AI 原生服务：卖做完的活，而不是卖工具

Greg Isenberg 最近写了一篇关于 AI 原生服务的文章，信息密度很高。它的核心主张是：AI 让「卖做完的活」这件事第一次变得可行，而这门生意比 SaaS 更好做。

一个例子说清模式

一家公司每年花约一万美元买 QuickBooks 这类记账软件，同时花十二万美元雇一个会计来使用它。过去二十年，软件公司争夺的是一万美元那部分，因为软件可以规模化销售；十二万美元那部分谁都想要，却拿不到，因为那是人在干活，多一个客户就得多招一个人。

现在 AI 能承担会计的大部分工作。你不必再交付一个工具让客户自己动手，可以直接把做好的账交给他。卖的是完成的活，成本低、利润高，这就是 AI 原生服务。客户要的不是记账软件，而是账已经做好了；不是合同审查工具，而是这份合同能不能签。体验上像请了一支外包团队，但更快、更便宜、不会累。

为什么现在才成立

三个变化同时发生。第一，模型能力够用了：两年前 AI 产出的是草稿，人要重改一遍，现在出来的是成品，人只需检查。第二，跑模型的成本塌了：过去一个任务要几美元 token，现在只要几美分，多服务一个客户的边际成本接近零，这直接决定了能否拿到软件级利润率。第三，钱本来就在那儿：美国企业每年在各类服务上支出约四万六千亿美元，约为软件支出的六倍，会计、律师助理、保险经纪、合规专员这些预算过去全部绑在人身上，如今锁开了。

相比 SaaS、App 与传统外包的优势

SaaS 越来越难做，大模型每升级一次，工具就贬值一点；App 受制于苹果，30% 抽成直接吃掉利润；传统外包卖的是人的时间，收入被人头锁死，利润率长期在 20% 到 30% 之间。AI 原生服务的方向相反：模型越好，交付质量越高、成本越低，技术进步在帮你而不是吃你。

另一个现实优势是不用教育市场。客户已经在为这些服务付费，你只需说明自己更快更便宜，这几乎是最简单的销售话术。而且从第一单起就有现金流：SaaS 创业者可能要用一年去猜产品市场匹配，做服务的人干完第一个活就收钱，边赚钱边了解该做什么产品。

服务是最好的楔子

Greg 认为服务是切入一个行业最好的楔子。先帮客户做活，过程中就能看清行业真正的痛点、什么叫做对了、哪些环节可以完全交给机器。随后把经验沉淀为标准产品，再往后可以做成软件。每一步都有收入，等于踩着有人付钱的台阶往上走。AI 行业里最大的公司已经在这么干：那种嵌入客户团队、帮客户搭东西的工程师模式，本质就是拿服务当楔子先进门。小团队完全可以在某个细分领域复制这套做法。

八个零件

1. 单位：必须有清晰的计量方式——每份合同、每笔理赔、每个月的账、每份报告。绝不能按小时卖。按月收固定费用可以，前提是范围明确。单位定清楚，定价、交付与后续产品化才有基础。
2. 接单方式：传统外包接活要打三通电话确认需求；AI 原生服务像填表，客户上传文件、填几个字段即可。接单流程若无法变成一张表，说明单位没定清楚。
3. 引擎：模型加上你的提示词、案例积累与行业理解。起步可能只是一个好 prompt 加几十个例子，时间长了竞争对手复制不了，因为它被每一单塑造过。
4. 规则手册：Greg 认为这是几乎所有人都低估的部分。它是一份清单，记录你这个领域什么叫做对了、AI 会在哪里出错。家庭护理笔记缺生命体征就不完整，索赔函没引用治疗日期就有问题。每做一单发现一种新错误就记下来，几百单之后这本手册就是核心产品。
5. 审核层：决定哪些活直接出、哪些要人看一眼。低风险高置信度自动交付；涉及钱、法律责任或客户声誉的必须过人。审核层控制出错率，规则手册则让需要人看的部分越来越少。
6. 交付方式：后台页面、带附件的邮件、可查进度的面板，让客户不必追问进度。
7. 定价：按单位收费适合业务量可预测的客户；按月固定收费适合想要确定预算的客户，Kick 每月收三百到五百美元做记账即属此类。要避免按小时收费，那会把收入和人头绑在一起。定价对标人工即可：别人收两千五，你收八百，客户觉得便宜，你的利润极高，因为多做一单成本近乎为零。
8. 获客：对多数细分领域，最实在的办法是给精准潜在客户发冷启动邮件，再加第一单免费。例如免费帮家庭护理机构审十份记录，他们发现有三个问题被自己漏掉，当天下午就会转为付费客户。

真实案例与数字

Harvey 做法律相关工作，约五个月年收入从一亿美元涨到一亿九千万。EvenUp 帮人身伤害律所写索赔函，每封五百美元，这活过去要律师助理干八到十二小时。Kick 做小企业记账，月费三百到五百美元，比雇人类记账员便宜一半，毛利率超过 70%。这些公司做的是服务，财务表现却像软件公司。

以家庭护理记录审核为例：一个中等规模机构每月约产生两千份访问记录，雇护士专门检查年薪约七万美元。你接过这个活，每份收两美元，一家机构每月四千美元，而跑一份记录的 AI 成本只有几美分。十家机构每月四万美元，五十家一年两百四十万美元。一个人就能做，因为接单靠上传、检查靠规则手册、交付靠面板。规模化逻辑与软件相似，但切入更简单——客户不需要改变任何习惯，他们本来就在为这个活付钱。

两个判断问题

第一，客户现在是否已经把这个活外包出去了？如果是，预算已存在、范围清楚，接手没有切换成本；如果活由内部员工在做，你就是在替换他的员工，对话难度大得多。第二，产出是否有可核查的标准答案？有，AI 加规则手册就能搞定；需要主观判断，就必须一直留人。两问皆肯定，就是最好的切入点。

可做的方向包括：医疗账单编码按理赔收费，商业保险报价按保单收费，海关与货运分类按批次收费，监管合规申报按次收费，商业地产租约摘要与产权调查按文件收费，RFP 与拨款申请撰写按提交收费，房产税申诉按次收费并可抽取节省金额分成，家庭护理访问记录审核按记录收费，人身伤害律所索赔函按封信收费，应付账款异常处理按笔收费。这些方向都不性感，但都满足那两个条件。

护城河与区别

常见疑问是：客户自己用 ChatGPT 不就行了？Greg 认为不会。诊所不会让前台把理赔单粘进聊天框碰运气，他们要的是有人把活干对了、出错有人负责。模型谁都能下载，但你在细分领域做几百单积累的规则手册别人拿不走——每个踩过的坑、发现的边缘情况、记录的错误模式都在里面，对手只能自己也做几百单。审核层同样构成护城河：它让你能对结果负责，而规则手册会不断降低需要审核的比例。

与普通 AI 外包的区别在于：多数 AI agency 只是把 AI 塞进干活环节，接单仍靠电话、范围仍要来回沟通、每个客户仍配客户经理，只是便宜了一点，成本结构没变。AI 原生服务是刻意砍掉整个流程的开销——接单变填表、范围变菜单、质量控制交给规则手册、客户管理交给面板。做不到这些，你只是一个快了一点的传统外包。而一旦利润率做到 60% 到 80%，将来出售公司按 6 到 12 倍 EBITDA 估值，那是一个能改变人生的数字。

结论

Greg 的收尾很简单：定一个单位，把接单、引擎、规则手册、审核层和交付搭起来，按人工价格定价，先手工给五个客户做活，把每次犯的错记下来，然后标准化。十二万美元那把锁已经打开了，看谁先进去。

门槛其实不高：不需要写代码，不需要融资，不需要发明新东西。需要的是找到一个足够窄的领域，先动手帮人干活，把踩过的坑一条条记下来——那本错题本就是你的产品。