AI 创业下一波，不是软件是服务（YC · Charlie Warren）
商业思考 · AI 创业 × 商业模式 × Services-as-Software | 2026 年 6 月 | 约 12 分钟阅读
TL;DR · 5 句话核心
- 下一批巨头可能不是软件公司，而是 AI 从零重建的服务公司——律所、保险、税务、审计、按揭。它们卖的是"办好的结果"，不是软件、座位或 token。
- 核心赌注是"AI 经营杠杆"：用 AI 把服务业毛利从天花板 ~30% 推到 50%+，同时服务业 TAM 是软件的 2–3 倍。
- 产品即"运营"：人是客户界面，AI 在后台干主活；周期时间、吞吐、方差才是关键指标——客户因输出不稳定炒掉你，比因为慢一点贵一点快得多。
- 选市场看四点 + Sam Altman 测试：低信任、任务层面低判断、整体高智力门槛、监管即护城河；且模型越强必须让你更强而不是把你商品化。
- 三条落地忠告：别贪多签 pilot（早期需求陷阱）、按价值而非成本定价、自建几乎总是优于收购。
"软件吞噬世界"这句话，我们听了整整二十年。写一次代码、无限次售卖、毛利飘到 80%——这套公式造出了一批万亿美元公司。
但在 Y Combinator 最新的一场分享里，合伙人 Charlie Warren 给了一个让人停顿的判断：
"未来十年最大的一些公司，根本不会是软件公司，而是被 AI 从零重建的服务型公司——比如保险公司和律所，大部分工作由 AI 完成。"
这场分享的标题就叫 How to Build an AI-Native Services Company（如何打造一家 AI 原生服务公司）。它不是又一篇"AI 会提效"的口水稿，而是一份相当硬核、甚至有点不留情面的创业打法。
他的论证是一条层层递进的逻辑链，本文也照此展开：
- 判断（第一节）：为什么下一波最大的公司是"服务"而非"软件"？
- 内核（第二节）：这类公司到底靠什么运转、护城河在哪？
- 选择（第三、四节）：哪些市场值得做？谁适合做？
- 落地（第五至八节）：试点、定价、损益、自建 vs 收购——怎么一步步跑起来。
一、为什么是"服务"，而不是"软件"
先看一道账。
- 传统服务公司——报税、处理按揭、理赔——毛利率天花板大约 30%。原因是结构性的：收入随人头线性增长，而人很贵。
- 纯软件公司——毛利极高（可达 80%），但所处的可服务市场（TAM）相对小。
Warren 的"AI 原生服务公司"想做的，是把两者的优点劈开重组：
用 AI 驱动经营杠杆，把毛利推到 50% 甚至更高，同时去吃那些以"万亿美元"计的市场——税务、审计、保险、按揭、法律。
他估算，AI 服务的 TAM 是软件 TAM 的 2–3 倍。
| 维度 | 传统服务公司 | 纯软件公司 | AI 原生服务公司（目标） |
|---|---|---|---|
| 毛利天花板 | ~30% | 高（~80%） | 50%+ |
| 市场规模 | 大 | 较小 | 软件的 2–3 倍 |
| 增长约束 | 随人头线性增长 | 边际成本极低 | 用 AI 把人力"非线性化" |
| 卖什么 | 人的工时 | 软件/订阅 | 办好的结果（outcome） |
这就是那句关键判断的底层逻辑：它卖的不是软件，是"报好的税、理赔好的保单、批下来的合规文件、打赢的官司"。
二、产品即"运营"：方差是生存级问题
机会的账算清楚了，但这类公司具体靠什么运转、护城河又长在哪里？Warren 给的第一条认知，就最反 SaaS 直觉。
"产品就是这套运营（The product is an operation）。"
在 AI 原生服务公司里，产品不是 dashboard，也不是 API：
- 人，是与客户之间的界面——负责建立信任、维护关系、处理边缘案例；
- AI，在后台完成大部分工作。
这把标准创业打法整个翻转了过来。SaaS 公司里，产品是客户使用的软件，你做功能、发版本、看 engagement；而在 AI 服务公司里，你是在跑一条交付流水线，真正要盯的指标是周期时间（cycle time）、吞吐（throughput）、方差（variance）。每一个瓶颈都是产品问题，每一次输出不一致都是流失风险。
Warren 把方差称为"生存级问题"：
"客户因为你输出不稳定而炒掉你，比因为你比对手慢一点、贵一点要快得多。"
如果客户这季度拿到的报税完美无瑕、下季度却粗制滥造，信任会瞬间蒸发。输出的一致性，是最重要的质量信号——比快、比便宜都重要。
由此引出对"人力"的态度：如果你的收入随人头线性增长，公司就有致命的结构性缺陷。 创始团队必须执着于让每个人"非线性放大"——把所有不需要真正判断力的任务自动化，并严格区分"真的需要 human-in-the-loop 的环节"和"只是因为产品没做好才需要人补的环节"。
"这里要诚实，别用真人去给产品的缺陷打补丁。"
三、什么市场适合：四个特征 +「Sam Altman 测试」
不是每个服务市场都适合 AI 原生玩家切入。Warren 给了四个特征，外加一道由 Sam Altman 提出的筛子。
| 特征 | 含义 | 典型市场 |
|---|---|---|
| 低信任门槛 | 这类活儿本来就外包，客户只在乎结果、不在乎过程 | 报税、理赔 |
| 任务层面低判断 | 大多数步骤可自动化，判断只集中在少数 human-in-the-loop 节点 | FDA 合规咨询 |
| 整体高智力门槛 | 整件事够难，必须"模型 + 人"才能做到合格质量 | 法律服务、合规申报 |
| 监管即护城河 | 合规要求抬高了新进入者的门槛 | 保险、审计、FDA 相关 |
「Sam Altman 测试」——叠加在上面四条之上的过滤器：
当模型变得更强，你的服务是被增强，还是被模型本身商品化？答案必须是前者。
如果基础模型越进步，越降低对你这项服务的需求，那你就是在借来的时间上盖房子。
Warren 还提醒：涉及设备和现场体力的市场，是机器人创业者的地盘，不是 AI 服务创业者的。甜区是"发生在屏幕上的工作"，而不是物理环境里的活。
四、谁适合做：三条不可妥协的创始人特质
选对了市场，下一个问题是：什么样的团队配得上这个机会？Warren 给了三条不可妥协的特质。
| 特质 | 说明 |
|---|---|
| 行业熟稔（domain fluency） | 有行业一线经验最佳；没有的话，也得对客户痴迷到能建立"习得型"可信度 |
| 模型熟稔（model fluency） | 知道前沿模型今天能做什么，并把产品设计成能搭上模型的进步曲线——"这条不可妥协" |
| 运营严谨（operational rigor） | 方差、吞吐、周期时间、SOP……"你本质上在跑一套运营，必须学会、并且享受或至少尊重这套技能" |
第三条恰恰是技术型创始人最容易低估的。
案例：YC 投的 AI 原生律所 General Legal。创始团队结合了 Cooley / Fenwick 的律所经验和技术负责人。他们的运营洞察是把轮班制（shift work）引入律所排班——既缩短了客户的交付周期，又吸引到想要非传统作息的顶尖律师。这个单一的运营选择就成了吞吐上的竞争优势——不是因为 AI 更强，而是因为流程工程更聪明。
五、避开"早期需求陷阱"
判断、市场、团队都到位之后，剩下的全是落地。而落地路上有四道反复绊倒人的坎——试点、定价、损益、自建 vs 收购，下面四节逐一拆。先说第一道，也是最隐蔽的一道。
这是 Warren 看到 AI 服务创始人反复犯的错。
剧本很诱人：你宣布在一个大而未被满足的市场里提供 AI 服务，试点客户蜂拥而至，全签下来感觉像是被验证了。但每个 pilot 客户都带来人工活——onboarding、边缘案例、例外处理——于是你很快被"用真人履约合同"吞没，根本没空建产品。
结果是死亡螺旋：因为忙着人工交付而没法投入自动化，又因为已经对客户承诺而没法停止人工交付。这家"AI 原生"服务公司，永远没真正变成 AI 原生。
"把最早的试点客户控制在很少的几家。抵制住快速签太多的诱惑。"
早期 pilot 的目的，是教你 AI 在哪里能产生独特杠杆，而不是冲收入。
六、定价：按价值，不按成本
控制住了试点节奏，下一道坎是定价——它直接决定 AI 省下的成本，最终落进你的口袋，还是白送给了客户。
AI 服务的定价逻辑和软件完全不同，因为你的对手是人力成本，不是另一个 SaaS 订阅。
"成本加成定价会永久封住你的上限，别用。直线压价让你的活儿显得廉价、甚至像低质。按价值定价。"
两种可行模型：
- 按单元（per-unit）：每份报税、每笔理赔、每份按揭申请——干净、好解释；
- 按结果（outcome-based）：激励对齐更紧，但更难预测。
两种都行，关键是价格反映交付给客户的价值，而非交付成本。整套毛利扩张的逻辑都押在这上面：如果你按成本定价，AI 经营杠杆的好处全流向了客户，永远进不了你的损益表。
"你必须卖结果，而不是座位或 token。"
对 pilot 要格外警惕：零毛利、负毛利的试点偶尔为了学习是可以的，但"千万别上瘾"。试点是用来做产品发现的，不是用来做客户获取的。
七、损益表：公司在哪里生、在哪里死
试点和定价的所有选择，最终都会汇到同一张表上——损益表（P&L）。这也是这类公司与纯软件最不一样、最容易死的地方。
Warren 说，AI 原生服务公司"活下去还是死掉，就在这张 P&L 上"。
- 收入端：服务买家习惯于"划预算买服务"，所以签合同相对容易（比卖一个全新软件品类容易）；难的是交付的可预测性，早期收入会很"块状"，随产品和流程成熟而平滑。
- COGS（销货成本）三块：模型推理成本、托管/基础设施成本、human-in-the-loop 人力成本。每一块都要在公司内部有人负责、有趋势线。
- 核心赌注：随着产品改进，COGS 占收入比例下降、毛利扩张——这就是 AI 经营杠杆（AI operating leverage），是缩小"传统服务毛利"和"软件毛利"差距的机制。
上面那条线是 AI 原生服务公司的轨迹：起步很低（早期试点甚至为负），随后自动化逐步替代低判断任务，毛利向 50%+ 爬升；下面那条是传统服务公司的天花板，无论怎么扩张都卡在 30% 左右，因为人力随规模线性增长。
"YC 评判这类公司，会比评判纯软件公司更快地看经营利润。"
言下之意：市场不会等你十年慢慢扩毛利。创始人必须尽早把这条曲线的形状跑出来。
八、"建" vs "买"：为什么收购几乎行不通
最后一道坎，是一个绕不开的诱惑：既然从零做又慢又难，能不能直接买一家现成服务公司、套上 AI 层，跳过从零做收入的阶段？这对有运营经验的创始人、或想快速部署资金的投资人尤其有吸引力。
但 Warren 称之为"通常是个陷阱"。
唯一合理的用例，是快速获取监管护城河——比如直接买一张保险牌照，而不是花几年去申请。除此之外这条路会失败，因为"你买不到 product-market fit"。老牌服务公司对指标、招聘、绩效有根深蒂固的预期，套上 AI 不会改变这些现实，只会给一个本就不是为捕获自动化价值而设计的组织增加复杂度。
"建，几乎总是优于买。"
小结：下一代复利机器，长得不像 SaaS
把这场分享收束成几句：
- 赛道反转：下一个十年的"复利机器"，可能既不像过去二十年的软件巨头，也不像它们要取代的服务业老兵，而是一种全新物种——高毛利、运营密集、卖结果而非工具的公司。
- 护城河变了：流程工程是产品，一致性是护城河。方差不是体验问题，是生存问题。
- 方法论变了：选低信任 / 低判断 / 高智力门槛 / 强监管的市场，过 Sam Altman 测试；早期少签 pilot、按价值定价、优先自建。
- 本质不变：这归根到底是一个创业机会，而不是"买买买套 AI"的资本游戏——它奖励那些愿意从零开始、忍住早期慢增长、把真正的 AI 杠杆一点点建起来的人。
对国内创业者，这套思路也有迁移价值：在那些"信息密集、判断集中在少数节点、合规门槛高"的专业服务领域（财税、合规、尽调、保险经纪……），"卖结果的 AI 原生服务公司"可能比再做一个 SaaS 工具，离真正的大市场更近。
参考与延伸
- Charlie Warren（Y Combinator），《How to Build an AI-Native Services Company》，2026——YouTube 视频。
- Y Combinator 官方推文，x.com/ycombinator。
- BigGo Editorial，《Charlie Warren: The Next Trillion-Dollar Companies Will Sell Outcomes, Not Software》，2026-06-03——整理稿。
- 案例：General Legal——YC 投资的 AI 原生律所。