总部位于柏林的人工智能客户体验自动化平台初创公司Parloa GmBH今日宣布,在General Catalyst领投下完成3.5亿美元后期融资,公司估值达30亿美元。
现有投资者展现出强劲的持续支持,包括EQT Ventures、Altimeter Capital、Durable Capital Partners和Mosaic Ventures。这轮融资距离Parloa完成C轮融资仅7个月,使其在不到四年时间内累计融资超过5.6亿美元。
Parloa为企业提供AI驱动的客户体验自动化解决方案,覆盖客户旅程全流程,从客户致电联络中心那一刻开始。该平台通过更加"人性化"的响应自动化繁琐的客服操作,帮助客户顺利完成原本缓慢、繁琐且痛苦的体验流程,避免自动化系统带来的问题和客户流失。
联合创始人兼首席执行官Malte Kosub在接受采访时表示,尽管不同行业的应用场景看起来不同,但很快就会趋于一致。在零售和电子商务领域,"很多都是重复性问题,'我的订单在哪里?'、'我要发票'。有很多事情不需要与人工对话。"
他补充说,保险、旅游和金融服务行业也有许多相同的模式。"AI智能体可以做得很好,"Kosub解释道,"关键是与客户建立关系。"
Parloa的客户包括财富200强公司和全球合作伙伴,如安联集团、Booking Holdings、HealthEquity、SAP、Sedgwick理赔管理服务公司、瑞士人寿控股和TeamViewer。
在智能体AI初创公司和专注于客服的企业平台竞争激烈的市场中,Kosub表示,Parloa从一开始就致力于AI就绪和语音优先,而大多数竞争对手都是从聊天开始的。
"电话仍然是最相关的渠道。所以我们从电话开始,"他说,"如果你想赢得市场,就必须赢得语音。"
该公司的旗舰平台AMP为企业客户体验团队提供清晰的路径来设计和管理AI智能体,将客户互动转化为有意义的联系,而不是与电话系统的争论。
在后端,实时仪表板为客服团队提供智能体行为的透明解释,说明它们在做什么以及为什么这样做,在满足严格标准的同时提供行为可视性,并内置安全和数据安全合规功能。
"我们相信未来一切都将是对话式的——你将与主页对话,与应用程序对话,"Kosub说。
Q&A
Q1:Parloa是什么公司?主要做什么业务?
A:Parloa是一家总部位于柏林的人工智能客户体验自动化平台初创公司。该公司为企业提供AI驱动的客户服务自动化解决方案,通过更人性化的AI智能体来处理客服工作,覆盖从客户致电开始的整个客户旅程。
Q2:Parloa与其他客服AI公司有什么不同?
A:Parloa的差异化在于从一开始就专注于AI就绪和语音优先策略,而大多数竞争对手都是从聊天功能开始的。该公司认为电话仍然是最相关的客服渠道,因此选择从语音通话入手来赢得市场。
Q3:Parloa的客户都有哪些?适用于什么行业?
A:Parloa的客户包括财富200强公司,如安联集团、Booking Holdings、HealthEquity、SAP、TeamViewer等知名企业。该平台适用于零售电商、保险、旅游、金融服务等多个行业,主要处理"订单查询"、"发票申请"等重复性客服问题。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。