- 日期:2026-10-05
- 来源:阅读原文
- 讲者:Charlie Warren(YC 入驻合伙人),YC Startup School《How to Build an AI-Native Services Company》
- 信源层级:二手(原始出处:YC Library《How to Build an AI-Native Services Company》)
- 标签:AI Rollup / 服务型AI / 商业模式
- 渠道:微信公众号
- 体裁:文章
- 一句话: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。
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:
- 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);
- 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:
- ① 数据飞轮的归属权:做 AI 应用公司,本质是帮甲方搭数据飞轮、提升甲方效率,责任主体闭环在甲方,乙方作为工具供应商无法沉淀自有业务数据,难建壁垒。而 AI 原生服务公司自身就是业务的责任主体,人在回路承担最终交付责任,所有业务数据、迭代飞轮都沉淀在自己手中,越做壁垒越深。
- ② 增长效率与现金流的复利:从零做 AI 应用要重新获客(周期长成本高);AI Rollup 的思路是直接并购成熟传统服务公司,一次性拿下客户+现金流+完整业务流程,用 AI 改造降本提效,再用优化后的现金流持续并购同类,形成“改造-提效-并购-再增长”的复合循环。
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:
- 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。
- 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。
- 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。
- 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:
- Sam Altman 测试:当模型能力持续变强,你的服务会随之变强,还是被模型直接 commoditize?选前者。
- 谨慎领域:涉及实体设备、现场人力的业务——难获真正的 operating leverage,即便做成不错的生意也很难到软件级利润率(留给机器人方向创业者)。
- 诚实自省:你雇佣人类,是业务环节真的需要主观判断,还是用来掩盖产品短板?不要用人填补产品缺陷。
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:
- 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。
- 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)
- 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。
- 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。
- variance(输出方差)是生死问题:
- 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。
“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。
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:
- 你售卖的是业务结果,不是席位或 token;
- 试点本身就是产品迭代的一部分——不要过早标准化,借试点完成学习,区分哪些环节 AI 能带来独特杠杆、哪些只是简单自动化。
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。
- ✅ 按单元收费(一份报税单 / 一笔理赔 / 一笔贷款)——逻辑清晰易解释;
- ✅ 基于结果定价——完美对齐利益,但业务预测更难(Panacea 按完成项目收费,而非小时计费);
- ❌ 成本加成定价——会永久锁死收益上限;
- ❌ 单纯靠压价抢单——让服务显得廉价、质量存疑。
- 正确思路:基于业务价值定价。
六、P&L 拆解(决定生死)
收入 − COGS = 毛利润;毛利润 − OPEX = 营业利润
- 收入:签合同相对不难,难在能否稳定持续交付。优秀产品流程可抹平收入波动,早期月度起伏正常。
- COGS(销货成本):从第一天就高度关注。三大组成——模型成本 / 托管成本 / human-in-the-loop 人力成本,每项都要有数值、趋势线、明确负责人。警惕零毛利、负毛利试点(可用来学习,别沉迷)。
- 核心赌注 = AI operating leverage:随产品完善,COGS 持续下降、毛利润持续抬升。
- OPEX:研发、销售、综合行政(财务/法务/高管薪酬)。
- 营业利润:市场会比你想象更早用营业利润评判业务。
- 净利润:中期优先级相对低。
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
- 冲动:收购一家现成服务公司,上层叠加 AI,直接拿现成收入。这大多是陷阱。
- 唯一合理的收购场景:你需要快速拿到监管护城河(例如保险牌照)。
- 原因:product-market fit 无法通过收购获得。传统存量业务有固有的指标、招聘、绩效预期,叠加 AI 不会立刻改变底层现实。
- 自建业务几乎永远优于收购。
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:
- “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。
- “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?
- “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”。