> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # 别再卖软件了 - URL: https://www.hubwiz.com/blog/stop-selling-software/ - Published: 2026-07-18T16:48:32.000Z - Updated: 2026-07-18T16:48:32.000Z - Description: 下一波价值为何不来自卖工具，而来自售卖由 AI 交付的洞见与结果。 - Author: admin - Tags: INDUSTRY, #Import 2026-10-14 14:41 过去一年里，我一直被软件行业里一种仿佛地壳板块位移般的变化所触动：AI 正在悄然把“软件即服务”（software as a service）变成“服务即软件”（service as software），并推动我们从一个售卖席位与功能、转向把结果与洞见作为真正价值单元的世界。过去那个帮人类把工作做好的工具，正在迅速变成一层智能——它把工作做了，至少是其中有意义的一大块——这意味着，唯一讲得通的定价与商业模式，是那些与所创造的价值挂钩的模式，而不是与恰巧有多少人在 UI 里点来点去挂钩的模式。在我看来，这不是一个细枝末节、也不是一场边角戏；它是关于“软件里的价值将如何被捕获”的结构性改变，而每一家严肃的软件公司现在都面对着一个不舒服却紧迫的问题：在我们的 AI 让我们自己那套 legacy 定价显得荒谬之前，我们能多快地从“屁股坐在席位上”转向基于结果与洞见的模式？ **“在一个 AI 优先的世界里，真正的产品不再是软件许可——而是由 AI 交付的结果，以及驱动更好决策的那些洞见。”** 这一波潮流，被新一代的公司清晰地演示了出来：它们直接为结果负责——已赔付的理赔、已起草的法律文书、已收回的营收、已捕获的欺诈——并以 AI 作为完成大部分工作的引擎。它们的客户买的不是工具或访问权。他们买的是一个结果，并且越来越不关心这个结果究竟是由人、由智能体、还是由混合体产生的。 Emergence Capital 花了两年时间研究这一模式，称之为“AI 原生服务”（AI-Native Services），并把其中的规律提炼进了他们的《AI 原生服务作战手册》以及配套文章[《为何是 AI 原生服务，为何是现在》](https://www.emcap.com/thoughts/the-ai-native-services-playbook?ref=hubwiz.com)。 与之并行，红杉（Sequoia）论证说[“服务就是新软件”](https://sequoiacap.com/article/services-the-new-software/?ref=hubwiz.com)，并且下一个万亿级公司售卖的将不是作为产品的软件，而是由底层 AI 驱动软件与人类专长所支撑的“结果”。本文建立在这些论点之上，并提出一个实际问题：如果你已经在运营一家 SaaS 或数据平台，你究竟该如何真正转向这些 AI 向前看的商业模式、定价方案与价值交付范式？ ## 1、从 SaaS 到 AI 服务：真正改变的是什么 SaaS 时代关乎捕获软件预算。供应商售卖帮人类更快或更高质量工作的工具，而经济单元是席位、许可，或功能包。AI 原生服务瞄准的是一笔大得多的开支：在大多数企业里，远超纯软件体量的劳动力与服务预算。一家典型企业每在软件上花一美元，就会在服务与做这件事的人身上花出数倍于此的钱。 红杉的《服务：新软件》论点说得很直白：下一波价值将来自那些外表像服务提供商、但经济上却是“结果与洞见的 AI 原生工厂”的公司。Emergence 的作战手册则从另一方面补足了它：展示了这些公司实际如何运转——它们把软件与服务坍缩成一个集成系统，拥有工作的全栈，并用 AI 在仍保持类软件毛利率的同时，带来速度或吞吐量上 5—10 倍的提升。 在结构层面，这一转变改变了价值的单元。传统 SaaS 卖的是工具与用量；AI 原生服务卖的是已解决的工单、已裁决的理赔、已清掉的 backlog、已验证的交易，或是在更好信号下做出的决策。买方今天就已经在为一个结果付费了，无论通过内部团队还是外包供应商；用一项 AI 原生服务替换那份合同，是一次供应商的替换，而不是一项新开支。 ## 2、洞见即商业模式 大多数分析与 BI 工具止步于仪表盘；它们生成图表与报告，再由人来把它们变成决策。AI 原生服务则更进了一步：它们摄入原始、杂乱的数据，输出一个决策、一个动作，或一件完全备好的工作成品。在那个世界里，可货币化的单元不再是仪表盘——而是“洞见，加上它所促成的行动”。 你能在 Emergence 重点提及的垂直领域里看到这一点：用 AI 处理理赔并检测欺诈的保险服务；代表客户运营端到端流程的基金行政管理公司；用 AI 智能体去处理拒付并追回款项的营收周期服务商。在每一个案例里，提供方的护城河，都是那个不断复利的“洞见飞轮”（insight flywheel）：每一次合作都会生成带标签的结果与运营数据，随时间改善模型表现、预测质量与单位经济。 **“如果你的营收模式仍然始于席位与功能包，那你很可能是在对你的 AI 定价不足；如果它始于结果，你就站在这波转变正确的一边。”** 这正是“洞见即商业模式”的核心。随着 AI 接管了越来越多执行工作，你真正拥有的，是一套关于某个领域的智能系统：某些模式多久会导致特定结果、哪些干预会改变那些结果，以及该如何把这打包成一份你的客户能理解的合同。你做的工作越多，你的洞见就越好；你的洞见越好，你的定价与 SLA 就能越有吸引力，而新进入者要追上也就越难。 ## 3、售卖结果的经济学 一旦 AI 开始做真正的工作，传统定价就崩了。按席位模式会在你成功时反过来惩罚你：如果你的 AI 让客户把人头数砍掉 50%—80%，他们的席位数会随你的 ARR 一同下跌。这正解释了为何 Emergence 与越来越多定价研究都认为：AI 原生服务是基于结果的模式天然的家。 **“一家徒有其表的服­务公司，与一家 AI 原生服务公司，区别很简单：在前者，人用 AI 当工具做工作；在后者，AI 做工作，人则教它变得更好。”** 基于结果的定价，只在某个指定结果发生时才收费——工单解决、案件关闭、款项追回、合格线索生成——而不是为尝试或用量收费。Intercom 的 Fin 以及类似的 AI 客服智能体，举例来说，是按“已解决的对话”而非按用户收费，把性能风险转移给了供应商，同时让成本与所交付的价值直接对齐。Emergence 的作战手册将此一般化：当你拥有结果时，归因是干净的，而服务本身就是结果，这使得 AINS（AI-Native Services）成为 AI 技术栈里最自然的、安放基于结果经济学的地方。 对投资者而言，这改变了“好”的样子。增长率与 logo 留存率已经不够了；你必须在财务与运营里看到 AI 杠杆。Emergence 警示了“海市蜃楼式 PMF”（Mirage PMF）——那种营收增长是真的、但 AI 并没在做工作、利润率也没在扩张的情形。先行指标包括：由 AI 完成的工作占比上升、每单位产出的人的审阅时间下降、以及每员工营收改善；滞后指标则显现在诚实的毛利率里——即把推理成本与人在环（human-in-the-loop）成本都计入 COGS（销货成本）的那些毛利率。 ## 4、一家既有 SaaS 公司如何真正完成这次转向 要朝这个方向走，你不必是一家白手起家的 AI 创业公司。过去一年里，我观察了一家成熟的垂直软件与数据公司，刻意地从“卖工具与访问权”转向“卖结果与洞见”，并以 Emergence 的《AI 原生服务作战手册》为罗盘而非剧本。他们所采取的步骤，对任何在考虑类似动作的在位者都有启发。 ### 4.1 点明结果，并承认你本就是一家服务公司 领导团队先是改变了他们描述自己的方式。他们不再以“一个带席位的平台”示人，而是把业务重新框定为交付某个具体结果的“结果引擎”：干净的数据、已裁决的条目、合格的商机等。事实上，他们的客户早在意的就是那些结果，而非登录次数或 BI 小部件。采用 AI 原生的词汇，让他们更容易接入 Emergence 与红杉放进生态里的那些框架，也更容易向投资者与高级招聘对象讲清自己的差异化。 ### 4.2 诊断海市蜃楼式 PMF，并选定单一 AI 杠杆指标 他们接着压力测试了自己究竟是否获得了真正的 AI 杠杆，还是仅仅靠往需求上堆人来实现扩张。问题很简单：随着体量增长，交付成本是次线性地增长，还是大致同步增长？为回答它，他们借用了 Emergence 的“单一北极星产品化指标”思路——一个内部的、类“HURT”的度量，衡量在 AI 与平台各司其职之后，还残留多少人工工作。候选指标包括：每单位的人的审阅分钟数、端到端零人工触达的产出占比、或在给定质量阈值下每结构化字段的成本。那个数字，成了判断他们究竟在建一家 AI 原生服务、还是只是一家工具链里塞了 AI 的服务公司的试金石。 ### 4.3 把交付当作产品，把定制工作变成路线图 纸面上，一切都流经平台；实践中，许多关键客户依赖“人加平台”的工作流来填补缺口。他们不把这当作一种永久的运营状态，而是把每一个重度依赖人工的步骤，都当作产品待办项的输入。任何在规模上需要手动操作的流程，都成为一个自动化或标准化的路线图条目，并配有明确的责任人与时间表。 这与 Emergence 强调的“睡在你客户的办公室里”相契合：创始人与高级 IC（个人贡献者）贴近真实工作，不是为了扩招服务人头，而是为了观察那些可被固化、并交棒给 AI 与软件的模式。随着时间推移，这把重心从定制项目，转移到了一个从每次合作中学习的集成工厂。 ### 4.4 更早（比感觉舒服更早）雇产品，坐在工程与交付之间 反直觉地，他们为“应用”或“解决方案”层投入了一位强有力的产品负责人，尽管终端客户从不直接登录那套软件。Emergence 指出，许多 AINS 创始人会推迟这个招聘，等路线图被嗓门最大的人牵着走时再付出代价。在这个案例里，产品负责人的授权很清晰：深度倾听交付，但对那些不推进产品化、不移动 AI 杠杆指标的定制工作说“不”。 那个桥梁角色，在做事的人与建 AI 的人之间创造出了一条有纪律的反馈回路，同时防范了“沦为一家回应无休止一次性请求的传统服务铺”这种失败模式。 ### 4.5 修正 GTM：“蠢货，是 demo 啊” 走向市场（GTM）仍然是“SaaS 形状”的：大谈覆盖、准确率、提升与基准，却几乎拿不出 AI 在做工作的视觉证据。遵循 Emergence 的建议，他们搭建了一个真实的 demo 环境，让潜在客户能看着原始输入进来、流经 AI 与归一化层、并作为他们真正付费的结果浮现出来。 买家在生产环境里永远不会碰这个界面，但看着“工厂”运转做了两件事：在某些细分里把销售周期砍掉了一半，并让相对 legacy 的手工或半手工提供方的差异化一目了然。它也迫使团队去直面流程里仍过度依赖人工的地方，从而反哺回产品化路线图。 ### 4.6 设计一座从人力定价到结果定价的桥 他们没有用一个开关直接翻到纯结果定价，而是把定价当作一系列受控实验。按细分，他们定义了客户会乐意付费的、最终的价值单元——每条记录处理、每完成一张清单、每关闭一个案件、每追回一美元——然后设计了一座从当前按量或按劳计费模式通往那个目标的桥。 这与 Emergence 务实的指导相呼应：在 AI 成熟之际从市场惯例起步，但要为迁移到结果定价设定明确的时间表与里程碑——在那些激励与经济真正对齐的地方。有些细分走得快，因为结果容易度量且可重复；另一些则需要更多时间来降低方差、建立信任。 ### 4.7 把数据飞轮变成董事会级的资产 最后，他们把“数据飞轮”从一个技术谈资，提升为一项治理优先级。在 AI 原生服务里，由做工作而生成的数据——输入、中间状态、标签与结果——是核心的产品优势。领导层系统性地审视了 MSA（主服务协议）、渠道协议，以及注册或平台条款，以确保他们拥有使用服务数据来改进服务的权利。 他们还就每个合作伙伴关系问了一个尖锐的问题：“我们是否仍是‘发生了什么’的系统记录方（system of record），还是已经沦为别人关系里的一个次级供应商？” Emergence 说得很明白：如果你失去了客户关系，你就失去了数据飞轮；这家公司把“维持那种直接关系”设为 GTM 与渠道战略里不可谈判的设计约束。 ## 5、退出、估值，以及谁会买 AI 原生服务 这一转变不只改变你如何运营；它改变你如何被估值，以及谁可能买下你。过去 18 个月里，随着投资者重估长期增长、并担忧 AI 把软件功能商品化，上市 SaaS 经历了一轮痛苦的重新定价。与此同时，拥有强 AI 杠杆与基于结果模式的 AI 原生公司，正取得更快的规模化路径，且在很多情况下获得更丰厚的倍数。 对 AI 原生服务而言，正确的类比不是一家经典的低毛利“人力铺”（body-shop）。当 AI 完成了可观份额的工作，每员工营收上升，而诚实的毛利率（把推理与人在环计入 COGS）看起来更像高质量软件，而非传统服务。再加一道持久的数据与洞见护城河——专有结果数据、模型性能优势、长周期合同——你得到的，就更接近一个在某个垂直里“被拥有的智能系统”，而非一家通用外包商。 “AI 原生服务在结构上是为捕获它们所释放的颠覆的全部上行而设的——拥有数据飞轮、决策逻辑，以及工作本身的经济学。” 这一点显现在退出里。战略性软件买家，开始寻找能 bolt 到既有平台上、以守住基本盘、并把“工具”关系转化成“外包结果”关系的 AI 原生服务。BPO 与 IT 服务整合者，把 AI 原生的收购视作重估 legacy 业务组合的一种方式：把 AI 注入传统合作、扩张利润率，并以更高倍数出售合并后的实体。垂直在位者——银行、保险公司、医疗系统、工业企业——正在探索收购那些离核心运营太近、不便留在第三方手里的 AI 原生服务。 对创始人与董事会而言，信息很简单。如果你看起来像一家撒了点 AI 的人力铺，你会按服务的倍数被估值。如果你看起来像一台有受保护数据飞轮、且定价清晰对齐结果的 AI 杠杆化结果机器，你就有理由争取类软件、甚至溢价的倍数。卖工具还是卖结果的决定，不只是塑造 GTM；它把你丢进了收购方估值模型里不同的桶。 ## 6、别再卖工具，拥有结果 随着基础模型变得能够做更多人类曾做的工作，按席位的 SaaS 经济学将承受越来越大的压力。那些茁壮成长的，将是那些为结果直接负责、以 AI 为引擎去交付它们、并从每次合作中建起复利式洞见护城河的公司。 Emergence 的《AI 原生服务作战手册》与红杉的《服务：新软件》一文，提供了一套共享词汇与一组压力测试：你拥有真正的 AI 杠杆，还是海市蜃楼式 PMF？你的定价是否与结果对齐？你的数据飞轮是否随每位客户而增强？好消息是，许多 SaaS 与数据公司，比它们自己以为的，离 AI 原生服务更近。坏消息是，完成这次转向需要刻意的选择——在产品、GTM、定价、合同，甚至在你如何谈论自己所做之事上。 如果你的营收模式仍然始于席位与功能包，你很可能是在对你的 AI 定价不足。如果它始于结果，且你能度量并改善 AI 实际做了多少工作，你就站在这波转变正确的一边。 ## 7、结束语 说到底，这一波潮流不只是关于更好的工具或聪明的定价花招；它是关于，终于把我们为软件收费的方式，与 AI 实际创造价值的地方对齐——而那正是相关各方回报变得有趣之处。AI 原生的、由结果与洞见驱动的服务，在结构上是为捕获它们所释放的颠覆的全部上行而设的——拥有数据飞轮、决策逻辑，以及工作本身的经济学——而这种组合，是为超额价值创造量身定做的。对创始人而言，此刻去建造，从未有过更好的时机：小而专注的团队，能在狭窄垂直里立起 AI 原生服务，并以过去所需资本的一小部分，扩展到有意义的营收。对投资者而言，此刻去承保持久优势，也罕见地是个更好的时机：如果你能区分海市蜃楼式 PMF 与真正的 AI 杠杆，并下注那些真正在卖结果、而非席位的公司，你就有机会参与软件行业有史以来最重大的价值转移之一。 --- 原文链接: [Stop Selling Software. Start Selling Outcomes: Inside the AI Services Shift](https://hoyemgeorge.substack.com/p/stop-selling-software-start-selling) 汇智网翻译整理，转载请标明出处