Vertical AI 创业投资：BVP 这份手册先读懂
1911 年创立的老牌风投机构 Bessemer Venture Partners（BVP），曾投资过 wushu、Shopify、Twilio、LinkedIn。过去两年里，他们在 Vertical AI（垂直行业 Ai）方向持续加码——法律 AI 公司 EvenUp 的 C 轮由他们领投 1.35 亿美元；医疗 AI 公司 Abridge、审计 AI 公司 Fieldguide 也获得追加投资。整体来看，他们已合计押注十几家，覆盖六个行业。
到 2026 年 1 月，BVP 的三位合伙人把多年的投资经验沉淀成一份手册。内容覆盖十条原则、四套框架以及三轮提问验证，信息密度很高，不过把重点收拢，实际上可以浓缩成一张表。
Good / Better / Best。对应四个维度与三档结果。先把浓缩版放在这里：
下面逐维解析每一档背后的判断思路。
功能价值。四个维度里最关键的那一项。
"好"：Demo 做得很漂亮。但效果停留在演示层面，没人真正掏钱。很多 Vertical AI 初创公司就卡在这一档——看起来能跑、流程通顺，却没进入客户必须依赖的业务环节。
"更好"：ROI 可以量化，并且能切入客户的核心工作流。客户愿意用你，是因为不用你反而会多付成本。这里最要紧的就是"量化"：要能让老板算得清这笔账。比如：少雇了 30% 的人。
"最好"：把整个工作流端到端覆盖起来，做到前 AI 时代几乎不可能实现的事情。BVP 把这种能力称为"LLM magic"——不是"比以前快 30%"，而是"以前根本做不到"。例如 Abridge 能把医患对话的整段内容自动整理成结构化的临床笔记，这等于是创造了过去不存在的新能力。
递进关系：能用 → 有用 → 不用不行。
经济价值。Vertical AI 与传统 SaaS 之间最大的差异，正好就在这一维。
"好"：提升效率。比如让律师用 AI 做法律检索，速度快了两倍。听起来不错，但客户通常不会为"快了两倍"这种抽象提升额外批预算——你最终也很难真正多赚钱。
"更好"：降低成本。比如某家保险公司用 AI 处理理赔，少雇了 30% 的人，这笔账几乎所有人都能看懂。
"最好"：直接带来增收，或者让高时薪人群（如律师、医生、审计师）每天腾出两小时。腾出来的时间，本质上就是释放高价值产能。
BVP 给出了一组关键数据：商业与专业服务占美国 GDP 的 13%，软件市场大约只有 1.3%。这意味着空间差一个量级。
对比一下：Vertical SaaS 往往还在和企业的软件采购预算竞争。而 Vertical AI 抢的是人力成本这一块预算，属于和劳动支出正面竞争，而不是只对标 IT 预算。相应地，产品潜在的市场规模也应该更大。
竞争格局。
"好"：面前要么是老牌 SaaS 玩家，要么是上一代 AI 公司——技术栈陈旧、模型能力偏弱。确实有机会窗口，但窗口通常很短。
"更好"：对上行动迟缓的传统公司——做了二十年本地部署软件，刚刚勉强上云那类企业。它们资金与客户资源未必缺，但技术债更重、迭代更慢。
"最好"：这个赛道里几乎没有人用现代技术栈认真做。无论是法律服务、审计还是保险理赔，它们的信息化水平都远低于互联网与电商。一旦 AI 出现，原本空白的市场会瞬间暴露在所有人面前。
护城河。
"好"：靠速度抢先机占住客户。先发优势是一种相对浅层的护城河——大厂随时可能追上来。
"更好"：产品复杂度更高，并且存在一定早期数据壁垒。比如模型会利用客户数据持续微调。但就算对手只用公开数据训练，也能做出相近的能力，壁垒并不稳固。
"最好"：产品复杂 + 数据壁垒 + 多模态能力领先。BVP 特别强调多模态——能同时处理文本、语音、图像、视频——正在成为护城河的关键组成部分。医疗 AI 能读病历、听医患对话、看医学影像；三个模块对应三类数据源，把这些源头拼在一起，护城河会比单层能力更深。
四个维度讲完后，这张表怎么用：回到自己那道题，问"从"好"走到"最好"，关键缺的到底是什么"。通常你缺的不会只是更多钱或更多时间，而是某个具体环节没有打通——端到端没跑通、没有量化 ROI、或数据壁垒太薄。
判断框架有了，接下来要解决的是方向选择。BVP 再给了四种路径框架。
第一个：ROI × 技术可行性矩阵。
纵轴：这件事能让客户赚多少或省多少。横轴：以当前的 AI 能否安全地把它完整做出来。右上角就是高价值且高可行性的选择。
BVP 标注了三类建议尽量绕开的方向。1. 需要持续裁量判断、但行业标准尚未形成共识的流程——连"什么才算对"都没人说清，你的产品就会一直被质疑。2. 出错成本无法承受的工作流——比如不经律师审就直接发法律文件、或者不经人工复核就自动批保险理赔。BVP 的建议是：先从不至于致命的边缘环节切入，积累可靠性证据，再逐步靠近核心。
这个矩阵也解释了 BVP 为什么会投资那些 Vertical AI 公司：从法律检索、医疗转录、审计底稿自动化切入。因为这些方向恰好位于同一象限：价值高（律师、医生、审计师的时薪本就高）且可行性强（输入输出相对标准化）。
第二个：内行 vs 外行。
内行更容易起步。因为他们在该行业里深耕十年，知道痛点在哪里、谁能拍板买单、怎么跟采购方沟通。这样往往能让前六个月少走大量试错路。
但内行也有个隐性短板：容易被"这个行业一直都这么做"的惯性思维困住。太了解现状，反而不容易看见 AI 能撬动的突破口。
外行起步可能更慢。前几个月可能连客户的门都敲不开，但他们的创新意识更强，往往不会被既有思路锁死，反而能从新的视角看问题，并持续追问"为什么不能这样做"。
BVP 举了两个外行案例。Legora 的创始人 Max Junestrand 并非律师。EliseAI 的联合创始人 Minna Song 也没有物业管理背景，但他们都做成了。
BVP 的判断是：相较于当年的垂直 SaaS，Vertical AI 更奖励行业经验。SaaS 时代，优秀产品经理带上几个工程师，就能跨行业做出不错产品；到了 AI 时代，要把端到端的工作流吃下来，创业者必须懂得：在什么情形下律师会推翻 AI 建议。这类能力来自“骨子里的理解”。
最优组合：外行的创造力 + 内行的人脉与资源，用来做快速验证。关键仍然是能否找到明确的切痛点——过去技术上解决不了的问题，如今用 AI 能做到，并且客户愿意为此付费。
第三个：魔法功能 + 三段扩张。
BVP 将产品最初打动客户的能力称为"魔法功能"（Magical Feature）。它解决的是客户无论如何也解决不了的麻烦；客户不需要你长篇解释，就能直接理解它为什么有价值。
有了魔法功能，下一步要选择切入的深度。BVP 给了三档：
第一档，外围工作流。比如法律检索、自动生成临床记录、客服辅助等。这类产品不触碰客户的核心业务，通常也不需要 CIO 进入审批流程，因此早期推进可能更快。但它们的风险也最明显：缺少壁垒，很容易被功能更完整的产品一口吞掉。BVP 认为外围适合作为起点，却不是终点。
第二档，邻近核心。比如审计里的实质性测试、保险里的理赔处理、建筑行业的工程进度管理。进入这一档意味着你得拿出可靠的可靠性证明：客户不会轻易让你走进关键路径；但一旦进入，对方替换你的成本也会变高。
第三档，核心工作流。直击业务中枢。BVP 用 Toast 的例子来类比：它当年从餐饮 POS 切入，把点单、支付、厨房、库存等环节串成一体。BVP 想表达的是，Vertical AI 公司同样可以用类似策略重构一家律师事务所的整个案件处理流程。但前提很硬：BVP 原话是"the miracle must be undeniable"，也就是你向客户展示的 AI 奇迹必须“瞎眼可见”。如果还需要你解释"为什么比人工好"，那就先别谈第三档。
从外围切入，再用一个不可否认的魔法功能把自己站稳，之后要尽快向核心延伸。BVP 还给了判断窗口期的一个说法：
"按季度算"：底层模型能力正在快速商品化。不存在所谓绝对壁垒。在乔布斯那个时代，软件可能还能有 3 年的壁垒；但现在你靠 GPT 能做到的事，对手用下一代模型也能在六个月后复刻。真正的护城河只有一件事：你吃掉整个工作流的速度与深度。
第四个：渐进委托。
在四个框架里，这是最不直观、但 BVP 也投入最多篇幅讲的一套。
AI 创业者或投资者常见的想象是：AI 一上来就去取代某一个岗位，比如律师、会计师、理赔员。
但 BVP 的评价是：这种设想并不现实。
"Making complete automation the goal can be detrimental—it creates unrealistic expectations." 把完全自动化当作目标，会导致你给自己定下一个在合理周期内无法完成的任务。结果要么交付不了，要么产品会变成什么都想做、什么都做不好的怪物。
他们提出的替代路线叫"渐进委托"（Progressive Delegation）。具体拆成三步：
第一步，优先自动化那些耗时最长、价值最低的“小块”。例如帮律师把 50 页判例浓缩成 2 页摘要；帮医生把对话整理成 SOAP 格式初稿（SOAP：主观描述、客观检查、评估、计划，是临床病历的国际标准结构）。AI 不替律师打官司，也不替医生看诊。只做那些满足三个条件的业务：边界清晰、出错代价可控、省下的时间肉眼可见。
第二步，让人继续处理剩余部分，同时推动客户把人这边的流程进一步标准化。BVP 观察到：人的流程越标准，AI 下一步能接手的空间越明确。如果客户内部各自做事方式差异太大，AI 就永远找不到稳定切入点。
第三步，边跑边学，逐步把更多步骤交给 AI。每扩展一步，都能沉淀上一步的生产数据、错误日志以及来自客户的信任。
这样做上线更快、风险更低，而且还有增量收入：每新增一个自动化步骤，往往就是一次新的购买机会。
类似的案例包括：Cursor 先做补全与重构，并让你掌控架构与审查；Microsoft 365 Copilot 的路径也一样——先帮你记笔记、总结行动项、起草回复，最终的判断与发送仍由你完成。这些产品的共同点，是始终把人留在决策循环里，让每一步自动化都在帮人节省时间。
确定方向之后，BVP 给出三个验证问题。
第一问：能不能产生"使能型 ROI"？
BVP 将 ROI 分成三层。浅层是节省时间；中层是省下成本；深层是实现过去根本做不到的事。这一类叫做使能型 ROI（Enablement ROI）。
举例来说：给每个潜在客户快速生成定制 demo；分析海量客户反馈数据；基于对话数据做销售辅导。
共同点很明确：没有 AI 的情况下，以上能力根本无法完成。
AI 只让既有流程快 30% 的话，老板很难算清账。但如果你让以前不可能的事情变成可能，那意义就截然不同。
第二问：目标流程是否足够标准化？
标准化意味着流程每次执行方式相对一致，输入输出格式相对固定，并且有客观标准用于判断对错。
BVP 给了一条很实用的方法：如果你在描述流程时经常要说"看情况……"、"不一定……"、"取决于……"，那说明流程还不够标准化。
第三问：初始范围够不够窄、风险够不够低？
最初的自动化范围应该窄到一句话就能讲清："我们只做 X 环节的 Y 动作。"同时，这一环节即便出错也必须能恢复——不能砸掉客户关系、不能踩到合规红线、也不能泄露敏感数据。
窄范围 + 低风险 = 允许你犯错与学习。这对创业者来说是宝贵机会：在这个窄域里先积累可靠性证据，再继续扩张。BVP 将其称为"earn the right to expand"——先证明自己，才有资格扩大版图。
一、你是在和劳动预算竞争，不是在和 IT 预算竞争。Vertical AI 的定价逻辑是按你为客户节省了多少人力、带来了多少增量收入来算——不按席位，也不按 API 调用量。商业与专业服务占美国 GDP 的 13%，软件仅占 1.3%。这张“饼”大一个量级。
二、护城河来自多模态与数据质量，而非数据总量。数据的质量、关联性，以及能否同时处理文本、语音、图像、视频这些类型，往往比数据堆得多不多更重要。高质量、强关联的数据能在业务扩张中持续产生复利效应：客户每天使用，都在让模型更难被复制。
三、自动化要落在客户真正需要的地方，而不是所有“可能的地方”。技术能做 ≠ 应该去做。BVP 反复强调"customer-centric automation"：自动化的起点是客户痛点。工程师发现"这个也能自动化！"然后硬加进去，客户根本不关心你在做什么。
四、把目标放在被忽视的高 ROI 利基市场。Vertical AI 的起始优势常常出现在大厂不太在意的小市场。站稳后再向外扩。
五、技术壁垒在于系统整合，而不只是模型本身。做更强的 LLM 是 OpenAI 和 Anthropic 的事情。Vertical AI 真正的壁垒，是把不同模态的能力组合起来，并端到端地跑通某个行业的特定工作流。模型可以替换——今天 GPT、明天 Claude——但客户系统之间的整合深度、行业数据处理能力以及行业规则的编码，对手想抄不走。
六、不要把自己做成“商品化功能”。如果某个功能任何 AI 公司都能做，那你做它就没有护城河。把资源押在差异化、且需要深度整合的工作流上。
七、用 AI 做超人的事。不是“比人快一点”，而是“人根本做不到”。例如分析 1000 倍规模的对话数据、7×24 不间断运营、在噪声里捕捉人眼看不见的模式——这些才是 AI 的真正战场。
八、创新商业模式。AI 不只是技术升级，它也让你可以换一种方式收钱：按结果付费、按省下的人力成本抽成、按增量收入分成——跳出按人头收费的思维框架。
九、为复杂需求做定制。客户要的不仅是功能，还有合规、安全、隐私与行业认证。能覆盖这些复杂要求的 Vertical AI 公司，天然更有粘性，相比通用工具更难被替换。
十、构建模块化、可适应的系统。别把全部押注在单一模型上。底层模型会快速迭代，你的系统要能灵活切换：今天用 GPT，明天换成 Claude，架构不至于崩掉。
把这份手册读薄之后，其实就是一张表加三个问题。
你当前在 Good / Better / Best 的哪一格？从这一格走向下一格，真正缺的是什么？你选的方向能不能从外围一路走到核心？
BVP 在手册结尾给大家的收束建议是：如果想做 Vertical AI，先从自动化你自己的日常工作开始。你能先做出有用的东西，那么第一个产品也就完成了验证。
BVP Vertical AI 创业手册
原文：https://www.bvp.com/atlas/building-vertical-ai-an-early-stage-playbook-for-founders