如何从零打造AI-native服务公司丨Y Combinator_tag2

推荐语

从零打造AI-native服务公司，YC合伙人详解如何用AI重建服务行业，抓住万亿美元市场的杠杆机会。

核心内容：
1. AI-native服务公司的核心理念与市场机会
2. AI服务公司选市场的四大关键特征
3. 团队构建、销售与财务模型的变革路径

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

"未来十年，一些最大的公司根本不会是软件公司。"

"方差是这里的生死问题。"

"你要销售结果，而不是席位或 token。"

这期的主讲人是 YC Visiting Partner Charlie Warren，主题是如何从零打造 AI-native 服务公司。它讲的不是再做一个 SaaS 工具，也不是给客户一套内部 copilot；重点是把保险公司、律所、税务事务所、审计、医疗和物流里的服务流程，用 AI 从底层重建。客户买到的是结果，AI 和人类专家在后台完成大部分工作。对创业者来说，这类公司看起来像服务业，底层却有接近软件的杠杆。Charlie 也说明，这套 playbook 面向正在考虑创业的人，尤其适合还没锁定方向、正在判断市场和团队组合的创始人。

下一代大公司可能不卖软件

Charlie 开场就把判断说得很重：未来十年一些最大的公司，可能根本不以软件公司形态出现，而是被 AI 从头重建的服务公司。税务、审计、保险、法律、部分医疗和物流，本来就是万亿美元级别市场。过去创业者常做的是软件，把工具卖给客户内部团队；AI 原生服务公司承诺一个交付结果，让 AI 完成大部分工作，人类在少数关键位置把关。客户不必学习一套新软件，也不必自己管理模型输出，他们只需要判断结果能不能用。

"这些公司向客户提供结果，而不是构建一个让客户内部使用的 copilot。"

这个机会几年前还不存在，因为模型能力不够。现在模型进步以后，创业者可以进入原本由大量人工、流程和专业判断组成的行业。AI 原生服务公司的核心，是替客户交付一个他们本来就愿意付费的结果。这会改变团队构成、产品指标、销售方式和财务模型。它也要求创始人同时理解两套语言：客户在乎的业务结果，以及后台如何把流程拆成可自动化、可审计、可持续降本的步骤。

选市场先看四个特征

第一步仍然是选市场，但 AI 服务公司的好市场有几条特殊标准。Charlie 先给了一个老派提醒：这些公司仍然要做十年以上，如果你不喜欢客户、市场或技术问题里的某个组合，很难撑到最后。然后才是 AI 服务公司的新标准。第一是低信任门槛：工作已经被外包，客户关心最终成果，不关心具体怎么做。你替换的是供应商，不是在逼客户改变行为。第二是任务层面的低判断：如果每一步都需要人类判断，就很难扩张。大多数步骤要能自动化，少数环节保留人类把关。

"你是在替换一个供应商，而不是要求客户做根本不同的事情。"

第三是高智能门槛。听起来矛盾，但 Charlie 的意思是，工作本身要足够难，模型加人类专家才能交付客户认可的结果。第四是监管可能是好事。监管行业有更高预期和法律责任，进入门槛更高，也可能形成护城河。YC 公司 Panacea 就在做 FDA regulatory services，用经验丰富的 FDA 顾问配合 AI 平台，为生物科技和医疗设备公司更快交付审批相关工作。Charlie 给出的已知适配市场包括 tax、audit、insurance、mortgages、部分 healthcare 和部分 logistics，但他也提醒，没被讨论过的市场还有很多，不要只盯着 X 上已经热起来的方向。

模型变强时，你会更强吗

YC 目前看好的方向包括税务、审计、保险、抵押贷款、部分医疗和部分物流。但 Charlie 也提醒，不要只追别人已经在 X 上讨论的方向。真正要做的是 Sam Altman test：随着模型变强，你的服务会变得更强，还是会被模型本身商品化？前一种才值得做，后一种会让公司越做越薄。

"随着模型变好，你的服务会更强，还是模型本身会把你商品化？"

他还点名提醒，涉及设备和现场劳动力的业务要谨慎。只要你拥有和运营大量物理资产，软件的利润率逻辑就不适用，很难产生真正杠杆。另一个诚实检查是：你用人类，是因为工作真的需要判断，还是产品能力不够、拿人补洞？AI 原生服务可以有人在环，但不能把产品缺口长期伪装成专业服务。如果每个客户都靠临时人工救火，短期收入可能好看，长期毛利和交付稳定性都会被拖垮。

创始团队要懂行业也懂模型

Charlie 说，AI 服务公司的创始团队有三个共同属性。第一是行业流利度。最好有直接经验，后天学习也可以，但你面对的是怀疑型买家，很多还在监管行业，必须显得可信。第二是模型流利度。你要知道前沿模型今天能做什么，并且把产品设计成能随着模型能力提升继续受益。这里没有“差不多懂一点”的替代品，因为技术曲线本身就是公司杠杆来源。第三是运营严谨度，包括 variance、throughput、cycle time、SOP 这些听起来不性感的词。

"你在经营一套运营系统。你必须学会这套能力，并且尊重它。"

YC 最近投资的 General Legal Team 是例子。它是一家 AI 原生律所，创始人既有 Cooley、Fenwick 的律所经验，也有 Casetext 的技术领导经验。更关键的是，他们认真设计 throughput 和人员配置，把 shift work 放进服务方式里，以缩短 cycle time，同时吸引更好的律师加入。在这类公司里，产品不只是一套界面，产品就是一套可复制的运营方式。创始人需要能和客户谈行业痛点，也能和工程团队谈模型边界，还要愿意盯 SOP、排班、质量控制和交付节奏。

方差会比慢和贵更致命

谈到产品建设，AI 服务公司和软件公司方向相反。软件里，客户直接使用产品；AI 服务里，人类常常是客户界面，产品在后台帮助人类非线性扩张工作能力。所以你要用运营思维做产品：找到瓶颈，为瓶颈而建。throughput 和 cycle time 变成产品指标，要像看 DAU 一样看它们。

"客户会因为方差开掉你，速度比因为你稍慢或稍贵还要快。"

方差指的是服务输出不均匀。客户需要信任结果，一旦有时好、有时差，信任就会被摧毁，流失也会跟着发生。人类在环还要能非线性扩张：如果收入只是随着新增员工线性增长，公司会遇到大麻烦。自动化流程本身就是产品；人类专家也必须喜欢这套软件，因为他们就是第一批真实用户。这也是为什么 throughput、cycle time 和返工率，在这里不只是运营报表，而是产品健康度。

早期需求也可能是陷阱

销售和客户成功环节，最大的坑是 early demand trap。刚开始什么都没有时，签下一堆 pilot 客户并不难，但很快会压垮团队的服务能力。你会忙着用人类交付，没时间把产品建成可规模化系统。YC 的建议很明确：第一批 pilot 客户要控制在很少几个，抵抗快速签太多的诱惑。Charlie 把它称为 literal trap，因为需求看起来像好消息，实际会把团队推回传统服务公司的状态：每个客户都靠人工项目制硬扛。

"刚起步时签下很多 pilot 客户很容易，但它会迅速压垮你的服务能力。"

避开这个陷阱后，销售方式也和传统软件不同。你卖的是结果，不是 seat，也不是 token。前几个客户的 pilot 就是产品，不要太早标准化，要用它们学习：AI 到底在哪些环节带来独特杠杆，哪些地方只是做了显而易见的自动化。定价可以按单位，比如每份税表、每个 claim、每笔贷款；也可以按 outcome，比如 Panacea 按完成的 consultant study 定价，而不是行业常见的按小时收费。outcome-based pricing 激励更一致，但预测收入更难。定价还要绕开两个坑：成本加成会永久封顶收益，直线降价会让服务显得便宜且低质。要按价值定价，而不是按成本道歉。

P&L 会很早审判你

Charlie 花了一段时间讲 P&L，因为这类公司生死都在财务表里。收入相对容易理解，真正难的是能不能反复交付。早期收入可能按月很尖刺，合同能签下来，但能否稳定交付取决于产品和流程。COGS 要从第一天盯住，主要包括模型成本、hosting 成本和 humans in the loop。三项都要有数字、趋势线和负责人。零毛利或负毛利 pilot 可以用来学习，但不能让团队上瘾。每一次交付背后的人工时长、模型调用和返工，都要能被看见。

"产品越被建出来，COGS 越低，毛利越好，这就是 AI operating leverage。"

传统服务公司利润率大约在 30% 封顶，纯软件和 agent 公司毛利更高，但 TAM 往往更小。AI 原生服务公司的赌注，是在一个比软件大两到三倍的市场里，靠 AI operating leverage 接近软件利润率，比如 50% 以上。短期不必立刻做到，但趋势必须可信。投资人会比你想象中更早看 operating income，因为这不是只讲增长故事的 SaaS。收入减去 COGS 得到 gross profit，再减去研发、销售、财务、法务和创始人工资等 opex，才是 operating income。模型成本、hosting 成本、人类专家成本，三条线都不能糊涂。

别靠收购走捷径

最后一个提醒是，不要试图买一家旧服务公司，然后给它加 AI，借此绕过收入起步阶段。Charlie 说，除非你非常需要快速拿到监管护城河，比如保险牌照，否则这通常是陷阱。老服务公司有老的指标、招聘方式、绩效期待和组织习惯，把 AI 盖在上面，并不会马上改变这些现实。更麻烦的是，团队会继承旧流程、旧成本和旧客户承诺，反而很难从第一天开始按 AI operating leverage 设计公司。

"你无法收购到产品市场匹配。"

他的结论很干脆：build almost always better than buy。AI 原生服务公司是今天创业者的巨大机会，但它不是传统软件公司的换皮版本。它要求创始人理解行业、模型、运营、定价和财务。如果能避开早期需求陷阱，把流程当产品、把产品当流程，就有机会做出一代级公司。这也解释了为什么 YC 把它放进 Startup School：它不像一个单点工具机会，更像一套重新组织服务业生产方式的创业模板。

写在最后

这期 YC 的价值在于，它没有把 AI 服务公司讲成“AI 替人干活”的空话，而是拆成市场、团队、方差、需求、定价和 P&L。创业者如果想进入这类机会，先别急着包装概念。找一个预算已经存在、结果足够重要、流程能被 AI 放大的市场，再把交付质量和财务模型一起跑通。服务业里最有吸引力的机会，往往藏在无聊表格、合规文档、审批材料和重复交付里。能把这些环节稳定做薄，才会出现真正的经营杠杆。先从一个小市场跑通，再扩大到相邻服务，会比一开始铺太宽更稳。把账算清，也是在保护产品判断，别让热闹客户把团队拖成外包项目组。耐心会帮你守住质量，也会帮你守住毛利空间。