在位者来了

对在位记录系统（systems of record）的看多理由是：AI 让记录系统变得更重要，而不是更不重要。为什么？因为理论上，客户现在可以把系统的数据接入 Claude 或 Codex，从而跳过 AI-native 应用。

当 agent（智能体）通过这些系统做更多工作时，它们所控制的数据与动作变得更有价值。因此，「在位记录系统 + 通用 agent（或由在位者自建的 agent）」或许就足以把活干完。这正是 Salesforce 刚与 Anthropic 合作宣布的：Claudeforce 让你在 Claude 内部操作 Salesforce CRM，而无需打开 Salesforce（至少他们是这么宣称的！）。

这一论点部分正确。在位者并没有坐以待毙。

在位者有动机去控制并对数据访问收费，现在也有动机推动自己的 agent。我们已经看到在位者营销的产品，从单纯存储信息，走向更多地亲自完成工作本身。Docusign 的 Iris 审阅合同，Atlassian 的 Rovo 旨在解决并路由请求，Klaviyo 的 Composer 构建活动并评估营销表现。这些产品让在位者越过「贴个聊天机器人」策略，进入真正采取行动。

与此同时，Claude 开始跨应用协调工作，使通用 agent 有可能成为坐在在位者之上的一层。Claudeforce 展示了那会是什么样子：Claude 可以成为工作的前门，而 Salesforce 仍控制底层 CRM 数据与动作。界面与记录系统看起来正在解绑，这为 AI-native 创业公司围绕「工作本身」重新捆绑创造了开口。

那么创业公司还能在哪里竞争？

纵向 AI-native 公司必须靠专注取胜。它必须把一项跨系统的特定工作做得比在位者的专用 agent、或像 Claude 这样能从底层工具重构该工作的通用 agent 更好。专注可以为纵向创业公司赢得更深的访问、刻意积累的数据资产、更具体的上下文，以及一个学习闭环——随时间建立对「某项工作怎样才算做好」的更好理解。

Agent 层级

要看清在位者最强的地方、以及纵向 AI 公司可能有优势的地方，有帮助的做法是思考四类应用层 agent，按各自所需的自主性与判断力区分。

• Retrieval assistants（检索助手） 查找信息、摘要文档、回答问题、起草回复
• Process agents（流程 agent） 执行基于规则的工作，如更新记录或路由审批，用有限判断解释任务并行动
• Policy agents（策略 agent） 把组织 playbook、先例与阈值中的规则，应用到模糊案件
• Principal agents（主体/决策 agent） 对组织「该做什么」做出判断，往往涉及围绕战略、风险与资源的开放式权衡

一年前，多数在位者的 AI 产品仍停在检索阶段——如果有的话。它们多半是聊天机器人与分析工具，从既有记录中拉取信息。现在，更多产品能基于已嵌入产品中的工作流、权限与规则采取行动。少数开始应用狭窄的、由人定义的策略。当决策依赖在位者所管理记录之外的信息时，判断就更难。

我们看到的广泛转向是：在位者沿层级上行，从检索与流程走向更多通过策略体现的判断——例如 Docusign 的 Iris 应用法务团队的 playbook。但那种判断在很大程度上仍被在位者所拥有的记录所界定。

工作本身，比记录更大

在位者可以自动化更多围绕其核心记录的工作，但客户的 job to be done（待完成工作）比记录更大。这不是硬技术边界——因为在位者可以拉入外部数据并增加工作流——但他们的工作仍从已拥有的记录向外扩展。

客户的工作，是通过人员、流程与软件的组合完成的。合同不等于法律事项，工单不等于客户问题的解决，商机不等于成交。完整工作跨越应用、团队、甚至公司。不同各方可能持有不同信息，并想要不同结果。在位者限于构建「本地工作系统」，而更大的机会是跨边界管理整项工作——包括所有各方、人员、文档、决策、修订，以及最终结果。

像 Claude 或 Codex 这样的通用 agent 或许能触及所有这些系统，但「能访问」并不等于「能把工作做好」。即便使用 MCP，跨应用拉信息也有延迟，且每个应用可能以不同方式描述同一客户、合同或交易。即便通用 agent 能访问一家公司内的每个应用，它也不会自动拥有外部各方所持有的信息（例如买卖双方之间）。

即便有这些限制，Claude 仍可坐在记录系统之上。Claudeforce 让 Claude 成为工作的前门，而 Salesforce 仍拥有 CRM 数据与动作。并且 Claude 可以通过在位者认可的更深集成，持续获得上下文。

纵向 AI 如何学习

拥有更多工作之所以重要，是因为它让创业公司看到产生最终结果的决策与纠正。模型通过带有正确上下文、工具、工作流与 evals（评测）的纵向 harness（驾驭层），在特定工作上表现更好。学习闭环才是提升系统——模型 + harness——的关键：在每次工作之后，用 agent 的工作、专家反馈，以及结果本身，改进下一次尝试。

仅有已完成的记录，并不会自动构成工作的训练课程。一份已签署合同显示各方同意了什么，但不显示考虑过的每一个替代方案，或每一个例外的理由。一张已关闭工单显示解决方案，但不显示支持团队测试过的每一个假说。

记忆 vs. 学习

实验室们也在构建通用记忆，因此「仅保留上下文」并不是持久优势。记忆与学习不同。记忆可以帮助通用 agent 回忆客户偏好或上周做过的决定。但它不会告诉 agent：工作是否出色、专家为何改动、下次该改什么。专注让公司看到同一工作的更多例子，学得更快，并更善于衡量改进。

职业与机构

学习有两种。

1. 学习一位优秀专业人士如何做这项工作。公司可以用专家创建的作业、逼真例子，以及对「好结果」的标准开始教学
2. 学习某一特定律所或客户如何做这项工作，包括其模板与先例、风险阈值与升级规则。这可以从客户既有材料开始，并通过训练过程中的纠正与例外改进

关于职业的一些教训可以改善对每位客户的产品；关于某一机构的教训，可能只改善对该机构的产品。

要同时学习职业与机构，创业公司不必从最大的历史数据存量起步。它可以先为职业制造一份课程，再在生产中学习机构。随着 open-weight（开放权重）模型与 post-training（后训练）增加，组装正确的数据与 evals 变得更加重要。

长时程 agent 尤其受益于学习闭环。当 agent 在数小时或数天内、通过复杂逻辑链、大量中间决策与交接来完成工作时，学习闭环的质量更加关键。更长视界的任务可以被拆解，并通过一组检查点来评测。

需要说清楚：在位者也将从在其产品内完成的工作中学习。但那种学习只会覆盖他们那一部分工作：Docusign 内的合同审阅、Jira 内的工单解决，或 Salesforce 内的管道更新。

Harvey 如何制造课程

Harvey 在 Tenet 上的工作，展示了纵向 AI 的路径可以是什么样。Harvey 用合成数据、公开法律数据，以及人类专家创建的数据，对 open-weight 模型做后训练，起步时不使用客户数据。它创建了大约 1,750 个法律任务环境，每一个都模拟合伙人指派的事项，配齐文档与工具，以及高质量结果的专家评分标准。平均每个作业约有 50 条具体标准。Harvey 没有等上数年去积累足够客户历史，而是制造了一份可用于训练与评测模型的课程。

Harvey 更广泛的工作也表明，纵向公司可以为工作的不同部分训练模型，包括行业特定能力，如并购尽调，以及对律所整体知识的理解。

创业公司的机会是把这一切拼在一起。纵向专精度帮助创业公司把工作拆成具体能力，处理数据权利、系统与权限等实际摩擦，并把产品嵌入客户的日常工作。最终，它能自在地为结果承担责任。部署与责任，在这里是关键！

什么构成好的纵向 AI 市场？

以 Harvey 为一例，这里有几条评估潜在纵向 AI 市场的轴线。

• 专家能否迅速判断 AI 哪里对、哪里错，并解释如何改进？
• 工作是否足够难，以至于判断很重要（相对简单规则）？
• 工作是否足够频繁发生，让产品能够学习？
• 创业公司能否从一项作业起步，成长为完成整项工作？

最好的纵向 AI 市场往往四条都满足，从而拥有强学习闭环。

法律、税务与会计中的许多工作流符合这一检验，因为工作会重复、需要判断，且专家本就会审阅结果。这一模式也出现在不那么显眼的市场，如工业工作。

当制造缺陷出现时，质量工程师必须收集测试结果、供应商文档、设备日志与工厂规则，然后决定什么可接受、什么需要改变。这些信息可能散落在多个系统中。某一在位者可能存储缺陷报告，但没有单一产品拥有完整调查。创业公司可以从这项工作的一块起步（例如起草调查报告），并随时间拥有端到端解决。为此，它需要既学习优秀质量工程师如何调查问题，也学习某一工厂、客户或审计方如何把这事做好。

工作本身，仍有待争夺

有些工作，「记录系统 + 通用 agent」就够了；但仍有有意义的机会留给纵向 AI-native 创业公司！最强的纵向机会存在于：工作频繁发生、专家判断重要、且学习闭环强的地方。在位者可能拥有记录，实验室可能控制前门，但纵向 AI 公司仍可通过成为「把工作本身做得最好」的那一方而获胜。