但比融资数字更值得关注的，是 Omilia CEO 迪米特里斯·瓦索斯（Dimitris Vassos）对当前 AI 客服潮流的尖锐批评：他认为，绝大多数呼叫中心正在错误地部署生成式 AI，并因此浪费大量资金 。

Omilia 的“另类”方法论：混合 AI

Omilia 平台的核心是其 自我学习型 Agentic CX 平台，专为企业级、尤其是金融和保险等强监管行业的呼叫中心设计 。与许多动辄将大语言模型（LLM）用于所有任务的 AI 初创公司不同，Omilia 采用了一种 混合架构：用确定性的、任务特定的自动化来处理常规查询，只在处理复杂交互时才调用生成式 AI 。

主要产品包括语音客服、在线聊天客服、TalkGuard（语音生物识别认证）、CSR 副驾驶和 Workforce AI 工具 。

核心差异点

• 语音优先，自我学习 – 平台从零开始为语音场景构建，自研 Lexis 文本转语音引擎延迟低于 45 毫秒，可处理超过 5 万个并发语音通话 。
• “量体裁衣”的混合 AI – 对于简单的结构化任务（如查余额），采用确定性工具完成；仅在需要时才引入生成式 AI，绝不“牛刀杀鸡” 。
• 企业级安全与规模 – 平台支撑一家美国头部银行日均处理超过 100 万通电话，内置多层反欺诈机制 。
• 无需数据准备 – 自我学习系统直接连接运营实况，无需预先整理数据集即可从零开始学习 。
• 权威认可 – 被 Forrester Wave™ 2026 年第二季度“客服对话 AI 平台”报告评为 领导者，并获 IDC MarketScape 肯定 。

CEO 的“步枪 vs. 手枪”论：拒绝无差别使用 AI

瓦索斯用一个生动的比喻来阐述他的观点：用昂贵的大语言模型处理每一次客服请求，就像用大炮打蚊子 。大量来电都是简单的信息查询（如“我的账户余额是多少？”），这些任务完全可以用更便宜、更可靠的自动化工具处理 。

“那些像 Sierra、Decagon 之类的公司，标榜自己是生成式 AI 公司。它们唯一的使命就是部署生成式 AI，这限制了它们自己，”瓦索斯在接受 TechCrunch 采访时说。“你可能有一门大炮，但如果敌人就在你面前，你需要的是手枪。这才是呼叫中心的现实——你需要多种工具。”

Omilia 的核心论点非常务实：使用能可靠解决问题的最便宜工具。其混合 AI 路线在“每通正确解决的通话成本”这一关键指标上，声称优于纯 LLM 的方案 。

融资与增长数据

Omilia 历史上仅进行过两轮外部股权融资：

• B 轮：6700 万美元，由 Expedition Growth Capital 领投 。
• A 轮：2000 万美元，2020 年由 Grafton Capital 投资 。

关键的里程碑是，它在仅靠 A 轮融资的情况下，实现了 ARR 超过 10 倍的增长，达到 6000 万美元以上 。在众多 AI 公司烧钱买增长的背景下，这种资本效率显得尤为突出 。

其他增长指标：

• 全球 超过 200 个企业级部署，其中包括至少 27 个投产级呼叫中心 。
• 为客户自动处理 超过 90% 的客户交互 。
• 在 Omilia 云平台上 年处理交互量超过 50 亿次 。

客户群体

Omilia 主要服务大型、强监管企业。已确认的客户细节包括：

• 一家 美国头部银行，日均处理超 100 万通电话 。
• 多家北美和欧洲的金融服务及保险公司 。
• 在微软 Marketplace 列表中声称拥有至少 27 个投产级呼叫中心 。

服务行业涵盖银行、保险、公用事业、快餐、电信和公共服务等 。

扩张计划

B 轮融资将用于：

• 开设美国办公室，建立北美市场团队 。
• 扩大市场团队，加速技术规模化 。
• 深耕 DACH 和 Benelux 地区：与欧洲数字化转型咨询公司 valantic 合作，使其平台面向 valantic 超过 500 家企业客户开放 。
• 在英国全面铺开：与 Bell Integration 合作，提供覆盖英国的服务 。
• 目标是在 三年内实现十亿美元的收入运行率 。

关键启示

Omilia 的故事为当前 AI 客服行业提供了一个重要的反叙事：生成式 AI 并不是万能药。通过将确定性自动化与生成式 AI 巧妙结合，Omilia 证明，在成本、延迟和合规性上取得更优解是完全可能的。而 6000 万美元的 ARR 和 6700 万美元的 B 轮融资，则是企业客户用脚投票的结果。

但比融资数字更值得关注的，是 Omilia CEO 迪米特里斯·瓦索斯（Dimitris Vassos）对当前 AI 客服潮流的尖锐批评：他认为，绝大多数呼叫中心正在错误地部署生成式 AI，并因此浪费大量资金 。

Omilia 的“另类”方法论：混合 AI

Omilia 平台的核心是其 自我学习型 Agentic CX 平台，专为企业级、尤其是金融和保险等强监管行业的呼叫中心设计 。与许多动辄将大语言模型（LLM）用于所有任务的 AI 初创公司不同，Omilia 采用了一种 混合架构：用确定性的、任务特定的自动化来处理常规查询，只在处理复杂交互时才调用生成式 AI 。

主要产品包括语音客服、在线聊天客服、TalkGuard（语音生物识别认证）、CSR 副驾驶和 Workforce AI 工具 。

核心差异点

• 语音优先，自我学习 – 平台从零开始为语音场景构建，自研 Lexis 文本转语音引擎延迟低于 45 毫秒，可处理超过 5 万个并发语音通话 。
• “量体裁衣”的混合 AI – 对于简单的结构化任务（如查余额），采用确定性工具完成；仅在需要时才引入生成式 AI，绝不“牛刀杀鸡” 。
• 企业级安全与规模 – 平台支撑一家美国头部银行日均处理超过 100 万通电话，内置多层反欺诈机制 。
• 无需数据准备 – 自我学习系统直接连接运营实况，无需预先整理数据集即可从零开始学习 。
• 权威认可 – 被 Forrester Wave™ 2026 年第二季度“客服对话 AI 平台”报告评为 领导者，并获 IDC MarketScape 肯定 。

CEO 的“步枪 vs. 手枪”论：拒绝无差别使用 AI

瓦索斯用一个生动的比喻来阐述他的观点：用昂贵的大语言模型处理每一次客服请求，就像用大炮打蚊子 。大量来电都是简单的信息查询（如“我的账户余额是多少？”），这些任务完全可以用更便宜、更可靠的自动化工具处理 。

“那些像 Sierra、Decagon 之类的公司，标榜自己是生成式 AI 公司。它们唯一的使命就是部署生成式 AI，这限制了它们自己，”瓦索斯在接受 TechCrunch 采访时说。“你可能有一门大炮，但如果敌人就在你面前，你需要的是手枪。这才是呼叫中心的现实——你需要多种工具。”

Omilia 的核心论点非常务实：使用能可靠解决问题的最便宜工具。其混合 AI 路线在“每通正确解决的通话成本”这一关键指标上，声称优于纯 LLM 的方案 。

融资与增长数据

Omilia 历史上仅进行过两轮外部股权融资：

• B 轮：6700 万美元，由 Expedition Growth Capital 领投 。
• A 轮：2000 万美元，2020 年由 Grafton Capital 投资 。

关键的里程碑是，它在仅靠 A 轮融资的情况下，实现了 ARR 超过 10 倍的增长，达到 6000 万美元以上 。在众多 AI 公司烧钱买增长的背景下，这种资本效率显得尤为突出 。

其他增长指标：

• 全球 超过 200 个企业级部署，其中包括至少 27 个投产级呼叫中心 。
• 为客户自动处理 超过 90% 的客户交互 。
• 在 Omilia 云平台上 年处理交互量超过 50 亿次 。

客户群体

Omilia 主要服务大型、强监管企业。已确认的客户细节包括：

• 一家 美国头部银行，日均处理超 100 万通电话 。
• 多家北美和欧洲的金融服务及保险公司 。
• 在微软 Marketplace 列表中声称拥有至少 27 个投产级呼叫中心 。

服务行业涵盖银行、保险、公用事业、快餐、电信和公共服务等 。

扩张计划

B 轮融资将用于：

• 开设美国办公室，建立北美市场团队 。
• 扩大市场团队，加速技术规模化 。
• 深耕 DACH 和 Benelux 地区：与欧洲数字化转型咨询公司 valantic 合作，使其平台面向 valantic 超过 500 家企业客户开放 。
• 在英国全面铺开：与 Bell Integration 合作，提供覆盖英国的服务 。
• 目标是在 三年内实现十亿美元的收入运行率 。

关键启示

Omilia 的故事为当前 AI 客服行业提供了一个重要的反叙事：生成式 AI 并不是万能药。通过将确定性自动化与生成式 AI 巧妙结合，Omilia 证明，在成本、延迟和合规性上取得更优解是完全可能的。而 6000 万美元的 ARR 和 6700 万美元的 B 轮融资，则是企业客户用脚投票的结果。