AI创业路径：油井与管道的互补逻辑

不久前，A16Z 合伙人乔·施密特和安吉拉·斯特兰奇发表了一篇关于 AI 创业路径的深度分析。

在这篇文章中，他们通过一个来自能源行业的经典比喻，概述了当前创始人面临的两种选择：

首先，钻探一口“油井”，专注于某个具体场景，掌握核心数据，进而构建完整的记录系统；

其次，铺设一条“管道”，将分散的系统和流程整合，自动化那些原本依赖人工判断和跨部门协作的工作。

尽管这两条路径看似不同，但它们都有可能孕育出规模庞大、壁垒坚固的公司。

A16Z 指出，油井与管道并非相互排斥，而是 AI 时代两种互补的财富逻辑。关键在于创始人能否明确自己所处的领域，并坚定不移地前行。

01

油井路径：替换与重建

在能源行业的早期，财富的积累方式呈现出明显的两极分化。油井象征着“找到一个点”，只要打通一口富含石油的井，就能持续产生现金流，依赖单一储量即可维持数十年。

而管道则象征着“连成一线”，它并不拥有资源本身，而是成为资源流动的必经之路，通过规模化输送创造稳定回报。简而言之，油井依赖于稀缺性，而管道依赖于连接性。这两种策略都曾造就了行业巨头。

今天的 AI 创始人也面临着类似的抉择。他们可以选择“钻一口井”，深耕于某个具体的工作流，透彻理解流程、数据和客户，进而构建完整的记录系统；或者选择“铺设一条管道”，将不同的系统和流程整合起来，自动化那些需要人工判断和跨部门流转的工作。

尽管这两条路径看似不同，但它们都能孕育出规模化的公司，只是构建方式、销售逻辑和护城河来源各不相同。

回顾企业软件历史，最赚钱、最具韧性的 B2B 公司几乎无一例外都是“记录系统”。ERP、CRM、HRM 等系统本质上都通过掌握企业的底层数据，将客户锁定在自己的生态中，使工作流程依赖自己，从而构建出持久的护城河。

人工智能的兴起极大加速了这一趋势。与 30 年前那些结构笨重、功能固定的系统不同，如今的 AI 初创公司能够提供数量级的效率提升。

旧系统在 AI 面前显得迟钝而脆弱。董事会和管理层已经开始讨论“购买 AI”，这意味着销售周期在缩短，替代机会正在以前所未有的速度涌现。

“油井”策略最适合那些数据非结构化、分散在不同系统里的场景。一旦有人能将这些杂乱的数据整合成清晰的模型，所带来的客户体验提升将是颠覆性的。这种方法有两类机遇：

第一类，替换与重建。

当旧系统因过于落后或问题太多而无法支撑 AI 时，初创公司就能用全新的、AI 原生的系统来替代它。只要新方案带来的提升足够大，让客户觉得换掉旧系统很值得，机会就来了。

例如，Valon 从零打造了一套房贷服务系统，将过去分散在 25 个不同旧系统里的流程全部整合进了 Valon OS。这个系统能自动生成可查账本、设置可编程的工作流，还有 AI 助手帮忙进行合规检查和客户服务。结果原本只能勉强不亏的业务现在利润率能超过 60%。

再比如，Vesta 开发了全新的房贷审批系统。以前的数据架构太落后一个贷款流程同一时间只能由一个人操作这也是为什么贷款审批常常要拖上 30 多天。Vesta 的系统能让不同环节并行处理把审批速度和准确性都提升了好几倍。

第二类 从零起步

当市场上还没有成熟的软件系统很多流程都只能靠人工处理时初创公司就有机会切入先拿下客户再跟着客户一起成长。通常会先从中小企业（SMB）做起等功能越来越完善再进入大企业市场。

例如Rillet 做的是 AI 驱动的 ERP 工具能自动化财务工作比如月末结账实时出报表。很多早期客户以前都是靠纸笔Excel 或 Quickbooks 来记账。Rillet 成了他们的第一个正式系统并伴随他们一路扩展。现在Rillet 已经成长到可以挑战 NetSuite 这样的老牌系统。

这些拥有核心数据模型的公司不仅能开发出别人无法复制的功能还会逐步让客户产生工作流依赖从而形成极高的转化成本。就像油井钻探的周期漫长但一旦成功就能坐拥深厚且长期的护城河。

02

最适合“管道”模式的两种场景

传统观点认为围绕记录系统构建只是一种功能并不足以撑起一家公司。确实在一些场景下老牌企业能够在发展过程中吸收新的编排工具。

但现实是很多传统“油井”已经根深蒂固迁移成本极高或者受到严格合规限制无法快速转型。与此同时市场对效率的需求比以往任何时候都更迫切。这就为 AI 带来了新的机遇：智能代理如今能承接以前太小太零散而无法被覆盖的市场机会。

“流水线”不是要替换掉核心系统而是把人原本在系统之间做的“粘合工作”交给 AI。比如处理杂乱的非结构化信息根据上下文做判断在不同流程和部门之间完成任务。过去这些只能靠人来做而现在 AI 能接手就给了软件一个解决历史遗留问题的巨大机会。

具体来说适合“管道”模式的场景主要有两种：

场景一 分散的旧系统

很多大公司用了十几年的老系统彼此之间完全不兼容。结果就是信息分散在各个角落部门之间沟通低效。但要把这些核心系统推倒重来成本太高周期太长所以他们更看重“立刻见效”。

这时“管道”的价值就体现出来了：它能把不同系统之间的数据和流程统一起来就像在旧机器之间加了一层“总控台”。

例如Further 为保险行业搭建了一个 AI 工作空间可以自动化纸质化的流程比如报送损失记录和合规。它用少量常见的行业文档（保单ACORD、SOV 等）就能将原本分散的系统“串”在一起形成顺畅的工作流。

场景二 人工“中间层”

在不少行业软件虽然已经存在但运行起来还需要大量人工来“补丁”。人被迫充当系统和系统之间的“中间层”：搬运文件录入数据做检查。

现在大模型（LLMs）能接管这些工作把原本只能靠人力的操作流程数字化从而实现规模化。这类机会过去没法解决现在反而成了“能养出独角兽”的新市场。

例如Concourse 为企业财务团队开发了 AI 助手不需要更换底层系统就能接入公司所有财务软件自动完成查询分析出报告取代过去几个小时的人工操作。

Sola 做的是 AI 原生的后台自动化工具。用户只要在电脑上用插件录一次操作流程Sola 就能生成一个实时运行会自动适应的 AI 代理去执行像发票对账理赔处理数据录入这些过去全靠人工的工作。

“管道”与“油井”相比其魅力在于它不需要客户推倒重来。