AI 应用如何变现？别只盯 AI Coding

AI 其实已经在事实上影响了美股，甚至牵动了更大的经济面。要是 AI 真的出了大问题，大家都难免受波及，覆巢之下又哪还有独善其身。

但这场热闹能不能继续走下去，关键还是得看我们做 AI 应用的这一层。

今天我想从 LLM 的本质出发，梳理一下 AI 应用究竟要怎么落地，才能真正把钱赚到手。

先把话说在前面：本文只讲 AI 应用层的变现路径，不涉及市场相对更细分、或者依附于底层能力的产业方向（比如算力配套、大模型微调服务、AI 安全合规等）。这些基础与配套，本质上都是服务于 AI 应用的。

因此，这篇文章也可以算我“探究 AI 泡沫论”的第三次分享：在现有技术条件和商业框架里，AI 应用到底有哪些更靠谱的赚钱方式？

前两篇我分别谈过泡沫、革命，以及在 2025 年这个节点，AI 发展会不会把我们推向 AGI。

下面我先聊一轮我近期观察到的市场细微变化。

五一假期期间，我留意到美股层面的一些动向。

结合之前提到的几个新闻点：

这些现象指向的都是同一个结论：越来越多头部厂商已经意识到，AI 最好、也最成熟的落地方式是在 ToB。

为什么偏偏是 ToB？相信经常看我内容的朋友都不陌生，我一直不认为基于 LLM 的路线能够通向真正的 AGI，所以我们叫 WeEvolve，重点探索的是人机协同的最佳实践。在目前这个阶段，ToC 的钱往往很难赚到——因为用户需求太发散，效果很难稳定兑现，付费意愿也偏弱，竞争还特别激烈，等等。

不过我更想说的是，ToC 之所以不太行，根子在于需求并没有对上。说白了，大多数 C 端用户其实并不是真的需要。

那 AI 具体能带来什么？我们先把这件事搞清楚。

最近“AI 原生”又频繁被拿出来讨论。我第一次听到这个说法是在 2023 年，还是我们厂长提的，转眼快 3 年了，很多人依然没完全想明白。

那么，所谓 AI 原生（AI Native）到底指什么？

这个概念其实可以类比之前很火的“云原生”。如果把云原生理解为把基础设施都建在云上，那云天然具备弹性伸缩、高可用、故障恢复、A/B Test 这类能力；业务一旦云原生化，服务商就能更从容地应对流量波动。

同理，AI 原生就是把业务流建立在 AI 之上，让流程天然享受到 AI 带来的那些能力。

那 AI 的核心优势是什么？可以归纳为两个词：提效与平权。

所以什么叫 AI 原生？简单说，就是用 AI 的“提效”和“平权”去重塑并加速业务流转的各个环节。从研发生产、流程审批，到以前深度学习里数据标注、可解释性系统的构建，其底层逻辑都在这里。

搞清 AI 原生的本质之后，我们再问：谁需要它？答案是那些要真正制造产品、创造价值的企业或个人。一个很直观的判断：你刷短视频、Happy 的时候，真的不需要 AI 吧？

基于这些判断，我认为目前 AI 变现至少有三条清晰路线：

1. 卖铲人模式（基础设施与信息差）。在应用视角里，所有基础层基本都属于卖铲人：卖 GPU 的英伟达、提供 AI Token 的大模型厂商，甚至做 AI 资讯和导航站的 AI 媒体，本质都在卖信息差铲子的那一类。钱相对更稳，但门槛高，竞争也更卷。

2. AI 工具模式（赋能个体创作者）。这类产品既可以切 ToC 也可以做 ToB，比如当前很火的 AI Coding 工具（Cursor、Copilot 等）。本质还是面向想要创作的人：AI 的角色是辅助，而不是替代。既然是辅助，就不可能直接取走人的位置——这也是我在《程序员为什么还没有大规模失业？AI 应用产品落地的正确姿势是什么？》里提到的观点。除了写代码之外，还有哪些场景同样需要这种工具？创业者要去认真思考，也可以参考我关于 cursor/windsurf 等辅助编程工具出圈原因的文章，我总结过 AI Coding 工具成功的四个要素。不过做这类工具的风险也很现实：容易被底层大模型（如 Claude、GPT）跨界用能力“降维打击”。因此最后很多产品会走向垂直领域 SaaS，通过工作流与流程壁垒把自己稳定下来。

3. 企业定制化 AI 提效系统（价值最高、利润也更厚）。目前最主流、也最赚钱的方向就是直接提效。代表性的公司包括 Anthropic 和 Palantir（帕兰提尔）。愿意为 AI 真金白银买单的，往往是那些需要用 AI 来创造巨大商业价值的企业。为他们做深度定制的 AI 提效系统，通常能拿到更高的 ROI，因此也是当下变现最扎实的生态位。

此外，企业侧还可以从“卖产品”走向“卖粘性”。也就是用 AI Agent 作为引导者，告诉用户如何在平台上更好地使用，从而降低复杂平台的学习成本。说到底，这是提升用户使用效率的一条路径。平台可以是任何 SaaS 工具，也可以是云平台。

举个例子：Excel 不少人可能还没怎么用到，越是高级用法越少有人掌握。此时可以在对话框里让 AI 助手带着用户操作，并把步骤可视化。再比如，像 aws、aruze、cloudflare 这类云平台，对普通人来说学习成本往往也不低。

但这种做法并不是让 AI 应用本身直接“靠内容收费”，而是降低既有平台的使用难度，让用户更愿意留下来。当然，也可以叠加按量计费。

这种“引导者”模式能解决 AI 应用中最棘手的两个问题：第一，用户往往不会描述需求（通过 Agent 主动引导并进行步骤可视化来解决）；第二，纯粹的 AI 生成结果可能不可控（通过在成熟平台上执行实际操作，来确保合规与审计要求被满足）。

很多人担心大模型会颠覆传统 SaaS。其实传统 SaaS 仍然有很大的生存空间，甚至可能迎来第二次上升周期。

大模型在处理开放式任务方面确实很强：生成、摘要、翻译、写初稿、出配图、搭代码脚手架。它能把你在同一个作品里从 0 拉到 80，速度快、成本也低。

但要完成从 80 分到 100 分的跃迁，大模型就开始吃力了。最后那 20 分，往往要求严格贴合品牌调性、满足法律合规、做精细化运营，同时还要团队审校、版本管理、审计追溯，并满足客户的特定约束。

这些目标通常很难用自然语言一次性说清楚。比如我之前分析 nanoclaw 时提到的情况：在追求更高分数的作品时，越接近心中理想状态，描述就越难——也就是“只可意会不可言传”。客户自己也未必能讲得明白需求，需要靠多轮交互、结构化约束与领域规则来逐步对齐；这恰恰是传统 SaaS 长期积累下来的护城河。

大模型并不能直接替代 SaaS，而是会被 SaaS 吸收，成为其底层引擎。当然，这并不意味着所有 SaaS 都能躺赢。关键在于 SaaS 公司能不能找准用户画像，并把基于 AI 用量的新计费方式跑通。

理解了上面的逻辑，对我们的实际工作与投资会有很直接的启发：

1. 给产品经理与创业者的建议：别做“全自动”的梦。如果你遇到一个不切实际、天天盼着一键生成完美产品的老板，把这篇文章转给他就好。因为只谈工具属性之外的纯 AI 应用，落地会非常难。

在产品设计上，要主动增强工具属性和人机协同能力，比如对 LLM 生成内容加入精调、Double Check（二次确认）、局部重绘等机制。指望用户输入一句话，系统就端到端直接产出 100 分完美成品，在当前阶段不太现实。

2. 给投资者的建议：优先找“AI+工作流”的标的。无论是在二级市场还是一级市场筛项目，都要重点看哪些 SaaS 公司的策略符合“大模型负责 0-80 分，企业/产品去做 80-100 分”的分工逻辑。那些能把 AI 无缝嵌入复杂工作流，并建立起结构化约束壁垒的公司，往往更值得买入或投资。

3. 给职场人士与顾问的建议：用降维思路去指导传统企业。对于还没有想明白这套逻辑的传统 SaaS 或实体企业，你可以把这套理论拿去做指导，甚至直接成为他们的 AI 转型顾问。

在这样的时间节点里，泡沫正在退潮，真正可验证的商业逻辑正在显形。谁能更早放下幻想，抓住“AI 提效与平权”的本质，谁就更可能在下一轮浪潮里抢到先机。