100 億估值背后：硅谷 AI 新贏家，走通了這三條落地路徑

全文 3,000字 | 閱讀約 8 分鐘

（9月13日，Brett Taylor：AI公司不應該追求通用模型）

先看一個新聞。

9 月 4 日，由 OpenAI 董事長 Brett Taylor 創辦的 Sierra 官宣完成 3.5 億美元新融資、估值 100 億美元。

這家成立僅 18 個月的公司，專注于一件事：幫企業構建 AI 客服智能體。從產品到商業化，一路狂奔至獨角獸陣營。

Sierra 不是個例。

同樣 18 個月，紅杉領投的 OpenEvidence 改變了醫生的工作方式：不再翻資料、查指南，而是直接在手機上問臨床問題。這個產品證明了垂直領域的 AI 應用，用戶粘性遠超想象。

與此同時，開源社區 Hugging Face 推出機器人平臺，讓任何人都能快速上手物理世界的 AI。

這三家 AI 初創公司的選擇并非隨意。因為它們分別代表了 AI 落地的三種典型路徑：B2B 企業服務、專業垂直應用、開放生態平臺。

它們背后，是同一個信號：AI 正在從技術展示轉向“業務閉環”。

GPT-5 訓練受阻、數據墻困擾之后，大模型的狂熱開始降溫，AI 泡沫聲音此起彼伏。所有人都在問同一個問題：“這個 AI ，到底能不能真正落地？”

答案很簡單：企業不要追求更大的通用模型，而是關注哪些能集成現有系統，能成為團隊中可靠“執行者”的真 AI 產品。

一、AI 工具的價值，起點是閉環能力

Sierra CEO Brett Taylor 一直以來的觀點很明確：

“AI 不是來演示的，是來做事的?！?/p>

Sierra 做的，不是給客戶部署一個聊天界面，也不是教企業怎么用 GPT，而是提供一個能從頭做到尾的 AI 智能體。

具體到客戶服務這個場景，Sierra 能做到：跟用戶完整對話 →獲取所需信息 → 在后臺調用系統 →改訂單、退運費、重發商品。

同時還能直接生成合規郵件、報表，無縫貼入客戶原有流程。

Taylor 說：這些動作不是靠堆砌模型實現的，而是他們從一開始就圍繞一件事設計功能。

這才是 Sierra 這家公司能迅速站穩、迅速擴大的關鍵：

“提供能直接上工位、替人干活的智能同事，直接帶來可對賬的銷售利潤。”

這種 “以結果為衡量標準” 的邏輯，在 OpenEvidence 也是一樣的。

這家公司沒做什么花哨的功能，產品頁面看起來甚至有點樸素。但它能在 18 個月里，拿下美國 40% 的醫生使用率。CEO Daniel Nadler 說得很實在：

“醫生不是來跟 AI 聊天的。醫生是要做決策的，做錯了會死人。”

他舉了個例子：

“一位女病人患有銀屑病，還合并有多發性硬化（MS），皮膚科醫生得快速決定用哪種藥不會誘發神經問題。”

這個問題用傳統搜索查不到，GPT 也會瞎編。但在 OpenEvidence 里，醫生只需輸入完整病例描述，系統能：

• 理解語義；

• 定位到《新英格蘭醫學雜志》中的三期隨機對照試驗；

• 明確顯示：“IL-17 類藥物可能加重 MS，IL-23 更安全?！?/p>

重要在于：它不是在生成一個答案，而是在找對一個決策依據。

OpenEvidence 把臨床 AI 工具從參考一下升級成真正能用。醫生在用它，不是因為它好，而是因為它能幫他們治病救人。

你會發現，這兩個產品雖不在一個行業，但做對了同一件事：閉環跑通，落點明確，客戶直接獲益。

這一點，在開發者工具領域也有體現。

Hugging Face CTO Thomas Wolf 說：

“以前的機器人一只手臂要10萬美元，不能聯網，不能改行為。我們現在只做一件事：讓它動起來?！?/p>

關鍵是 LeRobot 從一開始就設計成“能干活的完整系統”。開發者不需要從零搭建，用 Python 腳本就能部署一個在現實中解決問題的機器人。

結果很成功：有團隊用它自動化零售流程，有人用它做教學工具，還有人讓它生成手勢回應客戶。

他們不是展示機器人多聰明，而是證明它確實能完成任務。

硅谷這些最有潛力的 AI 公司，不拼技術先進程度，

而是專注于能否解決客戶的實際問題。

二、快速部署，落地的第一步

現在大部分 AI 工具，用戶還得主動去操作。但 Sierra 要讓 AI 自主執行任務。

區別在哪？

傳統方式下，企業接入 AI 需要經歷學習、部署、維護、推廣等復雜流程。

而 Sierra 直接提供落地服務，帶著客戶把系統建立起來。

他們有一套前置部署工程師機制（FDE）。與傳統的交付說明書不同，Sierra 會派工程師直接接手客戶的業務流程，

比如電商客戶的退貨處理：

• 把 Sierra 的智能體插入客服流程；

• 自動識別用戶問題、抓取訂單、判斷政策、執行退款或重發；

• 所有動作都走完，還能生成一份記錄自動存檔。

客戶不用二次學習，也不用切換界面，等于多了個助理在處理具體業務。

這就是 Sierra 增長快的秘訣：主動上門和客戶一起，直接落地方案。

OpenEvidence 也用類似的上門服務模式。不過它更獨特的是，完全繞過了對接醫院。

Daniel Nadler 說：

我們沒有做什么系統集成。醫生就是看到好用，直接下載，開始用。

一個醫生看到別人用了 OpenEvidence，自己點開網頁、注冊賬號、上傳病例，立刻能查文獻、看研究結論，整個過程不需要 IT 部門、也不需要培訓。

Nadler 的思路是：

“只要醫生能在兩分鐘內搞明白這個工具怎么用、為什么值得用，就足夠了?！?/p>

背后是一套極簡部署邏輯：

• 所有醫學文獻數據在云端已整理好；

• 輸入病例，后臺自動調用、定位引用；

• 頁面簡單易用，重點是可信、快速。

Hugging Face 不是做 B2B 軟件，而是做 AI 工具的工具。

但他們也沒有等開發者來自學，而是干了件更徹底的事：

直接把模型、硬件、數據全部打包好，變成一整套 LeRobot 系統，送到開發者面前。

這不是給你一個平臺，你自己研究，而是給你一個能運行的系統，你直接用。

開發者不需要從零開始搭建機器人架構，不需要處理底層對接問題，甚至不需要學習復雜的機器人工程。他們只要聚焦自身的業務場景即可。

Hugging Face 的“送上門”策略是：不是推銷產品，而是主動承擔了搭建工作。

無論是 Sierra 的工程師親自介入流程，OpenEvidence 讓醫生兩分鐘上手，還是 Hugging Face 把模型變成現成系統，

核心都是：別讓用戶摸索，讓 AI 做第一步。

三、組織結構，決定工具跑得起來

大多數 AI 工具失敗，不是技術問題，而是組織無法有效采用。

工具再優秀，團隊用不起來也難以產生價值。

Sierra、OpenEvidence、Hugging Face 這三家公司在組織采用方式上都有特別之處。它們不依賴人力推動，而是讓 AI 工具自然融入團隊工作流。

? Sierra 的做法：讓技術直接面對業務

Sierra 最特別的一點，是工程師不只是寫代碼，還要直接對接客戶場景。

每個技術人員入職前 30 天，必須跟客戶一起上線一個真實功能。

Brett Taylor 的邏輯很明確：

讓寫代碼的人直接面對使用場景，他們自然就知道該做什么。

這樣一來，團隊避免了功能層面的反復討論，直接圍繞問題解決效果開展工作。

從人員配置到工作標準，都貫徹了這個理念。

連招聘標準也很簡單：

“你有沒有在一個月內上線過能被真實客戶用的 AI 產品？”

? OpenEvidence 的策略：讓用戶倒逼團隊

OpenEvidence 從一開始就定下一個標準：

“醫生能不能兩分鐘內搞明白，能不能直接做出決策？”

從技術方向到界面設計，從功能優先級到產品規劃，都服務于這一標準。

他們把這個標準寫進產品準則：

每上一個功能，都要先問一遍，這東西是讓醫生用起來更輕松，還是更麻煩？

不是產品經理主導，而是用戶體驗反過來管團隊節奏。

這確保了團隊始終貼近實際需求，不會把產品做得越來越復雜。

? Hugging Face 的思路：干脆把組織開放

Thomas Wolf 走的是另一條路：徹底打破組織邊界。

所有開發、優化都開源，任何人都可以提交改進。 很多關鍵模塊的維護者，也不是公司員工，而是從社區自然成長起來的開發者。

Thomas Wolf 說得很清楚：

真正的使用需求會自動浮現，真正有能力的人會自動聚集。

產品完全跟著實際場景發展，團隊與市場同步演進，而不是在辦公室里預測趨勢。

這三家公司證明了一點：真正能用好 AI 不在技術復雜度，而在組織協調能力。

四、增長，來自真實使用后的反饋

Sierra 從沒開過發布會。增長全靠客戶介紹客戶。

Taylor 強調：

我們增長靠的不是曝光，而是客戶介紹客戶。

OpenEvidence 更極端一點。沒有市場部門，沒投廣告，也沒找醫生給他們背書。 短短 18個月，覆蓋了全美近半數的醫生用戶。

它們的共同邏輯是：做得越像工具，客戶可能只試一次；做得越像同事，客戶就愿意天天用。

在 Sierra 的客戶服務場景中：

• 你投訴訂單，AI 在后臺自動改地址、重發貨。

• 你發封郵件，對方幾分鐘內回一封完整處理結果。

• 你以為在和人交流，其實整個流程都是貼心 AI 客服完成的。

Taylor 表示：我們要的是客戶從第一天開始就真在用，然后讓更多人愿意加入。

Sierra 通過無縫流程讓用戶自然依賴，而 OpenEvidence 則靠極致實用贏得口碑。

在醫療領域，醫生是最難打動的一群人。

Nadler 講得很實在：

“醫生之間口碑是最敏感的。你推一個不好用的工具，他馬上拉黑你；你給他一個真省時間、省風險的工具，他立刻會告訴同事?！?/strong>

一個醫生用 OpenEvidence 查病例，只需幾秒就能定位文獻出處、試驗編號、結論摘要。 比自己翻文獻快得多，也更有把握。下次自然還會再用。

最后，Hugging Face 是把用戶變成自己的“產品傳播者”。

Thomas Wolf 的想法是：

“如果你想讓別人持續用你的 AI，就得讓他們覺得這是自己的工具?！?/p>

LeRobot 要讓開發者可以深度參與：

不只是下載使用，而是可以根據自己需求自由改造和擴展。

開發者投入越多，離開成本越高；定制越深，替代難度越大。

這樣，開發者不只是在用工具，而是在親自改造工具。

他們不強調自己多領先，而是希望聽到用戶說：

• Sierra 的客戶說：“這服務怎么這么順？”

• OpenEvidence 的醫生說：“這工具查文獻太快了，你試試?！?/p>

• Hugging Face 的開發者說：“這是我自己改造的產品，有成就感?！?/p>

增長，這件事不是宣傳多響，而是用戶用完后，愿不愿意主動告訴別人。

結語｜真正有效，是能做完一件事

回頭看這三家公司，沒有誰在講自己的工具比別人強，他們都在驗證同一件事：AI 到底能不能把問題解決？

三種落地路徑，同一個答案：B2B 企業服務的 Sierra，Brett Taylor 說，客戶要的是結果；專業垂直應用的 OpenEvidence，Daniel Nadler 表示，醫生用你是因為找不到更快更準的工具；開放生態平臺的 Hugging Face，Thomas Wolf 認為，開發者能拿來就用、隨時集成，才叫真正的 AI 工具。

這背后，是一種新的產品方式、部署方式、組織方式正在落地。

對創業者來說，這提醒我們：估值高的，不是概念，而是閉環；走得遠的，不是路線，而是動作。

AI 不缺看法，缺的是執行。

誰能先做完一件事？

本文由AI深度研究院出品，基于Sierra CEO Brett Taylor、OpenEvidence創始人Daniel Nadler、Hugging Face CTO Thomas Wolf等訪談內容翻譯整理。未經授權，不得轉載。

星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標

https://www.youtube.com/watch?v=aABWOv2uMig&t=197s&ab_channel=TheLoganBartlettShow

https://www.youtube.com/watch?v=RFKFaJfvBqE&t=782s&ab_channel=SequoiaCapital

https://www.youtube.com/watch?v=mTnoAM-BvUs&t=398s&ab_channel=NoPriors%3AAI%2CMachineLearning%2CTech%2C%26Startups

https://pocketcasts.com/podcast/the-logan-bartlett-show/0624a9f0-6085-013a-d728-0acc26574db2/ep-150-bret-taylor-ceo-sierra-a-new-class-of-software-winners/e172fbf8-7dfa-4bb2-beca-cfe6f3864f72?utm_source=chatgpt.com

https://www.theverge.com/decoder-podcast-with-nilay-patel/773904/sierra-ceo-bret-taylor-ai-agents-openai-bubble-interview?utm_source=chatgpt.com

https://sierra.ai/blog/theres-an-agent-for-that-and-it-runs-on-sierra?utm_source=chatgpt.com

https://podcasts.apple.com/us/podcast/live-how-ai-is-reinventing-software-business-models/id1750736528?i=1000708448379&utm_source=chatgpt.com

來源：官方媒體/網絡新聞，

排版：Atlas

編輯：深思

主編：圖靈