有用户、有收入，AI 应用却不是好生意：一份阅读笔记，和四处我不同意的地方
晚点的一篇报道给独立 AI 应用判了死刑：产品会被模型吞掉、增长换不来利润、入口握在卖你模型的人手里——找到需求、拿到用户、做出收入，三件事都做到了，公司仍然不一定成立。下面是我的阅读笔记，保留了它最有分量的毛利数据和案例，也写下我不同意的四个地方。
一句话论点
独立 AI 应用同时面对三个问题，而且这三个问题是同时发生的：
- 产品多久会被模型吞掉
- 增长能不能带来利润
- 用户入口在谁手里
过去的软件创业路径开始失效：找到需求、获得用户、做出收入，三件事都做到了，公司仍然不一定成立。
一、卖 token 的生意：增长越快，亏得越多
关键数据
| 指标 | 数值 | 出处 |
|---|---|---|
| 高速增长 AI 公司平均毛利 | 约 25% | Bessemer 研究 20 家 |
| 传统云软件成熟期毛利 | 约 70% | 同上 |
| Perplexity 2024 对外毛利 | 60%（实为负） | The Information：约 3300 万美元免费/试用算力计入研发费用而非营业成本 |
| Cursor 季度毛利（截至 2026-01） | -23%，含免费用户约 -31% | 内部财务资料 |
| 办公类 Agent 增长期毛利 | 极端 -200%，常见 -40%，好的 0~10% | 吴显昆观察 |
| 年化收入做到 100 万美元的中位时间 | 11.5 个月（2018 年头部 SaaS 为 15 个月） | Stripe 统计头部 100 家 |
| 做到 500 万美元 | 约 24 个月（SaaS 为 37 个月） | 同上 |
⭐ 核心机制
SaaS 时代：产品被验证 → 可以放心扩规模，新增用户的服务器成本极低。 AI 时代：「被验证」和「是门可持续生意」变成了两件事。用户愿意用、愿意付费，但每次使用都产生推理成本，这笔成本不随增长下降，毛利始终压在低位。
Fireworks CEO Lin Qiao 的概括："scaling to bankruptcy"，越增长离死亡越近。
ARR 这个指标本身有问题
吴显昆的反思：所有 AI 应用本质上都在卖 token，「大家是把 GMV 当成 ARR 来说」。拿几个大客户年化一下就是 1000 万。
投资人见过的注水算法：一次性收入年化；某月年费 ×12；取最高一天 ×365 或最高一周 ×52。
即便不注水也不可靠：典型 SaaS 本月付费的人下月 95% 还会付，而 AI 应用（尤其 coding plan）续约率远低于此。
案例
- Kuse：2026 年初每天新增上万用户，创始人却在极力压低增长——送给免费用户的试用额度成本太高，一度爆亏。反复调整定价和付费模式才把毛利做到微正。2025-08 宣布 60 天做到 900 万美元 ARR，3 个月后称超 1000 万，均无 VC、无付费广告。至今没融资，也不打算融：如果增长只是把更多收入交给上游，规模没有意义。
- OiiOii：内测排队 10 万人，上线后日活曾超 10 万，发现薅羊毛的太多，同样刻意压低增长。到 4 月已不看活跃，只看付费转化、续费率、ARPU。
- 视频行业：Seedance 2.0 后一家独大握有定价权，1 元/秒且量大难打折，应用公司在付费用户上毛利约 30%。发布后两个月补贴战最激烈，几乎没有公司能做到正毛利。
二、模型每升级一次，就让一批应用变得多余
⭐ 加速的证据
Epoch AI 估算：2024 年 4 月以后，前沿模型能力提升速度从每年约 8 个指数点提高到约 15 个点，接近翻倍。
a16z 消费类 AI 应用榜（2023–2025 历次）：前 50 名中只有 14 家每次都在榜上。
案例：路线图被压缩
Devv（张佳圆）
- 2023-11 上线代码搜索，索引 GitHub / Stack Overflow 提供引用与验证，半年收入数十万美元
- 原路线图：1~2 年做好开发者搜索 → 代码生成与调试 → 自动化
- 2024-06 Claude 3.5 Sonnet（内部智能体编程测试解决 64% 任务）→ 2025-02 Claude Code 研究预览版
- 原计划一两年的搜索阶段只维持了半年，市场直接跳过第二阶段
- 转做自然语言生成应用，判断真正可行窗口只有 2024-09 到 2024-11
- 2025 年中 Devv 2.0 停止扩张，进入维护
AI 论文写作
- 2023：生成一篇成本一两毛，售价约 70 元，年收入约 1000 万元，最高单日十几万，净利率约 50%
- 2024：增长停滞，加 PPT 生成、AI 检测都无起色
- 2025：Kimi、DeepSeek 能更便宜甚至免费写长文 → 日收入从数万元降到数百元，最后归零
工作流产品
- 2025-12 拿到上百万美元种子轮
- 一个月后 Skill 在 Agent 产品中流行并成为标配，再融资时投资人认为「Skill 会替代 Workflow」，拿不到下一轮
- 转企业服务后最高月收入数十万美元，续费率 70~80%，但天花板肉眼可见
- 开春试通用 Agent（商业化阻力大、市场变太快）→ 一个月后看到 Claude Code 设计能力升级，转做设计类 Agent 开源产品
- 他说：2025 年底难以想象 3 个月换两次方向，现在下周再换一次也不意外
⭐ 值得记住的一句
模型的吞噬不是瞬间发生的。三家公司转向时原产品都还没归零。 创业者失去的不是眼前的用户，而是未来的可能。
三、卖给你模型的人，也来抢你的用户
机制
布鲁金斯学会分析：训练和运营模型要巨额投入，模型能力逐渐趋同后单卖 API 撑不起投入，做应用成了模型公司回收利润的方式。
模型公司的结构性优势：能提前看到下一代能力，还能从海量 API 调用里判断哪些场景活跃。一个需求一旦被创业公司验证，就可以做成自己的产品。
已发生的
- Cursor 验证 AI Coding → Anthropic 推 Claude Code
- 与 Figma 加深合作的同时高管从 Figma 董事会辞职 → 推 Claude Design
- OpenAI：Deep Research 打搜索/研究工具；ChatGPT Work、Codex 进文档表格演示；ChatGPT Sites 进应用生成与部署
- 历史同构：微软把 IE 捆绑 Windows、把 Teams 放进 Office，引发反垄断诉讼与欧盟调查
国内办公 Agent：一场没什么胜算的竞争
- 腾讯 Workbuddy、阿里千问办公、字节豆包办公同期入场
- 易观统计 17 款 PC 原生办公 Agent：3–6 月流量新增 2 倍，三分之二流向大厂 3 款产品
- 年初几十个项目，坚持到现在个位数，有创业者转型做了 Workbuddy 的代理
- 补贴量级：Workbuddy 免费版月送积分折算约 25 元，日活按 100 万算，光免费用户每月 2500 万元；拉新阶段新用户再送账面 100 元，每新增 100 万用户最高 1 亿元
一位创业者的判断：这个方向「太大、太上」，只能是大厂生态位；创业公司只能缩到一个更垂直的问题，做大厂入口的插件。 比喻：通用办公 Agent 像浏览器，我们做的插件相当于网页，只能等着被入口调用。
四、⭐ 逃离竞争，也逃离了用户
这一节我认为是全文最有价值的部分，因为它反驳的是创业者最容易采取的策略。
错误的出发点：把「模型不会做什么、做不了什么」当作选方向的起点。
后果：为了证明自己与模型不同，产品把交互做得更复杂，去追小众、看上去特别的需求。每加一层差异，能理解和使用产品的人就少一些。 以为找到了模型公司不会进入的位置，最后可能只是进入了一个没有多少用户的位置。
Kuse 的具体失误：花很长时间在画布上打磨 PDF 阅读体验（怎么排列文件、怎样边读边调用 AI），做了一段时间后不得不承认——可能根本没有多少人愿意在画布上读 PDF。
吴显昆一年后的归因：问题出在选方向时的「发心」。当创业者先想「躲避」而不是「释放大模型的能力」，再到空白处寻找需求，路只会越走越窄。盯着模型公司不会做什么，做不出一个好产品。
参照系：Cursor 和 Claude Code 让模型理解代码库和文件、直接完成任务，而不是用新的交互限制模型。Kuse 随后从画布转向文件夹式交互。
张佳圆的同构教训：Devv 2.0 为了区别于其他产品把定位收窄到「帮助用户做 AI 应用」，花约半年开发，上线时窗口已过，用户和留存都没有。 结论：盯着竞品设计功能，做出的差异可能根本不是用户的需求。 产品 0 到 1 时先要回答的是谁在用、为什么用，而不是它与同类有多少不同。
反面可能性：也有人选择直面竞争。工作流那位创始人在大厂主战场做开源产品——看到 Claude Code 做设计类产品后借热度做开源版，一周内近 5 万 star，收入超过之前的工作流产品，现在 90% 以上资源投在这件事上。
五、两条出路
往下游：不卖产品，卖结果
OiiOii：不再打补贴战，进入细分行业，后训练小模型解决具体场景问题，交付视频内容和工作流。
- 漫画转动画案例：Seedance 2.0 出 2D 效果不好（对真实/3D 过拟合，2D 过于流畅，日番里显假），他们训练了一套方式让 2D 像日番，客户愿意买单
- ⭐ 价差：靠工具做两分钟成本约 200 元；把符合需求的视频交付给客户，两分钟可能卖 1 万元
- 过去企业服务败在交付重、人力成本高，AI 解决了这个问题：生产工具足够好用，需要的人极少
- 「原本要对外证明使用价值的产品，变成了内部的高效生产系统」
- 下一步：把垂直行业验证过的方案沉淀成 Skills
论文工具团队：回到积累的 500 多万学生用户，承接论文发表定制、做 AI 培训（教用自媒体和生产力工具赚钱、做「一人公司」）。线上陪跑数千元，线下课程一两万元。称之为**「重交付」：客户买的是从学会工具到做出内容、赚到钱的结果**。判断：比起「释放创造力」这种虚的需求，多数人的刚需是用新的生产力赚到钱。
Kuse / 吴显昆走得更深：Junior 做企业「数字员工」，但每家公司数据、权限、流程都不同，要先做诊断咨询部署；客户也未必愿意向外部供应商开放敏感数据。有需求，却很难像标准软件那样复制。 → 新方式：与投资机构合作先收购服务公司，再用 AI 改造流程，通过持股分享利润。 比 FDE 更深入业务，利益更一致。目前已收购一家。
往上游：自己做模型
Cursor、Krea、Captions、Perplexity、HeyGen、LiblibAI 都从应用进入模型层。
杨博麟 / Cuflow：把课件变成可交互视频，公测数万人注册、海外 2000 多万次曝光，但超过一半用户上传的不是学习资料（企业培训材料、漫画、小说、商品详情页）。2026-04 停更，转训以代码为核心的实时交互视频模型。
转向理由不只是用户观察，更是做应用的不安全感：
- 要接入不同公司的语言/语音/视频模型，上游每次更新工程师都要重测能力和成本，「应用公司某种程度上成了模型评测博主」，刚适配完一轮上游又更新，而且不会提前通知
- 有些更新直接抹掉几个月工程：早期处理长文档要先 OCR、切分、图文分别检索；模型上下文变长后整份材料直接输入效果反而更好，旧流程不仅多余还拖慢速度
- ⭐ 「我们永远只是一个租客。」
他的判断：应用公司可以绑客户工作流、做强品牌渠道，但这些工作没有用到团队的长处（有算法工程师和模型训练人才，大部分时间只在测试和切换别人的模型是浪费）。
代价也清楚：25 人要搭 SFT → 偏好优化 → RL 的后训练管线，处理奖励函数、容器化、GPU 调度，一次配置出错就烧掉一大笔钱，估算后续需要数百张 GPU，正在融资。 21 家企业客户签了意向，还没多少真正付费。
⭐ 一点思考
文章最强的地方
毛利数据。25% vs 70% 这个对比，加上 Perplexity 把 3300 万算力计入研发、Cursor -23%/-31%，是全文真正有分量的证据。「被验证」和「可持续」是两件事，这个拆分很准。
三处我不同意
1. ⚠ 毛利是快照，文章当成了宿命。 单位能力的推理成本两年里降了一到两个数量级。今天 -23% 的毛利，十八个月后可能在什么都不改的情况下变成正的。这里面有一部分是结构性的，有相当一部分是时间性的，文章从头到尾没有区分。
2. ⚠ 选择性偏差。 受访的几乎全是转向或停滞的公司，所以开头才会是「死透了」。做成的那批不在样本里。而且增长期负毛利往往是主动选择，不是物理定律。
3. ⚠「模型吞噬应用」混淆了功能和产品。 被吞掉的是功能（带引用的搜索、写作辅助、工作流节点）。不容易被吞掉的是分发、切换成本、专有数据、合规姿态、行业交付。文章自己的案例恰好证明了这一点：活下来的每一个都往交付或垂直数据走了。
「我们永远只是租客」情绪上真实，分析上很弱。Cursor 租 Anthropic，Anthropic 租 NVIDIA 和台积电，每一层都是别人的租客。
4. 两条出路都比文中写的难。 收购服务公司再用 AI 改造，是 PE 的能力，不是软件公司的能力。25 人训垂直模型是融资跑步机，而文章自己交代了结果：21 个意向，没多少真付费。