商业模式拆解 · Decagon
Decagon 按对话收费切客服预算，赌语音与主动性智能体跑通之前现金不断
Decagon 把客服对话变成可计量的收费单元，用融资撑住定制交付与模型自研，赌企业愿意为省下的人力按次买单。
关键数字
Decagon 的收入来自中大型企业客服预算，按对话或按解决计费，把省下的人力成本转成按次支出。钱主要花在定制交付、语音与流程模型研发以及销售获客上，靠 2026 年 1 月 D 轮及此前融资活着。它最大的赌注是：在 Salesforce 自研客服 Agent 与 Sierra 等同质产品挤压下，企业愿意为可审计的对话质量持续按次付费，而不是转向按坐席打包或自建。最可能的结局是被推到更窄的行业深水区，用语音和人工坐席辅助拉高单客合同额，同时承受毛利率被模型与云成本侵蚀的压力。
产品与模型
客服智能体按对话计价，把人力预算转成按次支出
Decagon 的核心产品是处理企业客服对话的 AI 智能体，多数客户默认按对话计费，第三方估算约 0.99 美元/次，另有按解决计费模式，但费率未获可靠披露（仅 R8 一处低置信来源提及约 0.50 美元/次，未获其他来源印证）。这个定价把企业原本按坐席数编制的人力预算，转成随对话量波动的变动成本，采购方更容易用“每次对话比人工坐席便宜”来立项。
但按对话计费把收入与对话量绑定，企业一旦把简单问题分流到自助或更便宜的渠道，单客收入就会缩水。Decagon 需要不断把智能体推进到更复杂的场景，才能保住对话单价与对话量。
2026 年 3 月推出主动式 Agent（含外呼语音），本质是把计费单元从“用户发起”扩展到“企业发起”，在存量对话之外制造新的按次收费场景。
依据R5R8R9语音与人工坐席辅助拉高单客合同额，但定制交付拖慢复制
2026 年 10 月发布的 Voice 3 搭载自研 Chord 语音模型与双工架构，2026 年 8 月的 Decagon Assist 可嵌入 Salesforce、Zendesk、Front，给人工坐席做 copilot。这两条产品线指向同一个商业动作：在文本客服之外，把语音通话与人工坐席时段也纳入收费范围，抬高单客合同额。
代价是交付变重。语音涉及电话网络、延迟与合规，人工坐席辅助要对接客户现有的工单系统，定制成分高于纯文本智能体。定价完全定制、不公开价格页、采用年度企业合同，说明每单都要谈，销售与交付人力随合同数线性增长。
对 Decagon 而言，产品越往语音和坐席走，越像一家企业软件交付公司，而不是自助式 API 公司。这能提高合同额，但也限制了客户数的扩张速度。
依据R1R2R5收入模式
大客户年度合同加用量费，平台费只是入场券
Decagon 向企业客户收年度平台费，再按对话或按解决加收用量费，定价完全定制、不公开价格页。第三方估算平台费约 5 万美元起、按对话约 0.99 美元/次（R5、R8）；Vendr 记录年度合同中位数约 38.6 万美元、区间 9.5 万至 59 万美元以上（R8）。这两个口径不矛盾：5 万美元是入场门槛，中位数合同反映的是带用量的大客户。
这种结构让收入高度依赖少数大客户。平台费覆盖基本交付与支持，真正拉开差距的是用量费，而用量取决于客户把多少客服流量交给 Decagon。客户越集中，Decagon 在续约谈判中越被动。
年度合同也意味着收入确认周期长，销售拿下一单后要等一年才看到完整用量，现金流与合同额之间存在时滞。
依据R5R8按解决计费是给大客户的让步，不是第二增长曲线
除按对话外，Decagon 还提供按解决计费，但费率未获可靠披露（仅 R8 一处低置信来源提及约 0.50 美元/次，未获其他来源印证）。按解决计费把付费锚点从“对话发生”移到“问题被解决”，对采购方更友好，但要求 Decagon 能证明解决率，否则收入会被争议拖住。
这更像是大客户谈判中的让步条款，而不是独立收入线。多数客户默认按对话，说明 Decagon 更愿意收确定性更高的对话费；按解决只在对解决率有信心的客户或竞争激烈的单子里使用。
两种计费并存也带来内部管理成本：同一套产品要按两种口径计量、对账与开票，规模越大越难摊薄。
依据R5R8客户与市场
旅游零售金融的健康科技客户，买的是人力替代的确定性
Decagon 的客户包括 Notion、Bilt、Duolingo、Substack、Rippling、Hertz、Chime、ClassPass，重点行业为旅游、零售、健康科技与金融服务。这些行业的共同点是客服对话量大、问题重复度高、人力成本可量化，采购方能用“缩减多少坐席”来算账。
Bilt 使用后将客服团队从数百人缩减至 65 人（报道口径为“数百人”，未给出精确起始人数，因起始人数未披露，缩减比例无法计算），ClassPass 用智能体完成 250 万次对话、单次预订成本降低 95%。这两个案例是 Decagon 销售时最有力的证据：它卖的不是模型能力，而是可被财务部门验证的人力替代。
但这类客户也最容易被竞争对手用同样的话术撬走。客服智能体的效果依赖客户自己的知识库与流程，切换成本主要在集成与调优，而不在模型本身，客户忠诚度有限。
依据R14R10R9获客与渠道
直销加定制合同，渠道靠销售而不是生态
Decagon 不公开价格页、采用年度企业合同，获客靠直销团队逐单谈判，而不是自助注册或云市场分成。2026 年 8 月的 Decagon Assist 可嵌入 Salesforce、Zendesk、Front，这是产品层面的集成，不是渠道层面的分销，Decagon 仍要自己完成销售。
这种分发方式与它的客户结构匹配：中大型企业的客服采购涉及 IT、运营与财务，需要定制演示与试点，纯线上转化率低。代价是销售周期长、获客成本高，55 人的团队规模（截至 2025 年 2 月）难以同时覆盖多个行业。
与 Sierra 等竞争对手相比，Decagon 没有明显的渠道优势，更多靠案例与行业口碑滚动获客。
依据R5R2R13成本结构
钱花在定制交付与语音研发，毛利率让给了模型和云
Decagon 的成本大头不在模型训练本身，而在两处：一是每单的定制交付，包括对接客户知识库、工单系统与电话网络；二是语音与流程模型的研发，Voice 3 搭载自研 Chord 语音模型，需要持续投入。
按对话计费意味着每次对话都有模型推理成本，语音通话还要叠加电话网络与实时推理开销。定价完全定制、按次收费，说明 Decagon 把成本波动转嫁给了用量，但单价能否覆盖推理成本取决于对话复杂度与模型效率。
销售与交付人力随合同数增长，而合同数受直销模式限制。这形成一个循环：要增长就要加销售与交付，加人又推高成本，融资成为填补这个循环的主要来源。
依据R4R1R5融资与资本
四轮融资撑住定制交付，估值涨得比收入快
Decagon 靠股权融资活着：2024 年 6 月 500 万美元种子轮，2024 年 10 月 6500 万美元 B 轮、估值 6.5 亿美元，2025 年 6 月 C 轮、估值 15 亿美元，2026 年 1 月 2.5 亿美元 D 轮、估值 45 亿美元。据 Multiples 记录累计融资 4.51 亿美元，另有 1 次老股转让；各轮金额未完全披露、无法逐轮核对，已知轮次金额加总与 4.51 亿美元存在缺口，差额可能来自未披露的 C 轮及其他轮次。
Multiples 记录 2024 年 10 月 B 轮时收入 3500 万美元、估值 6.5 亿美元，并记录 18.6 倍倍数（账本未说明该倍数的计算口径）；Forbes 2025 年 5 月报道已签约合同超 1000 万美元。两个口径差异大，公开资料未披露统一口径，不宜直接比较。估值从 2024 年 10 月 B 轮 6.5 亿美元升至 2026 年 1 月 D 轮 45 亿美元，账本记为增长 6.9 倍，而收入口径的公开证据并不支撑同样的增速判断。
D 轮资金的主要用途是撑住定制交付团队、语音研发与销售扩张。在毛利率被推理成本压制的情况下，融资是维持增长的必需品，而不是可选项。
依据R4R14护城河
护城河主张是流程与质检，不是模型本身
Decagon 的护城河主张是 AOP 自然语言流程、supervisor 防幻觉与 Watchtower QA，均属厂商自述。这些能力指向同一个采购痛点：企业不敢把客服完全交给模型，需要可审计、可回滚的流程控制。
但这类能力不难被复制。Salesforce 可以把质检与流程控制做进自有客服套件，Sierra 也在做类似的事，产品同质化、常做对比测试。Decagon 真正的积累在客户侧：接入过的知识库、调优过的对话流程、积累的行业案例，这些让续约比新签容易。
问题在于这些积累不构成排他性。客户切换供应商的主要成本是集成与调优，而不是数据锁定，护城河深度有限。
依据R10R11R14风险与不确定性
与 Sierra 和 Salesforce 正面撞车，价格与功能同时被压
Decagon 的竞争者是 Sierra 与 Salesforce 自研客服 Agent，产品同质化、常做对比测试。账本记录 Sierra 估值为 45 亿美元（未披露时间点），与 Decagon 2026 年 1 月 D 轮估值数字相同，但两者时间点不可比。Salesforce 可以把客服 Agent 打包进既有套件，用捆绑定价挤压独立厂商；Sierra 则在相似的客群里用相似的计费方式竞争。
Decagon 的应对是把产品往语音与人工坐席辅助推，但这恰是 Salesforce 与 Sierra 也在投入的方向。竞争落到定制交付与行业案例上，公开资料未披露 55 人团队之后的扩张情况，能否同时覆盖多个行业存疑。
价格战一旦发生，按对话计费的单价会被压低，而推理成本不会同步下降，毛利率首当其冲。
依据R14R13第三方验证基础薄弱，采购方尽调时缺少外部证据
G2 评论仅 21–29 条，第三方验证基础薄弱。对一家卖年度合同、中位数约 38.6 万美元的公司来说，采购方在尽调时会要求外部评价与对标案例，评论数少会拉长销售周期或压低合同额。
Decagon 的公开案例集中在 Bilt、ClassPass 等少数客户，行业覆盖广但深度案例少。客户在选型时很难判断 Decagon 在自己行业里的实际表现，只能依赖试点，而试点本身又拉长成交周期。
这不是致命风险，但会限制它在没有强关系的新行业里复制速度，增长更依赖销售个人能力而不是产品口碑。
依据R11R12R8关键节点
对AI原生公司创始人的启示
这一节是编辑判断，基于上面的证据推演，不是公司原话。
把服务拆成可计量的收费单元，但别跟着客户做逐单定制
Decagon 把客服对话拆成按对话或按解决计费，让采购方用“每次比人工坐席便宜”来立项，平台费只是入场门槛，真正拉开差距的是用量费。小团队可以借这个结构：把自己的交付拆成可计量的单元，按次或按结果报价，让客户能用省下的人力或时间算账，而不是卖模糊的月度服务。
借不了的是它的定制交付。Decagon 有累计 4.51 亿美元融资和 55 人团队撑着逐单对接知识库、工单系统与电话网络，小团队没有这个缓冲。更现实的做法是限定服务范围，用标准化流程覆盖多数需求，把定制留给少数高溢价单子，否则时间会被单个客户锁死。
用能算清账的案例做销售证据，而不是堆功能清单
Decagon 销售时最有力的证据是 Bilt 把客服团队缩减至 65 人、ClassPass 完成 250 万次对话且单次预订成本降低 95% 这类可被财务部门验证的结果。小团队同样应该积累一两个能算清账的案例，把“省了多少人、降了多少成本”讲清楚，这比罗列模型能力更能打动采购方。
但要注意这类案例的局限。Decagon 的公开案例集中在少数客户，G2 评论仅 21–29 条，第三方验证基础薄弱，采购方尽调时缺少外部对标证据，会拉长成交周期。小团队案例更少，更该把每一个案例做深，而不是追求行业覆盖广度。
往高价场景延伸能抬高合同额，但要先算清交付变重的代价
Decagon 从文本客服扩展到语音与人工坐席辅助，本质是把计费单元从“用户发起”扩展到“企业发起”，在存量对话之外制造新的按次收费场景，抬高单客合同额。小团队可以借这个思路：在核心产品之外找一个客户愿意单独付费的相邻场景，用更高的单客合同额换取更少的客户数。
借不了的是它承受交付变重的能力。语音涉及电话网络、延迟与合规，坐席辅助要对接客户现有工单系统，定制成分高于纯文本，销售与交付人力随合同数线性增长。Decagon 靠融资填补这个循环，小团队没有这笔钱，往高价场景走之前要先确认新增的交付复杂度不会把有限的人力吃光。
公开资料没有回答的问题
- 按对话与按解决两种计费各自贡献多少收入，公开资料未披露
- 语音与人工坐席辅助产品的毛利率，公开资料未披露
- 2025 年 5 月 Forbes 报道的超 1000 万美元已签约合同（常称 ARR）与 Multiples 记录的 2024 年 10 月 3500 万美元收入（revenue），口径差异原因公开资料未披露
- 55 人团队（截至 2025 年 2 月 7 日）之后的人员变化，公开资料未披露
- 与 Sierra、Salesforce 竞争中的赢单率，公开资料未披露
证据来源
正文里的编号对应下面的来源。数字没有来源的句子在成稿前已被删除；公开资料未披露的直接写明未披露。
- R1The AI concierge for every customer [and their agent] | Decagondecagon.ai · 一手来源 · 可信度 91
- R2Introducing Decagon Assist: Empower every representative to deliver concierge experiences | Decagondecagon.ai · 一手来源 · 可信度 89
- R3Complete AI customer support setup: Tools, integrations, and launch strategy | Decagondecagon.ai · 一手来源 · 可信度 89
- R4Decagon Revenue, Valuation, Funding & Investors | Multiples - Decagon Revenue, Valuation, Funding & Investorsmultiples.vc · 媒体与披露 · 可信度 87
- R5Decagon Pricing: How Much Does Decagon Cost in 2026?quiq.com · 媒体与披露 · 可信度 86
- R6Decagon 携手 ElevenLabs，将 AI 语音智能体引入客户服务elevenlabs.io · 媒体与披露 · 可信度 85
- R7Decagon Partners with ElevenLabs to Bring AI Voice Agents to Customer Service - Decagon Partners with ElevenLabs to Bring AI Voice Agents to Customer Serviceelevenlabs.io · 媒体与披露 · 可信度 85
- R8Decagon AI Pricing in 2026: Is it Worth the Cost?fin.ai · 媒体与披露 · 可信度 85
- R9Decagon Unveils Proactive Agents – The AI Concierge for Every Customer In The Agentic Commerce Era - Mar 9, 2026 10:59 AM Eastern Daylight Timebusinesswire.com · 媒体与披露 · 可信度 85
- R10Decagon vs Intercom Fin (2026): Which is Better?theaiagentindex.com · 媒体与披露 · 可信度 85
- R11Decagon Review (2026): AI Support for Notion, Duolingotheaiagentindex.com · 媒体与披露 · 可信度 85
- R12Decagon vs Ada (2026): Which Customer AI Wins?theaiagentindex.com · 媒体与披露 · 可信度 84
- R13Report: Decagon Business Breakdown & Founding Story | Contrary Researchresearch.contrary.com · 媒体与披露 · 可信度 84
- R14AI Startup Decagon In Talks To Raise $100 Million At A $1.5 Billion Valuation - AI Startup Decagon In Talks To Raise $100 Million At A $1.5 Billion Valuationforbes.com · 媒体与披露 · 可信度 83
由 EveryTik 调研流水线生成（deepseek-flash），经结构门禁、数字核对与独立审稿；引用 11 个来源、8 个独立域名。发现错误请以公开来源为准，我们会在下一轮调研时修正。