成立五个月、6000 万美元种子轮，Benchmark 和 Index 一起下注。Hone 想解决的是模型越来越强、企业产出却没跟着涨的落差，答案是把目标交给 agent 自己找路径。

你有没有想过，为什么每次新模型发布都比上一次更强，企业拿到手的价值却好像没有跟着涨？Hone 的联合创始人 Carlo Kobe 在一篇文章里写，智能已经变得充裕，世界却和五年前相差不大，每发布一个模型，前沿 AI 能做到的事和它真正创造的经济价值之间，差距就被拉开一点。这个问题我最近一直在想，读到 Hone 创始团队的几篇文章以后，才觉得有人把它说得比较清楚。

Hone 是一家成立才五个月的公司，总部在旧金山。10 月初它宣布完成 6000 万美元种子轮，Benchmark 和 Index Ventures 领投，估值 2.85 亿美元。CEO Moritz Stephan 是 Cognition 的早期员工，做过 Devin 的规划和执行系统，后来当了 Cognition CEO Scott Wu 的幕僚长。他和 Kobe，还有 Oliver Brady 一起做的产品叫 Engine，给它一个目标，它自己去弄清楚怎么做。他们的文章不长，里面有几条线我读完想了很久，下面就按这几条线讲。

Hone 的三位联合创始人。图片来自 Index Ventures 的投资文章

01 为什么模型越来越强，企业的产出却没怎么变

Kobe 的判断从一个老例子开始。爱迪生的发电机和福特的流水线之间隔了三十多年，他写道，那段时间里生产率真正的大幅提高，来自围绕电重新组织工作，多发一点电没有做到这一点。AI 现在站在类似的位置上，模型一个比一个强，企业的产出却没有同步变化。

联合创始人 Carlo Kobe 写的公司使命文章，开头就是“智能已经变得充裕”。截图来自 hone.com

他给的解释是，今天的 AI agent 大多是人类流程里的工具。它们要靠人把目标翻译成任务，提供背景，在出错时兜底，所以不管模型多强，吞吐量始终被人的注意力卡住。他说，工作的组织方式，还停留在智能稀缺的年代。Index 的 Shardul Shah 和同事 Mark Xu 在投资文章里写到了同样的现象，软件工程之外，agent 大多仍然是工具，你给它提示，它完成一项任务，然后停下。

我觉得发电机这个比喻值得多想一层。早期工厂装上电动机，往往只是把原来蒸汽机的位置换掉，车间的布局和工序的安排都没变，电的好处也就发挥得很有限。真正的变化，是后来有人发现电可以送到每一台机器旁边，车间可以按工序来排，不必再围着一台中央动力转。今天的 AI 差不多就在换蒸汽机的阶段，被装进原来的流程和岗位，每一步仍然由人来决定。

往外想一步，这对每一个天天用 agent 的人都是个提醒。你每天写提示，检查结果，再补一句，等于在给 agent 当任务分解器和质检员，你的注意力就是整条链的上限。想超过这个上限，要改的是分工：由人说清楚要什么，其余的交给系统去拆。

02 Engine 到底是什么

Stephan 在介绍 Engine 的文章里写，AI 起步时是给答案，后来进步到做任务，现在已经可以承担真正的责任。Engine 就是为此做的，一种持续存在的 AI，专门负责与真实经济价值挂钩的那一类结果，从上岗到交付都由它自己跟着。它和聊天机器人或普通 agent 的区别在于，它追求达成目标，不等提示就判断该做什么，对话结束或环境变了，它依然盯着目标。

Hone 官网对三种 AI 的划分：聊天机器人回答问题，agent 完成任务，Engine 负责结果。截图来自 hone.com

流程有四步。先把 Engine 指派给一个结果，比如“提高客户留存”，也可以是降低采购成本，或者让更多线索变成销售。接着它自己上岗，学习公司的系统，人员，历史和约束，弄清楚在这里什么叫做得好。然后它决定要做什么，该和谁协作，同时守住护栏。最后交付结果，并在过程中继续改进。他用了一句很短的话收尾：“Engine 生来就是用来开车的。”

Kobe 把这种工作方式叫作声明式的。操作者只说清楚想要的结果和约束，比如“把注册流程的流失率降到 8%，同时保持其他指标不变”，系统不断把现实往这个状态推，由它自己去搭建，编排和改进需要的 agent 和软件。他的概括是：“少一点聊天机器人，多一点 Kubernetes 集群。”

Kobe 还写到这种方式的另一个好处。当结果成为接口，真正懂业务的人不必学会怎么为 AI 拆解工作，就能直接指挥前沿智能。市场经理只需要说清楚要多少线索，转化率做到多少，剩下的拆解交给系统。能用上 AI 的人，会从会写提示的少数，变成每一个知道自己要什么的人。

Index 对 Engine 的描述更像一份入职流程。给它一个角色，比如采购协调员或外呼销售，它会研究公司的系统和过去的工作，自己写出需要的技能和工具，上线前拿过去的决定来测试自己，上线以后靠事件触发，不靠提示。

我认为 Kubernetes 这个类比抓得很准。写过运维的人都知道，你不会告诉集群先启动哪台机器，后启动哪台，只描述想要的状态，集群会不断去对齐。把这种方式搬到业务上，目标就成了接口，人和系统之间的约定变成了“我要什么，边界在哪里”，细节不再逐条交代。

对管理者，这是一项新的功课。想象一下你要把采购成本交给一个 Engine，你得先回答几个平时习惯含糊的问题：成本降多少算数，哪些供应商不能动，质量底线在哪里，什么情况下必须先问你。任务可以边做边想，结果得提前想清楚，会定义目标的人，会比会写提示的人吃香。

03 一个一直在岗的 AI

Stephan 说，今天大多数 AI 是 episodic（一次性的）：你给提示，它做事，互动结束。对一个工具，这没问题，对要承担责任的东西不行。有责任的 AI 应该是永久的，全职的，不间断地积累背景和判断。上岗时，Engine 要先建起一个模型，弄清这家公司里什么叫好，过去学到过什么，各个系统之间怎么连，谁来拍板，谁是关键的相关方。

他还写到一个很日常的参照：组织里的顶尖贡献者从来不等指令，他们自己弄清楚什么事该做，决定怎么做最好，然后把它做成。Stephan 说，这就是完成任务和拥有工作的区别，Hone 做的是终于能按这个标准被要求的 agent。

它会随着在岗时间变得更好，从反馈和自己行动的后果里学习，公司变了，它也跟着变。Index 提到一个细节：一个团队共用同一个 Engine，所以一个人的纠正，会让所有人受益。Stephan 的说法是，你的运营知识不会在一次对话结束时消失，也不会躺在所有人都能用的模型里，它会永久变成公司自己的资产。

Kobe 还补了一点：系统要能把从来没有写下来的约束，偏好和例外问出来。Stephan 为此用了一个词，motion（动起来）。他说今天大多数公司默认是静止的，只有当某个人做出决定并且行动，它才会动。有了 Engine，企业可以默认处在运动之中，自己发现机会，注意到问题，把工作往前推。

我觉得“没有写下来的东西”是整个设想里最难、也最值钱的一块。一家公司里真正管用的规矩，大半不在文档里。老员工知道哪个供应商的账期可以谈，哪个客户的需求看着急，实际可以缓，这些东西没有字面的位置，只能在做事的过程里一点点问出来。Engine 想在岗位上待上几个月，就是为了让它有机会把这些东西问全。

它的另一面是依赖。运营知识沉淀在 Engine 里，公司得到了资产，也多了一份对它的依赖，换掉它的代价会随着在岗时间越来越高。对客户来说，这份知识怎么存，能不能导出来，会成为签约之前就要问清楚的问题。

04 用损益表来评价 AI

Stephan 把 Engine 的目标写成三条原则：理解组织，拥有工作，在经验中进步。衡量它有没有用，只有一个简单的标准，它有没有创造真实的经济价值。他写得很直接，这和演示有多惊艳，用了多少 token，完成了多少任务都没有关系，虽然它们可能有关联，“我们最终的评估是损益表”。

客户评价 Engine 的方式，应该和评价任何一位认真工作的人一样，问一句：这周你做成了什么？Kobe 也说，他们在意真实世界的价值，对理论上的基准测试没有兴趣，并且把一个难题明确列在了自己的待办上，就是在长达一个月的轨迹上做评分和功劳分配。

要做到这些，Kobe 列出了他们正在啃的几类难题，包括能在生产环境里搭建，编排和改进 agent 的 meta-harness（元框架），稳固到足以运行自主组织的系统基础件，人和 agent 协作的前沿界面，以及能自己构建的 ontology（本体）。这张清单里没有一项是在把模型变聪明，每一项都在回答同一件事：怎么让 AI 在一家真实的公司里连续工作几个月而不出岔子。

我觉得这个标准把供应商的位置换了。过去卖软件的人可以拿使用次数，活跃用户，节省的点击数来证明价值，这些东西客户很难反驳，也很难确认。损益表不一样，它是客户自己账上的数字，供应商再会讲故事，也绕不过去。

难处在归因。留存，转化率，采购成本，都是很多因素共同决定的数字。Engine 工作一周，留存涨了两个点，是它的功劳，还是季节的影响？Hone 自己把功劳分配列为要解决的问题，说明他们看到了这一点。这个问题解不好，损益表就会变成一场谁都不服气的争论。

05 Moritz Stephan 为什么是做这件事的人

Stephan 来自奥地利，在斯坦福读计算机科学，在 Chelsea Finn 的实验室做过 agent 研究。2021 年他和 Kobe 在校园里做了匿名社交应用 Fizz，进了 Y Combinator。后来他加入 Cognition，是最早的一批员工，参与建起 Devin 的规划和执行系统，也就是产品核心里管长时程 agent 的那一层，最后做到 Wu 的幕僚长。

Hone 官网上的 Moritz Stephan 视频画面。截图来自 hone.com

Index 的投资人这样形容他：一个人顶得上一整个工程小队，同事半开玩笑地说，Cognition 需要“再来五个 Moritz”。他还是最早主张 Cognition 转向企业市场的工程师之一，那时技术刚冒出苗头，市场还没有影子。另外两位联合创始人，Brady 是 Harvey 的早期工程师，后来在 Mercor 帮忙建起企业业务，Kobe 是 Thiel Fellow，从哈佛退学创办 Fizz，在 Stephan 回斯坦福读完学位以后，继续带了公司好几年。

Shah 的话说得很直接：“Cognition 之于软件开发，Hone 就可以是之于组织里其他每一项职能。”在他看来，随着前沿模型能处理越来越长，越来越复杂的任务，价值会流向掌握模型和企业之间那一层的公司。

我认为这个团队和这个问题是对得上的。Engine 要做的是长时程 agent，让 AI 在几周几个月里持续工作，这正是 Stephan 在 Cognition 做的核心工作。Brady 在两家 AI 公司建过企业业务，懂大公司怎么买，怎么用，Kobe 擅长讲清楚这件事，也擅长招人。

赛道上已经很挤。Decagon 和 Sierra 都在给企业做 AI agent，Salesforce 卖的是 Agentforce 平台，OpenAI 最近也为办公场景推出了自己的 agent，叫 Dots。它们大多从某一个职能切入，Hone 想做的是横跨职能，Engine 在公司里待得越久，对这家公司的系统，人和历史了解得越多，换掉它的代价也就越高，这层积累，单靠调用一个更强的模型是拿不到的。

06 把结果交给 AI，护栏怎么设

一个能自己做决定的 AI，必然要接触敏感系统。Hone 的做法是，决定在执行前先模拟，敏感操作需要人批准，所有动作都留下记录。Engine 在几周几个月的长时程任务里，会在需要时找人确认，什么时候停下来问人，被当成了产品的一部分来设计。

Benchmark 的 Peter Fenton 将加入董事会，他说公司正在做防止 agent 引发网络安全事件的护栏，最近有几起 AI 工具失控的泄露事件，让这个担忧更真实。他的说法是，随着技术演进，它们需要“合适的免疫系统”。

我觉得免疫系统这个词用得比“防火墙”更准确。防火墙靠一份禁止清单，免疫系统会分辨什么该放进来，什么该拦下，还会在出事之后记住。放到 Engine 身上，护栏需要看得懂当下的动作是否反常，并且从每一次被拦下的事件里变得更准。

对要拥有结果的 AI 来说，护栏比能力更靠前。一个只做任务的工具，出错最多浪费一次调用。一个被派去提高留存的 Engine，可能改定价，发邮件，动数据，出错的代价是真实的。早期客户 Cognition 和 Modal 本来就是 AI 公司，对不成熟的东西有耐心，Scott Wu 还以个人身份投了 Hone。传统企业的采购，安全和合规流程要长得多，Hone 还要在那里证明具体能省多少钱，这一步走通了，才谈得上让 AI 去负责别的职能。

官网上的客户评价，来自 Modal、Lucanet 和 Cognition 的使用者。截图来自 hone.com

我自己的一点思考

读完 Stephan 和 Kobe 的文章，我觉得整件事收在一个问题上：我们交给 AI 的，是任务还是结果？任务是人想好了怎么做，交给它去执行。结果是人只说要什么，怎么做由它决定，好坏由结果来评。前者对人的要求是会拆解，后者对人的要求是会定义目标。任务好控制，上限却跟着人走，结果的上限高，前提是人愿意放手，也有办法看住它。这个差别听起来细小，落到每一天的工作里，是两种完全不同的管理方式。

Kobe 文章的结尾有一句话：“发电机已经有了，在 Hone，我们在建工厂。”我很喜欢这句，因为它把话说回了开头那个三十年的故事。AI 的能力不缺，缺的是围绕它重新排一遍的工作。Hone 想做的，就是这一遍重排里最基础的那一层，让一个目标可以直接交给系统，由它持续负责。

对想用这类产品的公司，我觉得第一步不在挑供应商，而在想清楚自己想要什么结果。能被交出去的目标，大概要满足三点：指标清楚，数据都在系统里，出了偏差有人能一眼看出来。留存，线索转化，采购成本，都符合。凭感觉定的目标，Engine 再努力，也没有办法被评价，目标写得越具体，它越容易被信任，也越容易被追责。

等 Engine 真正上岗以后，对它的问题会很朴素：这周你做成了什么？

资料来源：

Dealroom，Hone raises $60M seed to build AI that owns business outcomes，2026-10-12原文 https://dealroom.co/news/161745-hone-raises-60m-seed-to-build-ai-that-owns-business-outcomes/

Trending Topics，Hone: Austrian Founder Moritz Stephan Raises $60 Million for A.I. Agents，2026-10-09原文 https://www.trendingtopics.eu/hone-moritz-stephan-60-million/

Index Ventures，AI That Owns Business Outcomes: Our Investment in Hone原文 https://www.indexventures.com/perspectives/ai-that-owns-business-outcomes-our-investment-in-hone/

Moritz Stephan，Introducing Engines: AI with Motion，2026-10-08原文 https://www.hone.com/blog/introducing-engines/

Carlo Kobe，Hone builds AI that owns outcomes, not tasks，2026-08-12原文 https://www.hone.com/blog/hone-builds-ai-that-owns-outcomes/