人工智能應用如何尋找可持續的盈利機會？

消費人工智能訂閲模型正面臨困境：代幣成本持續上升，而用户的支付意願卻難以跟上。這種結構性緊張使得這一商業模式極其脆弱。更可持續的人工智能商業化可能發生在高價值用户、深度工作流程整合以及與實際商業結果直接關聯的場景中。這正是建立垂直人工智能軌道的經濟前提。《代理經濟》第九期將剖析 Harvey、Farther 和 Adyen 的案例，看看它們如何在基礎模型商品化的背景下建立競爭優勢。它還將探討兩個更棘手的問題：當代幣補貼消退時，這些優勢是否仍然成立？當 OpenAI 和 Anthropic 開始向企業客户派遣工程團隊時，這意味着什麼？隨着參數競爭的邊際效應減弱，曾經稀缺的智能正在迅速演變為商品化的公共基礎設施。這導致依賴簡單調用第三方 API 且缺乏嵌入特定場景能力的輕量級應用的商業模式加速崩潰。然而，商品化從來不是終點。每當一種新興技術變得普及時，它就會將價值機會從擁有技術的人轉移到能夠真正實施它的人身上。這一模式促使垂直人工智能平台的快速崛起。垂直人工智能平台是指深入特定行業的人工智能應用層，深度封裝通用模型的能力，並圍繞特定工作流程重新安排業務流程。通過自建評估系統（Eval）和多智能體架構，這些平台正在將基礎模型簡化為可隨時替換的計算組件，從而將行業的核心工作流程資產牢牢鎖定在系統內。其核心本質在於消除業務流程中的摩擦，將複雜的專業工作轉變為可持續的、累積的系統資產。要理解這一新軌道的出現，必須明確企業和專業人士所支付的從來不是基礎模型參數的規模，而是其在內部工作流程中深度嵌入的能力，形成數據循環並推動實際收入。這就是為什麼高薪法律專家、為高淨值客户服務的財務顧問以及交易量巨大的領先商家成為下一代垂直人工智能平台競爭的焦點。這些人掌握預算決策權，承擔合規責任，並受到明確商業結果的驅動。無論是幫助一位每小時賺取一千美元的律師節省十個小時，還是協助一位財富顧問增加管理資產並優化税後利潤，他們創造的商業價值都可以直接量化。這種與高價值生產實體的精準綁定是垂直人工智能成功的經濟基礎。目前，這一探索主要在兩個方向上展開。首先，人工智能被用來重組專業工作流程，顯著降低之前僅由大型機構承擔的運營成本。在法律和財富管理領域，合規、風險控制和專業交付等高門檻任務正通過技術平台系統化處理，使專業人士能夠以更少的資源完成更高密度的工作。其次是交易基礎設施的重構，重塑商家與代理之間的連接。在代理商業中，儘管前端意圖攔截和交互由人工智能實驗室控制，但最終的交易轉化仍然發生在商家的基礎設施內。Adyen Agentic 充當通用翻譯器，幫助商家一次性連接並參與各種跨協議的人工智能購物平台，而無需為每個新協議重建系統。這三個案例有不同的切入點，但都涉及通過系統演變將行業中之前難以標準化的核心能力轉變為可持續使用的資產。Harvey 積累了法律判斷和行業知識；Farther 積累了客户關係和税務優化能力；Adyen 積累了商家產品數據、協議適配和結算能力。這正是微軟首席執行官薩提亞·納德拉所稱的代幣資本：人工智能的長期價值不僅來自於單一任務的執行，還來自於在系統內結構化保留人類判斷、知識和工作流程，通過持續互動形成自我迭代的資產。190 百萬年經常性收入和 460 百萬計算費用：Harvey 的不可持續規模遊戲 Harvey 是當前垂直人工智能浪潮中估值最高、增長最快的例子之一。這一邏輯的潛力和困境在 Harvey 身上最為集中。這個法律平台並不擁有任何通用模型，通過深度定製律師事務所的核心工作流程，其年經常性收入從 1 億美元提升至 1.9 億美元，並在五個月內（2025 年 8 月至 2026 年 1 月）達到了 110 億美元的估值。這表明，垂直平台不需要參與通用模型的基礎鬥爭；只要他們真正理解行業任務並重構高價值用户的日常工作場景，就能建立強大的商業化能力。然而，在這些令人印象深刻的財務數字背後，隱藏着不斷擴大的計算能力賬單。公開數據顯示，Harvey 的月度代幣使用量已從約 1 萬億增長至 12-13 萬億。按每百萬代幣 3 美元估算，其年化理論推理成本高達 4.68 億美元。儘管目前這一成本通過大型公司的折扣和 Prompt Caching 等技術暫時降低，但受外部因素限制的成本結構意味着，一旦補貼縮減，賬單將立即反彈。在這種財務壓力下，年經常性收入的增長極難轉化為真實現金流，反而不斷面臨規模反噬的風險。這反映了本土人工智能應用無法避免的成本悖論：產品越受歡迎，其推理成本越高。傳統 SaaS 幾乎沒有邊際成本，但在法律等場景中，由於其長上下文和高推理密度，每個複雜任務都消耗真實的計算能力。因此，開發內部模型已從技術選擇轉變為由成本驅動的必然選擇。目前，Harvey 正在推進其專有模型的後訓練策略，與 Applied Compute 深度合作，針對法律行業微調開源基礎模型（如 GLM-5.1）。根據雙方最新的技術披露，後訓練的專有模型在 Harvey 自建的法律代理基準（LAB）中達到了 0.913 的評分通過率，從 0.853 提升至 0.853，超越了 GPT-5.5 xhigh，接近 Opus 4.8 Max。成本降低同樣顯著。通過用最先進的大模型替換評估模型，並批量處理多個評估標準，評估成本降低了 40 到 100 倍。這意味着 Harvey 可以以更低的成本持續迭代其評估週期，其專有評估系統本身已成為一種累積的競爭資產。更值得注意的是，性能提升背後的變化。包括輸出完整性、數值準確性、文檔可追溯性和幻覺抑制等多個關鍵行為都得到了可量化的改善。在訓練過程中，模型調用工具的次數持續減少，但每次調用更為精準，導致總代幣消耗減少。換句話説，模型學習的是如何在特定工具環境中有效工作，而通過大量法律任務積累的這些行為模式比模型參數本身更難以外部複製。Harvey 的案例表明，垂直人工智能平台的競爭基礎正在向更深層次延伸。雖然工作流程設計和客户關係很重要，但後訓練能力和對開源模型的控制、專有評估系統和數據生成能力、多智能體架構以及推理成本優化正在成為新的差異化來源。Farther 的去組織化：打破傳統大型經紀公司對顧問的束縛如果 Harvey 在大型專業服務機構內壓縮了交付成本，那麼財富管理平台 Farther 則展示瞭如何幫助核心人才擺脱傳統巨頭的組織拉力。Farther 是一個獨立顧問（RIA）的技術平台，專門招募離開摩根士丹利、美林、瑞銀和高盛等巨頭的財富顧問。在傳統的全方位經紀系統中，顧問往往承擔低佣金率和繁重的後台行政負擔。Farther 的做法是直接招募顧問，將之前被大型機構壟斷的後台能力整合到一個統一的平台中：除了高佣金率，税損緩解、直接指數化、私募股權市場準入、合規審計和文檔管理等功能均內置。官方數據顯示，其税務智能算法單獨可以為客户帶來 1% 到 3% 的税後投資回報改善。這一模式已經得到了資本市場的強有力驗證。2026 年 5 月，Farther 完成了由 General Atlantic 領投的 1.5 億美元 D 輪融資，正式躋身獨角獸行列。目前，其管理資產已超過 230 億美元，包括最近從高盛私人財富部門挖來的明星私人銀行團隊，管理着 15 億美元的資產。獨立財富顧問的持續湧入表明，傳統大型經紀公司所依賴的系統性聯繫正在變得無效，獨立執業不再是少數人的邊緣選擇。Harvey 專注於提高律師事務所內專業交付的效率；而 Farther 則從零開始構建了一個獨立平台，使顧問能夠在不依賴傳統大型經紀公司的情況下獲得相等甚至更強的後台能力。儘管它們的切入點不同，但都在重新定義專業服務的生產方式。在這個平台的支持下，之前僅限於大型機構超高淨值（UHNW）部門的複雜投資工具，如直接指數化和私募股權市場，現在可以輕鬆被獨立顧問訪問，極大地擴展了他們的專業工作範圍。傳統 SaaS 只能處理記錄和存儲等淺層流程自動化，無法處理決策和協調等複雜執行。基於多智能體架構的人工智能原生系統自然適合處理行政執行與非標準邏輯判斷之間的灰色地帶，如合規審查、個性化文檔撰寫和資產配置建議。這些任務之前需要整個後台團隊，現在正被系統迅速吸收。被低估的商家一側：代理商業的閉環關於代理商業的討論仍然熱烈，但目前公眾關注幾乎完全集中在消費者一側——人工智能助手如何替代用户搜索產品、比較價格和自動下單。相比之下，商家一側的實際反饋則要冷淡得多。沃爾瑪的人工智能原生結賬（Instant Checkout）轉化率目前僅為傳統點擊重定向模型的三分之一；即使在 2026 年，真正整合 Shopify 人工智能結賬系統的商家比例也將保持有限。人工智能激活的需求與實際交易完成之間存在明顯差距。這一差距的產生是因為代理交易是一個複雜的系統。理解用户意圖只是第一步；將需求轉化為收入需要包括庫存驗證、税務計算、欺詐預防和風險控制、履行和資金結算等端到端的支持。這些能力目前被鎖定在商家的本地系統中。同時，多種智能代理支付協議，如 UCP、ACP、AP2、Agent Pay 和 Visa Tokenization 並存且互不兼容。商家既沒有適應每一個的動力，也沒有分散技術的成本。Adyen 推出了 Adyen Agentic 來解決這一問題，使用三層模塊化 API 覆蓋交易鏈的不同階段：Agentic Feed：負責標準化和分發商家的產品目錄、定價和實時庫存數據到主流人工智能平台；Agentic Cart：將商家的現有結賬、税務、履行和訂單管理系統整合到對話商業的基礎層；Agentic Payments：處理代理驅動交易中的身份驗證、網絡風險控制和多渠道資金結算。一旦商家整合，Adyen 可以在不同的人工智能代理平台和協議之間進行翻譯，消除每次市場格局變化時重建基礎系統的需要。在智能代理商業生態系統中，儘管前端人工智能實驗室和對話接口可能捕獲用户意圖和流量，但實質性的價值轉化、交易實施和財務結算仍然在很大程度上依賴於商家一側的基礎設施。與激烈競爭的前端切入點相比，商家一側的系統集成服務更有可能成為穩定的、可收費的基礎設施。垂直平台的隱憂：模型工廠的滲透和代幣成本的重構隨着低價通用工具市場的飽和，依賴低價訂閲的大模型平台的商業邏輯逐漸顯露出脆弱性。當像總結網頁和撰寫電子郵件這樣的通用功能容易被替代時，垂直平台必須專注於優先考慮商業結果的高價值客户。然而，應用的價值越高，競爭環境就越複雜。壓力的一個來源來自模型供應商商業邊界的主動擴展。OpenAI 和 Anthropic 不再滿足於僅僅作為 API 批發商；相反，他們通過前線工程團隊（FDE）直接與核心客户進行接觸。2026 年 4 月，OpenAI 與一家 260 億美元的公司 Customers Bank 合作，其工程團隊在現場開發用於貸款批准和開户的智能代理，利用本地數據。另一方面，Anthropic 與金融 IT 巨頭 FIS 合作，將其 FDE 團隊嵌入其內部系統，開發反洗錢工具，利用 FIS 廣泛的銀行網絡直接接觸銀行業務的最深層次。這種現場合作模式表明，主要模型製造商正在利用基礎設施渠道直接學習和複製高門檻行業的內部業務流程。另一個壓力來自不可持續的代幣定價邏輯。目前，大多數前沿基礎模型代幣在補貼後實際上是以虧損出售的。隨着企業級多智能體架構的高頻調用，一旦主要製造商的補貼消退，完全依賴外部前沿 API 接口的垂直平台將發現其計算能力成本不可持續。隨着推理需求的增加，這一壓力將進一步加大。當數百個代理 24/7 全天候頻繁互動時，對計算能力的需求將呈指數增長。然而，由於 ASML 光刻機等機器的製造週期極長，基礎硬件供應鏈根本無法跟上。對於大多數日常操作而言，使用前沿大模型處理所有任務本身就是一種嚴重的資源錯誤配置。這正是 Harvey 不得不與 Applied Compute 合作建立專門測試集、私有評估系統和人工標註管道的原因。垂直平台不僅僅是產品開發；它們正在進行高度複雜的成本工程：精確計算每個任務的代幣損失，明確哪些中間步驟可以轉移到低成本的開源小模型，哪些關鍵決策必須利用高價旗艦模型，以及何時應啓動人工審核。在這種背景下，一個簡單、美觀的工作流程界面已不足以提供可持續的競爭優勢。掌握後端成本工程是垂直人工智能平台長期生存的關鍵。結論：市場稀缺性迴歸產業鏈頂端當通用大模型變得像水、電和氣一樣觸手可及時，人工智能應用的價值開始集中在產業鏈的最頂端和最底端。在這個階段，行業的稀缺屬性並沒有消失：上游仍然是無法被算法標準化的核心，如客户信任、複雜的非標準判斷和隱藏在從業者經驗中的非結構化知識；下游是商家網絡，承載着產品數據、合規鏈和支付渠道。垂直平台的本質在於將這些高價值實體的專業經驗轉化為可持續累積的代幣資本。這也決定了應用層的競爭邏輯正在迴歸務實。支撐過去十年軟件行業快速增長的 “規模敍事” 在面對計算能力支出和物理供應鏈的剛性約束時，開始顯得乏力。在這一新週期中，應用層公司的生存依賴於複雜的成本和計算能力套利。隨着模型價格戰的下降和計算資源的限制，應用平台必須在成本和性能之間找到最佳解決方案，而不是繼續依賴資本注入。儘管大型模型供應商擁有更強的計算資源和前線工程團隊，但靈活的垂直平台和獨立專業人士最獨特的競爭優勢仍然是將其積累的隱性專業知識轉化為基本模型供應商無法複製的系統資產。避免對流量的廣泛競爭，優先考慮高價值生產實體的商業閉環，是垂直人工智能在大模型商品化時代長期生存的邏輯。