夜雨聆风最近，Y Combinator 的 Visiting Partner Charlie Warren 在 Startup School 上做了一个不到11分钟的分享。核心观点只有一句话：
未来十年最大的公司，不是做软件的，而是像保险公司、律所、会计事务所这样的服务型公司——只不过它们从第一天起就用 AI 来完成大部分工作。
他管这类公司叫"AI 原生服务公司"。
这个分享不是理论推演。Charlie 从 YC 已投资的案例中提炼了一套完整的 playbook——怎么选市场、怎么组团队、怎么定价、怎么避坑。税务、审计、保险、法律、医疗、物流……这些都是万亿级的市场，过去几年模型能力的飞跃，让一种全新的商业模式成为可能。
什么是"AI 原生服务公司"？
关键区别在于：AI 原生服务公司卖的不是工具，是结果。
传统 SaaS 的逻辑是"给你一个工具，你自己用"。Co-pilot 模式也是如此——AI 辅助你做事，但最终交付的还是你自己。而 AI 原生服务公司直接交付成果。客户不需要用你的软件，甚至不需要知道你用了什么技术。就像你不会关心外卖平台的后台算法，你只关心饭有没有按时送到。
Charlie 举了一个 YC 投资的公司叫 Panacea，做 FDA 药品审批合规。他们雇了有经验的 FDA 顾问，配上 AI 平台，直接交付审批结果。客户按项目付费，不按小时。同样的逻辑，放在税务上就是 AI 直接帮你报完税，放在保险上就是 AI 直接帮你完成核保和理赔。
四个特征，锁定最佳赛道
Charlie 总结了 AI 原生服务公司最佳市场的四个特征：
第一，低信任——工作已经外包，客户只关心结果。
企业请审计师做年报、请律师审合同、请税务顾问处理报税——本质上都是在把工作外包出去。客户不在乎审计师查了几个小时的账、律师比对了多少份合同、税务顾问用了什么软件，只在乎年报有没有按时交、合同有没有风险、税有没有合法地省下来。你不需要改变客户行为，只需要出现在预算已经存在的地方，做得更好更快。
第二，低任务级判断——大部分步骤可以自动化。
这些专业服务看起来高大上，但拆开来看，60-80% 是标准化流程：法规检索、合同条款对比、合规检查、税务计算、保险核保……真正需要人类判断的环节只占 20-40%。这正是 AI + 人类协作的甜蜜点——AI 处理大量的标准化执行，人类聚焦在策略决策、风险取舍、客户沟通等关键节点。
第三，高智能门槛——工作整体足够难。
如果工作太简单，任何人都能做，AI 没有优势。无论是 FDA 药品审批、复杂的税务架构设计、还是跨境法律合规，这些工作天然高门槛——需要专业知识、行业经验和对复杂规则体系的理解。模型加上有经验的人类专家，产出远超任何一方单独工作。
第四，监管是护城河。
律师执业许可、注册会计师资格、保险牌照、FDA 合规要求——这些监管壁垒在传统视角下是负担，但在 AI 原生服务公司的框架下，它们恰恰构成了进入壁垒。越难进的行业，先发优势越大。Charlie 提到，目前唯一合理的收购场景就是你急需拿到牌照，否则从零自建几乎总是更好的选择。
"Sam Altman 测试"：模型越强，你是更强还是被替代？
Charlie 提出了一个简单的判断工具：当 GPT-6、GPT-7 出来的时候，你的服务是更强了，还是被替代了？
以审计为例：模型处理海量账目和异常检测的能力增强，审计覆盖面和效率大幅提升，但最终的风险评估和审计意见仍然依赖注册会计师的专业判断。以保险核保为例：模型理解医疗报告和精算数据的能力增强，核保效率大幅提升，但客户仍然需要人类来判断哪些风险组合可以接受、哪些必须拒保。以税务为例：模型处理复杂税法的能力增强，但跨司法管辖区的税务架构设计仍然依赖人类经验。以法律为例：模型理解长文本的能力增强，合同审查效率提升，但客户仍然需要律师来判断哪些风险可以接受、哪些必须规避。
每一次模型进步，都让 AI 原生服务公司的产品更强，而不是替代人类专家。
这意味着这个赛道有一个独特的属性——你押注的不是某个技术路线，而是整个 AI 行业的进步方向。只要模型在变好，你就一直在变好。
方差是生死线
这是 Charlie 整个分享中我最看重的一个洞察：
客户会因为输出不一致而解约，远比因为慢一点或贵一点而解约来得快。
无论是审计报告、保险理赔决定、法律意见书还是税务申报——客户对一致性的要求极高。同一类文件如果每次格式、措辞、逻辑都不同，客户会立刻失去信任。信任一旦破裂，合作关系就结束了。
这对技术实现有深层含义：降低输出方差，比提高输出上限更有商业价值。严格的 prompt 工程、RAG 流程标准化、系统性的质量检查——这些"枯燥"的工作，恰恰是 AI 原生服务公司的核心竞争力。
General Legal：一个 YC 样本
Charlie 在分享中点名表扬了 General Legal——一家 AI 原生律所。创始人的背景组合很特别：既有 Cooley 和 Fenwick（美国顶级律所）的执业经验，又有 Casetext（法律科技公司，被 Thomson Reuters 收购）的技术领导经历。
但 Charlie 最欣赏的不是他们的技术，而是他们的运营方式：引入了制造业的"排班制"来管理律师工作。通过排班缩短交付周期、提高律师利用率，同时用 AI 处理大部分执行工作，律师聚焦在需要判断力的环节。
毛利率？传统律所的上限大约 30%。General Legal 的目标是 50% 以上。方法不是压榨律师，而是让 AI 承担执行工作，让律师专注于创造价值。
同样的逻辑可以复刻到其他服务行业——用 AI 放大专家的产能，用运营思维管理吞吐量和交付周期，用技术手段压缩成本、提升毛利。
定价：按价值，不按小时
AI 原生服务公司的定价逻辑完全不同。你不是在跟其他软件公司竞争，而是在跟人力成本竞争——客户本来就要花钱请人做这件事。
Charlie 给了两个推荐策略：
按单位定价——按案件、按项目、按合同、按保单。最清晰，最容易解释。
按结果定价——客户为最终成果付费，激励完全对齐。Panacea 就是这样定价的：按完成的审批项目收费，而不是像行业内惯例那样按小时收费。
同时他明确警告了两条红线：不要做成本加成定价，这会永远封死你的利润上限。不要打价格战，这会让客户觉得便宜等于质量差。
自建，不要收购
最后一个要点，也是 Charlie 最坚定的判断：不要试图收购一家传统服务公司然后加 AI。
原因很简单：你买不到产品-市场匹配。传统服务公司的组织文化、绩效体系、招聘逻辑，都建立在"按小时卖人的时间"的基础之上。在这些体系上加一层 AI，并不能改变底层的运营逻辑。
一个核心公式
Charlie 用一句话总结了 AI 原生服务公司的财务逻辑：
传统服务公司的利润率上限大约 30%。纯软件公司的利润率更高，但市场规模往往更小。AI 原生服务公司的赌注是——用 AI 的运营杠杆，在比软件大两到三倍的市场里，逼近软件级别的利润率（50% 以上）。
你不需要第一天就做到。但这个趋势必须可信。
对中国市场的启示
听完这个分享，我一直在想中国市场的映射。
中国有大量服务行业正处于效率瓶颈期——中小企业请不起四大会计师事务所、请不起顶级律所、买不到好的保险方案。这些被折叠的需求，恰恰是 AI 原生服务公司可以释放的。
而成文法体系、结构化的税务和监管框架，在某种程度上比判例法体系更适合 AI 进行结构化检索和知识管理——这是一个天然优势。
关键问题是谁能率先建立起覆盖这些领域的知识基础设施，谁就能掌握 AI 原生服务的基础设施层。
Charlie Warren 在分享结尾说了一句话：如果你避免陷阱，把流程当作产品，把产品当作流程，你有机会创建一家跨代际的公司。
服务行业的机会窗口，刚刚打开。
参考来源： YC Startup School — "How to Build an AI-Native Services Company" by Charlie Warren YouTube: https://www.youtube.com/watch?v=gSNFJbgoaHI
