Baixing betaalt AI-agenten per resultaat, niet per abonnement

Naarmate grote taalmodellen krachtiger worden, draait de aankoopbeslissing van bedrijven steeds vaker om één vraag: waar zijn ze precies bereid voor te betalen? Het halfjaarverslag 2026 van Baixing, een in Hongkong genoteerd Chinees AI-bedrijf, geeft een concreet antwoord: niet voor modelcapaciteit op zich, maar voor een meetbaar, factureerbaar resultaat. De totale omzet daalde door strengere regelgeving op de kredietactiviteiten, maar de AICC-tak (AI Contact Center) groeide met 52%, met een omzetstijging van 195% in nieuwe sectoren buiten de financiële wereld.

Twee lopende implementaties illustreren die verschuiving. Bij een logistieke klant steeg het dagelijkse volume gesprekken dat AI-agenten afhandelen van minder dan 1.000 bij de start tot meer dan 15.000 eind augustus. Bij een grote effectenmakelaar groeide het aantal ingezette agent-'zitplaatsen' van ongeveer 30 begin dit jaar naar ongeveer 210. Baixing noemt deze agenten, die echte taken zoals vragen, klachten en verkoop overnemen, 'siliciumwerknemers', en rekent ze af per resultaat in plaats van per licentie of zitplaats — een financieel onderbouwd en zeldzaam voorbeeld van de commercialisering van bedrijfsagenten.

Twee tegengestelde lijnen in de boeken

In het eerste halfjaar van 2026 boekte Baixing een omzet van 914 miljoen yuan, een daling van 43% op jaarbasis; de brutomarge zakte van 73% naar 53%, en het bedrijf ging van een winst van 201 miljoen yuan het jaar ervoor naar een verlies van 322 miljoen yuan. Volgens het verslag komt dit door regelgeving over via internet verstrekte leningen die sinds oktober 2025 van kracht is en in het eerste halfjaar van 2026 verder werd aangescherpt, waardoor verschillende financiële instellingen bepaalde producten opschortten — met directe gevolgen voor Baixings kernactiviteiten in AI-gestuurde kredietbeslissingen en kredietmarketing.

De AICC-tak bewoog juist de andere kant op: 166 miljoen yuan omzet, een stijging van 52%, waardoor het aandeel in de totale omzet steeg van ongeveer 6,8% naar circa 18,1%. Tegelijkertijd verhoogde Baixing de R&D-uitgaven met 31% naar 394 miljoen yuan (43% van de omzet), ondanks de dalende totale omzet; van de 1.477 werknemers eind juni werken er 901 — 61% — in R&D. Ceo Zhang Shaofeng noemde deze omslag tijdens de resultatenpresentatie een 'strategische upgrade'.

Van uitgaand belscript naar een gesprek dat écht tot een oplossing leidt

De vorige generatie contactcenterbots werd vooral ingezet voor uitgaande gesprekken volgens vast script — herinneringen, gestandaardiseerde marketingcampagnes. Complexe inkomende gesprekken zijn iets anders: de beller stelt een open vraag, met een onvoorspelbare toon en situatie, en de agent moet dit begrijpen, een gesprek met meerdere beurten voeren en vervolgens een kennisbank en interne systemen raadplegen om de zaak echt af te handelen. Volgens Zhang schakelen traditionele bots in 70 tot 80% van deze complexe gevallen door naar een mens — precies het gat dat de nieuwe generatie AICC probeert te dichten.

Baixings technische keuze is om eigen gespecialiseerde basismodellen te trainen in plaats van een applicatielaag op een model van een derde partij te bouwen: het bedrijf gebruikt BR-Voice (multimodale spraak), BR-LLM-Proactive (proactieve dialoog) en BR-Vision-Doc (documentbegrip), met parametergroottes die bewust tussen 0,4 en 30 miljard worden gehouden om nauwkeurigheid, stabiliteit, latentie en inferentiekosten te laten prevaleren boven ruwe schaal. Zhang zette dit expliciet af tegen westerse AICC-spelers als Sierra of Decagon, die grotendeels bouwen op modellen van derden zoals OpenAI of Anthropic: Baixing beheert voortraining, natraining en inferentie-optimalisatie zelf, waardoor het bij problemen in productie sneller kan vaststellen of de fout in de applicatielaag of in het model zit, en direct kan doorstromen naar de volgende trainingsronde. Op de meertalige spraakbegriptaak van de INTERSPEECH 2026 MLC-SLM Challenge claimt Baixing 94,84% nauwkeurigheid — wereldwijd derde, en eerste onder Chinese industriële spelers. Op locatie brengt een team 'FDE' (Forward Deployed Engineers) de bestaande workflows van de klant in kaart en herstructureert die tot workflows die door agenten worden aangestuurd.

Betalen voor het resultaat, niet voor het abonnement

Baixings RaaS-model (Results as a Service) rekent, afhankelijk van het geval, af per succesvol opgelost gesprek of ticket zonder doorschakeling naar een mens, per daadwerkelijk ingezette schaal aan agenten, of via een aandeel in de gegenereerde omzet. In het logistieke geval verklaarde het management tijdens de resultatenpresentatie dat de kosten per opgelost gesprek al meer dan 50% lager liggen dan bij een traditioneel, door mensen bemand callcenter. Dat verschilt fundamenteel van softwarelicenties, SaaS-abonnementen of tokenfacturering: zodra software is opgeleverd, blijft het operationele risico doorgaans bij de klant, terwijl resultaatgerichte facturering de technologieleverancier rechtstreeks in het bedrijfsproces van de klant trekt — de prestaties, stabiliteit en kosten van het model worden zo ook zijn probleem.

Deze strategie kwam niet uit de lucht vallen. Al op 18 december 2025 lanceerde moederbedrijf Bairong Yunchuang officieel zijn bedrijfsstrategie voor AI-agenten en een platform genaamd 'Results Cloud', gebouwd rond een concept dat het 'silicium-koolstof co-governance' noemt: AI ('silicium') neemt gestandaardiseerd, procesintensief en rekenintensief werk over, terwijl mensen ('koolstof') zich richten op strategie, creativiteit en relaties. Het platform kent drie lagen — eigen infrastructuur en modellen, een besturingssysteem voor bedrijfsagenten, en een winkel met kant-en-klare agenten — en werd gelanceerd met vier vlaggenschiprollen: een verkoop- en serviceagent die het jaarlijkse verloop van een team van meer dan 70% naar 0% zou hebben teruggebracht en de conversie met 217% zou hebben verhoogd; een wervingsagent die de aanwervingscyclus van 28 naar 2 dagen terugbracht; een professionele-dienstenagent voor internationale expansie die de doorlooptijd van 90 naar 14 dagen comprimeerde; en een kennisproductieagent die de levering van diepgaande rapporten van 20 naar 4 dagen terugbracht.

De volgende fase van bedrijfs-AI draait niet om beter praten, maar om meer doen; niet om een functie leveren, maar om een resultaat leveren.

Van financiën naar logistiek, luchtvaart en effectenhandel

Baixings AICC-vaardigheden, zeven à acht jaar geslepen in de financiële sector, worden nu gerepliceerd naar logistiek, luchtvaart, effectenhandel, bankwezen, telecom en verzekeringen — dienstenintensieve sectoren met een hoog, terugkerend volume aan klantcontact en voldoende marktconcentratie zodat een bewezen implementatie bij één grote klant snel kan worden nagevolgd, eerst intern, dan bij concurrenten. In juli hadden dertien instellingen uit de effectenhandel getekend of zaten ze in contractonderhandelingen met Baixing. Het management erkende wel dat het tijdrovendste deel van de sectoroverschrijdende expansie nu ligt in de inkoop- en validatiecycli van grote bedrijven en in systeemintegratie — het volume wordt pas geleidelijk vrijgegeven zodra beveiliging, compliance en de servicegrenzen zijn goedgekeurd.

Voor een bedrijf in Nederland dat een leverancier van AI-agenten evalueert, verschuift het aankoopcriterium daarmee van een lijst met functies naar verifieerbare resultaatcijfers — oplospercentage zonder menselijke doorschakeling, kosten per afgehandelde interactie, en aantoonbare schaalbaarheid bij de leverancier. Voor mensen die werken in klantenservice, werving of gestandaardiseerde juridische en administratieve ondersteuning is deze Chinese casus een vroeg signaal: zodra dezelfde technologie van de ene sector naar de andere kan worden gerepliceerd, zijn dat de functies die als eerste worden geautomatiseerd, en doen hr-afdelingen er goed aan nu al te plannen hoe medewerkers verschuiven naar werk dat oordeelsvermogen en menselijk contact vraagt, in plaats van te wachten tot AI-agenten in bedrijven al operationeel zijn.