A16Z合夥人最新判斷：AI創業只有兩條路，要麼油井要麼管道

前不久，A16Z 合夥人喬·施密特和安吉拉·斯特蘭奇發表了一篇關於 AI 創業路徑的深度思考。

在這篇文章里，他用一個來自能源行業的經典隱喻，概括了當下創始人面臨的兩種選擇：

第一，鑽一口「油井」，深耕在某個具體場景，掌握核心數據，最終形成完整的記錄系統；

第二，修一條「管道」，把分散的系統和流程打通，自動化那些原本依賴人工判斷和跨部門協作的工作。

兩條路看似不同，但都可能孕育出規模龐大、壁壘堅固的公司。

A16Z 認為，油井與管道並非對立，而是 AI 時代兩種互補的財富邏輯。關鍵不在於誰更好，而在於創始人能否清楚地知道自己在玩哪一種遊戲，並堅定地走到終點。

01

油井路徑：替換與重建

在能源行業的早期，財富的積累方式有着鮮明的兩極。油井意味着「找到一個點」，只要打通一口含油量豐富的井，就能源源不斷地產生現金流，靠單一的儲量吃上幾十年。

管道則意味着「連成一線」，它不是擁有資源本身，而是成為資源流動的必經之路，靠規模化輸送創造穩定回報。簡單來説，油井依靠稀缺性，管道依靠連接性。兩種策略都曾鑄就巨頭。

今天的 AI 創始人，面對的就是類似的抉擇。要麼選擇「鑽一口井」，深耕在某一個具體工作流，把流程、數據和客户都吃透，最終形成完整的記錄系統；要麼選擇「修一條管道」，把不同的系統和流程打通，自動化掉那些需要人工判斷、跨部門流轉的工作。

兩條路看似不同，卻都能孕育規模化的公司，只是構建方式、銷售邏輯和護城河來源各不相同。

回顧企業軟件史，最賺錢、最有韌性的 B2B 公司，幾乎無一例外是「記錄系統」。ERP、CRM、HRM 這些系統，本質上都通過掌握企業的底層數據，把客户鎖定在了自己的生態里，讓工作流程依賴自己，從而構築出持久的護城河。

人工智能的到來，極大加速了這一趨勢。不同於 30 年前那些架構笨重、功能固定的系統，如今的 AI 初創公司能夠提供數量級的效率提升。

舊系統在 AI 面前顯得迟鈍而脆弱。董事會和管理層已經在討論「買 AI」，這意味着，銷售周期在縮短，替代機會正在以前所未有的速度出現。

「油井」策略，最適合那些數據非結構化、分散在不同系統里的場景。一旦有人能把這些雜亂數據整合成清晰的模型，帶來的客户體驗提升將是顛覆性的。這種方法有兩類機遇：

第一類，替換與重建。

當舊系統因為太落后、問題太多，已經沒法支撐 AI 時，初創公司就能用全新的、AI 原生的系統來替代它。只要新方案帶來的提升足夠大，讓客户覺得換掉舊系統很值得，機會就來了。

比如，Valon 從零做了一套房貸服務系統，把過去分散在 25 個不同舊系統里的流程，全都整合進了 Valon OS。這個系統能自動生成可查賬本、設置可編程的工作流，還有 AI 助手幫忙做合規檢查和客户服務。結果就是，原本只能勉強不虧的業務，現在利潤率能超過 60%。

再比如，Vesta 開發了全新的房貸審批系統。以前的數據架構太落后，一個貸款流程同一時間只能由一個人操作，這也是為什麼貸款審批常常要拖上 30 多天。Vesta 的系統能讓不同環節並行處理，把審批速度和準確性都提升了好幾倍。

第二類，從零起步。

當市場上還沒有成熟的軟件系統，很多流程都只能靠人工處理時，初創公司就有機會切入，先拿下客户，再跟着客户一起成長。通常會先從 中小企業（SMB） 做起，等功能越來越完善，再進入大企業市場。

比如，Rillet 做的是 AI 驅動的 ERP 工具，能自動化財務工作，比如月末結賬、實時出報表。很多早期客户以前都是靠紙筆、Excel 或 Quickbooks 來記賬。Rillet 成了他們的第一個正式系統，並伴隨他們一路擴展。現在，Rillet 已經成長到可以挑戰 NetSuite 這樣的老牌系統。

這些擁有核心數據模型的公司，不僅能開發出別人無法複製的功能，還會逐步讓客户產生工作流依賴，從而形成極高的轉化成本。就像油井，鑽探的周期漫長，但一旦成功，就能坐擁深厚且長期的護城河。

02

最適合「管道」模式的兩種場景

傳統觀點里，有人會説：圍繞記錄系統構建，只是一種功能，並不足以撐起一家公司。確實，在一些場景下，老牌企業能夠在發展過程中吸收新的編排工具。

但現實是，很多傳統「油井」已經根深蒂固，遷移成本極高，或者受到嚴格合規限制，無法快速轉型。與此同時，市場對效率的需求比以往任何時候都更迫切。這就為 AI 帶來了新的窗口：智能代理如今能承接以前太小、太零散而無法被覆蓋的市場機會。

「流水線」不是要替換掉核心系統，而是把人原本在系統之間做的「粘合工作」交給 AI。比如：處理雜亂的非結構化信息、根據上下文做判斷、在不同流程和部門之間跑來跑去完成任務。過去這些只能靠人來做，而現在 AI 能接手，就給了軟件一個解決歷史遺留問題的巨大機會。

具體來説，適合「管道」模式的場景主要有兩種：

場景一：分散的舊系統。

很多大公司用了十幾年的老系統，彼此之間完全不兼容。結果就是，信息分散在各個角落，部門之間溝通低效。但要把這些核心系統推倒重來，成本太高、周期太長，所以他們更看重「立刻見效」。

這時，「管道」的價值就體現出來了：它能把不同系統之間的數據和流程統一起來，就像在舊機器之間加了一層「總控台」。

比如，Further 給保險行業搭建了一個 AI 工作空間，可以自動化紙質化的流程，比如報送、損失記錄和合規。它用少量常見的行業文檔（保單、ACORD、SOV 等），就能把原本分散的系統「串」在一起，形成順暢的工作流。

場景二：人工「中間層」。

在不少行業，軟件雖然已經存在，但運行起來還需要大量人工來「補丁」。人被迫充當系統和系統之間的「中間層」：搬運文件、錄入數據、做檢查。

現在，大模型（LLMs）能接管這些工作，把原本只能靠人力的操作流程數字化，從而實現規模化。這類機會過去沒法解決，現在反而成了「能養出獨角獸」的新市場。

比如，Concourse 為企業財務團隊開發了 AI 助手，不需要更換底層系統，就能接入公司所有財務軟件，自動完成查詢、分析、出報告，取代過去幾個小時的人工操作。

Sola 做的是 AI 原生的后臺自動化工具。用户只要在電腦上用插件錄一次操作流程，Sola 就能生成一個實時運行、會自動適應的 AI 代理，去執行像發票對賬、理賠處理、數據錄入這些過去全靠人工的工作。

與「油井」相比，「管道」的魅力在於：它不需要客户推倒重來。

企業里大量的人工勞動，本質上是系統之間的「粘合劑」——手動搬運文件，跨部門溝通，處理非結構化信息，結合上下文做決策。這些工作恰恰是 AI 的長項。

管道能快速減少人力投入，把原本孤立的系統連接在一起。隨着時間推移，每接入一個新的工作流，平臺的價值就會複合式增長，形成越來越強的粘性。

重要的是，客户並不需要二選一。在複雜的企業里，這兩種需求往往同時存在：有的業務板塊需要徹底的新記錄系統，有的業務環節只需要輕量的自動化。真正需要做出選擇的，是創業者自己。

因此，問題的關鍵不是「油井和管道哪個更好」，而是要清楚自己在玩哪一種遊戲：如果機會在於掌握關鍵數據，能解鎖全新的工作流，那就去挖油井；如果市場過於分散、勞動密集，不可能一次性替換舊系統，那就去鋪管道，通過自動化釋放價值。

底線是：油井與管道並非對立，而是兩種互補的路徑。

油井的價值在於掌握基本事實；管道的價值在於圍繞事實做出高效編排。兩者都可能成就深遠的公司。對創業者來説，最重要的不是兩手都抓，而是有意識地做出選擇，並堅定地走到終點。

本文來自微信公眾號「烏鴉智能説」，作者：智能烏鴉，36氪經授權發佈。