有用户，有收入，AI 应用却不是好生意

独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。 文丨祝颖丽 编辑丨赵磊 今年 7 月，一位接触过上百家 AI 创业公司的业内人士跟我们聊起 AI 应用行业，第一句话是：“死透了。” 接着反问：“你觉得还有什么应用值得做？” 应用当然有价值，但过去的软件创业路径开始失效：找到需求、获得用户、做出收入，都不足以让一家独立公司长期成立。 2026 年初，AI 知识空间产品 Kuse 每天新增上万用户。但创始人吴显昆反而在极力压低增长。 亏损让他不得不这么做。Kuse 向每个新用户赠送价值数美元的试用额度，用户越多，付给模型和云厂商的推理费越高；就算用户转成付费，成本结构仍然很差。团队反复调整定价和付费模式，才把毛利勉强调到微正。 高增长带来的亏损，有的创业者可以找资本市场支持；但 Kuse 至今没融过资，靠吴显昆和几位联合创始人的投入加经营现金流维持，也不打算融。在吴显昆看来，融资解决不了核心问题：如果增长只是把更多收入交给上游公司，规模还有什么意义？ 类似的问题出现在各类 AI 应用公司。过去 3 年，模型能力不断扩展，创业公司作出的功能创新，越来越快被并入模型；应用承担推理成本，卖模型的公司又下场直接抢用户。独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。 一些创业者已经离开纯软件生意，改卖交付、进入客户的经营，或者自己训练模型。他们要回答的是：当能力、成本和入口都攥在上游手里，应用公司还能留下什么？ 卖 token 的生意，增长越快，亏得越多 2025 年 8 月，Kuse 发布新闻稿，称在没有 VC 融资和付费广告的情况下，60 天做到 900 万美元的 ARR（年度经常性收入) 。3 个月后，吴显昆在一档英文播客上又称 ARR 已超过 1000 万美元。 ARR 一度是 AI 应用公司唯一的 “成功” 标志，Kuse 也曾引以为豪。但今年 8 月再被问到时，吴显昆开始反思这个指标：“你其实是在卖货，大家是把 GMV 当成 ARR 来说。如果是电商卖货， 1000 万美金不是什么很大的数字吧。” 他说，所有 AI 应用本质上都在卖 token，“你拿几个大客户， annualized 了一下不就 1000 万了吗？” 卖 token、做大模型的分销商，起量确实快。2024 年，支付平台 Stripe 统计全球头部 100 家 AI 公司的收入：年化收入做到 100 万美元，中位时间只要 11.5 个月。 做到 500 万美元，约需 24 个月。作为对照，2018 年的头部 SaaS 公司走完同样两步，分别要 15 个月和 37 个月。 一位投资人见过很多把 ARR 做大的荒谬算法：把难以持续一次性收入、或某个月收到的年费乘以 12，写成年化收入；更夸张的，取一年里最高一天或一周的收入，乘以 365 或 52。 即便不注水，AI 应用的 “年化收入” 也远不如传统 SaaS 可靠。上述投资人对比说：“典型的 SaaS，你这个月付款的人，下个月 95% 还会付款，所以它确实是 recurring。现在的 AI 应用是 coding plan ，续约率会远低于传统的 SaaS。” 毛利差距也大。美国老牌风险投资机构 Bessemer 曾研究过 20 家高速增长的 AI 公司，发现很多在商业化第一年就接近或达到 1 亿美元 ARR，但平均毛利只有约 25%；传统云软件成熟期的毛利通常在 70% 左右。 传统 SaaS 时代，一个产品被市场验证后，通常可以放心扩大规模，因为新增用户带来的服务器成本很低。到了 AI 时代，被验证和成为一门可持续的生意成了两件事：用户可能愿意用、愿意付费，但每次使用都会产生推理成本，这笔成本不会随增长下降，毛利始终压在低位。 更棘手的是，增长有时会把产品拉向亏损。Kuse 年初压低增长，就是发现送给免费用户的试用额度成本太高，一度让公司爆亏。 这样的先例很多。据 The Information 报道，Perplexity 2024 年对外公布的毛利率约 60%，但那是因为公司把约 3300 万美元、主要花在免费和试用用户身上的计算与网络成本计入了研发费用；若计入营业成本，毛利率是负数。 Cursor 也类似：其内部财务资料显示，截至 2026 年 1 月的季度毛利率为 -23%；把免费用户的推理成本也算进去，约为 -31%。 吴显昆怀疑，这样的环境下，资源有限的创业公司还有没有必要继续玩这个游戏。他看到办公类 Agent 产品，增长期毛利极端的低到 -200%，有的 -40%，好一点的 0% 到 10%。Kuse 因为一直盯着商业模型，才勉强做到毛利为正。 他认同 Fireworks CEO Lin Qiao 对初创公司处境的概括——“scaling to bankruptcy”：越增长，离死亡越近。 OiiOii 去年底内测时，排队用户达到 10 万；刚上线时用户继续涨，每天用的人最多超过 10 万。但团队很快发现，来薅羊毛的太多，于是也刻意压低增长。 OiiOii 创始人闹闹说，起初投资人也看月活、日活，但团队觉得没意义；到 4 月，OiiOii 已经不再看用户活跃，转而看付费转化、续费率和平均每个付费用户的收入。 但模型的强势和同行竞争，让赚钱也变难了。视频模型里，Seedance 2.0 发布后一家独大、握有定价权，1 元一秒的报价，量大也难有折扣；正常情况下，应用公司在付费用户身上的毛利也只有 30% 左右。 Seedance 2.0 发布后的两个月里，也成了竞争最激烈的时刻。为了抢客户，一些公司发起猛烈补贴，如果再算上给免费用户的试用额度、创作者侧的营销，这个行业几乎没有公司能做到正毛利。 模型每升级一次，就让一批应用变得多余 2023 年 11 月，张佳圆发布代码搜索产品 Devv Search。当时程序员已经用 ChatGPT 辅助写代码，但答案常有幻觉，也缺出处。Devv 索引 GitHub、Stack Overflow 等技术资料，为生成结果提供引用和验证，上线半年收入数十万美元。 他曾设想公司未来三到五年的路线：先花一两年做好开发者搜索，再做代码生成和调试，最后进入不需要人亲手写代码的自动化阶段。 模型的更新节奏让这张路线图很快作废。2024 年 6 月，Anthropic 发布 Claude 3.5 Sonnet，称它在内部智能体编程测试中解决了 64% 的任务；接上工具，它已经能写、改并执行代码。接入 Claude 模型的 Cursor 验证了这一点。 2025 年 2 月，Anthropic 发布 Claude Code 研究预览版，可以搜索和阅读代码、修改文件、运行测试，并向 GitHub 提交代码。张佳圆原本预计持续一两年的搜索阶段只维持了半年，市场直接跳过第二阶段、进入自动化开发。“没有想到它来得那么快。” Devv 随后转做自然语言生成应用。张佳圆后来判断，这个方向真正可行的窗口只有 2024 年 9 月至 11 月：Cursor、Claude Code 等编程 Agent 从一端进入，通用 Agent 从另一端扩张；要继续获客，得补贴大量 token，成本太高。2025 年年中，Devv 2.0 停止扩张，进入维护状态。 更早的 AI 写作应用，多拿到过近一年的窗口。一位论文写作产品的创始人称，2023 年生成一篇论文的成本只要一两毛钱，售价约 70 元；他的公司当年收入约 1000 万元，最高单日收入十几万元，净利润率约 50%。产品市占率一度很高，他有一次住酒店开发票，前台的实习大学生看到发票抬头会心一笑：毕业论文用的就是这个产品。 但 2024 年，增长就停了。团队增加了 PPT 生成、AI 内容检测等功能，收入也没有起色。到 2025 年，Kimi、DeepSeek 已能更便宜甚至免费地写长文，这个工具的收入从每天数万元一路降到数百元，最后归零。 同类公司也在转向：Jasper 转做企业营销，Copy.ai 去连接销售流程和客户管理系统，“蛙蛙写作”（波形智能）被手机厂商收购，前述论文产品则从 2024 年底开始承接杂志社对接、论文辅导等服务。 到了工作流产品，先变的甚至不是收入，而是资本市场的预期。2025 年 12 月，一位从大厂离职的创业者，在试过浏览器插件、AI 写作和自由画布后，确定做 AI 工作流，拿了上百万美元种子投资。这类产品让用户用自然语言描述需求，AI 自动拆成工作节点、调用工具完成，复杂流程还能做成模板出售。 但一个月后，Skill 开始在 Agent 产品中流行，逐渐成为标准配置。这个工作流上线后再去融资，投资人已经认为 “Skill 会替代 Workflow”。他拿不到下一轮了。 当时该产品已经转向企业服务，接入电商、短剧和营销行业。创始人说，最高峰时一个月有数十万美元收入，续费率 70% 至 80%。但 Agent 和 Skill 在削弱独立工作流产品的价值，天花板肉眼可见。 这位创业者被推着找新方向：开春先是尝试通用型 Agent 产品，但发现推动商业化的阻力非常大、市场也变化太快，于是决定搁置。又过了一个月，他们看到 ClauderCode 设计能力的升级后，又转向做设计类 Agent 的开源产品。他说，2025 年底还很难想象自己会在 3 个月内换两次方向；现在即使下周再换一次，他也不意外。 投资机构 a16z 连续追踪消费类 AI 应用，在 2023 年至 2025 年的历次榜单里，前 50 名中只有 14 家公司每次都在榜上。模型每释放一种新能力，都会催生一批产品，也会在下一次升级时拿走其中一批的核心价值。 过去 3 年，从写作、翻译、搜索、代码生成到工作流，被模型升级覆盖的应用名单在变长，速度也在变快。据非营利的 AI 研究机构 Epoch AI 估算，2024 年 4 月以后，前沿模型能力提升的速度从每年约 8 个指数点提高到约 15 个点，接近翻倍。 对独立应用公司来说，模型的吞噬不是瞬间发生的。三家公司转向时，原产品都还没归零。创业者失去的不是眼前的用户，而是未来的可能；他们必须跑得更快，才有下一次机会。 卖给你模型的人，也来抢你的用户 2025 年 11 月，Kuse 从画布模式升级为文件夹形态，比 Codex 更早；2026 年 1 月，产品接入 Slack Bot，也比 Claude Tag 更早。但在吴显昆看来，这短短几个月的窗口，积累不了足够的用户习惯、使用频率和收入，不足以让他们逃出模型的引力。 他认为，唯一关键的问题是：“模型即应用” 是否成立？ 2025 年 3 月，Manus 上线、突然爆火，创始人肖弘一句 “壳有壳的价值” 曾经否定这个命题，给了很多独立 AI 应用信心。但 2026 年以来，Claude Code、Codex 的快速发展，又让判断偏向另一端。 模型大厂有能力、也有动力自己下场做应用，抢入口产品。美国华盛顿的公共政策智库布鲁金斯学会（Brookings）分析，训练和运营模型要巨额投入，模型能力逐渐趋同后，单卖模型 API 撑不起这些投入，做应用反而成了模型公司回收利润的一种方式。 上游和下游客户抢生意，在 Anthropic 身上就发生了多次：Cursor 验证了 AI Coding 的需求后，Anthropic 推出 Claude Code，逐渐比前者更受开发者欢迎；与 Figma 加深合作的同时，其高管从 Figma 董事会辞职，推出 Claude Design，直接进入后者的核心市场。 模型公司能够提前看到下一代模型的能力，还能从海量 API 调用里判断哪些场景更活跃。一个需求一旦被创业公司验证，模型公司就可以把它做成自己的产品。OpenAI 也一样，Deep Research 与 AI 搜索、研究工具竞争；ChatGPT Work、Codex 进入文档、表格、演示和内部工具；ChatGPT Sites 拓展到应用生成和部署。 平台一边提供基础设施、一边进入下游产品，不是 AI 时代才有。微软曾把 Internet Explorer 与 Windows 捆绑，后来又把 Teams 放进 Office，先后引发美国反垄断诉讼和欧盟调查。 模型大厂下场做同类产品之后，创业公司要考虑的就不只是功能和成本结构，而是手上的项目还有没有必要做下去。 今年，腾讯、阿里、字节集体进入办公 Agent 领域，分别推出 Workbuddy、千问办公、豆包办公。据易观数据对 17 款 PC 原生办公 Agent 的统计，这个领域 3 月到 6 月流量新增 2 倍，但其中三分之二流向了大厂的 3 款产品。 一位年初看这个方向的投资人发现，当时几十个项目，坚持到现在的只有个位数，有的创业者甚至转型做了 Workbuddy 的代理。 这几乎是一场没什么胜算的竞争。创业公司要面对的不只是产品差异，还有大厂的免费额度、既有用户和企业销售资源。以 Workbuddy 为例，免费版每月送的积分按付费价值折算约 25 元；日活按 100 万计算，光免费用户每月就要投入 2500 万元。拉新阶段，受邀新用户再获赠账面价值 100 元的积分，每新增 100 万用户，最高要投入 1 亿元。 大厂之间竞争，这些钱不算什么，但创业者玩不起。一位创业者原本也想做类似方向，最终意识到这个方向 “太大、太上”，只能是大厂的生态位，创业公司只能缩到解决一个更垂直的问题，做大厂入口的一个插件。 他比喻，未来通用办公的 Agent 就像浏览器，而他们做的插件相当于网页，只能等着被入口产品调用。 逃离竞争，也逃离了用户 在模型和大厂吞噬一切的势头面前，AI 应用创业团队很容易把 “它们不会做什么、做不了什么” 当作选方向的起点。 吴显昆 2024 年启动新项目时选中画布形态，就是觉得模型公司的主入口都是对话，而画布是一套完全不同的交互。团队 2024 年底先做了与后来 Lovart 相近的设计产品，随后把画布带进办公场景。 同样的思路在很多同期产品里都有痕迹：中国的 Lovart、Flowith，海外的 Miro、Subset， 都想用画布完成对话完成不了的任务。连百度也发布了 “自由画布”，把文字、PPT、图片、音视频和 AI 生成能力放进同一张白板。 但 “躲避大模型” 的出发点带来了新问题。为了证明自己与模型不同，产品容易把交互做得更复杂，去追一些小众、看上去很特别的需求。每加一层差异，能理解和使用产品的人就少一些。团队以为找到了模型公司不会进入的位置，最后可能只是进入了一个没有多少用户的位置。 Kuse 曾花很长时间在画布上打磨 PDF 的阅读体验：怎样排列文件，怎样让用户一边阅读一边调用 AI。做了一段时间后，吴显昆不得不承认一个更简单的问题：可能根本没有多少人愿意在画布上读 PDF。 一年后，吴显昆把这次失误归因于选方向时的 “发心”。当一个创业者先想 “躲避” 而不是释放大模型的能力，再到空白处寻找需求，路只会越走越窄。盯着模型公司不会做什么，做不出一个好产品。 Cursor 和 Claude Code 给了他另一种参照：让模型理解代码库和文件，直接完成任务，而不是用新的交互限制模型。Kuse 随后从画布转向文件夹式交互。 张佳圆也在 Devv 的几次转向中遭遇类似问题。Copilot Hub 没有明确用户，Devv Search 被模型进展越过。到 Devv 2.0，团队为了区别于其他自然语言应用生成产品，把定位收窄到 “帮助用户做 AI 应用”，花了约半年开发。产品上线时窗口已经过去，用户和留存都没有。 Devv 2.0 的失败让他意识到，盯着竞品设计功能，做出的差异可能根本不是用户的需求。产品从 0 到 1 时，如果还没有稳定用户，留存也不好，先要回答的是谁在用、为什么用，而不是它与同类产品有多少不同。 直面竞争也可能有出路。在最新的开源设计 Agent 项目上，上述工作流产品的创始人看到一种可能：当需求被验证、大厂大力投入的时候，也许不必离开这个市场——市场渗透还在早期，或许能找到一个不同的身位。 他的选择是在大厂的主战场上做开源产品。比如他现在的项目，就是看到 Claude Code 在做设计类产品后，借这个热度做的开源版本。一周内，新项目就获得了将近 5 万的 star，收入甚至超过了之前的工作流产品。现在他们团队 90% 以上的资源和人力都投在这件事情上。 往下游去：不卖产品，卖结果 还在探索的创业者大致走两条路：一条往客户业务深处走，从卖工具改成对结果、交易和利润负责；另一条往技术上游走，自己做模型，把产品验证过的需求和数据训练到模型里。 OiiOii 选了第一条。这家 AI 视频应用公司不再跟同行打补贴战，开始进入具体的细分行业，通过后训练小模型，解决具体场景下的问题，给客户交付视频内容和工作流。 闹闹说，目前他们已经跑通了多个垂直行业。以漫画转动画为例，这个行业里，Seeddance 2.0 出 2D 效果并不好，因为它会对真实或 3D 过拟合，让 2D 看起来过于流畅，但在日漫、日番里，这会看着很假。“我们用了一套方式训练，把 2D 表现得很像日番，他们就特别满意，愿意买单。” 因为解决了实际的问题，交付的价值也变高。闹闹对比，给客户的交付物如果靠工具做，两分钟，成本可能也就 200 块钱，但把符合需求的视频交给他们，两分钟可能卖 1 万块钱，“你想，这是多少倍？” 过去的企业服务生意，常常败在交付太重、人力成本太高。AI 解决了这个问题，只要生产工具足够好用，需要的人极少。闹闹说，她们原本要对外证明使用价值的产品，变成了内部的高效生产系统。 在垂直行业里的被验证的解决方案，之后还会积淀成给更多人的 Skills——这也是 OiiOii 接下来的产品方向。 上述论文写作工具的团队也没有再做新的消费工具，而是回到过去积累的 500 多万学生用户：承接论文发表等定制需求，也做 AI 培训，教学生用 AI 写文案、剪辑和运营内容，做 “一人公司”。 这项服务线上陪跑收费数千元，线下课程一两万元。创始人把它称为 “重交付”：客户买的是从学会工具到做出内容、赚到钱的结果。他认为，现在学生就业难，比起 “释放创造力” 这样虚的需求，多数人的刚需是用新的生产力赚到钱，而他们在自媒体和生产力工具上的积累，正好能做这件事。 吴显昆走得更深。Kuse 曾给企业做 “数字员工”Junior，但每家公司的数据、权限和流程都不同，团队要先做诊断、咨询和部署；系统做出来后，客户也未必愿意向外部供应商开放敏感数据。项目有需求，却很难像标准软件那样复制。 他后来决定探索另一种方式：与投资机构合作，先收购服务公司，再用 AI 改造流程，通过持股分享利润。这种方式比 FDE 能更深入到业务，双方的利益也更一致。吴显昆称，团队目前已经收购了一家公司。 这些路都还没有完全走通。闹闹卖交付物理论上解决了眼前的利润率和现金流，但长期还是得面对 To B 最难的一环：怎么持续拓展客户。面向学生群体的 AI 培训还没有数据证明能帮学员挣到钱，可以大规模复制。吴显昆进入了经营深处，但提效和整合最终也可能失败。 只不过，在 “模型即产品”“模型吞噬一切” 的主流叙事下，这些方式至少先活下来的可能性更高。 往上游去：自己做模型 另一部分人选择反方向，往上游去，自己做模型。Cursor、Krea、Captions、Perplexity、HeyGen、LiblibAI 都从应用进入模型层，大多沿着已验证的编程、搜索、设计、图像、视频和虚拟人场景，训练更垂直的模型。 杨博麟的团队最早做 Cuflow，把用户上传的课件变成可交互视频。他说，产品公测时有数万人注册，在海外获得 2000 多万次曝光；但超过一半用户上传的不是学习资料，而是企业培训材料、漫画、小说和商品详情页。2026 年 4 月，团队停止更新 Cuflow，转而训练以代码为核心的实时交互视频模型。 这个决定不只来自对用户的观察，也来自他做应用时积累的不安全感。Cuflow 要接入不同公司的语言、语音和视频模型；上游每次更新，工程师都要重新测试能力和成本，再决定哪些功能需要重做。杨博麟说，应用公司某种程度上成了 “模型评测博主”，谁发新模型就立刻测一遍，刚适配完一轮，上游又更新了，而且不会提前通知。 更难接受的是，有些更新会直接抹掉几个月的工程。他们早期处理长文档，要先做文字识别、切分文本，再分别把图片和文字交给模型检索；模型上下文变长后，整份材料直接输入的效果有时反而更好，旧流程不仅多余，还拖慢了速度。 他由此觉得，AI 应用看似属于自己，最重要的能力却不在自己手里，“我们永远只是一个租客。” 这种处境不是活不下去。应用公司可以绑定客户的工作流，也可以把品牌和渠道做强。但杨博麟认为，这些工作没有用到团队的长处：他们有算法工程师和模型训练人才，如果大部分时间只是在测试和切换别人的模型，这个优势就浪费了。 回到模型层，对他来说是 “胜率更高” 的选择。原来做 AI 教育的团队太多；转向基于扩散语言模型的实时交互视频后，直接竞争的团队更少。更重要的是，他认为自己有别人还没充分验证的信息：代码生成的视频成本低、速度快，可以准确编辑和审计，天然支持交互和多人协作，适合企业培训、商品展示等以传递信息为主的视频。 团队一边训练模型，一边与教育、营销、企业培训等行业的客户讨论需求。转向两三个月后，已经拿到 21 家企业客户的合作意向，计划从客户角度理解需求，再针对性训练。 杨博麟认为，他们真正的优势不是做模型本身，而是能在场景和模型间持续互相强化：先找到真正有价值、能持续产生数据的场景，再把对场景的理解通过后训练和持续反馈沉淀进模型。 只做模型的代价也很清楚。团队 25 个人，要搭建从监督微调、偏好优化到强化学习的后训练管线，还要处理奖励函数、容器化和 GPU 调度，一次配置出错就会烧掉一大笔钱。 按杨博麟的估算，后续训练需要数百张 GPU。公司正在进行新一轮融资，很大一部分就是为了训练资源。做模型也没有让商业化问题消失。21 家客户签了意向，还没多少真正付费。 不管做交付还是后训练模型，创业者们都要继续做下去，因为他们已经拿了钱，建了团队，得到了曝光；他们也相信，只要 AI 继续发展，模型大厂做不了一切。