文｜氪睿研究院

过去两年，关于人工智能最热闹的讨论，始终围绕一个问题：AI究竟会取代多少人的工作？程序员、设计师、咨询顾问、会计师，一个接一个职业被放进替代名单。每当大模型获得新的能力，人们就重新计算一次：哪些岗位可以被自动化，还有多少白领工作能够保留下来。

但这场讨论可能忽略了一个更深刻的变化。AI首先动摇的，未必是人类的工作，而是过去几十年建立在人的数量与劳动时间之上的商业计价体系。

软件按照席位收费，咨询按照顾问工时收费，客服外包按照坐席收费，软件开发按照工程师人数和项目周期收费。尽管这些行业出售的分别是工具、知识、服务与专业能力，但它们长期共享一个计价逻辑：把人的数量或时间，当作衡量交付能力与商业价值的重要依据。

AI第一次让这种关系出现了大规模松动。当机器能够独立完成越来越多的工作，客户便有理由提出一个过去并不容易回答的问题：既然我购买的是结果，为什么还要按照你投入了多少人来付款？这并不是一次简单的收费方式调整。它可能意味着，知识经济中沿用了几十年的收入增长公式，正在失去一部分经济基础。

01 按人头收费的生意，正在失去旧前提

过去二十年，SaaS是企业软件领域最成功的商业模式之一。它把传统软件的一次性授权转化为持续订阅，又将员工数量与软件公司的收入联系起来。一家公司使用软件的人越多，需要购买的席位通常越多，供应商也就获得了相对稳定的增长。这种模式有一个不言自明的前提：人是软件使用和业务执行的基本节点。企业需要更多销售人员，就可能购买更多CRM账号；需要更多客服人员，就可能购买更多客服系统席位。软件帮助人提高效率，但企业组织扩张与软件收入增长之间，仍然保持着相当紧密的关系。

AI智能体开始改变这个前提。如果十名员工能够管理几十个智能体，完成过去上百人承担的部分工作，企业究竟应该购买十个软件席位，还是为智能体执行的任务付费？对于依赖席位增长的供应商，这不是一个产品设计问题，而是一个收入模型可能受到侵蚀的问题。

专业服务业面对的挑战更为直接。传统咨询公司的收入与顾问投入密切相关，律师事务所通过初级律师的大量检索、审阅和起草工作形成可计费工时。随着AI压缩这些基础劳动，客户能够获得的成果未必减少，但服务商赖以计算收入的工时却可能显著下降。

市场已经出现了新的尝试。Intercom旗下的AI客服Fin将特定服务成果作为计费单位，例如按成功解决的问题收费；Sierra则把收费与客户服务中约定的业务结果联系起来。2025年11月，Sierra宣布在产品推出约七个季度后达到1亿美元年度经常性收入，显示结果导向的企业AI服务已经能够形成相当可观的商业规模。

不过，结果计费远没有成为行业主流。计费平台Orb在2026年对80家AI智能体公司的研究发现，95%采用混合计费方式，而采用结果计费的仅有3.8%。原因也不复杂：任务是否完成、结果是否有效、价值应该归属于谁，以及错误由谁承担，都远比记录一次模型调用复杂。因此，未来未必是结果计费彻底取代订阅和席位，而是企业软件的计价单位开始分化：一部分继续为使用权付费，一部分按照计算资源和执行量收费，还有一部分直接购买可验证的工作成果。变化的本质，是收入不再必然跟随人的数量增长，而需要越来越多地证明自己究竟创造了什么价值。

02 决定AI渗透速度的，不只是智能，还有验证成本

一个值得思考的问题是，为什么AI能够如此迅速地进入编程、客服和内容生产，却难以用同样的速度改变医疗、法律和金融等专业领域？答案不完全在于模型能力，而在于不同工作的经济与制度属性。

2025年Stack Overflow开发者调查显示，84%的受访者已经使用或计划使用AI工具，但46%对AI输出的准确性表示不信任。这两个数字看起来矛盾，却恰好揭示了编程行业适合AI渗透的原因：开发者可以在不完全信任AI的情况下使用它，因为代码能够通过编译、测试、运行和人工审查不断验证。

同样是知识劳动，法律意见和医学诊断的验证成本却高得多。一段程序是否按照要求运行，往往可以较快获得反馈；一项医疗判断是否正确，可能需要长期观察，甚至涉及无法逆转的后果。金融投资和企业战略更复杂，结果通常受到外部环境影响，很难把成败清晰归因于某一次判断。由此可以建立一个观察AI产业渗透速度的框架：工作越数字化、结果越容易验证、错误责任越容易界定，AI就越可能迅速进入核心生产流程。

这也解释了为什么AI在营销领域首先带来的未必是预算减少。广告素材和内容生产成本下降后，企业可以用同样的预算测试更多创意，触达更多细分人群，原本因为成本过高而不值得执行的任务，现在可能具备了经济可行性。经济学中，单位成本下降并不必然导致总需求收缩，如果需求对价格足够敏感，价格下降反而可能扩大消费量。AI降低了一次生产行为的成本，也可能同时创造过去不存在的需求。但这里存在另一个容易被忽略的区别：生产活动增加，不代表原有服务商的收入一定增加；行业效率提升，也不意味着技术提供者必然获得更多利润。

当每家公司都能以更低成本制作广告、编写代码和处理客服时，能力的普及反而会削弱部分服务的稀缺性。最终受益者可能是客户，也可能是掌握分发渠道与客户关系的平台，而不一定是最早采用AI的企业。对科技企业CEO而言，AI能否提高员工效率，只是第一个问题。更重要的是，效率提升之后，行业竞争会如何重新分配这些收益。

03 执行越来越便宜，承担责任的能力却可能越来越贵

在一项复杂的专业服务中，至少存在三个不同环节：形成答案、判断答案是否可靠，以及对答案产生的后果负责。过去，这些环节通常由同一个专业组织完成，因此人们很容易把它们视为不可分割的服务。

AI正在将三者拆开。模型可以生成法律文书，但律师仍然需要对专业意见承担执业责任；AI能够辅助分析医学影像，但诊疗决定仍然受到医疗规范和执业责任约束；金融机构可以利用智能体完成大量风险筛查，却不能因此转移自身应当承担的合规和受托责任。由此可能出现一个与大众想象不同的结果：AI越强大，标准化执行劳动越容易被压缩，但有能力定义问题、审查结果并承担责任的主体，反而可能获得更重要的地位。

这并不意味着所有高级专业人士都能保住原有的收入。如果AI让某些专业判断也逐渐标准化、透明化，其价格同样会受到竞争侵蚀。但那些需要复杂情境判断、制度授权和责任承担的工作，仍然存在机器能力之外的商业壁垒。这对传统专业服务公司的组织结构提出了更深层的挑战。

过去，律所和咨询公司广泛采用金字塔结构：底部是大量执行基础任务的年轻员工，顶部是少数具有判断能力与客户信用的资深专家。AI能够压缩金字塔底部的工作量，却不一定同步减少顶层判断和责任的需求。于是，一个生产率问题可能演变为人才再生产问题。如果初级员工不再经历大量检索、建模、分析和写作，未来的资深专家将通过什么方式形成专业直觉与判断能力？当组织为了眼前效率不断减少初级岗位，它也可能削弱自身未来最重要的专业资本。

对于科技创业公司，同样需要重新理解所谓行业壁垒。模型能够完成任务，不等于企业获得了执行任务的全部权利；技术上可以替代某项劳动，也不意味着制度上可以替代承担责任的组织。未来一些高价值企业，可能并不是拥有最强模型的公司，而是能够将机器执行能力、专业判断和责任体系结合起来的组织。

04 80%的毛利率，可能不再是判断好公司的唯一标准

AI还在改变资本市场评价软件企业的习惯。传统SaaS最吸引人的经济特征，是产品完成开发之后，新增客户通常不需要同比例增加交付成本。高毛利、可预测的续费收入和相对轻资产的扩张模式，使其长期受到风险资本青睐。AI原生公司的成本结构却有所不同。每一次模型推理、工具调用和多步骤任务执行，都可能产生持续的计算与服务成本。客户使用得越深入，企业承担的成本也可能越高，这使部分AI应用更像是软件与服务的结合体。

早在2020年，Andreessen Horowitz就观察到，一些AI企业的毛利率处于50%—60%的区间，低于可比传统软件公司。2025年，Bessemer Venture Partners进一步指出，其研究中一类增长极快的AI企业，平均毛利率甚至只有约25%。这些数字不能代表所有AI公司，却足以说明，传统SaaS的财务标准并不能直接套用到整个AI应用市场。

不过，由此得出“AI公司毛利越低越先进”的结论，同样危险。持续的推理成本可能意味着产品承担了更多实际工作，也可能意味着企业缺少定价权，只能把大量收入支付给基础模型和算力供应商。更值得考察的，是收入增长、单位交付成本和客户价值之间的关系。如果任务规模扩大后，模型路由、缓存、自动验证和流程优化能够持续降低每次有效交付的成本，公司便可能形成越来越有利的规模经济。反过来，如果收入增长必须伴随几乎同比例的算力支出，那么再高的增长率也未必能转化为健康的商业模式。

高毛利同样需要结合业务模式判断。一家AI公司可能通过客户自备算力、成本转嫁、轻量推理或者高度优化的技术架构获得较高毛利，不能仅凭一个数字判断它是否具备AI原生能力。

风险投资人过去习惯关注ARR、增长率、毛利率和人均收入，AI时代这些指标仍然重要，却需要增加一个更底层的问题：当模型能力越来越强、调用价格越来越低，这家公司是能够保留更多利润，还是不得不把技术红利让渡给客户和竞争对手？如果一家公司只是在通用模型上增加简单界面和提示词，那么模型升级可能让它的产品更好，却也可能让竞争者更容易复制它。技术进步未必只会增厚它的利润，也可能消灭它原本赖以收费的稀缺性。这正是AI应用公司的一个特殊悖论：推动整个行业进步的技术力量，也可能成为不断侵蚀企业定价权的力量。

05 未来最有价值的资产，可能是一段无法轻易替换的工作流

如果模型越来越容易获得，应用公司究竟还能依靠什么建立竞争优势？答案可能不在于谁拥有最多模型能力，而在于谁能把这些能力嵌入最关键的生产流程。以编程工具为例，代码生成只是整个软件开发流程的一部分。理解既有代码库、识别项目上下文、处理多文件修改、测试结果、审查安全风险以及管理团队协作，才共同构成企业开发工作的复杂性。

Cursor值得研究的，不仅是它能够调用先进模型，更在于它持续深入开发者的日常工作环境。它围绕代码库索引、上下文理解和任务执行形成产品能力，让模型输出与企业现有的软件开发体系发生联系。这种深入工作流的能力，比一次漂亮的模型演示更可能形成商业壁垒。因为客户替换一个模型可能并不困难，但如果更换服务商意味着重新连接系统、配置权限、重建业务规则和验证机制，迁移成本就会显著提高。

当然，进入工作流也不自动形成数据护城河。只有企业能够合法、持续地获得高质量反馈，并将这些反馈转化为更好的执行效果，使用过程中的数据才可能形成竞争优势。没有明确的数据使用权、可验证的学习机制和持续改善的客户价值，所谓数据飞轮可能只是一个动听的故事。

这里还存在比数据积累更重要的商业逻辑：谁控制工作流，谁就更有机会决定机器在什么环节创造价值，以及这部分价值如何被计价。从这个角度看，AI并没有简单消灭软件市场，而是在打开一部分过去由人工服务承担的市场。传统SaaS主要出售组织使用的工具，AI智能体则开始参与完成工具原本需要人来执行的任务。它们潜在面对的市场，不再局限于软件预算，还可能延伸至企业原有的人力和外包服务支出。

但市场规模的扩大，同样存在陷阱。一个智能体即使能够完成过去十名员工的部分工作，客户也未必愿意按照十名员工的工资支付费用。一旦同行都具备相似能力，价格仍会受到竞争约束。因此，能够完成更多工作与能够获得更多利润，是两个完全不同的命题。对科技创业者而言，拥有一项领先的AI能力，可能只意味着暂时领先；占据一个高频、关键且难以迁移的工作流程，才更有机会形成持续经营的基础。

06 当人数不再决定产能，企业增长就有了新公式

过去，一家企业想要完成更多项目、服务更多客户，通常需要增加员工、扩大管理规模。组织能力与员工数量之间虽然不是简单的线性关系，却长期存在紧密联系。AI开始削弱这种联系。少量员工可以借助大量智能体管理更复杂的业务，企业收入增长不再必然要求员工数量同步增长。部分AI公司的极高人均收入，正是这种变化的早期表现。

但这还不足以定义AI原生企业。一家企业即使所有员工都使用AI，如果业务仍然按照旧流程运转，组织仍然依赖人员层级传递信息，收入仍然完全依靠增加人力投入获得，那么它很可能只是拥有了更高效率的传统生产体系。

技术史早已反复证明，通用技术的经济价值往往不在替换旧工具的那一刻完全释放。电力进入工厂，改变的不仅是动力来源，更是机器布局与生产组织；计算机进入办公室，最大的影响也不仅是文字处理速度，而是企业能够重新组织信息与协作关系。AI同样需要经历这一过程。

麦肯锡2025年全球AI调查显示，88%的受访者表示其组织已经在至少一个业务职能中经常使用AI，但只有39%报告了企业整体层面的息税前利润影响。如此巨大的落差说明，技术采用和经济收益之间，仍然隔着组织变革、流程重构和商业价值兑现的复杂过程。

如果公司只是让员工更快完成原有任务，AI带来的大部分收益可能停留在节约工时；如果公司能够重新定义任务分工、生产组织和客户购买的服务，技术才可能改变企业的收入结构。这将使科技行业出现两种截然不同的增长逻辑：一种公司依靠更多用户、更多账号和更多员工扩张；另一种公司则尝试依靠更强的执行系统、更多完成的任务和更高的单位价值扩张。两种模式不会简单地相互取代，但它们对组织、资本和商业壁垒的要求可能越来越不同。

结尾

回看工业革命以来的商业史，企业始终在寻找衡量生产能力的方法。工厂计算工人数量与机器产能，专业服务机构计算工时，软件公司计算用户席位。这些计价单位并不完美，但在人类劳动构成生产过程核心的时代，它们足够简单，也足够有效。

AI带来的一个深层变化，是让生产能力逐渐脱离人类劳动时间的直接约束。完成同样的工作，不再必然需要相同数量的人；拥有更多员工，也不必然意味着拥有更强的交付能力。但AI并没有因此取消商业世界最基本的法则。机器能够创造多少价值是一回事，企业能够保留多少价值是另一回事；执行成本可以被技术降低，定价权却仍然来自稀缺性、客户关系、责任能力和竞争结构。

这或许才是我们更值得关注的分水岭：未来企业之间最重要的差异，可能不在于谁使用了更先进的AI，而在于谁能够围绕AI重新建立一套更有效的价值创造与价值获取机制。当知识不再必须依赖人的时间生产，工作可以越来越多地由机器完成，过去围绕人数建立的组织与收费体系，就不得不重新寻找自己的经济依据。