Jamie Cuff的公司Pace，正在把毛利率从10%提升到80%。
如果你还在讨论AI能不能节省人力成本，那你可能还停留在「用AI优化工具」的阶段。真正的颠覆发生在：用AI直接替代整个外包服务商。
Jamie，普林斯顿毕业，Sequoia做过投资人，在Retool当过明星工程师。2024年，他创立Pace，目标是用AI Agent替代保险行业的BPO（业务流程外包）服务。
传统BPO公司雇佣数十万人处理文档、邮件、数据录入，毛利率10-15%。Pace的目标是：同样的工作，换成数十万个AI Agent加一小队保险专家，毛利率80%。
这不是渐进式改进。这是整个商业模式的重构。
Jamie对保险行业的理解，从他出生就开始了。
他出生在伦敦，在纽约、伦敦、百慕大三地长大——这三个地方恰好是全球保险业的中心。他父亲在再保险公司负责运营，后来管理伦敦劳合社的一家承保公司。
「我从小就知道这个问题，」Jamie说，「但大学毕业时我没有立刻冲向它。」
他先去了Sequoia实习，然后加入Retool。在Retool，他做forward deployed engineer——一个介于工程师和销售之间的角色，直接飞到客户现场，帮他们用Retool搭建内部工具。
Retool的很多客户来自金融服务业。Jamie发现，这些公司都在用Retool搭建工具来优化BPO流程——政策管理、理赔提交、数据录入。
「那时候，软件能让BPO成本降低10%，」Jamie说，「这是OCR和RPA这些技术能做到的极限。」
但ChatGPT出现后，他意识到：现在可以不是优化BPO，而是直接替代它。
保险业的通用语言是邮件和PDF。因为行业里有太多中间商，没有统一的系统，所以大家只能用邮件、PDF、电话沟通。没有API可以对接。
这催生了BPO行业——大量人工处理这些文档和邮件。
也正是这一点，让AI Agent有了机会。
「很多人问我什么让我夜不能寐，」Jamie说，「答案是：我们可能会做成一个很大的BPO公司，但什么都没改变。」
BPO行业有多家市值数百亿美元的上市公司，毛利率10-15%，雇佣数十万到数十万人。这些都是好公司，团队也很优秀。
但Jamie的目标不是复制它们。
「我们的失败场景是：做成一个几十亿美元的BPO，但没有改变行业经济学，」他说，「我们的目标是把毛利率从10%推到80%，用数十万AI Agent替代数十万人。」
这听起来很激进。但他有清晰的路径：每次产品改进，毛利率就上升。
他不追求第一天就有高毛利率，但必须有一条通向它的路径。
「我们的飞轮是：产品越好，毛利率越高，」Jamie说，「即使今天毛利率低，当我们接手越来越复杂的任务时，这个数字会持续上升。」
问题来了。
怎么用AI做到这一点？
传统做法是：搭建一个工作流DAG（有向无环图），在不同节点插入AI功能——这里做文档提取，那里发邮件。
Jamie认为这是「低估了AI」。
「BPO之所以存在，是因为这些工作很难用代码确定性地实现，」他说，「原因是有人类判断和大量边缘案例。如果你把AI塞进小盒子里，再用代码层包裹它，你就错过了AI今天能做的事。」
Pace的做法是：让AI Agent端到端执行整个标准操作流程（SOP）。
不是「AI做这一步，代码做那一步」，而是「AI从头到尾执行SOP，需要时调用工具」。
具体怎么做？
Jamie说，他们大部分工作流都没有人类在环路中。AI从头到尾处理。
开始时，AI准确率可能是90%。然后通过人工标注一批案例，让它达到99.5%以上——这是客户要求的关键任务级别精度。
达到这个精度后，运营团队就转向下一个最困难的任务。
Pace从哪类任务入手？
第一，必须是已经外包给BPO的任务。因为SOP已经成文，准确率检查机制已经存在，而且替换BPO比重新培训正式员工容易。
第二，高频任务，ROI最大。看客户的BPO预算，哪项花钱最多？
通常，他们从漏斗顶部开始——提交接收（submission intake）。保险公司收到新风险提交，提取数据，执行业务逻辑，写入承保平台。
理赔端也一样——首次损失通知（first notice of loss），把信息录入内部系统。
做完这些，客户会要求处理保单生命周期的下游任务：批单处理（endorsement processing）、保单管理、账单。理赔端则从理赔接收延伸到赔付和质量保证。
典型效果是什么？
成本节省50-75%，而且是短期内实现的。
但客户很快发现，更重要的不是省钱。
「以前BPO做不到的事，现在AI能做了，」Jamie说。
比如速度。提交接收不只发给一家公司，谁先回复，谁就能抢到业务。AI能以超人速度处理，让客户更快成交。
比如可扩展性。BPO工作不是全年均匀分布的，飓风季或开放注册期会暴增。以前得紧急扩编BPO团队，现在AI 24/7处理，积压还没形成就清空了。
比如可观察性。BPO以前是黑箱，你不知道每个任务在哪个阶段、瓶颈在哪。现在能看到AI的每一步推理，客户可以重新设计流程，而不只是复制旧做法。
但最关键的是：Pace的每一个pilot都成功了，100%转入生产。
这在AI行业不常见。麻省理工有研究说95%的AI pilot失败。
Jamie怎么做到的？
两个字：贴身。
Pace信奉「forward deployed engineering」。Jamie在Retool时搭建了这支团队，Retool在Palantir之后可能是规模最大的forward deployed engineering团队之一。
这种角色的特征是：前创始人，或者想做商务的工程师，或者懂技术的商务。核心只有一条：不惜一切让客户成功。
具体做什么？
飞到客户现场。理解用例。帮他们调优prompt。深入运营数据，创建干净的评估集。帮他们对接内部系统。做所有让pilot成功的脏活累活。
「我们不是在dummy数据上做demo，」Jamie说，「我们直接进去让他们成功。我们让客户设定最难的成功标准——我们对产品有信心。」
Jamie说，关键是同时雇佣两类人：AI专家和保险专家，让他们紧密坐在一起，跟客户一起工作。
保险专家来自头部承保公司，做过大规模关键运营。AI专家是前YC创始人，在AI Agent前沿工作。两个人坐在一起，为客户解决问题。
「我们的经验是，既懂AI Agent又懂保险的人很少，」Jamie说，「但两类人都很快能学会对方的领域。」
这种模式会持续吗？
Jamie认为短期内肯定会，长期则会演化。
短期：forward deployed engineer会深入客户工作流，帮他们上线越来越多用例，扩展BPO预算覆盖范围。
长期：部署时间缩短，工程师工作变得更高杠杆，因为很多东西会固化到产品里。客户可以自己在Pace产品中构建工作流——有客户已经在生产环境跑9-10个工作流，都是业务分析师自己搭的。
「关键是团队配比要匹配，」Jamie说，「如果forward deployed团队很大，工程团队很小，你就没有真正投资产品。我们现在80%是工程师，顶层是一小支forward deployed团队和GTM团队。」
他们怎么实际落地？
客户的SOP通常是50-100页的文档，列出60多个步骤，标注「从这里提取这个字段」，「输入到这个管理面板」，红框框出关键信息。
Pace把这些SOP转化为「Agent Operating Procedure」（AOP）。在产品里，这是一个类似Notion的文档，用自然语言写出所有步骤，然后调用各种工具让AI完成保险行业的所有操作。
工具包括：
- 长上下文检索，从复杂文档集提取信息
- 对大量规则进行人类推理的工具
- 向关键垂直系统写数据的工具
- Web Agent，用于那些没有API的系统（比如经纪人登录承保公司的门户）
「如果有API，我们用API，」Jamie说，「如果没有，我们用Web Agent。我们会让他们成功。」
很多客户说，Pace是他们最快达到POC（概念验证）和最快进入生产的供应商。
Jamie的愿望清单上有什么？
「推理模型的扩展曲线对我们帮助很大，」他说，「特别是处理复杂文档。这不是100%解决的问题，但我们能做到超过人类的可靠性。」
下一个前沿是Web Agent。
「如果有实验室的人在听，请把最好的Web Agent发给我们，」Jamie说，「我们在保险领域跑了大量Web Agent工作流。典型任务是在保险管理面板上做CRUD操作——它们看起来和订餐厅、订机票这些Web Agent demo很不一样。」
长期看，他押注强化学习（RL）。
因为Pace的产品不是工作流图构建器，不是把AI塞进一个个小方框里，让它只看到当前步骤的上下文。
「如果你有团队里最好的人，你不会把他塞进盒子里说『你只需要给这些文档分类，不需要知道前后发生了什么』，」Jamie说。
Pace让AI从输入到输出端到端决策，遵循AOP。这意味着长期来看，他们能在每个工作流上做强化学习——因为有明确的输入、可评分的输出、可构建奖励函数的预期结果。
「长期来看，不是把所有东西编码成确定性流程来让Agent成功，」Jamie说，「而是给Agent一个完美建模的世界，让它在其中工作，并对端到端的工具调用做强化学习。」
这背后的理论，是「Jobs to Be Done」的延伸。
客户不是在买BPO服务，他们是在买「处理完这些文档，数据进入我的系统」这个结果。BPO是钻头，结果是墙上那个洞。
传统BPO用人来完成这个job，Pace用AI Agent。但关键差异不只是「人换成AI」，而是整个交付模型的改变：
速度：AI不需要上下班，不需要培训期，飓风季来了直接扩容。
准确性：人在周五下午3点看300页文档对照100条规则，会漏掉第298页的某条。AI每次都以相同质量处理。
可见性：BPO是黑箱，AI的每一步推理都能看到。
经济性：人力成本线性增长，AI成本按边际递减。
这不是「AI辅助人类」，是「AI替代整个服务层」。
Jamie说，有些客户的BPO准确率实际上只有90%——5-10%的错误率是常态。而Pace的目标是99.5%以上。
「在很多用例上，AI能比人更准确，」他说，「不是『和人一样准』，是『比人准』。」
但这套模式有边界。
第一，它依赖已经成文的SOP。如果客户的流程没有明确文档，Pace就得先帮他们整理——这增加了前期成本。
第二，它聚焦高频、高量任务。对于低频、高度定制化的任务，AI Agent的ROI不够明显。
第三，它需要客户信任。保险是信任生意，客户不会把核心流程交给一个他们不信任的AI系统。这就是为什么forward deployed engineer如此重要——他们在现场建立信任。
第四，Web Agent还不够成熟。Jamie直言，保险管理面板和订餐厅的Web UI差异巨大，现有Web Agent在保险场景的成功率还不够高。
第五，它目前只在保险业验证。Jamie的长期愿景是扩展到整个BFSI（银行、金融服务、保险）的BPO市场——总规模约4000亿美元，和全球云软件市场差不多大。但跨行业复制需要时间。
Jamie最后说：「Sequoia纽约办公室的电梯出来，有个屏幕写着『我们只和下一笔投资一样好』。」
他把这句话改了：「我们只和下一个客户一样好。」
每个季度归零。每个新客户，你都得让他成功。过去的成绩只是背书，不是保障。
Jamie说他最大的收获是：这是个做公司的好时代。
「以前用软件很难编码的东西，现在用LLM很容易，」他说，「我们能搭建以前需要几十年才能用软件实现的工作流，因为你可以把很多东西卸载给Agent。」
屏幕上，Pace的仪表盘显示：又一个工作流上线了。