谁有资格吃饭？ 垂直型人工智能与调度器问题

核心驱动力是智能成本的快速下降——至少在给定的智能水平上（正如我们所写 ，随着推理复杂度激增，即便单个代币成本下降，代币开销仍在增长）。鉴于资金充足的研究机构之间（OpenAI、Google、Anthropic 等）激烈的竞争，更不用说硬件和软件效率方面的重大进展，这一趋势不太可能放缓。

然而，正如所有经济-技术范式转变一样，最终的价值流向仍不确定。如果代理替代了传统的人工服务，人们或许会认为它们会夺取那些本该付给人工服务的支出。然而，正在发生的情形更像是那些服务的商品化。换言之，几年前人们还会为之支付10万美元的服务，随着代理降低交付成本，最终只会值那一数额的一小部分。

更便宜的 AI 带来的结果是对纵向 AI 产品持续的通缩压力，这些产品之所以有吸引力，主要是因为 LLMs 带来的消费者剩余。从文档中提取数据？接听来电？起草例行的合规报告？当基础设施和专业知识稀缺、采用率低时，这类产品今天可以成为极好的切入点。很快，它们将成为入场券——随着多个资金充足、可信且增长良好的初创公司在每个领域竞争，过剩利润会被逐步压缩。任何在此期间未能构建护城河的初创公司都将成为牺牲品。

有人认为，随着智能的边际成本逼近零，企业技术的核心价值主张将从提供辅助人工的工具，转向提供替代人工的成果。我们认为这确实成立：垂直领域人工智能相比单纯的垂直 SaaS 能处理更多端到端的工作流。这会带来显著更大的客户价值和支付意愿，并触及更大的预算规模。然而，我们不同意当前流行的观点——即服务交付（那种更像外部供应商而非作为企业内部平台与业务紧密结合的客户关系）会成为以 AI 为驱动的软件的主导范式。

可拓展的总可寻市场并不会让所有创业公司受益

但如果智能成本骤降最终大幅扩大了 AI 服务的可寻市场，这难道不是纯粹的好事吗？在某种程度上，是的——问题在于认为这一机会的扩展必然会流向提供这些服务的价值链中相同的位置。个人电脑与电子表格对会计行业的影响就是一个绝佳例子。摩根士丹利的这份研究报告描述了这一影响：

随着这项技术在整个 20 世纪 80 年代迅速普及，尤其是在 1987 年 Microsoft Excel 推出之后，我们看到从事簿记和会计/审计文员工作的美国人数有所减少（从 1987 年约 200 万人降到 2000 年略高于 150 万人）——但同时从事会计/审计工作的美国人数显著增加（从 1987 年约 130 万人上升到 2000 年约 150 万人），以及管理分析师和财务经理人数也从 1987 年的约 60 万人增加到 2000 年的约 150 万人。

电子表格不仅仅是将簿记自动化——它把价值向技能曲线高端转移，从重复劳动转向更高层次的分析。网约车展现了这种现象的更为戏剧性的版本：不仅是在价值链内重新分配，而是整体消除了整个中间环节。我们认为人工智能将同时带来这两种变化——垂直领域的人工智能公司需要明白自己处于这一转变的哪一侧。

为探讨原因，我们来触及一个没有哪篇关于人工智能的科技生态文章能缺少的概念： 杰文斯悖论 。它指出，随着技术提高了资源使用效率（并降低了成本），该资源的总体消耗反而会增加而非减少。Uber 当然是创业圈的经典案例。

全球出租车市场（含所有网约车） 从 2019 年的约 690 亿美元增长到 2024 年的 2710 亿美元 。在 Uber 出现之前，全球传统出租车市场的估计在 300-500 亿美元之间。因此，“让一辆车把你送到某地”的总支出在 15 年间大约增长了 5-8 倍，即便每次出行的价格被砍掉了大约一半（尽管在风投补贴退潮后，成本已回升了 10-20%）。

随着 Uber 扩大可服务市场规模，它改变了该市场的价值流动。历史上，网约车收入被少数利益相关者分得：车主（包括自营车主和享有监管性垄断的受益者，如纽约市牌照持有者）、中介（出租车公司、调度员、车库）以及由这些中介雇佣的出租车司机。几乎所有这些利益相关者都被颠覆并从价值链中剔除，唯有司机得以转向不同的“雇主”，尽管如今他们面临更激烈的竞争和更高的可替代性。中介收入被 Uber 和 Lyft 吞并。 牌照价值被摧毁 ：在纽约市牌照于 2013 年达到约 100 万美元的高点后，如今已跌至低于 $100k（尽管在政府干预的推动下出现有限回升的迹象）。

所以，没错——技术使一个古老、成熟、低增长的行业在十年内增长了超过500%。这本身就令人惊叹，也是人类集体创新经济的一次持久信任投票。但以网约车为例——以及在通过消费者剩余实现市场扩张的许多其他案例中——增长伴随的是价值流向的重大转变，而不是对所有既有市场参与者的普遍利益。

同样的杰文斯效应如今在企业级人工智能中上演，类比十分熟悉。在保持模型质量、上下文和推理复杂性不变的情况下，一单位智能的成本正在迅速下降。从 2022 年 11 月到 2024 年 10 月，提供 GPT-3.5 级别推理所需的支出下降了超过 280 倍 。即便前沿级认知仍然昂贵也无关紧要——现实世界的任务要么被完成（要么没有）。但这些任务正在被完成。2023 年，使用 LLM 为一家中型公司读取并分类每一封来信的成本可能难以承受——而今天，大约每百万 token 0.40 美元（约$0.40 PMT），这已经是微不足道的开支。AI 编码工具促成了一个情形， 现在 41%的代码由 AI 生成或 AI 辅助 ，进一步降低了门槛。生产一单位“认知工作”的成本正以一种让 Uber 每单节省显得微不足道的速度崩塌。

正如杰文斯悖论所预测的，整体 AI 支出正在爆炸式增长。企业级 AI 收入从 2023 年的 17 亿美元增长到 2025 年的 370 亿美元—— 两年内增长了 22 倍 。全球 AI 支出预计在 2026 年超过 2.5 万亿美元 。Gartner 最近将 预测中 AI 占据全部 IT 支出三分之一的时间点提前了整整两年。但与出租车业一样，问题不在于蛋糕是否变大，问题在于谁能分得一块。

调度员困境

一种流行的论断认为，随着智能边际成本接近于零，制胜的商业模式将是 AI 服务（或者如有人所称的“服务即软件”）。其观点是，这类初创公司提供的结果替代了劳动力或外包服务，而不是出售增强这些工作的工具。Foundation Capital 将其框定为 4.6 万亿美元的机遇 ：与 IT 预算占 GDP 的 1–2%相比，劳动力和传统服务占比超过 15%。这个算术听起来很诱人。如果你的 AI 能完成会计、律师助理或合规分析师的工作，难道不应该可以以该员工的全成本来定价吗？

理论上是的。但实际上，初创公司不应指望仅凭提供一个类比产品就长期撬动、替代并占领此类预算。这又回到我们之前的观点：服务本质上是可以被商品化的（这一动态我们在早期对层级商品化周期的分析中已有详尽探讨）。如今，替代的吸引力显而易见——它更便宜、更快捷。然而，总体来看，通过分发这些 AI 替代品而成长的初创公司并不拥有促成这种经济套利（即 LLM 输出与人工输出之间的成本差异）的知识产权。拥有 LLM 的是那些实验室。没有自身持久的护城河，AI 服务初创公司只是智能的转售者——在我们看来，基本的工作流编排、检索增强生成（RAG）或特定领域微调都不构成持久的护城河。

这是将出租车调度员问题应用于人工智能领域的例子。在 Uber 之前，出租车调度机构通过提供行程匹配来获取利润；司机获得稳定的工作，乘客通过单一联系点获得一致的服务。将供给（某一地区的司机密度）和需求（该地区的知晓度）进行聚合在一定程度上具有防御性。当出现一种平台，不仅能更高效地匹配供需，还能通过外包车辆所有权大幅扩展供给并降低扩张成本——更关键的是，在此过程中向乘客提供更低价格——调度员的竞争能力便消失了。

调度员的失败并不是因为他们无法与 Uber 的抽成率竞争——这一点值得强调。如今，Uber 平均抽取约 30%的司机收入 ，这与传统出租车公司、车牌租赁方和调度员在旧模式下从司机处合计抽取的 30%到 50% 并没有天壤之别。Uber 的护城河并非来自于降低抽成；而是来自于将所有中间职能——调度、支付、匹配、声誉——整合到一个拥有网络的平台中。当你就是网络时，你无需在抽成率上竞争。你就是基础设施。

同样，一家主要价值主张是“我们通过使用 LLMs 更廉价地提供这项服务”的 AI 服务公司，本质上是坐拥一项并不属于他们的专有利润差价的调度者。那属于推理成本曲线——而这条曲线由模型实验室、超大规模云提供商、芯片制造商和能源生产商掌控。当模型变得更便宜（而且肯定会），或者当竞争对手接入相同的模型 API 并在价格上压低（也会发生），AI 服务初创公司的成本优势就会压缩至接近零。如今全球约有 3.5 万款 AI 包装应用，得益于更低的准入门槛和软件开发成本，竞争远比以往技术时代更激烈。

换言之，确实，人工智能将让公司以极低的成本提供服务。这导致许多 AI 服务产品在营收上实现了令人瞩目的增长，因为企业做出了显而易见的选择，转向更便宜的替代方案。但廉价提供服务的能力并不等同于能保住提供该服务所得利润的能力。由于智能成本的崩塌而产生的消费者剩余将是巨大的。谁能持续性地捕获那部分剩余，是当前企业级 AI 时代的决定性问题。

嵌入性与防御力

能够捕获并保留因智能成本崩塌而产生剩余的公司，将是那些能在成本曲线之外构建防御能力的公司。在企业技术领域，历史上这种防御力来源是一套相对稳定的要素，我们在论文“Dude, Where’s My Moat?”中对此进行了详尽讨论。在那里，我们根据公司所处阶段，评估了各种护城河对垂直领域 AI 的相对重要性：

在起始阶段，大部分优势来自快速衰减的护城河：领域专长以及速度与执行力。合作与整合关系是较为持久的护城河，但在规模化后其相关性会下降。正如上文所述，在增长阶段最关键的护城河是使用与数据循环。我们认为，在规模化时，可防御的垂直 AI 业务至少应具备数据引力、品牌与信任和/或平台锁定等护城河。

撇开创始团队带来的普遍优势（专业知识和速度）不谈，这些护城河都有一个共同起源：它们源自与顾客业务的深度互联。这一点将我们引向论文的关键。评估一家垂直人工智能公司的最重要维度不是“服务还是软件”，而是内部还是外部。

这里所说的“内部”，并不一定指那种顾客每天“登录”的传统 SaaS 界面。事实上，长期以来软件行业普遍认为价值与直接、亲自使用键盘相关的共识，在我们看来已经过时。1 我们指的是，AI 公司是否以某种方式嵌入顾客的运营，使其在结构上难以被移除？它是否持有顾客生成的专有数据？它是否将顾客与难以重新接线的对手方、供应商或生态系统连接起来？它是否整合进相邻工作流，若移除会引发连锁中断？

相反，“外部”解决方案更类似传统服务供应商。顾客在需要完成某项任务时会求助于 AI 服务初创公司——有点像业务流程外包，但更快更便宜——不过下周如果另一家提供了更好的优惠，他们可能会转向那家。顾客会共享完成该项工作所需的信息，但很可能不会提供更多。除“待完成工作”之外的持续互动有限。他们确实创造了真实价值。当成本差异较大且采用率尚处于早期时，他们将快速增长。但由于依赖借来的利润——由模型层带来的成本套利，而非自身知识产权——他们暴露于与其他所有参与者相同的竞争动态中，不仅包括其他 AI 服务初创公司，还包括资金雄厚的 SaaS 现有企业，甚至（或许最终）买方自身。

即便它们拥有更多端到端工作流或能保证结果，内部 AI 不只是提供一项服务；它还会成为其客户深度嵌入的合作伙伴。事实上，相较于 SaaS 模型，AI 提供了更广泛的切入面——这是我们在“ 垂直领域 AI 中的新兴实战法则 ”中探讨的主题，在那里我们追溯了从创作层到智能系统的发展演变。内部 AI 平台可以嵌入每一个工作流，在每一步积累专有数据，并利用这种定位构建随着时间推移而复合的优势（以及转换成本）。随着模型层进一步商品化，内部 AI 将得到保护，因为客户支付的并不仅仅是一个推理入口，而是一个可与传统记录系统粘性相媲美的智能与行动系统。

为了使这一框架具体化，我们可以沿两条轴线来描绘垂直 AI 的格局： 内部 vs. 外部 （产品在顾客运营中嵌入的深度）和 楔子 vs. 平台 （当前产品供给的广度和深度）。由此产生四个象限，每个象限具有不同的风险特征和发展轨迹：

在右上象限—— 持久 ——是内部 AI 平台：具有明确路径以形成复利护城河的智能与动作系统，通常从最初的切入点演化为深度嵌入客户工作流的多产品平台。像 Abridge 和 EvenUp 这样的公司就是这一轨迹的典型代表。左上—— 稀缺 ——对应面向外部的平台：通常以咨询为主、高合同价值（ACV）的玩法，可能在为内部 AI 产品进行自我试用。这类模式可行，但高客户集中度和嵌入程度有限使其不稳固。左下—— 商品化风险 ——是危险区：面向外部的切入产品，早期增长潜力极高，但因依赖外借的 AI 利润而面临生存性风险。右下—— 不稳固 ——代表内部切入点，具有高早期增长潜力，可能扩展为有防御性的平台，但面临来自以 AI 为先的 incumbents 的显著风险，后者可能复制该切入点。

重要的是，图表上的蓝色箭头展示了两条有价值的转型路径：从外部到内部（加深嵌入度）以及从挖起杆到平台（构建产品广度）。“挖起杆到平台”的转型是打造持久垂直软件业务的久经考验的模式；较新的做法是创业公司试图同时完成这两次跳跃，先从一个外部、高度可扩展的 AI Services 挖起杆开始。

我们的总体观点不是说基于 LLM 基础设施构建的 AI Services 天生就是不好的初始挖起杆（或商业模式）。相反，我们认为它们必须要么开辟通往防御性的路径——最有可能是通过某种形式的顾客内化——要么面临最终被商品化的命运。

垂直型人工智能：从商品化中的庇护所

这种关于 AI 成败的框架提醒我们，当下时代的成功——尽管具有颠覆性——在客户关系方面仍需追求许多传统 SaaS 公司的目标。这也是我们认为垂直型人工智能如此强大的一个关键原因。每个行业独特的动态为构建差异化解决方案提供了肥沃的土壤，这些解决方案会被客户深度内化——正如我们在“The Future of AI is Vertical”中所论述的那样，我们在该文首次提出了这样一个论文：随着 LLMs 性能提升和成本下降，垂直市场将在近期成为赢家。

最成功的垂直 SaaS 公司——Veeva、Procore、Toast、ServiceTitan 等——赢得市场并不是因为比替代方案更便宜。而是因为它们成为了更贴合用户特定需求的记录系统。企业可以花数百万咨询费去定制 Salesforce 或 NetSuite 以满足自身需求，但既然已有为你量身打造的系统，何必如此？在此过程中，垂直 SaaS 平台捕获了专有行业数据或第一方数据（临床试验数据、工程成本数据、餐厅销售数据），这些数据使产品使用时间越长越好。它们以创造网络效应护城河的方式连接了原本分散且垂直独特的生态系统（制药与临床地点、总承包商与分包商、餐厅与送餐网络）。正如我们在关于垂直 AI 市场规模的两部分系列文章中讨论的那样，这些平台通常从狭窄的滩头阵地开始，然后通过产品层叠扩展到更大的可寻址市场——而 AI 正在加速这一动态。

无论自称为 AI 服务与否，那些将在智能成本崩塌后持久攫取剩余价值的垂直领域 AI 创业公司，都会遵循相同的策略。切入点可能只是更低成本提供的一项服务。但护城河将建立在该切入点之上的一整套系统，利用它们在客户中的内部定位来打造壁垒——专有数据、网络效应、多产品平台，以及行业“脑”——使其成为可以依赖的基础设施，而不仅仅是另一个供应商。

那些始终无法实现这一飞跃——仍然作为外部提供者提供由人工智能驱动的服务、以成本竞争——将面临与出租车调度员相同的命运。他们会眼睁睁看着自己的市场增长500%，而利润率却压缩到接近零。

赢家将拥抱商品化

在去年底的一次 Vertical Collective 圆桌讨论中，一位创始人分享了一个关于人工智能商品化的见解，这句话令我们印象深刻：

许多人认为“向下竞价”是件坏事……我们却认为正好相反……真正的关键在于创造新的价值。

这看起来似乎自相矛盾——我们曾论证仅靠成本竞争会致命。区别在于意图。如果你只是在价格上盲目压低，那的确致命。但如果把向下竞价作为有意为之的楔子，以赢得某种定位、从而构建上文所述的护城河，那就是强有力的策略。

一些垂直领域的 AI 创业公司应当拥抱并加速伴随 AI 服务商品化而来的价格战。它们有机会通过提供传统厂商无法匹敌的惊人低价来吸引大量客户。是的，这会蚕食单个客户的“成果”收入机会，但它们也能换来快速增长、行业信任以及以其他方式为该客户服务的权利。

此外，通过削弱那些无法竞争的市场领导者的地位，垂直型 AI 初创公司可以制造竞争真空，从而建立一个可扩张的主导地位。将这一剩余利益奉上门来，能成为一种独一无二的建立信任的妙招。我们在之前关于产品商品化的文章《 颠覆行业既有者指南 ：》中讨论过这种策略的变体——我们称之为“消除定价权”：

开发或支持你的互补产品的低价（或免费）版本，以激励快速采用并降低互补产品的定价权。

更简单地说：如果你的产品注定会被商品化，那不如自己来做，赢得市场。

价值假设

企业技术领域的每一次范式转变都会引发一场争夺战——并且不可避免地带来洗牌。云计算在 2005 至 2015 年间催生了数千家 SaaS 初创公司；大多数被并入、被人才收购或被清零，只有一小部分成长为具有持久生命力、定义类别的平台。我们预计垂直 AI 也会呈现同样的模式，但其最终市场机会更大、潜在增长更快、创造性的新货币化模式更多、早期资本效率更高，因此竞争也将达到前所未有的程度。

使当前一代应用层初创公司得以发展的楔子是低成本的智能。对 AI 服务创始人的陷阱是将一种可扩展的楔子误认为可防御的业务。能够持续发展的公司是那些在当前窗口期内行动的公司——当成本差异仍然显著、采用尚处于起步阶段且现有企业尚未迅速深度嵌入客户运营以至于切换变成结构性痛苦而非仅仅不便时。正如我们在“ 早期风险投资在垂直 AI 时代 ”中所写，垂直 AI 公司构建的模式正在迫使投资者和创始人重新想象成功的样子。本例也不例外。

这并不是一个新想法。事实上，这是企业软件中最古老的想法，被重新发现了。新的变化在于表面范围：SaaS 公司可以嵌入到少数几个工作流中，从用户交互的屏幕中捕获数据。原生 AI 平台可以嵌入到每一个工作流，捕获每次交互的数据——无论是否有人在场——并构建起随着运行时间增长而不断累积的智能，使产品越用越好。构建“承重基础设施”的机会从未如此之大。人们满足于成为“更便宜的供应商”的诱惑也从未如此强烈。

正如 Benchmark Capital 和 Wealthfront 联合创始人 Andy Rachleff 所论证的 ，创业公司的“价值假设”——需求的是什么、谁需要以及如何满足——在第一次尝试时“很少正确”，因为创始人必须发现谁是真正对他们的产品迫切需要的人……而不仅仅是谁说自己有兴趣。这也是我们曾提出的观点 ：当超级基金认为市场赢家在公司成立两年内就显而易见时，这些立场对它们的基金模式来说是合乎逻辑的，甚至有利己之嫌，但并不是市场的真实运行方式，也不是品类赢家出现的方式。

客户总是对更便宜的服务感兴趣，人工智能可以帮助实现这点。客户真正想要的——也是他们愿意为之付费以保留的——是一个比他们自己更了解其业务的系统：一个能够累积制度性知识、将他们与生态系统连接起来，并且随着每次互动内部价值不断增强的系统。构建这样一个系统比转售廉价推理更困难。但这是唯一值得构建的东西。

感谢阅读 Euclid Insights！Euclid 是一家在创始阶段与 Vertical AI 创始人合作的风险投资公司。如果你的人脉中有人正在这一领域创办新公司，我们很乐意提供帮助。请通过私信或在下方评论中联系我们。