Adept 失败拆解：$415M 的 AI Agent，卡在 demo 到交付之间 (2026)

一句话总结： Adept 的失败不是「AI agent 没机会」，而是它在产品化前先背上了基础模型公司的融资体量，最后只能把最值钱的人才和技术授权给 Amazon，把原本的「通用电脑同事」收缩成企业工作流能力供应商。1

增长判断： 这是一个典型的 G0 到 G1 卡死案例：Adept 有强演示、强融资、强人才光环，但没有公开证据显示它跑出了可复制获客、可低成本激活、可规模交付、可持续续费的商业闭环；Reuters 在 2024 年 7 月写到，Adept 曾估值超过 10 亿美元，但未能推出成功的商业产品。2

增长因果链： 「自然语言操作任意软件」的愿景制造了融资和传播，但企业客户真正购买的是可审计、可控、可维护的具体流程；当模型训练、产品交付和企业集成三件事同时烧钱，Adept 的最大杠杆从「自己卖产品」变成「把模型、数据、团队嵌进更大的平台」。Top 3 关键前提是：一，Agent 的可靠性要达到生产环境阈值；二，销售和实施成本不能吞掉毛利；三，客户愿意把关键系统权限交给第三方模型。Adept 公开材料只证明了前半段潜力，没有证明后三个前提已经规模成立。

G 增长系统：强演示能拉来资本，不能替代留存

Adept 的冷启动非常漂亮。2022 年 9 月，它发布 ACT-1，核心叙事是训练一个能使用浏览器、API 和各种软件工具的 Action Transformer；用户输入一句话，模型就能点击、输入、滚动并完成跨软件任务。3 这个叙事比普通聊天机器人更锋利：不是回答问题，而是替人动手。

问题在于，AARRR 的每一步都比 demo 难一个数量级：

环节	Adept 当时的增长抓手	公开证据状态	关键卡点
Acquisition 获客	ACT-1 演示、AI teammate 叙事、顶级团队背景	官方 ACT-1 博客和融资报道可验证；大规模自然获客数据未披露	演示吸引的是关注，不等于可重复获客
Activation 激活	一句话完成 Salesforce、表格、网页任务	ACT-1 官方示例可验证；真实客户激活率未披露	客户必须先授权系统、数据和流程
Retention 留存	多步骤工作流自动化	2024 年官方称有 beta 客户和生产环境部署；留存、频次、续费未披露 1	偶尔成功没有价值，稳定少出错才有价值
Revenue 收入	企业 agent / 技术授权 / 解决方案	定价、ARR、毛利率均未披露	企业实施成本可能高于早期收入
Referral 推荐	「AI 同事」愿景传播	融资与媒体传播强；客户推荐案例未披露	推荐必须来自可量化 ROI，不是来自技术惊艳

结论：Adept 的增长系统不是输在没有上游流量，而是把 acquisition 误当成了 product-market fit。融资、媒体和演示视频能让客户愿意见你，但不会替客户承担上线风险。

O 市场机会：需求真实，但购买对象不是「通用智能」

Adept 选的市场方向没有错。知识工作里大量动作确实发生在浏览器、CRM、表格、邮件、PDF、内部系统之间。ACT-1 的官方表述是，让模型学会「人能在电脑前做的事」，用自然语言把 GUI 操作抽象掉。3

市场机会的真实矛盾在于：客户口头上会说想要「通用 AI agent」，采购时却会追问非常窄的问题：

它能不能在我的 Salesforce、HubSpot、EMR、Stripe、政府网站里跑？
出错时谁负责，能不能回滚，能不能留审计日志？
UI 改了以后是否还能跑？
单个流程上线需要几周、几个人、多少钱？
失败率低于多少，才敢把人工审核撤掉？

Adept 后来的产品表述也从「下一代通用电脑界面」收缩到了「企业多步骤工作流」。2024 年 8 月，Adept 发布 Adept Workflow Language，强调通过自定义语言 AWL 把自然语言和更可控的函数式操作结合起来，让 agent 在 HubSpot、Salesforce、EMR、Stripe 等流程中运行。4 这说明市场教育完成了一半：愿景仍是 agent，但交付必须落到具体流程。

最大杠杆：把「通用能力」包装成「行业工作流 SKU」。谁会赢：不是模型最炫的一方，而是能把错误率、上线时间、权限边界和人工兜底做成标准产品的一方。

S 战略定位：同时做模型公司和应用公司，现金流压力过早放大

Adept 的战略定位一开始很高：既要训练能操作软件的基础模型，又要围绕模型做产品。2023 年 3 月，Adept 官方宣布完成 3.5 亿美元 B 轮融资，用于推出初始产品、训练模型和扩充团队。5 Reuters 同月报道，这轮融资由 General Catalyst 和 Spark Capital 领投；Adept 未披露估值，但知情人士称其为估值超过 10 亿美元的独角兽。6 TechCrunch 写到，这笔钱使 Adept 累计融资达到 4.15 亿美元。7

这个体量对一个尚未规模商业化的企业软件产品很危险。因为它隐含了两个估值前提：

模型能力会持续领先，足以抵御 OpenAI、Anthropic、Google、Microsoft 等平台级玩家。
产品能快速从 demo 变成可收费、可复制、可扩张的企业软件。

Adept 在 2024 年 6 月的官方更新里实际承认了战略压力：继续同时建设「有用的通用智能」和「企业 agent 产品」会迫使公司把大量注意力放到为基础模型融资上，而不是把 agent 愿景产品化。1 这句话是本案的战略拐点。

结论：Adept 的定位卡在「模型公司」和「应用公司」之间。模型公司需要资本、算力和顶级研究密度；应用公司需要交付、客户成功和垂直场景复用。早期团队很难同时把两条曲线都跑出来。

C 竞品分析：它不是输给某一个竞品，而是被三类对手挤压

Adept 面对的竞争不是单线的。它同时被三类玩家夹住：

竞品类型	代表	对 Adept 的挤压	Adept 的相对短板
基础模型平台	OpenAI、Google、Microsoft、Anthropic 等	模型能力、算力、生态入口	难长期独占模型能力和分发入口
企业自动化平台	UiPath、RPA、Zapier/Make 类工作流平台	客户关系、治理、权限、审计	缺少成熟企业实施网络
新 agent 创业公司	TechCrunch 2024 年提到 Orby、Emergence 等进入 AI agent 赛道 TechCrunch	同样讲 agent，但从更窄场景切入	Adept 的通用叙事更重，落地边界更难收窄

这不是说 Adept 技术弱。恰恰相反，它的技术资产后来被 Amazon 授权，创始团队也进入 Amazon AGI 组织。CNBC 报道称，Amazon 雇用了 Adept 顶级高管，并非独家授权 Adept 的技术、部分模型和数据集，以加速自动化软件工作流的数字 agent 路线。8

但创业公司竞争不是「技术值多少钱」，而是「谁能把技术转成收入」。Adept 的技术在大平台里更有杠杆，因为平台已经有云客户、权限体系、企业销售和算力预算；在独立公司里，它要自己同时搭这些东西。

最大杠杆：不要在平台最强的层面硬拼。谁会赢：能把 agent 变成某个岗位每天必须用的工作台，而不是另一个研究展示窗口的公司。

P 产品设计：最亮的能力，也是最重的负债

ACT-1 的产品设计抓住了一个强痛点：软件越来越多，人的工作被拆成一堆点击、复制、粘贴、查询和表单填写。Adept 的解法是让模型观察浏览器视口，再选择 UI 元素执行动作。官方 ACT-1 博客明确写到，当时模型通过 Chrome extension 观察浏览器，并执行点击、输入、滚动等动作。3

Adept 官方展示的 HubSpot 表单自动填写流程 — 图中展示 Adept agent 在 HubSpot 页面里定位字段、填写联系人信息并准备点击创建按钮，这是它从「一句话 demo」走向可控工作流的关键设计方向。4

这个设计的优点很明确：

不要求客户等待每个 SaaS 都开放 API。
能处理 PDF、网页、表单、CRM 这类真实工作流碎片。
对终端用户来说，输入自然语言比写脚本容易。

但同一个设计也放大了交付难度。GUI agent 天然面对不稳定页面、权限弹窗、字段命名差异、网络延迟、验证码、审计和安全责任。Adept 后来引入 AWL，其实是在给纯自然语言加护栏：左侧更可控，右侧更容易编写，中间用 act() 这样的函数让模型在有限空间内推理。4

产品设计结论：Adept 真正该卖的不是「模型会用电脑」，而是「某条工作流在可审计边界内稳定跑完」。只要产品界面还停留在 demo 叙事，客户就会把它当未来技术；只有当它变成流程 SLA，客户才会把它当预算项。

E 商业模式：收入未披露，单位经济模型风险很高

Adept 的公开商业化数据非常少。定价、ARR、付费客户数、净收入留存、毛利率、销售周期、实施成本都未披露。官方 2024 年更新只说已有 beta 客户，在 mission-critical production environments 中部署，并能自动化最多几十步的端到端工作流。1

因此，本期只能给商业模式估算，不能写成事实：

变量	公开状态	估算判断	置信度
收入规模	未披露	未见公开证据证明已形成足以支撑独立高估值的规模收入	B
定价方式	未披露	更可能是企业定制/授权/解决方案式报价，而非低触达自助订阅	B
毛利压力	未披露	如果每个客户都要深度配置权限、流程、异常处理和安全审查，早期毛利会被实施成本压低	B
续费驱动	未披露	续费必须来自稳定替代人工时长，而不是单次 demo 成功	A
退出路径	已发生 Amazon 授权 + 团队转移	技术和人才价值高于独立产品收入价值	A

Adept 的商业模式本可以有三条路：一是卖企业 agent SaaS，二是卖模型/API，三是把 agent 技术授权给平台。最终公开发生的是第三条。Amazon 获得非独家技术授权和人才，Adept 剩余团队继续独立运营并转向 agentic AI 解决方案。8

结论：当产品收入无法覆盖基础模型路线的资本需求时，授权给平台不是意外，而是估值结构倒逼出来的最优解。

L 洞察提炼：AI agent 失败通常不是「不会做」，而是「不敢交给它做」

Adept 给 AI 产品的最大教训不是「别做 agent」。相反，2026 年回看，agent 方向更热了。它的教训是：越接近真实动作，产品越需要从生成体验转向责任系统。

聊天机器人答错，用户可以重问；文生图跑偏，用户可以重生；但 agent 在 CRM、医疗系统、金融表单或政府网站里点错，后果会进入真实业务流程。Adept 2024 年官网强调 trust and security，并把能力包装成 agent stack，包括训练数据、多模态模型、执行软件、反馈工具。9 这说明它已经意识到：agent 产品不是一个模型，而是一套责任边界。

可复用洞察有三条：

Demo 证明可能性，生产证明可购买性。 如果演示里的任务没有变成客户每天重复跑的任务，增长就停在传播层。
通用能力必须被窄场景吸收。 「能操作任何软件」太宽，客户真正买的是「帮我处理这类发票/线索/申请/工单」。
融资额会改变产品节奏。 4.15 亿美元融资让 Adept 必须证明大市场、大模型、大平台价值；如果它只是一家垂直自动化 SaaS，组织结构和估值预期会完全不同。

可证伪阈值：若一个 GUI agent 产品能公开证明 10 个以上行业内可复用工作流、单流程上线时间低于 2 周、关键步骤自动成功率连续 30 天高于 95%、人工回滚率低于 2%、并且付费客户续费率高于 120% NRR，它就不再只是 demo 公司。Adept 没有披露这些指标。

D 决策分析：如果你是 CEO，应该更早砍掉一个战场

Adept 在 2023 年 B 轮后有三种可选决策：

决策	做法	好处	风险	适用前提
继续模型 + 产品双线	保持基础模型训练，同时自建企业产品	上限最高	烧钱最快，组织最分裂	有持续融资能力，且产品收入快速增长
收缩成垂直工作流公司	选 1-2 个行业，做深标准流程	更容易证明 ROI	愿景变窄，估值要重定价	团队愿意放弃通用智能叙事
授权/并入平台生态	把模型、数据、人才嵌进大平台	技术资产变现最快	独立产品叙事受损	产品收入未跑出，但平台认为技术和团队有战略价值

实际结果接近第三条。Adept 官方称，创始人和部分团队加入 Amazon AGI 组织，Amazon 授权 Adept 的 agent 技术、多模态模型和部分数据集；Zach Brock 接任 CEO，Adept 转向产品聚焦路线。1 Reuters 后续报道，FTC 向 Amazon 索取了这笔交易的更多细节，反映监管者对大型科技公司通过授权和人才吸收绕开传统并购审查的关注。2

如果倒回 2023 年，最稳的 CEO 决策不是继续讲「人能在电脑前做的一切」，而是尽早选一个高频、高痛、低监管摩擦的流程，把 ACT-1 的通用能力压缩成一个能重复销售的产品。比如销售运营里的线索清洗、财务里的票据录入、客服里的工单流转。通用智能可以放在融资故事里，但产品收入必须从窄处开始。

最终结论：Adept 不是死在技术不够先进，而是死在商业化节奏不够窄。它证明了「AI 会用软件」是一个大方向，也证明了创业公司不能同时把自己定价成基础模型平台、企业自动化平台和通用电脑界面。真正的胜负手不是能不能让模型点击按钮，而是能不能让客户放心地把按钮交出去。

Adept 失败拆解：$415M 的 AI Agent，卡在 demo 到交付之间