YC最新判断：下一代大公司，可能不是卖软件的
过去几年，AI 创业最常见的方向，是做软件。
比如做一个客服助手、销售助手、律师助手、财务助手，把 AI 接进企业原来的工作流里，让员工效率更高。
但 YC 最近强调的是另一个方向：AI 原生服务公司。
01｜什么是 AI 原生服务公司？
AI 原生服务公司和传统 AI 软件公司，最大的区别在于交付对象不同。
传统软件公司卖的是工具，客户买一个系统，让自己的员工用。
AI 原生服务公司卖的是结果，客户把一件事交给你，你负责完成它。
比如完成一份税表、处理一个保险理赔、推进一个审批、完成一个贷款审核、出具一份法律文件、完成一批审计底稿。
客户不需要知道你背后用了多少模型、多少自动化、多少人工复核。
他只关心三件事：结果准不准、交付快不快、风险能不能控制。
这里的关键不是把 AI 放进服务公司，而是从第一天起，就按 AI 能力重新设计整个服务流程：
先拆解流程，再判断哪些步骤可以自动化，哪些步骤必须人工判断，最后再配置团队。
02｜最适合的市场，有四个特征
AI 原生服务公司能不能做起来，第一步是选市场。YC 对适合 AI 原生服务公司的市场，总结了几个很清楚的标准。
第一个特征，是客户本来就愿意外包。
这点非常重要。
如果一个客户本来就把某项工作交给外部服务商，比如税务申报、审计、保险理赔、法律文件、监管申报，那么你进入这个市场时，不是在改变客户行为，而是在替换原来的服务商。
客户原来就有预算，原来就接受外包，原来就只看最后结果。这比卖一个新工具简单很多。
第二个特征，是任务层面的判断不能太重。
这并不是说这个行业不需要专业能力。恰恰相反，整体工作应该足够复杂，才值得做成服务。
但把工作拆开之后，大部分步骤不能都依赖人的主观判断。
如果每一步都需要一个资深专家看半天，AI 就很难放大效率。最后公司还是靠人堆，规模一大，质量就散，毛利也上不去。
理想情况是：大部分步骤可以标准化、流程化、自动化；少数关键节点由人判断和复核。
第三个特征，是整体工作门槛要足够高。
这听起来和第二点有点矛盾，但其实不是。
任务层面要尽量低判断，整体服务却要有高门槛。
如果一件事太简单，模型自己就能完成，客户迟早不会为服务付高价。真正好的市场，是客户需要一个可信赖的交付方，而不是一个简单工具。
比如监管申报、审计、理赔、法律服务、复杂税务，这些事情不是随便生成一份文件就结束。它们涉及规则、责任、流程、风险和行业经验。
这类工作需要 AI，也需要人，还需要一套可持续交付的运营体系。
第四个特征，是监管不一定是坏事。
很多创业者怕监管，因为监管意味着门槛、责任和流程。但在 AI 原生服务公司里，监管反而可能是优势。
监管行业的客户通常更谨慎，对服务质量要求更高，对合规和责任更敏感。
也正因为如此，普通工具很难直接替代服务商。
如果一家创业公司既理解监管要求，又能用 AI 提高交付效率，它建立的不是一个简单功能，而是一套合规能力。
这类市场的难点，也可能成为护城河。
03｜判断一个方向，要做一次“模型变强测试”
AI 创业还有一个很现实的问题：模型会持续变强。
所以做 AI 原生服务公司时，必须问一个问题：模型越强，你的公司会越强，还是会被模型本身替代？
这个问题可以理解为一次“模型变强测试”。
如果模型能力提升之后，你的服务交付更快、成本更低、质量更稳定，那就是好方向。
因为你把模型变强转化成了公司的经营杠杆。
但如果模型一变强，客户就可以直接用通用模型完成你的服务，那你的公司就会被商品化。
这类方向要谨慎。
比如某些简单文案生成、基础资料整理、低门槛表格处理，如果没有数据、流程、责任、交付体系和客户关系，模型变强之后，客户没有理由继续通过你购买服务。
还有一种方向也要小心：涉及大量线下设备和现场人力的业务。
这类公司当然也可能是好生意，但它不太适合套用软件公司的杠杆逻辑。
只要你要拥有设备、调度人员、现场施工、承担物流和物理世界里的复杂变量，毛利结构就会完全不同。
对 AI 原生服务公司来说，最理想的市场，是流程复杂、结果重要、客户愿意付费，但大部分交付发生在信息层面。
也就是：高价值、重流程、少现场、可标准化。
04｜团队必须同时懂行业、懂模型、懂运营
AI 服务公司的团队至少要有三种能力：
第一，行业理解。
你要卖给的是专业客户，而且很多时候是在监管行业里卖给谨慎买家。
客户不会因为你用了 AI 就信任你。他们更关心你是否理解行业规则、交付标准、责任边界和真实流程。
直接行业经验最好，但不是唯一方式。
如果没有做过这个行业，也要通过大量客户访谈、专家合作、流程拆解和早期项目，把行业理解补起来。
关键是你要能让客户相信：你不是拿 AI 来试错，而是真的知道这件事该怎么交付。
第二，模型理解。
AI 原生服务公司不是传统服务公司包一层 AI 概念。
创始团队必须知道模型今天能做什么，不能做什么；哪些能力会很快变强，哪些地方仍然需要人工；哪些步骤适合自动化，哪些步骤必须保留复核。
这决定了产品怎么设计，也决定了公司能不能随着模型进步持续提高毛利。
如果团队不懂模型，很容易把 AI 变成一个辅助工具，而不是生产系统。
第三，运营能力。
这点经常被低估，AI 原生服务公司最核心的产品，不只是界面，而是流程。
你要关心吞吐量、交付周期、标准作业流程、异常处理、质量控制、人员排班、客户反馈和成本结构。
这些词听起来没有“模型”、“智能体”、“新平台”性感，但它们决定公司能不能规模化。
05｜产品不是给客户用的，而是给内部人员放大能力的
做 AI 原生服务公司，产品视角也要变化。
传统软件的用户通常是客户，但 AI 原生服务公司的很多核心产品，首先是给内部团队用的。
客户看到的是服务结果，真正每天使用系统的，是公司内部的顾问、律师、审核员、运营人员、客户经理。
所以这里的产品，不一定是一套漂亮的客户界面，而是一套能让内部人员非线性提高效率的工作系统。
比如，一个人原来一天只能处理 5 个案件，现在借助系统可以处理 20 个，而且质量更稳定、错误更少、交付更快。这才是真正的产品价值。
这也意味着，公司的产品指标不能只看常见的软件指标。
除了用户数、留存、使用频率，还要看吞吐量、交付周期、单位成本、返工率、错误率、人工介入比例。
其中最重要的一个词，是稳定性。
YC 把“不稳定输出”看成这类公司的生死问题。
客户会因为服务慢一点、贵一点而犹豫，但更容易因为输出不稳定而离开。
今天交付质量很好，明天换一个人就变差；这个客户处理得准确，另一个客户出现明显错误；同样的问题，每次结果不一样。这些都会快速摧毁信任。
所以，自动化不是为了炫技，而是为了稳定交付。
06｜早期不要接太多客户
这类公司早期很容易掉进一个陷阱：需求来得太快。
因为很多客户确实愿意试。
如果你说可以用 AI 更快完成税务、审计、理赔、贷款审核、法律文件、监管申报，客户很可能愿意给你一个试点项目。
问题是，试点客户太多，会很快压垮团队。
你还没有把流程跑顺，还没有把产品做出来，还没有明确哪些环节该自动化，哪些环节要人工复核，就被大量项目推着走。
最后公司会变成一家人工服务外包公司。
每个客户都很重要，每个项目都要救火，每个交付都靠人补。团队看起来很忙，收入也可能增长，但底层系统没有变强。
这就是早期需求陷阱。
正确做法是，第一批试点客户要控制数量。
先服务少数客户，把他们当成产品打磨对象，而不是单纯当成收入来源。
早期项目的目的，是找出真正有 AI 杠杆的环节。
哪些步骤重复度高？哪些步骤人工成本最高？哪些错误最常见？哪些交付会影响客户信任？哪些节点可以用模型先做，人工再复核？哪些地方看似能自动化，其实仍然需要专家判断？
这些问题没有办法在会议室里想清楚，只能在真实项目里跑出来。
但前提是客户数量不能失控，否则你没有时间做产品，只能不断交付。
07｜定价不能按成本加成，也不能简单低价竞争
AI 原生服务公司的定价，比传统软件更难。
软件公司通常按账号、席位、用量或套餐收费。但 AI 原生服务公司不是在和软件公司竞争，而是在和人工成本竞争。
客户会拿你和内部员工、外包服务商、传统顾问公司、律所、会计师事务所比较。
所以定价要围绕结果，而不是围绕模型调用量。
比较清晰的方式，是按单位结果收费。
比如每一份税表、每一个理赔案件、每一笔贷款审核、每一份申报材料、每一个完成的项目收费。
这种方式客户容易理解，你也容易计算毛利。
另一种方式，是按结果收费。
比如完成一个审批节点、拿到某种合规结果、为客户节省某类成本后收费。这种方式和客户利益更一致，但对公司自己的收入预测要求更高。
需要避免的是两种定价方式：
第一种，是成本加成。
也就是你花了多少人工、多少模型成本、多少时间，再加一点利润卖给客户。
这会永久限制上限。
因为你把自己定义成了一个成本中心，而不是一个价值交付方。即使未来 AI 让你的成本大幅下降，客户也会要求你继续降价。
第二种，是简单低价竞争。
如果你只是比传统服务商便宜 30%、50%，客户可能会觉得你质量也更低，尤其在法律、审计、保险、监管这些高风险行业里，低价不一定是优势。
正确的方式，是按价值定价。
你可以更快、更稳定、更可追踪、更可控，也可以降低客户内部管理成本和出错风险。价格应该反映这些价值，而不是只反映你的成本。
08｜这类公司的核心账本，是损益表
很多 AI 创业者喜欢讲模型、产品和市场，但 AI 原生服务公司最终要回到一张账本：损益表。
收入减去直接交付成本，得到毛利润。
毛利润再减去研发、销售、管理等运营费用，得到经营利润。
这类公司的成败，很大程度上就取决于这张表能不能越跑越好。
收入通常不是最难的部分。
如果市场选得对，客户本来就有预算，也愿意尝试更高效的服务。早期签合同不一定难。
真正难的是，你能不能一次又一次稳定交付。
直接交付成本才是重点。
这里面主要包括三类：模型成本、云服务和系统成本、人工复核和交付人员成本。
每一项都要有数字、趋势和负责人，尤其是人工成本。
如果收入增长 2 倍，人工也必须增长 2 倍，说明公司没有真正形成 AI 杠杆。你只是把传统服务公司换了一个包装。
好的方向应该是：随着产品变强，单位交付成本下降，毛利率提高。
YC 把这种变化称为 AI 运营杠杆。
它不是一开始就出现的。早期为了学习流程、服务客户、建立信任，公司可能会做很多不规模化的事情，甚至有些试点项目毛利很低。
但这不能成为长期状态。
你必须能看到一条清晰路径：更多流程被系统接管，人工介入比例下降，交付周期缩短，单位成本降低，质量更稳定。
传统服务公司的利润率通常有天花板，因为增长依赖人员扩张。
纯软件公司毛利更高，但可服务市场有时没那么大。
AI 原生服务公司的赌注就在于：
它面对的是巨大服务市场，同时又有机会通过 AI 把利润率推向更接近软件公司的水平。
09｜不要轻易收购一家传统服务公司再加 AI
有些创业者会想走捷径：直接买一家传统服务公司，然后在上面加 AI。
这个想法看起来很合理。
买一家有客户、有收入、有牌照、有团队的公司，再用 AI 提效，好像可以跳过冷启动。
但这通常是陷阱。
原因很简单：你买不到产品市场匹配，PMF。
传统服务公司有自己的组织惯性。
它的员工习惯、客户预期、交付方式、考核指标、管理节奏，都是按传统服务逻辑长出来的。你把 AI 放进去，不会自动改变这些东西。
更现实的问题是，传统服务公司的团队不一定愿意按 AI 原生方式重构流程。
他们可能把 AI 当成辅助工具，而不是重新设计生产系统。这样一来，公司看起来有收入，但底层效率没有根本改变。
当然也有少数例外。
如果某个行业的牌照非常关键，比如保险牌照、特定监管资质，收购可能有意义。
但除非是为了快速获得监管门槛，否则从零开始搭建 AI 原生流程，往往比改造一家老公司更合理。
因为这类公司的核心，不是旧业务加 AI，而是从第一天起，就按 AI 可以参与生产的方式设计公司。
10｜最后拼的不是模型，而是交付系统
AI 原生服务公司表面上看，是 AI 创业。
但真正做下去，会发现它拼的不是单一模型能力，而是整个交付系统。
你要选对市场，找到客户本来就愿意外包、结果又足够重要的服务场景。
你要拆解流程，把能自动化的步骤自动化，把必须人工判断的节点保留下来。
你要控制早期客户数量，避免被项目拖着走。
你要把产品做给内部团队用，让一个人可以稳定处理过去几个人的工作量。
你要盯住损益表，让单位成本随着产品能力提升而下降。
你还要持续解决稳定性问题，因为服务行业的信任，建立很慢，失去很快。
这也是为什么 AI 原生服务公司更重，更慢，也更考验细节。
但它的机会也更大。
因为它不是在抢一个软件预算，而是在重做一个原本就巨大的服务市场。
以上，祝你今天开心。
