AI 原生服务是什么？企业怎么落地 AI
AI 原生服务是什么？Greg Isenberg 的说法是：不卖工具，AI 直接把活做完再收钱。企业给记账软件一年付一万美元，把账做完的会计却收十二万——美国四点六万亿美元服务支出正在被重新计算。这期拆清它为什么成立、企业怎么落地。
这期讲了什么
- AI 原生服务的定义：AI 负责干活、小团队只处理必须由人判断的部分，客户付的钱买的是「做完」不是多一个按钮
- 账本反差：企业每年给记账软件付约一万美元，用软件把账做完的会计一年收十二万；美国企业每年外部服务支出四点六万亿美元，约是软件支出的六倍
- 为什么现在成立：模型能先做出成品（不用人工重做）、单次任务成本从几美元掉到几美分、客户预算早就给了做活的人
- 跑起来的例子：Harvey 五个月年化收入从一亿涨到一亿九千万美元；EvenUp 一封索赔函从助理八到十二小时降到约五百美元，收入过五千万；Kick 记账月收三百到五百美元、毛利超七成
- 选机会两道筛子：客户是不是已经把这事外包给别家、结果有没有办法核对；顺序是先卖单件结果收钱，再产品化成软件
文字稿
AI 原生服务是什么，企业买 AI 为什么落不了地
这期讲企业怎么把 AI 落地。Greg Isenberg 最近写了篇长文，题目叫 AI-native service。你见过小公司月底对账的样子：会计盯着一堆发票，桌面上开着 QuickBooks，一款小企业记账软件，可账还是得一笔笔核。老板买了软件，真正让账本合上的人还在加班。现在很多公司成堆买 AI 工具，回去才发现工具要人学、要人盯，活还是压在原来那批人身上。
先把名字说清楚。AI 原生服务，指的是 AI 主要负责干活，小团队只处理必须由人判断的部分：客户交来材料，AI 按固定流程处理，遇到高风险结果再交给人检查。客户拿到的是一份能直接用的结果，聊天窗口只是入口。这和买软件不一样：你买记账软件，还是要自己录入、核对、追错；你买 AI 原生服务，期待的是账已经合上、问题已经挑出来、结果已经放到手边。客户付钱买的是做完，不是多一个按钮。
先说企业这边的真实情况。这两年很多公司买了 AI 工具，采购签了、账号发了、培训也做了，最后工具躺在那里没人用。员工不是懒，是工具这个东西本身就要人学、人用、人盯。财务买了 AI 记账还是得有人把发票喂进去核一遍，销售买了 AI 写邮件还是得有人改、有人发。工具省的是力气，省不掉那个负责的人。AI 原生服务换了个思路：不卖工具，直接把活干了。企业不用学新软件、不用改流程，把材料交过去，过几天拿到一份做完的结果——这才叫落地。
一万美元的软件，十二万美元的会计
现在把账本摊开。企业每年给 QuickBooks 这类软件付大约一万美元，可用这套软件替企业把账做完的会计，一年能收十二万美元。软件公司盯了二十年的是一万美元的工具钱，更大的那块一直锁在人身上。客户从来不缺软件，缺的是有人负责把事情做完——AI 现在能把一部分人干的活按软件的边际成本交出来，原来按小时堆人，现在可以按一份结果来卖。
美国企业每年花在外部服务上的钱有四点六万亿美元，大约是软件支出的六倍。软件市场看起来很大，可更大的预算早就存在于人的工作里，AI 原生服务接住的正是客户已经在付的那笔钱。
这门生意以前难做，不是没人想过。模型以前只能写草稿，交付前还得人工重做；现在很多任务能先做出成品，人只需要检查。成本也掉了，一次任务从几美元降到几美分，价格和人工之间终于拉开了缝。钱又一直在那里——客户已经把预算给了会计、审核员、助理和外包公司，AI 只要把同一件事做得更快更便宜，购买理由就不需要重新教育。这也解释了它为什么不像普通软件：模型越强，单纯卖软件的产品可能越容易被替代；AI 原生服务卖的是结果，模型变强交付就更快、出错更少，生意反而更有力。
跑起来的例子和错法清单
几个案例已经把方向说得很直。法律领域的 Harvey，五个月里年化收入从一亿美元涨到一亿九千万美元。EvenUp 给伤害律所写索赔函——伤者一方发给保险公司要求赔钱的那封函件，原来一封要吃掉助理八到十二个小时，现在一封收大约五百美元，EvenUp 的收入已经超过五千万美元。Kick 给小企业做记账，每月三百到五百美元，比人工记账便宜一半，毛利仍然超过百分之七十。
这里容易混淆：很多挂着 AI 招牌的公司只是把 AI 塞进原来的生产环节，客户沟通、改需求、盯质量照旧由人堆着做，那只是便宜一点的外包公司，客户一多管理成本跟着涨。AI 原生服务要主动砍掉这些绕路：客户先填表不用来回打电话，服务范围做成菜单不靠每次开会重估，质量写进一套规则、后台面板替代客户经理追进度。模型只是发动机，更难复制的是这套能稳定交付的做法——可以叫错法清单：每做一单记下哪里容易错、什么结果才算对、哪些情况必须让人复核。模型人人都能下载，几百单攒出来的错法清单下载不了；客户也不会只拿通用聊天工具自己试，他们要的是做完，还要有人对错负责。
普通人怎么选：先卖结果，再长成软件
Greg Isenberg 给了两道筛子：客户是不是已经把这件事交给外面的公司做？结果有没有办法核对对错？两道都答得上来，就是最适合切入的地方。医疗账单、保险报价、报关分类、法规申报、租约摘要、索赔函，都属于可以逐件检查的工作。
他举的完整例子是上门护理记录审核：中型机构每月大约两千条护理记录，原来要雇年薪七万美元的护士审核；AI 每条收两美元，一家机构每月四千美元，十家就是每月四万美元，五十家一年二百四十万美元，一个人也能跑起来。流程并不玄：机构上传记录，AI 逐条检查，可疑的交给人看，结果放回后台面板；第一次可以免费审十条，客户当天下午就知道值不值。定价也别盯着自己的成本：别人收两千五百美元你可以收八百，但不能按用了多少模型报价，客户比较的是原来花多少钱、现在能不能拿到一样可靠的结果。
这条路的顺序很简单：先卖一个定义清楚的单件结果，不按小时卖；单子做多了才知道哪些步骤能交给机器、哪些错误绝对不能放过，再把流程产品化，最后才考虑要不要变成软件。服务是很好的入口：客户的钱直接告诉你痛点在哪，客户的修改告诉你什么叫对，软件还没写完第一天就有现金流。但也别把活全塞给机器：已经外包又能核对的活最适合给 AI；已经外包但需要重判断的要把人留在检查环节、价格收更高；公司内部自己做又依赖判断的先跳过，那更像岗位不像生意。
我的判断：AI 原生服务最值得看的是预算的方向变了——软件公司过去只拿到工具钱，AI 现在开始碰人干活的钱；竞争焦点不只在模型强弱，而在谁能把一件活稳定做完。你列出手边的工作问两句：客户是不是已经交给外面的公司做？结果是不是有办法核对？都答是，先别急着做软件，试着把一单活做完。
常见问题
什么是 AI 原生服务？
Greg Isenberg 提出的概念：AI 负责干活，小团队只处理必须由人判断的部分。客户交材料、AI 按固定流程处理、高风险结果交人检查，拿到的是能直接用的结果。客户付的钱买的是「做完」，不是多一个按钮。
AI 原生服务和普通外包有什么区别？
普通外包只是把 AI 塞进原流程，沟通改需求盯质量照旧靠人堆。AI 原生服务主动砍掉绕路：填表代替来回电话、服务做成菜单、质量写进规则、后台面板代替客户经理追进度，核心壁垒是几百单攒出的错法清单。
企业为什么买了 AI 工具却落不了地？
因为工具本身就要人学、人用、人盯：财务买了 AI 记账还得有人喂发票核结果，销售买了 AI 写邮件还得有人改有人发。工具省的是力气，省不掉那个负责的人。AI 原生服务直接把活干了，企业拿到做完的结果，才叫落地。