一家“二手车经销商”的“AI CEO”实验

墨西哥有一座城市叫库埃纳瓦卡。六周前，Kavak把这座城市的二手车业务交给了一个AI CEO。

六个星期后，利润涨了50%。

这个AI接管了整座城市的运营决策——给每一位一线员工发当天的工作计划，每天晚上收语音汇报进度，盯住每一个数字、每一个客户、每一辆车，不断调整策略。目标本来是利润翻倍，虽然没做到，但1.5倍的结果已经足够让团队决定继续跑下去。

8月10日，a16z的两位合伙人Angela Strange和Gabriel Vasquez请来了Kavak的首席产品与AI官Alejandro Maza Ayala，做了一期36分钟的播客。

Alejandro在节目里完整拆解了Kavak过去三年的AI转型——一家拉美二手车公司，怎么彻底转型成为一家由Agent运转的公司。

Kavak是拉美最大的二手车交易平台，做的事不复杂——买车、翻新、卖车、做车贷。但是拉美缺乏成熟的汽车交易基础设施，Kavak被迫把一切都垂直做了一遍：检验、物流、金融、保险。

这给了它一个独特条件：没有一个环节外包，所有数据都在自己手里。Alejandro加入后，和创始人Carlos一起做了三个决定。

三个决定：重设公司、超人类Agent、换KPI

Alejandro把这三件事叫"赌注"——当时确实没有成功先例可以参照。

第一个赌注：围绕AI重新设计整个公司。 Alejandro说："我见过太多公司搞黑客松，让人提用例，然后赞助几个——这没用。"他的做法是反向推：先想清楚2035年的Kavak长什么样，然后从现在开始建那个版本。这意味着公司的组织结构、团队配置、工作方式全部要重新设计。

第二个赌注：可以造出超人类的Agent。 "在每一个我们关心的维度上，Agent的表现都超过我们雇过的最好的员工。"更关键的是Agent的学习机制——一个Agent犯了错、学到了，第二天全系统20万个Agent全部同步学到。Alejandro称："它们有无穷的耐心，记得客户的全部历史，可以替客户做长期规划，永远不会累。"

第三个赌注：换一套衡量体系。 Kavak以前是一家交易型公司，盯的数字是买了多少车、卖了多少车、用了多少刹车片。Alejandro把它变成了一家关系型公司。现在他们的数据库里有一千万客户，每个人配了一个Agent，Agent的唯一目标是最大化这个客户的终身价值。

Alejandro算过一笔账：只要能激活1%的客户基数，就是几亿美元的增量收入 。"这是一个赌注，在我们这个行业、这个客单价上说得通。二手车买卖的核心是信任，而建立信任的唯一方式，是了解你的客户，经营一段长期关系。"

三个赌注全部押对了。Alejandro给出一组数字：96%的客户交互由Agent完成，95%的交易由Agent处理。每天，Kavak都会为客户按需启动10万到20万个专属Agent，每个Agent都运行在独立的虚拟机中。

一个客户一个Agent

Kavak的Agent架构跟市面上大多数Agent方案有一个根本性不同。

比如一个客户来到二手车平台，传统 Agent 服务流程可能是：

客户→销售Agent→推荐车辆→贷款Agent→保险Agent→交易Agent→任务结束

也就是说，Agent 是围绕“任务”设计的。

Kavak 一开始其实也是这么做的，但后来发现：为什么一定要按照“任务”拆Agent？如果未来模型足够聪明，一个Agent其实可以完成整个客户生命周期。

于是他们把原来的 Multi-Agent Graph 基本推翻了， 从Agent per task变成Agent per customer。

Alejandro描述了技术细节：客户进入Kavak系统时，系统为这个客户生成一个专属Agent，分配一台独立的虚拟机。这个Agent记得这个客户所有历史——两年前打过的电话、浏览过的页面、聊过的天、申请过的贷款。所有交互都在同一个上下文里。

所以这不是一个“客服机器人”，它更像一个永远认识你的私人汽车顾问，更关键的是， 它有长期目标——"最大化这个客户的生命周期价值"。

比如，某客户现在只是进入平台看车，Agent不会急着推动他完成购买，而是结合他过去的浏览记录、预算和需求，判断当前最合适的策略：可能先推荐几款车型和匹配的融资方案，过一段时间再根据他的行为和预算变化重新触达；如果发现他有旧车需要处理，就主动提供置换方案，如果发现贷款存在困难，就调整融资方案。即使这名客户这次没有购买，Agent也不会就此结束，而是会持续跟踪他的需求，在几个月后合适的时机再次激活他。

它管理的因此不是一次具体的购买请求，而是与这个客户长期的关系。 这也是为什么 Alejandro 说 Kavak 从一家交易型公司变成了一家关系型公司。

这个架构极其简洁：每个客户一台虚拟机，一个Agent，一套记忆，一套评估，一个长期目标。Agent调用公司的所有API和工具，像一个全能员工一样服务这个客户。

但要走出这一步，还得有一整套跟得上的评估体系。

评估投入和建Agent投入一样多

在Alejandro看来，企业真正大规模部署Agent的关键，并不只是把Agent做出来，而是能不能建立一套足够可靠的评估体系，让Agent敢于直接进入真实业务。

他给出的经验法则非常明确：Kavak在评估上投入的工程师时间、Token和资金，和建设Agent本身大致相当。在他看来，评估不是Agent上线后的“质量检查”，而是与Agent开发同等重要的基础设施，只有先建立好评估体系，企业才有可能真正放开手脚让Agent进入生产环境。

Kavak最看重的也不是那些容易量化、却未必真正代表业务价值的指标。Alejandro认为，很多企业会关注通话时长、对话轮次等“表面KPI”，但这些指标只能提供一些过程信息，真正应该回答的问题是：客户最终买车了吗？贷款获批了吗？客户把车卖给Kavak了吗？ 也就是说，评估的核心必须回到业务结果，判断Agent是否真的为客户和公司创造了价值，以及客户未来是否愿意再次与公司互动。

这套评估方法也让Kavak敢于把Agent直接放到最关键、也最难的销售环节。卖一辆二手车远比回答一个客服问题复杂，客户需要在约2万种车型中做选择，同时还要处理融资、保险以及旧车置换等环节，而从产生购买意向到最终决定，通常需要三到四个月。

Kavak过去需要依靠15个不同领域的专家分别处理这些环节，包括融资、车型咨询、车辆收购评估和保险等，客户也因此需要在不同团队之间不断切换。Kavak后来做的事情，是让一个Agent同时掌握这些专家的能力，把原本分散在15个团队里的专业能力整合到一个“超级专家”身上，再直接面对客户。

结果非常明显： Agent上线后，客户NPS提升了三倍，销售转化率最初就比人类团队高出50%，如今已经达到人类团队的2.1倍 ；在金融业务上，过去通常需要两个月以上才能完成的车贷审批，也被压缩到了3分钟以内。

正是在这些真实业务结果的验证下，Kavak开始进一步追问一个更加激进的问题：如果Agent已经能够比人类更好地完成销售，那么CEO这样的工作，是否也可以交给AI？

一座城市的AI CEO实验

在墨西哥的库埃纳瓦卡，Kavak做了一场颇为激进的实验：把这座城市的业务交给一个AI Agent担任CEO。

这个Agent并不是简单地分析经营数据，而是像一个极度精细的管理者一样，深入查看每一个数字和每一个客户，做出预测，并把每天需要执行的任务拆解到一线员工。

每天，它都会向当地的销售、检验员以及其他一线员工发送当天的工作计划，员工完成任务后再通过语音反馈进展，AI据此持续评估执行情况并调整后续决策。 库存管理、库存周转、融资渗透率、客户满意度等关键经营指标，都被纳入它的管理范围。

这个实验运行了六周。Kavak最初给第一个月设定的目标，是让库埃纳瓦卡的利润翻倍，最终虽然没有达到2倍，但利润还是提升了50%，达到原来的1.5倍，而且客户满意度、库存管理、库存周转和融资渗透率等几乎所有核心指标都出现改善。

对于一个刚刚开始运行的AI管理系统来说，这个结果已经足够让团队继续推进实验。

更激进的是，Alejandro认为，CEO并不是AI最难替代的岗位。面对“AI能不能做CEO”这个问题，他的答案是：按照当前AI的进步速度，到2035年，CEO这样的工作很可能也能够由AI完成。

但CEO可以交给AI，并不意味着所有工作都能如此。

Kavak在墨西哥约有800名机械师，而车辆检测、维修和翻新涉及大量精细的肢体操作和感官判断，这些任务目前仍然很难被AI直接替代。因此，Kavak给机械师配备的不是一个“替代者”，而是一个AI副驾驶，并把它称为“El Mike”。

Alejandro用《料理鼠王》中的场景来形容这种关系：AI就像躲在厨师帽子里的小老鼠，在背后指导人类完成工作。El Mike会告诉机械师应该如何检测车辆、提供实时提示并指导操作，让AI负责知识和判断，人类负责物理世界中的执行。

结果同样非常直接：车辆检测和维修速度都更快，成本更低，更重要的是翻新车辆的质量提高了，质保相关指标也明显改善，同时客户满意度进一步提升。

CEO也要参加的"绝地武士学院"

Alejandro说：每个人的工作都会被改变。Kavak的路线是训练每一个人。

他们建了一个内部培训项目，叫"绝地武士学院"（Jedi Academy）。从CEO到AI工程师到财务到机械师，所有人参加。六周内，每个人都要把一个Agent从零训练到上线生产。Alejandro直接把话说到了底：你可以选择学、跟上这个新现实，也可以选择离开，但这就是Kavak的方向。

课程是Alejandro自己设计的，而且因为技术变化太快，课程得不停更新。"你不能把人送到斯坦福去学这个——这是没人教过的新东西。"

培训结束后，机械师知道了怎么和Agent配合，财务知道了怎么定义流程，市场知道了怎么给Agent写评估。转岗做AI工程师的是极少数。

组织结构的改变更剧烈。原来Kavak有几千人，现在Agent做了大部分工作。 管理层级压得极扁，一个团队里同时有工程技术、AI、运营和一线——所有人要么在建Agent，要么帮Agent工作，要么在物理世界面对客户。

Agent碰到自己处理不了的事，通过API呼叫人类——"我需要帮助"。人类做完之后，Agent记下来，学会了。

Kavak让每一次人工介入都变成Agent的训练数据。人类在帮Agent成长。这样Agent才会越来越强。

推倒重来

播客结尾，Alejandro讲了一个关于破坏的故事。

"经济学里有个概念叫创造性破坏，来自约瑟夫·熊彼特。它说的是，创新对经济的影响，老公司采用新技术是做不到的，你得让新公司带着新技术干掉老公司。"

然后他举了福特的例子。

福特流水线需要的所有技术，在1879年到1881年就全部出现了。爱迪生开始在纽约和伦敦商业化电力，发明了极其高效的发电机。从技术上讲，你在1881年就能建福特的工厂。

当时的人是怎么"采用"电力的？把蒸汽机换成电动机，工厂还是四层楼，皮带和传动轴一样不少。效率提升了约6%。 真正需要做的，是彻底推倒那栋楼，在康涅狄格或新泽西的平地上建一座单层工厂，围绕小型发电机重新设计整条产线，建立扁平化流水线。 这一重建使得效率提升3倍，这3倍驱动了美国整个20世纪的生产力。

"同样的故事正在今天重演。人们想要'采用'AI，但不愿意彻底重新设计公司。只做表面采用，给你6%或10%的改进。不会给你10倍的。"

Alejandro给了两个判断。

关于怎么推进—— 必须是自上而下。 一线员工不可能自下而上地定义公司级的AI策略。领导者必须有非常清晰的图景：三到五年后公司长什么样，然后垂直地引导所有人往那个方向走。

关于怎么衡量—— 把token分成三层。 最有价值的是第三层Token，它们被用于能够直接追踪ROI的Agent，因此每花一个Token，都可以知道它最终带来了多少业务价值；第二层Token用于可以间接衡量价值的工作，虽然无法直接计算ROI，但仍然可以通过结果变化评估其价值；最难衡量的是第一层Token，也就是员工日常使用Claude Code、ChatGPT或Cowork等工具所消耗的Token，这些投入究竟产生了多少价值，企业往往并不知道。

因此，对企业来说，问题并不只是“AI有没有被员工采用”，而是能否明确知道每花出去一个Token，它究竟为公司带来了什么收益。

AI原生Lab拆解

Alejandro从2013年就开始做机器学习，经历过Transformer之前的时代、ChatGPT时刻，再到2026年的Agent规模化。这场36分钟的对话里，有三条经验值得借鉴。

从上往下，从图往点。 Alejandro坚持必须自上而下推进，而且领导者要自己想清楚三五年后公司变成什么样，然后像指挥一支军队一样把所有人往那个方向拉。技术架构上，Kavak从多Agent图结构切到每个客户一个Agent、一台虚拟机的极简架构——模型变强之后，复杂结构反而在限制智能。企业上AI时面临的选择：让现有组织结构和流程定义AI的用法，还是让AI的能力定义未来的组织结构。

评估和建设同等投入。 "花在评估上的资源，和建Agent一样多。"Kavak不测模型基准分，只测业务结果——客户买了吗、贷款批了吗、还会回来吗。Alejandro说企业AI的刹车系统不在模型安全，在评估质量。评估做得越好，AI可以跑得越快。Kavak的做法：先把评估搭好，再放Agent跑。评估越扎实，Agent越能跑进核心流程。

围绕AI设计公司，而非"采用"AI。 Alejandro在节目里反复纠正采访者用的一个词——"采用"。他说，应该说是"围绕AI重新设计公司"。6%的改进来自把AI嵌入旧流程，10倍改进来自让AI重新定义流程。

本文来自微信公众号 「 AI原生Lab 」 ，持续拆解真实AI落地案例，分享企业AI实践与方法论。

风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。