[播客精华稿] E78. AI 应用的四层模型：卖算力、卖能力、卖入口、卖结果 ft. EvoseAI Bingo
硅谷 20 天，终于看懂 AI 软件公司怎么赚钱了
如果你还没有订阅，请在下方输入你的邮箱，和 8,500+ 位聪明好奇的人一起，每周免费获取我们对于 AI 和 Web3 应用的最新案例和深度解析，帮助你做全球化时代的超级个体！
如果你有任何建议、反馈或者合作的想法，欢迎联系我们 [email protected], 每封邮件我们都会及时回复。
视频版本：YouTube
欢迎大家在各个收听渠道给我们留言、评价和转发哦，非常感激！
下面是本期播客的精华稿
过去一年，几乎所有人都在讨论 AI。
但大部分讨论都集中在模型、算力、芯片、半导体、大厂竞争。
英伟达为什么这么贵？
Google、OpenAI、Anthropic 谁会赢？
模型能力还会不会继续 scaling？
AI Coding 会不会干掉程序员？
SaaS 公司是不是要被 Claude / ChatGPT 吃掉？
这些当然都很重要。
但我最近越来越觉得，另一个问题可能更值得创业者和投资人关注：
AI 软件公司到底怎么赚钱？
或者换句话说：
AI 这一波，如果最后价值还是像云计算时代一样，大量沉淀在软件层和应用层，那这些应用公司到底应该站在哪一层？应该卖什么？卖给谁？怎么收钱？怎么避免被大模型公司吃掉？
这期 Day1Global，我们请来了 EvoseAI 联合创始人 Bingo。
他刚结束一次 20 天左右的美国 AI / ToB 行业考察，参加了 Linkloud 加速营和 SaaStr 大会，也走访了英伟达、Google、Foxit、Exa，以及一些法律、医疗保险、客服等垂直行业 AI 公司。
这趟回来后，他对 AI 软件商业模式形成了一个非常清晰的四层框架：
卖算力、卖能力、卖入口、卖结果。
我觉得这是我近期听到的，对 AI 应用公司商业模式最清楚的一次拆解。
本文试图回答 4 个问题：
美国 AI 软件公司的真实状态是什么样？
AI 应用为什么可以分成「卖算力、卖能力、卖入口、卖结果」四层？
中国 / 亚洲 AI 公司和美国 AI 公司的机会差异在哪里？
中国 AI 公司如果要出海美国，最容易踩的坑是什么？
Enjoy!
TL;DR
先说结论：
美国 AI 创业者和亚洲 AI 创业者的信息差，没有想象中大。
AI 使用是相对平权的，大家都能用到前沿模型；真正的差异不是认知，而是市场结构、资本市场、付费习惯和退出路径。美国适合做单点能力，中国创业者经常被迫做 everything。
在美国，一个面向 agent 的搜索能力、支付能力、安全能力，都可以成为公司；在中国，客户经常会问：为什么你不能把所有东西都做了？AI 应用可以分四层：卖算力、卖能力、卖入口、卖结果。
卖算力是英伟达和模型公司；卖能力是给 agent 用的 infra；卖入口是给人用的平台；卖结果是直接交付业务结果，替代一部分劳动力预算。「卖结果」最性感，因为它不是拿 IT 预算，而是切劳动力市场预算。
原来一个部门一个月 10 万美金，现在我用 agent 做到 1 万美金，还更快、更听话、不用管理，这个故事当然比卖 SaaS 订阅费性感得多。但「卖结果」也有泡沫。
传统业务加上 AI 后，效率可能提升，收入可能增长，但业务本身未必有 10 倍变化；如果估值涨几十倍，里面就既有 AI 溢价，也有资本杠杆。入口层反而可能是长期机会。
人永远需要入口。很多入口会被大模型吃掉，很多公司会死掉，但留下来的会非常大，而且会越做越深，变成平台型机会。Agent 真正的价值，不是让每个人用大模型写文档，而是让 agent 和 agent 协作，把事情做完。
比如一个全球营销活动，人用大模型最快也要四天；agent 协作可以从热点监测、活动策划、文案、翻译、设计、后台配置到全球分发，一两个小时跑完。未来组织可能不再按部门和岗位划分，而是分成 builder 和 reviewer。
少数人负责构建智能体，大多数人负责判断、审核和为结果负责。生产力变了，生产关系也一定会变。美国市场不是平原，而是一个一个山头。
中国市场可以靠抖音、小红书、发布会做轰炸式打法；美国更像一个个社群、频道、线下活动，需要先打下小山头，再通过口碑和资本杠杆扩散。找 PMF 这件事，不能外包给一个本地销售。
中国 AI 公司出海美国，早期不要幻想招一个白人销售就能解决问题。真正能卖什么，必须由创始人自己去市场里一遍遍聊出来。
1. 英伟达没有牛马气息，Google 还在极限拉扯
Bingo 这次在硅谷走访的第一组强烈反差，是英伟达和 Google。
在国内的想象里，英伟达现在是宇宙中心，应该是所有人都在高速运转、极度紧张、疯狂卷。
但他真正去了英伟达总部，感受到的反而是：
没什么人，很放松，很多人在喝咖啡，非常没有牛马气息。
这当然不是说英伟达不努力，而是当你站在产业链最上游，掌握「卖铲子」的位置，并且形成巨大护城河之后，公司的状态会变得完全不一样。
卖铲子的人，不需要每一秒都在下矿。
更有意思的是，英伟达内部的人把和应用层创业者的交流，也视为 research 的一部分。
如果一两个小时能产生一些有效灵感，这就是很有价值的工作。
相比之下，Google 的大模型团队完全是另一种状态。
进去之后几乎没有寒暄，直接聊，聊完立刻背着包走人，赶回去继续推进 AI Coding 和模型工作。
这背后有两个原因：
第一，大模型层的竞争依然非常激烈。
OpenAI、Google、Anthropic、Meta 之间的差距还没有完全拉开，每一代模型的提升都会影响接下来几个月甚至几年的市场格局。
第二，硅谷没有竞业协议，顶级人才可以市场化流动。
最聪明的一批研究员，如果发现某家公司不够努力，可能会选择去更努力、资源更集中、正反馈更强的地方。
所以同样是 AI 产业链，一边是英伟达这种上游卖铲子的垄断感，一边是 Google 大模型团队的极限拉扯。
这也是今天 AI 产业最有意思的地方：
同样都叫 AI 公司，但不同层的商业模式、竞争强度和组织状态，完全不是一回事。
2. Foxit 和 Exa：为什么美国能养出中国不敢做的 ToB 生意？
第二个让我印象很深的观察，是 Foxit 和 Exa。
Foxit，也就是福昕软件，很多人上学时都用过它的 PDF 阅读器。
从中国互联网视角看，PDF 阅读器听起来非常 boring：
这不是上上个时代的产品吗？
这还有什么好做的？
不就是打开、编辑、签名、传文件吗？
但 Bingo 到美国和他们交流之后发现，Foxit 在美国 ToB 市场做得很深，而且活得很好。
PDF 在中国看起来是 boring business，但在美国是 very useful business。
为什么？
因为美国大量企业，尤其是航天、制造、重型工业、法律、政府等场景，仍然非常依赖 PDF 作为文件交换、加密传输、签署和归档的标准格式。
早期 Foxit 只解决了一个很小的问题：打开 PDF 的速度足够快。
后来 Kindle 需要这套能力，亚马逊为了保证它不会死掉，直接给了一笔钱。
再后来，这个产品被嵌入更多企业流程，变成一个很深的 ToB 生意。
这件事很反常识：
在中国看起来「没什么技术含量」的单点工具，在美国 ToB 市场可能是一门长期赚钱的好生意。
Exa 也是类似的例子。
Exa 是一个面向 agent 时代的搜索引擎，或者说是给 agent 用的信息搜索能力。
在中国，创业者如果做一个「给 agent 用的搜索」，很可能第一天就会被问：
Google 会不会做？
微软会不会做？
大厂明年一做，你怎么办？
你有什么护城河？
但 Bingo 问 Exa 团队这个问题时，对方的反应是：
在硅谷没有人问这种问题。
因为在美国创业语境里，如果 Google 真的需要这个能力，它为什么不收购我？
Anthropic 需要，它也可以收购我。
这里面的核心差异，不只是技术，而是资本市场和退出路径。
在中国，很多技术上能做的事情，创业者不是做不出来，而是不敢做。
因为一旦大厂做了，未必收购你，可能直接 fork 你。
但在美国，如果你在一个大厂暂时不会做、市场又明确需要的缝隙里切进去，只要你做出足够好的单点能力，就有可能获得很高估值，也有可能通过并购退出。
所以 Exa 这样的公司，在美国可以很自然地成立、融资、成长。
但同样的事情放在中国，创业者可能在 PPT 第一页就要回答「Google 做了怎么办」。
这也是我觉得中美 AI 应用创业最大差异之一：
美国可以 reward 单点能力，中国经常 reward 大而全和苦活累活。
3. EvenUp 和 AI 律所：AI 公司买传统公司，买完就是 AI 估值
这次对谈里，最有资本市场味道的案例，是 EvenUp 和 AI 律所。
美国法律 AI 已经有 Harvey 这样非常强的公司。
如果一个新公司还想做法律 AI，听起来好像很难讲出新故事。
但美国资本市场提供了另一种玩法：
PE 同时投一家 AI agent 公司和一家传统律所。
传统律所可能在人身伤害等细分品类里做得不错，有真实收入和客户，但估值倍数是传统服务业逻辑。
AI 公司则去改造律所的业务流程，提高效率和交付质量。
改造完成后，再让 AI 公司反向并购律所。
于是，原来一家年收入 1000 万、2000 万美金的传统律所，一旦被装进 AI 公司，就可以讲成：
这是一个 AI 律所。
这是一个 AI-native legal service company。
这是一个可以用 AI 改造传统法律服务行业的结果交付型公司。
传统律所一年赚 2000 万美金，市场觉得还不错。
但 AI 公司一年收入 2000 万美金，在法律行业、在 Harvey 这样的巨头旁边还能做到这个规模，就会变成非常亮眼的增长故事。
估值倍数立刻不一样。
这也是那句很经典的话：
传统公司买 AI 公司，还是传统公司的估值；AI 公司买传统公司，买完之后就是 AI 公司的估值。
这件事在美国可以发生，是因为它需要几个条件同时存在：
传统服务业本身客单价高、毛利高；
AI 改造后确实可以提升效率；
资本市场愿意给 AI 故事更高倍数；
有上市公司或更大平台愿意收购；
PE 和 VC 可以共同参与这类结构化交易。
这就是美国 AI 创业很有意思的地方：
有时候技术并没有复杂到不可复制，但资本市场可以帮你把一个传统生意重新定价。
当然，这里面也一定会有泡沫。
但泡沫不一定是坏事。
泡沫是资本市场给新故事、新组织方式、新生产方式的一种提前定价。
问题只是，你站在哪一层，什么时候进去，什么时候退出。
4. AI 应用四层模型：卖算力、卖能力、卖入口、卖结果
Bingo 这次回来后，最核心的收获是把 AI 应用公司分成四层：
卖算力、卖能力、卖入口、卖结果。
这个框架我觉得很有价值，因为它帮我们避免把所有 AI 公司混在一起讨论。
第一层：卖算力
这一层最容易理解。
英伟达、大模型公司、云厂商、NeoCloud、芯片、算力集群，都属于这一层。
这是 AI 产业最底层的基础设施，也是过去一年资本市场定价最充分的地方。
这里的竞争逻辑是规模、资本开支、芯片供应链、模型能力、数据中心和能源。
大部分创业者不太可能直接进入这一层。
第二层：卖能力
卖能力，就是面向 agent 提供服务的 infra。
注意，这一层不是给人用，而是给 agent 用。
比如：
Stripe 给 agent 提供支付和收款能力；
Exa 给 agent 提供搜索能力；
TinyFish 这类公司给 agent 提供某个自动化能力；
未来还会有身份、安全、权限、浏览器、数据接口、记忆管理等各种能力层公司。
这层在美国很容易成立。
因为美国市场愿意为一个单点能力付费，而且资本市场相信，只要这个能力成为 agent 时代的关键模块，就可能被大厂并购，或者成为新一代 infra。
但在中国和美国以外，这一层会很难。
不是因为技术做不出来，而是因为商业模式很难成立。
客户未必愿意单点付费，大厂可能直接做，创业公司也很难靠一个小能力长期活下来。
第三层：卖入口
卖入口，是给人用的平台。
比如：
Coding 入口；
设计入口；
视频生成入口；
面向专业用户的 Manus；
面向企业的 Agentforce；
面向 one-person company、SMB、Enterprise 的各种 AI 工作台。
这一层的争议最大。
投资人普遍会担心：入口层最后会不会被大模型公司吃掉？
如果 OpenAI、Google、Anthropic 的模型越来越强，它们是不是可以直接把 coding、设计、视频、办公这些入口都吃掉？
这个担心当然成立。
但从创业者视角看，入口层仍然有机会。
因为不同人群有不同的交互需求，不同场景有不同工作流，很多入口背后还有大量脏活累活，大模型公司不一定愿意覆盖。
我的理解是：
入口层短期靠体验，长期靠场景深度、工作流和用户关系。
它不是没有风险，但如果真的跑出来，会非常大。
第四层：卖结果
卖结果，是现在硅谷越来越多人开始讲的故事。
它不再是卖一个工具，也不再是卖一个平台，而是直接交付一个业务结果。
例如：
原来你有一个部门，一个月成本 10 万美金。
现在我用一套 agent 帮你做同样的事情，甚至更快、更稳定、更听话。
我不收你 10 万，我只收你 1 万。
你节省 90% 成本，我拿走其中一部分价值。
这个故事为什么性感？
因为它不是在拿企业的 IT 预算，而是在切劳动力市场预算。
SaaS 时代，很多软件公司卖的是：
我帮你提效。
你给我每人每月 20 美金、100 美金、500 美金。
AI agent 时代，卖结果的公司讲的是：
我不是让你的人更高效。
我就是替代掉一部分人。
我直接给你交付业务结果。
这就是从软件费，切到劳动力预算。
鱼塘变大了，故事自然就性感了。
5. 为什么美国更适合卖能力和卖结果，中国更适合抢入口？
这四层放到中美市场里看，差异会非常明显。
能力层：中国很难做
在美国，企业愿意为一个单点能力付费。
你做搜索，我买搜索。
你做支付，我买支付。
你做身份认证，我买身份认证。
你做安全，我买安全。
但在中国，客户经常会问：
你为什么不把所有东西都做了？
你的友商有这个功能，你为什么没有？
我买了你，你能不能顺便帮我把后面的流程也做掉？
这导致单点能力层很难有独立商业模式。
不是没人需要，而是没人愿意单独、长期、高价地为它付费。
结果层：中国也更难
卖结果听起来很美，但它依赖一个前提：
被替代的人力成本足够高。
在美国，一个 HR、运营、法务、客服、销售支持岗位的成本很高，所以 agent 替代一部分工作后，有足够预算空间。
但在中国，一个企业可能会说：
你能不能帮我做一套智能体，把员工薪资算清楚？
因为 HR 一个月 5000 块，我觉得花在算薪资上有点浪费。
这个时候，AI 公司可以拿到的预算就非常有限。
你在美国可能面对的是 50 万美金预算，在中国可能是 5000 人民币预算。
所以卖结果在中国不是完全没有机会，但必须看行业：
行业利润率要高；
增长空间要大；
结果本身能带来新增收入，而不只是节约便宜劳动力；
最好能直接和流量、销售、转化、营收挂钩。
入口层：亚洲反而有阶段性机会
因为能力层和结果层都难，所以亚洲创业者反而更容易被推向入口层。
Manus 就是典型的入口层产品。
在中国和亚洲，B 端需求非常差异化。
客户愿意为一些细小但真实的工作流、权限、安全、流程、审批、协作需求付费。
这些需求很碎，很脏，很累，但也正因为如此，大模型公司不一定会直接覆盖。
所以我觉得，亚洲 AI 创业的一个阶段性机会是：
在 B 端入口层，把复杂工作流和企业真实场景吃得足够深。
这不是最性感的故事，但可能是更现实的路径。
6. 用大模型是在问答，用 agent 是在干活
这期里我最喜欢的一个表达是：
用大模型，大家还是在问答；用 agent，是让它干活。
这句话非常准确。
今天很多企业说自己用了 AI，其实只是让员工打开 ChatGPT / Claude / Gemini，然后在每个环节里提效。
写文案的人用大模型写文案。
设计的人用大模型出图。
运营的人用大模型做方案。
翻译的人用大模型翻译。
项目经理用大模型总结会议纪要。
每个环节都提升了，但整个流程没有变。
人还是要把一个文档转给下一个人。
下一个人还是要理解上下文。
大家还是要开会对齐。
每个节点之间的信息损耗依然存在。
EvoseAI 现在做的事情，是把这些 agent 串起来，让 agent 和 agent 之间协作。
Bingo 举了一个营销活动的例子。
一个券商或交易所，突然发现伊朗战争导致黄金交易量上涨。
它想快速推出一个黄金交易大赛，抢交易份额。
传统流程是：
运营同学发现热点；
活动策划同学做方案；
内容同学写文案；
翻译团队翻成几十种语言；
设计同学做海报和素材；
技术或运营同学去后台配置活动；
再把素材分发到全球不同渠道和社群。
如果每个人都用大模型，效率已经很高了。
但整个流程最快还是要四天。
因为中间有太多交接、等待、理解、确认、开会。
但如果 agent 和 agent 协作：
一个 agent 监测热点；
一个 agent 自动策划活动；
一个 agent 写文案；
一个 agent 翻译多语言；
一个 agent 做设计；
一个 agent 调 MCP 接口配置后台；
一个 agent 把素材分发到全球渠道。
整个流程可以从四天压缩到一两个小时。
这才是真正的 agent 协作。
我觉得这个案例很好地解释了 AI agent 的价值：
它不是把每个岗位提效 30%，而是重写整个工作流。
这也是为什么很多标准化流程会被快速替代。
不是因为单个人不重要，而是因为很多工作本质上不是创造，而是信息在不同人之间流转。
一旦 agent 之间可以直接传递上下文，中间大量会议、文档、确认、等待都会消失。
7. 未来公司可能只剩两类人：builder 和 reviewer
如果 agent 真的开始重写工作流，那组织形态一定会变。
今天公司是按部门和岗位划分的：
市场部、运营部、产品部、设计部、研发部、销售部、客服部。
每个部门下面又有很多岗位：
产品经理、设计师、前端、后端、测试、运营、项目经理、数据分析师。
但 AI 时代，这些边界正在被打破。
现在已经有越来越多公司要求工程师是全栈工程师，不只是写代码，还要有产品思维、设计能力、用户理解能力。
再往后，很多部门可能会收敛成两类角色：
builder 和 reviewer。
Builder 负责构建智能体。
他需要理解业务、拆解流程、设计 agent、定义输入输出、构建自动化系统。
Reviewer 负责审核结果。
他不一定亲自完成每个步骤，但要知道什么是对的，什么是不对的，哪里不好，哪里需要修改。
某种意义上，reviewer 就是背锅侠。
最终还是需要有人为结果负责。
这也对应到未来人才能力的变化：
Builder 需要更强的系统能力、抽象能力、产品能力和工程能力。
Reviewer 需要判断力、审美、行业经验和责任感。
大量中间执行环节，会被 agent 吃掉。
这件事真正重要的地方在于：
生产力已经变化了，生产关系不可能不变。
过去公司是围绕人和岗位组织的。
未来公司可能是围绕 agent、工作流和结果责任组织的。
这也是 EvoseAI 想做的事情：
不是简单做一个 AI 工具，而是做一个承接新生产关系的平台。
这个说法听起来很大，但我觉得方向是对的。
因为 AI 最终改变的不会只是某个岗位，而是公司本身的组织方式。
8. 硅谷为什么把 pivot 当成性感的词？
这期里另一个很有意思的中美差异，是 pivot。
在中国，创业者说自己 pivot，很多时候听起来像失败后的被迫选择。
之前方向没做成，只好转型。
但在硅谷，pivot 是一个很性感的词。
创业者会很自豪地说：
我们最近刚完成了一次 pivot。
背后的原因是资本结构和创业文化不同。
硅谷投资人给你一笔钱，不是为了让你活着，也不是为了让你慢慢沉淀。
他希望你在两年内把钱烧掉，快速试出方向。
如果试一件事成功概率是 1%，两年内试五件事，成功概率至少变成 5%。
所以在硅谷，pivot 不是失败，而是提高成功率的一种方法。
中国和亚洲创业者更务实，也更强调沉淀。
我今天做物流 SaaS，那我就继续找物流场景。
我今天有一个锤子，就去找钉子。
如果我天天 pivot，大家会觉得我没有积累、没有定力、做失败了很多次。
但 AI 时代，变化太快了。
模型能力在变，产品形态在变，用户预期在变，资本市场也在变。
所以硅谷的优势是：
它允许创业者更快地试错、更快地转向、更快地重新讲故事。
这不一定总是好事，因为也容易产生泡沫和故事驱动型创业。
但在技术范式切换期，这种文化确实有优势。
9. Chief Storyteller：AI 时代，讲故事变得更重要了
Bingo 还提到一个很有意思的角色：
Chief Storyteller。
硅谷现在有些公司，产品还没完全成型，就已经先设立了首席故事官。
这听起来很 Web3。
但放在 AI 时代，其实也有道理。
因为产品迭代太快了。
今天你说你有一个功能很好，明天可能就被另一个团队用 AI Coding 做出来。
今天你说你有一个 UI 很好，明天大厂可能就更新了一个更好的版本。
如果你只讲功能，用户和投资人很难相信你能长期活下来。
但如果你讲的是一个三年才能被证伪的大故事，比如：
我要构建 AI 原生组织。
我要重写企业工作流。
我要做 agent 时代的协作平台。
我要解决某个巨大行业的生产关系问题。
那如果别人相信你，他可以信你三年。
这就是叙事的价值。
AI 提高了产品迭代速度，也降低了产品本身的稀缺性。
所以公司必须把自己从「功能」往上包装成「问题」和「愿景」。
硅谷现在有两个角色很让人自豪：
一个是 CRO，Chief Revenue Officer，负责 ARR，负责实打实的收入。
另一个是 Chief Storyteller，负责讲清楚公司、产品、市场和 AI 洞察。
以前产品经理讲产品故事。
现在要讲商业模式的故事，讲你解决什么人类问题、企业问题。
这对内容创作者也很有启发。
AI 时代，产品经理、创业者、投资人、创作者的边界都在变模糊。
最后大家都要学会一件事：
把复杂变化讲清楚。
10. 美国市场不是平原，而是一个一个山头
最后一部分，是中国 AI 公司如何出海美国。
很多人以为，美国市场大、付费好、资本市场成熟，所以中国公司只要产品足够好，再招一个本地销售，就可以开拓美国市场。
但 Bingo 这次得到的反馈非常明确：
早期不要幻想招一个白人销售，就能解决美国市场问题。
核心原因是：
你去美国市场，真正困难的不是销售，而是 PMF。
你的产品在亚洲能卖，不代表在美国能卖。
你的功能在中国客户眼里有价值，不代表在美国客户眼里有价值。
你以为自己卖的是 A，但美国客户真正愿意买的可能是 B。
这个过程必须创始人自己去市场里聊出来。
本地销售可以帮你收集信息，可以帮你执行标准 SOP，可以在你找到 PMF 后规模化复制。
但他不能替创始人找到 PMF。
更大的差异是市场打法。
中国市场更像一个平原。
你想让全国用户知道你，可以砸抖音、小红书、B 站、公众号、发布会。
车企最典型，新品发布一波投放，全国都知道了。
美国不是这样。
美国市场是一个个山头。
Facebook 是一个群体，Instagram 是一个群体，Reddit 是一个群体，X 是一个群体，Discord / Slack / 线下 meetup 又是不同群体。
每个群体都有自己的语言、文化、KOL、活动和信任机制。
你很难砸一波钱，让全美国都知道你。
除非你是马斯克级别。
所以美国市场更像地推式作战：
先找到一个小社群；
解决他们的问题；
建立信任和口碑；
攻下一个山头；
再通过 PR、资本杠杆、社群传播，裂变到下一个山头。
这也是为什么很多 AI native 公司，即使产品很技术，获客却靠线下活动、送蛋糕、办 meetup、赞助小型开发者聚会。
听起来很土，但有效。
问题是，对中国创始人来说，这很难。
一个美国 00 后创业者捧着蛋糕去开发者活动，大家觉得很有趣。
一个中国程序员出身的创始人捧着蛋糕去，别人可能觉得你是怪咖。
这不是能力问题，而是文化、语言、社交方式和信任建立方式的问题。
所以出海美国当然是巨大机会，但不是所有中国企业都适合。
如果要做，创始人必须亲自下场。
你得花时间理解本地市场：
差异是什么？
共性是什么？
你的优势是什么？
什么点真正能打动他们？
谁是关键人？
谁能把你带进组织？
你的产品如何和他的职业发展绑定？
这件事没有捷径。
11. 哪些是泡沫，哪些是真机会？
最后聊一个大家都关心的问题：
一年之后回头看，现在 AI 赛道哪些是泡沫，哪些是真的机会？
Bingo 的判断是：
大模型和底层能力本身肯定有价值。
但往上看，应用层里有两层泡沫比较明显。
第一是 infra 层。
很多面向 agent 的能力层公司，现在估值已经到十几亿美金，甚至独角兽以上。
在美国，这些公司可能通过并购变现。
但如果一批公司陆续被并购，泡沫被兑现之后，再冲进去做类似 infra，可能刚好踩在泡沫爆破口上。
第二是卖结果层。
卖结果很性感，但里面有资本杠杆。
比如 AI 律所，效率提升了，收入可能增长了，品牌预算也加大了。
但脱离 AI 叙事看，业务本身真的有 10 倍变化吗？不一定。
如果业务规模没有 10 倍变化，但估值涨了几十倍，那这里面一定有泡沫。
不过 Bingo 也说，泡沫是好事，他对泡沫是正面评价。
我同意这个判断。
泡沫意味着市场愿意为未来付期权费。
没有泡沫，很多新东西根本融不到钱，也没有机会被验证。
但对创业者和投资人来说，关键是识别自己站在哪一层。
如果你是第一批 infra 公司，你吃到泡沫。
如果你是龙三龙四再进去，可能就变成泡沫接盘。
如果你是第一个把传统业务包装成 AI 结果交付的平台，你能拿到资本杠杆。
如果你在故事已经被充分交易之后再进入，涨幅可能就不大了。
相比之下，Bingo 更看好入口层。
因为人永远需要入口。
入口层竞争会非常激烈，很多公司会死掉。
但留下来的那几家，会越做越深，变成平台型，变成更大规模的机会。
我的理解是：
AI 时代最大的入口，不一定是今天最大的模型；而是最懂某一类人、某一种工作流、某一种组织形态的产品。
12. 总结：AI 应用的机会，不只在技术，而在市场结构
这期聊完，我最大的感受是：
AI 应用创业不能只看技术。
同样一个产品，放在美国和中国，可能完全是两种命运。
在美国，单点能力可以融资，可以卖钱，可以被并购。
在中国，客户可能会要求你把上下游都做掉。
在美国，卖结果可以切劳动力预算。
在中国，如果被替代的人力本身很便宜，预算空间就会小很多。
在美国，AI 公司买传统公司，可以把传统收入变成 AI 估值。
在中国，资本市场未必给你这个倍数。
在美国，pivot 是性感的词。
在中国，pivot 经常被看成没做成。
在美国，市场是一个个山头，需要社群、线下、口碑和关键人。
在中国，更习惯轰炸式打法和中心化流量平台。
所以，AI 应用创业真正要回答的不是一句「会不会被大模型吃掉」。
而是：
你站在哪一层？
你卖给谁？
你拿的是 IT 预算，还是劳动力预算？
你的市场愿不愿意为单点能力付费？
你的入口背后有没有足够深的脏活累活？
你的结果有没有足够高的利润空间？
你的产品能不能嵌进真实工作流？
你的组织能不能承接 builder / reviewer 的新生产关系？
你的出海 PMF 是不是创始人自己跑出来的？
这也是这期最有价值的地方。
过去一年，我们看了太多关于模型、算力和芯片的讨论。
但接下来，我觉得更值得持续关注的是：
AI 应用公司如何真正赚钱。
从卖算力，到卖能力，到卖入口，到卖结果。
从问答，到干活，到 agent 协作。
从岗位组织，到 builder / reviewer。
从中国式大而全，到美国式单点能力和资本杠杆。
从平原式打法，到山头式市场。
AI 软件公司的故事，才刚刚开始。
声明：本文根据 Day1Global 与 EvoseAI Bingo 的播客对谈整理和延展，不构成投资、创业或商业决策建议。DYOR.
我们每周 1-2 封邮件，深度解析Web3和AI应用，帮助你做全球化时代的超级个体，创造属于自己的故事，拥有自己的个人品牌
如果你觉得我们的内容对你有帮助，请订阅我们的播客和Newsletter，并多多推荐给朋友。你的支持是我们创作内容的最大动力。
最后欢迎通过打赏或付费订阅来支持我们
打赏地址
捐赠平台：Web3Brand @ Giveth (平台会奖励$GIV)
ETH：0x0D66A74b64198F3a27298e1a08007FDcAcF08fD3
BTC：bc1qp26ljfpzmu4p3tvgrrmdx7h4cuzz5c9gqv54hr
Doge: DEN9XmHCXvbLQAKrZUZZHZBSyyY1uhpNs4
SOL: 6KDaycLzxyzVdFsgieoCVjJKYEmffB8FztVmYZAiSmQQ
TON: UQDmT8U8AUVvjOCmfQemABi1auZn6unACxGVDeU9t1cqJ0ee