重點摘要

• 下個十年最大的幾家公司，會是「披著服務外衣、由軟體驅動」的 AI 原生服務公司。
• 挑市場看四個特徵：低信任、任務層低判斷、高智力門檻、法規即護城河。
• 真正好的產品，不只是幫人省時間，而是讓一個人能做到原本幾個人才做得到的事。
• 核心賭注：用 AI 營運槓桿把毛利從服務業的 ~30% 推向軟體級的 50%+，同時攻一個大 2–3 倍的市場。

上一篇〈服務，正在成為新的軟體〉，我談的是「為什麼」— 為什麼下一批巨頭，會是一群披著服務外衣、骨子裡由軟體驅動的公司。這一篇要接著談「怎麼做」。

Y Combinator 最近在 Startup School 放了一集，主講人是 YC Visiting Partner Charlie Warren，題目就叫〈How to Build an AI-Native Services Company〉。它是一份非常實務的 playbook：怎麼挑市場、為什麼「變異」會比任何事都更快搞垮這門生意、以及那套會徹底改變你商業模式的損益表算法。

以下我把整場內容完整整理成中文，忠實還原他的每一個論點，並分享我們的看法。

👉 原始來源：Y Combinator《How to Build an AI-Native Services Company》，主講人 Charlie Warren

目錄

1. AI 原生服務公司要挑什麼市場？四個反直覺的特徵
2. 對的創辦團隊：三種必備流暢度
3. 打造產品：人是介面，變異是生死線
4. 銷售：小心「早期需求陷阱」
5. 定價與損益表：AI 營運槓桿的賭注
6. 別想用「買」的抄捷徑
7. 筆者觀點
8. FAQ

下個十年最大的幾家公司，可能根本不是軟體公司，而是保險公司、律師事務所、稅務事務所這類「服務業」 — 只是它們從零打掉重練，把大部分的工作交給 AI 完成。Charlie Warren 把這種公司稱為「AI 原生服務公司」。

這些市場動輒數兆美元：稅務、審計、保險、法律、部分醫療、部分物流。這個機會兩年前還不存在，是模型能力的躍進才打開了一種新的生意型態 — 直接把「成果」交付給客戶，而不是做一個讓客戶自己內部使用的 Copilot。也因此，這種公司從體感到長相，都和今天多數新創不一樣。

以下這份 Playbook，是寫給「正在思考要不要創業」的人，而不是已經在經營一家公司的人。

1. AI 原生服務公司要挑什麼市場？四個反直覺的特徵

一般挑市場的原則在這裡一樣適用：選一個你願意投入十年以上的領域。如果你對客戶、市場或這個技術問題沒有一定程度的熱愛，是撐不下去的。但 Charlie 認為，最適合 AI 服務的市場，還多了四個獨特而反直覺的特徵。

一、低信任（Low Trust）。

意思是，這類工作本來就已經外包出去了，客戶在意的是最終成果，而不是你怎麼做出來的。你要取代的是一個既有的供應商，而不是要求客戶改變行為；你只是出現在「預算本來就存在」的地方，把活接下來。這一點非常關鍵，因為你不需要重新教育市場。

二、任務層級的低判斷（Low Judgment）。

如果一件工作拆解之後，每一個步驟都需要一個人做出真正的判斷，你就無法規模化。理想狀態是：大部分步驟都能自動化，只把判斷集中在少數幾個仍需要人留在迴圈裡的環節。

三、高智力門檻（High Intelligence Threshold）。

這聽起來和上一點矛盾，其實不然。整件工作本身必須夠難 — 難到需要「模型加上人」才交付得出客戶願意買單的成果。太簡單的工作，反而築不起護城河。

四、法規反而是好事。

受高度監管的產業，對品質有更高的期待、也有法律責任在，這反而墊高了門檻，替創辦人築起護城河。Charlie 舉了一家 YC 公司 Panacea 為例：它為生技與醫材公司提供 FDA 法規服務，做法是聘請資深的 FDA 顧問，再搭配一套 AI 平台，讓 FDA 審批更快、品質更好。

那哪些市場已經被驗證適合？他點名：稅務、審計、保險、房貸、部分醫療、部分物流。但他也提醒，還有非常多沒人碰過的市場，別把自己侷限在那些顯而易見、或大家在 X 上一直談論的領域。

挑市場時還有兩個檢查。第一個他稱為「Sam Altman 測試」：問問自己，當模型變得更強，你的服務是跟著變強，還是被模型本身給商品化掉？你要待在前者那一邊。第二個要小心的是：凡是牽涉到設備與現場勞務的生意都要謹慎 — 當你得實際擁有並營運實體資產時，軟體那套毛利算法就不成立了，很難創造真正的槓桿（雖然它們仍可能是好生意，但那塊就留給做機器人的創辦人）。

最後是一個誠實的自我檢查：你用人，到底是因為這份工作真的需要判斷力，還是你在用人力去掩蓋產品的不足？這一點要對自己夠誠實，才不會拿真人去補產品的洞。真正需要人留在迴圈裡的偉大公司仍然存在，但別把兩者搞混。

2. 對的創辦團隊：三種必備流暢度

跟所有新創一樣，團隊要找你已經認識、共事過的人；如果你是單槍匹馬，回想一下這輩子共事過最厲害的人，直接開口邀他們加入 — 會答應的人可能超乎你想像。

而做 AI 服務，Charlie 觀察到最好的創辦人身上，都有三種「流暢度」。

一、領域流暢（Domain Fluency）‍

有第一手經驗最好，後天學來的也可以。因為你面對的是充滿懷疑、而且往往受監管的買家，你必須渾身散發可信度；至於這份可信度是怎麼來的，反而沒那麼重要。

二、模型流暢（Model Fluency）。

你得清楚今天最前沿的模型能做到什麼，並且把產品設計成能隨著模型變強、一路「順著曲線往上」。這裡沒有捷徑，強悍的技術能力無可取代，這一點很多人低估了。

三、營運嚴謹（Operational Rigor）

變異、產能、週期時間、SOP……這些字眼對多數創辦人來說一點都不性感，但你本質上是在「經營一場運營」。你得學會這套技能、而且要享受它，至少也要尊重它。因為在這門生意裡，產品就是一門運營。他舉 General Legal Team 為例（YC 近期投資的一家 AI 原生律所）：創辦人同時有真正的律所經歷（Cooley、Fenwick）與 CaseText 的技術背景，更重要的是，他們深入思考產能與人力配置，把輪班制導入服務流程來縮短週期、同時吸引到最好的律師加入，對規模化來說是雙贏。

3. 打造產品：人是介面，變異是生死線

做 AI 服務，產品的設計思路和多數軟體正好相反：人，才是面對客戶的介面，產品不是。 產品的角色，是幫助這個人把工作「非線性」地放大。這個前提，幾乎改變了打造產品的一切。

首先，要用運營的思維：找出瓶頸，針對瓶頸去打造產能與週期時間，現在就是你的產品指標，要像盯每日活躍用戶（DAU）一樣盯著它們。

變異，是這門生意的生死線。

所謂變異（Variance），就是你的服務產出不一致。客戶會因為變異而開除你，而且比因為你慢一點、貴一點還要快。他們需要能信任你的產出；不一致會摧毀信任，信任一崩，客戶就流失。

還有一點：留在迴圈裡的人，必須能「非線性」地擴張。如果你的營收是隨著加人的數量線性成長，那就有大問題了。而且這些人也是你軟體的使用者，他們必須用得順手。一開始做一些無法規模化的事沒關係，但最終你一定得規模化 — 把流程自動化，本身就是產品。

4. 銷售：小心「早期需求陷阱」

創辦人在銷售與客戶成功這個階段最大的挑戰，Charlie 稱為「早期需求陷阱」（Early Demand Trap）。

剛起步、手上什麼都還沒有時，你很容易一口氣簽下一堆試點客戶；但這會迅速壓垮你的交付能力，逼得你只能靠人力硬撐，產品永遠做不到能規模化的那一步。這是一個名副其實的陷阱。

他的建議是：把最初的試點客戶控制在很少的幾家，忍住一次簽太多、簽太快的衝動。此外，售前與售後的樣貌也和軟體不同 — 你賣的是「成果」，不是座位數（Seats）或用量（Tokens），試點本身就是產品。對最初這幾家客戶，不要太早標準化，而是用這些試點去學習：找出 AI 能給你獨特槓桿的地方，以及哪些只是把顯而易見的事自動化。看清楚之後，再照著把產品做出來，而且要快。

5. 定價與損益表：AI 營運槓桿的賭注

定價：你競爭的是「人力成本」

定價比傳統軟體更難，因為你競爭的對象不是其他軟體供應商，而是「人力成本」本身 — 不論是客戶內部的人力，還是外包的人力。

幾種定價方式：按件計價（Per-unit，例如每份報稅、每筆理賠、每筆貸款）最乾淨、也最好解釋；成果計價（Outcome-based）能漂亮地對齊雙方的誘因，但對你自己的營收預測比較困難。前面提到的 Panacea，就是按「完成的顧問研究」來計價，而不是照業界慣用的時薪。

有兩種定價策略要避免：成本加成（Cost-plus）會永久壓死你的利潤上限；而一路削價競爭，則會讓你的服務顯得廉價、甚至讓人懷疑品質。定價要對著「價值」定。

損益表：AI 營運槓桿的賭注

接著是損益表（P&L），這才是這類公司真正的生死之地。基本結構是：營收減去銷貨成本（COGS）得到毛利，毛利再減去營業費用（OPEX）得到營業利益。

營收相對是簡單的部分：你會簽得到合約，但你能不能「可重複地」交付，就要看你的產品與流程了。長期你會希望成長平順可預測，但早期每個月忽高忽低是正常的。

銷貨成本則要從第一天就緊盯。這裡有三大組成：模型成本、代管（Hosting）成本，以及那些留在迴圈裡的人。這三項都要有一個數字、一條趨勢線、還要有一個負責的人。要對「零毛利甚至負毛利」的試點保持高度警覺，拿來學習可以，但一旦上癮就很危險。

而這門生意的核心賭注是：產品做得越完整，銷貨成本就越低，毛利就越好。Charlie 把這稱為「AI 營運槓桿」。營業費用則包含研發（把產品做出來）、銷售、以及一般行政管理（財務、法務、高層薪資），都算標準項目。營業利益就是營收減銷貨成本再減營業費用；在這類生意裡，你會比想像中更快被以營業利益來檢視。至於淨利（營業利益再扣掉稅與利息），中期來看反而沒那麼重要。

真正的損益機會在這裡：傳統服務業的毛利大約頂在 30% 上下；純軟體與純 Agent 公司毛利更高，但市場（TAM）通常更小。而 AI 服務公司的賭注是 — 用 AI 營運槓桿把毛利推向接近軟體的水準（比方 50% 以上），同時攻一個比軟體大上兩到三倍的市場。你不需要一開始就做到，但那條成長軌跡必須讓人相信。

6. 別想用「買」的抄捷徑

最後一點：別想用收購走捷徑。Charlie 觀察到一種誘惑，尤其是有營運背景的創辦人，會想直接買下一家現成的服務公司，疊上 AI，藉此跳過從零到營收的過程。

這通常是個陷阱。唯一還算說得過去的理由，是你需要快速取得法規上的護城河（例如保險牌照）；除此之外，幾乎行不通。原因是：你買不到「產品與市場的契合」（Product-market Fit）。老牌服務公司就是老牌，它們在指標、聘僱、績效上的期待都不一樣，在上面疊一層 AI，並不會立刻改變這些現實。從零打造，幾乎總是比用買的更好。

總結來說，AI 原生服務公司對今天的創辦人是一個極大的機會，但它們是一種本質上不同的新創。只要避開這些陷阱，把「流程當成產品、把產品當成流程」，你就有機會打造出一家世代級的公司。

筆者觀點

讀完 Charlie 這份 Playbook，我最直接的感受是：他描述的不是一個遙遠的矽谷實驗，而是我們在 OakMega 每天在做的事。他列出的每一條，挑一個工作本來就外包出去的低信任市場、把判斷集中在少數環節、用法規當護城河、賣成果而不賣工具、死守變異、按件或按成果定價，幾乎就是 OakMega FDE（Forward-Deployed Engineering）服務的設計原則。

我補三個對台灣、亞洲 B2B 市場特別有感的觀察：

「人是介面，不是產品」這句話，對走 LINE 生態的我們格外真實。

在台灣的製造業與 B2B 場景裡，客戶關係常常卡在某個業務的個人帳號裡；真正的產品，是讓這個「人」能被系統非線性地放大，而不是把他換掉。這也是我們在實際專案裡反覆看到的：導入成功的關鍵，從來不是「把人換掉」，而是「把人放大」。

「變異是生死線」在服務型交付裡被嚴重低估。

客戶願意原諒你慢一點，卻不會原諒你這次做得好、下次做壞。把交付流程標準化、把品質壓到穩定，才是能規模化的前提。

「別想用買的抄捷徑」，反過來也提醒了買方。

單純把一套現成軟體疊到舊流程上，並不會自動長出成果。真正的價值，來自把「判斷該留在哪、什麼交給系統」這件事設計對——這也是為什麼我們寧願用 FDE 一個一個把場景做扎實，而不是賣一套讓你自己想辦法的工具。

下一批兆元市值的公司，會是一群看起來像在提供服務、骨子裡由軟體驅動的公司。這件事不只發生在美國，它就在你我身邊的產業裡發生。

你有什麼看法呢？歡迎與我們聊聊 👉 聯絡我們

FAQ

Q1：什麼是「AI 原生服務公司」？它和 SaaS 有什麼不同？
AI 原生服務公司直接把「成果」交付給客戶（例如完成一份報稅、一筆理賠），由 AI 完成大部分工作、真人只留在少數需要判斷的環節；傳統 SaaS 則是賣一套工具，讓客戶自己內部使用。前者賣的是結果，後者賣的是工具。

Q2：哪些市場最適合做 AI 服務？
Charlie Warren 點名已被驗證的市場包括稅務、審計、保險、房貸、部分醫療與物流。它們的共同特徵是：工作本來就外包出去（低信任）、大部分步驟可自動化（任務層低判斷）、整體工作夠難（高智力門檻），而且受法規監管（門檻即護城河）。

Q3：什麼是「Sam Altman 測試」？
一個判斷市場的自問：當模型變得更強，你的服務是跟著變強，還是被模型商品化掉？你要選擇前者——也就是模型進步會強化你、而不是取代你的領域。

Q4：為什麼「變異」會是這門生意的生死線？
變異指服務產出不一致。客戶因為產出不穩定而流失的速度，比因為你慢一點或貴一點還要快；不一致會摧毀信任，而信任正是服務型生意的根基。

Q5：為什麼不建議用「收購現成服務公司」的方式切入？
因為你買不到產品與市場的契合。老牌服務公司在指標、聘僱、績效上的體質都不同，疊一層 AI 並不會改變這些現實。唯一合理的例外，是需要快速取得法規牌照（如保險執照）。從零打造通常比用買的更好。

Q6：AI 服務公司的毛利可以做到多高？
傳統服務業毛利大約頂在 30%；AI 服務公司的賭注，是靠「AI 營運槓桿」（產品越完整、銷貨成本越低）把毛利推向接近軟體的 50% 以上，同時攻一個比軟體大兩到三倍的市場。不必一開始就達標，但成長軌跡必須可信。