邱懿武
工作台

YC 创业课:AI Native 服务公司赛道的深度解析

不卖工具卖结果——用 AI 运营杠杆把传统服务业 30% 毛利拉到 50%+,而输出方差是头号杀手。

整理日期
讲者
Charlie Warren(YC 入驻合伙人),YC Startup School《How to Build an AI-Native Services Company》

渠道:微信公众号 · 体裁:文章 · 信源层级:二手(原始出处:YC Library《How to Build an AI-Native Services Company》)


一、赛道本质:AI To B 的第二条路(AI Rollup)

AI To B 落地有两条泾渭分明的路径:

  1. FDE 路线:面向甲方提供 AI 工具、私有化部署、现场交付(Palantir/OpenAI 那条);
  2. AI Rollup(AI 整合式服务)路线:直接用 AI 重构服务行业本身,做 AI 原生的服务公司(本次主题)。

两个底层驱动力:

这也是 Thrive 等 PE、OpenAI 与 Anthropic 纷纷和 PE 成立合资公司的逻辑——直接对接基金旗下被投企业资产,比逐个拓客效率高一个量级。

赛道本质:未来十年一批体量最大的公司,不会是软件公司,而是用 AI 从零重建的服务公司(律所、税务、保险、审计等),市场规模达数万亿美元。

核心差异:不卖工具、不卖席位,直接向客户交付最终业务结果;靠 AI 运营杠杆(AI operating leverage) 把传统服务业 30% 左右毛利率提升至接近软件的 50%+。

生死红线:输出方差(variance)是头号杀手——交付结果不稳定,比速度慢、价格高更容易摧毁客户信任。


二、选对赛道(四项独特特征)

通用创业建议仍适用,但优质赛道具备四项特征:

  1. 低信任门槛:相关工作已经是外包状态,客户只关心最终结果、不在意过程。→ 你是替换现有供应商,而不是要求客户改变根本行为。 直接切入已有预算场景。
  2. 任务层面低主观判断依赖:如果每个环节都需要人做大量主观判断,就难规模化。绝大多数步骤必须可自动化,只把少数环节留给人(human-in-the-loop)做判断。
  3. 高智能门槛(听起来矛盾但事实如此):整体业务本身具备足够难度,需要“模型叠加人类能力”才能输出客户可接受的交付结果。
  4. 监管反而是优势:受监管行业有更高标准与法律责任,客观抬高门槛,给创始人构建护城河。

YC 看好的典型赛道:税务、审计、保险、抵押贷款、部分医疗健康、部分物流。

案例:YC 旗下 Panacea——为生物科技/医疗器械企业提供 FDA 合规服务,聘资深 FDA 顾问 + AI 平台,实现更快更高质量的审批申报。

两条判据:


三、创始团队:三项特质

尽量与共事过的熟人合伙。AI 服务业务的优秀创始人普遍具备:

  1. Domain fluency(领域精通):亲身实战经验最优,后天习得也可行。买家普遍怀疑,强监管行业更要可信度。
  2. Model fluency(模型认知能力):清楚 frontier models 当下能力边界,且产品设计要能跟随模型迭代持续进化。(很多创始人低估了这点)
  3. Operational rigor(运营严谨度):variance(输出方差)、throughput(吞吐量)、cycle times(周期耗时)、SOPs(标准流程)——你运营的是一套作业体系。“产品本身就是一套作业流程。”

案例:YC 投资的 AI 原生律所 General Legal Team——创始人兼具 Cooley/Fenwick 真实律所背景 + CaseText 技术管理经验;深度思考业务吞吐量与人员排班,把轮班机制融入客户服务流程,缩短交付周期、吸引顶尖律师,实现规模化双赢。


四、搭建产品:跟软件完全相反的逻辑

人类才是面向客户的交互入口,而不是产品本身;产品用来帮助人类非线性放大工作产出。 这一点几乎重塑全部产品建设思路。

  1. 运营思维优先:找业务 bottlenecks,针对瓶颈做产品。吞吐量、交付周期要像 DAU 一样当核心产品指标持续追踪。
  2. variance(输出方差)是生死问题:
  3. “相比于速度慢一点、价格略高,客户会因为输出不稳定更快终止合作。” 客户需要信任交付物,输出不一致直接摧毁信任、带来流失。

  4. human-in-the-loop 要实现非线性规模化:如果收入增长和人员数量线性同步扩张,业务会出现致命问题。 参与流程的内部人员本身就是你的产品用户,他们要愿意用这套系统。早期可以做不规模化的事,但最终必须规模化。流程自动化本身就是你的产品。

五、销售与客户成功

巨大陷阱:early demand trap(早期需求陷阱)——创业初期你很容易签下大量试点客户,但会迅速压垮交付能力,没有空间迭代可规模化的产品,只能靠人肉硬扛。

→ 建议:早期试点客户控制在很小的数量,抵制快速大批量签约的诱惑。

售前售后逻辑也和普通软件不同:

定价(比传统软件更难):你的对手不是其他软件厂商,而是客户内部人力成本 或 外部外包成本。


六、P&L 拆解(决定生死)

收入 − COGS = 毛利润;毛利润 − OPEX = 营业利润

业务的想象空间:传统服务企业毛利润上限约 30%;纯软件/agent 公司利润率更高但 TAM 往往更小。AI 原生服务公司的核心机会 = 用 AI 运营杠杆,在“规模是软件市场 2-3 倍”的赛道中,逼近软件级利润率(50%+)。不必一步到位,但增长轨迹必须具备可信度。


七、不要靠收购切入赛道


读后判断(范德)

这篇把 FDE 系列补成了“双路径”地图:FDE(Palantir/OpenAI)= 帮甲方建能力、卖工具+驻场;AI Rollup = 自己当业务主体、卖结果。两条路的根本分野,是“数据飞轮归谁”——归甲方(FDE)还是归自己(Rollup)。

三条对造物云最直接的:

  1. “数据飞轮归属权”是这把尺子上最关键的一问。 造物云做 KA 服务——飞轮最终沉淀在客户那里,还是在我们这里? 如果每个项目做完,能力/数据/本体都留在客户侧,我们永远在建别人的壁垒。这条和 Palantir 那篇的“回流机制”是同一个问题的两面。
  1. “输出方差是头号杀手”——比“慢”和“贵”更致命。 这解释了为什么EDD(评测驱动开发)不是可选项:没有评测集,就无法控制方差,客户信任随时崩塌。造物云交付有没有“方差”意识?
  1. “不要用人填补产品缺陷”是一句最该贴在墙上的话。 我们做服务,最容易滑向“用人力硬扛需求”(early demand trap)。每一次“多派人顶上”,都要问:这是真的需要判断,还是在掩盖产品短板?

待反驳/边界:AI Rollup 的“并购现金流公司”玩法,前提是成熟的并购市场 + PE 资本 + 可量化改造空间——这是美国 context。对造物云:“自建 > 收购”和“数据飞轮归自己”这两条原则可直接用;“并购-复利”循环未必适用。 另:YC 视角天然偏好“可规模化的服务”,而造物云的 KA 深度服务可能刻意选择不高标准化——要区分“暂时没标准化”和“刻意不做标准化”。