当通用大模型席卷全球时，垂直AI应用正在企业业务的深水区悄然崛起。本文深度剖析A16Z的投资逻辑，揭示保险、法律、医疗等行业中那些无法被标准化的工作流程，如何成为AI创业者抵御巨头入侵的真正护城河。从数据沉淀到成本优化，从合规架构到运营记忆，带你看见黄砖路之外的AI应用新大陆。
最近，几乎所有人都在问同一个问题：
AI 应用还有没有价值，OpenAI 和 Anthropic 会不会终结一切？
这个问题背后，其实藏着一种很典型的 AI 焦虑。
很多人现在越来越相信，所有软件最终都会被模型吞掉。今天是 Codex、Claude Code，明天可能就是更强的新模型。无论你现在做什么应用，都可能被底层模型直接“内置化”，最后失去价值。
昨天，A16Z 合伙人乔·施密特专门写了一篇文章，讨论这个问题。
他认为，大模型确实正在进入应用层，而且会吃掉相当一部分市场。但问题在于，很多人把“AI 应用”理解得太简单了。真实世界里的企业流程，远比“一个聪明模型”复杂得多。
即使今天通用模型已经很强，距离真正进入企业核心业务之间，仍然隔着很长一段距离。而这段距离，恰恰也是 AI 应用公司的机会所在。
01 离模型主航道远一点现在的AI应用大致可以分为两类：
一种，是走在大模型公司正在铺的“黄砖路”上。所谓“黄砖路”，可以理解为大模型实验室最自然会进入的方向。
比如，代码生成、通用办公助手、文档总结、图像生成、通用 Agent。这类产品有一个共同点，它们的核心体验，很大程度上随着模型能力提升而提升。
这正是 OpenAI 和 Anthropic 最擅长的事情。
它们掌握模型本身，也掌握分发渠道。更重要的是，它们能够决定产品的底层架构。比如，采用“模型加工具调用”的方式，让AI连接 Google Drive、Slack、Salesforce 等常见软件，再完成搜索、总结、写作、编程这类横向任务。
如果一家初创公司也只是接入同样的模型，连接同样的软件，再做一层简单的智能编排，本质上就是在和大模型公司走同一条路。
问题是，OpenAI不仅有模型、有品牌、有分发，也有更强的定价权。
即便AI应用公司短期做出一个更好用的产品，也很难保证这种优势能长期存在。因为下一代模型更新后，很多功能可能会直接变成基础能力。
这也是为什么很多 AI 应用看起来增长很快，但长期风险很高。因为它们离大模型公司的主航道太近。
另一种，是深入那些复杂、垂直、难以标准化的真实业务世界里。
这才是AI应用真正的机会。比如保险、法律、医疗、财务、销售、客服、供应链。这些行业的问题，不是简单问一句 AI 就能解决的。
因为很多企业今天的运作方式，仍然建立在过去十几年甚至几十年的软件体系上。数据分散在不同系统里，流程横跨多个部门，中间夹杂着大量人工确认、例外处理和经验判断。软件虽然很多，但彼此之间并不真正连通。
员工每天做的事情，并不是坐在那里等 AI 回答问题，而是在多个系统之间来回切换，复制数据、上传文件、核对信息、发邮件确认，再根据上下文做判断。
这才是企业里最真实的工作。
比如一家保险公司，看起来只是“审核保单”，但真正运行起来，背后牵扯到不同地区的监管规则、不同团队的风险偏好、不同客户的历史记录，以及大量没有明确写进文档里的经验判断。
同样一份材料，在不同公司、不同团队，甚至不同负责人那里，处理方式都可能不一样。
这些东西，并不会天然存在于大模型的训练数据里。
模型可以提供智能，但它并不知道某家公司过去为什么拒绝某类风险，也不知道某个核保员为什么在某个特殊案例里推翻了系统建议。它更不知道一个企业内部那些没有写进流程文档、却长期影响业务判断的隐性规则。
这就是垂直 AI 应用的价值所在。
02 模型能力与真实业务的距离，才是AI应用的机会从目前看，通用模型和真实业务之间，仍然存在一段很长的距离。这段距离，就是 AI 应用公司的机会。
模型能力与真实业务的距离，主要来自三个层面：
第一层壁垒，来自数据和经验的积累很多行业知识并不在公开互联网上，更多是在真实工作中不断沉淀出来的。
一次法律审查为什么被合伙人打回，一份保险申请为什么被升级处理，一个销售线索为什么最终成交，一个客服问题为什么需要转人工，这些经验只有在大量真实流程中反复运行，才会慢慢变成系统能力。
这类数据未必能跨客户直接复用，但问题类型、处理路径和异常模式会不断积累。
做过上百次法律审查的系统，和第一次进入这个行业的新产品，理解问题的深度是不一样的。处理过上千次保险承保流程的系统，也会更清楚哪些环节最容易出错，哪些信息最影响最终判断。
这就是垂直应用公司的学习飞轮。它是在真实生产环境里跑出来的。
第二类壁垒，来自对模型复杂度和成本的管理真实业务不会只靠一个最强模型解决所有问题。
如果所有任务都调用最贵的前沿模型，成本很快就会失控。真正成熟的 AI 应用公司，会根据不同任务选择不同模型。有些复杂判断交给最强模型，有些批量处理交给中等模型，有些高度重复的任务则可以用更便宜的小模型或微调模型完成。
这件事的关键是，判断每个环节需要用什么样的模型。这需要对业务足够熟。
大模型实验室可以提供通用能力，但它们不可能替每个行业、每家公司、每个工作流都做精细的成本优化和模型调度。
垂直应用公司的机会在于，用更低、更稳定的成本交付具体结果。
第三类壁垒，来自治理和责任越是进入企业核心流程，AI 产品对可控性要求就更高。
医疗有隐私和合规要求，金融有监管要求，法律有职业规范，保险也有州级监管和审计要求。
在这些场景里，企业关心的不只是 AI 能不能完成任务，还包括它能访问哪些数据，能做哪些操作，结果如何记录，出了问题如何追溯。
这不是一个通用聊天框能解决的事情。它需要把权限、审计、审批、人工介入、操作记录都放进系统里，让企业能够放心使用。
所以在很多行业里，AI 应用公司真正交付的，是一套可被企业接受的运行机制。
销售就是一个典型例子。表面上看，AI 做销售很简单：找客户、写邮件、发消息、跟进线索。
但真正做起来，问题会迅速变复杂。
一个潜在客户到底是不是目标客户？一家公司的母公司和子公司该怎么识别？CRM 里的数据是不是过时？同一个联系人过去有没有被触达过？某类客户适合电话沟通，还是适合邮件沟通？
这些细节看起来很小，但它们决定了销售结果。
如果只是让一个通用模型写几封邮件，价值并不高。真正有价值的，是把客户筛选、信息补全、背景调研、渠道选择、话术生成、发送节奏和结果反馈连成一个完整流程。
这时候，AI 才不只是写作工具，而是进入了销售团队的真实工作方式。
时间长了，这套系统就不只是脚本，而会逐渐成为一家公司的运营记忆。
这才是大模型实验室很难直接拿走的部分。
因为它们可以提供更好的模型，却很难长期深入每一家保险公司、每一家律所、每一家医院，去理解它们内部真实而细碎的运作方式。
03 判断AI应用价值的三个问题那么，怎么判断一家 AI 应用公司是不是在“黄砖路”之外？
可以看三个问题。
第一个问题是，这个任务到底有多复杂。
如果一个产品只是帮用户在 Google Drive 里搜文件、总结内容，流程很短，结果也比较宽容。即便错了，用户可以再问一次。
但如果是根据一家公司的历史案例做法律审查，情况就完全不同。它可能要调取多个系统的数据，经过多轮判断，最后还要由合伙人审核，甚至影响真实诉讼结果。
两者看起来都像“AI 在执行任务”，但难度完全不是一回事。
第二个问题是，它到底是工具，还是系统。
工具只是给现有流程加一点智能，系统则会成为客户真正工作的地方。
如果客户离开这个产品，原来的流程就跑不动，或者效率大幅下降，那它更像一个系统。如果某个大模型公司推出类似功能后，客户可以轻松替换，那它更像一个工具。
AI 应用真正的价值，往往来自成为系统，而不是成为插件。
第三个问题是，客户到底为什么付钱。
如果客户只是为通用能力付钱，比如写得更快、总结得更好、代码补全更顺，那大模型公司迟早会进入。
但如果客户为具体业务结果付钱，比如销售线索增加、结账时间缩短、理赔处理更快、合同审查更稳，那应用公司就有更大的空间。
04 总结未来，大模型公司和 AI 应用公司都会赢。
OpenAI 和 Anthropic 会继续拿走一大块横向市场，因为它们拥有模型、品牌和分发渠道。代码、写作、搜索、办公助手这类通用场景，很自然会向大模型平台集中。
但这不意味着应用层没有机会。在更复杂的行业里，模型只是基础设施。真正决定价值的，是谁能把模型变成可运行、可管理、可持续优化的业务系统。
底层模型可以替换，但企业的工作系统很难频繁替换。
一家公司一旦把核心流程、历史数据、审批机制和运营经验都放进某个系统里，迁移成本就会变得很高。随着时间推移，这个系统会越来越懂业务，也越来越难被简单替代。
所以，AI 应用不是没有价值。
没有价值的，是那些离大模型公司主航道太近、又没有真实业务深度的应用。
下一代企业软件，很可能不会诞生在最显眼的“黄砖路”上。它会出现在那些复杂、分散、充满人工流程的行业深处。
那里没有那么多聚光灯，但有更真实的客户需求，也有更长期的护城河。
文/阿奇
本文由人人都是产品经理作者【硅基观察Pro】，微信公众号：【硅基观察Pro】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
配资行情网提示：文章来自网络，不代表本站观点。
