AI时代的钱在哪里?——拆解森马近1亿AI项目后的7个核心判断

2025年，我开始做一件事：深度访谈100个用 AI 赚到钱的人。

是为了搞明白一个问题：AI 时代，钱到底在哪里？

50+期访谈下来，我得出一个结论：

真正的机会不在技术端，在场景端。不在“会用 AI 的人”手里，在“懂业务的人”手里。

这篇文章，是我把访谈中的认知沉淀下来，分享给同样在探索的人。

拆完森马近1亿的 AI 项目，我想告诉你：大多数人都在错误的方向上内卷

这篇文章写给正在做 AI ToB、AI 创业、或者正在迷茫“该往哪个方向走”的你。

不讲情怀，只讲认知和方法。

引子：一个让我重新思考的案例

前段时间访谈了森马（巴拉巴拉）的高级运营总监渊虹。

聊之前我以为会是那种“我们用了最先进的大模型”的故事。结果聊完三个小时，我发现我想错了。

他们用一年时间，做到了：

• 94台数字员工，相当于545人干一年的活

• 400+自动化场景，覆盖从直播到供应链

• 降本超1000万，视觉成本降低70%-90%

• 增收近1亿 GMV，明年目标5亿

数据很漂亮，但说实话，这不是让我最震撼的地方。

渊虹随口说的一句话：

“技术从来不是核心障碍。能否洞察业务场景、重塑组织流程、让 AI 像数字员工一样融入业务闭环，才是成败的关键。”

我当时就愣了一下。

因为这句话，也一直是我的判断，我觉得和他想到一起了

今天这篇文章，我想从这个案例出发，和你聊聊几个对 AI 创业者和中小个体创业者真正重要的判断：

1. 为什么大多数人都在错误的方向上内卷？

2. ToB AI 项目的真正价值到底在哪里？

3. 作为小团队或个体，该怎么切入？

4. 哪些方向值得 All in，哪些该趁早放弃？

第一个判断：99%的人都在做“技术供给”，而不是“场景闭环”

现象：AI 创业圈的集体焦虑

说实话，我自己也焦虑过，而且焦虑得挺厉害。

做访谈这一年，听到最多的吐槽是什么？

“我做了一个 AI 产品，挺好用的，但是没流量。”

然后发现，最后拼的根本不是产品能力，是搞流量的能力。产品做得再好，没人知道，等于零。

还有人跟我说：“我做了 AI 服务，但卖不出去，客户根本不买账。”

聊完才发现，他是先做了个 AI 能力，然后到处找客户——典型的拿着锤子找钉子。客户不需要锤子，他需要的是把墙上的洞补上。

还有一种焦虑更普遍：模型迭代太快了，根本学不完。

今天刚搞明白 GPT-4，明天 Claude 出新版了；刚准备学 Gemini，下周又冒出来个新的。感觉自己永远在追，永远追不上。

这些焦虑，可能从一开始方向就错了。

森马案例的启示：他们做的不是“AI 能力”，是“场景闭环”

让我拆解一下森马的400+自动化场景。

表面上看，他们做了这些：

• 数字人直播

• 自动化报表

• 商品标题排查

• 店铺陈列优化

• 评论分析

• 智能投流

• ……

但本质上，他们做的是什么？

他们做的是：把一个个“枯燥但重要”的业务动作，变成可自动化、可复制的系统。

举个具体的例子。

森马有一个场景叫“商品标题自动排查”:

• 4000+在架商品

• 需要排查违禁词

• 需要检查描述准确性

• 需要补充热搜词

以前人工做，费时费力，还容易漏。

现在 AI 做：

1. 自动抓取近7天热搜词

2. 和标题比对

3. 找出遗漏的关键词

4. 反馈或直接修改

这个场景有多少“技术含量”？

说出来你可能不信——几乎没有。

用的都是现成的工具，不需要自研模型，不需要高深的算法。一个稍微懂点 AI 的人，可能一两天就能搭出来。

但这个场景有多少“业务价值”？

渊虹告诉我，光这一个场景，一年能省下来的人力成本就是六位数。

为什么？因为它解决了一个真实的、每天都在发生的、让运营人员想死的问题。

核心洞察：AI 创业的机会不在“技术”，在“场景”

我想提出一个判断：

99%的 AI 创业者都在错误的方向上内卷。

他们在卷“技术”:

• 谁的模型更强

• 谁的响应更快

• 谁的价格更低

但真正的机会在“场景”:

• 谁更懂某个行业的痛点

• 谁能把一个业务流程拆得更细

• 谁能做出真正“闭环”的解决方案

技术是公共资源，场景才是护城河。

渊虹说了一句话，我印象特别深：

“只要你对业务的理解够深，对一线理解够深，就可以涌现源源不断的场景。”

这才是 AI 商业化的核心竞争力。

第二个判断：ToB 的本质不是“卖工具”，是“卖结果”

大多数 ToB AI 项目为什么死了？

过去两年，我见过很多 ToB AI 项目：

• 做了一个很酷的产品

• 找了几个种子客户

• 跑了几个月

• 然后就没有然后了

为什么？

因为他们卖的是“工具”，而不是“结果”。

森马案例的启示：企业买的不是 AI，是增长

让我问你一个问题：

森马为什么愿意花大价钱做 AI?

是因为 AI 很酷吗？是因为赶潮流吗？是因为老板对技术有执念吗？

都不是。

渊虹说得很清楚：

“AI 的价值在于销售增长，而非仅仅降本。降本是有天花板的，增长是无限的。”

他们做 AI 的核心目的是：

• 今年增收近1亿 GMV

• 明年目标5亿

• 让整个商业模式升级

降本只是副产品，增长才是目标。

这对你意味着什么？

如果你在做 ToB AI，我建议你问自己一个问题：

你卖的到底是什么？

• 是“一个 AI 工具”？

• 还是“一个可量化的业务结果”？

举个例子：

卖工具的说法：“我们有一个 AI 文案生成工具，可以帮你生成详情页文案，每月只要999元。”

卖结果的说法：“我们帮某服装品牌把详情页转化率提升了20%，退货率下降了15%。我们按效果收费，效果不好不收钱。”

哪个更有说服力？

这就是 ToB AI 的本质区别：

• 卖工具：你在和所有 AI 工具竞争，比的是功能和价格

• 卖结果：你在和客户的业务问题绑定，比的是谁更懂业务、谁能真正解决问题

那 ToB 服务到底该怎么报价？

很多人问我这个问题。其实答案很简单：一切都是算账逻辑。

老板是最懂算账的人。你不需要跟他讲你的技术多牛、你的模型多先进。你只需要告诉他三件事：

1. 我做的这个东西能帮你解决什么问题

2. 这个问题解决了，一年能帮你省多少钱、或者多赚多少钱

3. 我收你多少钱

就这么简单。

比如说，你做了一个 AI 解决方案，一年能帮这个企业多赚1000万。那你收他100万，他愿意；你收他10万，他更 OK。因为他算得过来账。

但如果你说“我们这个 AI 工具每月999元”，老板心里会想：这玩意儿能帮我赚多少钱？不知道。那我为什么要买？

这就是卖工具和卖结果的区别。

还有一个重要的认知：AI 时代是定制化时代

以前做 ToB，大家都想做 SaaS，做标准化产品，因为定制太累、没法规模化。

但 AI 时代不一样了。

有了 AI 的编程能力之后，定制化的成本大幅下降。以前做一个定制功能可能要一个程序员干一周，现在可能半天就搞定了。

这意味着什么？

AI 应该是给每个人做定制、给每家企业做定制、甚至给每个岗位做定制。

以前“定制”是个贬义词，意味着累、不赚钱、没法规模化。

但在 AI 时代，“定制”可能才是正确的姿势——因为你能用很低的成本，给每个客户提供真正贴合他业务的解决方案。

这是一个值得深入研究的方向。

第三个判断：AI 不是“替代人”，是“复制顶尖经验”

一个容易被忽视的关键洞察

森马的 AI 系统里，有一个我特别关注的点：

“我们要把最顶尖的经验喂给 AI。”

具体怎么做的？

• 文案：找公司文案最好的专家，把他的能力萃取出来训练 AI

• 投流：找公司投流最厉害的人，把他的经验抽离出来

• 直播：复刻最好的主播，而不是一般的主播

渊虹当时说了一句话，我觉得特别糙但特别对：

“AI 圈子里有一句话叫‘进去是垃圾，出来也是垃圾’。你进去的东西必须是最好的，它出来的东西才能好。”

我听完就笑了。这话糙理不糙。

这意味着什么？

AI 的价值不是“替代普通人”，而是“复制顶尖专家”。

以前：

• 一个公司最好的文案，只能服务有限的项目

• 一个公司最好的投流手，只能盯有限的账户

• 一个公司最好的主播，只能播有限的时间

现在：

• 把最好的文案能力复制给所有项目

• 把最好的投流经验复制到所有账户

• 把最好的主播风格复制到7×24小时

这才是 AI 真正的杠杆。

对你的启示

如果你在做 AI 服务，问问自己：

你的 AI，复制的是“平庸水平”还是“顶尖水平”？

• 如果是平庸水平：你的 AI 只是“能用”，没有竞争力

• 如果是顶尖水平：你的 AI 能真正创造差异化价值

这意味着：

1. 你需要找到某个领域的“顶尖经验”

• 可能是你自己在某个领域的积累

• 可能是某个行业专家的 know-how

• 可能是某个头部客户的最佳实践

2. 你需要把这个经验“系统化”

• 不是简单的 prompt

• 而是完整的工作流

• 包括输入、处理、输出、反馈的闭环

3. 你需要能“规模化交付”

• 让这套经验可以服务更多客户

• 让每个客户都能享受“顶尖水平”

这才是 AI 服务的正确打法。

第四个判断：闭环设计比单点能力更重要

大多数 AI 应用为什么“没用”？

这个问题我也困惑过很久。

我见过太多这样的场景：

• 一个公司买了 AI 翻译工具，用了几次，就放着落灰了

• 一个团队搭了 AI 文案生成，发现生成的东西还是要大改，干脆不用了

• 一个老板让员工用 AI 做报表，结果员工觉得麻烦，还是手动做

我一开始以为是“AI 还不够好”。后来发现不是。

问题出在别的地方。

渊虹给了一个很好的解释：

“普通的应用就是用 AI 做到翻译，做完翻译其实没有闭环。”

什么叫“闭环”？

让我用森马的一个案例来解释。

场景：亚马逊评价分析

没有闭环的做法：

1. 用 AI 翻译英文评价

2. 看完，结束

问题：看完之后呢？然后呢？没有然后了。

有闭环的做法：

1. AI 翻译

2. 打标签（尺码问题/面料问题/版型问题）

3. 生成词云和可视化仪表盘

4. AI 分析问题，给出产品迭代建议

5. 推动研发部门做迭代

这才是闭环。

从输入（用户评价）到输出（产品迭代），每一步都有下一步，最终形成业务价值。

对你的启示

如果你在做 AI 服务或 AI 产品，问问自己：

你做的是“单点能力”还是“闭环系统”？

单点能力：

• 只解决一个环节的问题

• 和其他环节是割裂的

• 用户用完还需要自己做后续处理

闭环系统：

• 覆盖一个完整的业务流程

• 每一步的输出是下一步的输入

• 最终输出的是可直接使用的业务结果

举个例子：

单点能力：“我们帮你生成商品文案”

闭环系统：“我们帮你：分析用户评论→提取卖点→生成文案→优化主图→上架商品→追踪转化→持续迭代”

哪个更有价值？

闭环系统的价值，远远大于单点能力的简单叠加。

第五个判断：技术会被追平，组织能力不会

森马 AI 为什么能做到400+场景？

访谈的时候我专门问了这个问题。

因为400多个场景，这个数字太吓人了。我以为他们团队至少得有一堆技术大牛。

结果渊虹的回答让我有点意外：

“我们团队的特色是，核心成员基本都是业务转型过来的，所以对业务的理解非常深。”

等等，不是技术团队背景，是业务团队背景？

我当时就追问：那你们的技术能力从哪来的？

渊虹的回答很简单：

“技术瓶颈自然而然就解决了。谷歌的 Gemini、GPT、各种新工具发布之后，很多技术问题自然就不是问题了。”

说白了就是：技术这玩意儿，等等就有了。但对业务的理解，你不花时间泡在一线，永远不会有。

这意味着什么？

技术会被追平，组织能力不会。

• 今天你用的模型更强，明天大家都能用

• 今天你的 Agent 更快，明天所有人都能做到

• 今天你的价格更低，明天一定有人比你更低

但是：

• 你对某个行业的深度理解，别人很难快速复制

• 你梳理出的业务流程，别人需要时间踩坑

• 你和客户建立的信任，别人需要时间积累

对你的启示

如果你在思考 AI 创业的方向，问问自己：

你的护城河到底是什么？

• 如果是“技术”：你很危险，因为技术会被追平

• 如果是“行业 know-how”：你有机会，因为这需要时间积累

• 如果是“闭环交付能力”：你很有价值，因为这需要业务洞察+组织能力+持续迭代

我的建议是：

1. 选一个你真正懂的行业

• 不要什么热做什么

• 要做你有积累、有洞察、有资源的领域

2. 深挖这个行业的业务流程

• 不要停留在“AI 能做什么”

• 要深入到“这个行业的人每天在做什么、在哪里痛”

3. 建立闭环交付能力

• 不要只卖工具

• 要帮客户真正解决问题、拿到结果

第六个判断：从“AI for All”到“AI for One”

大多数 AI 创业者的错误路径

说句得罪人的话：很多 AI 创业者，包括我自己，一开始的路径就是错的。

我见过太多这样的故事了（也包括我自己踩过的坑）:

1. 发现 AI 有一个很酷的能力

2. 想着“这个能力可以服务很多行业”

3. 做一个通用的 SaaS 产品

4. 到处找客户

5. 发现每个客户的需求都不一样

6. 疲于奔命地做定制

7. 最后既没有规模，也没有利润

是不是很熟悉？

从“AI 能力”出发，而不是从“客户场景”出发。

森马案例的启示：从“场景”出发，而不是从“能力”出发

让我再分析一下渊虹团队的路径：

1. 他们的起点是业务

• 核心成员都是业务转型过来的

• 对电商运营的每个环节都很熟悉

2. 他们的方法是“业务拆解”

• 把每个业务流程拆成具体的动作

• 找出哪些动作是“枯燥但重要”的

• 用 AI+RPA 把这些动作自动化

3. 他们的护城河是“场景密度”

• 400+自动化场景

• 覆盖7大类业务

• 每个场景都是从真实痛点出发

这才是正确的路径。

对你的启示

如果你在做 AI 创业，我建议你调整路径：

从“AI for All”转向“AI for One”

什么是“AI for All”？

• 做一个通用的 AI 工具

• 试图服务所有行业

• 功能很多，但每个都不够深

什么是“AI for One”？

• 选一个具体的行业

• 选一个具体的场景

• 把这个场景做到极致

举个例子：

AI for All:“我们做了一个 AI 客服，可以服务电商、教育、金融、医疗……”

AI for One:“我们专门做服装电商的 AI 客服。我们知道服装退换货的20个常见原因。我们知道怎么引导用户换码而不是退款。我们知道旺季和淡季的话术应该怎么变化。我们和10家头部服装品牌合作，帮他们把退货率降低了15%。”

哪个更有竞争力？

当你足够深入一个行业，你的 AI 就不再是“通用工具”，而是“行业解决方案”。

第七个判断：心态决定终局

AI 时代最容易掉进的两个坑

这一年我见了太多人，发现大家的心态基本就两种，都有问题：

第一种：AI 狂热症

“AI 无所不能，我只要做一个 AI 产品，客户就会来买。”

醒醒吧。AI 只是工具，客户买的是结果。没有人为“AI”付费，只有人为“解决问题”付费。

第二种：AI 恐惧症

“AI 还不成熟，等技术更完善了再说。”

我只能说：AI 永远不会“完美成熟”。等你准备好的时候，别人已经跑了三年，坑都踩完了。

森马的心态：把 AI 当985/211校招生

渊虹说了一个很有意思的比喻：

“应该像985、211的校招生进来那样，给他一个容错周期和培养周期。”

什么意思？

1. 不要期待 AI 完美

• AI 会犯错

• AI 需要调教

• AI 需要时间成长

2. 但也不要低估 AI 的潜力

• 校招生一开始可能不如老员工

• 但培养好了，可能比老员工更强

3. 关键是你愿不愿意投入时间培养

• 如果你一开始就放弃，永远不会有收获

• 如果你愿意投入，会有指数级回报

对你的启示

如果你在做 AI 相关的事情，问问自己：

你的心态是什么？

• 是“AI 不行，等等看”？

• 还是“AI 有潜力，我要投入培养”？

这个心态的差异，决定了你能不能抓住 AI 的红利。

所以，你该怎么做？

写到这里，我自己也在反思。

这一年访谈下来，最大的收获不是认识了多少大佬，而是终于想明白了一些事。下面这些建议，也是说给我自己听的：

1. 别再卷技术了，去卷场景

说真的，你的模型强不强，没那么重要。

重要的是：你对哪个行业的哪个场景，理解得比别人深？

怎么做？很笨但很有效的办法：

• 选一个你有积累的行业

• 去访谈10个这个行业的从业者

• 问他们每天最痛苦、最重复、最想甩掉的是什么活

• 然后用 AI+自动化帮他们解决

别觉得 low，森马400个场景就是这么一个个抠出来的。

2. 别卖工具，卖结果

这话说起来简单，做起来难。

但你可以先从一件事开始：找1-3个种子客户，不收钱或者象征性收点钱，帮他们真正解决一个问题。

解决完之后，把结果量化出来。“帮某客户转化率提升了多少”、“帮某客户省了多少人力”。

这比你说一万遍“我们的 AI 很牛逼”都有用。

3. 别做单点，做闭环

这个我之前也不理解，后来想明白了。

你做一个 AI 文案生成工具，客户用完还得自己去排版、去配图、去上架。麻烦。

但如果你能帮他从“分析评论→提炼卖点→生成文案→配图→上架”一条龙搞定，那就不一样了。

闭环的价值，是单点的10倍不止。

4. 别等了，先进场

最后一条，也是最重要的一条：别等 AI“成熟”了再入场。

技术会被追平的。今天你不会的，明年工具就帮你解决了。

但对一个行业的理解、和客户建立的信任、踩过的坑——这些东西，只能靠时间换。

早一天进场，就多一天积累。

最后说两句

这篇文章写得有点长，能看到这里的都是真爱。

森马这个案例，给我最大的启发其实就一句话：

AI 时代的机会，不属于“最懂 AI 的人”，而属于“最懂业务的人”。

技术是公共资源，迟早会被追平。但你对一个行业的理解、你能帮客户解决的问题、你做出来的闭环系统——这些才是真正的护城河。

当所有人都在卷模型、卷 Agent、卷价格的时候，我反而觉得该反过来想：

不要问 AI 能做什么，要问这个行业的人需要什么。

从这个角度出发，遍地都是机会。

好了，就这些。希望对你有点用。

如果你在做 AI 创业、AI 技术落地，或者正在寻找方向，欢迎链接交流。

一起服务B端为B端提供AI落地解决方案，如果你是B端，可以合作起来，我们提供AI产品、课程内容、AI定制化落地方案。