AI 应用不是好生意
有用户，不等于有留存；有收入，不等于有利润；增长很快，也不等于公司正在积累价值。
这是我看完这一轮 AI 应用创业之后最直接的判断。过去的软件创业逻辑正在失效。一款产品即使找到了需求、获得了用户、做出了收入，也未必能成为一家长期成立的独立公司。
问题不在于 AI 应用没有价值，而在于它同时受到三种力量的挤压：产品能力可能被模型升级吞掉，增长未必带来利润，用户入口又掌握在模型公司和大厂手中。
收入增长可能只是在替上游卖 token
传统 SaaS 一旦验证了需求，通常可以放心扩大规模。新增用户的边际成本很低，收入增长会逐渐转化为利润。
AI 应用不是这样。用户每使用一次产品，应用公司都要向模型和云厂商支付推理成本。用户越活跃，成本越高；如果免费试用额度过大，增长甚至会直接扩大亏损。
Kuse 曾在没有风险投资和付费广告的情况下，快速做到千万美元级的年化收入。但创始人吴显昆后来反思，这种 ARR 更接近交易额：应用公司从客户手里收钱，再把其中很大一部分交给模型厂商，本质上是在分销 token。
这也解释了为什么 AI 应用的收入增长很快，却未必质量很高。Stripe 的统计显示，头部 AI 公司做到百万美元和五百万美元年化收入的速度，明显快于过去的 SaaS 公司。但 AI 应用的续费不如 SaaS 稳定，毛利也低得多。Bessemer 研究的高速增长 AI 公司，平均毛利约为 25%，而成熟云软件通常在 70% 左右。
更值得警惕的是，一些公司会把免费用户产生的计算成本记入研发费用，从而让账面毛利显得更好。一旦把这些成本还原，增长可能不是规模效应，而是“越增长，越接近破产”。
所以，判断 AI 应用不能只看月活、日活和 ARR。更重要的是付费转化率、续费率、付费用户收入，以及把免费试用和营销补贴全部计入之后的真实毛利。
模型升级不断缩短产品窗口
AI 应用的第二个问题，是功能创新很难形成长期壁垒。
Devv Search 最初通过索引 GitHub、Stack Overflow 等资料，为代码问答提供引用和验证。这个需求真实存在，产品上线半年也获得了数十万美元收入。创始团队原计划先做搜索，再做代码生成和调试，最后进入自动化开发。
但 Claude 3.5 Sonnet、Cursor 和 Claude Code 的进展，让市场迅速跳过了中间阶段。原本预计持续一两年的搜索窗口，实际只维持了半年。团队后来转向自然语言生成应用，窗口同样很短，最终停止扩张。
AI 写作产品也经历了类似过程。早期模型能力有限时，一篇论文的生成成本很低，售价却能达到几十元，净利润率相当可观。但当 Kimi、DeepSeek 等产品可以更便宜甚至免费地生成长文后，独立写作工具的收入很快归零。原来的公司只能转向企业营销、销售流程、论文辅导和培训服务。
工作流产品甚至可能在收入消失之前，先失去资本市场的预期。产品刚刚上线，Agent 中的 Skill 就成为标准配置，投资人随即开始判断 Skill 会替代 Workflow。产品仍有客户、收入和续费，但未来空间已经被压缩。
这类变化最残酷的地方，不是产品瞬间没人用，而是创业者先失去了未来。模型每释放一种新能力，都会创造一批应用，也会在下一次升级时拿走其中一批应用的核心价值。
卖模型的人也在争夺用户入口
如果模型公司只提供 API，应用公司还能依靠产品设计和客户关系建立自己的位置。但模型公司现在越来越多地亲自做应用。
原因并不复杂。训练和运营模型需要巨额投入，当模型能力逐渐趋同时，只卖 API 很难支撑利润。进入应用层、控制用户入口，几乎是必然选择。
模型公司还有两个普通创业团队没有的优势：它们可以提前知道下一代模型将具备什么能力，也可以从大量 API 调用中看到哪些场景最活跃。创业公司验证需求之后，上游平台完全可能把这个需求做进自己的产品。
Cursor 验证了 AI 编程，Anthropic 随后推出 Claude Code；模型公司也在进入设计、搜索、研究、文档、表格、演示和应用生成等市场。国内大厂进入办公 Agent 后，新增流量迅速向少数大厂产品集中。
这不是一般意义上的产品竞争。大厂可以用免费额度、既有用户、企业渠道和巨额补贴争夺市场。创业公司不仅要证明自己的功能更好，还要回答一个更根本的问题：这个项目是否属于独立公司的生态位。
通用办公 Agent 很可能成为类似浏览器的入口，许多创业产品只能成为被它调用的插件。入口、成本和基础能力都不在自己手里，独立应用就很难掌握利润分配权。
为了躲避模型而创新，往往会远离用户
面对模型和大厂的扩张，创业者很容易从“它们不会做什么”出发寻找方向。这个思路看似合理，却可能把产品带进一个没有足够用户的角落。
Kuse 选择画布形态，是因为模型公司的主入口都是对话。团队曾投入大量精力优化在画布中阅读 PDF 的体验，后来才意识到，也许根本没有多少人愿意这样阅读。
为了证明自己不同，产品会增加新的交互和特殊功能；每增加一层差异，能够理解并愿意使用它的人就少一些。最后找到的未必是大厂无法进入的市场，也可能只是一个过于狭窄的市场。
Devv 的经历说明了同一个问题。团队为了区别于同类产品，把定位收窄为“帮助用户做 AI 应用”，花了半年开发，上线时窗口已经过去，用户和留存都没有建立起来。
我的判断是，产品从零到一时，最先要回答的仍然是谁在用、为什么用、会不会继续用。与竞品不同只是手段，不是需求本身。盯着模型公司不会做什么，通常做不出真正有价值的产品。
但直面竞争也不一定没有机会。有团队看到 Claude Code 进入设计领域后，没有逃离，而是借助市场热度推出开源设计 Agent，一周获得近五万个 star，收入也超过原来的工作流产品。大厂验证需求，并不代表市场已经结束；关键是能否找到不同的分发方式、产品形态和价值位置。
往下游走，从卖工具变成卖结果
一些团队开始离开纯软件模式，进入客户的具体业务，对交付结果、交易和利润负责。
OiiOii 不再依靠补贴争夺视频工具用户，而是进入细分行业，通过后训练模型解决具体问题。在漫画转动画场景中，通用视频模型生成的 2D 效果不符合日漫表达，团队针对这一问题训练和交付。作为工具，两分钟视频的制作成本可能只有几百元；作为符合业务要求的成品，客户可能愿意支付上万元。
这里真正发生的变化，是定价依据从 token 和功能变成了客户价值。原来面向外部销售的软件，变成内部高效生产系统；客户购买的不是操作工具的权限，而是最终结果。
论文写作团队也从消费工具转向论文服务和 AI 培训。Kuse 则尝试与投资机构合作，收购服务公司，再用 AI 改造流程，通过持股分享经营利润。相比标准软件，这些模式更重，却也更接近客户真正愿意付费的部分。
当然，重交付并没有自动解决所有问题。企业服务仍然要持续获客，培训是否能规模化还需要验证，收购后的提效和整合也可能失败。但至少在这些模式里，AI 创造的效率不再全部通过模型费用流向上游。
往上游走，把场景理解沉淀进模型
另一条路是自己训练模型。
Cursor、Krea、Captions、Perplexity、HeyGen、LiblibAI 等公司，都在从应用进入模型层。共同逻辑不是为了拥有一个模型而做模型，而是把已经验证的场景、数据和反馈沉淀为自己的能力。
Cuflow 原本把课件转成可交互视频，但用户上传的材料中，超过一半并不是学习资料，而是企业培训、漫画、小说和商品详情页。团队由此转向训练以代码为核心的实时交互视频模型。
做应用时，上游模型每次更新，团队都要重新测试能力、成本和流程。有时刚完成一轮适配，新模型又让几个月的工程变得多余。应用看似属于自己，核心能力却像租来的。
进入模型层以后，团队希望形成一个循环：先找到真正有价值、能够持续产生数据的场景，再把场景理解通过后训练和反馈沉淀进模型，然后用更好的模型继续服务场景。
代价同样很高。训练管线、奖励函数、GPU 调度都需要大量资金和人才，配置错误也会造成直接损失。企业客户的合作意向不等于真实付费，做模型并不会让商业化问题消失。
独立应用必须拥有不能被轻易抽走的价值
我并不认为 AI 应用没有机会。更准确的说法是，单纯封装模型、转售 token、依靠短期功能差异获客，越来越不像一门好生意。
创业团队真正需要回答的，不是还能增加什么功能，而是当模型能力继续提升、上游价格继续变化、大厂直接进入市场时，公司还能留下什么。
可能留下的是客户工作流，是行业数据，是交付能力，是品牌和渠道，是对交易结果的责任，也可能是自己训练出来的模型。无论是哪一种，都必须让公司掌握一部分无法被上游轻易抽走的价值。
AI 让产品更容易被做出来，也让“产品成立”和“公司成立”之间的距离变得更远。未来真正稀缺的，不是再做一个 AI 功能，而是建立一个能够承受模型升级、成本变化和入口竞争的商业结构。