當所有人都在唱衰垂直軟件時，為什么他卻堅定看好！

你有沒有想過這樣一個問題：當 Anthropic、OpenAI 和 Google 正在投入數千億美元打造世界上最強大的通用 AI 系統時，垂直軟件還有存在的必要嗎？這個問題最近幾周在科技圈引發了激烈討論。有人說護城河已死，有人反駁說護城河依然堅固，還有人提出了各種反駁的反駁。我看到很多論調都在講，大語言模型會摧毀學習型界面，蒸發業務邏輯，讓數據訪問變得商品化，最終讓垂直軟件公司無處可藏。說實話，這些觀點中的很多我其實都認同。

但市場數據卻在講一個完全不同的故事。最近的數據顯示，上市的垂直 SaaS 公司銷售表現異常強勁：銷售配額完成率和入站潛在客戶情緒都大幅改善，現在已經領先于所有其他企業軟件類別，包括財務與 ERP、營銷和生產力工具。有人開玩笑說，如果垂直軟件真的死了，那可千萬別告訴那些銷售代表，因為他們正在創造有史以來最好的業績。至少現在看來，對行業工作流程的專業化理解仍然非常重要。

我最近讀到 Hebbia 創始人兼 CEO George Sivulka 的一篇文章，讓我對這個問題有了全新的思考。他提出的觀點非常犀利：所有這些關于垂直軟件將死的討論，其實都錯過了問題的核心。而市場數據恰恰印證了他的判斷。我越深入思考他的論述，就越覺得他說到了點子上。在 AI 浪潮席卷一切的當下，垂直軟件不僅不會消亡，反而會變得更加重要。這個看似反直覺的判斷背后，隱藏著對企業軟件本質的深刻理解。

企業軟件的價值到底來自哪里

George 在文章中提出了一個非常基礎但關鍵的觀點：在最基本的層面上，企業軟件只是代碼，是一個可訪問的界面加上連接到重要數據和記錄系統的后端。但如果你認為軟件的價值就來自于此，那你根本不理解垂直軟件公司為什么會成功。企業軟件的真正價值，來自于對流程和組織的深刻理解，深刻到足以讓軟件精確地做正確的事情。

我深深認同這個觀點。過去這些年，我看到太多人把軟件簡化成技術問題，認為只要技術足夠強，產品就能成功。但事實上，真正成功的企業軟件從來不只是技術的勝利，而是對業務流程理解的勝利。你可以擁有世界上最先進的技術棧，但如果不理解用戶的工作流程，不了解他們真正的痛點和需求，這些技術就毫無價值。

George 特別強調，流程工程（process engineering）以及由此產生的網絡效應，將繼續成為垂直軟件的基礎性優勢。這個判斷我覺得非常準確。流程工程不是什么高大上的概念，它的本質就是深入理解用戶如何工作，然后把這種理解編碼到軟件中。而這種理解，恰恰是通用 AI 工具無法具備的。

Last Mile 的真正含義

讓我特別有感觸的是 George 對"Last Mile"（最后一公里）這個概念的重新定義。他以金融行業為例進行了精彩的闡述。從五萬英尺的高度看，每家金融公司看起來都一樣。他們都做盡職調查，都會形成對估值的看法，都會制作備忘錄和演示文稿，運行模型，綜合研究。如果你是第一天進入這個行業的人，你可能會覺得可以為所有公司寫一個統一的產品規格。

但結果呢？絕對沒有人會買你賣的東西。

為什么？因為你需要放大視角。不是放大到公司層面，而是要深入到團隊層面、部門層面、董事總經理（MD）層面。世界的細節比我們想象的要多得多。同一家公司的私募信貸團隊使用的合規標志，和私募股權團隊使用的完全不同，更不用說和競爭對手公司的團隊相比了。同一家銀行的兩個 MD 對于什么是好的機密信息備忘錄（CIM）摘要，會有完全不同的標準。一個團隊通過四十頁的模板進行盡職調查流程，而走廊另一頭的團隊則在一個來回發送的共享電子表格中完成所有工作。所有這些工作流程都以一種在多年甚至幾十年的協作中固化下來的方式保持一致和強大。

這才是"Last Mile"的真正含義。George 指出，"Last Mile"不是指產品上線前的最后配置步驟，而是認識到你部署的不僅僅是軟件，而是特定團隊中特定人員執行特定工作方式的具體體現。他們做特定工作的方式可能 90% 是常規的，10% 是特定 MD 偏好的獨特之處。但雖然前 90% 是容易的部分，那 10% 才是達成交易和成就職業生涯的地方。那里才是所有差異化價值所在。那里才是你建立護城河的地方。

我對這個觀點感觸很深。在我過去的工作經歷中，我見過太多試圖用"標準化"方案解決所有問題的軟件產品。它們看起來功能齊全，但最終都無法真正被用戶采用。原因就在于它們忽視了那關鍵的 10%。那 10% 看起來可能是一些小的偏好設置，一些特定的數據格式，一些獨特的審批流程。但正是這些細節，決定了軟件是否真正融入了用戶的工作流程，是否成為了他們不可或缺的工具。

軟件是社會契約，不是中立工具

George 提出的另一個深刻觀點是：代碼行數是軟件中最不有趣的部分。能夠運作的軟件意味著有人坐下來設計了一個工作流程，而這個工作流程的邏輯封裝了事情完成的方式。軟件是存儲的流程。它不是一個中立的工具：它是關于一群人應該如何協作的觀點，被編碼到一個持久的系統中。軟件是一種社會契約。

這個觀點讓我重新思考了軟件的本質。我們常常把軟件看作是技術產物，但實際上，軟件更多是一種組織工具，是一種協作機制。當一個團隊采用某個軟件系統時，他們不僅僅是在使用一個工具，更是在接受一套工作方式，在建立一套共同的語言和標準。這種社會契約的建立需要時間，需要團隊成員之間的磨合，需要整個組織的適應。一旦建立起來，這種契約就會變得非常穩固。

George 指出，通用 AI 工具無論變得多么強大，都無法以這種方式形成觀點。這不是對它們的批評，而是對它們必須做什么的結構性反映。Anthropic 和 OpenAI 正在為地球上的每一個用例同時構建產品，他們不可能對 KKR 信貸團隊喜歡如何組織事情的特定偏好有觀點。他們不知道，他們無法知道，他們可能永遠不會知道：這根本不是他們的工作。

但這恰恰是像 Hebbia 這樣的垂直軟件公司的工作——確切地知道這些細節。

我覺得這個區分非常重要。很多人在討論 AI 會不會取代某類軟件時，都忽略了這個關鍵點。通用 AI 的強大在于它的通用性，但這種通用性也是它的局限。它無法為特定團隊、特定場景提供定制化的解決方案，無法理解那些在特定組織文化中形成的獨特工作方式。而垂直軟件的價值，恰恰就在于它能夠深入到這些細節中，成為組織運作不可分割的一部分。

網絡效應才是真正的護城河

當我們談論垂直軟件的"護城河"時，George 認為我們需要記住的正是軟件的社會學功能——共享的期望、制度記憶、整個團隊的肌肉記憶與之融合的事實——與產品本身密不可分。你無法從頭開始設計承重軟件并期望人們直接同意它，因為承重軟件包含了團隊如何合作的社會協議。

他提出了一個很好的例子：彭博（Bloomberg）。對垂直軟件的悲觀看法認為，轉換成本一直只是界面摩擦——從一個平臺遷移到另一個平臺的轉換成本——現在這些成本正在消失，所以沒有什么能保護垂直軟件了。但這不是彭博具有粘性的原因。彭博之所以具有粘性，是因為整整一代金融專業人士都接受了彭博的培訓，他們通過彭博相互溝通。圍繞彭博建立了一個完整的經濟體系和社會規范世界。

這是一種網絡效應：共享的工具創造了共享的語言，這種語言變得強大且自我強化。這種護城河不會僅僅因為遷移變得容易就消失。

我深有體會。在金融行業，當你說"我在 Bloomberg 上看到了"，這不僅僅是指你使用了一個數據工具，而是你參與了一個共同的信息生態系統。所有人都知道你在說什么，都理解那個界面的結構，都能快速找到相同的數據。這種共同語言的價值，遠遠超過了軟件本身的功能價值。

George 預測，在金融領域獲勝的新 AI 原生工具不會因為成為通用"工作"的中立基底而獲勝。它們會通過成為承重結構而獲勝——通過足夠了解工作流程，通過完成了學習每家公司、每個部門的特定版本工作流程的工作，使得替換它們變得真正昂貴。不是因為界面難以學習，而是因為存儲在其中的制度知識真正昂貴且難以重建。

我認為這個判斷非常準確。未來的競爭不是誰的 AI 模型更強大，而是誰能更深入地理解和服務特定行業的特定需求。那些能夠成為行業基礎設施、成為團隊協作不可或缺部分的工具，才會真正建立起難以撼動的護城河。

更好的模型讓流程工程變得更強大

George 提出的一個反直覺但深刻的觀點是：隨著 AI 模型變得更強大，流程工程只會變得更加重要。

他舉了一個很好的例子。去年，所有人都說法律 AI 會被 OpenAI 的 o 系列發布所碾壓。推理很直觀：如果底層模型變得顯著更好，應用層必然會變薄。但發生的情況恰恰相反。o 系列的發布讓法律 AI 迎來了前所未有的一年。更好的模型增強了應用公司編排層（orchestration layer）的能力，因為編排層才是可靠性所在。

你可以擁有地球上最強大的模型，但如果沒有約束、驗證和引導這種能力通過特定專業工作流程的框架，仍然會產生垃圾輸出。在一定的能力水平上，讓 AI 系統可靠地完成法律工作的困難部分從來不是模型本身。而是編排：準確找出何時信任模型、何時檢查其工作，向其提供什么數據以及以什么順序提供，如何格式化輸出使其能夠被特定公司特定角色的人使用。

我覺得這個洞察非常重要。很多人看到基礎模型的進步，就認為應用層的價值會降低。但實際上，恰恰相反。模型越強大，如何正確使用這些模型就變得越重要。這就像給了你一個極其強大的引擎，但如果沒有精密的傳動系統、控制系統和安全系統，這個引擎反而可能造成危險。

George 指出，2025 年是 AI 真正開始在法律領域發揮作用的一年，他認為 2026 年將成為金融領域的關鍵一年。金融對 AI 來說是一個比法律更難提供價值的領域，因為工作本身genuinely更復雜。法律工作的核心是研究和起草。金融則是研究、起草、建模、多模態分析——從 PDF 中提取數字并將它們推送到模型中，從 Word 轉到 PowerPoint 再回到 Excel，運行敏感性分析，然后將輸出格式化為特定投資委員會的確切規格。這是流程中每一步的多模態工具使用。

可靠性是垂直深度最重要的地方。資產管理公司不需要一個 80% 正確率的系統。在金融領域，90% 正確和 100% 錯誤是一樣的。一個模型可能會對你即將執行的交易產生一個自信的、格式良好的、大部分正確的答案，但它弄錯了一個細節或以不同于你部門標準的方式格式化，整件事就錯了。每一個部分都必須可靠，否則整個系統完全無用。

我對這一點深有體會。在金融行業，精確性不是加分項，而是必需品。一個小數點的錯誤可能意味著數百萬美元的損失。一個格式不符合標準的報告可能導致整個交易流程的延誤。這種對精確性和可靠性的極端要求，恰恰是為什么金融領域需要深度定制的垂直軟件，而不能簡單地依賴通用 AI 工具。

而建立這種可靠性需要了解工作實際上是什么樣子的。這不是坐在辦公室里想象出來的，而是需要深入到實際的工作場景中，觀察人們如何工作，理解他們的痛點，了解他們的標準和期望。這種深入的理解，才是構建真正有價值的垂直軟件的基礎。

為什么基礎模型公司無法贏得這個市場

George 明確表示，他不認為任何基礎模型公司能真正贏得金融這個行業。這不是因為他們不夠能干或缺乏資源——每個人都知道 OpenAI、Anthropic 和 Google 充滿了杰出的人才，擁有令人難以置信的資源。但他們就是無法提供金融所需的流程工程水平。

這個判斷我非常認同。基礎模型公司的優勢在于構建強大的通用能力，但這恰恰不是金融行業最需要的。金融行業需要的是對特定流程的深刻理解，對特定標準的精確把握，對特定風險的敏銳感知。這些都不是通過訓練一個更大的模型就能解決的問題。

George 還提出了一個重要觀點：模型提供商也無法提供所需的中立性。Hebbia 在設計上是模型無關的（model-agnostic）。這不是為了選擇最便宜的模型而進行的對沖，而是關于成為機構金融持久基礎設施意味著什么的原則性立場。模型無關是流程工程的一部分。一項任務的最佳模型通常不是另一項任務的最佳模型。沒有哪個團隊愿意把所有東西都押在一個模型提供商繼續保持最先進水平上。

我覺得這個觀點特別有遠見。在當前 AI 快速發展的時期，今天最好的模型可能明天就被超越。如果你的整個系統都綁定在一個特定的模型提供商上，你就失去了靈活性。而對于金融機構來說，這種靈活性至關重要。他們需要的是一個能夠根據任務自動選擇最佳模型的系統，而不是被鎖定在某個特定的技術路線上。

Hebbia 的工作是確保最佳模型在每項任務上自動獲勝，并且他們服務的機構永遠不會暴露于任何單一提供商的失敗風險。這就是在這個市場中成為瑞士的意義。而瑞士是一個非常好的位置。

這種中立性不僅是技術選擇，更是戰略定位。在一個快速變化的技術環境中，保持中立意味著你可以始終為客戶提供最好的解決方案，而不受特定技術路線的限制。這種靈活性本身就是一種競爭優勢。

金融是真相邊際效用最高的領域

文章的最后部分，George 提出了他認為被低估的上行空間。金融是真相最有價值的領域。在并購流程或困境債務情況下，準確答案的邊際價值是巨大的。不準確答案的成本也是巨大的。沒有其他專業領域能像金融這樣，把事情做得完全正確的回報，以及把事情做得幾乎正確但略有錯誤的懲罰，如此一致地、可衡量地高。

這意味著金融將比任何其他垂直領域更快地消耗 AI 能力。不是因為金融專業人士是早期采用者或技術愛好者，而是因為精確性的經濟學實在太極端了。當正確答案的期望值是一千萬美元，錯誤答案的期望成本也是一千萬美元時，金融機構幾乎愿意為一個他們真正可以信任的系統支付任何代價。

我對這個觀點深有感觸。在金融領域，信息的價值直接體現在金錢上。一個及時準確的市場分析可能讓你賺取數百萬，一個錯誤的風險評估可能讓你損失同樣多的金額。這種直接的金錢激勵，使得金融機構對于能夠提供可靠、準確信息和分析的工具，有著極高的支付意愿。

George 最后總結道，那些建立起這種信任的公司，那些做了理解每家公司、每個團隊、每個 MD 實際如何工作的工作，然后將這種理解編碼到能夠大規模可靠運行的軟件中的公司，將會構建出真正龐大的東西。不是因為他們贏得了功能競賽或簡單地向任何給定問題投入"更多智能"，而是因為他們做了每個偉大的垂直軟件帝國都建立在其上的艱苦的制度性工作。

這就是流程工程。它真的很難：意味著要逐個公司、逐個團隊、逐個 MD 地工作。而這正是護城河出現的地方。

我的思考：垂直軟件的未來

讀完 George 的文章，我對垂直軟件的未來有了更清晰的認識。我認為，在 AI 時代，垂直軟件不僅不會消亡，反而會迎來新的黃金時期。原因有幾點：

通用 AI 的進步會提高所有軟件的基線能力，但同時也會提高用戶的期望。用戶不再滿足于"能用"的軟件，他們期望軟件能夠深刻理解他們的工作方式，能夠無縫融入他們的工作流程。這種期望的提升，恰恰為深度垂直軟件創造了更大的價值空間。

流程工程的重要性會隨著 AI 能力的提升而增加，而不是減少。更強大的 AI 模型意味著更多可能性，但也意味著需要更精細的控制和編排。如何將強大的 AI 能力準確地應用到特定的業務場景中，如何確保 AI 的輸出符合特定的標準和要求，這些都需要深入的流程理解和精心的系統設計。

網絡效應在 AI 時代會變得更加重要。當軟件不再只是工具，而是成為團隊協作的語言和平臺時，轉換成本不是降低了，而是提高了。因為你不僅要遷移數據和功能，還要重建整個團隊的工作習慣、溝通方式和協作模式。

我也看到了一些挑戰。垂直軟件公司需要在保持深度的同時，也要跟上 AI 技術的快速發展。這需要既有對特定行業的深刻理解，又有對前沿 AI 技術的掌握。這種雙重能力的要求，使得垂直軟件的門檻變得更高，但同時也使得成功者的護城河變得更深。

最后，我想說的是，George 的文章讓我重新思考了"護城河"這個概念。在 AI 時代，真正的護城河不是技術本身，不是數據本身，甚至不是用戶界面本身。真正的護城河是對用戶工作方式的深刻理解，是成為用戶工作流程不可分割的一部分，是建立起一個共同的語言和協作平臺。這種護城河不會因為 AI 的進步而消失，反而會因為 AI 的進步而變得更加堅固。

垂直軟件的未來，屬于那些真正理解用戶、真正深入行業、真正做好流程工程的公司。這是一條艱難的道路，需要逐個客戶、逐個團隊地打磨產品。但正是這種艱難，成就了真正的護城河。在 AI 的浪潮中，我相信這樣的公司不僅能夠生存，而且會蓬勃發展。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產品創業方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業化才是未來