1. AI 原生服務公司的崛起與市場選擇 [0]

未來十年，許多大型公司將不再是傳統軟體公司，而是由 AI 驅動的服務公司，因此選擇正確的市場至關重要。

1.1. AI 原生服務公司的定義與市場機會 [0]

  1. 未來十年最大的公司將是 AI 原生服務公司，而非傳統軟體公司 [0]
    1. 這些公司將是保險公司和律師事務所等服務業，透過 AI 重建並由 AI 完成大部分工作 [1]
    2. 這類市場規模達數兆美元，包括稅務、審計、保險、法律和部分醫療保健等領域 [3]
  2. 這種商業模式在幾年前並不存在，但由於模型技術的進步而成為可能 [5]
    1. AI 原生服務公司直接向客戶提供「結果」，而不是讓客戶內部使用協作工具 [6]
  3. 這些公司與現今大多數新創公司在外觀和感受上都截然不同 [7]
    1. 本影片將為創辦人提供從零開始建立 AI 服務業務的策略 [8]

1.2. 選擇市場的四大獨特特徵 [16]

  1. 選擇市場時，除了傳統建議外，AI 服務的最佳市場有四個獨特特徵 [17]
    1. 低信任度：工作通常已外包，客戶關心最終產品而非過程 [22]
      1. 這意味著公司取代現有供應商，而非要求客戶改變行為，因此預算已存在 [24]
    2. 任務層面的低判斷力：工作可被分解，且大部分步驟可自動化 [26]
      1. 判斷力主要集中在少數需要人類參與的環節 [28]
    3. 高智慧門檻：整體工作必須足夠困難，需要模型和人類共同提供客戶可接受的結果 [29]
    4. 法規有利：受監管的產業有更高的期望和法律責任，這為創辦人提高了門檻和護城河 [32]
      1. 例如，YC 公司 Panacea 提供 FDA 監管服務，結合經驗豐富的顧問和 AI 平台，加速 FDA 批准流程 [34]
  2. YC 看好的市場包括稅務、審計、保險、抵押貸款、部分醫療保健和物流 [36]
    1. 創辦人不應僅限於這些顯而易見的市場，還有許多未開發的機會 [37]

2. 評估市場與建立團隊 [39]

評估市場時需考慮 AI 模型對業務的影響，並組建一個具備領域、模型和營運嚴謹性的團隊。

2.1. 市場評估的額外考量 [39]

  1. 評估 AI 模型是否會顛覆業務，可使用「山姆·奧特曼測試」 [40]
    1. 隨著模型進步，服務應變得更強大，而非被模型商品化 [42]
  2. 應避免涉及設備和現場勞動的業務 [43]
    1. 軟體利潤法則不適用於實體資產的擁有和營運，難以創造真正的槓桿效應 [45]
  3. 誠實評估人類參與的必要性 [48]
    1. 確保人類參與是因工作確實需要判斷力，而非彌補產品缺陷 [49]
    2. 即使有人的參與，仍有機會建立大型技術公司 [50]

2.2. 建立合適的創始團隊 [51]

  1. 創始團隊應由彼此認識且合作過的人組成 [52]
  2. 成功的 AI 服務創辦人具備三個關鍵特質 [56]
    1. 領域流暢度：最好有直接經驗，但後天學習也可接受 [57]
      1. 由於客戶多為懷疑者且常處於受監管領域，因此建立信譽至關重要 [59]
    2. 模型流暢度：需了解前沿模型的能力，並設計產品以適應模型進步的趨勢 [62]
    3. 營運嚴謹性：需掌握變異、吞吐量、週期時間和標準作業程序 (SOP) 等概念 [65]
      1. 產品本質上就是一項營運，創辦人必須學習並享受或至少尊重這項技能 [69]
  3. The General Legal Team 是一個成功的案例 [70]
    1. 這家 YC 支持的 AI 原生律師事務所，創辦人結合了 Cooley 和 Fenwick 的律師事務所經驗，以及 CaseText 的技術領導經驗 [71]
    2. 他們深入思考吞吐量和人員配置，將輪班工作整合到客戶服務中，以縮短週期時間並吸引頂尖律師，實現規模化雙贏 [72]

3. 產品開發與客戶服務策略 [75]

AI 服務的產品開發應以營運思維為核心，將人類作為客戶介面，並專注於自動化流程以實現非線性擴張；客戶服務則需避免早期需求陷阱，並採取基於價值的定價策略。

3.1. 產品開發的營運思維 [75]

  1. AI 服務的產品開發與大多數軟體相反：人類是客戶介面，而非產品本身 [76]
    1. 產品的目的是幫助人類實現工作的非線性擴張 [78]
  2. 需採用營運思維，找出瓶頸並針對其進行開發 [80]
    1. 吞吐量和週期時間成為產品指標，應像追蹤每日活躍用戶一樣追蹤它們 [82]
  3. 變異性是 AI 服務的根本問題 [84]
    1. 變異性指服務輸出不一致，客戶會因此更快地解僱公司，而非因速度稍慢或價格稍高 [85]
    2. 客戶需要信任輸出結果，不一致會破壞信任並導致客戶流失 [87]
  4. 人類參與應實現非線性擴張 [89]
    1. 如果收入僅隨人類數量增加而線性增長，將會出現重大問題 [90]
    2. 參與其中的人類也必須喜歡使用的軟體，因為他們是軟體的使用者 [91]
  5. 雖然初期可以做一些無法規模化的事情，但最終必須實現規模化 [93]
    1. 自動化流程就是產品本身 [95]

3.2. 銷售、客戶成功與定價 [96]

  1. 創辦人面臨的最大挑戰是「早期需求陷阱」 [97]
    1. 剛開始時很容易簽下許多試點客戶，但這可能迅速超出服務能力，導致無法開發可規模化的產品，而只能依賴人力 [98]
    2. 建議將首批試點客戶數量限制在少數，抵制過快簽署過多客戶的誘惑 [101]
  2. 銷售方式與傳統軟體不同 [103]
    1. 必須銷售「結果」，而非「席位」或「代幣」 [104]
    2. 試點專案就是產品本身，初期不應過早標準化，而是利用試點學習 [105]
    3. 找出 AI 能提供獨特槓桿的點，而非僅自動化顯而易見的事物，並據此快速開發產品 [108]
  3. 定價比傳統軟體更困難，因為競爭對手是勞動成本，而非其他軟體供應商 [110]
    1. 每單位定價：例如每次報稅、每次理賠、每筆貸款，這種方式最清晰易懂 [112]
    2. 基於結果的定價：能很好地對齊激勵，但對公司而言預測較難 [114]
      1. Panacea 的定價是基於完成的顧問研究，而非業界常見的按小時計費 [116]
  4. 應避免兩種定價策略 [117]
    1. 成本加成定價：會永久限制公司的上行空間 [118]
    2. 直線式削價競爭：會讓服務顯得廉價且可能品質低劣 [120]
    3. 應基於價值定價 [121]

4. 損益表與 AI 營運槓桿 [123]

AI 服務公司的成敗關鍵在於損益表，特別是透過 AI 營運槓桿實現接近軟體公司的毛利率，並應避免透過收購現有業務來進入市場。

4.1. 損益表 (P&L) 分析 [123]

  1. 損益表是這些公司成敗的關鍵 [123]
    1. 基本結構：收入減去銷貨成本 (COGS) 得到毛利，毛利減去營運費用 (OPEX) 得到營運收入 [125]
  2. 收入：簽訂合約相對容易，但能否重複交付取決於產品和流程 [128]
    1. 早期收入可能每月波動，但最終目標是平穩可預測的增長 [133]
  3. 銷貨成本 (COGS)：從第一天起就應密切關注 [136]
    1. 主要包含三個部分：模型成本、託管成本和人類參與成本 [137]
    2. 這三項都需要有數字、趨勢線和負責人 [139]
    3. 應警惕零利潤或負利潤的試點專案，它們雖然有助於學習，但長期依賴非常危險 [140]
    4. 核心假設是產品越完善，COGS 越低，毛利率越高，這稱為「AI 營運槓桿」 [142]
  4. 營運費用 (OPEX)：包括研發成本、銷售費用和一般行政費用 (如財務、法務、高管薪資) [144]
  5. 營運收入：收入減去 COGS 再減去 OPEX [147]
    1. 這些公司會比預期更快地根據營運收入進行評估 [148]
  6. 淨收入：營運收入減去稅金和利息，在中期階段相對不那麼重要 [150]
  7. AI 服務公司的損益機會 [152]
    1. 傳統服務公司的利潤率最高約 30% [153]
    2. 純軟體和代理公司的利潤率更高，但總體潛在市場 (TAM) 通常較小 [154]
    3. AI 服務公司的目標是透過 AI 營運槓桿，使利潤率接近軟體公司 (例如 50% 以上)，同時市場規模是軟體的兩到三倍 [155]
    4. 不必立即達到這個目標，但必須有可信的發展軌跡 [157]

4.2. 避免透過收購進入市場 [159]

  1. 創辦人，特別是有營運背景的創辦人，常會想收購現有服務業務，再加入 AI 以快速獲得收入，但這通常是一個陷阱 [159]
  2. 唯一值得這樣做的理由是需要快速建立監管護城河，例如保險執照 [162]
  3. 除此之外，這種做法幾乎從未成功 [165]
    1. 無法透過收購獲得產品市場契合度 [166]
    2. 傳統服務業務有不同的指標、招聘和績效期望，加入 AI 並不能立即改變這些現實 [167]
    3. 從零開始建立幾乎總是優於收購 [170]
  4. AI 服務公司為創辦人提供了巨大的機會，但它們本質上是不同的新創公司 [171]
    1. 如果能避免陷阱，並將「流程視為產品，產品視為流程」，就有機會創建一家世代相傳的公司 [173]