Ema B 轮融资加码企业软件与 IT 服务之争
Ema 完成 7700 万美元 B 轮融资，旨在让其 AI 智能体更深入地参与企业 HR、IT 和财务运营。本轮融资为这家初创公司提供了更多资金，用以直接挑战企业软件供应商和 IT 服务公司。
Ema 此轮 B 轮融资由 Creaegis 领投。现有投资者 Accel、Section 32 和 Prosus 均增加了持股，使 Ema 的累计融资额达到 1.4 亿美元。该公司表示，其估值较 2024 年上一轮融资时已增长逾四倍，但拒绝披露最新估值。
关键不只在于融资规模。Ema 希望其智能体能够跨现有应用完成工作，减少员工手动操作各个系统的需求。如果这一模式得以验证，软件应用可能会沦为 AI 控制的工作流层之下的数据库。
这将对两种既有商业模式形成压力。软件供应商通过许可证和席位销售应用访问权限；IT 服务公司则通过实施、集成和运营这些应用获取收入。Ema 正尝试将两类业务的部分环节纳入一个围绕已完成任务和业务成果定价的系统。
Ema B 轮融资将产品押注转化为销售攻势
这笔新资金推动 Ema 从验证产品，转向销售一种企业工作的新型运营模式。
根据公司对 Ema funding round 的介绍，9 月 23 日公布的这轮融资全部由新增股权构成。这意味着资金将注入企业运营，而非用于向早期股东支付退出款项或偿还债务。
Ema 计划将大部分资金投向销售、营销和国际扩张。这家总部位于 Mountain View 的公司此前主要专注于美国和欧洲客户，如今计划拓展亚太地区、南美及中东部分地区的组织。
这一转变之所以重要，是因为 Ema 在早期几年主要投入于开发平台和建立部署案例。该公司目前拥有近 200 名员工，除加州总部外，还在 Bengaluru、London 和 Vancouver 设有办公室。更广泛的商业团队将使公司具备更强能力，竞逐规模庞大、决策周期漫长的企业合同。
Ema 由 CEO Surojit Chatterjee 和工程负责人 Souvik Sen 于 2023 年创立。Chatterjee 曾在 Google 和 Coinbase 担任高级职务，Sen 则曾任职于 Google 和 Okta。该公司于 2024 年结束隐身状态，目标是打造通用 AI 员工。
其最初产品结合了工作流引擎和 EmaFusion——一个旨在从不同语言模型中进行选择的系统。这一策略在 Ema's 2024 launch 中已可见，当时公司将模型选择定位为更广泛企业自动化平台中的一个组成部分。
最新一轮融资推进了这一论点。Ema 表示，其平台现可调用超过 150 个前沿和开源模型，并将其与集成、领域知识、权限控制和智能体协作结合起来。
该公司将由此形成的系统称为“AI 员工”。从实际角度看，Ema AI 智能体是能够规划并执行跨多个业务应用的多步骤工作的软件流程。它们可以检索记录、更新系统、核查结果、请求审批，并将异常情况转交给人工处理。
这不同于一次只能回答一个问题的聊天机器人。询问育儿假的员工可能需要政策资料库的信息、HR 系统中的资格数据以及审批工作流。Ema 的主张是，一套智能体体验便能协同完成这些步骤，无需让员工逐一访问各个应用。
该公司还推出了面向 HR、IT 和财务的专用产品。这种产品化缩短了通用智能体平台与可部署业务应用之间的距离，在提供预定义工作流的同时，保留跨部门共用的编排层。
Ema 表示，在商业扩张的同时将持续投资于该平台。这一平衡至关重要：招聘销售人员可以增加合同量，但企业客户将通过可靠性、安全性、治理能力和可量化的运营成果来评判该系统。
因此，Ema B 轮融资标志着一次转型，而非一场胜利。投资者押注该公司能在更多组织和地区复制早期部署成果。下一阶段需要将所报告的业务进展转化为持久的生产环境使用。
为何 AI 智能体开始冲击软件席位模式
Ema 的核心押注是，企业将为完成的工作付费，而非主要为访问彼此独立的应用付费。
传统企业软件围绕记录系统组织工作。企业会购买一套人力资源应用、一套服务管理应用、一套财务应用，以及用于协作、分析和审批的其他产品。
员工必须学习每个界面，并理解信息如何在它们之间流转。随后，企业还要向顾问、系统集成商和内部团队付费，以连接这些应用。这种安排为软件供应商带来持续收入，也为服务公司创造持续的实施工作。
Ema 的企业软件并不会立即移除这些底层系统。它首先位于这些系统之上，通过集成读取信息并执行获授权的操作。智能体成为界面，而既有应用继续存储正式记录。
Chatterjee 认为，这种安排最终可以降低企业对大型软件套件的依赖。他告诉 TechCrunch，一些客户正考虑替换某些 SaaS 应用，因为这些产品正在变得“像一个数据库”。
这一说法描述了行业可能出现的逆转。企业应用过去同时控制数据和用户体验。AI 智能体可以将这两个层面分离，让员工提出期望结果，由智能体决定使用哪些系统。
影响不止于界面设计。按席位定价的前提是，用户通过登录应用获得价值。当一个智能体为众多员工完成工作时，席位、使用量与价值之间的关联便会减弱。
Ema 表示，其收费不基于软件席位或消耗的 AI token，而是与任务完成和业务成果挂钩。该模式试图让支出与已完成的工作相匹配，但客户仍需对成功成果、例外情形和争议结果作出清晰定义。
这种变化也改变了采购方比较供应商的方式。传统采购流程可能会将一款 HR 软件与其他 HR 套件进行比较；而智能体平台提出的问题则是：企业是否需要另一套完整应用，还是一个编排层就能利用现有数据完成所需工作流。
这正是 Ema 的挑战超出单一软件类别的原因。该平台覆盖员工支持、IT 服务管理、财务运营及其他内部流程。在一个部门取得成功，可以成为进入相邻工作流的路径。
Ema 表示，超过 90% 的客户已将使用范围扩展到最初的用例之外；据称，一些客户已在数十个工作流中使用该平台。公司还称，其净美元留存率接近 180%，意味着现有客户的支出随时间显著增长。
这些数据仍由公司自行报告，Ema 也尚未披露其年化营收运行率。尽管如此，扩展模式比单次演示更重要。当买方在多个部门重复使用同一平台时，企业智能体才具有战略意义。
这一时机也反映了 Ema 之外的技术进步。前沿模型在推理、工具使用和跨多步骤任务维持上下文方面已有改善。云服务提供商和软件供应商也围绕这些模型扩展了连接器和权限框架。
与此同时，主要 AI 开发商正更接近企业工作流。Anthropic 已推出用于金融研究、合规和月末报告等任务的智能体与集成。其 finance agent templates 展示了模型提供商如何自行封装特定领域的工作。
OpenAI 则更深入地进入部署服务领域。其 deployment company 将工程师派驻客户组织，并在提供模型的同时带来实施专业能力。这种方式正在争夺过去主要流向咨询公司和系统集成商的支出。
Chatterjee 将这些模型公司视为供应商，而非直接竞争对手。由于 Ema 能够在多个模型之间路由工作，AI 实验室的能力提升可以增强其平台能力。但这些实验室同样可以构建自己的智能体产品、集成和服务。
因此，竞争边界并不固定。Ema 会从模型能力进步中受益，但必须在编排、治理、领域知识和工作流执行方面保留足够价值。否则，模型提供商或成熟的软件公司就可能吸收相同的功能。
核心竞争是智能体对垒服务密集型软件栈
Ema 竞争的对象是软件与服务结合的模式，而不只是另一家 AI 智能体初创公司。
大型企业很少将软件作为独立产品购买。它们还会为配置、数据迁移、定制集成、合规工作、员工培训和持续支持付费。这些服务在最初的应用合同签订后仍可能持续很长时间。
Ema 的主张是压缩这套技术栈中的部分环节。其智能体旨在跨现有系统工作、从部署中学习，并以更少的人工干预完成重复性流程。该公司认为，这既可以减少对应用的依赖，也可以降低服务密集型实施工作。
最清晰的例子是 IT 支持。传统服务台可能需要接收工单、分类、检索文档、核查用户权限、更新系统并升级案件。能够处理这些步骤的智能体，可以减少转交给人工的常规工单数量。
Ema 表示，一家大型全球系统集成商正为遍布 65 个国家的超过 24 万名员工使用其员工助手。根据公司公布的 deployment figures，该系统自动化了超过 100 个工作流，每年处理约 290 万次查询。
该公司称，这一部署缩短了响应时间、提升了员工满意度、避免了约 60% 的工单，并让人员运营团队能够以更少的员工运行。这些是 Ema 的测量结果，并非经过独立审计的绩效数据。
另一项报告中的部署为一家大型业务流程外包服务商每年处理超过 100 万张 IT 服务管理工单。Ema 表示，相关语音系统以超过 15 种语言处理逾 100 万通电话，其中转交人工处理的比例低于 10%。
据报道，第三家客户是一家全球性企业集团，其项目在四周内便从概念阶段进入生产环境。Ema 表示，该部署连接了 20 多个记录系统，为超过 40,000 名员工提供服务。
这些案例说明了服务提供商为何面临复杂的选择。他们可以将智能体视为自动化可计费人力的竞争对手；也可以借助智能体平台更高效地服务客户、维护客户关系，并创造新的实施服务。
Chatterjee 表示，许多服务公司已在调整自身商业模式的同时与 Ema 合作。这种合作顺理成章，因为企业仍然需要流程设计、治理、集成和组织变革。AI 并不会消除这些需求。
压力主要落在由大型团队按人力规模计费的重复性工作上。如果智能体能够处理常见请求、核对常规记录或完成标准检查，客户就会质疑那些主要以人力投入为基础的合同。
不过，服务关系可能会以不同形式延续。智能体需要访问控制、评估系统、升级规则和监控机制。受监管组织还需要证明智能体访问了哪些数据，以及它为何采取某项特定行动。
一些模型公司明确认识到了这一现实。例如，Anthropic 已与一家大型 IT 服务商合作，将 Claude 嵌入受监管行业所使用的系统中。这项 DXC 联盟包括培训驻场部署工程师的计划，而非彻底取消服务工作。
因此，Ema 必须证明，其产品主导的方法能够减少对定制服务的依赖，而不是仅仅将这些服务转移到别处。若一个平台需要为每位客户进行大量人工配置，其经济性论点就会被削弱。
据报导的毛利率提供了一个早期信号。Ema 表示，尽管完成的工作通常与劳动密集型服务相关，其毛利率仍接近 80%。Chatterjee 将这一水平部分归因于系统从部署中学习后，对人工支持的需求不断下降。
投资者似乎相信，该平台能够在处理类似服务业的工作负载时，保持类似软件业务的经济性。Creaegis 领投本轮融资，所有主要现有投资者均以更高的承诺额度参与。
但这并不能决定竞争的胜负。企业合同可能隐藏着可观的部署成本、客户专属工程投入和云端推理费用。随着公司进入更多地区、行业和复杂工作流，所宣称的高毛利率必须保持稳定。
Ema 还面临资金雄厚的智能体公司。Sierra 高度聚焦面向客户的工作，并称其智能体已处理数十亿次互动。据报道，一轮 Sierra 融资对该公司的估值超过 150 亿美元。
其他竞争对手专注于客户支持、语音系统、部门工作流或智能体基础设施。Microsoft、Salesforce、ServiceNow、Workday 和 SAP 等成熟厂商可将智能体置入客户已信任的产品之中。
Ema 的优势必须来自跨越这些边界开展工作。如果每家既有厂商的智能体都只在自身套件中最为强大，买家可能更倾向于选择独立的编排层。若既有厂商能够在不同系统间有效协作，Ema 的地位就会更难捍卫。
Ema AI 智能体依赖编排，而非单一模型
Ema 的技术论点是，可靠的企业自动化需要围绕语言模型进行协调，而不是忠于某一家模型提供商。
语言模型可以理解员工的请求，但企业级执行还需要其他组件。系统必须识别用户、检索获授权的数据、选择工具、保留上下文、验证结果，并判断何时需要人工介入。
EmaFusion 在 Ema 的架构中充当路由层。该公司表示，它可以在 150 多个前沿模型和开源模型之间进行选择。不同模型可根据任务要求、性能、数据政策或运营成本进行分配。
这种模型灵活的设计降低了对单一供应商的依赖。当某家提供商发布更强模型时，它也让 Ema 能够从中受益。Chatterjee 曾表示，前沿实验室取得的进展正因这一原因而有利于公司。
然而，仅有模型访问能力提供的保护有限。竞争对手往往也能许可使用相同的基础模型。Ema 可防御的价值必须体现在其集成、工作流逻辑、企业控制能力、评估数据，以及对生产环境中流程实际运行方式的理解上。
以涉及休假政策的人力资源请求为例。语言模型或许能理解问题，但准确执行取决于最新政策文件、地域特定规则、雇佣记录和审批权限。每个信息来源都可能独立发生变化。
可靠的智能体必须区分回答问题与修改正式记录。它必须知道何时需要同意、何时需要经理批准行动，以及何时相互冲突的信息会使自动化变得不安全。
同样的原则也适用于 IT。重置访问权限、配置软件或更改安全组，都可能影响敏感系统。智能体需要受限权限和清晰的审计轨迹。流畅的回答无法替代正确的执行。
财务工作流进一步提高了风险。对账、采购审批和账户变更必须遵循正式控制措施。智能体可以准备或执行步骤，但公司仍需要职责分离和对关键决策的人类监督。
Ema 表示，其系统可以检查自身工作，并在必要时转交审批。这些控制措施是产品可信度的核心，但也难以仅通过客户数量或汇总查询量来评估。
该平台更广泛的承诺类似于一个智能控制平面。它并非立即替换每个系统，而是通过统一界面协调现有环境。随着时间推移，如果智能体掌握了交互入口，使用频率低的应用可能会失去战略重要性。
这一机制解释了为何 Ema 的企业软件会在客户取消应用之前就威胁到既有厂商。智能体能够削弱用户与单个产品之间的直接关系。厂商会成为另一家公司界面之下的基础设施供应商。
同一机制也支持跨部门扩展。当一个流程跨越组织边界时，统一的智能体层能够整合 IT、人力资源和财务信息。例如，员工入职可能涉及身份创建、设备申请、薪资记录、政策确认和经理审批。
这也是个人与组织知识变得重要的地方。智能体所需的不只是交易记录，还可能需要政策、项目历史、文档，以及说明团队实际如何运作的上下文。
对于个人知识工作者而言，个人知识库以更小的规模解决了相关问题。它让分散的信息更易于检索和应用，同时无需替换这些信息最初所在的系统。
Ema 面临的挑战，是在保留权限控制和责任追溯的同时，将类似的上下文层应用于企业运营。智能体接触的系统越多，协调的价值就越高；出错的潜在影响也会随之增加。
这种权衡使人类仍处于系统之中。根据该公司的说法，Ema 的架构为关键决策提供人工监督。最强大的部署可能会自动化常规路径，同时将模糊、敏感或高影响的案例转交给合格员工。
Ema 的增长数据仍无法证明什么
Ema 报告了异常强劲的扩张指标，但该公司尚未披露足够的财务细节，以验证其增长的可持续性。
Ema 表示，其拥有超过 50 项活跃企业合作，以及超过 100 万名活跃企业用户。据报道，该平台已处理超过 500 万项操作和查询，客户包括 Hitachi、ADP、PwC、Google、KPMG、Wipro、Microsoft 和 NTT DATA。
该公司还表示，过去两年营收增长了 50 倍。Chatterjee 称，预订收入已超过 1.5 亿美元，净美元留存率约为 180%。
每个数字都需要背景。50 倍增长可能始于很小的基数。Ema 没有披露起始营收或当前年化营收运行率，因此其绝对规模难以评估。
预订收入并不等同于已确认收入。Ema 的数字包括多年协议的总价值，其中包括期限为两年或三年的合同。部分价值将在未来确认，也可能取决于合同条款或是否成功交付。
接近 180% 的净美元留存率意味着现有客户的扩张幅度很大。然而，读者并不知道被衡量客户群体的规模、计算周期，或按成果定价如何影响结果。
活跃用户和已完成操作衡量的也是不同事项。一家公司可以向大量员工提供智能体，但实际上只有部分员工定期使用它。查询量无法揭示任务复杂度、准确性，或有多少请求需要人工纠正。
Ema 的具名客户提供了有意义的验证，但各个部署的范围不一。在一家大型企业中有限的部门工作流，与在全企业范围内替换既有软件并不相同。
因此，对“替代”的表述应保持谨慎。Ema 有证据表明，客户正在扩大部署并自动化具有实际意义的工作负载；但它尚未证明大量组织已经移除了其核心 SaaS 应用。
短期结果可能是叠加而非替代。企业可能会继续向既有软件供应商付费，同时在其之上增加一个智能体平台。这可能改善员工体验，但也会增加技术总支出。
按成果定价也带来了衡量问题。客户和供应商必须就何种情况算作已完成工作达成一致。如果解决方案是错误的、引发后续事故，或令员工感到沮丧，那么已解决的支持工单并不具备价值。
智能体可能通过监控、异常处理、模型使用、安全审查和集成维护产生隐性成本。这些成本或许仍可控，但买家需要完整的运营成本核算，而不是狭隘的自动化指标。
安全性带来了另一项不确定因素。能够跨人力资源、IT 和财务执行行动的智能体，会获得对敏感信息和业务系统的广泛访问权限。遭泄露的凭据、有缺陷的指令或被操纵的输入，都可能在相连的工作流中扩散。
当平台使用多种底层模型时，治理会变得更加困难。企业需要了解数据流向何处、哪个模型处理了请求、哪些规则决定了选择，以及结果是如何被评估的。
国际扩张还增加了监管和本地化要求。雇佣规则、隐私义务、语言表现和数据驻留要求，会因 Ema 的目标市场而异。在一个司法辖区运行良好的工作流，在其他地区可能需要进行重大调整。
竞争压力也将上升。模型提供商可以提供智能体模板和部署团队；软件既有厂商可以将智能体打包进现有合同；服务公司则可以开发自己的编排产品，或成为多个平台的实施合作伙伴。
Ema 的模型中立架构有所帮助，但中立性本身并非持久优势。买家将期待更深入的集成、更强的评估能力以及面向特定领域的控制措施。他们也会将 Ema 的成果与已嵌入其现有软件中的智能体进行比较。
Ema 的 Series B 融资为公司争取了时间和资源来回答这些问题，但并没有消除这些问题。最重要的证据将来自反复的生产部署、经审计的成果、续约表现以及稳定的单位经济效益。
三个信号将表明 Ema 能否重塑企业支出
下一项考验是，Ema 能否将客户扩张转化为可衡量的软件和服务依赖度下降。
第一个信号是应用退役。Ema 表示，部分客户正逐步以其方案替代大型 SaaS 产品，但尚未披露广泛的一批已完成替代案例。若能提供已取消应用或减少许可证承诺的具体案例，将有助于强化其核心主张。
买家应区分员工登录次数减少与软件支出下降之间的差异。智能体可以将应用隐藏在后台，而公司仍在为底层系统付费。真正的替代需要体现为合同变更、部署规模缩减，或产品退役。
第二个信号是扩张质量。Ema 表示，超过 90% 的客户已超越首个使用场景。更有力的证据将是：在不依赖庞大定制工程团队、且利润率不下滑的情况下，续约仍能维持较高的净留存率。
随着部署日益复杂，应关注毛利率是否能维持在 Ema 报告的水平附近。稳定的利润率将支持软件能够高效承接服务工作这一主张。利润率下降则意味着，企业自动化仍需要大量人工交付。
第三个信号是既有厂商和合作伙伴的反应。软件供应商可以向外部智能体开放更多功能、限制平台访问、改进自身助手，或将自动化打包进现有协议。服务公司则可能抵制劳动力替代，或利用智能体重新设计其服务模式。
模型开发商同样重要。OpenAI 和 Anthropic 正在打造企业产品、部署团队，并与咨询公司建立合作关系。它们的行动既可能提升 Ema 所使用的技术，也可能同时压缩独立编排平台可发挥的空间。
未来数月，客户披露的信息将比又一轮融资公告更具参考价值。具名部署案例应说明哪些工作流实现了自主运行、仍由人工处理哪些环节、如何衡量成功，以及旧有软件或服务合同是否发生变化。
企业买家在将 AI 员工视为替代方案之前，也应审视同样的证据。他们需要了解任务级准确率、升级处理率、安全控制、总运营成本以及合同责任。一旦软件能够修改财务、人事或访问记录，仅有精美的界面并不足够。
知识工作者也应关注，因为企业软件的交互界面正在发生变化。员工可能会减少在应用间导航的时间，将更多精力放在定义成果、审查例外情况和监督自动化工作上。
这种转变能够减少重复性行政工作，但也会将影响力转移给掌控上下文与执行的平台。组织必须决定由谁治理这一层级、哪些记录仍具权威性，以及员工如何对智能体的决策提出质疑。
Ema 的 Series B 融资使这场竞争更难被视为一次产品实验。公司如今获得了 7700 万美元的新资金，用于销售一种直接替代高度依赖服务的企业运营模式的方案。
对买家而言，问题很具体：Ema AI 智能体能否在不削弱控制力的前提下，减少应用、实施人力和运营成本？应追踪实际退役情况、续约经济性和经验证的生产成果。这些信号将表明，Ema 是在改变企业支出，还是仅仅为其再增加一层。
