ARTICLE · 1085469
一个AI工具为什么能赚钱?
一个AI工具为什么能赚钱?AI行业里有一个很奇怪的现象。 有些产品技术并不惊艳，甚至看起来非常简单，却能让企业持续掏钱。 还有一些产品，模型更强，功能更多，技术团队也更厉害，最后却很难成为一门真正的生意。 如果答案只是“因为它好用”，那事情其实远没有这么简单。 因为商业世界从来不是按照技术强弱来分配钱的。 真正值得研究的问题是： 当AI进入现实世界以后，到底改变了什么，才让一项原本普通的能力突然变得值钱？ 过去，一个专业服务之所以昂贵，可能是因为它必须依赖少数人的时间。 一个市场之所以规模有限，可能是因为服务一个客户的成本太高。 一家企业之所以需要庞大的组织，也可能是因为大量工作只能依靠人工协调。 而当AI开始改变这些条件以后，一些原本只能服务少数人的需求，可能第一次具备了规模化的可能。 于是，真正值得研究的就不再是“AI能做什么”。 而是： 过去为什么这件事情这么贵？ 为什么只有少数人能够提供？ 如果这种能力突然变得便宜，原来的市场会发生什么变化？ 这才是一个AI工具真正值得研究的地方。 这是我研究AI项目以后越来越明显的一个感受。 用户很少会因为一个模型参数更漂亮，就长期为它付钱。 企业也不会因为一个产品用了最新模型，就自动把预算交给它。 技术最终必须进入现实。 进入一个人的工作。 进入一家公司的经营。 进入一个已经存在的商业流程。 然后，它才会产生真正的价值。 OpenAI发布的企业AI研究显示，在其调查的企业用户中，75%的人表示AI改善了工作的速度或质量，用户平均每天节省40—60分钟。更重要的是，75%的用户表示自己能够完成过去无法完成的新任务。 这组数据真正值得注意的地方，并不是“每天节省多少时间”。 而是： 当AI开始让一个人拥有过去没有的工作能力时，企业购买的东西就发生了变化。 它买的已经不只是一个软件。 而是在购买一种新的生产能力。 这也是为什么今天越来越多AI产品开始进入企业原本不容易被软件覆盖的地方。 不是因为企业突然喜欢AI了。 而是因为原来的成本结构正在发生变化。 商业其实一直遵循一个非常朴素的逻辑。 市场上存在一个需求。 有人愿意解决它。 解决这个问题需要付出成本。 如果解决之后产生的价值高于成本，交易就会发生。 AI真正有意思的地方，是它开始改变中间这一段。 过去需要一个专业人员花几小时完成的事情，现在可能只需要很少的人工介入。 过去只有大企业承担得起的服务，现在可能开始向规模更小的客户开放。 过去一个专业人士一天只能服务有限数量的客户，现在服务半径可能扩大。 过去很多需求不是不存在，而是因为价格太高，所以根本没有形成市场。 AI改变的，恰恰可能是这些需求能不能被商业化。 所以判断一个AI工具有没有价值，我不会先问它有多少功能。 我更关心的是： 它到底改变了什么成本？ 如果一个企业原来需要大量时间才能完成一件事情，现在明显缩短了，那么价值出现了。 如果一个专业服务原来只能面对少数客户，现在可以服务更多人，那么价值出现了。 如果过去根本没有人愿意为某项服务付钱，是因为服务成本太高，而AI把成本降到了客户能够接受的范围，那么新的市场也可能出现。 这时候，AI才真正从技术变成了商业。 过去的软件，大多站在工作之外。 它给人一个界面。 给企业一套系统。 给员工一组功能。 但真正的工作，还是由人完成。 AI正在逐渐改变这一点。 麦肯锡对150家全球软件供应商以及50多家推出AI产品的企业进行分析后发现，AI正在推动软件从“帮助人完成工作”的工具，逐渐走向能够主动执行和协调工作的系统。 这件事情非常重要。 因为一旦软件开始真正参与工作，过去按照“多少人使用软件”来收费的逻辑，就会受到挑战。 如果一个AI系统能够替企业完成过去需要员工投入时间的工作，那么客户真正关心的，就不再只是“有多少员工登录”。 他会越来越关心： 这套东西到底完成了多少有价值的工作。 于是，软件行业的收费方式也开始变化。 麦肯锡2025年的研究显示，相比传统软件企业，AI原生企业更加倾向于按照实际使用、完成的任务或者产生的结果来设计收费方式；2026年的进一步分析也显示，采用按使用量计费的软件公司数量，在2015年至2024年间增长了一倍以上。 这背后的变化，其实不是“订阅制过时了”。 真正发生变化的是： 商业世界开始重新寻找“价值单位”。 过去，一个用户就是一个单位。 以后可能是一项工作。 一次完成。 一段流程。 甚至一个最终结果。 谁能够找到最接近客户价值的那个单位，谁就更有可能找到新的收费方式。 答案可能比我们想象得简单。 因为它进入了一个原本就存在的钱流。 企业本来就在为某件事情花钱。 客户本来就在为某种服务付费。 公司本来就要承担某种成本。 AI做的事情，是改变了这笔钱原来的流向。 比如一家企业过去需要大量人工完成某类工作。 如果AI能够明显降低这部分成本，那么企业就有理由拿出一部分节省下来的预算购买AI。 如果AI能够帮助企业获得原来拿不到的客户，或者让某项服务第一次具备规模化的可能，那么企业也会愿意为新增价值付费。 还有一种变化更加有意思。 过去很多专业能力只能存在于少数人的时间里。 一个经验丰富的人，一天只能服务有限数量的客户。 他的能力很值钱，但能力的边界就是他的时间。 AI出现以后，这种关系可能发生变化。 人的经验不一定只能通过“亲自工作”产生价值。 它可以被整理、沉淀，再通过新的方式进入更大的服务范围。 这也是我认为普通人非常值得关注的一块。 因为这里并不要求你去创造一个新的基础模型。 你真正需要理解的，是一个自己熟悉的领域里，哪些问题长期存在，哪些经验真正有价值，以及AI能不能让这种价值被更低成本地交付出去。 这一点非常重要。 很多人寻找AI创业机会时，喜欢寻找一个巨大的市场。 但AI真正有意思的地方，恰恰可能是把一些过去很小、很贵、很难服务的需求重新变成市场。 因为以前服务一个客户需要投入很多时间，所以没人愿意服务。 以前一个专业人士需要亲自参与整个过程，所以规模一直上不去。 以前一项服务收费太高，普通消费者承担不起。 以前企业有需求，但没有足够预算建立完整的团队。 这些事情过去可能一直存在。 只是商业上“不成立”。 而AI降低成本以后，它们可能重新获得成立的条件。 所以AI时代一个非常值得研究的问题是： 不是“什么行业最大”。 而是： 什么需求过去因为成本太高，所以一直没有被充分满足？ 这里面可能藏着真正的新市场。 很多企业其实已经积累了大量有价值的东西。 这些东西不是互联网公开信息。 它们来自企业长期经营形成的内部知识。 真正困难的地方，是这些知识往往分散在过去的工作过程中。 新人来了，需要重新学习。 人员离开，经验可能跟着流失。 遇到一个复杂问题，企业明明以前处理过，却很难快速找到当时为什么这么决定。 于是，一个新的商业空间正在出现。 不是简单地“给企业装一个AI”。 而是让企业过去积累下来的知识、经验和工作方式，真正开始参与今天的工作。 Glean就是一个很典型的案例。 它最早从企业搜索和知识获取切入，后来逐渐成为企业内部信息与AI工作的基础层。2026年5月，Glean宣布年度经常性收入达到3亿美元，而它达到1亿美元ARR之后只用了15个月。 这个案例让我看到的，并不是“企业搜索很赚钱”。 真正值得研究的是： 当一家公司的知识开始成为AI工作的基础以后，企业愿意为这种能力支付多少钱？ 这比单纯研究某个模型更重要。 因为模型可以不断变化。 但企业真正需要解决的问题不会因为模型更新就消失。 法律就是一个很明显的例子。 法律服务过去高度依赖专业人员的时间。 复杂文件需要阅读。 大量资料需要理解。 不同材料之间需要不断比较。 这些工作本身并不等于律师真正创造价值的全部，但它们长期占用了专业人员大量时间。 AI进入以后，改变的并不是“律师有没有价值”。 而是： 一个专业人士的能力边界，能不能被重新扩大。 Harvey目前已经被2,400多个法律与专业服务机构使用，覆盖70多个国家，平台披露的律师用户超过20万人，典型用户每月节省时间超过25小时。 这说明一个很重要的商业规律： AI并不一定要直接替代一个职业，才能形成巨大的商业价值。 有时候，它只是让一个专业人士能够承担过去更多的工作。 而当这种变化发生在大量高信息密度、高专业要求的行业里，商业空间就会非常大。 很多人看到AI以后，第一个念头是： 我要不要做一个AI产品？ 然后开始寻找方向。 但这个顺序其实很容易反过来。 真正成熟的商业思路应该从现实开始。 你先进入一个自己理解的领域。 看看那里的人为什么花钱。 看看哪些事情已经困扰他们很久。 看看哪些服务价格一直很高。 看看哪些需求明明存在，却始终没有被很好满足。 然后再问： AI进入以后，这件事情有没有可能用完全不同的成本结构重新完成？ 如果答案是肯定的，产品才有必要出现。 而不是反过来。 先造一个产品，再想办法寻找一个能够使用它的人。 而是逐渐理解： 一个需求为什么存在。 一个客户为什么愿意付钱。 一个行业为什么形成现在的成本结构。 一个人的时间为什么值钱。 一个服务为什么难以规模化。 以及当AI进入以后，究竟是哪一部分发生了变化。 这些东西，才是真正能够长期使用的能力。 这是我对未来AI商业模式一个越来越明确的判断。 今天大家还会讨论： 这个模型是不是更强。 那个工具是不是更新。 某个AI产品有没有新的功能。 但随着技术逐渐成熟，这些差异很可能越来越难以长期保持。 真正决定一家AI公司能不能留下来的，会逐渐从“模型能力”转向另外一些东西： 它到底理解什么需求。 它掌握什么真实场景。 它有没有进入客户每天真正发生的工作。 它能不能持续产生可以被衡量的价值。 以及客户为什么愿意继续使用它。 这时候你会发现： AI产品真正的壁垒，未必是AI本身。 因为技术会不断普及。 真正难复制的，可能是它与真实商业世界之间形成的那种关系。 这也是为什么未来很多AI公司可能越来越不像传统意义上的软件公司。 它们可能直接进入企业经营。 进入专业服务。 进入交易过程。 甚至进入企业过去只有内部团队才能完成的工作。 软件与服务之间的边界，会继续变得模糊。 而新的商业模式，也会从这些边界变化中出现。 我最后还是回到了最开始那个问题。 答案不是模型。 不是Prompt。 也不是某个看起来很酷的新功能。 一个AI工具能够赚钱，是因为它进入了一个真实的价值交换过程。 有人有问题。 有人愿意解决。 AI改变了解决问题的成本。 客户因此获得了新的价值。 而提供这个价值的人，找到了合理的收费方式。 这才形成了商业闭环。 所以以后当你看到一个新的AI项目时，不妨换一种方式去观察它。 不要先问： “这个东西用了什么技术？” 而是先看： “它到底进入了哪一种真实需求？” 过去为什么这个需求这么贵？ 为什么它一直没有被充分满足？ AI改变了哪一部分成本？ 客户得到的价值是什么？ 为什么客户愿意持续付钱？ 而当AI越来越普及以后，这个项目凭什么还能继续存在？ 如果这些问题都能够回答清楚，那么你看到的就不再只是一个AI工具。 你看到的是一门生意正在形成。 而这，也可能是普通人理解AI商业世界最重要的一步。 因为到了最后你会发现： AI时代真正值得研究的，从来不是“什么AI最火”。 而是： 当生产成本、服务方式和价值分配开始变化以后，新的钱会流向哪里。 这才是AI商业模式真正值得研究的地方。 下一章： 研究完一个AI工具为什么能够赚钱以后，下一步就可以把这个问题真正拆开。 一个具体的AI项目，到底是怎样从需求找到产品，再从产品走向收入的？ 下一章，我们继续拆解。 （未完待续）