作者

克里斯汀・金（Christine Kim）

克里斯汀专注于投资下一代垂直软件公司和市场平台。

关于作者 Christine Kim

Greylock 合伙人， 在湾区长大，本科后期因计算机科学的创造性转向该领域，从优步软件工程师、产品负责人到加入格雷洛克，每次转型都拥抱未知；受优步 “速度文化” 影响，如今专注寻找兼具渴望、毅力与执行力的创业者，深耕制造业、医疗等尚未深度数字化的垂直软件与市场领域，认为 AI 普及将推动该赛道机遇持续扩大。

序

从数据说起：非结构化数据的突破

在早期科技时代，垂直 SaaS 仅适用于拥有现代化技术栈的企业（即记录系统和数据库中具备清晰结构化数据的企业）。

这导致主要依赖非结构化数据的基础行业（如合同、记录以及文本、音频、图像等多媒体文件）被排除在外。如今，大语言模型（LLM）已能处理非结构化数据工作流，这意味着 AI 成为将技术服务不足的行业带入现代的关键拼图。这一范式转变的意义不可低估 —— 全球约 80% 的数据属于非结构化数据。

商业模式的进化：超越传统 SaaS

我们看到，聚焦垂直领域的初创企业跳出传统 SaaS 模式，采用嵌入式支付（如 Toast 和 Shopify）、广告（如 Pepper 和 Provi）和 B2B 市场（如 Faire 和 Novi）等策略。AI 的应用将加速这一转型，因为预期的人员缩减将催生基于使用量或结果的新型定价模式需求。

在 Greylock，我们认为大语言模型与差异化模式的结合，为希望解决长期问题的创业者创造了理想条件。尽管人们对应用层的可持续性存在合理担忧，但我们相信，深度聚焦特定领域是构建竞争壁垒的可行切入点。

尽管大语言模型具有颠覆性，但任何垂直领域规模化成功的关键在于：

• 选择适合技术落地的行业；

• 准确评估市场规模（TAM）；

• 构建深度产品工作流和数据壁垒；

• 设计恰当的市场进入（GTM）策略；

• 结合领域专业知识与技术实力。

以下是我们投资垂直领域 AI 的框架。

核心要素深度解析

1. 数据：优质数据胜于优质模型

随着基于大语言模型构建 AI 应用的门槛降低，数据成为构建差异化优势的核心资产。

初创企业的第一步是判断目标垂直领域或工作流是否需要海量数据，或是否有机会构建专有数据资产。对部分企业而言，利用数据训练或微调自有基础模型可能是战略选择。

在许多垂直领域，数据存在于混乱、孤立的遗留系统中 —— 这就是为何我对专注数据提取的企业尤为期待。相较于数据总结和生成能力的进步，数据提取仍是一个痛苦且未解决的问题。一流的审计、标注和持续更新的数据是关键差异化优势。

更强的数据壁垒来自产品使用本身生成的数据集（如客户自行标注数据或通过产品交互形成的数据）。因此，初始数据获取是初步壁垒，但客户使用产品产生的数据才是长期护城河。

2. 市场规模（TAM）：规模与渗透率的权衡

尽管垂直市场的最大风险是 TAM 小于横向市场，但需注意：这既是劣势也是优势 —— 更小的市场意味着竞争者更少，更聚焦的策略可实现更优的渠道分布和更高的市场集中度。

医疗、金融等高度碎片化的基础行业存在众多细分机会，这些行业的庞大规模意味着即使聚焦细分领域也能拥有可观市场。选择垂直领域的切入点需识别：

• 未被竞争对手开发的子行业；

• 已显现 AI 需求的领域；

• 最适合大语言模型工具的场景；

• 团队最有能力服务的方向。
  对于新兴或转型中的市场（如能源电气化），尽管难以量化现有支出，但往往是投资者最兴奋的辩论焦点。早期入场并采用正确垂直软件策略的创业者，有可能定义并引领市场。

3. 客户合同价值（ACV）：多元产品与收入流

单一 SaaS 产品并非实现六位数 ACV 的唯一路径。垂直领域初创企业可通过多元产品策略和核心产品外的附加收入流扩张：

• 向核心产品添加新功能模块，实现捆绑销售和增购（如餐厅支付平台 Toast 增加薪资和人力管理功能）；

• B2B 市场平台通过广告创造收入（如 Provi 和 Pepper）；

• 太阳能安装平台 Aurora Solar 通过融资产品拓展收入；

• 建筑服务平台 Procore 利用项目全周期数据洞察推出保险服务。

4. 创业者：兼具领域经验的产品构建者

与 AI 栈其他领域不同，纯技术背景的创业者在垂直 AI 领域可能落后于兼具领域经验与技术背景的团队，尤其是在受监管行业。

以医疗领域为例，若初创企业需向传统医疗机构销售产品（这类客户常同时与数十甚至数百家实体签订长期合同），深入理解行业复杂性对制定市场策略、预测销售周期和招聘至关重要。

对于拥有深厚领域 expertise 但仅初步构想垂直路径的创业者，现在与我们联系为时未晚 —— 我们正积极寻找处于想法验证阶段的创业者，参与我们的 Edge 计划。

5. 市场进入（GTM）：创造紧迫感

垂直领域销售周期通常漫长，尤其是在节奏缓慢、技术采购意识较弱的成熟行业。GTM 策略需具备创造紧迫感的独特方式或主导关键分销渠道的路径 —— 历史上，缺乏这些要素的垂直领域企业往往需要多年才能实现突破。

AI 热潮虽为新产品试用创造了一定紧迫感，但也带来双重挑战：

• 优势：AI 是买家关注的焦点，新企业易获得潜在客户沟通机会甚至试用；

• 挑战：疲惫的用户在对比多个试点项目时，转化难度显著增加。
  因此，让买家认识到采用产品的紧迫性是关键。为快速转化，需明确核心价值主张 —— 垂直市场买家反馈显示，仅承诺提升员工效率或 “创新”（即使面向创新委员会或首席创新官销售）是不够的，展示产品如何驱动增量收入或明确降本更具说服力。

6. 产品：超越辅助工具

当前主流范式是 “人类 + AI 辅助”—— 人类完成大部分工作，AI 增强能力。未来几年，我预计将出现更多反向案例：AI 代理执行大部分工作，人类审核和编辑输出。

这一新兴领域对初创企业极具吸引力：辅助工具市场可能被已掌握分销渠道的老牌企业主导，而 AI 代理是更纯粹的新领域机会。能够独立思考、推理和行动的 AI 代理，更是迈向全自动化未来的激动人心的一步。

这一范式转变将对未来企业产生深远影响：随着 AI 代理取代更多熟练劳动力，软件支出将替代人力成本，进而催生基于使用量或结果的新型定价模式。

垂直领域机会

我们相信 AI 将重塑几乎所有行业垂直领域，以下是三个尤其令人兴奋的方向：

1. 专业服务行业

法律、会计、咨询等领域充斥着繁琐的人工工作流：专业人士需花费大量时间阅读、解读和提炼关键信息，以完成分析、客户沟通、备忘录和报告。

• 法律服务 AI：法律行业的核心产品是语言，大语言模型是平台变革的基础。仅美国法律市场规模就超 3000 亿美元，且对 AI adoption 需求明确 —— 大型律所愿为变革性 AI 软件每年投入高达七位数预算。这催生了 Harvey、EvenUp、Eve、Spellbook 等 AI 优先企业，而 Thomson Reuters、Relativity 等老牌企业则通过收购（如 Thomson 以 6.5 亿美元收购 Casetext）或集成 AI 升级产品。

  Greylock 近期投资了 Responsiv，其为企业内部法律团队提供 AI 助理。该公司符合我们的投资框架：创始人来自法律科技背景（曾任职于 Relativity）；TAM 可观（企业内部法律团队是服务不足但快速增长的细分市场，占美国 3200 亿美元法律市场的近 80%）；AI 能精准满足其需求（如合同 / 保密协议执行、补充通用法律知识）；企业内部法务通常被视为成本中心，更易接受 AI 带来的效率提升。

• 咨询与会计：四大咨询公司各雇佣数万名顾问和会计师，AI 可大幅提升其效率。毕马威承诺五年内投资 20 亿美元开发 AI 产品，普华永道未来三年将投入 10 亿美元用于生成式 AI 自动化审计、税务和咨询服务。哈佛商学院与波士顿咨询集团的联合研究显示，使用 GPT-4 的顾问完成任务速度提升 25%，成果质量改善 40%。

  会计人员需花费大量时间理解规则并应用于计算，收入确认是最痛苦、高频（每月）且可自动化的场景之一。Trullion 自动化企业会计工作流，成为 CFO、财务总监和审计师的协作工具；Truewind 则瞄准中小企业，立志成为其 “虚拟 CFO”。

2. 金融服务行业

金融服务具备适合 AI 的多重属性：市场规模庞大（仅美国市值达 11 万亿美元）、对 AI 工具需求明确（如彭博 GPT 的发布、摩根士丹利与 OpenAI 的合作、Alphasense 在市场情报平台中添加 AI 搜索和总结工具）。

投资专业人士和财富顾问的日常工作中，AI 可应用于：

• 处理高度复杂的内部专有数据、实时市场数据和新闻；

• 平衡金融建模中的数学计算与人类判断；

• 自动化占工作时间约三分之一的繁琐手动流程。

正如我的同事塞思・罗森伯格所言，我们看到财富管理辅助工具的潜力 —— 协助日常数据收集与总结、投资组合管理和客户沟通。当辅助工具增强金融服务中高知识密度的人类工作时，AI 可自动化低价值重复任务。

对初创企业而言，领域 expertise 与创新商业模式至关重要：通用大语言模型（如 ChatGPT）远不能处理复杂金融任务，具备金融背景的创始人更具优势；另一个切入点是服务中小型金融机构，它们缺乏直接基于 OpenAI 开发的能力，更可能采购现成应用。

Hebbia、Sixfold、Hyperexponential、Portrait Analytics 等 AI 原生企业已取得令人兴奋的进展：大型金融机构使用 Hebbia 简化尽职调查和理解复杂数据室；Portrait Analytics 构建可访问实时市场数据的对话式金融分析师；保险领域的 Hyperexponential 和 Sixfold 利用复杂数据创建精密定价模型并自动化核保工作流。

3. 医疗健康行业

AI 对医疗的潜在影响已讨论多年，但从未像现在这样触手可及。过去的软件尝试将非结构化数据编码为可用格式，但难以在医疗行业庞杂的遗留 IT 系统中扩展。大语言模型直接处理非结构化数据的能力，可能对临床和行政端产生深远影响 —— 改善诊断或决策模型、自动化保险理赔、优化医疗数据管理。

以下是按成熟度排序的三大 AI 医疗应用场景：

• 转录与文档处理：尽管多年来尝试不断，但尚未出现明确赢家（转录工具同质化严重，且需人工解读和编码结果）。基于大语言模型的应用可通过类人判断指数级提升前代 AI 抄写工具，关键在于解锁高价值场景（如将非结构化数据转化为结构化数据录入电子健康记录、识别医疗代码、参考历史交互）。Ambience、Abridge、DeepScribe 等企业捕捉实时医患对话，Greylock 投资组合公司 Notable Health 则自动化患者接诊，规模化处理注册、预约和授权。
  创业者需注意：该领域正日益饱和，真正占据这一层级需将大语言模型应用构建为平台，生成足够有价值的数据以衔接分散的数据流，这种 “智能系统” 可能大幅超越传统电子病历（EMR/EHR）厂商。

• 预先授权流程优化：大语言模型在医疗领域的第二个新兴应用是通过聚焦预先授权流程（美国医生与保险公司之间繁琐的患者服务覆盖审核流程），修复 “提供者 - 支付方” 关系。对医疗机构而言，自动化预先授权可缓解职业倦怠并提升行政效率，释放医生看诊时间；对保险公司而言，传统上依赖人工外包处理预先授权，自动化不仅成本更低，更是可规模化评估风险模式、处理复杂反索赔的战略技术资产。Latent、Develop、Silna、Co:Helm 等企业正探索这一机会，我们认为这一复杂挑战最适合通过 “智能系统” 解决，也期待与擅长构建平台的创业者合作。

• 临床推理模型：最早期但潜在变革性最强的场景是具备临床推理能力的医疗大语言模型 —— 能够诊断和提供医疗指导的模型堪称行业黄金标准。谷歌的 Med-PaLM 2 已领先一步，能回答复杂医学问题并通过医学认证考试。构建医疗大语言模型需要大量时间和资源，但值得广泛投资者支持。Hippocratic、Truveta、Glass Health 等新进入者已在这一动态领域展现潜力。

结论

我们正处于一场不可思议的创新周期初期。我们相信，垂直领域专业化与领域调优 AI 是实现可持续性的成功路径—— 这是应用层 AI 的核心挑战。

本文仅列举了少数最具 AI 创新潜力的垂直领域，但我们正积极寻找在数十个领域、以多元商业模式构建价值企业的机会 —— 尤其是最早期阶段。若你正在打造垂直领域 AI 企业，欢迎通过 christine@greylock.com 与我交流。