当企业不再买软件,而是买结果:AI 服务化浪潮里,一个被忽视的基础设施机会

越来越多的企业都在思考，智能体是不是能够完成更多的服务，交付更多的结果。

今年 3 月，红杉发布了一篇在硅谷创投圈引发广泛讨论的文章《Services: The New Software》，核心判断极其锋利：下一家万亿美元公司，将是一家披着服务公司外衣的软件公司。

翻译过来就是：AI 的商业模式，正在从”卖工具”转向”卖结果”。而这两者之间的市场天花板，差了整整一个数量级。

说白了，AI 的战场，正在从1万块钱的软件预算，转向12万块钱的人力预算。问题是：企业想要的是“被完成的工作”，市场能给的却仍然是“更好用的工具”。这中间缺了什么？

过去十年，制造业企业买 ERP、买 MES、买质检系统，本质上买的是“使用权”。企业自己招人，用这些工具来干活。软件厂商的收入来自 license，卖的是“你用软件的权利”，至于活干没干完、干得好不好，那是企业自己的事。

但现在情况变了。

一方面，人力成本持续上涨，年轻人不愿意进工厂做重复性文职工作，外包团队也在涨价。另一方面，很多制造业企业已经接受了外包模式——报关外包、代理记账、质检外包、能耗审计外包，这些预算本来就存在，而且规模远大于软件采购预算。

红杉给了一个很直观的数据：每花1美元在软件上，就有6美元花在对应的服务上。在制造业的质检、供应链审核、单据处理这些环节，这个比例可能更高。因为软件一年可能就几万块，但养人或者外包，一年可能是几十万甚至上百万。

所以新需求的真实面貌是：企业不再愿意为“使用软件的权利”付费，它们愿意为“工作被完成的结果”付费。

比如：

• 一家电子厂每个月有 200 家长尾供应商，合同条款、报价单、交货周期需要持续比对审核，厂里不想养 3 个采购专员专门干这个；

• 一家医疗器械出口企业，每季度要处理上千份报关单据和合规文件，出错就被海关扣货，但招一个熟手越来越贵；

• 一家新材料公司，每年要做几十份能耗审计和碳排放报告，专门雇人写报告不划算，交给外包公司又觉得质量不稳定。

这些工作的共同特点是：规则复杂但终究有章可循，需要大量人力但价值密度不高，企业已经外包但成本还在涨。老板们真正想买的是：有人（或者某种新形态的服务商）能稳定、便宜、不出错地把这些活包了。

预算来源也变了。以前买软件走 IT 部门的预算，现在买“结果”走的是运营部门或总经理直接管控的人力外包预算。这是两个完全不同的决策链条，也意味着 AI 公司如果还在 IT 部门门口推销“更智能的工具”，其实敲错了门。

如果需求是“把活干了”，那供给端应该提供什么？

显然不是传统 SaaS 公司——它们卖的是账号和 license，交付的是功能列表，不承担结果责任。你买了财务软件，账还是得自己找人记。

也不是传统外包公司——它们卖的是人头和时间，按人数、按月、按项目计费。5 个人干 5 个人的活，10 个人干 10 个人的活，无法实现边际成本递减。外包公司本质上还是人力中介。

真正匹配新需求的，应该是一种“AI 原生服务商”： 它用 AI 完成绝大部分规则复杂的重复性工作，用极少数人类专家把控关键判断，按实际交付的结果（处理了多少张单据、审核了多少份合同、生成了多少份报告）收费。

它的组织形态可能很轻。一个懂行业规则的专家，加上一套 AI Agent 团队，就能同时服务十几二十家企业。我们可以把它叫做 OPC（One Person Company）——一人公司。这不是比喻，而是正在发生的现实：在美国，已经有律师用 AI 团队同时服务 50 家企业的合同审核；在中国，也有数据科学家用自动化工具同时给多家工厂做供应链分析。

这种新供给在理论上非常诱人：

• 成本结构不同：AI 处理第1份单据和第1000份单据的边际成本几乎一样，规模越大越便宜；

• 交付速度不同：7×24小时运行，不会因为员工请假、离职、情绪波动而中断；

• 质量一致性不同：规则一旦确定，执行标准统一，不会像人工那样今天一个样、明天一个样。

但问题在于：这种新供给，在今天的中国市场上，几乎找不到。

不是没人想做，而是想做的人发现，从“有一个好想法”到“能稳定交付结果”，中间隔着一道深沟。

企业老板们嘴上都说“愿意试试 AI”，但真到了掏钱的环节，预算往往还是流向了传统外包公司。为什么？因为需求侧有四个实实在在的卡点，把 AI 服务预算锁死了。

第一个卡点：不知道怎么验证。

买软件很简单，开个账号试用两周，功能有没有一目了然。但买“AI 替代人工的结果”，你要验证的是准确率、召回率、极端情况的处理能力，以及出错以后怎么办。比如让 AI 审核报关单，漏掉一个关键条款可能导致整批货被扣，这个风险怎么试？传统 POC（概念验证）只能跑几个样本，真实业务场景的复杂度是 POC 的 100 倍。企业需要一个低成本、低风险的“试金石”，但市场上几乎没有这样的机制。

第二个卡点：出了事谁负责？

传统外包有明确的法律责任主体。如果外包团队审核报关单出错，合同里写得清清楚楚，外包公司担责。但如果换成 AI 服务，一旦出错，是 AI 服务商赔、使用企业自己认栽，还是平台方兜底？现有的法律框架和商业保险体系，对这种新型服务关系几乎空白。老板们一想“万一出事找不到人背锅”，宁可继续用贵一点但“看得见摸得着”的人工外包。

第三个卡点：数据给出去，会不会被反噬？

制造业的质检数据、供应商报价、客户名单，都是命根子。企业担心：我把数据给你训练 AI，模型学会了，你是不是也能服务我的竞争对手？甚至你自己变成我的竞争对手？在缺乏“数据不出域”或“隐私计算”成熟方案的情况下，很多企业宁愿忍受高成本的人工外包，也不愿承担数据泄露的风险。

第四个卡点：换掉老供应商，比想象中难。

理论上，替换外包供应商只是换一个乙方，应该比裁掉内部员工容易。但实际情况是，现有外包供应商往往跟采购部门合作多年，关系盘根错节。引入 AI 服务商意味着打破现有利益格局，采购部门的决策风险远大于技术风险。很多老板即使心里认可 AI，也会卡在“怎么跟现在的外包商分手”这一步。

这四个卡点叠加，造成了一个尴尬的局面：企业非常想要 AI 替代外包带来的降本增效，但预算被锁在了一个“不敢动”的状态里。

与此同时，供给侧也是一片“看起来热闹，实际上难产”的景象。大量 AI 从业者看到了“服务即软件”的机会，但几乎都在同一个地方跌倒。

第一个瓶颈：没有“生产系统”。

很多人以为，做一个能替代人工的 AI 服务，就是调个大模型、套个壳、做个聊天界面。但实际上，从企业的原始数据接入，到特征工程、模型训练、API 部署、结果交付、客户反馈、模型迭代，需要一条完整的工程流水线。大多数 AI 应用团队只有“做模型”的能力，没有“开工厂”的能力。他们能做出一个很漂亮的 demo，但无法做出稳定、可扩展、可监控的生产级服务。Demo 和量产之间，差着一整套 DevOps、数据工程、质量监控和安全合规的体系。

第二个瓶颈：找不到合适的人。

既懂 AI 又懂制造业质检流程、既会调模型又懂保险核保规则、既能写代码又懂报关单逻辑的人，极其稀缺。传统公司养不起这类人——年薪百万可能都留不住，因为市场上抢得太凶。而 OPC 模式又要求他们以“一人公司”的形式独立生存，这对个人的全栈能力要求极高：既要懂业务，又要懂技术，还要懂交付、懂客户沟通。这样的人，万里挑一。

第三个瓶颈：冷启动太难。

即使你做出了一个能替代人工的 AI 服务，怎么找到第一个客户？制造业企业不会上百度搜“AI 质检服务”，它们信任的是熟人介绍、行业协会背书、政府推荐。一个没背景、没案例的 OPC 创业者，连厂门都进不去。新供给缺乏一个“被看见、被信任”的渠道，这是比技术更难逾越的障碍。

第四个瓶颈：从项目制到产品化，有一道死亡谷。

很多 AI 团队以“项目制”切入，为单家企业定制开发。但项目制是陷阱——每接一个新客户，都要重新理解需求、重新处理数据、重新调整模型，边际成本不降反升。要实现从“项目”到“产品化服务”的跃迁，需要标准化的数据接口、通用化的模型架构、自动化的交付流程——这恰恰是个人或小团队最缺乏的基础设施。

这四个瓶颈导致了一个残酷的现实：想做 AI 服务的人很多，但能稳定交付结果、能规模化扩张的供给，几乎为零。

当需求侧“不敢买”和供给侧“做不出”同时发生时，市场就会出现一个典型的空白地带：需要有人来做连接层，不是做应用，不是做模型，而是做让 AI 服务能够规模化生产与可信交付的基础设施。

在调研中，我们发现和鲸科技正在尝试一种独特的“三位一体”架构。它不像大厂那样卖算力，也不像应用公司那样直接抢客户，而是卡在供需断裂的缝合点上，试图同时解决“需求侧不敢买”和“供给侧做不出”的问题。

和鲸的核心产品 ModelWhale，过去常被看作数据科学家的开发工具。但如果放在“服务即软件”的语境下看，它的角色更像是一家 AI 服务商的“生产操作系统”。

它解决的是供给侧最痛的“生产系统缺失”问题。一个垂直领域的 OPC 创业者，不需要自己搭建数据 pipeline，不需要自己维护模型训练集群，不需要手写 API 部署脚本。在 ModelWhale 上，他可以一站式完成从数据接入到结果交付的全链路。说白了，行业专家的门槛被大幅降低——你只需要懂业务规则，不需要懂工程化。

更重要的是，随着越来越多的 OPC 在 ModelWhale 上生产服务，平台会沉淀出行业特定的数据模板、模型架构和最佳实践。这种网络效应一旦形成，后来者的启动成本会越来越低，而平台的切换成本会越来越高。

和鲸社区聚集了大量数据科学从业者，但它真正的价值不是“人多”，而是建立了一种新型的能力信用体系。

社区里的项目作品、竞赛排名、开源贡献，构成了 OPC 创始人的“结果交付背书”。在 AI 服务化的早期阶段，企业不会信任一个陌生的“一人公司”，但会信任一个在公开竞赛中拿过名次、在社区里有持续产出记录的创业者。社区本质上是一个去中心化的能力认证与人才匹配市场，既解决了“复合型人才稀缺”的问题，也解决了“冷启动获客信任”的问题。

和鲸的竞赛业务，可能是三者中最独特的设计。它把企业的真实外包场景（比如“长尾供应商合同审计”、“医保编码自动化”）包装成公开的数据竞赛题目，用真实数据、真实评判标准，来验证“AI 替代人工”到底行不行。

这精准地刺破了需求侧的“验证困境”：企业不需要承担高昂的定制开发费用，就能在竞赛中看到多个团队用不同技术路线解决同一个问题，直观比较准确率、成本和可扩展性。对于优胜方案，企业可以直接转化为采购意向；对于 OPC 创业者，竞赛既是技术验证，也是免费的客户获取渠道。

而且，当政府或产业园区背书举办此类竞赛时，它天然地解决了“组织惯性”问题——不是企业自己冒险尝试新供应商，而是政府搭建了一个合规的试验场。这对打破采购部门的利益僵局非常有效。

市场上不缺 AI 工具，不缺数据科学家，也不缺产业需求。但同时解决“生产系统 + 人才信用 + 需求验证”这三件事的平台，几乎找不到。

大厂（阿里云、华为云）拥有算力和政企关系，但它们做的是“卖资源”的生意——卖算力、卖模型 API。它们与应用层存在潜在的竞争关系，很难真心实意地赋能第三方服务商。

垂直 AI 应用公司做的是“点状替代”，它们可能就是未来在 ModelWhale 上生长的 OPC，而不是平台本身。

传统外包巨头拥有客户关系和交付经验，但其组织形态、成本结构和利益格局，决定了它们很难自我革命去拥抱 AI 原生模式。

和鲸科技的稀缺性在于，它选择了“卖铲人”的位置，且不与应用层争利。它的客户不是最终的企业，而是那些想要替代传统外包的 OPC；它的收入不来自抢 OPC 的生意，而来自让 OPC 的生意能够成立。这种平台定位，在万亿级赛道中通常意味着最高的集中度和最深的护城河。

其有效性体现在飞轮设计上：

• 竞赛验证需求 → 降低企业的试错成本，释放被锁定的预算；

• 社区招募人才 → 降低 OPC 的冷启动成本，扩大供给规模；

• 平台交付结果 → 降低服务化的工程门槛，提升交付质量；

• 数据回流优化 → 行业模型越用越准，平台价值越滚越大。

如果这个飞轮在苏州这样的制造业强市跑通，复制成本会极低。长三角、珠三角的每一个制造业城市，都有同质化的外包需求与数字化转型预算。和鲸不需要自己去服务每一家工厂，它只需要让越来越多的 OPC 在平台上生长出来。

红杉资本判断，2026 年是“自动驾驶原生”公司的窗口期。现有的 Copilot 工具厂商面临“替代自己客户”的转型困境，而没有历史包袱的新进入者，可以从第一天就直接卖结果。

但窗口期也意味着，基础设施层的卡位战将在未来 12 到 18 个月内决出第一批胜负。和鲸科技的“三位一体”架构，本质上是在 AI 服务化浪潮的早期，抢占了一个极其关键的生态位：让新需求敢买，让新供给能做。

AI 从 1 万的预算走向 12 万的预算的跃迁，不会自动发生。企业想要“买结果”的需求已经摆在那里，AI 原生服务商的供给也在萌芽，但两者之间缺的是一条可靠的通道。有人得先把桥修好，才能让两边的车跑起来。

和鲸科技想修的，就是这样一座桥。