研究时间：2026年7月 | 所属领域：人工智能应用、知识工作、企业软件 | 研究对象类型：技术范式与商业机会
LLM应用最值得做的机会，不是再造一个“更聪明的聊天框”，而是把某类专家长期积累的判断、流程、证据和责任边界，重写成一个可以接入真实系统、持续执行并被审计的“数字工作单元”。
这件事有两个历史参照物。
电力没有简单地“替代蒸汽机”。它先把机械动力从一根传动轴上解放出来，变成可以被每台机器、每个楼层、每个工位单独调用的公共能力；随后，工厂才围绕电机重新设计布局与生产流程。美国国家历史博物馆对这段转型的描述很关键：电灯和电机改变了工厂与城市，中央发电和输电让企业可以在新的地点布局，电力系统本身也必须通过电缆、变压器、发电机和公共事业组织才能成立。[1]
PC也没有简单地“替代计算器”。计算器把一组固定运算做得更快；PC加上VisiCalc，给了普通业务人员一种可以自己建模、反复试错、分析“如果……会怎样”的工具。IBM PC在1981年进入企业后，硬件、MS-DOS、电子表格、文字处理和外围设备共同形成了生态，真正被替代的是一部分“由专人操作的计算工作”，而不是计算这个动作本身。[2][3]
LLM的机会与此相似，但对象从机械动作和数字运算，变成了语言、检索、推理、写作、协调与决策准备。模型本身会越来越像电网和CPU：强大、普遍、便宜、可替换。商业价值将向上游的工作流、数据、系统连接、责任承担和行业分发迁移。
蒸汽机改变工业的第一层方式，是提供比人力、畜力和水力更稳定的动力。但早期工厂并没有因此立刻变成今天理解的“自动化工厂”。动力通常通过巨大的中心机、皮带和传动轴分配到各台机器。机器必须围绕动力源排布，工厂选址也受水源、煤炭、传动效率和维修能力限制。
因此，早期蒸汽动力解决的是“有没有足够大的力”，没有解决“力能否灵活地到达每一个工作点”。它提高了产能，却把组织结构锁在动力源周围。
电力的历史意义不止是效率更高。电机可以小型化、分布式安装，照明和动力可以分别设计；工厂不必让所有机器共享一条中央传动轴。美国国家历史博物馆记录的全电工厂案例显示，1899年开设的全电棉纺厂已经把安全、照明和生产布局放在一起考虑。[1]
这带来一个重要的商业类比：新技术的第一阶段往往是把旧系统“换成新动力”，第二阶段才是以新动力为前提重做系统。很多所谓“AI转型”现在仍停留在第一阶段：把一个聊天机器人加到原来的流程旁边，让员工自己复制、粘贴、校验，再把结果放回原系统。它像把一台电机装在蒸汽机的传动轴旁边，动力换了，工厂没变。
真正的应用公司，要回答的是：如果智力可以像电力一样按需调用，原来的岗位、审批、信息流和组织边界应该怎样重画？
机械计算器的历史很长。计算器制造商在20世纪60年代转向电子机器，部分企业还尝试制造小型计算机，但后来被更大的公司挤出市场。[4]这段历史提醒创业者：当核心能力变成标准件后，原来靠制造工具本身获得的利润会迅速下沉。
电子计算器确实更轻、更安静、更便宜，但它的工作边界依旧是“输入数字，输出结果”。它没有替用户决定要建哪一个模型，也没有把销售、库存、现金流、预算和管理报告串成一条业务链。
这个边界被个人电脑和电子表格打破。Computer History Museum将VisiCalc称为第一款个人电脑电子表格软件，之后才出现Lotus、Microsoft等跟进者。[3]IBM在1981年推出PC，凭借品牌和企业渠道让PC获得大规模商业采用；更重要的是，PC软件生态快速扩张，电子表格和文字处理成为企业日常工作的一部分。[2]
VisiCalc的价值不在于“比计算器多几个函数”。它把计算从一个需要专门设备的动作，变成了一个业务人员能够自行构造的表达环境。财务人员不必把每个假设交给数据处理部门；创业者可以在桌面上调整变量；经理可以直接把计算与决策连接起来。
这正是LLM应用的第二个历史启示：不要只做“回答更快”，要让用户可以把一个完整的判断任务搭出来。一个好的LLM应用应当让专家或一线员工完成四个动作：给出目标、提供边界、让系统运行、复核证据。它不只是回答问题，而是把原来分散在搜索、表格、邮件、专业软件和人脑中的工作，组合成可复用的任务结构。
ChatGPT之后，行业先经历了“问答和写作”阶段。用户向模型提出一个问题，模型返回一段文字。这个阶段的产品门槛低，传播快，但也容易陷入替代：只要底层模型在语言质量上进步，独立的写作、摘要、翻译和普通问答功能就会被平台直接吸收。
随后出现了三个关键迁移。
第一，模型从单轮回答转向多步研究。OpenAI在2025年发布Deep Research时，将它描述为可以在网上进行多步骤调查、分析数百个来源、生成研究报告的代理能力；同一产品路线还把浏览器操作与研究能力组合起来。[5]这说明模型厂商正在把“知识工作”从文本生成扩展到信息搜集、判断和产出。
第二，模型从“知道”转向“能调用工具”。Anthropic对高级工具调用的描述指出，未来的代理会连接数百甚至数千个工具，并按需发现与加载工具，而不是把所有工具定义一次性塞进上下文。[6]工具调用本身不是终点，但它把模型从一个语言界面变成了一个可以进入CRM、代码仓库、企业知识库、浏览器、财务系统的执行层。
第三，组织开始把代理当作团队成员，而不是个人插件。Microsoft 2025 Work Trend Index基于31个市场、31,000名知识工作者的调查，提出“Frontier Firm”概念：企业由人和代理组成混合团队，员工会逐渐承担训练、委派和管理代理的工作。[7]这不是一个单纯的功能更新，而是组织设计问题。
三个迁移叠加后，市场的基本单位发生变化：过去软件卖“席位”，未来一部分软件会卖“完成的工作”；过去员工使用软件，未来员工还要管理一组可以执行工作的代理；过去专家的产出被文档保存，未来专家的判断方式、审查标准和例外处理会被保存为系统能力。
| 技术阶段 | 旧工具解决什么 | 新系统真正改变什么 | 赢家通常掌握什么 |
|---|---|---|---|
| 蒸汽到电力 | 机械动力 | 动力可分布、工厂可重构 | 发电、输电、设备和组织系统 |
| 计算器到PC | 固定数字运算 | 业务人员可自己建模 | 平台、软件生态、文件格式和渠道 |
| LLM到应用 | 语言生成与信息检索 | 专家工作可被编排、执行、审计 | 工作流、数据、工具连接、责任与分发 |
历史上，基础能力的价格下降会让“卖能力本身”变难，却会扩大“围绕能力重新组织工作”的市场。电力公司并没有因为电机变便宜就消失；PC也没有因为CPU普及就变成唯一价值。价值转移了。
LLM应用的关键问题不是模型是否足够聪明，而是哪个工作系统仍然因为缺少可调用的智力而昂贵、缓慢、不可扩展。
当前竞争者至少分为四类：
前两层会快速压低通用功能的价格。第三层仍有机会，但必须深入业务系统。第四层的想象空间最大，也最难：它不是卖工具，而是要承担交付质量、客户信任和行业责任。
ChatGPT、Claude和Copilot的共同优势是入口、品牌、模型能力和数据连接。OpenAI的ChatGPT agent已将网页操作、Deep Research、代码执行、文件和第三方连接器组合在一起，能够完成研究、表格和演示文稿等复杂任务。[8]这类产品会不断向下吞噬“通用写作、通用研究、通用会议纪要、通用资料整理”等应用。
通用助手仍有创业机会，但机会不在“另一个更好的聊天框”，而在以下差异：
Microsoft的调查显示，81%的领导者预计代理会在未来12至18个月中度或广泛进入企业AI战略，46%的领导者表示企业已经使用代理完全自动化某些工作流或流程。[7]这会拉动企业代理平台、身份权限、数据治理和评测系统的采购。
但平台型机会的难点是销售周期长、集成重、客户往往已经拥有Salesforce、Microsoft、ServiceNow或大型云服务商。创业公司若只提供“编排多个模型和工具”的基础层，很容易被平台集成；只有当它在某一行业拥有独特数据、工作流模板、部署经验或结果网络时，才可能形成独立价值。
平台层更适合两类团队：一类拥有企业软件销售和集成能力；另一类掌握某个高价值行业的标准流程，能从一个垂直工作流切入，再逐渐平台化。反过来，纯技术创业者如果没有分发渠道，可能会被困在演示效果很好、续费很差的项目制生意里。
垂直AI是最值得观察的应用层。Menlo Ventures的2025企业AI报告估计，企业AI应用投资中，行业特定AI约为35亿美元；同期，通用Copilot约84亿美元，说明通用助手规模更大，但垂直产品已经形成相当可观的独立支出类别。[9]
垂直产品的真实用户理由通常不是“模型回答更聪明”，而是：
最有潜力的垂直场景通常同时满足五个条件：工作由大量非结构化文本驱动；任务重复但例外很多；每次任务价值高；现有软件体验差；结果可以由人复核。法律合同审查、保险理赔、医疗文书、税务申报、采购比价、合规证据准备、工程投标和企业销售研究，都符合部分或全部条件。
如果目标是“LLM取代人类专家的智力”，最直接的商业机会不是把专家放在聊天框里，而是把专家服务重新包装成一个可交付结果。
例如，一家面向中型企业的合规公司，不必出售“合规顾问小时数”，可以出售“每季度完成的监管变更扫描、证据包、整改清单和董事会报告”。后台由代理完成资料采集、法规比对、初步判断、任务分派和报告草拟，少量高风险事项交由资深专家签字。
客户愿意付费，是因为他们想要的是“按时完成、可审计、有人负责”的结果，而不是一段模型生成的文字。
这一层的优势是客单价、留存和利润上限可能高于普通SaaS；缺点是需要行业品牌、保险或责任安排、专家审核体系、客户成功和交付运营。它更像“软件化的专业服务公司”，而不是一个纯软件产品。
| 机会类型 | 客户买什么 | 被基础模型吞噬风险 | 建壁垒的来源 | 适合的商业模式 |
|---|---|---|---|---|
| 通用写作/摘要 | 更快产出文本 | 极高 | 极弱 | 低价订阅、流量变现 |
| 企业知识问答 | 在内部资料中找答案 | 高 | 权限、数据接入、评测 | 按席位或用量 |
| 垂直工作流 | 完成一项行业任务 | 中 | 流程、数据、系统、信任 | 按席位+用量/结果 |
| 专家服务产品化 | 可审计的业务结果 | 中低 | 责任、交付网络、案例和数据 | 按结果、案件、交易或节省收费 |
| AI原生业务系统 | 重做一个行业核心系统 | 低 | 数据结构、流程锁定、生态 | SaaS+交易/服务费 |
我的判断是：最好的创业起点通常在第三层，最好的长期终局可能是第四层或第五层。先从一个窄任务切进去，得到真实交付数据，再把被反复执行的判断变成产品，而不是一开始就宣称要“替代整个行业”。
电力革命中，电机只是可见的产品；真正的效率来自布局、照明、输电和管理方式一起变化。LLM应用也一样。一个模型接入企业后，如果仍然要求员工自己寻找资料、复制内容、判断来源、录入系统和承担错误，那么企业买到的是“额外的认知工具”，不是新的生产系统。
因此，应用公司的第一项能力不是提示词，而是流程重构。它要知道哪些步骤可以自动完成，哪些步骤必须保留人审，什么证据足以支持下一步行动，发生异常时如何回退。没有这些机制，代理越强，风险越大。
计算器公司在电子化之后面临被更大企业淘汰的问题；VisiCalc却抓住了另一层价值：它把计算能力放进了业务人员的桌面，让用户可以自行搭建模型。LLM应用也应该让行业人员能把自己的判断标准、模板、知识库和例外规则逐渐沉淀进去。
这产生一个重要的产品方向：不是为专家做一个固定机器人，而是让专家能够训练、配置、审查并复制自己的工作方式。产品的用户不只是“被替代的人”，也可以是“把自己从低价值重复工作中释放出来的人”。
LLM应用今天的优势来自基础模型的通用性：一个系统可以处理文字、表格、图像、代码和网页，不必为每种任务单独开发算法。但这个优势也带来劣势：模型能力会快速商品化，功能差异会缩短，客户会把你的产品与ChatGPT、Claude或Copilot比较。
所以，应用公司的优势必须来自模型之外：
最可能的剧本：模型平台集中，垂直工作流繁荣。
基础模型供应商会继续把通用研究、浏览器操作、代码执行和办公协作整合到统一入口。企业会同时购买通用助手和少量关键垂直系统。大多数AI应用不会成为独立平台，而会成为某个行业系统的一部分，靠深度集成、客户关系和交付数据生存。
最危险的剧本：演示自动化，生产不承担责任。
很多公司可以用代理完成一次漂亮的演示，却无法在真实业务中稳定运行：权限不清、数据过期、边界案例没人处理、客户不接受错误、成本随任务复杂度爆炸。结果是客户试用很多，生产部署很少。创业公司会被迫回到项目制服务，毛利和扩张性都下降。
最乐观的剧本：专家服务被重组为人机混合组织。
当评测、权限、审计和模型成本成熟后，一家小型专业公司可以用一支很小的人类团队管理大规模代理团队。专家不再按小时处理全部案件，而是设计方法、处理例外、签署高风险结论、维护客户信任。专业服务的供给成本下降，过去因价格太高而无法购买的服务获得新市场。
一个LLM应用机会可以用下面的公式做第一轮筛选：
机会质量 = 任务价值 × 任务频率 × 可验证性 × 数据/系统独占性 × 责任可承接性 − 模型替代风险 − 集成摩擦
这不是财务模型，而是避免被“模型很强”带偏的检查表。
优先寻找这样的任务：客户每周或每天都做；每次出错都有真实成本；输入材料来自多个系统；输出有明确格式或下一步动作；专家可以快速判断结果对错；最初可以保留人审；随着使用增加，系统能积累组织专属数据。
相反，谨慎对待这些方向：纯文本润色、普通会议纪要、没有独特数据的问答、只靠公开资料的通用研究、没有系统写入权限的“建议型”产品，以及无法证明节省了什么成本的AI顾问项目。
电力替代蒸汽机之后，赢家不是最会制造小电机的人，而是能把电力、工厂布局、设备和组织一起重做的人。PC替代计算器之后，赢家也不是按键更漂亮的计算器，而是把计算变成业务人员可以自行探索的工作环境的人。
LLM应用的商业机会由此变得清楚：它不在“再训练一个基础模型”，也不在“让聊天回复更像专家”，而在于把专家工作的隐性部分变成显性的系统能力——什么资料要看，什么规则要用，什么判断可以自动化，什么风险必须升级，什么结果需要谁签字。
最值得下注的公司，会从一个高价值、重复、可复核的窄任务开始，接入真实业务系统，保留清晰的人类责任边界，然后逐步扩大到相邻任务。它最终卖的不是token，不是prompt，也不是一个会聊天的角色；它卖的是一种新的生产能力：在没有增加同等数量专家的情况下，完成更多、速度更快、过程可追溯的专业工作。
这才是LLM真正开始“取代专家智力”的时刻。不是专家突然消失，而是专家原本只能亲自完成的部分工作，开始变成组织可以调用、监督和复制的基础设施。
访问时间：2026年7月23日。
本文采用数字生命卡兹克提出的横纵分析法：纵轴追踪技术与商业形态的历史演进，横轴比较当前不同应用层的竞争位置，再在交汇处判断商业机会与未来剧本。报告作者：Koutian Wu（https://ktwu01.github.io/）。