如何构建一家 AI 原生服务公司

机会不在 copilot，而在最终结果

下一个十年，很多大公司未必是传统意义上的软件公司。它们可能是服务公司：保险公司、律所、税务和审计事务所，只是从第一天起就按 AI 的能力重新搭建，大部分工作由 AI 完成。

你可以把它们叫作 AI 原生服务公司。它们瞄准的市场通常巨大，而且“无聊”得很有价值：税务、审计、保险、按揭、法律、部分医疗和物流，很多都是万亿级市场。

这类机会在几年前还很难成立。真正变化的是模型能力：公司终于可以直接卖一个结果，而不是卖一个需要客户自己操作的 copilot。交付结果，而不是交付工具，这个差别会把公司形态、产品形态、销售方式和运营方式全部改掉。

下面这套打法，更适合正在考虑从零开始创业的人。先把一句提醒放在前面：这件事还很早，市场和模型都在快速变化。现在看到的早期成功，足够让人认真下注，但还远没有到“稳赢”的阶段。

先选对市场

一般的创业建议仍然成立：选一个你愿意投入十年以上的市场。AI 原生服务公司不会比别的公司更快走完长周期。如果你不喜欢这些客户、不喜欢这个市场，也不喜欢这里面的技术问题，最后大概率撑不住。

但适合 AI 服务公司的市场，还多了四个很具体的特征。

第一，信任门槛相对低。这里的意思不是客户不在乎质量，而是这类工作本来就经常外包，客户主要关心最后交付物，而不是每一步是谁做、怎么做。你替换的是一个供应商，不是在要求客户改变习惯。预算已经在那里，你要做的是把活接过来，并且做得更好。

第二，任务层面的判断要少。如果把一件工作拆成很多步骤，而每一步都需要人做真正的判断，这家公司就很难规模化。你想要的是大多数步骤可以自动化，只有少数关键节点需要人留在 loop 里把关。

第三，整体智能门槛要高。这听起来和上一条矛盾，其实不矛盾。单个步骤最好能自动化，但整件事本身必须足够难，难到需要模型加人一起完成，客户才会接受结果。太容易的活，很快会被工具化，也很难形成护城河。

第四，监管反而可能是优势。受监管行业通常有更高的交付标准和法律责任，这会把所有人的门槛都抬高。对跨不过去的人，这是阻碍；对跨得过去的人，它就是护城河。比如 Panacea 给生物科技和医疗器械公司提供 FDA 监管服务，把有经验的 FDA 顾问和 AI 平台结合起来，交付更快、更高质量的审批支持。

YC 观察到的一些已知好市场包括税务、审计、保险、按揭、部分医疗和部分物流。但不要只盯着这些，也不要只追 X 上大家正在讨论的方向。还有很多没人碰过的大市场。

真正决定你能不能做的，还有两个检查。

第一个是 Sam Altman test：随着模型越来越强，你的服务会跟着变强，还是会被模型本身商品化？你要做的是前一种。第二个是诚实地问自己：你让人参与，是因为这件事真的需要判断，还是因为产品还不够好，所以用人补洞？

另外，最好避开大量设备和现场劳务。只要你需要拥有并运营实体资产，软件那套毛利逻辑就不再适用。那当然也可能是好生意，但很难做出真正的软件杠杆，更多适合 robotics 创始人。

团队要同时懂行业、模型和运营

找你认识、信任、一起共事过的人创业，这条建议依然成立。如果你是 solo founder，可以回想一下过去合作过的最强的人，直接去邀请他们。你会惊讶于有多少人愿意认真考虑。

但 AI 原生服务公司的创始团队，还需要三种能力。

第一是行业熟悉度。你卖给的往往是谨慎、专业、甚至身处监管行业的买家。最好有直接经验；没有也可以学，但你必须让客户相信你真的懂这个行业。一开口就外行，这单基本不用谈。

第二是模型熟悉度。你要知道 frontier models 今天能做什么，也要把产品设计成能跟着模型进步一起变强。这里没有“差不多也行”的技术替代品，很多人会低估这一点。

第三是运营严谨度。交付波动、吞吐量、周期时间、SOP，这些词听起来都不性感，但这类公司本质上是一套运营系统。你必须学会这套能力，最好能享受它；至少，也要真正尊重它。

General Legal Team 是一个很好的例子。这是一家 AI 原生律所，创始人既有 Cooley 和 Fenwick 的律所经验，也有在 CaseText 做技术领导的经历。但更关键的是，他们非常认真地思考吞吐量和人员配置。他们把轮班制纳入服务客户的方式里，一边缩短交付周期，一边吸引更强的律师加入。这对规模化是双赢。

客户看到的是人，真正的产品是运营系统

AI 服务公司和传统软件公司的一个根本差别是：人不是产品，人是客户接触到的界面。真正的产品，是让这些人能非线性放大产出的系统。

这会带来三个直接后果。

第一，用运营的方式建产品。找到瓶颈，然后围绕瓶颈建设系统。吞吐量和周期时间不只是运营指标，也应该是产品指标。你要像 SaaS 公司看日活一样看它们。

第二，把交付波动当成生死问题。这里的波动，指的是同一项服务每次交付出来的质量、格式、判断和体验不稳定。客户可能会容忍你比老牌供应商慢一点、贵一点，但很难容忍不一致，因为不一致会直接摧毁信任，信任一没，客户就会流失。

第三，human-in-the-loop 也必须被放大。如果营收只能随着人数等比例增长，那你做的是人力服务，不是技术公司。更重要的是，这些参与交付的人也是你的用户，他们必须真的喜欢你的软件。创业早期做一些不能规模化的事没问题，但最终，能把流程自动化的那套系统，才是产品本身。

卖结果，同时避开早期需求陷阱

这类公司早期最容易掉进一个坑：需求陷阱。

刚开始什么都没有时，签很多 pilot customer 反而很容易。问题是，一旦试点太多，你会被交付压垮，只能不断加人救火。然后你就没有时间建设真正能规模化的产品，最后永远停留在“靠人交付”的状态。

所以，第一批 pilot 要刻意控制在少数几个。不要因为有人愿意试，就全部接下来。

这里的售前和售后也和传统软件不同。你卖的是 outcome，不是 seat，也不是 token。pilot 本身就是产品。前几个客户不要过早标准化，而是用他们来学习：AI 到底在哪些地方给了你独特杠杆？哪些地方你只是把显而易见的步骤自动化了？学清楚之后，快速把产品建出来。

定价也比传统软件更难。你竞争的不是另一套软件，而是客户内部或外包的人力成本。

按单元定价最容易解释，比如按一份报税、一笔理赔、一笔贷款收费。Outcome-based pricing 的激励更一致，但对你自己来说更难预测收入。Panacea 就不是按行业常见的小时计费，而是按完成的顾问研究计费。

有两种定价方式最好别碰。第一是 cost-plus pricing，也就是成本加成，它会把你的上限锁死。第二是简单粗暴地比别人便宜，这会让客户觉得你的服务廉价，甚至怀疑质量。应该按价值定价。

最后决定生死的是 P&L

AI 原生服务公司竞争的是劳动力成本，不是软件 license。所以 P&L 不是财务后台里的表格，它几乎就是商业模式本身。

基本结构很简单：营收减去 COGS，得到毛利；毛利再减去运营费用，得到营业利润。关键不是公式，而是每一行在 AI 服务公司里意味着什么。

营收相对容易。你大概率能签下合同。真正的问题是：你能不能一次又一次稳定交付？这完全取决于产品和流程。

早期营收按月波动很正常。理想状态当然是平滑、可预测的增长，但那是结果，不是起点。一个足够强的产品和运营流程，会慢慢把这种波动磨平。

最需要盯住的是 COGS。每一个你还没有自动化、必须靠人来完成的判断小时，都会进入这项成本。换句话说，你毛利率的变化，其实就是系统接管了多少工作的变化。

所以，改善 P&L 和前面讲的所有事是同一件事：把人的判断收缩到真正需要的少数节点，剩下的尽可能交给平台。

本文整理自 Charlie Warren 在 YC Startup School 关于 AI 原生服务公司的分享。核心打法来自原分享。

相关阅读

• AI 原生公司：从组织图到智能层 —— 这些服务公司内部赖以运行的那套操作模型。
• 如何挑一个创业点子 —— “卖结果、去当那个保险公司”，和把点子垂直化，是同一种本能。