云启观点 | AI Agent 下半场：别再卷效率工具，机会在重构生产力
80%的价值被模型拿走，AI 应用还剩什么?
热闹的 AI 应用创业，吸引各路 builder 蜂拥而入。但一个残酷真相是，AI 软件约 80% 的融资和收入都流向了大模型厂商。AI 应用层玩家究竟该如何打开价值窗口？
近日，云启与 WAIC 世界人工智能大会子品牌 Future Tech 联合举办 Future Tech Demo Day 第六期。云启执行董事梁昊（Peter）在"AI Agent进入下半场"主题分享中，直指应用层真实处境，剖析创业者切入 Agent 的可行路径。本期内容和你分享精彩观点。
关于本次 Demo Day 的更多详情，欢迎文末点击"阅读原文"回顾。
*下文摘自云启执行董事梁昊现场分享，文字经编辑
这波 AI 创业，比你想的难
关于 AI 创业，流行的叙事是：门槛降低了，机会变多了，一个人也能做一家公司。但如果真的去看这一波 AI 应用创业的成绩，结论没那么乐观。
云计算时代，应用层的公司拿走了整个产业超过 60% 的价值，To B 的 SaaS 是如此，中国的移动互联网公司体量则更大。但从 2022 年 ChatGPT 至今，融资虽然热闹，但粗略估计，AI 软件约 80% 左右的融资和收入，实际上都流向了大模型厂商。
过去一年应用层里被反复提及的标杆是 Cursor，其成功与基础模型的能力和收入两者高度叠加。除 Cursor之外，其余 AI 应用独角兽企业 ARR 口径收入绝大多数在 5 亿美元以内。
再看用户运营数据：目前行业内被认为表现优秀的 AI 应用，尽管用户增长爆发性较强，但付费转化、不同口径留存、毛利率等数据相比 To C 移动互联网和 To B SaaS 软件差距较大。
即便最头部的 AI 公司也值得审视。参考拾象研究，如果 OpenAI 坚持现有商业模式，即 ToC （订阅加上互联网模式广告和平台 take rate）以及To B（基础设施税），考虑全球个人和企业基数，未来收入天花板可能在 2000 亿到 3000 亿美元，相比当前云计算巨头仍有较大差距。如果考虑 OpenAI 未来万亿美元资本支出，目前商业模式 ROI 面临挑战。
数据背后的问题是：AI 应用层的价值和商业模式究竟在哪里？
从 Copilot 到 Autopilot：范式还没有真正转变
目前大多数 AI 应用的本质，还是 Copilot 帮助人更快地完成工作，实现个位倍数的效率提升。这个幅度听起来可观，但还不足以驱动用户真正改变行为、彻底颠覆工作流和企业组织架构。
真正的范式转变，是从"辅助人"变成"替代劳动力"，AI 直接完成端到端的任务，而不只是加速某个步骤。这才是劳动力替代，而不是工具替代。
从市场规模来看，这个方向的量级也截然不同。全球 ToB 软件市场约 5000 - 6000 亿美元，根据公开信息测算，海外企业每花 1 美元购买软件，就要花约 6 美元在各类外包服务上：HR 外包、猎头、财税代理、IT 运维……这个比例在中国只会更高，可能是 20x。5000 亿与 10 万亿，差了一个数量级。我们近期也看到了越来越多海外 VC 采取"AI Rollup"模式，收购传统服务类企业，然后用 AI 重塑运营，提升运营效率。
当然，在技术尚未成熟时，这件事是很难做到的。一个需要数十步完成的 Agent 任务链，若每步准确率只有 85%，叠加下来的成功率低得难以接受。但随着长程Agent 工程化，包括 Harness、上下文记忆、强化学习以及各类 Agent 生态和接口的完善，正在提高 Agent 在完整任务上的准确性和泛化性。
我们已经看到了这样的事情在发生。例如我们被投企业 Creao AI，80-90%的研发和营销都建立在自己的 Agent 平台以及多领域 Agent 联动，替代重复工作。AI 替代初级岗位，可实现性正在明显提高。
此外，我们也在 98 后专项投资计划 Y Tranformers 中看到了创始人打造的非常有趣的 AI native硬件形态，实现了软硬件真正的有机联动和互相成就。
软件做不了的事才是 AI 该做的事
什么场景适合 AI 创业？有一个判断标准：如果原来软件就能做，基本不是 AI Native 创业的机会。软件的逻辑是找需求最大公约数，标准化交付，如果卷同一波需求，竞争的终点很容易变成像素级互抄和恶性价格战。而 AI 更大的机会，是解决原来个性化、非标场景，软件做不了的需求。
这类需求的承载体，在商业社会里已经存在了几十年，通过人力驱动的 BPO（业务流程外包）解决。To C 领域也有大量相同属性的行业，教育培训、心理咨询等。
如果只考虑企业侧，财税代理、人力资源外包、管理咨询、保险经纪、IT测试、审计……这些行业之所以以外包形态存在，恰恰是因为需求高度个性化和周期性，企业内部自建成本远高于外包。传统软件在这里"无能为力"，它需要结构化输入和明确规则，而 BPO 处理的大量工作恰好是软件的"禁区"：非结构化信息的处理、复杂上下文中的认知判断。这也正是 AI 最擅长解决的维度。
BPO 行业还有一个特点：它天然在企业流程的外部。AI 替代 BPO 服务，不需要触动企业的内部组织架构，是一种无感的渗透。而且这些行业在中国极度内卷——例如软人力外包行业的毛利率从早年 20% 以上已经挤压到 10% 以下。越卷的行业，越说明它需要被重构。这一定是 AI native 的机会，传统 BPO 行业竞争优势在于人员管理和运营效率，如何填补供给与需求的峰谷差。
先颠覆外部，再吃掉内部
理解 AI 对不同工作的冲击节奏，我们借用海外基金提出的四象限框架：横轴是"是否需要企业内部经验决策，还是通识决策"，纵轴是"外包还是内部执行"。
首先被冲击的，是"外包 + 通识决策"象限——财税审计、IT 测试、薪酬 HR、保险经纪。这些领域市场规模以千亿美元计，且不需要改变企业内部组织，是当前 Agent 能力最直接覆盖的区域。
管理咨询处于"外包 + 需要一定行业内外部判断"的位置，变化已经在发生：根据本人自己的经历，原来一个四、五人小组做 1-6 个月的咨询项目，现在一、两个人加上 AI Agent 可以高效完成。我们观察到近两年大量咨询顾问岗位正在被压缩。
BPO 被 AI 冲击后，下一波是企业内部流程，如供应链管理、财富管理、内部审批。当外部的 BPO 服务被 AI 颠覆之后，企业会发现内部用 AI 同样可行，内部流程随之重构。最后被影响的，是那些高度依赖企业专有数据和内部经验判断的岗位，这是目前最难被替代的部分。
有一个值得单独提的案例：投资顾问行业。云启在 fintech 领域深扎多年，数字化和 AI 已经颠覆了多个行业，投顾行业由于强依赖顾问个人能力拓展，用户对人的信任很难被产品替代，而一个顾问再厉害，能覆盖的行业和客户也是有上限的。但 agent 改变了这个逻辑的上限，这是一类原来在资本化和 scaling 导致的行业分散等角度看来非常难出手的行业，现在因为 AI 重新变得可以认真看了。
别成为大模型更新日志里的一行字
大模型每更新一次，就有一批应用层公司倒下，这是现在 AI 创业的真实处境。要做成有护城河的公司，有几个维度值得认真对待。
第一是"Thick Agent"，而不是薄工具。嵌入客户业务越深，生态越完整，替换成本越高，才是真正可持续的护城河。能力上只依赖单一模型的公司，核心能力随时面临被吃掉的风险。
第二是私有数据。这是最硬的壁垒。例如，Harvey 在法律领域、OpenEvidence 在医疗领域的立足，依靠的不只是模型本身，而是那些散落在行业里、门槛极高的专有数据。数据持续积累，模型持续迭代，壁垒越来越高。
第三，传统商业护城河仍然有效。网络效应、特许经营（数据、牌照、资质）、数据飞轮、极低的边际成本——这些在软件时代成立的壁垒，在AI时代同样成立。
我们去年领投的 深圳指数科技，做的是用 AI 替代中国数十万家电子设计方案商——一个典型的劳动密集型、分工高度明确的 BPO 行业。它同时具备极私有数据壁垒、技术门槛和未来硬件生成入口级的想象空间，单位人效实现了数十倍的提升，是上述几个标准叠加的结果，也是我们认为这个方向上最具代表性的案例之一。
观点互动
以上是我们阶段性的观察与判断。如果你正在做 AI 应用，或者也在思考 Agent 的落地路径，关于这些问题，我们也很好奇你的想法：
- 你所在的场景，是在"提效"，还是已经开始"替代人"？
- 在大模型持续进化的背景下，你认为产品护城河应该建立在什么之上？
- 关于 BPO 这一类"软件做不了的事"，你是否看到了新的切入机会？
欢迎在评论区分享你的判断，我们也会持续跟进这些一线变化。
更多精彩
本场 Demo Day 还汇集了 16 支 AI 创业团队的一线探索，涵盖 Agent、AI Native 应用及新型交互形态。点击这里，查看路演详情与项目方向拆解，或许能看到下一波机会的轮廓。
