AI公司商业模式四个阶段的演化

第一阶段：2023年-2024年，AI公司卖API

AI公司只负责卖模型接口，按token计费，剩下的企业自己搞定。当时最性感的叙事是“模型越来越强，API越来越便宜，企业接进去就变聪明”。但实际操作中暴露出的问题是：AI提供了聪明的大脑，哪些数据适合接入？哪些流程值得用AI改造？如何证明降本增效？

典型问题反映在客户实践中：一家制造业企业的生产排程系统可能运行了十五年，数据格式混乱，字段命名自成一派；一家保险公司的核保流程可能嵌在三套不同时代的软件里，彼此之间靠人工Excel对账。在这些场景里，模型能力再强，也没法直接通过一个标准的API接口解决问题。AI公司只负责卖模型接口，企业拿着API回去之后，往往卡在“不知道从哪里开始”的阶段。

典型案例：

2023年摩根士丹利作为OpenAI首个部署GPT-4的企业客户，虽然核心技术管线（检索、护栏、基础功能）六到八周就搭建完成，但随后花了整整四个月的试点、评估和迭代，才让财富顾问们真正信任并采用这套系统。最终的结果是98%的采用率和研究报告使用量三倍增长。这个案例揭示了一个关键洞察：技术能力与生产就绪之间存在显著的时间差。

据MIT Project NANDA 2025年研究，在覆盖了300多家企业AI部署后，95%的生成式AI pilot未能产生可衡量的业务影响。RAND Corporation分析2400多个企业AI项目后发现，80.3%未能实现预期的业务价值。2025年全球企业在AI上投资了约6840亿美元，到年底超过5470亿美元没有产生可衡量的结果。

第二阶段：2024年-2025年，AI公司卖工具箱

只卖API不够，AI公司开始卖SDK、RAG（检索增强生成）框架、Agent开发框架。对于B端企业而言，这在一定程度上降低了使用门槛，企业可以按照说明书按需配置工具。但遇到的问题是企业不缺工具，缺的是业务判断和落地能力。配置出来的工具落地过程中遇到大量现实问题：任务跑着跑着就失败了、数据格式乱七八糟、系统之间不通、流程互相依赖。企业自主搭建一套稳定可用的AI技能体系，通常需要6到18个月的周期投入，门槛极高。

更核心的问题在于现有的业务流程和生产关系都是“为人和人的协同去设置的，并没有按照人和AI的协同去设计”。蚂蚁集团副总裁周芸指出，解法则在于“重塑核心生产关系的人机融合”——不能用原来的业务流程去定义AI和员工的协同。

典型案例：

一家软件公司的AI销售助手要嵌入线索分配、客户跟进、合同审批和业绩归因等多个环节，单纯配置工具无法解决跨系统协同的问题。

据PYMNTS对年收入逾10亿美元企业的调研，71%的高管将“组织准备度不足”列为AI落地的首要障碍，仅有11%认为技术本身是主要问题。

2026年3月一项覆盖650名企业技术领导者的调查发现，78%的企业已有AI Agent pilot在运行，但只有14%达到了生产规模化。

第三阶段：2025年-2026年，AI公司卖托管的Agent

Agentic AI火爆之后，AI公司开始卖“数字员工”——能自己运行、调用工具、执行长任务的AI Agent。AI公司卖的是“结果”而不是“能力”。但遇到的问题是，Agent在Demo里看起来很厉害，通用流程放到企业真实环境中却水土不服：哪些操作可以自动跑？哪些必须人工确认？出错了谁来负责？这些问题都需要因地制宜地设计。

典型案例：

高盛在2025年7月成为首家采用Cognition AI开发的自主软件工程师Devin的大型银行，计划在12,000名程序员团队中先部署数百个Devin实例，视效果再扩展到数千个。Devin可以自主完成代码管理、调试和团队内沟通，被视为一个“数字员工”而非人类程序员的替代品。据高盛CIO Marco Argenti介绍，Devin在处理重复性编程任务（包括遗留代码管理、重构和调试）时，生产力比以往AI工具提高了3到4倍。不过，Devin在更复杂的编码任务上仍有局限，高盛采用“混合劳动力”模式运行，Devin实例始终在人类监督下工作。这个案例生动地说明：即便Agent能力足够强，企业仍然需要明确哪些任务自动化、哪些保留人工审核，以及出错时的责任归属。

第四阶段：2026年开始，AI公司卖嵌入式服务，FDE模式

AI公司开始提供嵌入式服务，派工程师进驻客户企业现场，离客户更近。核心理念是：模型再聪明，不嵌入企业业务流程就是白搭，只能派人进入公司，从头到尾把AI真正用起来。

OpenAI于2026年5月11日宣布成立OpenAI Deployment Company（DeployCo），获得超过40亿美元初始投资，由TPG牵头，联合19家全球顶级投资机构，整体估值达100亿美元。该公司同步收购了英国AI咨询公司Tomoro，一次性引入约150名经验丰富的FDE和部署专家。Tomoro成立于2023年，客户包括美泰、红牛、乐购、维珍大西洋航空和Supercell等大型企业，专长是在传统企业最复杂、最真实的业务环境中将AI从概念验证推进到生产系统。

Anthropic则在2026年5月4日几乎同步宣布，与Blackstone、Hellman & Friedman、Goldman Sachs共同成立一家15亿美元的企业AI服务合资公司，以独立实体运作，让应用AI工程师嵌入团队，协助中型企业把Claude导入日常运营。Anthropic、Blackstone、Hellman & Friedman各承诺投入约3亿美元。高盛资管全球主管Marc Nachmann指出：“拥有模型本身不会改变你的工作流程或运营方式”——这句话精准概括了FDE模式兴起的根本逻辑。

FDE（Front Deployed Engineer，前沿部署工程师）这一岗位最早由Palantir在2010年代初发明——将工程师嵌入客户组织内部，把数据平台与真实业务流程强行缝合在一起。Palantir靠这套打法进入了美国军方、中央情报局和主要商业银行，最终建成一家市值逾700亿美元的公司。如今这套模式正从Palantir外溢至整个AI行业。

为什么必须做FDE

原因一：AI Demo与真实业务形态差距巨大，企业AI落地存在结构性断层

根据MIT Project NANDA 2025年发布的研究报告，95%的企业GenAI pilot无法走出实验室，仅有5%能进入生产环境。核心瓶颈不在于模型能力，而在于业务流程重设计。OpenAI首席营收官Denise Dresser也指出，AI已经能在组织内部做越来越有意义的工作，但真正的挑战是如何帮助企业将这些系统整合进真正驱动业务运转的基础设施和工作流中。

更深层次的问题在于三重结构性断层：

语义断层：通用大模型对行业术语的处理停留在字面。以电商供应链为例，“压仓”“串货”“动销率”等词在日常语境里是普通词汇，但在供应链场景中每个词背后都对应一套专属决策逻辑与风险内涵。模型识得这些词，却不理解它们在具体业务上下文中意味着什么。

技能断层：企业对AI的核心需求已不是简单问答，而是业务自动化执行——自动对账、智能寻源、信用评分、合同审核。这类场景要求AI具备工具调用、数据库读写、跨系统多步骤流转的Agent能力。

知识断层：即便企业选择自研，从零搭建行业专属知识库的冷启动周期极易消耗大量预算却迟迟看不到业务成效。

FDE模式直接攻击这些瓶颈。OpenAI的FDE团队已在摩根士丹利的财富管理、John Deere的农业优化等场景中验证了这一模式的有效性。以John Deere为例，FDE帮助定制AI工具，将化学喷洒量降低了60%到70%。OpenAI首席营收官Denise Dresser如此描述FDE的实际工作：“前沿部署工程师可以与组织及其使用者坐在一起，了解工作流程，然后协助他们把后台应用程序连接到模型，并在每个工作流程中真正建立智能”。

原因二：从金融视角看，做服务比单纯卖软件的市场空间大得多

Sequoia Capital合伙人Julien Bek的论断“Services: The New Software”揭示了背后的经济逻辑：每1美元软件支出旁边，就躺着6美元甚至更多的服务支出。AI第一次让初创公司真正能够去攻击这条6倍大的预算线。换言之，对于面向企业的AI公司，如果只卖软件，就等于放弃了6倍大的服务市场蛋糕。

这种模式在历史上已经被验证过。SAP卖ERP软件，实施交给埃森哲；Salesforce卖CRM软件，定制交给德勤。在AI领域，这个模式同样成立——AI公司本身不一定要下场做全套服务，但谁先控制了FDE这个入口，谁就掌握了未来企业AI支出的分配权。Blackstone总裁兼首席运营官Jon Gray将FDE的稀缺直接定性为“企业AI采用最重要的瓶颈之一”。人才市场的反应最为直接：据Indeed平台数据，2025年针对FDE的月度招聘帖数量激增了800%以上。从需求爆发式增长的事实也可看出，市场已经对“谁掌握FDE谁就掌握企业AI入口”形成了高度共识。

从市场数据看，这一判断并非空穴来风。据QYResearch统计，2025年全球人工智能咨询市场规模已达124.28亿美元，预计到2032年将增长至308.95亿美元，年复合增长率达16.4%。另据360iResearch数据，2025年AI专业服务市场价值104.7亿美元，预计2026年达到127.5亿美元，年复合增长率达23.07%，2032年将达448亿美元。与此同时，SaaS软件估值倍数已从2021年的约20倍压缩至约6倍，服务收入占比超过25%的企业估值向咨询公司靠拢，服务收入占比低于10%且NRR超过120%的企业才能享受估值溢价。这组数据揭示了一个清晰的趋势：在AI时代，服务能力正在成为决定企业估值的关键变量。

从OpenAI到Anthropic，AI公司最终都要走上FDE这条路

ToB AI的真正难点从来不是技术本身。

模型再强、API再便宜、框架再丰富，如果没有人深入企业内部解决数据、流程、组织协同和信任建立的问题，AI就永远停留在Demo阶段。

FDE模式本质上回答了一个根本问题：AI的价值不在于“能力”，而在于“结果”。而要把能力转化为结果，唯一的路径就是派人进去，把脏活累活干完。正如OpenAI首席运营官Brad Lightcap所说：“我们的客户告诉我们，他们需要帮助，从概念验证走向大规模落地”。