从演示到交易：企业级 AI 构建的洞见

本文信息来源：a16z

人工智能已成为几乎所有企业的战略重点：OpenAI 宣称全球 10%的系统正在使用其产品，许多《财富》500 强公司已通过 CEO 主导的强制指令来整合人工智能技术。

创业者们正抓住这一巨大需求，但 AI 企业的运营模式与传统 SaaS 业务截然不同，许多在 SaaS 领域行之有效的经验法则对 AI 似乎并不适用。当我们与创始人交流时，他们总会提出关于优秀 AI 企业的标准、产品同质化的预期领域，以及如何构建具有持久价值公司的问题。基于这些对话，我们总结出企业级 AI 初创公司在适应、发展和突破过程中的几个关键要点。

1. 炫酷的演示易做，实质性的产品难成。

2022 年 ChatGPT 问世后，一个普遍论调是：所有 AI 软件都将被商品化，因为它们不过是”GPT 套壳产品 “——暗示这些产品构建门槛极低，很快会被快速迭代的模型能力所吞没。

近三年过去，事实显然并非如此 。借助现代工具打造炫酷的 AI 演示相对简单，但产品落地的最后一公里却异常艰难。现实世界中用户行为难以预测，客户数据杂乱无章，成功往往取决于能否处理好用户可能采取的各种边缘路径。

演示版向来是最终产品的简化版本，但对于 AI 产品而言，演示版与成品间的差距更为显著，这源于持续迭代的模型及其非确定性输出。加拿大航空客服机器人幻觉事件等案例，揭示了在企业真实生产环境中部署 AI 的挑战，以及出错时面临的财务与声誉风险。在会计和法律等以准确性与可信度为最高优先级的领域，这种风险尤为突出。你不可能用氛围代码来编写财务报表或法律文件。 

因此，AI 公司已精于两件事：既最大化尖端模型的能力，又对其加以约束以确保企业级可靠性。他们严格评估最新模型，协调不同模型间的操作序列，在基础模型之上构建大量辅助架构，并制定产品路线图，精准把握当下可行与未来可能之间的平衡。团队常根据模型在特定任务中的表现进行切换，并需在模型质量、成本、速度和可扩展性之间做出权衡。许多情况下，他们还会微调自有的小型模型，与生产环境中的大型模型协同工作。最终形成的产品体验之稳健，远非单一 API 调用所能企及。  

此外，任何有价值的人工智能产品都需要理解其所服务业务的背景和逻辑。模型本身并不具备这种开箱即用的能力。因此，AI 公司正在投入大量工程与实施资源，以确保其产品能在每个客户独特的政策、文化和系统中运行。这是项需要深耕客户场景的艰苦工作，而通用模型公司既不会也不愿亲自完成这类任务。 

考虑到需要协调不断轮换的模型阵容、理解如何构建即将实现的功能，以及解决 AI 在实际生产环境中运行所需的长尾挑战，构建可持续的应用型 AI 业务存在广阔空间——这种业务不易被通用模型供应商商品化。

2. 突围门槛前所未有：10 倍增速已成新常态

过去，企业级初创公司在商业化首年达成 100 万美元年度经常性收入（ARR）曾是成功获得 A 轮融资的经典基准 。但根据我们过去 18 个月观察的 A 轮 AI 企业样本，这个数字如今已低于中位数水平 。同样地，Stripe 基于底层支付数据指出，AI 客户达成 500 万美元 ARR 的速度远超传统 SaaS 企业。AI 公司的增长速度就是更快。

当前增长最快的 AI 软件公司年增速超过 10 倍，甚至存在更极端的案例——例如 Cursor 通过产品驱动的市场策略，成为有史以来增长最快的软件公司之一。

为何会出现这种现象？首先，我们观察到企业采购行为发生了显著转变 。AI 的价值主张对企业而言显而易见，催生了一大批拥有专项 AI 预算和采购授权的热情买家。这使得销售周期大幅提前，进而加速了这些 AI 原生企业的收入增长。换句话说，与以往需要推销的传统软件不同，如今采购方正主动寻求并将 AI 软件引入其组织架构。

其次，当企业真正采购时，其投入金额远超传统软件支出。这是因为 AI 软件通常直接出售工作成果 ，而非出售辅助人工的软件工具。这意味着 AI 企业正在替代规模远超传统软件预算的人力成本预算，使得 AI 企业的合同金额比历史同期软件企业实现实质性增长。

3. 准入门槛已降低：预计将出现应用泛滥

创作成本正在暴跌——不到两年时间，每百万 token 成本从 30 美元骤降至 5 美元以下。就在本月，OpenAI 将其 o3 模型价格下调了 80%。这种” 大模型通胀 “甚至超越了个人电脑革命时期计算成本与互联网泡沫时期带宽费用的历史性降幅。

与此同时，诸如 Cursor 这类智能 IDE（能显著提升开发者效率）以及 Lovable、Replit 等文本转应用平台（让非技术人员也能通过自然语言构建应用），共同催生了产品类别 ，这些创新正以前所未有的速度推动着新应用开发的进程。

这两个因素已经开始降低软件开发的成本和复杂性，使得开发那些以往因成本过高而不具经济性的长尾工具成为可能，同时也让越来越多技术背景较弱的用户能够参与其中。

这类软件中，部分将是为单人市场定制的个人软件，比如个性化假期规划器或个人健康仪表盘。另一些则会为企业创造切实价值。企业终于能够产品化那些现成软件无法满足的长尾工作流和边缘案例——这些过去只能依靠人工或脆弱的 RPA 解决方案勉强应付。借助 AI，我们有机会将这种拼凑式系统转化为专用工具 。AI 正在开启大量新机遇——创造新市场，解放曾由人力主导的领域，并拓展历史上规模过小的市场。 

4. 速度比以往任何时候都更重要。

数十家企业正试图向同一企业客户兜售听起来雷同的解决方案，这些买家已不堪其扰。他们希望从可信赖的厂商处采购 AI 技术，而率先确立自身作为首选供应商的地位将带来难以估量的价值。

为此， 速度与势头至关重要。我们见证过早期势头如何以前所未有的速度助推企业成为行业领导者。先行者往往能在快速追随者还来不及充分应对时，就迅速扩展产品覆盖面、引发口碑效应、赢得大客户、实现收入激增并建立品牌主导地位。 

在编程领域，Cursor 凭借迅猛的产品迭代速度，已将其品牌影响力提升至能作为独立名词使用的程度——像 Canva 这样的大型企业甚至将掌握该工具列为技术岗位的任职要求。类似地，Decagon、ElevenLabs、Hebbia 和 Harvey 等公司也通过早期发展势能，成功打造了顶级企业品牌，并在各自市场形成了客户增长的良性循环。

这种速度优势也使得这些公司能够持续领先于传统行业巨头和模型供应商。在当今许多企业软件领域，传统软件厂商和模型供应商实际上已经推出了与领先初创企业相似的产品。以编程领域为例，微软推出了 GitHub Copilot，OpenAI 也发布了 Codex，但这并未阻碍 Cursor 的发展势头。传统企业往往分散精力于核心传统业务或众多竞争性的研发项目，而始终专注于打造最佳产品的 AI 原生初创公司反而能获得广泛采用。

5. 要保持早期优势，护城河依然至关重要。

纯粹的快速执行和交付速度是一种突围方式，但企业需要保持这种优势才能阻挡快速追随者和传统巨头的竞争。AI 本身并非护城河：它是为客户创造价值的一种途径。

在竞争激烈的 AI 市场中，企业仍需打造持久产品 。护城河依然重要。他们可以通过几种方式实现这一点。

成为核心记录系统： 企业软件最经典的护城河就是成为组织的核心记录系统，即关键数据的唯一真实来源。人工智能为不同市场（尤其是垂直领域市场）开辟了令人兴奋的新机遇，因为这是快速获取客户并在短期内展现明确价值的绝佳方式。但归根结底，核心记录系统仍是确保持久价值的主导商业模式。

这并不意味着 AI 楔入策略不值得尝试。多家 AI 公司如 Eve、Salient 和 Toma 正在运用 AI 楔入技术 ，通过传统软件无法实现的方式（如语音通话或非结构化数据摄取）在数据生成源头进行捕获。随后它们从数据源头构建下游工作流，最终目标是在各自行业成长为核心记录系统。

构建工作流锁定效应： 当企业成功让用户将产品融入日常工作时，就会形成操作习惯和行为记忆，这种心理和文化层面的依赖使得切换产品变得极具破坏性。虽然人们常说 AI 软件能自主完成任务，因此不需要传统的图形用户界面，但实际上人机交互循环依然密集——当前 AI 执行的工作仍常需要人类监督和审核。Decagon 开发的 AI 代理虽能自动处理客服工单，但仍设计了完善的产品工作流供人类监控、调整或分析 AI 工作成果，并设有智能机制在必要时转接人工客服。让用户熟悉产品界面体验会形成强大的工作流护城河，大幅降低客户转向新工具的可能性。

构建深度垂直集成许多企业客户依赖并置身于复杂的商业软件系统网络中，这些系统大多 API 有限且彼此孤立。因此，希望服务这些企业的 AI 公司通常需要深度对接并集成到这些定制系统中以创造价值。将这类集成作为首要任务进行投入，能通过将产品嵌入客户核心业务流程来增强客户黏性——一旦要替换产品，就会波及其他系统，从而形成护城河。

以医疗行业为例，Tennr 投入大量资源与陈旧的传真及医疗系统长尾集成，以优化跨机构患者转诊流程。在物流领域，HappyRobot 通过对接自研的 TMS（运输管理系统）平台，部署 AI 语音助手处理货运呼叫业务。而 Glean 的核心价值则来自其与企业核心工具的深度集成。这些通常针对客户定制的深度集成，是 AI 解决方案在现实场景中落地的关键，也能构筑强大的竞争壁垒。

巩固客户关系 ： 企业采购者终究是人。在客户眼中，可信赖的关系往往比具体功能或供应商价格更重要，尤其是当 AI 供应商逐渐成为其所服务客户的战略 AI 思想合作伙伴时。如今许多 AI 公司能以传统软件供应商罕有的方式获得买方信任，不仅能影响工具采购决策，更能协助制定客户技术路线图和 AI 战略。