服务不会变成软件
目前风投界越来越一致地认为，AI 正在把服务型企业转变为软件型企业，以至于服务公司现在被视为可以得到风险投资支持的对象，这是以往从未有过的。几年前，几家知名风投公司将其描述为一个价值 4.6 万亿美元的“服务即软件”机会。General Catalyst 出资 15 亿美元收购并通过 AI 赋能法律、IT、会计等服务公司 。Thrive 发起了超过 10 亿美元的基金以收购并用 AI 赋能服务型企业 ，随后 OpenAI 入股并直接将工程师嵌入其投资组合公司 。
观点很简单：服务是一个16万亿美元的全球市场。软件是1万亿美元。如果人工智能能把类似软件的利润率带到服务交付中，潜在收益将非常巨大。软件公司通常拥有70%到85%的毛利率，并与客户建立了深度嵌入的、经常性的关系。专业服务公司在最好的情况下也只有30%到40%的利润率，而且收入常常是基于项目或零星发生的。如果人工智能能在这个规模比软件大16倍的市场中缩小哪怕一小部分差距，价值创造将是巨大的（在某些情况下，这已经在起作用）。
机会显而易见。但相关讨论有些超前。实际情况比“服务变成软件”更加微妙。AI 正在让服务型企业成为更好的服务型企业。利润率提高，单人人均杠杆提升。但它们并不会魔法般地变成软件公司。即便技术承担了更多的执行层面，每一代模型都提高了人力与产出的比率，服务型企业的基本动力仍然存在。客户付费并不仅仅是为了产出，他们还为资质、品牌权益、机构信任以及有人承担结果——以及随之而来的责任——而付费。
这没问题。因为市场规模远大于此，你并不需要软件式的利润率就能创造巨大的成果。
到目前为止，我观察到有三种模式正在出现以把握这一机会：向现有服务公司销售 AI 工具、从零开始打造原生 AI 服务公司，以及收购并赋能它们（整合式并购）。每种模式都有其优点，但也各自带有投资者需要谨慎承担的不同风险。在讨论哪种模式适用于何处之前，有必要对应机遇本身进行压力测试。以下是我认为投资者需要考虑的风险：
- 并非所有的总可寻址市场（TAM）剩余都可被覆盖。
- 并非所有的利润扩张都是持久的。
- 增长仍然依赖于人。
可寻址市场（TAM）过剩是真实存在的
在几乎所有专业服务类别中，软件市场仅仅是服务市场的一小部分。这一点众所周知、已有文献记载并被广泛理解。
当你投资软件公司时，你是在押注软件的可寻址市场（TAM）。当你投资以人工智能赋能的服务型企业时，你是在押注劳动力市场，而劳动力市场几乎总是大得多。
但将 TAM 过剩等同于可触及的机会是这一领域最常见的错误之一。更重要的问题是要弄清楚其中哪些过剩是真正可被 AI 触达的，哪些具有结构性持久性。
但并非所有的 TAM 都是可触及的
在“服务变成软件”叙事中，这一点常被忽略：专业服务支出中有相当一部分从一开始就不是围绕产出展开的。
作为一名前律师助理兼顾问，我可以告诉你，公司聘请四大事务所并不是因为审计本身具有独特价值，而是因为“我们遵循了专家建议”在出现问题时是一个可辩护的立场。他们聘请监管机构熟悉且信任的更昂贵的外部法律顾问。他们请顾问独立建议裁员，这样决策就不会被归咎于内部领导层。这些看起来可能是低效，但它们是专业服务运作方式中固有的特征。
这不仅仅是关于责任。这关系到可信度、外部验证和制度性信任。公司之所以付费给咨询和顾问公司用于基准测试和同行情报，并不是因为这些数据无法找到，而是因为由独立的第三方将竞争对手的做法置于语境中说明，比内部分析更有分量。当首席财务官在提出薪酬重组方案时，如果能说“根据 McLagan 的市场数据”，就比说“根据我们的内部分析”要容易得多。溢价并非付给信息本身，而是付给信息来源的可信度。
如果人工智能能够完成分析工作，它就无法承担吸收责任的工作。董事会不能指着一个人工智能模型说“我们依赖专家指导”。所以问题变成：服务市场总可用量（TAM）中有多少实际上是关于输出质量的，又有多少是关于责任转移、政治遮掩和资质认证的？真正与输出相关的那部分可以被人工智能解决。关于“防火墙（CYA）”的那部分可能比看起来更持久，但这也意味着面向人工智能的可触达服务市场可能比表面数据所显示的要小得多。这有双重影响：它限制了以人工智能为核心的颠覆上限，但也为那些掌握客户关系并承担责任的服务型企业提供了差异化优势（如果你还没看，去读读 Nihar 关于 Will Vertical AI Survive? 的文章）。
并非所有利润率扩张都能持久
即便在可触及的总可寻址市场内，利润率的扩张也可能部分是短暂的。随着竞争者采用相同的 AI 能力，服务将在价格上再次商品化。而当客户意识到 AI 正在完成他们此前为之支付给初级员工的工作时，他们将要求把这些节省传递给他们。利润率的压缩来自双方。
持久的利润来自于位于 AI 自动化产出之上的溢价与责任层，而不是来自自动化本身。以两家采用 AI 的会计事务所为例。一家将报税工作自动化，并将成本节省转给客户，毛利率达到 60%。另一家虽然也将同样的工作自动化，但同时雇佣 CPA 进行税表签署，购买错误与遗漏保险，并掌握客户关系。其毛利率更低，可能为 45%，因为它承担了那层责任成本。但这些利润更为稳固。客户付出的不仅仅是可以在别处以更低价格获得的产出，而是为有人为工作背书而付费。第一家事务所易受任何能够使用相同模型的竞争对手冲击。第二家则通过专业的信任与问责建立了结构性护城河，这是单靠 AI 无法复制的。
竞争压力不只来自其他初创公司。Anthropic 最近推出了适用于 Excel 的 Claude，为财务分析师、会计师和财富经理提供了用于贴现现金流建模、可比公司分析和尽职调查数据包的预置代理技能，并且提供了与 S&P Capital IQ、穆迪和 PitchBook 的连接器。本周早些时候，OpenAI 宣布了与埃森哲、波士顿咨询、凯捷和麦肯锡建立多年期“Frontier Alliance”合作伙伴关系， 将代理直接部署到企业工作流中。基础模型公司并没有等着初创公司在它们之上构建服务层，而是直接瞄准工作流。如果下一代模型能够自主完成审计工作底稿或起草达到生产质量的法律意见书，“由 AI 驱动的服务”就会成为一种过渡状态，而非终点。
这也是责任层重要的另一个原因。基础模型可以复制输出，但无法复制专业关系、职业过失与疏忽保险（E&O）保障，或客户实际为之支付溢价的监管资质认证。
生长仍然依赖人力
这些业务仍然依赖于人。人工智能提高了每个人能够处理事务的上限，但并未消除这一上限。启用人工智能的审计公司可以让注册会计师管理比以前更多的项目，但你仍然需要注册会计师。利润率扩张曲线很可能呈递减回报——巨大收益在早期出现并迅速趋于平缓。如果利润率在55%到65%之间徘徊，对于一个870亿美元或超过1万亿美元的市场来说，这确实具有吸引力。没人确切知道曲线会在何处平坦化，而这种不确定性是核心风险。
更难的是，这些企业所依赖的人才本就稀缺，且成本正在上升。违反直觉的是，AI 工具反而可能使情况更糟。以法律行业为例。像 Harvey 和 Legora 这样的行业专用 AI 工具直接卖给既有律所，让这些律所里本已精英的从业者变得更高产。一位使用 AI 处理三倍案件量且减少重复性工作的顶级律所合伙人，会赚更多钱、做更有意思的工作，也更没有离职的理由。那些本应颠覆既有机构的工具，最终却把人才牢牢地固化在这些机构内部。
与此同时，多家以人工智能为核心的律所都在试图挖走这些合伙人——并相互竞争。如果十家由风投支持、以 AI 为核心的律所都在同一类别筹集大量资金，就会在供给端造成人才成本通胀，因为它们争夺有限的持牌专业人才池；在需求端则会出现定价压力，因为它们争夺相同的客户。最初使该模式具有吸引力的利润优势会被竞争侵蚀——不仅来自既有机构，也来自采用相同玩法的其他初创公司。这就是所谓共识交易的经典悖论：追逐该论点的资金越多，执行该论点就越困难。
那么哪些商业模式处于最佳位置？
作为早期投资者，我评估的问题不是“这会成为一家软件公司吗？”，而是“这个创始人能否构建足够的杠杆，使在规模化的情况下重复收入的毛利率维持在50%以上，并且市场足够大，以至于这些毛利能产生风险投资级别的回报？他们能否通过数据护城河、责任关系或对工作流程的控制建立起使转换成本高昂的防御力？”在一个超过1万亿美元的法律市场或6,500亿美元的会计市场中，答案绝对可能是肯定的。在一个30亿美元的利基市场中，则很可能不是。
鉴于上述风险，CYA 与责任框架成为一个有用的视角。最有可能长期存续的公司是那些同时拥有责任与产出的公司，而不仅仅是位于中间的工作流层（再次感谢 Nihar）。但哪种模式能带你到那一步则取决于行业动态。
向传统服务公司销售 AI 工具比看起来要难。这些企业通常规模小、分散且抗拒变革。而且如果它们已经在赚大钱，就没有紧迫性去采用新技术。你需要一个强制性推动因素。会计目前是最明显的例子。 自 2020 年以来已有 30 万多名会计师离开该行业 ，75%的注册会计师接近退休年龄 ，事务所开始拒绝接单。当替代方案是损失收入时，对 AI 工具的需求会大幅上升。这就是我们投资 Basis 和 InScope 的原因，两者都在向会计专业人士销售由 AI 驱动的工具。虽然它们并不承担责任（责任仍由服务公司承担），但在有强制性推动因素的情况下，客户允许它们深度嵌入工作流程，使得切换变得在操作上很痛苦，从而通过对工作流程的控制而非对责任的拥有来建立防御力。
从零开始打造以 AI 为核心的服务型公司面临着不同的挑战。你要客户信任一家初创公司来处理他们历来交给拥有数十年品牌权益、监管关系和专业资格认证的公司的工作。在那种“以防万一”（CYA）驱动强烈的服务领域，这尤其困难。这就是为什么在可以通过完全拥有业务而非以未经验证的品牌出售服务来规避信任问题的行业，AI 本地路径往往更可行。保险经纪就是一个合适的例子。正如我们在 BTV 的投资组合公司 DocShield 的 Elliot 所说，保险经纪显然是高质量的业务，拥有回头客且客户流失率很低，因此即便规模不大也很值钱。一个 200 万美元 EBITDA 的经纪公司也能以 10 倍以上的估值交易，这使得通过收并购拼规模的策略在资本上效率低下。向他们销售软件同样艰难，因为一家中等规模的经纪公司平均只有约 0.5 名 IT 员工，并且运行在封闭的代理管理系统中。 对 DocShield 来说，拥有经纪业务并端到端构建 AI 系统是唯一合理的路径。
并购整合并非糟糕的策略——它们只是更适合私募股权（PE），因为基金结构、持有期和运营手册正是为了这种资产转型而设计的。风投的时间表和资本结构使得执行难度大得多。当然，也有一些情况下并购整合是正确的做法。Meroka，另一家 BTV 的投资组合公司，经营独立的内科医生诊所。市场环境十分严峻。私人执业正处于结构性危机——他们无法与规模化玩家竞争，缺乏谈判杠杆，且随着老一代医生退休没有接班计划。Meroka 提供了一条替代路径：通过所有权信托将诊所转为员工所有，确保永久独立于私募股权，同时以管理服务组织的形式引入现代技术和人工智能。单靠软件无法解决这一问题。事实上，如果不加以干预，人工智能只会加速整合并使私募股权的问题更严重。要实现转型，就必须拥有诊所。
Meroka 模式之所以有效，是因为它一次性解决了完整的评估框架。所有权信托创造了责任关系和可防御性，防止诊所被频繁转手给私募股权买家。管理服务层产生随每家新诊所扩展的经常性收入。私营诊所面临的结构性危机——医生老龄化、缺乏继任管道以及来自私募股权的多方压力——是推动采取这一模式成为必须而非可选的强制性因素。
模式是由市场决定的，而不是相反。
我的结论
我相信作为风险投资者，投资以技术驱动的服务型企业可以赚很多钱。我也不抱有幻想，认为这些企业会像软件那样拥有相同的利润率，或认为随着人工智能改变公司购买专业服务的方式和原因，服务的总体可寻址市场（TAM）会保持不变。它们本质上会有天花板。
错误在于因为它们“不是软件”就否定这些企业，或在投资时假装它们最终会变成软件。正确的做法是根据它们的本来面目来承保：面向大市场、利润率在改善、越来越具经常性、并借助人工智能的服务型企业。
如果你是早期投资者，在某些方面，什么都没有变。在天使轮和种子轮阶段，你一直是在评估毛利率的轨迹，而不是当前的毛利率。你一直在押注今天支持的这些企业在五年后会有根本性的不同。现在的不同之处在于，AI 为这些创始人提供了传统服务型企业所没有的、对毛利率扩张的结构性顺风。模型变得更好，执行层变得更自动化，经济效益几乎自然而然地改善。这是一个真正的优势，尽管它有上限。
吸引投资者投向软件的框架很简单：大市场、高利润率、经常性收入、低扩展成本。由人工智能驱动的服务型企业并不会在每一项上都达到要求。它们可能永远不会有80%的毛利率，或在不增加人员的情况下扩张。但在那些规模比相应软件市场大20到70倍、利润率趋于50%以上、拥有经常性客户关系且防御力来源于掌控责任和客户关系的市场里，它们并不需要做到所有这些。
服务不会变成软件。但它们会变得更像软件。在如此巨大的市场中，这一点应该绰绰有余。
