随着AI技术在各行业的广泛应用，垂直AI的落地成为企业数字化转型的关键。然而，垂直AI的成功并非仅靠技术，更需要对行业需求的深刻理解和精准把握。本文总结了Anthropic投资人对垂直AI落地的十个判断，供大家参考。
软件，被看作是AI落地最重要的场景之一。红杉资本曾提到，AI有可能用软件取代服务，催生数十万亿美元的市场机会。
尽管机会巨大，但对于AI软件如何实现真正的落地，仍然没有一个清晰路径。关于这个问题，Bessemer在不久前提出了一个很有价值的观点：
垂直AI软件将成为未来。
说起Bessemer，熟悉SaaS行业的人可能并不陌生。它是美国SaaS领域最专业的投资机构之一，在过去10年投资了200多家SaaS企业。
虽然垂直AI尚处于起步阶段，但我们依然能够看到，生成式AI兴起后，涌现出了一批垂直AI领域的优秀公司，比如AI法律独角兽EvenUp（成立于2019年）、AI医疗公司Subtle Medical（成立于2017年）、AI医疗公司Abridge（成立于2018年）和自动协作软件平台Fieldguide（成立于2020年）。
结合这些垂直AI公司的商业案例，Bessemer制定了10条垂直AI落地的路线图，涵盖了垂直AI功能价值、经济价值、竞争地位和防御性等方面。
不同行业的核心工作流程，对自动化的需求都有不同。然而，工作流程是否具备实现自动化的基础，并不是垂直AI公司构建业务里唯一要考虑的因素。
客户对自动化的兴趣，以及对自动化要求不同，也会对垂直AI的落地产生很大影响。
有时，这些偏好或要求可以在产品设计中得到解决。例如，如果订单低于某个成本，牙科诊所可能希望将医疗用品的采购设置为自动采访，但金额大的采访仍然会需要人工审核。
也就是说，AI采购的解决方案需要具备一定的灵活性，不仅需要实现部分订单自动化采购，还能够让人工参与其他订单。
再举一个例子，一家律师事务所可能愿意完全把为客户付款的环节自动化。但是，当涉及到编写法律摘要等核心工作流程时，他们需要人工反馈，来创建最终输出（例如创建初稿），因为他们希望控制最后产生的成果。
垂直AI落地，需要对垂直场景的市场与用户需求进行充分的研究。
例如，在医疗保健领域，Abridge等AI公司提供的管理工作流程的AI解决方案被广泛采用，原因是临床医生希望自动化诸如记录等管理任务。
虽然人们对多模态AI在诊断环节的应用也很感兴趣，但渗透率仍然很低，原因是医疗保健的支付模式落后于其行业技术的创新。
所以，AI在垂直场景落地不仅需要考虑其是否具备自动化的条件，更需要关注客户的实际需求，以及他们对人工智能的期待。
垂直AI解决方案不仅需要出色地执行任务，更需要建立真正的护城河。
那些很容易被复制的AI解决方案将面临巨大的竞争压力。
比如，在金融服务领域，应收账款和应付账款(AR/AP)自动化解决方案的应用案例越来越多，其中用于数据匹配和发票核对的AI功能可能会提供一些价值，但这些细微的功能很容易被集成到某个工作流工具中，被特定行业的工作流垂直AI解决方案代替。
为了降低大模型商品化的风险，最好的垂直AI应用不仅需要完整覆盖业务全流程，还需要通过API/插件实现与现有系统的无缝对接。
许多B2B AI初创公司通过与成熟平台（尤其是大型现有平台）合作来实现后者，通过无缝集成创造价值。
比如，AI保险公司Sixfold，用API或插件的形式嵌入现有保单管理系统(PAS)中，保险公司保险公司无需对旧系统进行彻底改造或重新构建工作台。这种”即插即用”的集成方式，能够让承保人能够毫不费力地将Sixfold的AI功能直接引入到他们的日常工作流程中。
AI正在重塑职场分工：它不仅替代重复劳动释放人力，更赋予企业突破性的运营能力。真正具有变革价值的垂直AI产品，往往具备两大核心优势——全流程自动化与海量数据处理能力，这正是人类难以企及的领域。
比如，家政领域的AI公司Rilla，通过记录和分析销售代表与客户的面对面互动，能够给销售提供定制反馈和建议，以帮助销售人员提高绩效。如果没有Rilla，销售经理就必须亲自陪同销售代表进行现场访问，但最终仍然会受到个人精力限制。
另一方面，Rilla还可以审核来自公司各地销售代表的大量对话数据，这意味着它为销售代表提供的指导基于的数据量比任何销售经理掌握的数据量还大得多。
这也是为什么销售和营销、服务和法律等某些行业特别适合AI落地的原因：
这些领域的成功，建立在大量书面文本和实践记录中产生的认知。过去，这是一项耗时的工作，但现在AI能够更好的完成，甚至彻底接管。
通过数据，直观向客户展示AI解决方案所带来的效率提升，可以大大加快销售周期并提高客户保留率。
这种效率提升通常来自两个方面：控制成本和创造更多收入。
比如，Abridge可以自动记录医生与患者之间的对话，减少了医生的工作负担，提升了医生对工作的满意度，进而提高了医生的留任率。
通过提高留任率，Abridge大大降低了招聘和培训医生的成本——这些成本每年通常高达数百万甚至数千万美元。
除了控制成本外，Abridge还通过为每位医生每天节省一到两个小时来增加收入。
这些额外的时间使医生能够看更多的病人，直接提高了医院的运营效率，并产生了更多的经营收入。Abridge的每次病人就诊的详细记录和摘要，也通过确保全面的编码和计费来防止收入流失。
EvenUp的案例也能说明这一点。
EvenUp利用AI技术为人身伤害律师事务所生成需求包，而在过去律师助理需要花费数天时间从客户那里收集数据、整理数百份文件、从医疗和警方报告中提取数据等。
由于EvenUp的法律运营团队会审查每封信件，律师事务所可以保持高质量标准，同时大幅减少（或消除）其团队在按需包上花费的时间。这些额外的时间使公司能够承接更多案件，从而增加收入。
垂直AI解决方案所带来新的交付和定价方式，正在带来新的机会。
以前，很多垂直场景没有足够的TAM（总潜在市场）来建立传统软件业务。现在，这部分的市场空白有望被更低、成本更低、服务更标准化的AI所填补。
从历史上看，服务业务很难盈利，因为专业工人的成本很高。而AI将彻底改变这一点。截至2024年，Bessemer的垂直AI投资组合的服务型公司，平均毛利率约为56%，平均资金消耗率为1.6倍，即每赚1美元仅需投入1.6美元运营资金。
一些AI服务产品在人工QA支持下，表现出了更好地交付效果，其他以AI产品为核心服务产品，也有不错的表现。
在销售、营销领域，已经存在规模庞大且资源丰富的竞争对手，比如Salesforce或ADP。在这种情况下，AI垂直公司更应该去寻找竞争压力相对较小的领域。
虽然在一个广阔市场里获得先发优势是理想的选择，但大多数垂直类别至少已经有一家既有者。
但这并非没有机会。当既有者捉襟见肘或整合人工智能的速度缓慢时，行动迅速的初创公司可以通过构建卓越、高投资回报率的人工智能产品和服务来获得竞争优势，这些产品和服务能够用自动化AI解决方案优化一些有价值但并不明显的工作流程。
垂直AI公司通过瞄准被忽视类别中的客户来实现差异化，这些客户往往有着复杂的要求，而这些需求无法通过AI解决方案轻易满足。
例如，为银行或政府承包商提供服务的AI初创公司需要构建特定行业的安全和合规工具来销售给客户。这种基于特定行业需求的复杂性，为AI公司的产品带来了护城河。
为了降低LLM商品化风险，我们可能会开始看到基础模型参与者（例如OpenAI和Anthropic）也开始为这些行业的客户构建相应的垂直模型。
随着模型基础设施成本持续下降，模型将不再是护城河。期的垂直人工智能创始人需要问自己：“为什么我们用人工智能构建的产品会比用公开模型和数据构建的产品更优秀？”
构建新的技术架构，以解决特定问题，可能是一种方法。比如，微调LLM以更好地反映客户的写作风格，或使用检索增强生成(RAG)来更好地执行信息检索。
Bessemer认为，将RAG技术用于行业特定数据集也是建立商业壁垒的一种方法。
在能够处理更复杂（尤其是多模式）工作流程的解决方案中，将会发现新的商业壁垒。
例如，Bessemer投资组合公司Jasper就是一个很好的例子。Jasper的AI解决方案，最终用于营销人员基于文本的GenAI功能创建长篇博客文章。
一般来说，一旦帖子由AI生成并由营销人员完成编辑，接下来就该去寻找合适的配图。因此，Jasper收购了Clickdrop，以加强其Jasper Art产品，使用多模式功能（文本和图像）来满足营销人员的所有需求。
传统SaaS依赖标准技术堆栈的排列组合，而垂直AI公司必须构建定制化的基础设施体系：通过自研能力整合开源模型与商业方案，灵活微调大语言模型，为客户实现最佳的结果。
这种方法可以让AI企业能够在大模型快速迭代中抢占先机。同时，降低试错成本，当开源模型经调优能达到商业模型90%效果时，无需冒险自研。
更重要的是，这种方法还可以让企业将资源投入到最重要的事情上：为客户提供优质的产品。
在这方面，Jasper就是一个为灵活性而构建的产品的绝佳例子。该平台位于营销技术堆栈的核心，充当“AI大脑”，帮助用户制定、设计和执行所有营销专业的计划。
Jasper团队设计了一个使用多个LLM的模块化平台，可以根据客户需求、模型性能和成本通过多个LLM运行营销输入。例如，如果Claude 3.5在某个案例里的表现优于GPT-4，则Jaspe就可以支持可互换的模型基础架构。
专有数据集能够构建护城河，这一点已经得到了广泛的认可。
但对于很多早期创业公司来说，他们无法获得他们想要的数据量。这时候就可以从数据质量入量，因为高质量的数据（无论数量多少）能产生复合效应，随着时间的推移，公司将受益匪浅。
例如，在EvenUp成立初期，团队曾大规模且有意识地投入法律运营，让人工审核所有索赔信函；在这种情况下，数据规模并不像数据质量那么重要，并且随着时间的推移，通过大量高质量的数据反馈将进一步完善模型以改进产品。
在创业早期，更重要的是打造一款高投资回报率的产品，满足核心客户的痛点，并迅速畅销。后续随着使用规模的扩大，专有数据将随之而来，而这些高质量数据也能带来产品的升级。
文/林白
本文由人人都是产品经理作者【乌鸦智能说】，微信公众号：【乌鸦智能说】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。