AI Application Startups: From Selling Tools to Selling Outcomes

The next 1T dollar company will be a software company masquerading as a services firm.

最近看了 Sequoia 合伙人 Julien Bek 的《Services: The New Software》。这篇文章当然在找投资机会，但它问的问题很直接：模型越来越强以后，AI 应用还应该卖什么？当 Claude 或 ChatGPT 的下一次升级把我做的工具变成一项功能，工具的护城河还剩什么？

很多团队先做 Copilot。它帮律师起草合同，帮会计整理账目，帮采购搜集报价。专业人士还是那个专业人士，AI 只是让他手上的活快一点。这类产品我们已经很熟悉了。

Bek 想往前再走一步。有些客户不想买一套更聪明的软件，也不想多找一个会用软件的人。他只想把事情办完：合同起草好，账结掉，保险办妥，报销审完，系统照常运转。客户购买的是完成后的结果。模型每次升级，只有落到稳定的工作流里，才会变成更快或更便宜的服务。

先分清「智力」和「判断」

Bek 把工作拆成了两层。第一层是智力活动：读资料、填表、匹配规则、写初稿、测试、调试。它们可能很复杂，但通常有比较明确的规则、输入和产出。模型变强后，最先被压缩的大概就是这部分。

另一层是判断。该不该接这个客户，哪份合同值得冒风险，什么时候上线，出现例外时谁来负责。这些事不是把规则跑一遍就能做完，里面有经验、责任，也有取舍。模型现在能帮上很多忙，但还很难独自承担这些决定。

这个区分比 AI 会不会取代某个职业更好用。与其给职业贴上可替代或不可替代的标签，不如把工作拆开看：哪些环节规则足够清楚，可以先自动化；哪些环节仍要专业人士拍板。创业机会经常就藏在这条分界线上。

文章给出的是一种判断：可规则化的智力劳动占比越高，自动化越可能更早落地。软件工程先出现了这一变化，其他职业也会遇到同一个问题：哪些工作交给模型，哪些例外和取舍仍由人承担。

Copilot 卖工具，Autopilot 卖工作

文章用 Copilot 和 Autopilot 区分两条产品路线。Copilot 把能力交给从业者，客户为软件付费；Autopilot 直接完成一项工作，客户为结果付费。

模型在智力和判断两方面都在进步。过去，我们更常把 AI 做成辅助工具，交给专业人士操作，由他们决定如何使用。Harvey 向律所出售产品，Rogo 向投行出售产品。专业人士既是客户，也对最终结果负责。随着模型继续进步，至少在一部分领域里，直接向客户交付结果开始成为可行的选择。

对产品来说，界面里有没有聊天框只是表面差异，预算从哪里来才更要紧。软件预算通常有限，而完成工作的服务预算往往大得多。文章用账务举例：一家公司可能每年花约 1 万美元购买 QuickBooks，又花约 12 万美元请会计把账结完。如果 AI 能把其中一项工作稳定地交付出来，它面对的就不再只是原来的 SaaS 预算。

但卖结果也把责任一并带了过来。工具做错了，用户还可以把它当作辅助；服务做错了，客户只会追问一件事：这件工作为什么没有做好？所以 Autopilot 不只是模型够不够聪明的问题。质量怎么验收，异常谁来处理，风险最后落在谁身上，都得提前说清楚。

为什么从外包开始

我最喜欢文章里“外包是楔子”这一点。它没有把切入点放在“替代员工”上，而是建议先找已经外包、又需要大量规则处理的任务。

一项工作已经外包，至少说明三件事：公司接受由外部机构完成它；这笔预算已经存在；采购方买的是结果，而不是某个人每天坐在哪张工位上。用一家 AI 原生服务商替换现有供应商，很多时候只是换一家供应商。直接替代内部岗位，事情就会变成组织调整，阻力完全不同。

这也能解释文章为什么会看会计与审计、保险经纪与理赔、医疗计费编码、IT 外包、供应链采购、传统管理咨询、HR 服务、法务和税务等领域。它们并不简单，但里面有很多标准化、重复出现、还能被检查的工作，而且客户早就习惯按结果购买服务。它们当然都需要判断，只是每个领域都能从智力与判断的边界里，找到不同的切入点。

注：YC 在 RFS 2025 Spring/Summer 提到了合规与审计相关问题，语言模型将会带来更全面和细致的审查，并以个人助手为引子提到了税务，法务,个人资产管理等等和个人生活密切相关但昂贵的问题或者邮件管理，日历安排和待办事项的处理等需要占据时间的琐碎工作。AI Agent 成为了 2025 年最火爆的方向，所有人都在思考垂直领域的 AI Agent 应该被如何构造。而大家讨论的这些工具有有一个共性，让 AI 帮助我们处理某个特定领域的复杂信息，不需要创造什么，很多工作本身就是枯燥的匹配，那为什么不解放这些，让人干更有创造力的工作呢。

用这个框架研究一个行业

如果要找 AI 应用的切入点，先把问题落到一段具体流程上：

• 这项工作交付的结果是什么，客户能不能一眼看出它有没有完成？
• 它有多少部分是在处理规则、文档、匹配和重复流程，又有多少部分依赖资深从业者的判断？
• 客户今天是否已经把它外包，或者是否有一笔稳定的服务预算？
• 用新服务替换旧供应商，和改变内部组织相比，哪一种更容易发生？
• 产品每完成一次工作，能留下哪些被验证过的反馈，让下一次处理得更稳？

这些问题不能直接算出一个答案，却能把“这个行业很大”“AI 可以做点什么”之类的话拉回实际工作里。看行业时，最好别停在行业名称上，而是去看某一段流程：谁在为它付钱，谁承担出错成本，AI 到底能替客户省掉哪一步麻烦。

结果不是万能答案

这篇文章没有说服务一定会取代软件。高判断、高风险、强监管的工作，尤其涉及资金、医疗、法律责任或复杂人际协商的部分，仍然需要人参与。即使模型能完成大部分流程，客户也未必愿意把责任一并交出去。

但它提供了一个很务实的创业视角。除了问“我能做出什么工具”，还可以问“客户现在请谁把这件事做完”。如果一项工作已经被外包，规则足够清楚，结果可以验收，AI 应用就有机会从那里开始，慢慢把工具做成服务。

原文参考：Julien Bek, Services: The New Software, Sequoia, 2026-03-05。