A16Z合伙人最新判断：AI创业只有两条路，要么油井要么管道

前不久，A16Z 合伙人乔·施密特和安吉拉·斯特兰奇发表了一篇关于 AI 创业路径的深度思考。

在这篇文章里，他用一个来自能源行业的经典隐喻，概括了当下创始人面临的两种选择：

第一，钻一口“油井”，深耕在某个具体场景，掌握核心数据，最终形成完整的记录系统；

第二，修一条“管道”，把分散的系统和流程打通，自动化那些原本依赖人工判断和跨部门协作的工作。

两条路看似不同，但都可能孕育出规模庞大、壁垒坚固的公司。

A16Z 认为，油井与管道并非对立，而是 AI 时代两种互补的财富逻辑。关键不在于谁更好，而在于创始人能否清楚地知道自己在玩哪一种游戏，并坚定地走到终点。

油井路径：替换与重建

在能源行业的早期，财富的积累方式有着鲜明的两极。油井意味着“找到一个点”，只要打通一口含油量丰富的井，就能源源不断地产生现金流，靠单一的储量吃上几十年。

管道则意味着“连成一线”，它不是拥有资源本身，而是成为资源流动的必经之路，靠规模化输送创造稳定回报。简单来说，油井依靠稀缺性，管道依靠连接性。两种策略都曾铸就巨头。

今天的 AI 创始人，面对的就是类似的抉择。要么选择“钻一口井”，深耕在某一个具体工作流，把流程、数据和客户都吃透，最终形成完整的记录系统；要么选择“修一条管道”，把不同的系统和流程打通，自动化掉那些需要人工判断、跨部门流转的工作。

两条路看似不同，却都能孕育规模化的公司，只是构建方式、销售逻辑和护城河来源各不相同。

回顾企业软件史，最赚钱、最有韧性的 B2B 公司，几乎无一例外是“记录系统”。ERP、CRM、HRM 这些系统，本质上都通过掌握企业的底层数据，把客户锁定在了自己的生态里，让工作流程依赖自己，从而构筑出持久的护城河。

人工智能的到来，极大加速了这一趋势。不同于 30 年前那些架构笨重、功能固定的系统，如今的 AI 初创公司能够提供数量级的效率提升。

旧系统在 AI 面前显得迟钝而脆弱。董事会和管理层已经在讨论“买 AI”，这意味着，销售周期在缩短，替代机会正在以前所未有的速度出现。

“油井”策略，最适合那些数据非结构化、分散在不同系统里的场景。一旦有人能把这些杂乱数据整合成清晰的模型，带来的客户体验提升将是颠覆性的。这种方法有两类机遇：

第一类，替换与重建。

当旧系统因为太落后、问题太多，已经没法支撑 AI 时，初创公司就能用全新的、AI 原生的系统来替代它。只要新方案带来的提升足够大，让客户觉得换掉旧系统很值得，机会就来了。

比如，Valon 从零做了一套房贷服务系统，把过去分散在 25 个不同旧系统里的流程，全都整合进了 Valon OS。这个系统能自动生成可查账本、设置可编程的工作流，还有 AI 助手帮忙做合规检查和客户服务。结果就是，原本只能勉强不亏的业务，现在利润率能超过 60%。

再比如，Vesta 开发了全新的房贷审批系统。以前的数据架构太落后，一个贷款流程同一时间只能由一个人操作，这也是为什么贷款审批常常要拖上 30 多天。Vesta 的系统能让不同环节并行处理，把审批速度和准确性都提升了好几倍。

第二类，从零起步。

当市场上还没有成熟的软件系统，很多流程都只能靠人工处理时，初创公司就有机会切入，先拿下客户，再跟着客户一起成长。通常会先从 中小企业（SMB） 做起，等功能越来越完善，再进入大企业市场。

比如，Rillet 做的是 AI 驱动的 ERP 工具，能自动化财务工作，比如月末结账、实时出报表。很多早期客户以前都是靠纸笔、Excel 或 Quickbooks 来记账。Rillet 成了他们的第一个正式系统，并伴随他们一路扩展。现在，Rillet 已经成长到可以挑战 NetSuite 这样的老牌系统。

这些拥有核心数据模型的公司，不仅能开发出别人无法复制的功能，还会逐步让客户产生工作流依赖，从而形成极高的转化成本。就像油井，钻探的周期漫长，但一旦成功，就能坐拥深厚且长期的护城河。

最适合“管道”模式的两种场景

传统观点里，有人会说：围绕记录系统构建，只是一种功能，并不足以撑起一家公司。确实，在一些场景下，老牌企业能够在发展过程中吸收新的编排工具。

但现实是，很多传统“油井”已经根深蒂固，迁移成本极高，或者受到严格合规限制，无法快速转型。与此同时，市场对效率的需求比以往任何时候都更迫切。这就为 AI 带来了新的窗口：智能代理如今能承接以前太小、太零散而无法被覆盖的市场机会。

“流水线”不是要替换掉核心系统，而是把人原本在系统之间做的“粘合工作”交给 AI。比如：处理杂乱的非结构化信息、根据上下文做判断、在不同流程和部门之间跑来跑去完成任务。过去这些只能靠人来做，而现在 AI 能接手，就给了软件一个解决历史遗留问题的巨大机会。

具体来说，适合“管道”模式的场景主要有两种：

场景一：分散的旧系统。

很多大公司用了十几年的老系统，彼此之间完全不兼容。结果就是，信息分散在各个角落，部门之间沟通低效。但要把这些核心系统推倒重来，成本太高、周期太长，所以他们更看重“立刻见效”。

这时，“管道”的价值就体现出来了：它能把不同系统之间的数据和流程统一起来，就像在旧机器之间加了一层“总控台”。

比如，Further 给保险行业搭建了一个 AI 工作空间，可以自动化纸质化的流程，比如报送、损失记录和合规。它用少量常见的行业文档（保单、ACORD、SOV 等），就能把原本分散的系统“串”在一起，形成顺畅的工作流。

场景二：人工“中间层”。

在不少行业，软件虽然已经存在，但运行起来还需要大量人工来“补丁”。人被迫充当系统和系统之间的“中间层”：搬运文件、录入数据、做检查。

现在，大模型（LLMs）能接管这些工作，把原本只能靠人力的操作流程数字化，从而实现规模化。这类机会过去没法解决，现在反而成了“能养出独角兽”的新市场。

比如，Concourse 为企业财务团队开发了 AI 助手，不需要更换底层系统，就能接入公司所有财务软件，自动完成查询、分析、出报告，取代过去几个小时的人工操作。

Sola 做的是 AI 原生的后台自动化工具。用户只要在电脑上用插件录一次操作流程，Sola 就能生成一个实时运行、会自动适应的 AI 代理，去执行像发票对账、理赔处理、数据录入这些过去全靠人工的工作。

与“油井”相比，“管道”的魅力在于：它不需要客户推倒重来。

企业里大量的人工劳动，本质上是系统之间的“粘合剂”——手动搬运文件，跨部门沟通，处理非结构化信息，结合上下文做决策。这些工作恰恰是 AI 的长项。

管道能快速减少人力投入，把原本孤立的系统连接在一起。随着时间推移，每接入一个新的工作流，平台的价值就会复合式增长，形成越来越强的粘性。

重要的是，客户并不需要二选一。在复杂的企业里，这两种需求往往同时存在：有的业务板块需要彻底的新记录系统，有的业务环节只需要轻量的自动化。真正需要做出选择的，是创业者自己。

因此，问题的关键不是“油井和管道哪个更好”，而是要清楚自己在玩哪一种游戏：如果机会在于掌握关键数据，能解锁全新的工作流，那就去挖油井；如果市场过于分散、劳动密集，不可能一次性替换旧系统，那就去铺管道，通过自动化释放价值。

底线是：油井与管道并非对立，而是两种互补的路径。

油井的价值在于掌握基本事实；管道的价值在于围绕事实做出高效编排。两者都可能成就深远的公司。对创业者来说，最重要的不是两手都抓，而是有意识地做出选择，并坚定地走到终点。

PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。