OpenAI 不卖模型了，开始卖部署：Presence 把 Agent 落地的真实成本摆到了台面上

7 月 22 日，OpenAI 发布了 Presence。不是新模型，不是新 API，是一个完全面向企业的部署服务。

简单说，Presence 帮大企业把 AI Agent 放进客服、销售和内部流程里——能接电话、能查系统、能按规则办事，搞不定了再转人工。但真正值得注意的不是功能列表，而是交付方式：OpenAI 的工程师直接进场，跟客户一起搭，不是给你一个 API key 就完事了。

这是一个信号。AI 行业的瓶颈已经从"模型够不够强"，转移到了"能不能在真实场景里稳定跑起来"。OpenAI 察觉到了这个变化，Presence 就是它的回答。

不是 API 产品，是部署服务

Presence 的核心配置说起来不复杂：语音和聊天两种交互，接入企业内部系统，定义好 Agent 能做什么、不能做什么、什么时候该找人。每个部署从一个具体任务开始——比如处理账单问题、支持保险理赔、或者解决员工 IT 求助。

真正不同的是交付方式。

Presence 不是自助服务。你不能去官网点个按钮、绑个信用卡就开始用。它只对符合条件的企业客户开放，由 OpenAI 的 Forward Deployed Engineers（前线部署工程师）和指定的系统集成商来主导部署。OpenAI 没有公开定价，也没有公布准入标准。

这跟 ChatGPT、API、甚至 ChatGPT Enterprise 都是完全不同的思路。之前的产品逻辑是：我做一个通用工具，你自己想办法用到你的业务里。Presence 的逻辑是：你告诉我你的业务场景，我派工程师帮你把 Agent 接进去。

OpenAI 从一个模型供应商，变成了一个部署合作伙伴。

为什么是现在？

因为企业客户卡在了同一个地方。

过去两年，几乎所有大公司都试过 AI Agent。买了 API，搭了原型，demo 看起来都不错。但一到生产环境就出问题：Agent 理解错了政策、调用系统时越权了、遇到边缘情况不会处理、出了问题找不到人负责。

模型能力不是最大的障碍。把模型放进真实业务流程里需要的东西，远比模型本身多：

• 政策和操作规范怎么翻译成 Agent 能执行的规则
• 怎么定义 Agent 能访问哪些系统、能执行哪些操作
• 上线前怎么测试足够多的边缘情况
• 上线后怎么监控、发现问题、快速修正
• 出了错怎么追溯、谁来承担责任

这些不是模型问题，是工程和运营问题。而大部分企业没有能力自己解决。

OpenAI 自己的客服线就是最好的例子。Presence 现在运行着 OpenAI 的英文电话支持（1-888-GPT-0090），官方说能解决 75% 的进线问题，不需要人工介入。还说 Codex 驱动的改进循环在 10 天内把人工转接率降了 15 个百分点。

这些数字是 OpenAI 自己报的，没有第三方验证。但即使打个折，也足以说明一件事：OpenAI 在自己的客服场景里把 Agent 跑通了，而且跑出了可用的效果。

现在它想把这套能力卖给其他公司。

Codex 改进循环才是真正的护城河

Presence 里最值得关注的组件不是模型，是 Codex 驱动的改进循环。

运作方式是这样的：Agent 上线后，系统会持续分析生产环境中的对话、升级记录和其他质量信号。当发现问题时——比如某个场景下 Agent 总是答错，或者用户频繁要求转人工——Codex 会用 Presence 插件去调查这些信号，然后提出改进建议。团队可以把建议版本和生产版本对比测试，确认没问题再逐步上线。

这形成了一个闭环：使用 → 发现问题 → 自动提出改进 → 测试 → 上线 → 更多使用。

这才是 Presence 真正的产品价值。企业买的不是一个一次性搭好的 Agent，而是一套能持续自我改进的系统。而且每一个客户部署的经验，都会反过来优化 OpenAI 的整体产品能力。

这是一种很聪明的商业模式。OpenAI 派工程师进场，表面上是重运营、难规模化。但换个角度看，每一个企业客户都在免费（还付费）帮 OpenAI 积累真实场景的部署经验和数据。这些经验沉淀到产品里，下一个客户就能更快、更便宜地部署。

时间越长，壁垒越深。

客户还在试水，但方向已经清楚

目前公布的客户有三家：BBVA（墨西哥的银行语音客服）、SoftBank（日语客户对话测试）、IAG（澳大利亚保险，探索极端天气时的理赔支持）。

从描述来看，这些都还在探索或测试阶段，不是全面铺开的生产部署。这很正常——企业级 Agent 部署涉及系统接入、权限控制、合规审查，不可能一蹴而就。

但试水产品的选择很说明问题。银行、电信、保险——这些都是客服量大、流程相对标准化、人力成本高的行业。如果 Agent 能在这些行业证明价值，市场空间会非常大。

而且这些场景有一个共同特点：容错成本相对可控。客服 Agent 搞不定了可以转人工，不会造成不可逆的损失。这是企业部署 AI Agent 的最佳切入点。

真正的问题：规模和控制怎么平衡

Presence 这条路最大的矛盾在于：深度定制才能真正解决问题，但深度定制就意味着难规模化。

OpenAI 派工程师进场的模式，能保证前几批客户的质量和效果。但客户数量一旦上来，工程师团队能不能跟上？系统集成商能不能达到同样的交付标准？这是个很大的问号。

另一个问题是控制权。Presence 的设计哲学是"企业说了算"——Agent 能做什么、什么时候需要审批、什么时候转人工，都是企业来定义。但 Codex 自动提出改进建议的机制，又意味着 Agent 的行为在持续变化。企业能不能接受一个"自己在变"的系统？变更流程怎么走？出了问题算谁的？

这些不是技术问题，是组织和治理问题。也是企业级 AI 真正落地时必须跨过去的坎。

行业格局正在变

Presence 发布后，AI 行业的竞争维度又多了一层。

之前大家比的是模型跑分、上下文长度、API 价格。现在比的是：谁能帮企业真正把 Agent 用起来、跑出业务价值。

这对纯模型公司不是好消息。如果客户最终买的是"部署服务 + 持续优化"，那模型本身的差异化会越来越小，交付能力和行业 know-how 反而变成核心竞争力。

这也解释了为什么 OpenAI 要做这件事。它的模型能力目前还是第一梯队，但领先优势在缩小。中国的 Kimi K3、Qwen 3.8 这些开源模型追得很快，价格还便宜得多。如果竞争只停留在模型层面，OpenAI 的定价权迟早会被侵蚀。

往下游走，做部署、做服务、做客户粘性，是 OpenAI 必须走的一步。

Presence 只是开始。接下来一两年，AI 行业的主战场会从实验室和 benchmark，转移到企业的真实业务流程里。到那时候，谁能把 Agent 稳定地跑在生产环境中，谁才是真正的赢家。