编辑丨关雎
图源丨 Midjourney
2025 年 4 月，潘一鸣在上海创立了光年触达。这家公司做的事很简单：让 AI 智能体替企业主动找海外客户。
不到一年，公司跑出了成绩。据潘一鸣介绍，公司的 AI 销售 Agent 产品 iSales 上线 1 个月实现现金流转正，截至 2026 年 1 月月营收达 200 万元，预计全年可达 5000 万元。服务客户的获客效率平均提升 10 倍，营销转化率达到 8%。
2026 年 3 月，光年触达完成百万美元天使轮融资，由海外投资机构 Impa Ventures 独家投资。
在不少投资人和创业者眼里，国内 ToB 是一条拥挤且艰难的赛道。尤其是面向中小企业的标准化 SaaS 产品，普遍面临企业付费意愿不强、续费率低的问题。因为传统 SaaS 模式的核心逻辑在于交付工具，企业购买软件后需自行配置人员使用。但现实往往是，软件买回去后缺乏专人持续运营，难以产生实际价值。
光年触达换了个逻辑。" 我们交付的不是工具，是结果。" 潘一鸣说。在该逻辑下，客户无需额外招人、学系统操作，iSales 自动完成客户开发、邮件触达、意向筛选等工作，企业只需跟进最终筛选出的有效线索，并按实际效果付费。
这个逻辑之所以成立，是因为需求足够大。中国有数以百万计的货物贸易 B2B 企业，但大部分仍依赖线下展会或平台竞价获客。在潘一鸣看来，上一代 SaaS 产品在这个市场的渗透率几乎不到 20%。
他看到了机会。
01 一个算法驱动的创业者
潘一鸣 1992 年出生，2015 年从清华大学工业工程系毕业后，先后在聚美优品、滴滴、字节跳动工作，从推荐系统、流量调度到自动化投放，踩中了算法落地的几个关键场景。
在滴滴，他解决了一个算法团队没解决的问题：预约订单分配。通过优化订单分配与派单策略，让豪华车分单系统从 0 到 1 运转起来。在字节，他主导海外广告自动化投放系统的开发，每天支撑超 3000 万美元投放预算，让 70% — 80% 的预算通过算法自动运行，整体效率超过人工投放。
" 我更喜欢做有挑战性的项目。" 潘一鸣说。2024 年初，他开始考虑创业。当时大模型刚火，他认为 TO B 有创业机会。但他也清楚自己的短板：对行业尚不了解、缺乏融资经验、没有销售能力。后来，他辞职去了上海一家 ToB 公司，从 0 搭建产品、组建团队。一年后公司走上正轨，但他觉得 " 创始团队没办法持续往前走 "，最终离开。
后来面对其他的合伙人工作邀约，他也拒绝了。" 我的职业生涯分两部分，前半部分做有挑战性的项目，后半部分在磨性子。" 他不想继续 " 磨性子 "。
这听起来像典型的技术理工男叙事。但在投资人眼里，潘一鸣不止于此。
" 他是一个算法驱动的创始人。" 光年触达投资方 Impa Ventures 合伙人 Jingwen 说，" 他会把商业流程抽象成算法再优化。我看过不少 AI+ToB 营销项目，大多直接调用大模型加付费数据库，但光年触达选了一条更难的路——实现门槛更高，但效果更好，对客户更有价值。"
Impa Ventures 是一家 2024 年底成立的投资机构，主要投资前沿科技项目，偏好做海外市场的华人团队。Jingwen 是在一个活动上认识潘一鸣，" 活动结束我们聊了一个多小时，后面又去到上海办公室，一直聊到晚上，很快就决定投了。"
这些之外，潘一鸣还有另一个身份：作者。
2017 年，他工作之余在知乎写算法干货，后被出版社编辑发现，整理成《产品逻辑之美：打造复杂的产品系统》出版，卖了近一万册。创业后他发现，不少投资人、客户、甚至后来的公司成员都看过这本书。最近他又出了本新书《自迭代：硅基生命的寒武纪与智能进化的未来》，针对市场上 AI 信息碎片化、贩卖焦虑的问题做体系化拆解。
02 能自动获客、自我迭代的 Agent
在开发 iSales 之前，潘一鸣调研了上百家出海企业。他发现，传统的海外获客方式主要有两类：一是线下展会，" 综合成本平均在一二十万元左右 "。二是 B2B 平台，竞价排名模式下，头部企业花钱买流量，中小工厂很难养活一个专业运营团队。结果真正接到订单的往往是营销公司，订单层层分包，价格被卷到极致。
另一种方式是 SaaS 工具，但潘一鸣认为，SaaS 的本质是功能叠加，无论数据搜索还是邮件群发，都隐含一个前提：企业需要有人花时间学习使用工具。" 再好的 SaaS 软件，也需要一个懂行的‘聪明人’来操作。你不可能让一家工厂为了一款软件调整松散的组织结构。" 在他看来，SaaS 渗透率低不是因为没需求，而是产品形态与企业现实错位。
iSales 就是要让 AI 成为那个 " 聪明人 " ——把一个外贸业务员从找客户、查信息、写邮件、跟进、筛选意向的全套动作，变成一个 7 × 24 小时运行、越用越准的 AI 销售 Agent。
iSales 的使用流程是：企业先与算法优化师梳理客户画像，而后 Agent 启动，自动完成全网信息抓取、潜在客户筛选、联系人获取、个性化邮件生成发送。之后，企业销售团队只需跟进 AI 筛选出的高意向询盘。
" 员工只需在初期画像沟通和中间反馈环节做业务知识对齐。" 潘一鸣说。
但真正让 iSales 区别于普通自动化工具的，是它的自我迭代能力。这个能力，靠的是三层反馈机制：
第一层，AI 自我判断。在筛选和生成过程中，大模型对自己每一步决策打分（如线索匹配度、邮件转化概率），这些分数作为初始信号进入系统。
第二层，人的直接纠偏。销售团队每天跟进询盘，对 AI 找到的客户做 " 是 / 不是 " 标注。这个动作看似简单，却是把业务经验转化为算法可理解的数据。
第三层，真实世界反馈。邮件是否被打开、回复？回复是积极还是拒绝？这些真实的市场反应，是最有力的训练信号。
三层数据汇合后，算法不断迭代：哪些画像特征更容易带来回复？什么时间发送打开率更高？什么标题更能引起兴趣？每一次发件、标注、回复，都让模型变得更聪明。久而久之，系统会沉淀出一套 " 专属 " 于这家企业的营销模型，知道产品适合什么客户、用什么方式沟通更容易成单。
支撑这一切的是光年触达自研的技术框架，由马尔可夫状态机、强化学习、图神经网络三部分构成。三层叠加，构成一个稳定执行、持续优化且有洞察力的系统。
潘一鸣进一步解释："RAG 像一个笨拙的搜索引擎，你问它问题，它给你一堆可能相关的文档；而图算法像一个聪明的图书管理员，它不仅知道每本书的内容，还知道书与书之间的关系。"
这个区别在商业场景中至关重要，因为业务信息在被压缩为语义向量时，往往会丢失大量细节。他举例说：" 比如一个公司有 1000 个人，另一个公司有 10 个人，如果这个信息被压缩在公司的语义向量的长文本中，这个信息几乎没有区别。但在商业场景中，这是一个非常重要的信息。图结构可以通过标签和权重计算，保留这样的业务权重。"
另一个关键区别是数据来源。与其他依赖单一付费数据库的 AI 销售产品不同，光年触达是自己建立数据来源和匹配逻辑。
它整合了搜索引擎数据、海关数据、社交媒体信息、地图数据、展会数据等多维度数据源。搜索引擎数据用来找公开信息，海关数据验证交易真实性，社交媒体判断活跃度，地图数据确认地理位置。这些数据经过自研算法深度清洗、关联、验证、推理，挖掘出传统数据库里没有、但真实存在采购需求的潜在客户。
这套数据策略的背后，是潘一鸣对 " 主动获客 " 本质的理解：真正有价值的客户，往往不在现成的数据库里。它们散落在互联网的各个角落——某个行业论坛的参会名单、某条推文里提及的公司、某个领英主页的关联企业。靠人力去翻找，效率太低；靠现成的付费数据库，覆盖太窄。只有用算法去全网抓取、交叉验证、持续挖掘，才有可能找到那些 " 隐藏的买家 "。
03 已服务上百家客户企业获客效率提高 10 倍
在商业模式上，光年触达采用按效果付费（RaaS，Results-as-a-Service）。在低额基础费用上，客户按实际获得的线索数量、发送的定制化消息数量付费。企业不为软件买单，只为效果买单。
目前，光年触达主要服务中小制造出口企业、外贸工厂、贸易商等，覆盖机电、五金、建材、包装、家居、消费电子等多个出海赛道，付费签约客户已有上百家，包括浙江、广东地区的外贸工厂和跨境贸易公司等。
其中工业配件领域效果尤为突出。这类产品中国制造的替代效应强，成本优势显著，但传统获客方式难以触达全球中小买家。潘一鸣透露，部分客户使用 iSales 后，能在不增加人力的情况下，在 1-2 个月内触达上千家目标客户，获客效率提升十倍以上。
为什么是帮中国企业找海外客户，而不是帮海外企业找中国客户，或是做国内市场？潘一鸣的解释是：" 中国供应链已经极度强大，但企业寻找海外客户的方式仍然高度‘散装’：靠展会、在 B2B 平台上等询盘、靠人工搜索和老客户转介绍。这些方法并非完全无效，但它们有一个缺陷：不可规模化，且无法持续优化。"
换句话说，供给侧（中国制造）已经足够强大，需求侧（海外买家）也一直存在，但真正的瓶颈在于连接能力。
至于为什么不做国内市场？潘一鸣的判断是：国内 B2B 贸易已经形成相对固化的供应链网络，一家工厂想找到另一家工厂的采购负责人，难度没那么高；但要把产品卖到德国、巴西、东南亚等海外地区，面对的是一套完全陌生的商业环境和信息渠道。跨文化的获客鸿沟，是真正需要算法去填平的信息差。
现在，光年触达还在开发 AI 自动化投放、AI 自动运营社媒、AI 自动运营官网等产品线，AI 自动运营社媒和 AI 自动化投放已经上线，AI 自动运营官网预计在今年二季度推向市场。
再下一步，是对部分标品做深度的自动谈判功能。潘一鸣设想：" 一旦完成闭环，从获客到谈判，你只需把预算给他，他就能自动分配预算、做订单谈判，直接交付订单。"
在此基础上，光年触达还将推出专注于提升采购方效率的 " 采购 Agent"，实现销售 Agent 与采购 Agent 直接对话的 "A2A" 模式。当买卖双方都用 AI 系统完成信息交换和初步磋商，人类只需做最终确认。
04" 有人能赚钱，说明行业存在真实需求 "
在 AI 营销方向上，国内外已有不同形态的玩家。
硅谷的 AI SDR 公司如 11x、Artisan、AiSDR 等，近期获得大量融资。AI SDR 的核心是用 AI 替代人类完成潜在客户挖掘、初步触达、意向筛选等销售前端工作。但 Jingwen 观察到的是：" 所有使用同一数据源的 AI SDR 工具，拿到的是同一批线索，发出的是同质化的营销邮件，最终制造的是更多噪音而非更精准的连接。"
这些产品存在一个结构性问题：底层线索高度依赖 ZoomInfo、Apollo 等付费数据库，大模型主要负责邮件生成和对话交互。但 AI 的效能高度依赖底层数据的质量，数据重复、错误、碎片化等问题制约了 AI Agent 的发挥。
对于中国出海企业来说，问题更复杂，海外付费数据库对中国供应链行业的覆盖本身就不够深入，海外 SaaS 工具的逻辑也与中国外贸企业的实际工作流程存在错配。
国内市场中，也有公司沿着相似方向探索。PureblueAI 清蓝是较具代表性的一家，其由清华、字节、阿里系团队创立，自研 " 异构模型协同迭代引擎 "，采用 RaaS 按效果付费模式，主要服务 B2B 出海企业。
市场数据也在印证这一判断。据 Frost Sullivan 预测，中国 AI 营销应用市场规模将从 2024 年的 206 亿元增长至 2029 年的 976 亿元，五年复合增长率达 36.5%。一个千亿级市场正在形成。
而据 IDC 预测，全球活跃 AI Agent 数量将从 2025 年的 2860 万飙升至 2030 年的 22 亿，五年增长近 80 倍；执行任务次数将从 440 亿次暴涨至 415 万亿次。
数量增长之外，Agent 正在开始承担更复杂的业务决策。当用户通过 AI 入口完成从竞品分析到下单的全过程，AI 不再只是提供信息，而开始替用户完成筛选、比较甚至决策。商业竞争的关键，也从 " 谁更容易被看见 "，转向 " 谁更容易被 AI 选中 "。
在越来越多场景中，做出第一轮选择的已经不是人，而是 AI。
这意味着，AI Agent 本身正在成为一种新的 " 消费代理 "。企业不仅需要说服人，也需要进入 AI 的筛选与决策逻辑之中。谁能够持续提供更高质量的数据与反馈，谁就更有可能在这套体系中获得优势。
在这一变化下，未来销售人员可能从寻找客户的人，变成训练 Agent 的人，通过持续提供数据和反馈，优化 AI 对客户与产品的匹配能力。
在收费模式上，按效果付费的 RaaS 模式正成为行业共识。无论是 Pureblue AI 还是光年触达，都选择了这一路径。客户为成交的可能性付费，而不是为软件的使用权付费。因为在 To B 领域，真正的壁垒从来不是概念，而是能不能稳定、持续、可规模化地为客户赚到钱。
当 AI 营销赛道从概念炒作走向落地竞争，那些真正能为客户创造可量化价值的产品，才有机会穿越周期。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系 editor@cyzone.cn。
