AI 原生服务打法手册
作者： Emergence Capital
免责声明： 本翻译好的文章仅限于我自己阅读，不是转载和发布。
##### 2026 年春季版
在 Emergence，我们相信 AI 原生服务（AI-Native Services，简称 AINS）将成为 AI 时代的定义性商业模式（在这里阅读原因）。但目前还没有针对它的剧本（playbook）。直到 2023 年，销售主要由 AI 驱动的服务这个想法才成为可能。在这个领域进行建设的创始人正在边做边摸索这种新商业模式的基础元素。
我们的目标是成为这种新兴商业模式最勤奋的学生。我们正在与该类别的早期先驱者（无论是在我们的投资组合内还是外部）合作，记录关于如何建设的经验教训。其中许多教训看起来与如何建立一家成功的软件公司截然不同。有些是违反直觉的。所有这些都还在不断演变中。
本剧本是为正在建立（或考虑建立）AI 原生服务公司的创始人和运营者准备的。我们将每六个月更新一次，以捕捉 AINS 建设的最新动态。如果你正在这里进行建设并有经验教训可以分享，我们希望听到你的声音。
I. 团队 (Team)
领域专业知识（Domain expertise）是必须具备的。 在传统的 SaaS 中，你销售的是产品。在 AI 原生服务中，你销售的是你自己。领域的信誉不仅重要；它事关生死存亡。
早期客户需要相信你交付结果的能力，而建立的信誉对建立这种信任大有帮助。他们通过提供服务的人员/团队的声誉或感知的信誉和专业知识来评估服务。过去的表现是未来表现的可靠预测指标。
行业经验对面向客户的团队成员尤其有帮助； 因为这很大程度上关乎信任。你希望买家认可你团队工作过的地方，理想情况下是来自传统服务提供商的受信任品牌。
这种领域专业知识不必来自联合创始人；它可以随着你在早期建立团队而出现。
- Mechanical Orchard: 首席执行官 Rob Mee（曾管理 Pivotal）带来了企业买家的即时信誉以及访问 Pivotal Labs 人才网络的渠道。
- Harper 和 Pace: Dakotah Rice (Harper) 和 Jamie Cuffe (Pace) 都在保险家庭中长大，这使他们从第一天起就拥有真实的领域信誉。Harper 的联合创始人 Tushar Nair 带来了工程深度；他们在一起 13 个月内服务了 5,000 多家企业。
- Hanover Park: 从 Standish 和其他老牌基金管理公司聘请了资深人士，这有助于使他们的产品合法化，同时他们从头开始构建 AI 原生方法。
- Crosby Legal: 首席执行官 Ryan Daniels 是在与 Crosby 专注于相同实践领域的领先律所中冉冉升起的顶尖律师。
领域权威还解锁了获取高质量人才渠道的机会，这使得在你的 AI 仍在成熟时，能够进行你可能需要的快速人员配备。
比你想象的更早聘请一位产品领导者。 许多 AINS 创始人推迟聘请产品领导者，因为客户很少直接与软件交互。这是一个错误。AINS 业务的复杂性需要在工程和部署之间建立一座坚固的桥梁。如果没有它，产品路线图就会由谁喊得最响来驱动，而不是由深思熟虑的产品化策略来驱动。
你的销售流程必须包括一位对要交付的服务有深刻理解的人。 我们见过的一种 AINS 失败模式是：一位对交付不熟悉的销售人员对时间线做出了过度承诺，从而使交付团队陷入困境。让销售工程师或其他技术资源参与进来，可以确保完全理解部署的复杂性，并界定项目的范围以取得成功。
II. 产品市场契合度 (Product-Market Fit)
海市蜃楼式的 PMF (Mirage PMF): 由人力劳动而不是 AI 杠杆驱动的收入增长所创造的产品市场契合度的错觉。
当心海市蜃楼式的 PMF。 PMF 在 AI 原生服务中是另一种完全不同的东西。强劲的收入增长和净美元留存率可能会掩盖真正 AI 赋能的缺失。
与 SaaS 不同，收入增长和强劲的标志留存率并不能证明产品市场契合度。 只有当 AI 以高毛利率完成大部分工作并交付卓越的客户成果时，你才真正拥有它。否则，你只是用错误类型的资本建立了一家优秀的传统服务公司。
真正的 PMF 需要证明你可以相对于成本进行非线性扩展。 要实现这一目标，你的 AI 必须在成本、质量或速度（理想情况下是三者兼而有之）方面推动可衡量的改进。
你怎么知道你是否有海市蜃楼式的 PMF？ 留意以下早期预警信号：
- 毛利率持平或下降，即使收入在增长。如果 AI 做了更多的工作，利润率应该会扩大。对销货成本（COGS）中包含的内容要诚实：推理成本、模型 API 支出和人在回路（human-in-the-loop）的劳动力都属于其中。太多创始人将劳动力成本卸载到运营费用中，但既然这是一项服务，它们绝对是 COGS。
- 每位员工的收入 (ARR/FTE) 没有提高。 这是测试 AI 是否发挥作用的最简单方法。更细致地，你可以分离出与服务相关的 FTE，以了解随着时间推移的 AI 杠杆。
- 交付仍然严重依赖人工。 如果你的团队随着客户群线性增长，那么你就像传统的服务公司一样扩展。
- 定制工作正在扩大。 如果每个新客户都需要大量的定制工程，那么你并没有在进行产品化。
- 你无法指出一个正在改善的北极星产品指标。 每家 AINS 公司都需要一个单一的数字来捕捉 AI 实际上做了多少工作。我们在本剧本的 指标 (Metrics) 部分讨论了我们所看到的具体有效的指标。
明确你的理想客户画像 (ICP)。 AINS 创始人需要非常精确地确定他们的理想客户画像。服务型企业比软件型企业更难从错误的客户参与中脱身。一个不匹配的企业客户可能会消耗巨大的交付资源，分散对产品化的注意力，并产生无法转移到更广泛客户群的定制需求。
在某些情况下，AINS 企业从下沉市场（downmarket）开始进行产品化实际上更容易：
- 与企业相比，小客户的同质性更高，且“开箱即用”的要求更少。
- 较低的 ACV 迫使你进行产品化，因为你无法在每次参与中都投入人力。
- 更简单、更标准化的工作流意味着 AI 需要处理的边缘情况更少，这意味着你可以更快地展示真正的 AI 杠杆。
Harper 专注于主街（Main Street）企业（日托中心、制造商、餐馆）而不是财富 500 强客户，这是一个深思熟虑的选择，说明了所有这三种动态。
但关注下沉市场并不总是与 AINS 中更容易的产品化相关。在某些情况下，大型企业可能有更成熟的实践和可重复的要求。最重要的是要明确你专注于哪个 ICP 以及为什么。
专注于一两项要完成的工作。 你承担的工作越多，产品化你的 AI 就越难。每个新工作流都需要新的训练数据、新的边缘情况、新的人工监督。过早的广度是通往海市蜃楼式 PMF 的最快途径之一。你以后总可以扩展。Strala 就是这种纪律的典范：他们专门专注于保险公司、专属保险公司和 MGA 的理赔处理。这种狭窄的重点使他们能够为可重复的工作流构建深度的自动化。
III. 交付 (Delivery)
在 SaaS 中，客户购买你的产品并实施它。在 AINS 中，你就是实施。交付不是支持功能；它是你销售的核心。这使得围绕如何交付、从交付中学习以及扩展交付的实践成为业务中最重要的运营部分。实施/入职必须是核心竞争力。弄错这一点，你将扩展员工人数，而不是 AI。
用专门的团队负责试点（pilots）。 建立一个专门运行试点的团队，这样他们就能成为管理极端不确定性的专家，而不是让试点团队过渡到整个项目。试点团队应该是你的海豹突击队（SEAL team）。 在试点成功后接管的项目团队，应该更擅长将 AI 整合到稳态交付中。两者之间有一定的连续性是有帮助的，但技能组合是不同的。
睡在客户的办公室。 这听起来可能很疯狂，但 Hanover Park 的首席执行官做出了这一承诺（并坚持到底！），以确保成功的迁移/实施。AINS 最难的部分不是 AI；而是从旧流程的交接。在可能看似荒谬的水平上过度投资于迁移。 这会有回报的。
让执行者和建设者坐在一起。 在 AINS 中，目标是随着时间的推移将尽可能多的交付过程产品化。为此，确保人员在产品和交付之间轮换，以便经验教训流入产品。在 Crosby Law，律师和程序员成对坐在一起，在做工作的人和构建 AI 的人之间创建实时反馈。Crosby 过去是大批量地进行评估，但现在转向了一种模式，即律师每隔几个小时就向工程师提供反馈，允许工程师实时调整系统提示。转换后，系统得到了有意义的改进。
话虽如此，确保给予建设者足够的空间去改进（而不仅仅是复制）现有流程。领域专家可以专注于重建当前存在的东西。产品和工程团队需要吸收这些反馈，但要从第一性原理出发思考新的/更好的基于 AI 的方式应该是什么。
每次董事会会议都从客户健康状况开始。 交付中有很多细微差别，因此在 AINS 中，发现并解决围绕客户学习的问题甚至比在软件公司中更重要。
IV. 产品路线图 (Product Roadmap)
每家 AINS 公司都面临着同样的基本紧张关系：客户今天为你支付交付费用，但整个风投论点都取决于你明天构建的东西。你的产品路线图就是这种紧张关系要么得到解决、要么毁掉你的地方。
应对重要与紧急之间的权衡。 客户的要求是响亮而直接的。内部平台投资是安静而具有复合效应的。失败模式是：由于在响应客户紧急请求时忽视了平台开发，从而变成了传统的服务业务。
“在竞争激烈的市场中，对于一家 AINS 来说，最难做出的权衡就是牺牲分销（让另一个客户入职）以专注于 AI 杠杆。根据经验法则，当我们的客户数量达到 80 个左右时，我们开始看到模式。在此之前，我们不知道客户的偏好是规则还是例外。就在那时，我们觉得可以开始对客户的要求说‘不’了。”
>
Ryan Daniels, Crosby Legal 首席执行官
你必须平衡三种力量：客户想要什么，什么最有利于你服务的产品化，以及产品元素构建起来有多难。掌握好这一点的创始人学会了对不符合其产品化路线图的客户请求说“不”，即使收入很诱人。最好的 AINS 公司能找到确定重要工作优先级的方法：他们自动化、他们产品化，他们的利润率扩大。那些成为紧急事务牺牲品的公司不会进行自动化，也找不到扩大利润率的方法。
自动化任务，而不是人。 对于想要完全消除某个角色的技术创始人来说，这是一个令人谦卑的认识。相反，要在任务的基础上思考。当 AI 处理重复性任务时，人们可以完成更多的任务。这种框架既更现实，也更容易被担心 AI 取代其团队的客户所接受。在任务的基础上思考也是建立评估（evals）的最佳方式，从而加快产品化进程。
“专注于自动化任务，而不是人。这意味着在 AINS 招聘时，优先考虑注重流程和务实的工程师非常重要。”
>
Timon Gregg, Strala 首席执行官
设定一个北极星产品指标，跟踪 AI 改进在成本、速度和/或质量方面对服务交付的影响。具体指标因业务而异，但每家 AINS 公司都需要一个。随着时间的推移，产品投资需要与毛利率的可衡量改善联系起来。
V. 进入市场 (Go-to-Market)
笨蛋，关键是演示 (demo)！ 在 SaaS 中，演示展示了产品价值。在 AI 原生服务中，演示的艺术已被遗忘。创始人默认使用推介演讲稿（pitch decks）和谈话要点。这是可以理解的，因为 AI 产品不是由客户直接使用的；服务提供商在内部挥舞魔法以交付结果。
但这是一个巨大的错误。如果没有演示，买家很难想象你与每一个进行类似推介的服务提供商有什么不同。 如果你是一家与成熟的受信任服务品牌竞争的初创公司，展示你的魔力就更加关键。不要把它藏在幕后。
我们看到 AI 原生服务公司仅仅通过添加演示就将销售周期缩短了一半。Mechanical Orchard 开始演示他们产品的强大功能（实际上是针对 COBOL 的 Cursor），并看到销售周期缩短了一半以上。客户永远不会直接使用这个系统。但看到 AI 在行动中，比任何幻灯片都能更快地将怀疑者转化为信徒。所以，停止向潜在客户讲述你的 AI。展示给他们看。
尽早建立合作伙伴关系；它们可以成为关键的增长加速器。 与现有企业（incumbents）的合作可能是 AINS 的主要加速器。现有企业提供直接的市场信誉、既定的分销渠道以及访问专有数据集的机会，这在你的数据语料库很小的早期阶段至关重要。
行之有效的合作模式远远超出了传统的收入分成方法。一些初创公司正在探索与现有企业的股权共享关系。其他公司正在收购现有的服务提供商。Prosper AI 与 Firstsource（一家领先的收入周期服务提供商）的合作为其提供了直接的分销和交易流，而如果独立建立这些则需要数年时间。此外，现有的企业积极寻找 AI 原生合作伙伴的趋势也越来越明显，因为他们自己无法足够快地建立这些能力。
来自我们投资组合的战术合作经验：
- 寻找一家中型规模的传统服务提供商，他们有动力去关心，并且你在那里拥有真正的高层影响力。最初降低最大型传统企业的优先级；即使这种关系感觉令人认可，他们也会行动迟缓。
- 确保你保持与最终客户的关系。 不要被“去中介化（disintermediated）”。失去直接的客户关系意味着失去数据飞轮。
你需要培训合作伙伴 去做那些目前你的 AI 还无法完成的最繁重的人工任务。这种劳动分工会随着你的 AI 改进而随着时间推移发生变化，这正是维持这种关系很重要的原因。
VI. 定价 (Pricing)
整个科技行业正在向基于结果的定价（outcomes-based pricing）转变。 软件公司开始探索这种模式，但他们面临着真正的挑战：归因很困难（软件增加了多少价值，而使用它的人增加了多少价值？），副驾驶（copilot）和自动驾驶（autopilot）之间的界限仍然模糊。
AI 原生服务处于独特的有利位置。 根据定义，AINS 公司提供了所有价值：客户雇用你来交付结果，你要负责完成它。没有归因问题。服务就是结果。这使得 AINS 成为整个 AI 经济中基于结果定价的最自然归宿。
在实践中如何构建基于结果的定价取决于工作的性质：
- 离散的、大范围的工作： 如果每个参与都是一个定义明确的项目（例如，迁移大型机、处理复杂的保险索赔），你可以直接对具体的工作进行定价。结果清晰，范围有限，客户明白他们正在为什么买单。
- 连续的、可变的工作： 如果工作正在进行中，并且每个任务在复杂性和价值上都各不相同（例如，处理一系列客户服务请求，处理保险提交流），那么基于积分的模型（credits-based model） 可能会很有效。积分允许你在不同规模的任务之间进行标准化，同时仍然将价格与产出而不是工时挂钩。关键是积分单位应该映射到客户直观理解的工作单位。
实用的路径： 许多创始人在学习高效交付的过程中，需要从市场惯例（通常是基于劳动力的定价）开始。这很好。但是，随着你的 AI 成熟和交付模式稳定，设定一个明确的时间表，过渡到基于结果的定价。在基于劳动力的定价上停留太久的公司，最终会随着自动化程度的提高而蚕食自己的增长。
尽可能嵌入经常性收入。 一些 AINS 业务在多年度合同和长期服务为自然常态的行业中运营。Hanover Park 作为一家 AI 原生基金管理人从中受益：基金管理关系通常持续数年。如果你的业务或行业没有这种内在的粘性，你仍然可以创造它。Palantir 有效地做到了这一点：为客户提供定制的分析，然后定期为留下来的软件收费。
VII. 防御能力和护城河 (Defensibility and Moats)
从第一天起构建数据飞轮。 在 SaaS 中，产品生成数据作为副产品。在 AINS 中，通过完成工作生成的数据就是产品优势。每一次参与都应该使你的 AI 变得更好、你的交付更快、你的结果更可预测。为此，确保你的主服务协议 (MSA) / 业务约定书赋予你使用服务产生的数据来改进服务的能力。
Harper 很好地说明了这一点。每个潜在客户、电话、电子邮件和保单都会生成数据，输入到他们的 AI 中，改善企业和承保人之间的匹配，并随着时间的推移推动更高的转化率。这是一家伟大的 AINS 企业的标志：工作复合为持久的优势。 如果你没有从第一天起构建这个飞轮，你只是一家使用 AI 工具的服务公司。
一种未被充分重视的数据杠杆形式：AINS 公司可以使用 AI 将客户与最适合服务他们的内部服务提供商进行最佳匹配，了解其风格、专业知识、能力和其他因素。这种匹配随着每次参与而改善。
品牌是一条强大且未被充分重视的护城河。 AINS 从根本上说是销售结果，这需要客户给予大量信任。在专业服务领域，品牌一直很重要（这就是为什么尽管四大会计师事务所经常交付平庸的工作，但仍能获得溢价的原因）。AI 原生初创公司如何解决品牌方面的冷启动问题？在早期，你需要借用信誉，要么聘请受人尊敬的服务提供商，要么与有品牌的现有企业合作。随着时间的推移，你工作的高质量/速度应该使你能够建立自己的品牌声誉。
工作的广度和深度创造了转换成本。 一些 AINS 业务不仅交付服务；它们承担了客户核心运营的很大一部分，以至于转换变得极其困难。Hanover Park 构建了记录系统（ERP），并通过这个定制系统运行客户的所有数据。当你成为基础设施层而不仅仅是服务层，当客户的整个数据历史和操作工作流都在你的系统中运行时，这种数据的量级和集成的深度会使转换变得极其痛苦。这与简单的 API 集成在本质上是一条截然不同的护城河。
VIII. 指标 (Metrics)
传统的 SaaS 指标无法捕捉 AINS 公司是否实际实现了 AI 杠杆。考虑到海市蜃楼式 PMF 问题，增长率和留存率是不够的。我们将 AINS 指标分为两类：告诉你 AI 产品化是否正在发挥作用的领先指标 (leading indicators)，以及确认其体现在财务数据中的滞后指标 (lagging indicators)。
领先指标 (AI 真的在做工作吗？)
北极星产品指标: 捕捉 AI 实际完成多少工作的单一数字。
- 设定一个北极星产品指标，跟踪 AI 改进对你服务交付的影响。具体指标因业务而异，但每家 AINS 公司都需要一个。Crosby Law 的版本是“HURT”（人工审查时间，Human Review Time）：AI 处理后每个文档需要的人工劳动分钟数，且不牺牲质量。随着 HURT 接近零，利润率将接近软件利润率。每家 AINS 公司都应定义自己的版本。
滞后指标 (它在业务中体现出来了吗？)
每位员工收入: 测试 AI 是否真正大规模完成工作的最简单方法。
- 每位员工收入 (Revenue per employee) 是一个关键且未被充分重视的指标。这是测试 AI 是否真正大规模完成工作的最简单方法。如果这个数字没有明显高于你所在领域的传统服务提供商，那么你的 AI 就没有发挥作用。更细致地，你可以分离出与服务相关的 FTE，以了解随着时间推移的 AI 杠杆。
- 单客户利润率细分 (Per-customer margin breakdown)。 了解在单个客户基础上驱动毛利率的行动。这种粒度对于识别哪些客户正在走上 AI 杠杆之路，以及哪些客户陷入了劳动密集型交付之中至关重要。
一个重要的细微差别：诚实地定义毛利率。 一些 AINS 公司将有意义的推理/计算成本掩藏在运营费用（opex）而不是销货成本（COGS）中，这人为地夸大了利润率。推理成本以及任何人在回路的劳动力都属于 COGS。
Emergence 正在为 AINS 公司编制首份基准分析报告。我们计划在 2026 年夏季发布。
IX. 并购 (M&A)
考虑收购，但要把握好时机。 一些 AINS 公司最终将需要收购传统服务提供商，以快速扩大收入、获取客户关系或引入领域专业知识。但时机极其重要。
不要过早收购。 它可能会分散你构建核心 AI 平台的注意力，而这正是你最初能获得风投支持的全部原因。首先让你的产品和交付模型发挥作用。此外，确保在进行并购之前巩固你的“AI 优先”文化，以便当行业资深人士加入你时，他们会遵从你的方式（而不是相反）。行为改变是很困难的。
一旦平台成熟且你证明了 AI 杠杆，收购就可以成为强有力的增长加速器。在此之前，收购有让你变成一家带有风投资产负债表的传统服务公司的风险。
下一步是什么
AI 原生服务之所以成功，是因为它们将软件和服务整合到一个集成系统中，交付客户想要的完整结果。通过拥有全栈，它们可以保证输出的质量。这种结构优势就是为什么这种模式可以在 50%+ 的毛利率下运行时实现速度或吞吐量 5-10 倍的提升，以及为什么机会远远超出了早期受到关注的类别。
每一个具有高容量、可重复工作流的垂直服务市场都是 AI 原生颠覆的候选者：保险理赔和经纪、基金管理、报关、收入周期管理、KYC 合规、供应链运营等等。仅 BPO 市场就代表着巨大的机会，特别是在跨多个系统进行大量“缝合工作”的领域。
将在这里建立时代级公司的创始人有一些共同特质：他们选择一个专注的垂直领域，在其中拥有真正的领域信誉；他们从第一天起就建立 AI 杠杆，而不是希望以后再添加它；他们抵制了定制收入的诱惑；他们诚实地衡量自己 AI 是否真的在做工作。
如果你正在建立一家 AI 原生服务公司，我们很乐意与你一起学习。 分享你的想法、反对意见或例子。我们在旧金山定期举办定价研讨会和创始人工作会议，我们正在为 AINS 公司建立一个基准数据集，以帮助社区开发共享指标和最佳实践。
特别感谢与我们分享经验并为本剧本提供信息的创始人和 CEO 们：Rob Mee (Mechanical Orchard), Dakotah Rice (Harper), Chris Hladczuk (Hanover Park), Jamie Cuffe (Pace), Ryan Daniels (Crosby), Timon Gregg (Strala) 和 Xavi de Gracia (Prosper AI)。还要感谢 Madhavan Ramanujam 提供的定价框架，以及 Emergence 团队成员对我们持续研究的贡献。
