年化收入从2000万到3.5亿美元：AI淘金时代，“卖铲子”的生意变了

据路透社9月22日报道，Snorkel AI称其年化收入运行率已超过3.5亿美元，一年前约为2000万美元。公司同时完成3.5亿美元融资，估值达到35亿美元。[1]

这里有两个容易混淆的“3.5亿”：一个是年化收入运行率，一个是融资额。前者通常依据当前业务水平推算，并不等于过去十二个月已经确认的全年收入，更不是净利润；后者来自资本投入。

报道将增长与复杂AI训练数据需求联系起来。我们可以据此观察市场方向，但不能把一家公司的自述增长，直接推广为所有数据服务商都在赚钱。

本文讨论的是需求背后的逻辑：当AI开始处理更复杂的工作，仅仅拥有大量文本，可能还不够。它需要接近真实任务的材料、过程和判断标准。

先看数字口径，再谈商业增长。

假设让AI整理一份汽车门店活动方案。网上有很多营销文案，但哪些价格能写、哪些优惠不能叠加、哪些说法会让客户误解，往往藏在门店实际业务规则里。

再看教学场景。一道题的答案只是信息的一部分，学生为什么容易犯错、哪种解释会加深误解、什么时候应该换一种教学方法，需要更细的专业判断。

这些例子是场景推演，用来说明数据工作的一个方向：材料不仅要多，还要与任务匹配，并且能够被检查。一个看起来完整的答案，可能在关键条件上就是错的。

因此，围绕AI的数据服务可以包含整理任务、定义正确标准、发现错误类型和评估结果。它需要有人把隐性的行业经验，变成能够反复使用的说明。

这也是“卖铲子”比喻需要更新的地方。价值未必来自简单搬运原料，而可能来自知道该挖哪里、怎样判断质量，以及怎样证明产出的东西确实可用。

知道结果是否正确，也是一种重要的生产能力。

经验丰富的人，经常能一眼看出问题，却说不清判断步骤。要把这种能力变成服务，第一步是把“凭经验知道”拆成别人能够检查的规则。

例如销售人员可以整理常见咨询的分类、每类问题必须确认的信息，以及哪些情况下不应直接承诺；教师可以整理某个知识点的典型错误、提示层级和评价依据。

然后给规则配上样本。既要有正确案例，也要有容易混淆的边界案例。只提供最简单的问题，测出来的表现可能很好，却无法说明系统面对真实工作是否可靠。

最后记录分歧。同一个回答，两个专业人士为什么打分不同？是标准含糊，还是任务本身允许多种合理答案？把分歧解释清楚，本身就是质量工作的一部分。

这些成果可以形成任务说明、样本集、评价表和更新记录。它们是否有人愿意购买，需要具体客户验证，但至少已经从抽象的“我懂行业”变成了可以讨论的交付物。

把经验写成规则，再用样本与分歧检验规则。

设想一家培训机构想用AI回答课程咨询。你可以先帮助它整理一组经过授权的常见问题，覆盖适合人群、课程内容、时间安排和不能保证的结果，再定义回答应该包含哪些信息。

让候选工具分别作答，人工记录遗漏、事实错误、过度承诺和无法回答的情况。交付不是一句“这个模型最好”，而是一份有例子、有依据、能指导改进的评估报告。

项目范围应当明确：测试哪类问题，使用什么资料，样本有多少，结论适用于什么条件。几十个样本可以帮助发现问题，但不应被包装成覆盖所有场景的权威认证。

资料来源也需要清楚。公开资料、机构授权材料、自己设计的模拟案例，应当分别标注。客户数据不能因为具有训练价值，就被随意转卖或用于其他项目。

真正可持续的服务，还包括规则变化后的更新。课程调整、产品升级、业务政策变化，都会让旧答案失效。持续维护的价值，来自真实发生的工作，而不是给一次性文件换个订阅名称。

有范围、有依据的评估，才能成为可信交付。

一个可交付的评估项目，还应该保留版本记录：问题样本来自哪里，标准由谁确认，使用了哪个版本的工具，什么时候完成测试。否则几个月后模型或业务规则改变，客户很难理解旧结论是否仍然适用。

复核也可以分层安排。明显符合标准的样本按规则处理，有争议的样本交给专业人员讨论；不能确定的部分保留不确定，而不是强行给出一个分数。评估的价值在于帮助决策，并不需要把复杂问题伪装成百分之百确定。

对于刚起步的人，一份小而清楚的样本报告就是很好的作品。它能让客户看到你的判断过程，也能帮助你发现自己缺少哪些知识。先证明质量，再谈扩大规模，比一开始收集海量材料更容易找准方向。

不要把这条新闻理解为“做标注就能轻松赚大钱”。客户获取、专家协作、质量复核、数据权限和项目管理，都可能形成成本。数据量越大，管理问题也可能越复杂。

对小团队来说，与大公司拼数量未必有优势。更值得研究的是一个具体行业里，哪些任务长期缺少清楚的标准，哪些错误会让客户反复返工，哪些材料需要有人认真整理。

你的优势可能来自多年积累的工作经验，但经验也需要更新和验证。把个人习惯当成普遍标准，同样会产生偏差。能够说明依据、接受复核，专业价值才更容易被信任。

Snorkel的增长提供了一个观察窗口：AI能力的背后，还有大量关于资料、任务和质量的工作。普通人未必需要去造最大的模型，却可以思考自己能否让某一类任务更准确、更可测、更容易交付。这样的“铲子”，才有可能在真实业务里被需要。

行业经验经过整理和复核，才更容易被客户使用。