1660万美元融资挑战万亿货运市场：Vooma 如何把 AI Agent 变成物流公司的数字员工

这份材料的方向非常强，但有三个地方必须先纠正，否则标题会把公司“抬得过头”：

第一，Vooma 目前不能称为“独角兽”。公开资料没有显示它达到 10 亿美元估值，官方披露的是累计融资 1660 万美元；市场数据库对估值也没有一致、可靠的公开确认。

第二，1600 多万美元不是 A 轮金额。Vooma 是 360 万美元 Seed + 1300 万美元 Series A = 1660 万美元累计融资；A 轮由 Craft Ventures 领投，Seed 由 Index Ventures 领投。

第三，所谓“万亿”，说的是 美国 trucking 行业未来市场规模，不是 Vooma 的估值。美国卡车运输行业 2024 年收入约 9060 亿美元，ATA 与 S&P Global 预计到 2035 年达到约 1.46 万亿美元。

所以标题我建议彻底升级。

我最推荐的标题

1660万美元融资挑战万亿货运市场：Vooma 如何把 AI Agent 变成物流公司的数字员工

趋势型可以用：

从电话、邮件到 AI Co-worker：Vooma 如何重写 1.46 万亿美元美国货运工作流

创业型可以用：

自动驾驶工程师 × 物流软件 CEO：Vooma 如何用 AI Agent 攻入最难数字化的传统产业

这个比“AI Agent 独角兽”准确，而且实际上更有力量。

1、Vooma 真正值得研究的，不是“AI 帮物流公司省几个人”

真正的大逻辑是：

过去 30 年的软件主要负责记录人类做了什么；Agent 时代的软件开始直接替人类把工作做完。

这是从：

System of Record

变成：

System of Action。

这两个商业模式不是同一个量级。

过去 TMS 告诉你：

货在哪，

价格多少，

司机是谁。

未来 Vooma 想做的是：

自己发邮件，

自己打电话，

自己报价，

自己找车，

自己预约，

自己追踪，

自己升级异常。

这已经不是单纯 SaaS。

而是在出售：

Digital Labor。

2、为什么 Freight 是 AI Agent 最漂亮的落地行业之一？

因为它同时满足五个条件：

第一：

市场巨大。

2024 年美国 trucking revenue：

约 9060 亿美元。

到 2035 年预测：

约 1.46 万亿美元。

第二：

人工密集。

第三：

流程高度重复。

第四：

输入极其非结构化。

第五：

自动化 ROI 可以直接算钱。

这五个条件放在一起，非常罕见。

3、而且美国货运行业还有一个特别关键的结构：极度碎片化

2024 年美国承运商中：

91.5% 只有 10 辆或更少卡车。

99.3% 少于 100 辆 power units。

这意味着整个行业不是：

5 家超级公司统治全部市场。

而是：

大量小型 carrier，

大量 broker，

大量 shipper，

大量仓库，

大量不同系统

拼在一起。

碎片化意味着：

Coordination Cost 极高。

而 AI Agent 最喜欢的恰恰就是：

高协调成本行业。

4、物流真正昂贵的东西很多时候不是卡车，而是“协调”

一个 load 从客户提出需求开始，可能经历：

报价，

确认，

录单，

找 carrier，

查资质，

谈价格，

预约 pickup，

预约 delivery，

司机 check-call，

GPS tracking，

异常处理，

POD，

billing。

每一步可能都要：

Email。

Phone。

Text。

Excel。

TMS。

Portal。

于是大量人力不是在：

“创造物流”。

而是在：

搬运信息。

5、这就是 Vooma 最核心的投资逻辑

货车继续由人开。

仓库继续存在。

货物继续要物理移动。

但是：

货物周围的信息流，可以被 AI 大量吞掉。

这是非常大的区别。

过去物流科技主要优化：

Physical Movement。

现在 AI 开始优化：

Information Movement。

而很多时候：

信息慢，

最终就会导致货物也慢。

6、这就是 Theory of Constraints 在物流里的体现

例如：

客户邮件来了。

人工 20 分钟以后才报价。

晚 20 分钟确认。

晚 20 分钟 build load。

晚 20 分钟 post load。

好车已经被别人抢走。

最后只能用更贵的 carrier。

于是一个看起来：

“只是行政效率”

的问题，最终影响：

Gross Margin。

所以 AI 并不只是：

省 5 分钟。

它可能改变：

Revenue + Margin + Service Level。

7、这也是为什么 Vooma 的 Quote 产品价值比“自动写邮件”大得多

如果 AI 可以让报价：

从几分钟，

变成几秒，

理论上就可能增加：

Quote Volume。

同时提高：

Response Speed。

Vooma 当前官网自报的客户结果包括：

约 15% email quote win-rate improvement、

每天每 rep 节约 2 小时以上、

数据错误降低 90%+ 等。

这些属于 Vooma 自己披露的产品效果，不应当当成独立审计数据，但说明它正在用业务指标而不是“AI 很酷”销售产品。

8、这里出现了 AI SaaS 与传统 SaaS 最大的定价变化

传统 SaaS 经常卖：

Seat。

100 个员工。

每人：

$50/月。

公司收入：

$5,000/月。

但是 AI Agent 如果真的替你完成：

10 个员工原来干的工作，

客户不会只按照：

“软件 seat”

来衡量价值。

他开始按照：

Labor Replacement / Revenue Outcome

衡量。

9、这也是为什么 Agentic Software 的 TAM 可能远大于传统 SaaS TAM

传统软件争夺的是：

IT Budget。

AI Agent 开始争夺的是：

Labor Budget。

这是完全不同的市场。

例如某个流程原本：

20 个人 × $70K 全成本

=

$1.4M / year。

如果 AI 能完成其中 50% 工作，

理论价值池就不是：

$50/seat/month。

而是几十万甚至上百万美元。

10、这就是未来 AI 企业软件最重要的一句话

Software is eating labor spend.

Marc Andreessen 当年说：

Software is eating the world。

Agent 时代更精确的说法可能是：

AI software is eating workflows, and workflows are mostly labor costs.

11、Vooma 最开始切入 Order Entry，是一个非常聪明的 Wedge

YC 最早介绍 Vooma 时，它的产品远没有今天这么大。

最初核心问题就是：

Order Entry。

客户通过：

邮件、

PDF、

Excel、

截图

发送 load。

员工再手工读出来，

填进 TMS。

Vooma：

读取，

抽取，

结构化，

通过 EDI / API 写进系统。

这是非常典型的：

Wedge Product Strategy。

12、为什么不要一开始就说“我要重构全球物流”？

因为客户不会买。

创业者最大的错误之一是：

Vision 很大，

Product 没有入口。

Vooma 很聪明：

Vision：

AI Agent for Logistics。

第一刀：

帮你少录几个订单。

够痛。

够简单。

ROI 能算。

上线容易。

13、一旦进入工作流以后，再向左右扩张

Order Entry

↓

Quote

↓

Schedule

↓

Cover

↓

Track

↓

POD / downstream workflows。

现在 Vooma 官网已经把产品直接定义为：

from quote to cash

的完整平台。

这就是经典的：

Land and Expand。

14、所以它最重要的战略不是“做很多 Agent”

而是：

占领整个 Workflow Graph。

如果你只做：

Quote，

竞争对手可以替换。

只做：

Voice，

可能也可以换。

但是如果：

Quote 产生的数据

进入 Build，

Build 进入 Schedule，

Schedule 进入 Cover，

Cover 进入 Track，

Track 再影响付款，

系统之间形成状态连续性，

切换成本就开始变高。

15、真正厉害的 AI 企业公司最后都会争夺“系统状态”

这比聊天能力重要得多。

例如一个 Agent 知道：

客户是谁，

这票货是什么，

过去报价多少，

carrier 是谁，

预约是什么时候，

司机有没有迟到，

付款完成没有。

这个 Agent 才真正可以：

Act。

如果每一次都从零开始问：

“请把上下文重新告诉我。”

那仍然只是 chatbot。

16、所以 Agent 的真正护城河不是 LLM

OpenAI、

Anthropic、

Google

的模型以后都会越来越强。

Vooma 很难靠：

“我们的大模型比别人厉害”

建立永久护城河。

真正的护城河应该来自：

Workflow Context。

Integrations。

Domain Ontology。

Customer SOPs。

Historical Outcomes。

Actions。

这六样东西。

17、尤其是物流里面的 Tribal Knowledge

这是 Vooma 反复强调的一个词。

很多物流公司的规则根本没写进软件。

它们存在于员工脑子里。

例如：

这个客户周五不能 4 点以后 pickup。

这个 warehouse 永远晚 30 分钟。

这个 carrier 虽然便宜但不要给高价值货。

这个客户报价时加多少 margin。

这个 lane 某季节需要注意天气。

这些就是：

Tribal Knowledge。

18、过去这种知识为什么很难软件化？

因为传统程序要求：

Explicit Rules。

IF A，

THEN B。

但是现实业务可能有：

几千个小例外。

不同客户不同。

不同 facility 不同。

不同 season 不同。

传统工程师最后只能不断写：

if statement。

19、于是软件最后会变成什么？

Exception Spaghetti。

大量：

客户A特殊规则，

客户B patch，

客户C workaround。

每加入一个客户：

复杂度增加。

最后维护成本爆炸。

这就是很多传统 enterprise automation 最后的宿命。

20、LLM 第一次真正改变了这个成本曲线

因为 LLM 可以理解：

自然语言，

邮件，

PDF，

电话，

非标准表达。

所以很多以前：

“理论上能自动化，但工程上不划算”

的工作，

突然变成：

Economically Automatable。

这个词特别重要。

并不是以前技术绝对做不到。

而是：

自动化成本 > 人工成本。

LLM 把这条线翻转了。

21、这就是 Vooma 所处赛道最本质的技术革命

不是：

AI 更聪明。

而是：

Software Coverage Expansion。

以前软件只能覆盖：

规则明确的 50%。

剩下：

50% 人处理。

现在 AI 可能让软件覆盖：

70%、

80%、

90%。

于是整个企业工作设计都要重构。

22、这就是为什么 Mike Carter 的自动驾驶背景其实非常适合做这家公司

Mike 曾是 Kodiak Robotics 的 founding engineer，并领导 motion planning 和 safety 团队；此前还在 Uber ATG 与 Otto 从事自动驾驶。

这听起来像：

从自动驾驶跳到 SaaS。

其实底层问题高度相似。

23、自动驾驶真正解决的是什么？

现实世界：

非常混乱。

有：

噪声，

异常，

不确定性，

安全要求。

系统必须：

感知，

判断，

行动。

物流 Agent 也是一样：

邮件不规范。

电话说话不同。

carrier 改主意。

司机延误。

仓库不回复。

报价变化。

系统也必须：

Perceive → Reason → Act。

24、所以 Mike 从 Autonomous Vehicle 到 Autonomous Workflow，其实是一条连续路径

第一种自主：

让机器在物理世界行动。

第二种：

让机器在企业工作流里行动。

前者要控制：

方向盘。

后者要控制：

Email、

Phone、

TMS、

Portal。

底层共同问题都是：

Reliability under uncertainty。

25、但你的“创始人曾深耕自动驾驶”要稍微改

Vooma 是双创始人结构。

Mike Carter 是自动驾驶技术老兵。

Jesse Buckingham 则完全是另一种背景：

Bain 顾问，

Stanford MBA，

后来担任 PE-backed logistics software company ASG LogisTech CEO，并把业务从约 200 万美元 ARR 做到 2000 万美元以上。

这其实比两个纯 AI 工程师创业更漂亮。

26、因为 Vooma 创始团队具备一个非常经典的组合

Mike：

Technology Truth。

懂自动化、

AI、

安全、

系统。

Jesse：

Market Truth。

懂物流客户、

销售、

软件部署、

经济模型。

这叫：

Founder-Market Fit。

27、很多 Vertical AI Startup 死掉，就是只拥有其中一半

技术团队：

AI 很强。

但不知道客户真正工作流程。

最后做出：

漂亮 Demo，

没人买。

传统行业创业者：

知道痛点。

但是没有能力把 Agent 做到足够可靠。

最后：

仍然只是咨询公司。

Vooma 最有潜力的地方就在于：

这两种能力组合。

28、而现在已经出现比较明显的早期 PMF 信号

Vooma 官方披露，在此前一年：

Revenue 增长约：

12.5x。

Transaction volume：

32x+。

并处理了数十万 loads。

客户包括：

Echo Global Logistics、

Arrive Logistics、

MODE Global、

NFI Logistics、

MoLo / ArcBest、

Sunset 等。

这些仍属于公司披露，具体 ARR 并没有公开。

所以：

PMF 有信号，但收入规模仍无法公开确认。

这一点必须区别。

29、因此现在叫“独角兽”完全太早

Vooma 当前更准确的定位是：

高增长 Series A Vertical AI Startup。

这反而更值得观察。

因为真正有巨大潜力的公司，

最有价值的研究时点通常不是：

已经 $10B。

而是：

还只有几十个人的时候。

YC 当前页面显示团队约 40 人。

30、Vooma 现在真正要证明的是从“Feature PMF”进入“Platform PMF”

早期：

客户愿意用 Build。

这是：

Feature PMF。

后来：

客户同时用 Quote、Cover、Schedule、Track。

开始形成：

Platform PMF。

这个转变极其重要。

因为 Feature 很容易被：

TMS、

其他 AI Startup、

Microsoft、

模型公司

复制。

31、平台真正难复制的是“业务记忆”

Vooma 现在强调：

系统学习每个企业的：

SOP，

customers，

carriers，

facilities，

历史经验。

如果真的沉淀下来，

它最终构建的不是：

一个 Agent。

而是：

Company Operating Memory。

这个概念非常大。

32、企业过去最大的隐性资产之一，一直存在于员工脑子里

员工离职：

知识一起走。

新人：

重新学。

企业扩大：

经验传递越来越慢。

如果 AI 可以把：

优秀员工的 SOP、

判断、

例外处理方式

沉淀下来，

第一次有可能形成：

Institutional Intelligence。

33、这也是 Vertical AI 最让我看好的地方之一

Horizontal AI 知道：

全世界一般知识。

Vertical AI 真正应该知道：

这家公司到底怎么干活。

这两种 Intelligence 完全不同。

前者：

General Intelligence。

后者：

Operational Intelligence。

真正能让企业付大钱的，

往往是第二种。

34、Vooma 的 Cover 产品现在已经跨过一个很有意思的边界

它不只是：

接电话。

当前产品可以：

筛选 carrier，

验证资格，

回答问题，

24/7 接 inbound calls，

甚至执行：

automated rate negotiation。

这就开始进入真正的：

Economic Decision。

35、为什么这比“帮我总结邮件”难很多？

AI 总结错一封邮件：

人看看就行。

AI 报错一个 freight rate：

可能直接损失 margin。

AI 选错 carrier：

可能造成：

事故、

盗货、

延误、

保险风险。

所以 Vertical Agent 越往价值链深处走：

Error Cost 越高。

36、这就是 Agent 行业最关键的公式之一

AI Value = Task Value × Automation Rate − Error Cost

如果任务价值很低：

不值得做。

如果错误成本极高：

也可能暂时不能全自动。

真正漂亮的场景是：

高频、

人工成本高、

结果可验证、

风险可以分层。

货运里很多流程正符合这一点。

37、所以真正企业级 Agent 不应该追求“100% 自主”

而应该设计：

Autonomy Gradient。

简单情况：

AI 自动完成。

中等情况：

AI 完成 + 人确认。

高风险情况：

Escalate to Human。

这比一句：

“完全无人化”

成熟得多。

38、Vooma Track 就已经明显采用这种设计

官方产品流程是：

AI 根据规则联系司机，

通过：

email、

text、

voice

获取状态，

写回 TMS；

如果达到客户定义的异常条件，

就升级给：

dispatcher 或内部团队。

这就是正确的：

Human-in-the-Loop Architecture。

39、这也解释了为什么企业 Agent 的第一性原则不是 Intelligence，而是 Reliability

消费者聊天：

95% 正确，

已经很惊艳。

金融转账：

95% 正确，

是灾难。

医疗：

95%。

灾难。

企业物流关键流程：

也是一样。

所以真正 B2B Agent 要优化的不是：

“看起来多聪明”。

而是：

“失败时是否可控”。

40、企业真正需要的其实是五层可靠性

第一：

Detection

知道自己什么时候不确定。

第二：

Guardrails

不能超出权限。

第三：

Escalation

知道什么时候找人。

第四：

Audit Trail

以后能查发生了什么。

第五：

Observability

管理者知道 Agent 今天到底干了什么。

如果这五层没有建立，

AI Co-worker 很难真正进入 Fortune 500 核心系统。

41、所以“99.999% 准确率”这种描述最好不要直接当成 Vooma 的正式 SLA

从 INSIDE Startups 的公开介绍可以确认：

大型物流客户对软件准确性和可靠性的要求极高，错误成本很高。

但我没有找到 Vooma 官方公开承诺：

99.999% accuracy

这一 SLA。

所以建议改成：

企业客户要求接近关键任务级别的可靠性。

更加稳妥。

42、你提到的数据模型重构，其实是 AI 创业最容易被忽略的一件事

外界以为做 Agent：

Prompt 写好。

API 接上。

Done。

完全不是。

Enterprise AI 最难的东西之一反而是：

Ontology。

也就是：

系统到底怎么定义世界。

43、例如物流里面到底什么是一个 Load？

Load 有：

shipper，

consignee，

pickup，

delivery，

carrier，

rate，

appointment，

status，

documents。

然后又有：

coverage strategy，

exceptions，

customer SOP。

如果最底层对象设计错，

以后 Agent 越做越多，

整个系统越来越乱。

44、这就是为什么数据模型比 UI 更接近护城河

UI：

可以一个月重新做。

Data Model：

一旦几百个客户依赖，

非常难改。

因为会影响：

API，

历史数据，

automation，

workflow，

reporting，

integrations。

这就是所谓：

Schema Lock-In。

45、“Pull Learnings Forward”也是一个很好的创业思想

大部分创业团队：

Customer 1 上线。

出问题。

修。

Customer 2 上线。

又出问题。

修。

不断：

Reactive。

更聪明的方法是：

在大规模 go-live 前，

把排队客户拿来研究：

我们未来一定会撞到什么？

这叫：

Pre-mortem Product Development。

46、这在 Enterprise Software 特别重要

消费者 App：

Bug 了，

发 patch。

企业系统：

上线以后：

数据迁移，

培训，

SOP，

permissions，

integration

全部建立。

再改核心 abstraction，

成本非常高。

所以早期必须利用：

Low Backward-Compatibility Cost Window。

47、创业早期有一个非常宝贵、很多人没意识到的资产

就是：

You are allowed to break things.

客户少。

API 少。

历史数据少。

依赖关系少。

所以你可以：

改数据库，

改产品，

推翻架构。

公司做大以后，

每一个错误设计都会变成：

Legacy Debt。

48、所以优秀创业者早期不能只追求 Speed

应该追求：

Speed of Learning。

这和：

Speed of Shipping

不是完全一回事。

做10个功能，

没学到东西，

没有价值。

做1个功能，

发现底层模型错了，

然后提前重构，

可能价值巨大。

49、招聘方式的变化同样值得高度关注

Mike Carter 最近已经公开确认：

Vooma 现在让工程候选人进行：

Code Review Interview，

重点测试候选人对：

AI 生成决策、

AI代码

的理解和判断。

这个方向我认为非常重要。

50、因为“写代码”正在快速从稀缺能力变成相对便宜的能力

以前：

Engineer Value

≈

能写多少正确代码。

未来越来越接近：

Engineer Value

≈

能定义什么该被构建 + 判断 AI 写的东西是不是垃圾。

这发生了巨大的价值迁移。

51、未来工程师最值钱的能力可能从 Coding 迁移到 Judgment

包括：

架构判断，

安全判断，

边界条件，

性能，

抽象层级，

数据模型，

technical debt，

产品权衡。

因为 AI 很擅长：

Generate。

但是：

选择哪一个 generation 是正确的，

仍然需要：

Taste。

52、这和投资行业正在发生的变化很像

过去一个分析师价值：

找数据，

做 Excel，

做模型。

AI 都越来越能做。

以后真正值钱的是：

Which assumptions matter?

同样：

程序员未来不是比谁：

敲键盘快。

而是：

谁知道哪些代码根本不应该写。

53、所以所谓“AI 写 80% 代码”，不要机械理解成“80%工程师要失业”

因为代码生产不是软件工程全部。

AI 让：

Cost of Code

下降。

但可能导致：

Amount of Software

大幅上升。

这类似：

Jevons Paradox。

编程越便宜，

企业越可能需要更多软件。

54、真正可能被压缩的是一种特定工作

Pure Implementation Labor。

也就是：

别人把问题已经定义得非常清楚，

你只是把 spec 翻译成代码。

这层最危险。

未来最值钱的是：

Problem Definition，

Architecture，

Review，

Integration，

Ownership。

55、所以 AI 时代招聘真正应该测试三件事

第一：

能不能发现 AI 的错误。

第二：

能不能判断什么值得做。

第三：

AI 做错以后，能不能承担最终责任。

这就是：

Accountability。

AI 没有职业生涯。

工程师有。

56、“Chef”文化看起来是搞笑，其实很典型

Vooma 的确有内部：

Chef

奖励，公开员工帖子称它用于奖励“本周 cooking hardest”的团队或成员。

这种文化符号对一个40人左右的 startup 很有效。

因为早期文化不能只是墙上写：

Integrity，

Innovation，

Customer First。

没人记得。

57、真正强的公司文化必须能够变成行为语言

例如：

“你这周 cook 了吗？”

团队马上知道：

意味着：

Shipping，

Ownership，

Impact。

Netflix 有：

Keeper Test。

Amazon 有：

Day 1。

Meta 有：

Move Fast。

文化最厉害的状态不是：

Values written down。

而是：

Values compressed into language。

58、但文化仪式真正危险的地方也在这里

如果奖励的是：

工作时间最长，

谁睡得最少，

谁最疯狂，

最后容易变成：

Performative Hustle。

真正应该奖励的是：

Output / Learning / Customer Impact。

而不是：

Pain。

这一点和前面 Doug Leone 的“苦难”逻辑其实一样。

不要把：

受苦

误认为：

生产力。

59、Jean-Claude Van Damme 那个营销案例也非常聪明

Vooma 确实重新制作了 Volvo Trucks 那个著名“双卡车一字马”广告的 AI/混合版本，用 Jesse 当主角来推广 Cover Outbound。相关制作团队公开介绍了这次内容实验。

真正值得学的不是：

“搞笑”。

而是：

Category-Native Marketing。

60、为什么这个创意特别适合 Vooma？

因为原版广告本身就是：

卡车文化经典内容。

目标客户：

freight brokers，

carriers，

logistics people。

他们一眼就懂梗。

这比一个普通 AI Startup 拍：

“一个蓝色机器人在数据中心飞”

强100倍。

61、B2B 品牌一个巨大误区就是“必须严肃”

其实 B2B buyer 也是人。

尤其 Vertical SaaS：

行业圈子非常小。

如果你的内容能够变成：

Industry Meme，

获客效率可能非常高。

这叫：

Earned Distribution。

对于只有几千万美元融资的 Startup 非常重要。

62、现在回到公司真正的商业天花板：Vooma 会不会成为“物流 Salesforce”？

我认为这个比喻并不完全准确。

Salesforce 核心：

Human Workflow Management。

Vooma 更可能走向：

Autonomous Workflow Execution。

所以更接近：

ServiceNow + AI Worker + Vertical Operating Layer。

63、Vooma 真正最大的机会，是成为 Freight Control Plane

未来 broker 打开一个界面，

看到的不再是：

50 个员工自己处理50件事。

而是：

20 个员工

200 个 Agents。

员工管理：

Exceptions，

Relationships，

Strategy。

Agents 管理：

Routine Execution。

这就是创始人描述的：

swarms of agents。

64、这会改变一个物流公司的组织结构

过去业务规模近似：

Revenue ∝ Headcount。

多接货，

就要多招人。

如果 Agent 成功：

Revenue 可以增长，

Headcount 增长更慢。

于是：

Revenue per Employee

上升。

这才是 CEO 真正愿意付钱的指标。

65、所以 Vooma 最终真正应该卖的 KPI 不是“时间节省”

而是：

Loads per Employee。

Revenue per Rep。

Gross Margin per Load。

Quote Win Rate。

Cost per Load。

Exception Rate。

如果这些持续改善，

Vooma 会非常值钱。

66、这就是 AI 公司和传统 SaaS 最大的销售哲学变化

传统 SaaS：

我有100个功能。

AI Agent：

我帮你多移动20%的 freight，同时不用多招20%的人。

后者就是：

Outcome Selling。

而不是：

Feature Selling。

67、但 Vooma 最大的风险也正来自这里：价值巨大，所以竞争一定巨大

这个赛道绝不会只有 Vooma。

未来竞争会来自：

Vertical AI startups，

TMS incumbents，

freight-tech platforms，

voice-agent companies，

甚至：

大型物流公司自己开发 AI。

所以：

“市场大”

永远不是护城河。

市场越大：

竞争通常越多。

68、它真正必须建立的第一个护城河：Integration Density

现在 Vooma 已经连接：

McLeod，

Turvo，

DAT，

Truckstop，

Highway，

Front，

RingCentral，

Slack

等大量行业系统。

每多一个 integration，

产品：

更容易部署。

每多一个客户：

integration ROI 又提高。

这会形成一定的：

Ecosystem Moat。

69、第二个护城河：Proprietary Workflow Data

例如：

什么价格容易成交？

什么 carrier 在什么 lane 更可靠？

什么时间预约更容易成功？

什么邮件通常意味着异常？

什么沟通方式更容易得到回复？

如果这些数据能在保护客户隐私与权限的前提下提升模型能力，

长期价值非常大。

70、第三个护城河：Trust

这是企业 AI 最容易被低估的东西。

物流 CEO 要问：

我敢不敢让这个 Agent：

直接给客户报价？

直接跟 carrier 谈价？

直接更新 TMS？

直接给司机打电话？

真正的竞争不只是：

模型评分高2%。

而是：

Who do I trust with execution?

71、所以 Enterprise AI 会出现一种非常强的 Winner-Take-Most 动力

一旦一家公司已经让 Vooma：

读全部邮件，

接入 TMS，

理解 SOP，

知道客户，

知道 carrier，

掌握 workflows，

另一个 AI Startup 想替换它：

成本开始非常高。

这叫：

Operational Switching Cost。

72、第四个护城河：Distribution

Vertical AI 和普通互联网创业最大的区别：

客户有限。

圈子小。

口碑极其重要。

如果：

Echo、

NFI、

Arrive、

MODE

这种行业公司使用，

其他 broker 会注意。

这叫：

Referenceability。

B2B Enterprise 销售里面极其值钱。

73、第五个护城河可能反而是“人”

Vooma 目前仍处在几十人阶段。

这个阶段最大的风险通常不是：

Google 抢市场。

而是：

能不能快速招到正确的人。

特别是：

Forward-Deployed Engineer，

Deployment，

Customer Success

会极其重要。

因为每个企业流程不同，

Agent 必须被落地。

74、这就是为什么 AI Agent 创业正在重新带火 Forward-Deployed Engineer

Palantir 早就证明：

企业软件真正落地，

不能只把 API 丢给客户。

你需要工程师：

走进去，

理解业务，

接数据，

改 workflow，

解决 exception。

AI 时代这个岗位反而更值钱。

75、所以“AI公司”最终可能比传统 SaaS 更像咨询公司吗？

早期：

有一点。

因为必须：

深入部署。

但是关键问题是：

Customization 是否能够被 Productized？

如果每来一个客户都要：

20名工程师做半年，

它只是科技咨询。

如果每次部署经验都能：

沉淀成 reusable primitives，

公司就可以规模化。

76、这就是你材料里“先建设通用数据模型”真正重要的地方

每一次客户定制都必须问：

这是：

One-off Request？

还是：

Generalizable Capability？

优秀产品团队不断把：

客户特例

转化成：

Platform Primitive。

这就是 enterprise software 从 project 变 platform 的过程。

77、站在VC角度，现在研究 Vooma，我不会首先问“市场是不是1.46万亿美元”

那个已经不用争论。

我会问七个问题。

第一：

ARR 到底多少？

目前未公开。

第二：

Net Revenue Retention 多高？

第三：

一个客户一年用几个 Agent？

第四：

Gross Margin 如何？

尤其大量 voice / LLM inference 会不会压低 margin。

第五：

Implementation Cost 多高？

第六：

Human Oversight Ratio 是否持续下降？

第七：

从 Build 到全平台的 cross-sell 能不能跑通？

这些才决定估值。

78、尤其是 Gross Margin，是未来所有 Agent 公司都必须面对的问题

传统 SaaS：

服务器成本低。

AI Agent：

每一个任务可能产生：

LLM tokens，

voice inference，

telephony，

tool calls，

第三方 API，

实时计算。

于是：

Revenue 增长

不等于：

Gross Profit 同比例增长。

79、所以 Agent 公司必须盯一个非常重要的新指标

Cost per Completed Task。

比如：

完成一个 load coverage：

收客户：

$10。

模型、

电话、

API成本：

$2。

Gross Profit：

$8。

很好。

如果 AI 为了完成一个复杂任务不断 retry，

成本：

$9。

那就危险。

80、未来 Agent 公司的技术能力会直接变成 Financial Margin

模型路由更聪明：

便宜。

Prompt 更有效：

便宜。

缓存更好：

便宜。

小模型能完成的不用大模型：

便宜。

Voice latency 更低：

更好。

所以：

AI Infrastructure Optimization = Gross Margin Optimization。

技术和财务开始直接绑定。

81、还有一个巨大风险：Incumbent Bundling

假设某个 TMS 自己推出：

AI Build，

AI Quote，

AI Track。

然后免费包含在：

原有合同里。

Vooma 怎么办？

这就是任何 application-layer AI startup 都要面对的问题。

82、答案不能只是“我们的 AI 更好”

真正的答案必须是：

Cross-System Neutrality。

TMS 只了解：

自己的系统。

Vooma 如果能跨：

email，

voice，

DAT，

TMS，

Highway，

portal，

Slack

成为中立协调层，

它就有机会站在：

系统之上。

83、这其实和我们刚刚研究 FedEx 有一个非常漂亮的呼应

FedEx 想成为：

Global Supply Chain Orchestrator。

Vooma 想成为：

Freight Workflow Orchestrator。

区别是：

FedEx 控制：

Physical Network。

Vooma 控制：

Digital Workflow。

一个管理货物。

一个管理货物周围的人类协调工作。

84、AI 时代真正巨大的机会可能就在两者之间

现实世界拥有：

工厂，

卡车，

仓库，

飞机，

港口。

数字世界拥有：

Agents。

未来价值最大的公司之一，很可能会负责：

把数字智能映射到物理世界行动。

物流是最天然的实验场。

85、这也是为什么我不喜欢“AI颠覆物流”这种简单说法

卡车不会因为 Vooma 消失。

司机不会一夜消失。

broker 也不会完全消失。

真正发生的是：

劳动分工重新设计。

AI 处理：

routine coordination。

人处理：

relationships，

exceptions，

negotiation edge cases，

strategic capacity，

customer trust。

86、未来最优秀的 Freight Rep 可能不是自己处理100个电话

而是：

管理一组 AI Workers。

他要会：

定义规则，

判断异常，

优化 Agent，

查看指标，

管理关系。

这就像工业革命以后：

最值钱的不再是纯手工工人，

而是：

管理机器的人。

87、所以 Vooma 真正卖的东西可以进一步抽象成：

Management Leverage。

过去一个 manager：

管理10个人。

未来：

10个人 + 100 Agent。

如果输出提高5倍，

这就是：

AI真正的企业价值。

88、从创业角度，Vooma 还有一个特别值得学习的地方

它没有从：

“AI行业”

找问题。

它从：

“物流行业”

找问题。

这是很多 AI 创业者最应该学习的。

错误问题：

AI现在能做什么？

更好的问题：

哪个价值数千亿美元的行业里，存在大量昂贵、重复、非结构化工作？

然后再问：

AI现在终于能不能解决？

89、这就是 Vertical AI 的正确创业顺序

Industry Pain

↓

Workflow

↓

Economic Value

↓

AI Capability

↓

Product。

不是：

LLM

↓

想一个 Demo

↓

找人买。

顺序完全不同。

90、而且 Vooma 的双创始人结构本身就是最经典的创业课

一个人知道：

Problem。

一个人知道：

Technology。

很多优秀 Vertical AI 公司都会长成这种组合。

医疗：

医生 + AI Engineer。

法律：

律师 + AI Engineer。

物流：

Operator + Autonomy Engineer。

金融：

Banker + AI Engineer。

这是未来几年非常重要的创业范式。

91、站在资本配置者角度，我现在不会把 Vooma 当成“已经成功的公司”

它还远远没有。

它是：

Series A。

几十个人。

累计融资：

$16.6M。

估值公开资料有限。

距离：

IPO、

$1B valuation、

行业统治

都非常远。

所以不能用结果倒推：

“它一定会成功。”

92、但它值得研究，因为它站在三个巨大结构变化的交叉点

第一：

AI Agents。

软件开始行动。

第二：

Vertical AI。

行业知识进入模型。

第三：

Industrial Digitization。

现实世界传统产业开始被AI重构。

这三股力量如果叠加成功，

会产生非常大的公司。

93、如果 Vooma 最终失败，最可能死在哪里？

我会盯五件事。

1. Reliability 不够。

Demo 很棒，

生产不行。

2. Deployment 太重。

每个客户都重新做项目。

3. Incumbents 抄功能。

TMS 直接 bundle。

4. AI unit economics 不成立。

推理和 voice 成本过高。

5. Agent 不够深入。

最后只是“更好的RPA”。

这是最核心的五个风险。

94、如果它成功，真正成功的形态也绝不会只是“物流机器人打电话”

最终应该出现：

Persistent Agents。

长期存在。

拥有身份。

拥有权限。

拥有记忆。

拥有 KPI。

甚至能够：

相互调用。

例如：

Quote Agent

通知：

Cover Agent。

Cover Agent

通知：

Schedule Agent。

Schedule Agent

通知：

Track Agent。

这才是真正：

Agentic Enterprise。

95、那时组织架构甚至可能出现新的概念

今天 CEO 问：

多少员工？

未来可能问：

Human Headcount

Agent Count。

今天 CFO 计算：

Payroll。

未来可能还计算：

Digital Labor Spend。

这是我认为未来五到十年企业软件最大的变化之一。

96、而这也是为什么 Vooma 的故事比一家普通物流 SaaS 更值得看

它不是单纯提高：

软件渗透率。

它在测试一个更大的命题：

一个知识工作者过去一天完成的几十个动作，是否可以被软件自主执行？

如果答案是：

Yes，

软件公司的收入池会从：

IT Budget

扩展到：

Global Labor Budget。

这才是 AI Agent 真正巨大之处。

最后，把整个 Vooma 案例压缩成一句话

Vooma 真正押注的不是“AI 能不能帮物流公司写邮件”，而是物流公司的组织结构会不会从“人使用软件”变成“人管理 AI Workers”；一旦后者成立，AI 软件的市场就不再只是 SaaS 预算，而开始吞噬数千亿美元的人力与协调成本。

而从创业角度，我认为它最值得学习的是：

不要去寻找一个适合 AI 的 Demo，要去寻找一个因为 AI 出现而第一次变得“经济上可自动化”的巨大行业。

美国货运正是这种行业：

规模接近 1 万亿美元，

到 2035 年预计达到 1.46 万亿美元，

几十年来依然大量依赖电话、邮件、Excel 和人工协调。

所以 Vooma 真正值得观察的问题已经不是：

“AI 能不能做物流？”

而是：

“Vooma 能不能成为物流行业的 AI 劳动力操作系统？”

这才决定它未来究竟只是一家几十亿美元级别的 Vertical SaaS，还是能够成长为更大的基础设施公司。

Vooma 现在还非常早期，融资、产品扩张和大客户签约都会快速变化，持续跟踪会比较有价值。