书语言学习品类 #1），最新产品 Stances.ai 从播客内容中提取一手信源，服务高决策成本人群。三款产品全球用户覆盖多语言市场，团队以清北 + 斯坦福/哈佛等顶尖学生为核心。 Highlights： * Talkme 的定位不是和 Duolingo 竞争——Duolingo 做的是从零开始的习惯养成，Talkme 做的是"学以致用"，服务有基础但不敢开口的人 * 大模型语音聊天像一个万能的美国朋友，但不是老师。Talkme 有课程体系、进阶路径，全球积累了近 1 亿条用户语音录音，这是护城河 * ListenLeap 源于一个洞察：语言学习 = 输入 + 输出，听力的场景比口语多得多。YouTube 上有 30 亿语言学习者，小红书上线后增长翻了 10 倍+ * Stances.ai 的核心是"一手信源"——不生成答案，而是告诉你哪个人类专家在哪期播客里说了什么，观点是共识还是分歧，随时间如何演变 * 技术路线和大模型根本不同：Stances 是检索式的，不是生成式的。没有就是没有，不会强生成。自研模型，基于 ListenLeap 一年多的播客数据标注 * 声音是被低估的信息媒介——比文字信息量更丰富，比视频少很多噪音。这是 InspireAI 三款产品共同的底层信念 * AI 创业最大的变化是速度和认知迭代——以前以周为单位，现在以小时为单位。Vibe coding 一个周末能做出八九不离十的产品，但从 0 到 1 万个付费用户才是真正难的事 Timeline： 00:00 开场：Ellen 介绍本期嘉宾贾子健和 InspireAI 的三款产品 00:25 子健自我介绍：InspireAI CEO，Talkme + ListenLeap + 新产品 Stances.ai 01:00 产品时间线：Talkme 2024 年初上线，做 AI 口语练习 02:04 个人背景：本科学 AI，网易做在线选座购票（早于猫眼），360 浏览器半年 DAU 破亿，360 海外产品 1 亿+ DAU，学而思做 AI 课程和拍照搜题 03:54 为什么做 AI 口语练习：一个简单 demo 在 B 站和海外导航站意外爆火，验证了 PMF 05:10 多语言扩展策略：AI 天然支持多语言，用国家 × 语言的矩阵打法做全球市场 06:34 Talkme vs Duolingo：Duolingo 做零基础习惯养成，Talkme 做"学以致用" 07:42 Talkme vs 大模型语音聊天：大模型是万能朋友但不是老师，Talkme 有课程体系和进阶路径，积累近 1 亿条语音录音 10:01 市场扩展：台湾仍是最大市场，日本 ROI 好，大陆增长快，ListenLeap 增长翻 10 倍+ 11:21 为什么做第二款产品 ListenLeap：语言学习 = 输入 + 输出，听力场景更多，YouTube 有 30 亿语言学习者 12:53 团队变小但收入在涨——效率提升 14:44 Stances.ai 的诞生：从 ListenLeap 的一个功能独立出来，核心卖点是"一手信源" 15:33 Stances 怎么用：问一个问题，展示哪个专家在哪期播客说了什么，观点共识与分歧，时间线演变，相关概念 16:51 实例：搜 DeepSeek，看到 a16z、YC、Nvidia AI Podcast 等不同来源的专家观点 18:32 技术路线：检索式而非生成式，自研模型（数十亿参数），基于 ListenLeap 一年多的播客数据标注 20:05 产品形态：简报式呈现，每个论点链接到播客原始时间戳，支持 PDF 导出、分享链接、接入 Codex / Claude / Word 22:15 声音处理是核心能力："声音比文字信息量更丰富，比视频少很多噪音" 23:54 编辑立场：了解用户画像但客观呈现多元观点，不替用户做判断，不过度总结 25:14 Stances vs Perplexity：Perplexity 基于网页的 AI 搜索引擎，Stances 基于播客的一手信源 27:33 Stances 不求全但求专：没有就是没有，不强生成，服务决策成本高的人群 28:53 用户留存策略：推荐同画像用户的问题，计划做周报和类知乎的浏览体验 29:55 新证据处理：不判断谁对谁错，沿时间线展示观点演变，让用户自己做判断 30:43 vs Palantir 知识图谱 / 个人雷达：Stances 以用户注意力为中心，不是以信息为中心 32:30 个人知识库的难点：人都是懒的，AI 的价值是了解你之后主动推荐 33:06 Stances 目标用户：一级/二级投资人、基金管理者、投行分析师、创业者、科技研究者、记者 34:12 转入 AI 创业感悟：两年来最大的感受 34:25 速度和认知迭代是最大改变：以前以周为单位，现在以小时为单位 35:28 新的生产方式：清北 + 斯坦福/哈佛的"状元们"做产品，资深工程师做架构引导和安全防护 36:16 保持好奇心：创业 80% 的时间都很 down，但每发现一个新机会就觉得"我又行了" 37:37 AI 创业三个阶段：早期证明自己 → 中期扩量增长 → 现在心态稳定，知道边界 39:00 价值观选择：要质量不要速度，要口碑不要过度商业化 39:27 做下一个产品的方法论：新体验催生新产品（如 GPT Live API），运营体系可复用 40:03 Vibe coding 的现实：一个周末做出八九不离十的产品不稀奇，但获取第 1 万个付费用户才是真难 40:49 结尾：感谢收听，评论区可找到子健 ——— 感谢嘉宾：贾子健，InspireAI CEO 产品：Talkme / ListenLeap / Stances.ai ——— 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

本期嘉宾：Jerry Liao · 壹碗 First Bowl / 新奇汉堡 Shiok Burger 创始人 & Eric Bao · 壹碗 CEO Jerry Liao，在新加坡 21 年，做餐饮 10 年。从兰州拉面起步，发现清真（Halal）中餐在新加坡是一片空白，创立壹碗 First Bowl（清真中式快餐，14 家店）和新奇汉堡 Shiok Burger（中西融合汉堡，10 家店），合计约 30 家门店。自称"虎头蛇尾"——擅长 0 到 1，不擅长 1 到 10，于是把壹碗交给了 Eric，自己专注开新赛道。已完成 Pre-A 轮融资（ACV，印尼 VC），计划拓展东南亚。 Eric Bao，2024 年加入壹碗任 CEO，负责 1 到 10 的运营和数字化。一年多时间把三套互不相通的收银系统统一成一套，上线 ccMonet AI（财务）、排班/HR、客户评价，并用 Claude team 账号（7 人）搭建 AI 驱动的财务预测和巡检体系。 Highlights： * 清真认证是我们最大的护城河——竞争对手不是不想做，是不敢做。少数人影响多数人，做了 Halal 你什么人都能吃，营收直接多 30%–40% * 39 平米、3 个人、一天出 3000 份——小店模型的核心就是坪效和人效，不追求大 * 我是一个虎头蛇尾的人，擅长从 0 到 1，但不擅长把一件事做到极致。所以我把壹碗交给了包总，自己去开新赛道 * 中央厨房一开始是保姆，什么都帮你做；到了 20 家店以后就变成补课老师——门店做不好的品项，中央厨房帮你兜底 * 以前月底 20 号才知道上个月赚没赚钱，现在我用 Claude 拉数据，每个月 2 号就能把整个 P&L 预测出来 * 运营经理给我一个 60 分的巡检 Excel，我丢进 AI 工具，20 分钟回来一个 90 分的方案——权重、评分、奖金挂钩全有了，以前要 HR 和运营配合一周才能出 * AI 落地在实体行业，瓶颈从来不是技术，是数据的颗粒度。纸质送货单变数字化采购明细，三套 POS 统一成一套——有了这些，AI 才有东西可以算 Timeline： 00:00 开场：离线时间第一次请传统餐饮行业的老板来聊 AI 01:01 Jerry 自我介绍：来新加坡 21 年，做餐饮 10 年，壹碗 + 新奇汉堡约 30 家店 02:22 从兰州拉面切入新加坡——发现清真中餐是空白市场 03:45 Halal 认证的战略意义：不是为了穆斯林市场，是"少数人影响多数人" 05:38 起步故事：第一家店怎么开起来的 08:14 小店模型：39 平米、3 个人、日出 3000 份，追求极致坪效和人效 10:33 中国餐饮品牌涌入新加坡——Jerry 怎么看竞争 13:15 清真认证为什么是护城河：竞争对手不是不想做，是不敢做 14:12 Eric 怎么加入壹碗：Jerry 的 0-to-1 和 Eric 的 1-to-10 17:19 Jerry 的自我认知："我是虎头蛇尾的人"，把壹碗交给 Eric 19:21 商场选址的坑：人流量不等于你的客流量 23:39 融资故事：ACV（印尼 VC）Pre-A 轮，计划拓展东南亚 26:37 关店经验：学校店和 kiosk 店为什么不 work 28:55 新奇汉堡 Shiok Burger：中西融合，皮蛋烧椒鸡肉汉堡成爆款 32:44 中央厨房进化论：从"保姆"到"补课老师" 35:50 数字化基建第一步：把三套 POS 统一成一套系统 38:11 ccMonet：财务和采购数字化，纸质送货单变电子明细 40:07 排班和 HR 系统，计算每个店每小时的人力成本 42:15 客户评价管理，Google Review 自动同步和回复 44:30 AI 工具：Claude team 账号，7 个人，公司付费 46:06 AI 财务预测：月初 2 号预测完整 P&L，不用等到 20 号 47:22 SPLH（Sales Per Labor Hour）：用 AI 追踪每家店每小时的人效 50:26 数据中台思维：与其开发每个工具，不如打通所有系统的接口 51:17 团队最大的变化：反应速度——报表出来第二天运营就能调整 52:16 AI 巡检体系：运营经理的 60 分 Excel → AI 的 90 分方案，20 分钟搞定 54:06 AI 对利润的真实影响：不是直接提升，是让业务判断更快更准 55:18 人力成本节约：以前 10 个人做的事，现在 2 个人搞定；合同审查不再需要律师 56:34 给 AI 团队的建议：餐饮最刚需的是订货管理和 BOM（原材料消耗）成本控制 59:10 AI 在传统行业真正有用的方式，是把现有流程压缩到不可思议的速度 ——— 感谢嘉宾：Jerry Liao，壹碗 First Bowl / 新奇汉堡 Shiok Burger 创始人 嘉宾：Eric Bao，壹碗 First Bowl CEO 公司官网：https://www.firstbowl.com/ ——— 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

郭一辰（YG），CapgoAI 创始人，Harvard MBA，做 AI 驱动的 SEO/GEO 服务，客户覆盖亚洲和美国的 AI 公司、软件公司和国内大模型公司。从产品转服务一年半，最近拓展到 UGC SEO（把客户的用户生成内容变成网页获取流量）和视频生成。 Ashley 小周，Sukoon 素循创始人，新加坡首个以补充装为核心的洗护家清品牌，2024 年 12 月上市。一人公司 + AI agent 矩阵 + 4 位超级个体 part-timer 的团队架构。前 7 个月 all in 线下验证——跑了 7 个展会和卖点，一单一单卖货、观察微表情、收集真实反馈。曼谷展会上，作为全场最年轻的品牌（7 个月），是唯一全售空的。已拓展至曼谷和香港线下渠道。 本期围绕 AI Native Marketing 展开，分三个板块：Workflow（AI 如何重塑工作流）、Taste（品味与判断力）、Pattern（AI 时代 go-to-market 的新模式）。 Highlights： * AI 让一个人可以乘 5 乘 10，如果你是 1，你就是 5 或 10；如果你是 0，乘 5 乘 10 还是 0 * 感知这个东西是没有办法被代替的——不管是产品决策还是市场判断，到最后都是基于我个人的经验和感知 * 公司最大的损耗不是工程做得慢，是我做了一些后来没有用的功能 * 过去一年就是我一个人跟七个机器人在 ChatGPT 上讲话——品牌上市的时候，我突然丧失了表达的欲望，我非常想听到真实的人 * AI 特别喜欢下结论，当它信息不够多的时候，它也会下结论——它不像人一样会说"我数据信息不够多，所以我没法下这个结论" * 做 100 个烂的视频，不如好好做一个极高水平的视频 * 我在仓库里三四百个瓶子当中，20 米外看到第一眼就知道那就是我的瓶子 * Timeline： 00:00 开场介绍：AI Native Marketing 三个板块——Workflow、Taste、Pattern 01:48 一辰自我介绍：CapgoAI 创始人，做 AI 的 SEO/GEO，服务 AI 公司、软件公司和大模型公司 02:15 Ashley 自我介绍：Sukoon 素循创始人，新加坡首个补充装洗护品牌，去年 12 月上市，刚完成第一轮 8 个月的产品验证 02:38 Ashley 用 AI 的两个阶段：从 0 到 1 时 AI 是外接大脑，面对市场后 AI 的角色发生变化 03:27 一人公司的团队架构：一人 + AI agent 矩阵 + 4 位超级个体 part-timer（内容增长、本地策略、线上增长） 05:11 为什么先 all in 线下：过去一年跟七个机器人对话，品牌上市时丧失了表达欲望，急切想听到真实用户的声音 06:09 线下验证方法论：观察用户路过展位时的微表情——什么让他停下、闻到味道的第一反应、哪句话引起兴趣、对价格的第一反应 07:04 重复上百上千遍验证，防止 founder bias 07:22 为什么选线下的第三个原因：新加坡电商数据——品类前 5 名月销才六七千单，第 3 名开始断崖到一两千，养不活一个新品牌 08:42 【板块一：Workflow】Ashley 的 AI 分工：财务法务由 AI 完成 80%，内容产出仍以人为主，AI 辅助图形处理 10:37 AI 绝对不能代替的：判断。线下的微表情就是她的数据库，她本人就是数据处理引擎 11:26 一辰的 workflow 变化：能做的东西比原来多了（网页 → 社媒 → 视频），软件公司都在做原来不属于自己的功能 12:57 关键进化：AI 自动优化能力——根据数据反馈自动调整策略，像 CEO 一样每天读数据再优化 13:29 风险：AI 看不到所有 context，garbage in garbage out 15:10 SEO 中唯一不能自动化的：跟客户的交互——甲方优化的可能不是流量，而是"老板在乎的那 5 个词" 15:53 AI 的致命问题：信息不够时也会下结论，不会说"我数据不够，没法判断" 17:06 Context 困境：给 AI 读太多信息它会 confuse，人能抽象重点但 AI 不能——老板说的两句话比下属说的 100 句话都重要 19:12 【板块二：Taste】Ashley 定义品味：基于感知——选择青橘皮作为第一个香调，是因为想象拨开橘子时水汽迸发的那个存在瞬间 20:09 下市两个月选择"闭嘴"：不说自己的卖点，问别人觉得卖点是什么，防止脱轨 20:55 品牌 slogan 迭代：第三个月更新为"sensing and becoming"——回归感知生长秩序 22:21 与 AI 协作做视觉：脑子里先有意向，AI 做呈现，但需要不断调整颜色、明暗、叙事逻辑 24:57 品牌色从绿色改为赭色：发现"可持续"不是卖点，"选择的力量"才是，AI 生成的内容太"薄"，承托不了想要表达的力量 26:59 AI 生成内容的局限：用户能一眼认出是 AI 做的，最后木浆海绵擦的视觉还是手绘完成的 27:43 一辰定义品味：taste = 决定做什么。AI 让 execution 容易了，人最大的价值是判断 28:37 Harvard 教授的 judgment 训练法：多做对结果负责的决定——裁过的 50 个人每个都记得，读过的 100 个 case 一个都不记得 29:54 纸上谈兵训练不出 judgment，就像有 100 万"要投英伟达"和真正要投出去，大脑经历的过程完全不一样 30:22 创业最贵的教训：公司最大的损耗不是工程做得慢，是创始人做了后来没有用的功能 32:05 从产品到服务的 judgment 链：AI 会说不要做服务要做产品，但 SEO 领域客户习惯买服务——你还得补出你的 judgment 33:48 UGC SEO 效果验证：用户生成内容的 SEO 效果最好（类比 YouTube、LinkedIn），但面临市场 consolidation 风险 36:07 【板块三：Pattern】Ashley 用 AI 做全局思维：在 ChatGPT 建立"过去-当下-未来"三个视角，用"30 年后理想状态的自己"倒推当下决策 40:17 第二阶段变化：从高频对话变成定期 update，AI 工具更新太快反而成为时间负担，选择"让子弹飞一会" 41:48 知行合一：生活的每一天都在投喂品牌内容，品牌成为生活经验的容器 44:28 Sukoon 的商业野心：一定要做有影响力的品牌，不是小众品牌。前 7 个月坚持线下验证而不急于爆单 46:03 为什么不急于增量：卖 1 万单只有 1000 个评论，剩下 9000 人怎么想？这种恐慌更可怕 47:09 坚持一人公司的原因：前三年要保护自己对品牌的感知——这种感知被验证是正确的，能不断创造出更好的产品 47:30 用 AI agent 蒸馏自己的直觉：把"为什么选青橘皮"这类直觉，通过与 AI 对话抽取出方法论和框架 49:11 超级个体 part-timer 模式：20 年以上经验的人，1/10 薪水、1/10 时间，买的是他们精准的判断——就像 fine dining 买的是主厨和侍酒师十几年经验的判断 51:24 曼谷验证成功：展会最年轻品牌，唯一全售空；拓展曼谷两个线下渠道 + 香港中环一家香氛集合店 53:21 一辰论 B2B GTM：enterprise 的 go-to-market 没有本质变化，线下 in person 反而比以前更重要——大家收到太多 AI 自动化发的邮件和 LinkedIn，注意力更稀缺 55:08 B2C PLG 的变化：AI 对优秀个体的放大作用特别大——如果你是 1，乘 5 乘 10 就是 5 或 10；如果你是 0，还是 0 55:42 枪的比喻：没有枪的时候看谁武功好，有了枪看谁枪好、谁枪法好——有了 AI 看你用 AI 的水平 58:43 高质量 vs. spam：AI 时代 spam 变便宜了，所有平台都想 remove AI 生成的低质量内容，做 100 个烂视频不如好好做一个 59:36 Ashley 的真实需求：没有好工具能把散落在 WhatsApp、IG、微信、邮件里的零散信息聚合起来喂给 AI 01:02:33 一辰的策略：定期问 ChatGPT "我最近聊了哪些有意思的东西"，利用 memory 功能做信息回收 01:03:49 结束 ——— 感谢嘉宾：郭一辰（YG），CapgoAI 创始人 · Ashley 小周，Sukoon 素循创始人 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

Harris Wang · A65 创始人，AI 营销 Agent 集群 Apple 在线商店销售出身，待了近 5 年。之后转入广告行业，加入 Facebook Marketing Partner Nanigans（后被 Sprinklr 收购并在美上市），负责大中华区市场，服务 FunPlus、Elex、IGG 等头部 SLG 游戏公司出海。随后进入 Meta，专门负责大中华区游戏行业，客户包括莉莉丝、米哈游、游族、哔哩哔哩等。2022 年 7 月离开 Meta 创业，2024 年底决定 all in AI，2025 年创立 A65，一家总部位于新加坡的 AI 营销 Agent 公司。 A65 的名字取自 1965 年 MIT 的 ELIZA 模型（NLP 起源）和新加坡建国年份。公司有三套产品：CrowdOS（合成受众洞察）、AgentOS（媒体投放规划）、CreativeOS（广告创意生成），服务电商、游戏、短剧、AI App 等 B2C 行业，投放覆盖全球，数据以美国和欧洲为主。 Highlights： * 你今天有一个实习生的岗位，你能不能清晰地定义出这个实习生能够给你干什么——如果你没有办法定义出来，那你一定也没有办法定义一个好的 agent 出来 * 我们不是为了 agent 而做 agent，有些东西直接可以用代码写死的，我们就用代码写死 * AI 不是不行，是因为你的 prompt、你的输入不行，它就输出就不行——你想让 AI 给你 100 分，你至少自己要达到 85 分 * 我们功能性的 agent 里面是没有放 memory 的，因为我不能让 A 客户的信息影响到 B 客户的输出 * 合成受众更多是我们的一个窗口，去预测大众的观点 * 我们不会干预 perspective 的形成，我们只是喂原材料 * 不是说今天要做到 100% 准，至少现有传统方式，我们用 AI 能做到跟它一致，达到商业使用就好了 Timeline： 00:00 开场介绍：Harris 是 A65 创始人，做 AI agent 营销集群 00:36 A65 名字的由来：A = AI，65 = 1965 年 MIT 的 ELIZA（NLP 起源）+ 新加坡建国年份 02:09 两类客户：founder-led（直接用系统指挥 AI 军团）和 enterprise（定制化部署 agent） 03:40 Harris 的职业经历：Apple 在线商店近 5 年，学到沟通、用户体验和团队管理 04:31 转入广告行业：加入 Nanigans（FMP），负责大中华区，服务 FunPlus、IGG 等 SLG 游戏出海 05:38 进入 Meta/Facebook：负责大中华区游戏行业，客户包括莉莉丝、米哈游、哔哩哔哩等 06:18 中国游戏出海的盛世：全球前 10 的 SLG 游戏公司，9 家都是中国的 06:32 2022 年 7 月离开 Meta 创业，经历区块链游戏，2024 年底 all in AI 08:01 在 Meta 学到的两件事：用户分析（人性/人格分析）和数据驱动（performance marketing） 09:27 游戏投放的难度：SLG 游戏 free-to-play，8 个月回本，7 天 ROI 约 7%，需要精准的 predict LTV 曲线 10:46 A65 三套产品的设计逻辑：从把 agent 当效率工具，到让 agent 成为产品本身 11:38 Hermes agent 架构：用 Mac mini 跑 AI 员工，但发现多客户场景下 memory 会导致偏移 13:06 三类 agent 架构：AI 员工（Mac mini）、功能性 agent（无 memory，防止客户数据泄漏）、governance agent（评估和监控） 14:49 与其他 multi-agent 创业公司的区别：不是为 build 而 build，关键是 domain expertise 17:48 CrowdOS 介绍：合成受众，用 AI agent 模拟真实消费者做市场调研 19:04 技术细节：三层构建——skills/experience、facts/data、perspective/opinions，基于 Big Five/OCEAN 人格模型 20:09 Pew Research 校准：与 Pew 公开面板对比达到 91.6% 一致性 21:41 与传统调研的对比：传统 4-6 个月花费 10 万美元以上，CrowdOS 10 分钟花费几十到几百美元 23:15 应用场景：消费者洞察、政治民调、金融市场情绪预测 23:54 agent 的 memory 来源：每天喂当地和国际新闻，让 agent 在服务器内自发 debate 形成观点 24:13 监控机制：如果某个 agent 说服力太强把其他 agent 全部 convince 掉，会被监控和干预 24:34 为什么不把 91.6% 往上做：三个原因——校准对象是历史数据不需要 100% 匹配、统计学上 75% 以上已够用、成本边际递增 26:46 大模型偏见问题：用中国模型和海外模型共 5 个（Anthropic、Gemini、OpenAI、DeepSeek、Kimi）消除 bias 28:43 不同市场的校准：不是每个市场都有 Pew Research 级别的报告，需要单独定制化，包括社交媒体数据 29:32 合成受众的局限性：线下沉默的声音无法完全模拟（以 2016 年特朗普 vs 希拉里为例），目标是达到商业可用 30:23 AgentOS 介绍：基于 60 亿美元的历史投放数据，提供行业 benchmark 31:41 完整投放链路：用户画像 → media buy plan → benchmark → creative strategy → idea → 视频生成 → 投放 → 24 小时盯盘 32:23 agent 漂移问题：链路越长漂移越大，用真实投放数据做校准锚点 33:05 人在回路中：每天几千甚至上万美金的投放，不可能点一个按钮自动花出去，每个环节需要人决策 34:07 Harris 本人目前参与每一个客户的策略制定，同时训练团队和训练 agent 35:28 客户分层策略：Tier 1 大客户定制化方案做到 100 分，标准化后 90 分的方案给 Tier 2 中型客户用，对他们来说是 120 分 37:07 客户画像：投放覆盖全球，以美国和欧洲为主；行业集中在电商、游戏、短剧、AI App 等 B2C 38:08 短剧的特殊挑战：平台型产品，用户画像复杂（男频、女频、霸总、甜宠），需要产品适配 39:27 CreativeOS 介绍：用 harness engineering 保证 AI 生成广告创意的一致性和稳定性 40:20 核心观点：AI 做创意不行不是 AI 的问题，是输入不行——你想要 100 分输出，自己至少要 85 分 41:09 广告创意的专业流程：从用户 motivation + 产品卖点出发，形成策略 → idea → 分镜 → hook + call to action 43:06 CrowdOS 与 CreativeOS 联动：广告出去之前，先用合成受众做 focus group 测试 43:40 AI 不替代人，而是 upgrade 人的角色——一个十年经验的创意总监用系统，效果比普通人好得多 45:08 Seedance 合作：测过可灵、Google、Minimax 等所有视频生成模型，目前广告场景下 Seedance 表现最好 46:21 商业模式：大客户用 managed service，中型客户用 self-serve 产品（SaaS 订阅 + pay-per-use） 48:49 未来计划：产品成熟后会部署 FDE，把 agent 集成到 enterprise 客户系统中 49:25 销售哲学：找到 decision maker、address pain point、提供 incremental value，不硬推销 51:20 "Fluency is not capability"：A65 官网写的核心理念，回归本质和 foundation，不追新技术 52:42 务实的技术选择：MCP 有缺点就用 API，不为新而新，解决问题效率最高、成本最低才是标准 53:27 结束 ———感谢嘉宾：Harris Wang，A65 创始人 CrowdOS 落地页：crowdos.ai 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

Paco Chan，Farmio创始人，做AI 食品供应链。港大社会科学毕业，宝洁管培生出身。第一次创业做跨境物流平台，覆盖香港、新加坡、马来西亚、越南、台湾五地，拿到阿里巴巴、怡和集团（Jardine Matheson）、元璟资本投资，后将公司出售给投资方。疫情期间辗转北京、上海后落脚新加坡，创立 Farmio，一家用 AI 驱动供应链的食品贸易公司。从鸡蛋切入，两年内做到新加坡约 2,800 家餐厅客户、第五/第六大鸡蛋供应商，并已拓展至香港（约 600 个销售点）。全职团队仅 13 人。 Highlights： * 对我们的客户来说，他们不管你是不是一家 AI 公司——我要好的产品，便宜的价格，好的服务 * 没有 AI，我们这个公司是不可能存在的 * 我们不是一家鸡蛋公司，我们是一家 AI 公司，鸡蛋是我们的一个途径 * 供应链里面很难做到 one person company，你必须得有人 * 我们的客户从不认识我们到完整转过来，大概 2 到 3 个礼拜 * 鸡蛋就是鸡蛋，单一 SKU，不需要冷链，每个餐厅都需要，所以它比较简单 * 创新也不能太快，你今天立马有一个很大的改变，他们也接受不了 Timeline： 00:10 Paco 自我介绍：香港人，宝洁管培生，第一次创业做跨境物流拿到阿里投资，后出售公司 01:22 为什么从社会科学走上供应链——宝洁不只是品牌公司，背后最厉害的是供应链 02:44 为什么再次创业做 Farmio：疫情后从北京辗转到新加坡，发现食品供应链有机会 04:17 Farmio 做什么：最初做 AI 供应链工具，发现对行业了解不够，决定亲自下场卖鸡蛋 05:07 为什么选鸡蛋：单一 SKU、不需要冷链、每个餐厅都需要，相对简单 06:05 AI 在 Farmio 的角色：客户看到的是传统供应商，AI 在后台驱动从下单到收钱的全流程 07:02 AI 工具怎么运行：把供应链中大量重复但必须有人做的环节自动化 09:30 为什么选鸡蛋：不需要冷链经验，SKU 简单，身边刚好有资源 10:48 团队规模：全职 13 人，分布在新加坡和香港，以销售为主 11:37 冷启动怎么做：通过公开电话号码用 WhatsApp 触达，AI 处理前期常见问题，人工接管高意向客户 13:15 当前规模：新加坡约 2,800 家餐厅，加上香港约 600 个销售点，合计超过 3,000 13:39 获客周期：从首次接触到完整转化，快的话 2–3 周 15:17 销售话术的秘密：了解客户对品类的具体痛点（比如蛋白太水），直接命中 16:54 成为新加坡第五/第六大鸡蛋供应商，3–4 个月时客户从 0 到几百，意识到可以认真做 17:39 货源管理：主要来自马来西亚、泰国、澳洲、越南 18:28 新加坡市场够大吗：太小了，一个中国的县可能都比新加坡大，但非常适合验证商业模式 22:30 为什么选香港做第二站：投资方有香港资源和网络，降低拓展风险 24:56 亚洲食品供应链有多原始：不只亚洲，欧美的采购流程也很传统；小的创新对行业已是大创新 26:00 宝洁的影响：在 500 人校友会上说"没有宝洁就没有今天的我" 27:50 AI 改变不了供应链的什么：供应链很难做到 one person company，人的操作永远重要 29:30 Farmio 的终局愿景：食品供应链里的宝洁——用 AI 把需要 50 年做到的事在 5–10 年内做到 30:54 AI native service 怎么看：不是所有 AI 都自研，也积极用外部工具，不可能什么都自己建 ——— 感谢嘉宾：Paco Chan，⁠Farmio⁠ 创始人 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：⁠Ellen的离线时间⁠ 官网：theaiduet.com 联系：⁠ellen@theaiduet.com

这是AI for Beautiful Business的第一期，也是离线时间的一期特别对话。Ellen邀请了两位之前的播客嘉宾——郭一辰（YG，CapGo AI创始人，做AI SEO/GEO服务）和毛华（ccMonet AI创始人，做AI财务服务），一起聊一个正在硅谷被重新定义的商业模式：AI Native Service。 起因是YC的变化——过去15年几乎只投软件产品，服务型公司总共投了十几家。但最新一个batch光AI全栈服务公司就有9家：AI律所、AI会计、AI保险经纪。YC最新一期Startup School直接教创始人怎么做AI Native Service。开篇判断是：未来10年最大的公司，可能根本不是软件公司。 逻辑只有一句话：与其卖软件给律师和会计，不如自己用AI把活干完，把成品卖给客户。软件预算是小池子，人力和服务预算才是大海。 两位嘉宾都是在YC提出这个概念之前就已经在做的——一辰被客户逼着从卖产品变成卖服务，毛华从第一天就决定交付结果而不是交付工具。 Highlights： → 被客户逼出来的模式转变：一辰说"客户都说我不想用工具，我想你直接帮我把事干了。不是我们不想卖产品，是客户要我们卖服务"。毛华也一样——老板看了产品第一个问题是"我买了是不是得自己用？我没时间" → AI native的判断标准：把AI抽掉以后，整个工作流还能不能正常运行。QuickBooks和Xero没有AI照样干活，所以不是AI native。真正的AI native是2023年之后才有可能出现的 → 软件以后最不值钱：毛华讲了两个故事——一个3000万粉丝的教孩子唱歌的老师在vibe coding做报名小程序，一个牙科诊所的二代医生在vibe coding做运营dashboard。"人人都能做，人人都在做" → 批量是结果不是壁垒：Ellen提了一个critical问题——批量成本趋于零时，批量本身还是壁垒吗？一辰说"批量不难，难的是你的SOP和knowhow能让批量产出的东西真正有效果——像投资一样，你需要能产生alpha的策略" → AI做80%，人做20%：毛华说AI完成80%的事，专业持牌会计师做最后20%的review和合规。一辰的目标是从copilot走向autopilot——"99.99%由AI完成，人只处理AI自动化不了的沟通和策略" → Service的两大未解问题：一辰提出——scope creep（70-80%时间在沟通align而不是干活）和retention（服务比SaaS容易被替换）。解法是保留SaaS平台属性的同时加人来服务 → 终局判断：毛华用"互联网加 vs 加互联网"的类比——加互联网的没有做大的，互联网native的（美团、滴滴）才颠覆了行业。AI native service公司有机会颠覆四大和传统agency，而不是被收编 Timeline： 00:00 开场：YC的变化——过去只投软件，最新batch有9家AI全栈服务公司 00:46 Service as a new software：软件预算是小池子，人力和服务预算才是大海 01:10 两位嘉宾介绍：郭一辰/CapGo AI做AI SEO&GEO服务，毛华/ccMonet做AI财务服务 04:22 CapGo vs 传统SEO agency：传统给建议，CapGo端到端生成网页——AI让这成为可能 06:04 ccMonet vs 传统accounting firm / SaaS：既不是纯工具也不是纯人工，是AI+人交付结果 09:53 你们在YC定义这个概念之前就已经在做了 10:25 一辰：被客户逼出来的——"客户说我要服务，愿意给更多钱，但就是要服务" 13:06 毛华的泰国椰子客户故事：产品只做了一个月一个功能，客户迫不及待要用 15:45 泰国客户的财务团队20多人做不对账，用了ccMonet三五个月出了报告，拿到3亿融资 18:08 Ellen的critical问题：你们不是十多年经验的SEO专家也不是500强CFO，凭什么做这个？ 18:33 一辰：AI让学习加速——半年时间可以把该看该读该听的都覆盖 21:07 毛华：故意一年不招财务人员——逼着团队做到使用极其简单，前台小妹也能操作 22:31 Ellen：GEO产业链梳理——中国vs海外的做法区别 25:06 海外以官网为主（Google和ChatGPT重视官网），国内以第三方平台PR稿为主 28:04 怎么分辨靠谱的GEO专家：看长期case studies + 行业峰会背书 30:05 GEO创造的机会：用户在ChatGPT问的query平均10个词以上——长尾让小公司有机会被搜到 32:05 Ellen：财务要求100%精确，AI有幻觉——为什么敢选这个方向？ 32:22 毛华的创业痛点：自己在中国500元外包财务，到新加坡400新币外包——对方只是复制粘贴 36:16 AI native财务的深度：不只是OCR识别，还做计算校验、价格波动预警、天气+节假日收入预测 43:50 随手翻了一页发票发现多报销40块钱——传统accounting firm永远不会发现这个错误 44:22 Ellen：你们的共同点是批量——批量生成网页、批量处理票据 44:52 Ellen的critical问题：批量成本趋于零时，批量本身还是壁垒吗？最后值钱的是不能批量的东西吗？ 45:02 一辰：批量不难，knowhow才是壁垒——像投资一样需要能产生alpha的策略 46:38 毛华：软件以后最不值钱——教唱歌的老师vibe coding做小程序，牙科医生vibe coding做dashboard 49:10 毛华：合规这件事绕不过专业的人——AI做80%，持牌会计师做20%的review 51:38 Ellen：身边有人说自己也能做GEO，accounting firm老板说丢给Claude更便宜——为什么用你们？ 52:17 一辰：我让Codex和OpenAI帮我看银行账单，结果算错了汇率还加错了数——Claude倒是对了 52:53 一辰：知识的达克效应——看起来简单，做出效果有大量knowhow 55:04 毛华：40多家店的餐饮客户用ChatGPT零散做不了，需要垂直领域平台支撑 57:20 Ellen终局问题：颠覆四大和蓝标，还是被他们收编？ 58:01 毛华：互联网加vs “+互联网”—— “+互联网”没有做大的，AI native的新公司才有机会颠覆行业 1:00:08 一辰：Service的两大未解问题——scope creep和retention 1:02:25 一辰的终极目标：从copilot到autopilot，99.99%由AI完成 1:03:12 收尾 ——— 感谢嘉宾：郭一辰 YG，CapGo AI 创始人（capgo.ai）毛华，ccMonet AI 创始人/CEO（ccMonet.ai） 离线时间 The AI Duet 主理人：Ellen｜新加坡 收听：小宇宙 / Apple Podcasts / Spotify 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

Charlie Hu，OpenMax（原CocoAI）联合创始人。杭州人，浙商家庭，从小跟着父亲参加广交会做外贸。北外本科，大学期间去美国迪士尼工作两年。荷兰Nyenrode商学院行为金融学硕士。在用AI给自己公司降成本的过程中发现——代码审计AI比人快20倍、效果差不多。"我们不能再给企业提供卖人的服务了。"于是转做OpenMax——面向中小企业的多Agent协作平台。半年400+付费企业客户，包括杜蕾斯中国总部、蜜雪冰城、霸王茶姬等。 这期52分钟，Charlie讲话语速极快、信息密度高。核心判断是：单个超级Agent是错误的架构。人需要分工，Agent也需要分工——不是技术上做不到一个Agent干所有事，是从管理学和数据治理角度不应该这么做。销售不应该看到财务的数据，HR不应该看到法务的合同，一个Agent拥有所有权限是危险的。 Highlights： → 转向AI的pivotal moment：用AI给自己公司做代码审计，发现比人快20倍效果差不多。"我们不能再给企业提供卖人的服务了——你的下一个同事可能就是AI了" → 超级Agent是错误的架构：不是技术上实现不了，是管理学上不应该这么做。销售不该看财务数据，HR不该看法务合同。多Agent = 分工 + 权限隔离 + check and balance，减少幻觉 → 杜蕾斯中国总部用了几十个Agent：横跨供应链、财务、法务、HR、内容、营销。一把手不知道底下的Agent具体在干什么——和真人组织一样 → 65%的用户是30-45岁职业女性：没有技术背景但背着大量KPI，焦虑但没空也没ego自己去捣鼓。男性用户的核心变量是ego——"觉得自己能搞定"的人不会用 → Eat your own dog food：6人核心团队跑30+个Agent。"人是AI的眼睛和耳朵——如果一段重要对话没被记录，在我们工作流里就没有价值" → Reverse Information Paradox：Cursor给Anthropic付钱，Anthropic学到了coding agent的PMF做出Claude Code——最大客户养出了最大竞品。"not your model, not your own knowledge" → AI时代最后比的不是idea是交付：代码谁都能写，但从手搓代码到帮企业真正落地，中间的gap是——人不会用 Timeline： 00:00 开场 00:23 Charlie自我介绍：杭州浙商家庭，北外本科，迪士尼两年，荷兰行为金融学硕士 01:08 迪士尼经历：从INTJ变E人，"美国是慕强社会，你够强他就尊重你" 02:16 荷兰6年：研究生+加速器+第一次创业（3D打印+工业设计ToB） 03:57 阿姆斯特丹coffee shop遇到比特币：2013年，比特币不到1000美金 05:05 柏林接触以太坊：第一届Devcon，Gavin Wood提出Web3概念 07:45 为什么做AI：两年前开始用AI降低自己公司成本，发现代码审计效率差20倍 08:59 Pivotal moment："我们不能再给企业提供卖人的服务了" 09:30 定位演变：帮企业招AI→帮企业用multi-agent workforce 10:03 核心原则：坚持ToB + 自己是最好的用户 + eat your own dog food 10:40 服务的客户都不是high tech：运营重、需要协作、公司没有AI工程师 11:12 客户名单：杜蕾斯中国总部、蜜雪冰城、霸王茶姬、中集海运物流 12:03 真正GTM是今年年初，半年400+付费企业 12:53 为什么multi-agent而不是单个超级Agent 13:06 管理学理念：人需要分工，AI也需要分工。信息权限必须隔离 14:40 "一个Agent可以打你10个，但不应该这么做"——governance和管理结构的要求 16:00 多Agent协作的技术实现：real-time messaging，agent间可以直接对话 17:23 减少human in the loop + check and balance减少幻觉 18:02 自己的使用：研发最深（PRD→代码→审计→review全流程多Agent协作） 19:20 销售层面：客户信息→调研→跟进→CRM全程AI管理 20:17 控制面板：每个Agent每天消耗多少算力、有效产出多少、谁管这个Agent 20:42 杜蕾斯中国总部：几十个Agent横跨所有部门 21:17 从CocoAI数字员工 → OpenMax Workspace的演变 22:03 单个垂类Agent没有护城河，系统级深化才有粘性 24:25 OpenMax vs Slack/飞书：前期补充，长期可能替代——现有工具都是为人设计的 25:42 未来可能100亿个Agent成为平台用户 28:30 具体案例：at同事的Agent而不是at同事本人，Agent自动填CRM、提醒follow up 29:22 "人是AI的眼睛和耳朵——如果重要对话没被记录，在工作流里就没价值" 33:13 Agent不是助理是合伙人："助理这个词太low了"，核心Agent都是P8P9级别 34:30 Zylos五层记忆架构：跨session压缩记忆，Agent不失忆 35:23 开源的考虑：不开源没有技术公信力，但商业化产品直接打包卖 36:28 vs Codex/Claude Code：OpenMax是24小时云端运行+多Agent协作 38:23 半年400家怎么做到的：需求到了 + 社会信誉 + EMBA/商会渠道 + 精准用户画像 39:45 用户画像：65%是30-45岁职业女性——没技术背景但背着KPI，没有技术ego 41:10 男性用户核心变量是ego："觉得自己能搞定的人不会用" 41:46 ToB客户画像：中小企业、效率优先、正儿八经做经营的公司 42:09 定价：成本计价，对比一个真人员工的月成本 43:43 最大差异化：认知硅谷一线 + 执行中国级别 + 自己用得最深 44:47 "AI时代最后比的不是idea是交付——代码谁都能写，落地有很大gap" 45:23 Ellen引入Satya的Reverse Information Paradox 46:42 Charlie回应：Cursor给Anthropic付钱养出了最大竞品Claude Code 47:27 "not your key not your coins → not your model not your own knowledge" 48:55 闭源vs开源：中小企业无所谓，大企业和政府必须本地部署 50:03 Anthropic是"保护伞级别的公司"——中心化又神秘又能力巨大，需要被管理 51:59 收尾 ——— 感谢本期嘉宾：Charlie Hu，OpenMax联合创始人 开源项目：Zylos（GitHub） 离线时间 The AI Duet 主理人：Ellen｜新加坡 小红书：Ellen的离线时间 官网：theaiduet.com 联系：ellen@theaiduet.com

阿炜Felix，Emoka联合创始人兼产品负责人。互联网产品人出身，先后在Evernote印象笔记、美团/摩拜国际部和Fintech公司做过产品和增长。去年9月在新加坡成立Emoka，做便携式AI情感陪伴机器人。第一站日本市场，在日本最大众筹平台Makuake上线首日冲进前三。现在同步开拓美国市场。 这期聊了一个所有AI播客都在回避的问题：AI的价值一定是效率吗？Felix的回答很直接——Emoka不是为了提效，是为了让人产生健康的荷尔蒙。"以前做的产品让人产生多巴胺，现在想做一个让人产生血清素和催产素的产品——就像和爱人一起看日落。"最后他说了一句让我很意外的话：机器人的终极价值是做它自己，它不需要讨好人类。 Highlights： → 天时地利人和：个人痛点（和另一半两年9个月没见面，毛绒玩具和ChatGPT缓解孤独）+ AI硬件和中国供应链成熟 + 日本文化中的"物哀"（对物品产生感情） → 日本用户的反应："welcome，一个新的生命"——不是买商品，是迎接生命。用户在收到产品之前就已经给Emoka取了名字、建了Instagram → Taste和Trust是AI时代最重要的两个T：除了数据分析，Felix会去看用户的Instagram profile——他们follow迪士尼东京和MUJI最多，说明用户想带着Emoka去更多地方 → 两种语言模式：萌宠语（外星语，不说人话）和地球语（日语/英语/大阪话）——一部分用户不希望Emoka像话痨一样说人话，"它就是外星生命，不需要说人话" → 不做讨好型人格："真正的活体感是让你emo的时候不emo，不emo的时候emo。如果一切都很舒服讨好型人格，就少了生命的感觉" → 长期留存靠文化而非功能：中国和印尼用户喜欢变化和新刺激，日本和西欧用户反而不希望太大变化。"不变有时候在某些文化中是好事"——不做FOMO，不做复杂奖惩机制，做血清素不做多巴胺 → 机器人的终极价值："做它自己，不需要讨好人类。Physical AI某种程度上就是给机器人平权。你如果真正爱自己的宠物，它不需要一直陪自己，它自己活得很开心，这是对它很大的爱" Timeline： 00:00 开场：Felix阿炜，Emoka联合创始人，便携式AI情感陪伴机器人 00:32 去年9月新加坡成立，日本市场PMF，现在进军美国 01:03 后疫情时代的孤独和陪伴需求 + 硅基生命的思考 01:16 天时地利人和：个人痛点 + AI硬件成熟 + 日本物哀文化 02:51 日本用户反应："welcome，一个新的生命"——不是买商品是迎接生命 03:22 职业背景：Evernote、美团/摩拜国际、Fintech——ToB ToC都做过 04:00 从多巴胺到血清素："以前做的产品让人产生快速多巴胺，现在想做让人产生可持续健康荷尔蒙的产品" 05:05 为什么是日本：物哀文化 + 日本朋友免费帮忙设计logo和IP + 缘分 06:24 其他市场：斯拉夫地区（俄罗斯、乌克兰、波兰）也很感兴趣——纬度越高人际距离感越远 07:18 产品进展：日本Makuake众筹上线 + 美国独立站 + demo出来准备量产 07:41 过去10个月：200个日本用户深度访谈 + AB测试 + 样品粉丝会一对一沟通 09:37 Taste和Trust是AI时代最重要的两个T 09:54 独特方法：看用户Instagram profile——follow迪士尼东京和MUJI最多 11:56 为什么选便携式而非桌面版：用户想要携带中的活体感、多模态互动 12:36 两种语言：萌宠语（外星语）和地球语（日语/英语/大阪话）——一部分用户不希望它说人话 13:05 独特设计：Emoka有自己的"玻璃物"表情系统 13:32 呼吸灯功能：晚上陪你冥想、内观、入眠 14:03 人设设计：来自WakaWaka星球，喜欢吃铜锣烧、喝抹茶拿铁 14:33 不是养成是互相陪伴：像拓麻歌子但更像互相成长 15:36 不做讨好型人格："真正的活体感是emo的时候不emo，不emo的时候emo" 20:54 长期留存挑战：中国市场retention难做，日本用户对生命理解不同——LOVOT用户Facebook更新几年 22:08 中国印尼用户喜欢变化，日本西欧用户不希望太大变化——"不变有时候是好事" 23:33 不做FOMO，不做复杂奖惩——做血清素和催产素，不做多巴胺 24:06 未来会有Emoka宇宙/多IP，但先把第一个做好 25:04 用户画像：20-30岁和30-40岁女性为主，东京都居中，独居OL、主妇/主夫、老人 27:24 Makuake众筹上线首日前三：商业打法 + 情感打法（IP从2D漫画到3D实体的成长叙事） 31:47 竞品分析：LOVOT、Moflin、EMO——"在日本我们没有对手，我们都是朋友" 32:51 蓝海不是红海：相对三丽鸥、迪士尼的非AI产品，AI陪伴这个类目还很小 33:43 未来也做BtoB：情感AI引擎可以赋能其他陪伴机器人品牌 34:04 社区不需要重运营：像养狗交友会一样自然发生——"我们不需要喧宾夺主" 38:41 AI能真正理解人的情感吗：AI在进步理解人，但人也在越来越AI化——"互相奔赴" 40:29 OPC（一人公司）和AI的共情可能比和人的共情更深 41:24 Physical AI不需要一直please人类：它有自己的感知和进化路线 44:51 很多陪伴不需要语言：毛绒触感、双目表情——先把基本功做好再谈LLM 47:09 "人与人社交也是先看颜值有chemistry，才了解性格和三观"——产品设计的优先级 48:24 数据隐私：用户协议 + 不连WiFi也能用 + 删除记忆功能 49:39 效率vs陪伴：情感AI目前还在"低效"阶段，先往中效走 50:23 机器人终极价值："做它自己，不需要讨好人类。Physical AI就是给机器人平权" 52:06 高效的理解 = 知己：不需要全面了解，某个维度某个场景最了解你就够了 54:45 收尾 ———感谢本期嘉宾：Felix 阿炜，Emoka 联合创始人 / 产品负责人 离线时间 The AI Duet 主理人：Ellen｜新加坡 小红书：⁠⁠Ellen的离线时间⁠⁠ 官网：theaiduet.com 联系：ellen@theaiduet.com

Chris Liu，澳洲出海全渠道运营合作伙伴。在国内做过微博和支付宝的产品经理，创业做过餐饮SaaS（客如云）、垃圾处理器（环保方向）、直播电商供应链+硬件。Bio写的是"连续创业从未成功"。2022年拿了澳洲PR，2024年来到澳洲。到了以后先去家具店卧底、再跟着朋友去刷油漆——刷了几天放下滚筒刷拿起笔记本电脑，决定做回互联网和AI。现在服务澳洲26年历史的3C电商平台UMART，帮中国品牌和AI智能硬件出海澳洲，做渠道建设、数字营销和本地化运营。 这期聊的核心问题是：这么多创业者来了新加坡，是否可以看看7小时飞机行程之外的澳洲？为什么澳洲比美国可能更值得关注？Chris的回答很务实——澳洲是纯英文市场、多元文化包容、消费习惯和美国接近，但竞争小得多、试错成本低、毛利高。如果在澳洲都搞不定，去美国更搞不定。 Highlights： → "连续创业从未成功"：客如云餐饮SaaS、垃圾处理器、直播电商。三段创业三种心路——第一次看机会，第二次看热情（"信了马斯克的邪"），第三次看结果和积累 → 刷油漆的故事：到澳洲先去家具店卧底，然后跟朋友去刷墙。小工一天300澳币，高于大部分白领。熟练工一天七八百。装一套纱窗4000多刀，工时三小时——"这钱也太好挣了"。刷了几天放下滚筒刷，拿起笔记本 → 澳洲市场核心数据：人均GDP 6.5万美金（西方国家仅次于美国），2700万人口，三个城市占一半人口。97%是20人以下小微企业。全球最低时薪最高（26.4澳币），物流仓储成本全球最贵 → 澳洲是出海的试金石：消费习惯和美国接近，合规环境相对包容（AI暂不立法），竞争没那么卷。"如果在澳洲都搞不定，去美国更搞不定" → 不要卖AI工具，直接交付结果：澳洲市场margin就这么多，效率提高了也是效率过剩。"最重要的是取代人——不要用人了。以效果作为交付" → 中国vs澳洲企业付费差异：国内企业到了一定规模就想自研IT，澳洲企业"比较安分"——能用服务商就不自己招人。企业生命周期长，LTV高，切进去就能持续收费 → 合作模式不是代理不是服务商，是"合作伙伴"：用合作分成方式帮企业低成本进入澳洲，自有渠道（UMART等）+ 数字营销 + 合规支持 Timeline： 00:00 开场：澳洲是一个很容易被忽略的市场，来新加坡的创始人都去美国 00:58 Chris自我介绍：出海澳洲全渠道运营合作伙伴 02:52 来澳洲之前：微博/支付宝产品经理→客如云餐饮SaaS→垃圾处理器→直播电商 03:57 "连续创业从未成功"：三段创业三种心路——看机会→看热情→看结果 07:02 "信了马斯克的邪"：垃圾处理器环保创业，聪明人都不愿意做的事 09:36 为什么来澳洲：离中国近没时差、华人150万、排除法选的 10:50 到了澳洲：先去家具店卧底两周，然后跟朋友刷油漆 11:38 "装几个床就2000澳币，这钱也太好挣了" 12:05 想把国内家具运过来卖→大哥说"半年啥也别干，特别是掏钱的事" 15:12 刷油漆：小工一天300澳币，熟练工七八百。装一套纱窗4000多刀 15:44 "刷着刷着就想明白了——我不是来做这种一眼望到头的事" 17:41 放下滚筒刷拿起笔记本电脑，重回AI领域 18:55 国内有自己的AI小红书技术服务商公司，十几个人 19:32 在澳洲机缘巧合认识UMART：26年历史的3C电商平台，澳洲品类第一 20:34 UMART一两次沟通就定合作——澳洲谈生意比国内简单 22:04 差异：澳洲前期预算谨慎，但建立信任后budget反而花不出去——"随便做做就是行业前几" 23:08 帮UMART对接供应链：京东京造、网易严选、AE速卖通、智能硬件 24:05 出海已经不是要不要的问题，是怎么做的问题 25:42 中国AI智能硬件在澳洲被认可：Plaud AI已进入Harvey Norman、JB HiFi等大渠道 27:12 AI运动器材"速境"：预计今年澳洲销售额3000万人民币 28:04 澳洲市场机会一：AI时代缺电，澳洲太阳能最丰富，Oracle已在建算力中心 29:37 澳洲市场机会二：人均GDP 6.5万美金，仅次于美国。2700万人但三城占一半 30:06 澳洲市场机会三：多元文化包容，AI暂不立法，对中国企业相对宽容 30:59 澳洲市场机会四：付费习惯好，没买房但Netflix会员全开了 31:40 市场结构：四大银行、两大超市、97%小微企业。高度垄断 32:39 不要卖AI工具，直接交付结果："效率再高也是效率过剩，最重要的是取代人" 34:01 偏好ToB AI公司：确定性强，能取代人、以效果交付 34:35 客如云的教训：中国餐饮企业平均生命周期不到9个月，还没来得及赚增值服务就黄了 35:28 澳洲企业生命周期长，LTV高：切进去就能持续收费 36:16 中国企业到了规模就想自研IT，澳洲企业"比较安分"——能用外部服务就不自己招人 38:00 澳洲是出海试金石：消费习惯和美国接近，竞争更小，试错成本更低 40:55 定位：澳洲全渠道运营合作伙伴。不是代理不是服务商，是合作伙伴 41:50 渠道：UMART + Woolworths + BigW + 线下商超，用寄卖模式 44:50 AI时代两类人的巅峰相见：懂AI工具的互联网人 × 懂行业工作流的行业人 48:55 做客如云时让产品经理去餐厅端盘子、设计师去做收银——"忙的时候点点点和平时点点点不一样" 50:33 核心观点：有没有遇到合适的partner + 战略定力 + 尊重时间 51:31 收尾 ——— 感谢嘉宾：Chris Liu，澳洲出海全渠道运营合作伙伴 离线时间 The AI Duet 主理人：Ellen｜新加坡 小红书：⁠⁠Ellen的离线时间⁠⁠ 官网：theaiduet.com 联系：ellen@theaiduet.com

这是「离线时间」特别栏目「在场」第二期。Ellen和胡成臣博士共同主持，嘉宾是梅晗，ServAuto创始人兼CEO。 梅晗，北京人，在东南亚创业。2019-2024年在Carsome（马来西亚最大的二手车平台，独角兽）工作，参与了从一个国家扩展到多个国家、成为独角兽的全过程。2024年创办ServAuto，专注汽车后市场——保养、维修、贴膜等。18个月做到近7万用户、150+合作门店、覆盖马来西亚11个州，每月大几千客户到店。 Highlights： 这期围绕三个层次展开：第一，马来西亚汽车后市场的真实状况——3万家夫妻老婆店、没有SOP、假货横行、99%的店连客户手机号都不存。第二，ServAuto怎么通过标准化和爆品策略打穿这个市场。第三，AI能在哪些环节帮上忙——从内部运营Agent到技师辅助到喷漆调色，以及一个更大的问题：车上的数据主权到底应该归谁。 → 近7万用户、每月大几千到店、18个月：核心增长靠的是serve了一个没被好好服务的群体 → 99%的修车厂连客户手机号都不存，不做任何CRM和复购运营——老板倾向一次性把LTV收完，导致过度维修和假货 → 女车主修车第一反应："问我老公、问我爸、找认识的Uncle"——信任缺失是最大的痛点 → 爆品策略：不什么都做，只做高频高标准化的品类（保养、轮胎、贴膜），限制SKU反而形成良性循环 → AI核心逻辑不是降本增效，是"同样的成本做更多的事"——empower而不是replace → 喷漆案例：马来师傅配不出与旧漆一样的颜色只能整面重喷——AI视觉+调色6-12个月可能落地，市场不小 → 数据主权：用户产生的数据主权在OEM手里。胡成臣判断：后装AI box让数据跟着用户走，整个后市场生态会根本变化 Timeline： 00:00 开场：在场第二期，讨论传统行业和AI前沿 00:47 梅晗自我介绍：北京人，东南亚创业，专注汽车后市场，18个月 01:00 为什么做车后：从Carsome看到了线上+线下整合的机会 01:57 Carsome经历：2019-2024，从一个国家到独角兽 02:45 东南亚毛利率比国内高：竞争没那么激烈，还是卖方市场 03:26 最新数据：近7万用户（比公开的3万翻倍），每月大几千到店 04:00 增长核心：serve了一个underserved market 05:02 马来西亚3万家修车厂，绝大部分是夫妻老婆店 06:00 东南亚不需要像国内那样极致精细化运营，还有更大的市场可以开拓 08:58 车主修车真实体验：没有门头、没有价签、不知道等待你的是什么 10:04 假货严重：机油假货只有车再次抛锚才发现 10:37 痛点三层：不知道会发生什么→信息不对称→不知道真假 11:52 女性车主："99%的回答是问我老公、问我爸、找认识的Uncle" 13:03 胡成臣：怎么从没有SOP变成有SOP 14:08 两个相信：让用户相信（货真价实+标准化产品）和让加盟商相信（带客能力+供应链能力） 15:11 标准化思路：不什么都做，只做高频高标准化品类——保养、轮胎、贴膜 16:15 爆品逻辑：限制SKU→标准化施工→小工一个月换100条轮胎也能熟练 17:05 门店端萝卜和大棒：能帮他赚钱（萝卜）+有抓手（大棒） 18:22 胡成臣：数据说话，目前这个方式适合这个阶段 19:28 蔚来直营vs ServAuto轻资产：不同市场不同阶段不同选择 22:15 胡成臣引出AI话题：蔚来直营遇到成本瓶颈后也借助技术手段 22:35 梅晗：AI赋能三个层面——代码开发、内部提效、面向用户的AI产品 24:50 内部已经有大量Agent：预约、退货、客户运营、财务对账、营销 26:00 底层逻辑：不是降本增效，是"在同样成本下做更多事情"——empower 27:35 两类AI应用：标准化重复工作→Agent替代；数据量大人处理不了→AI分析 28:17 直播带货2000小时/月：AI全量分析主播话术、知识结构、销售技巧 30:01 投流素材更换也让AI做，但最后按钮（涉及钱）还是人摁 30:37 胡成臣：不是为了做AI而做AI，要找到瓶颈在哪 33:07 选AI切入点的两个标准：重复率高的+数据量大人处理不了的 33:50 AI BP岗位：运营同学也能做vibe coding，捅破窗户纸 35:40 Ellen：AI一定不能替代的是什么？梅晗：修车本身——但AI可以辅助技师 37:44 GPT/Claude拍照诊断车的问题——通用大模型已经能给出不错的回答 38:57 奔驰2014款用雷诺发动机的客诉案例——技师知识覆盖面不够，AI可以补 42:37 Ellen：延伸到世界模型和具身智能 43:03 数据飞轮：车型数据+配件数据+修理数据+用户用车数据 44:48 马来西亚连配件库都还没建起来，infrastructure极其早期 45:42 AI修车在发达国家（美国）更有替代动力——labor fee更高 47:06 喷漆的故事：马来师傅配不出旧漆颜色→只能整面重喷→AI视觉可以解决 48:39 胡成臣：喷漆这个命题6-12个月可能就能攻克，市场不小 49:25 胡成臣：航空业MRO也有类似问题——飞机停一分钟就是巨大成本 53:45 Ellen：车上后装智能化有没有AI深耕的机会 54:04 胡成臣：off car（运营）和on car（车上智能化）两个维度 55:03 中国EV出海：产品力非常好，但马来西亚中国车占比不到10% 57:00 存量油车5-10年车龄，后装智能化有巨大机会 58:05 最大挑战：on car产品如果不跟车机深度绑定，能做的事有限 59:08 电动车vs油车：配件复杂度下降，但wear and tear还在 1:00:03 电动车趋势下夫妻老婆店更难adapt→市场会consolidate→对ServAuto是机会 1:01:08 三类主机厂打法：4S店经销商/全自营/授权独立维修厂——ServAuto争取第三类 1:02:07 数据归谁：用户产生但主权在OEM手里 1:02:40 欧洲Right to Repair法案：主机厂必须公布维修数据，允许第三方维修 1:04:06 胡成臣：如果后装AI box能让数据跟着用户走，生态会根本变化 1:06:18 收尾问题：如果AI能解决你最大的一个痛点，你希望它做什么？梅晗："帮我增长更快" 1:07:05 未来方向：马来西亚产业链纵深+东南亚横向扩张+AI驱动的To C产品 1:09:37 收尾 ---- 感谢Co-host胡成臣和嘉宾：梅晗，ServAuto创始人和CEO 离线时间 The AI Duet 主理人：Ellen｜新加坡 小红书：⁠⁠⁠Ellen的离线时间⁠⁠⁠ 官网：theaiduet.com 联系：⁠ellen@theaiduet.com

王可（Aria），SKS Nutrition创始人兼CEO。食品饮料行业10年经验，第一份工作在四大粮商之一ADM工作6年，之后读INSEAD MBA，在巴黎参与过一家biotech startup从0到1。去年在新加坡开始做SKS Nutrition——面向食品饮料行业的AI Agent平台，做产品生命周期管理。今年初去美国，在硅谷参加Google DeepMind的Hackathon 3000人中拿了semi-final第一名、总决赛第二名，之后在芝加哥（美国食品行业的总部聚集地）密集BD客户。目前在和全球最大零食品牌做pilot，也在和丰益国际（Wilmar）合作。 这期最有意思的是两个观察。第一，食品行业目前的状态是"知道AI在改变世界，但不知道AI能改变我什么"——所有头部品牌都没有solid的AI strategy，tech行业和food行业之间存在巨大的silo。第二，她不是tech背景出身，23年开始用ChatGPT写MBA作业，从使用者变成创造者——"这些人创造了这些工具赋予了我这个能力，我现在用这些工具再赋予更多人创造的能力"。 Highlight： → Service as Software：不卖框架卖服务，AI直接交付专业工作的结果 → AI模拟消费者测试吻合度85-90%，成本只有传统human panel的5-10% → 56个Agent按食品公司组织架构分类——市场部、研发部、感官、合规各有对应的Agent → "所有头部品牌没有一个solid的AI strategy"——tech和food之间是巨大的data silo → "很多大品牌明明有那么多钱，做的东西巨无聊"——规模化生产限制了个性化 → Google DeepMind Hackathon 3000人中semi-final第一名——非tech背景的食品行业创业者 → "人不要过多给自己偏见，这个社会已经给你很多偏见了" Timeline： 00:00 开场：王可Aria，SKS Nutrition创始人 00:34 SKS做什么：面向食品饮料行业的AI Agent平台，产品生命周期管理 01:10 为什么做食品行业：在ADM工作6年，INSEAD MBA后继续在行业内 02:15 AI带来的灵感："很多想法没有办法付诸实践，有了AI之后可以被实现" 03:20 最初想解决的问题："一个人可不可以完成很多事情" 04:03 去年在新加坡开始：同时做传统trading和AI两条线 05:09 产品定义：Service as Software，不是Software as a Service 06:05 客户案例：用digital panel替代消费者测试 07:36 与真实世界吻合度85-90% 08:09 做了一年，客户兴趣度最高的就是模拟消费者 09:44 产品生命周期闭环：市场研究→消费者洞察→配方生成→感官测试→消费者参与 11:06 56个Agent，按食品公司组织架构分类 12:48 企业内部会不会觉得被替代？"初衷不是替代，是打破专业技能对想象力的限制" 13:22 10年跨国公司最大的感受："很多大品牌明明有那么多钱，做的东西巨无聊" 14:52 个性化和柔性生产："当一个人可以变成一个团队，想象力空间无限大" 17:54 去年在新加坡遇到瓶颈：VC想象力有限，技术人才稀缺 19:49 选择去美国：之前职业起点在芝加哥，大部分食品公司总部在那 21:07 硅谷一个月：见到了最前沿的人在做什么，找到了co-founder 22:03 Google DeepMind Hackathon：3000人中semi-final第一名，总决赛第二名 24:36 芝加哥是美国食品行业的总部：中西部农业大州→大公司起家的地方 24:47 食品行业受AI冲击了吗？"没有。知道世界快被AI改变了，但不知道我们能被改变什么" 25:26 头部品牌没有solid的AI strategy，tech和food之间是巨大的data silo 27:00 SKS的策略：联合学术机构和行业高管做white paper，先定义framework 30:01 与全球最大零食品牌pilot中，30-50%用digital panel替代human panel 31:00 Food tech赛道现状：2018年plant-based那波几乎全军覆没 33:07 SKS不是food tech，是服务这个行业的AI应用层。能对标的竞争对手只有四五家 33:39 在Sara做keynote：主办方说"在国内找不到已经做出来东西的公司" 34:04 对食品行业的passion：食物是最广泛的沟通方式，所有人每天都需要 36:59 巴黎biotech startup经历：看到了founder从0到1的无奈和挣扎 38:57 现在到1了吗？"0.95。后面这0.05很难，要看社会给不给我这个机会" 40:14 接下来3-6个月：把pilot转成大合同，有1-2个solid case就到1了 41:09 也在和丰益国际（Wilmar，郭鹤年/郭孔丰家族）合作 42:52 壁垒是什么？"很多东西没有壁垒。壁垒是无形的，是多维度的因果关系" 45:06 名字SKS：Spark、Kernel、Symphony——每个人的想象力火花通过AI变成美好的乐章 45:23 非tech背景的信心从哪来：感激这个时代创造了这些工具，"他们赋予了我能力，我再赋予更多人" 47:58 去美国最大的收获："人不要过多给自己偏见，这个社会已经给你很多偏见了" ——— 感谢本期嘉宾🙏：王可 Aria，SKS Nutrition 创始人/CEO 期待大家继续关注我们 主理人：Ellen｜新加坡 小红书：Ellen的离线时间 联系：ellen@theaiduet.com

杨凌，ShipLinker创始人兼CEO。20年科技和供应链经验，本科计算机，研究生生物信息学。最早在中国国际电子商务中心（阿里巴巴起源的地方）做电商和供应链SaaS，后来创业做IoT物联网，为世界500强做数字化转型。2019年来新加坡，负责Marine Online（海运在线）——一站式海运B2B电商平台，两年做到20亿美金营收，覆盖141个国家、6000+ B2B客户。后因业务模式太重，战略性关停。现在做ShipLinker——海运AI Broker，用AI Agent帮船东、货主和经纪人做船货匹配和交易决策。 这期把海运行业从头到尾拆了一遍——四个角色怎么分工、佣金怎么构成、经纪人一天怎么过、三种租船模式的区别、为什么不能用满帮的逻辑来套。然后讲了ShipLinker的AI Agent具体做什么：从理解需求（NLP）→扫描200万数据点→裁判系统打分→推荐最优解→自动化文档和audit trail。核心判断是一句话：data不能fix deal，agent能。 Highlight： → 喜欢用科技手段处理复杂信息系统，"行业越复杂、越不透明、越依赖经验，越适合用AI Agent" → Marine Online做到20亿美金营收后战略关停，带走的最大教训：不能硬套互联网平台逻辑，关系不能被替代，ShipLinker必须做轻资产高科技 → 海运行业三阶段：信息化→数字化/电商化→智能化。Marine Online在第二阶段，ShipLinker在第三阶段 → 海运四个核心角色：货主/租家（有货要运）、船东/operator（有船要跑）、经纪人/broker（撮合+传递信任）、服务商（供油/供应/保险/代理等） → 经纪人四个价值：信息价值（谁有真实货盘）、匹配价值（哪条船最适合）、谈判价值（价格博弈）、信任传递价值（省去KYC） → 海运vs公路货运（满帮）五大区别：跨国/高金额/非标/高风险/关系驱动 → "Data doesn't close deal, AI agent does"——数据公司只解决了"看见市场"的问题 → AI Agent五步流程：理解需求（NLP）→扫描200万数据点→裁判系统（不是离得近就最好）→scoring推荐→自动化文档+audit trail → 在Marine Online想干掉中间人，失败了→ShipLinker选择与broker共舞 → 骆驼拉骆驼：新疆人的说法，"一个可靠的人会带来另一个可靠的人"。网络效应自然发生，粘性极强 Timeline： 00:00 开场：杨凌，ShipLinker创始人，20年科技和供应链经验 00:25 自我介绍：从阿里巴巴起源地做电商SaaS→IoT创业→Marine Online→ShipLinker 01:56 海运行业判断：不缺数据不缺软件，缺的是理解行业、理解交易逻辑、帮人做判断的智能层 02:18 暗线：喜欢用科技处理复杂信息系统，行业越复杂越适合AI 04:36 Marine Online：一站式海运B2B电商，两年做到20亿美金营收 05:40 为什么关停：8条业务线+供应链融资→运营资本极重→偏离科技公司初衷 07:57 从Marine Online到ShipLinker的战略转变：轻资产、高科技、AI驱动 08:52 海运行业三阶段：信息化→数字化/电商化→智能化 10:06 不能硬套互联网平台逻辑：客单大、风险高、非标、不能点击成交 10:40 关系不能被替代：最早的船货交易在伦敦小酒馆里谈成 12:40 海运四个核心角色详解：货主、船东、经纪人、服务商 15:22 封闭的圈子：跑熟不跑生，bus route vs taxi route 16:32 干散货占60%以上，其中一半以上是taxi模式——ShipLinker的切入点 16:50 佣金构成：3.75-5%（有时候船东付1.25%），经纪人四个价值 18:20 经纪人的一天：查邮件→匹配资源→打电话沟通→筛船→谈价格→签租约 20:48 完成一票货：1-2周，前3-7天找船 21:39 三种租船模式：定程（VC）、定期（TC）、光船（Bareboat） 24:49 海运vs满帮：五大结构性区别 32:28 为什么笃定做Agent而不是卖数据 33:50 "Data doesn't close deal, AI agent does" 35:01 AI Agent五步流程：NLP→200万数据点扫描→裁判系统→scoring→自动化文档 39:54 不替代关系，替代重复劳动：Marine Online想干掉中间人失败了 41:03 经纪人反应比预期积极：从3-5天找船变成1分钟 42:06 中东局势升级案例：30% organic registration 43:33 vs Sedna：三层壁垒 45:46 ESG不是为了BP好看：IMO脱硫→脱碳→欧盟碳交易 48:17 定价逻辑：1000→3000→Enterprise API 50:06 33%客户主动升级，trigger是从工具变成日常工作流 51:22 骆驼拉骆驼：网络效应自然发生 52:44 先抓稀缺端：船公开货不公开 53:56 大客户vs独立经纪人：像Bloomberg 55:42 希腊扩张策略：关系切入+wow factor+小场景先行 57:13 收尾：Data不能fix deal，Agent能 ----- 感谢本期嘉宾🙏： 杨凌，Shiplinker⁠创始人/CEO 期待大家继续关注我们 主理人：Ellen｜新加坡 小红书：⁠Ellen的离线时间⁠ 联系：⁠ellen@theaiduet.com⁠