當 AI 坐上駕駛座：AI 客服新創 Sierra 估值爆衝關鍵
Sierra 由前 Salesforce 執行長 Bret Taylor 與前 Google 副總裁 Clay Bavor 共同創立，創下 21 個月內達成 1 億美元 ARR、估值衝破百億美元的驚人發展。它不做會聊天的 AI，而是打造能「執行操作」的企業級 Agent OS，讓金融機構的客服從「回答問題」進化到「解決問題」。
Sierra 為什麼崛起？一分鐘速讀
市場痛點：企業砸大錢導入 AI 客服，結果發現它只會回答 FAQ。一旦客戶要求掛失卡片、處理爭議、申請貸款，AI 就卡住，90% 的問題還是得轉接真人，AI 淪為昂貴的「自動語音選單」。
破局創新：Sierra 打造 Agent OS，用「模型星座」架構搭配多層監督機制，讓 AI 能在合規框架內自主執行操作。同時首創「成果導向定價」，沒解決問題不收錢。
資本驗證：成立 21 個月 ARR 突破 1 億美元，估值從種子輪的 10 億美元飆升至 100 億美元，累計融資 6.35 億美元，投資人包括 Sequoia、Benchmark、Greenoaks。
一句話結論：Sierra 的目標是定義「Actionable AI」的企業標準，讓每一家公司的 AI 都能「說到做到」。
那通永遠轉不完的客服電話
週五下午，Kevin 發現信用卡被盜刷了三筆。
他打給銀行客服，電話那頭傳來熟悉的 AI 語音：「請問有什麼可以幫您的？」
Kevin 說：「我的卡片被盜刷，我要掛失。」
AI 回覆：「好的，我來幫您查詢最近的交易記錄。您的帳戶在今天下午有三筆消費，分別是⋯⋯」
Kevin 打斷它：「我知道，那三筆就是盜刷的。我要掛失卡片。」
AI 頓了一下：「關於卡片掛失，我需要為您轉接專人服務。目前等待時間約 40 分鐘，請問您要繼續等待嗎？」
這個場景每天在全球上演數百萬次。AI 可以查餘額、解釋政策條款、甚至推薦信用卡優惠，但一旦客戶說出「我要掛失」、「我要爭議這筆扣款」、「我要申請貸款」，它就卡住了。AI 會說話，但不會做事。
為什麼 AI 客服「說到做不到」？
問題的根源在於大型語言模型（LLM）的本質。當你問 ChatGPT「1+1 等於多少」，它並沒有在做數學運算，而是在預測「根據訓練資料，這個問題後面最可能接什麼文字」。這種「機率性」的運作方式，讓 LLM 在開放式對話中表現出色，卻在需要精確執行的場景中充滿風險。
然而，金融交易要求 100% 的確定性，當客戶說「幫我轉帳到這個帳號」，系統不能有 0.1% 的機率轉錯金額或轉錯帳號；傳統 LLM 卻無法提供這種保證，因為它的每一次輸出都是機率分佈的結果，而非邏輯推導的必然，這導致了三個實務上的困境：
AI 無法執行操作：多數 AI 客服的權限僅限於「讀取」資料，沒有「寫入」的能力。它可以告訴你帳戶餘額，但不能幫你轉帳；它可以解釋信用卡權益，但不能幫你掛失。因為一旦讓 AI 動手，就必須承擔它犯錯的後果。
幻覺風險難以控制：LLM 偶爾會「創造」不存在的資訊，在客服場景中，這可能意味著告訴客戶錯誤的利率、不存在的優惠、或違反法規的建議。對銀行來說，一次的幻覺就可能引發一場合規災難。
跨渠道的上下文會斷裂：客戶在網頁聊天室問了一半，轉接電話後要從頭講起 —— 因為 AI 沒有「記憶」，每次對話都是全新的開始。
這些限制讓企業陷入兩難，雖然導入 AI 可以降低客服成本，但 AI 只能處理最簡單的查詢，複雜問題還是得靠真人。結果是，AI 變成了一個昂貴的「分流器」，而非真正的生產力。有鑑於此，Sierra 的兩位創辦人 Bret Taylor 和 Clay Bavor 在 2023 年開始思考一個問題：有沒有可能在機率性的 LLM 之上，建立一層「確定性」的執行邏輯，讓 AI 既能流暢對話，又能安全地執行操作？為了找出解方，Sierra 應運而生。
矽谷皇室級的創業組合
要理解 Sierra 為什麼能在 21 個月內達成 1 億美元 ARR，必須先看看它的創辦團隊，兩位創辦人的履歷儼然是矽谷過去 20 年的縮影。
（一）Bret Taylor：從 Google Maps 到 OpenAI 董事會
Bret Taylor 在 2003 年加入 Google，參與創建了 Google Maps。2007 年，他離開 Google ，並創辦社交聚合平臺 FriendFeed，平臺在兩年後被 Facebook 收購。在 Facebook 工作期間，Taylor 的團隊創造了「讚」按鈕，這個功能後來成為社群媒體的標準配備。
2012 年，Taylor 創辦了文件協作平臺 Quip，而 Quip 於 2016 年被 Salesforce 以 7.5 億美元收購，Taylor 也隨之加入 Salesforce，一路做到 Co-CEO 的位置。在 Salesforce 的經歷，讓他深刻理解企業如何管理客戶關係，以及 CRM 系統在實務上的痛點。
2025 年，Taylor 出任 OpenAI 董事會主席，成為 AI 產業最具影響力的人物之一。
（二）Clay Bavor：Google 十八年的產品老將
Clay Bavor 在 Google 的資歷更長。他從 2005 年加入，曾任 Gmail、Google Drive 等核心產品的負責人，後期領導 Google Labs 以及 VR/AR 部門。18 年的 Google 經歷，讓他累積了大規模消費產品的開發經驗，以及對使用者體驗的深刻理解。
Taylor 和 Bavor 的緣分可以追溯到 2005 年，兩人都參加了 Google 的 APM（Associate Product Manager）計畫，這個計畫培養出了許多後來的矽谷高管。將近 20 年後，兩人在 2023 年決定一起創業，目標是打造 AI 時代的企業軟體平臺。
（三）融資火箭：從 10 億到 100 億
Sierra 的融資速度反映了市場對這個團隊的信心。2024 年 2 月，公司完成 1.1 億美元的種子輪融資，由 Sequoia Capital 和 Benchmark 共同領投，估值約 10 億美元。同年 10 月，Greenoaks Capital 領投 1.75 億美元的 A 輪，估值升至 45 億美元。
2025 年 9 月，Sierra 宣布完成 3.5 億美元的 B 輪融資，估值達到 100 億美元。此時距離公司成立僅 18 個月，ARR 已突破 1 億美元。以收入的 100 倍估值計算，投資人顯然把 Sierra 視為下一個企業軟體巨頭，而非普通的 SaaS 公司。
截至 2026 年初，Sierra 累計融資 6.35 億美元，在舊金山、紐約、倫敦、亞特蘭大均設有據點，客戶名單包括 SoFi、Brex、Ramp、Chime、Rocket Mortgage 等金融科技領導者，以及多家 Fortune 500 企業。
Taylor 在多次公開訪談中強調，Sierra 的目標是成為 AI 時代的「作業系統」。他認為，AI Agent 將會是繼 Web 和 Mobile 之後的第三波平臺革命，而 Sierra 要做的，是定義這個新平臺的執行標準。
Agent OS：讓 AI 從「說」到「做」
Sierra 的核心產品為 Agent OS，這個名字透露了它的野心 —— 它要成為 AI Agent 的「作業系統」，就像 iOS 之於 iPhone、Windows 之於 PC。Agent OS 解決的核心問題是：如何讓本質上「機率性」的 LLM，在企業環境中「確定性」地執行任務？Sierra 的答案是一套四層架構。
第一層：模型星座（Constellation of Models）
多數 AI 應用是依賴單一的大型語言模型，例如 GPT-4 或 Claude。而 Sierra 採取了不同的策略，它同時使用超過 15 個不同的 AI 模型，根據任務特性自動切換到最適合的模型。
這種模型星座架構的邏輯是認為「沒有一個模型能同時滿足所有需求」。簡單的查詢（如：餘額是多少？）需要的是低延遲、用小型模型即可快速回應，複雜的決策（如：該選擇哪種房貸方案？）需要的是深度推理、必須調用更強大的模型；語音對話對延遲極度敏感，文字對話則可以容忍較長的思考時間。
模型星座還提供了內建的冗餘機制，當某個模型供應商出現故障或延遲增加，Sierra 的系統會自動切換到其他可用的模型，確保服務不中斷。對於金融機構來說，這種可靠性至關重要。
第二層：監督者模型（Supervisor Models）
這是 Sierra 最獨特的設計，每一個對外服務的 AI Agent 背後，都有多個「隱藏」的監督者 Agent 同步運作，負責即時審查主 Agent 的行為。
監督者的工作分為幾個面向：
在輸入端：監督者會檢測並過濾惡意攻擊，例如 Prompt Injection、詐欺訊息、或試圖讓 AI 說出不當內容的釣魚問題。Sierra 的團隊持續更新這些監測模型，以應對不斷演進的攻擊手法。
在輸出端：監督者會審核主 Agent 的每一個回覆，檢查是否符合企業政策、是否包含幻覺、是否有合規風險。如果發現問題，監督者可以攔截並修改回覆，或者將對話升級給真人客服。
Sierra 將指令分為不同的風險等級，這種分級制度讓 AI 在安全與體驗之間取得平衡：對於惡意攻擊或違法請求，AI 必須零容忍，即使語氣生硬也沒關係；對於一般的品牌規範或服務政策，AI 可以保持彈性，只要符合精神即可。
Bret Taylor 曾用一個比喻解釋這個設計：「AI 的許多問題，解方往往是更多 AI。」聽起來有點弔詭，但他的意思是，與其期待單一模型完美無缺，不如建立一個系統，讓多個 AI 角色互相校正。
第三層：確定性執行邏輯
Agent OS 的 Agent SDK 允許開發者用 TypeScript 編寫客戶服務流程，這意味著 AI 與客戶對話時可以保持自然語言的流暢，但一旦涉及具體操作（如轉帳、掛失、額度調整），系統會切換到預先定義的程式邏輯。
舉例來說，當客戶說「幫我掛失信用卡」，AI 會先用自然語言確認客戶身份、詢問掛失原因。但實際執行掛失的步驟，是由一段固定的程式碼完成，包括呼叫哪個 API、傳遞哪些參數、如何處理例外狀況等等。這段程式碼可以版本控管、測試、審計，就像傳統軟體一樣。
Ramp 的工程主管描述這種模式：「Sierra 的 Agent SDK 讓我們用工程標準打造 AI 流程，每一個變更都有 code review、每一個功能都有測試覆蓋，AI 的行為變得可預測、可追蹤。」
第四層：記憶與跨管道整合
2025 年發布的 Agent OS 2.0 加入了「代理人數據平台」，讓 AI Agent 具備長效記憶。Agent Data Platform 會記錄客戶的對話歷史、個人偏好、交易記錄，讓 AI 在任何管道都能接續之前的脈絡。在實務上，這意味著企業只需要建立一次 Agent 邏輯，就可以部署到語音電話、網頁聊天、SMS、WhatsApp、Email 等多個管道。AI 在每個渠道的回應方式會根據媒介特性調整（語音要簡短、文字可以詳細），但底層的業務邏輯是一致的。
綜合以上，四層架構加總起來，讓 Sierra 的 AI Agent 達到了 Taylor 所說的「工業級」水準 —— 既有 LLM 的對話能力，又有傳統軟體的可控性。
金融實戰部署案例
技術架構再精妙，最終還是要看實際成效。Sierra 在金融科技領域已經累積了多個大規模部署案例，數據相當亮眼。
案例一：Ramp
Ramp 是企業支出管理平臺的領導者，主要產品是企業信用卡和費用管理軟體。在導入 Sierra 之前，Ramp 曾嘗試自建 AI 助理來回答常見問題，但當業務需求擴展到多步驟流程時，自行維護的難度急劇上升。
轉向 Sierra 後，Ramp 的 AI Agent 可以執行一系列具體操作：對持卡用戶，AI 可以處理卡片鎖定、補發申請、交易失敗原因查詢、消費明細解釋、地址變更並觸發新卡寄送；對企業管理員，AI 可以批次發卡、彙整特定類別的交易紀錄、匯出報表。這些流程以前需要人工在多個系統之間切換操作，現在 AI 可以一站式完成。根據 Ramp 的數據，AI Agent 的案件自動解決率達到 90%。剩下 10% 需要人工介入的案件，通常是涉及複雜判斷或例外狀況的高價值問題。
Ramp 的營運負責人提到一個關鍵點：Sierra 平台內建了信任與安全機制，包括越權請求攔截、濫用監控、監督模型等。這讓 Ramp 的團隊可以專注於定義業務流程，而非從零處理風控挑戰。
｜補充 馬克曾經介紹過 Ramp 喔，歡迎參考文章：https://www.markreadfintech.com/p/ramp
案例二：Chime
Chime 是美國最大的數位銀行之一，擁有數百萬用戶。對這種規模的平臺來說，客服反應速度將直接影響用戶留存率。
Chime 部署的 Sierra Agent 能夠 24 小時處理薪資提前發放查詢、帳戶存取權限、密碼重設、交易爭議等問題。根據官方數據，導入 Sierra 後，Chime 的案件解決率從 50% 提升至 70% 以上，超過三分之二的會員問題可以即時解決。這個提升幅度意味著大量原本需要排隊等待真人客服的用戶，現在可以在幾分鐘內完成需求。對 Chime 來說，這同時降低了客服成本和提升了用戶滿意度。
｜補充 馬克曾經介紹過 Chime 喔，歡迎參考文章：https://www.markreadfintech.com/p/chime
案例三：Brex
Brex 是 Ramp 的主要競爭對手，同樣提供企業信用卡和財務管理服務。2025 年，Brex 宣布全面打造「AI 原生」的營運架構，讓 AI 參與每一項產品和流程：
客戶服務：Brex 的 Sierra Agent（稱為 Brex Assistant）上線六個月後，客戶獲得回應的速度加快了 90%，每年為客戶節省超過 15,000 小時的等待時間
爭議款項處理：傳統的爭議處理需要客戶提供書面說明、上傳證明文件、等待人工審核。Brex 的 AI Agent 可以引導客戶完成文件上傳、自動彙總爭議理由、預測可能結果、並草擬解決方案供人工審核。
交易審查和核准：超過一半的申請或交易異常由 AI 初步審核，符合明確標準的案件可以即時批准。這讓 AI 的角色從客服延伸到了風控和合規。
｜補充 馬克曾經介紹過 Brex 喔，歡迎參考文章：https://www.markreadfintech.com/p/brex
案例四：Rocket Mortgage
房貸再融資是一個複雜的銷售場景，涉及利率計算、信用評分驗證、長期財務規劃諮詢，傳統的自動化工具難以勝任。Rocket Mortgage 是美國最大的房貸機構之一，根據公開資料，與 Sierra Agent 互動的潛在客戶，完成交易的可能性是傳統客服模式的三倍。
這個數據說明了一件事：AI Agent 在處理複雜金融產品銷售時，可以展現比人類客服更穩定的專業度和勸服力。AI 不會疲倦、不會情緒波動、不會忘記提及重要的產品特點。對於需要大量解釋和教育的產品，這是顯著的優勢。
商業模式特色
（一）成果導向定價
傳統企業軟體按授權數或用量收費，無論軟體是否真的解決了問題，客戶都要付錢。而 Sierra 採取了不同的策略，也就是成果導向定價。
具體做法是，Sierra 會與客戶預先定義「成功解決」的標準，例如成功更新了客戶的信用卡寄送地址算一次、完整處理了一筆交易爭議且未引發後續投訴算一次、引導客戶完成房貸再融資申請算一次等等。只有 AI 真正完成了這些任務，Sierra 才會收費。
這種模式對客戶的吸引力顯而易見，即支出與成效直接掛鉤，不用擔心買了軟體卻用不上。對 Sierra 來說，這種模式則創造了強烈的激勵，讓公司必須持續優化 Agent 的解決率，因為解決率越高，收入越高；當然，這種模式也有門檻。Sierra 的平臺許可費通常是六位數美元的年度起始費用、專業服務費（涉及系統對接和客製化）可能高達 5 萬至 20 萬美元。業界估計，Sierra 的年度合約通常從 15 萬美元起跳，目標客群是 Fortune 1000 等大型企業。
（二）競爭定位
在 AI 客服市場，Sierra 選擇了一條獨特的路線。相較於 Salesforce 的 Agentforce（內嵌於 Salesforce 生態系的 AI 功能），Sierra 採取「模型不可知論」的策略，作為獨立的 Agent OS 橫跨於多個系統之上，企業不需要被綁定在特定的 CRM 或雲端供應商。
相較於 Intercom Fin 或 Ringg AI 等新興平臺（強調低成本、快速部署），Sierra 走的是重型基礎設施路線。新興平臺可能在幾天內上線，而 Sierra 的部署週期通常是 3 到 6 個月；新興平臺多依賴單一模型，而 Sierra 使用 15 個以上的模型組合；在語音延遲方面，Sierra 目前約 700 毫秒至 1 秒，落後於部分專注語音的對手（如 Ringg AI 的 400 毫秒以下），但在推理準確度上具有優勢。
綜合以上，Sierra 的護城河在於創始團隊的企業基因、Fortune 1000 客戶的背書效應、以及在高度監管產業（金融、醫療）累積的合規經驗，這些優勢讓後進者難以在短期內複製。
馬克碎念
過去幾年，市場談論 AI 的方式是「Co-pilot」，副駕駛。AI 提供建議，人類做最終決定。這個模式預設了 AI 的能力邊界：它可以輔助，但不能執行。人類依然是審核者、把關者、負責人。
Sierra 代表的是下一個階段。AI 不只建議，還要執行。它不只告訴你「你可以掛失信用卡」，而是直接幫你掛失。它不只解釋房貸方案的差異，而是引導你完成申請。當 AI 能夠「做到」，人類的角色就從「審核者」變成了「定義者」。我們定義 AI 可以做什麼、在什麼條件下做、做到什麼程度，然後讓它去執行。
這個轉變的影響是深遠的。如果「成果導向定價」成為行業標準，所有 AI 供應商都必須優化「真正的效果」，而非「Demo 效果」。過去賣企業軟體，可以靠華麗的簡報和功能清單拿下合約，反正客戶買了之後用不用是他的事。成果導向的邏輯則是：你說 AI 能解決問題，那就按解決的問題數量收費，解決不了就不用付錢。這會倒逼整個產業提升交付品質。
當然，Sierra 的模式也有明顯的侷限。15 萬美元的年度起跳價格，加上 3 到 6 個月的部署週期，意味著中小企業短期內難以採用。語音延遲的技術短板，在電話客服場景中可能影響體驗。「成功解決」的定義也存在灰色地帶，客戶和供應商對於什麼算「解決」可能有不同認知，這會增加合約談判的複雜度。
對臺灣金融業來說，Sierra 的案例提供了一個參照點。目前臺灣銀行的客服系統仍以 IVR 加真人為主，AI 應用多停留在 FAQ 問答或簡單的意圖分類。Sierra 證明了 AI 可以進入「執行層」，直接操作後端系統完成交易。前提是解決兩個問題：合規框架（AI 執行金融操作的法律責任歸屬）和系統整合（與核心銀行系統的 API 對接）。
如果臺灣能發展出本地化的 Agent OS 方案，或者有金融機構願意投資導入 Sierra 等級的解決方案，客戶體驗和營運效率都有機會大幅躍進。當然，這需要時間，也需要監理機關的配合。
最後回到 Sierra 本身。Bret Taylor 說過，AI Agent 將會是「自行動網頁以來最大的技術變革」。這句話是否成真，還需要市場驗證。但 Sierra 在 21 個月內達成 1 億美元 ARR 的事實說明，至少在企業客服這個場景，市場已經準備好為「能做事的 AI」買單。
AI 會聊天不稀奇，AI 會做事才值錢。下一代企業軟體的競爭，不在於誰更會「說」，而在於誰更敢「做」。