AI时代的无聊生意

微信 ezpoda免费咨询：AI编程 | AI模型微调| AI私有化部署
AI模型价格对比 | AI工具导航 | ONNX模型库 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

凌晨2:17，你的客户解雇了你和你的客户关系管理软件。原因是什么？他们的销售代表计算出你的CRM每年3万美元的合同仅能带来1.2万美元的价值。没有会议，没有谈判——因为那个销售代表是一个AI代理。

代理不像人类软件用户那样需要培训，它们也没有忠诚度。它们在毫秒级时间内评估经济效益，并在商业上合理的时刻立即切换，哪怕是在深夜。这是纯粹的冷酷无情。

当AI模型趋于商品化——当最新的GPT、Claude和Gemini模型都在基于类似的能力做出类似的决策时——公司的竞争优势从拥有最好的模型转向拥有算法决策与现实世界后果之间的基础设施。这是AI无法绕过的基础设施：那些无聊但至关重要的系统，控制着代理所需的数据访问、必须执行的工作流程以及无法规避的监管。未来几年将决定谁拥有这一层基础设施，而其他人仍在构建更好的AI代理。

这一基础设施可以分解为五种原型。我将向你展示如何识别哪一种适合你的业务，在哪里有建立超大规模业务的机会，以及如何在这一窗口关闭之前建立竞争优势。如果你的优势是一个模型或一层用户界面（如应用程序或聊天机器人），那不是护城河。真正持久的是AI必须流经但无法替代的基础设施。

1、软件的新基础设施

在进入第一种原型之前，需要解释一个转变。把它想象成早期互联网：在公司能够构建Google或Amazon之前，我们需要HTTP和TCP/IP——那些让计算机相互通信的隐形通信规则和协议。我们正处于类似的时刻，但这次是针对AI代理的。新协议——AG-UI（代理-用户交互协议）用于代理与用户对话，Google的A2A（代理-代理协议）用于代理之间对话，MCP（模型上下文协议）用于代理使用工具——已经成为标准的管道和线路。我接下来将介绍的原型是随着这一基础设施的固化而建立业务的路线图。

当AI本身变得廉价且可互换时，优势就变成了你给它输入什么以及你能用它的输出做什么——它找不到的数据，以及它无法单独完成的行动。

2、知识复利者：在你睡觉时学习的数据

第一类赢家是我所称的知识复利者。这些公司控制着代理所需的有组织数据，这些数据通过实际使用不断改进，并需要多年的运营才能复制。这些数据并不广泛可用，所以大多数AI代理不会有（也没有被用于训练主要模型）。

每当一个玩家在视频游戏中做出战略举动，或者一个医生确认AI做出的诊断确实是正确的，数据集就会变得更强。这种学习以竞争对手无法仅通过资本走捷径的方式累积（类似于复合工程的概念）。

这一原型中最优秀的公司创造了一种环境，客户在不知不觉中通过使用产生训练数据。Medal是一个让游戏玩家录制和分享游戏片段的平台。Medal的社区每天创造超过200万个游戏片段——每年超过7亿个——每个片段都包含关于玩家行为、反应时间和战略决策的丰富信号。按照典型的数据收集和标注成本，从零开始构建一个同等的数据集将需要数亿美元，然而Medal的用户在追求认可的过程中有机地生成了这些数据。

另一家在数据方面建立优势的公司是Mercor，它为AI实验室提供来自律师和医生等专家的反馈，帮助改进他们的模型。即使每一代前沿模型都在变得更好，在医学、法律或金融等领域，错误的成本足够高，以至于"足够好"的AI是不可接受的，持续的人类判断是必不可少的。Mercor押注的是，即使原始能力不断提升，对人在回路中验证的需求仍将持续存在。

知识复利者大规模聚合人类判断，就像游戏玩家表达偏好或医生确认诊断一样。当AI代理需要检查他们的输出是否符合现实，而不是仅仅听起来合理时，他们必须查阅这些数据集。另一种选择就是幻觉。

示例：Explorium（B2B数据基础设施），Mercor（人在回路中验证），Medal.gg（用户生成的训练数据）

3、工作流公地：捕捉工作方式的模板

AI代理没有眼睛。它们不在乎你的软件界面是否易于使用或美观。这一类别中的赢家是那些构建无头架构的公司——为直接的机器对机器连接而非人类界面设计的软件——并构建可共享的工作流，捕捉要连接哪些工具、以什么顺序、使用什么参数。

n8n是一个总部位于柏林的工作流自动化平台，说明了这种模式如何扩展。该平台托管了超过7000个社区构建的工作流模板，每个都是一个可共享的蓝图，捕捉了在生产中行之有效的方案。圣保罗的一个营销团队可以导入一个纽约的增长工程师经过数十次迭代优化的模板。这个模板之所以有效，是因为它经受住了实际使用的考验。

从2025年初到秋季，n8n的估值从大约3亿美元攀升至25亿美元。包括Vodafone、外卖巨头Delivery Hero和微软在内的主要公司都依赖该平台来编排AI驱动的运营。

这一转折点并不是由更好的界面驱动的；毕竟，代理而非人类正在成为软件的主要用户。转变发生在积累的工作流成为AI代理协调基础的时候。当有人构建一个将CRM连接到电子邮件再到Slack的n8n工作流时——指定"如果交易成交，通知团队；如果任何步骤失败，重试两次"——他们捕捉了关于工作如何发生的机构知识。那是数千个模板和数百个集成，代理无法逆向工程。

这就是飞轮：用户贡献工作流。平台学习哪些序列完成了交易、节省了时间或失败了。更多用户为那些经过验证的模式而来。如果你离开，你就放弃了一个不断变好的共享库。

随着AI模型变得可互换，将它们连接在一起的层变得更有价值。这一层从任何提供商提取数据，插入任何工具，从任何数据源获取数据，并处理模型不做的一切：跟踪发生了什么，管理故障，以及从错误中恢复。

从人类工作流构建器到代理协调层的转变是否成功，将是这些公司能做多大的决定性因素。

示例：n8n（企业工作流编排），ComfyUI（生成式AI工作流），Roboflow（机器人工作流）

4、现实的守门人：AI与后果之间的收费站

第三种原型存在于"快速行动，打破常规"是被解雇理由的领域：监管审批、银行关系、合规基础设施。当AI代理将钱汇到错误的账户时，你不能通过迭代来解决问题。当它提交欺诈性保险索赔时，你不能对监管回应进行A/B测试。

这是硅逻辑与现实世界后果碰撞的层面。拥有这些"桥梁"的公司不是在技术复杂性上竞争，而是在那些无聊但至关重要的保证上竞争——即电汇已正确到达客户的银行账户。

商业模式是收费站经济学：在巨大交易量上收取小额费用，复合起来可达数十亿美元。例如，Stripe每笔交易收取约2.9%加30美分。Plaid在每次应用程序连接银行账户时收费。Deel在其处理的每笔国际承包商付款上收取费用。枯燥才是回报的驱动力。不付过路费的替代方案是建造自己的桥梁，这可能需要五年时间和每年数亿美元的合规成本——而且你仍然需要监管批准才能接入支付网络。

Synapse破产案展示了当你不拥有基础设施时会发生什么。Synapse位于金融科技应用和实际银行之间，处理交易，这样初创公司就不必建立直接的银行关系。Mercury是一家为初创公司服务的企业银行平台，是其最大的客户之一。当Synapse在2024年因发现资金缺失和账本差异而崩溃时，大约8500万美元的客户资金陷入困境。没有人能说清楚谁的钱在哪里。数十万人连续数周无法访问他们的储蓄；有些人至今仍未收回资金。

Mercury之所以幸存，是因为它已经开始迁移到Column——一家专为金融科技公司直接服务的银行——没有中间人，也没有谁持有资金的模糊性。信任一旦建立，就会变成钢筋，撕扯出来很痛苦，重建也很昂贵。

示例：Stripe和Column（金融通道），Deel和Bridge（国际合规），Plaid（金融数据访问）

5、市场：算法买家的交易大厅

像Amazon或Airbnb这样的传统市场是为眼球而建的。它们依赖视觉目录、评论和人类直觉。但AI代理没有眼睛，它们不会浏览。它们通过代码连接，在毫秒内就价格和条款进行谈判。

当一家物流公司的采购代理遇到一家供应商的销售代理时，它需要一种标准化的方式（如Shopify和Stripe开发的代理商务协议）来发现价格、验证交付和仲裁争议。这创造了一种新型的市场——不是视觉目录，而是AI服务的高速交易大厅。

最初，这一原型中的公司充当"流量调度员"的角色。一个代理需要完成一项复杂任务，平台将该请求路由到数十个模型和数据提供商，每个都有不同的速度、价格和可靠性。平台为最优路由求解。以一个代理起草合同为例，它运行合规检查并提取最新判例："将推理发送给Anthropic的Claude Opus 4.5进行法律推理，将代码执行发送给专门的Llama实例执行合规，将关于最新裁决的搜索查询发送给Exa。"没有平台，开发人员需要手动拼凑这些。

随着使用规模的扩大，流量调度员变成了市场。不是Airbnb那种你浏览和选择的方式——更像Uber，平台根据你看不到的数据做出选择。每个路由请求都教会平台一些东西：哪些模型真正表现出色，而不仅仅是声称表现出色。如果模型A宣传99%的准确率但在15%的法律查询中失败，只有平台知道。这种知识赋予了它在定价、流量和条款方面的杠杆。买家因为可靠性保证而留下；卖家因为交易量而留下。

然而，这种原型承担的风险最高。它完全押注于碎片化。

如果基础模型在能力和成本上趋于一致，路由市场的价值就会崩塌。但如果AI格局保持混乱——不同模型在不同任务上各有所长，质量因使用场景而异——那么市场就成为必不可少的基础设施。

如果碎片化占上风，这些平台将成为价值的通用翻译器。它们不会仅仅路由流量；它们将迫使每个买卖代理说它们特定的贸易方言。

示例：OpenRouter（多提供商LLM路由），Composio（工具集成抽象），Context7（默认开发工具栈）

6、垂直转型：替代工作流程，而非工人

为什么要优化一份工作，当你可以完全消除它？

这一类别的公司选择那些劳动力成本高、知识要求复杂、监管壁垒严苛的行业——然后构建端到端处理整个工作流程的AI。以十分之一的成本获得相同的质量。它们拥有AI、数据、工具和合规——从开始到结束的整个运营。

其经济效益是惊人的。麦肯锡对一个涉及八名顾问的三个月战略审查收费200万美元。一个AI系统可能在48小时内以2万美元交付可比的输出。传统律师事务所将65%的收入用于薪资；AI驱动的解决方案将人工监督目标设定在成本的5%到10%。一项2万美元的两周法律审查现在可以在两小时内以2000美元完成。

但仅仅在价格上削价竞争是不够的。一个建立在ChatGPT之上的简单应用可以在价格上削价竞争，但没有专有的护城河。通过拥有整个工作流程——领域知识、合规基础设施、责任——公司创造了持久的优势。

法律科技公司Harvey是这方面运作的一个好例子：律师与它的工程师并肩工作，因此产品包含了法律事务所工作方式的具体内行知识，这是通用模型无法推断的。这类业务具有防御性，因为它们可以准确证明哪位专家审查了哪个输出、何时审查以及为什么审查——这是周末原型无法提供的文件追踪，也是许多这些行业的监管先决条件。

虽然目前，Harvey的合同限制了其在医疗事故索赔中承担的责任，律师事务所必须接受任何AI输出中存在错误的风险。然而在未来，像Harvey这样的供应商可能能够将这种风险纳入其定价。最后，这些公司拥有大型企业在采购软件时所看重的关键要素，如安全的登录系统、符合特定国家独特数据存储规则的合规性以及安全认证。

在一个垂直领域证明了这一点的公司拥有难以超越的优势——积累的数据、客户信任和监管关系。但"永远获胜"言过其实了。它们赢得的是时间：如果持续执行就有意义的先发优势，如果停止执行就会消失的先发优势。

考验将出现在一家大型公司面临涉及AI辅助工作的医疗事故索赔时。谁能够证明其流程具有防御性，谁就将主导受监管行业企业AI的下一个十年。

示例：Harvey（法律），Sierra（客户成功），Rogo（金融研究）

7、共同线索：每种原型都在复利增长

最有趣的组合尚未出现。一家公司积累专有数据，让用户为这些数据做出贡献，然后成为该数据定价和交易的交易所。一个工作流平台增加审计追踪等合规能力，利用积累的专业知识自动驾驭监管。

在组合之下是一个更深层模式：每种原型使用得越多（无论是人类还是代理使用），就越能得到改进。这与我们几十年来所知的软件模式有着根本性的不同。传统的SaaS公司每周或每月发布更新。这些新业务每秒都在发布最新版本。你的客户在下午3点使用的产品比他们在上午9点使用的明显更好，因为客户交互数据创造了新数据、优化了工作流程或增强了合规记录。

这赋予了它们相对于AI实验室本身的优势。OpenAI可以在六个月内训练一个更好的模型。这些公司获得的是更难复制的东西：来自数百万真实世界交易的机构记忆。一个更好的模型可以用足够的算力训练出来。机构记忆需要时间、客户和赌注——这些是金钱无法走捷径的。

值得注意的是一个分歧：一些公司通过横向广度获胜，另一些通过纵向深度获胜。n8n的工作流适用于各行各业——营销、运营、工程和金融。Harvey的价值集中在一个领域，那里的监管复杂性和责任创造了天然壁垒。两种方法都在自身基础上不断积累，但它们积累的是不同的东西：一个在跨用例中积累集成知识；另一个在单一用例中积累领域专业知识。横向玩法押注于无处不在；纵向玩法押注于不可替代。

模型本身很少是护城河。

凌晨2:17，你的客户的AI代理将评估你的价值。赢家不是在构建更好的模型或更粘性的界面。它们在构建那些需要最长时间重建的东西。

原文链接: The Boring Businesses That Will Dominate the AI Era

汇智网翻译整理，转载请标明出处