AI-Native 公司的五步实战手册¶

Greg Isenberg（创投圈知名创作者）提出一个犀利观点：全球年营收超 $5M 的企业中，真正称得上 AI-Native 的可能只有约 1,000 家。本文拆解 AI-Assisted vs AI-Native 的本质差异，给出五步实战框架，并延伸到中文圈服务业的蓝海机会。

目录¶

一、AI-Assisted vs AI-Native：核心差异
二、诊断：公司对机器不可读
三、五步实战手册
四、隐藏的金矿：服务业外表 + 软件业毛利
五、批判性思考
参考资料

一、AI-Assisted vs AI-Native：核心差异¶

两种公司问的问题完全不在同一维度：

维度	AI-Assisted	AI-Native
核心问题	哪里可以加 AI 来省时间？	如果 agent 做前 80%，工作流该长什么样？
做法	给员工开 ChatGPT 账号，教写 prompt	把核心流程打掉重练，让 agent 可执行
关注点	用了多强多新的模型	公司是否对 agent 可读
结果	表面效率提升，核心流程没变	整体运营结构重塑

客服场景对比¶

AI-Assisted 客服：
  收到 ticket → 人读消息 → 搜上下文 → 查账号 → 回想政策
  → 写回复 → 可能忘了打标签 → 可能要去问工程

AI-Native 客服：
  收到 ticket → agent 自动读客户历史 → 查账号限制
  → 看过去 ticket → 对照政策 → 起草回复 → 推荐动作
  → 把需要判断的推给人（附理由）

关键洞察：差别不在用了 Claude 还是 ChatGPT，在于公司有没有把自己「变得对 agent 可读」。

二、诊断：公司对机器不可读¶

Greg 全文最戳的一段——多数公司的信息状态：

CRM 上写一套，Slack 上讲另一套
客户历史藏在某个业务的收件匣里
定价逻辑在 Final_v7_NEW.xlsx
退款政策在没人看的 Notion 页面
销售流程是「去问 Sarah，她知道」

然后公司问：「为什么 AI 不能帮我们做更多？」

Greg 金句：「公司花了 20 年买软件，但从没花时间设计一套 operating system。它们有的是一堆工具，不是一台运转顺畅的机器。」

更扎心的是：「很多工作不是工作，是组织摩擦戴着假胡子在伪装。」

判断你的公司是否「可读」¶

                    公司对 AI 可读吗？
                         |
              +----------+----------+
              |                     |
         ✅ 可读状态            ❌ 不可读状态
              |                     |
    · 知识集中在系统里        · 知识散落在人脑里
    · 规则被显性记录          · 规则靠口口相传
    · 数据干净且一致          · 数据版本混乱
    · 流程可被自动化          · 流程靠人肉协调
    · agent 能独立处理 80%   · agent 什么都做不了

三、五步实战手册¶

Step 1：挑选一个狭窄工作流¶

不要从「让公司变成 AI-Native」这种宏大目标开始，会立刻卡死。

要挑选符合以下条件的流程： - ✅ 数量大（高频重复） - ✅ 规则存在（可被形式化） - ✅ 人类正在做大量无聊协调 - ✅ 公司目前最痛的切口

适合入手的工作流：

行业	典型工作流
SaaS	客服初步处理、新客户 onboarding
保险	理赔收件审查
销售	大量陌生开发、续约管理
财务	报表生成、发票处理
人力	简历筛选、入职流程

Step 2：像机器一样画出工作流¶

把工作流当成程序来画，回答这些硬核问题：

触发条件是什么？
需要哪些数据？
哪些决策可逆、哪些需要审批？
成功长什么样？
错误通常发生在哪？
人心里知道但系统不知道的隐藏知识是什么？

如果跳掉这一步，后面 agent 进来时会什么都不懂。

Step 3：结构化知识（最多公司放弃的一步）¶

这不是写文件，是盖基础设施。

agent 需要	你该做什么
懂公司政策	把 policy 写清楚、写死
懂客户	把 CRM 里的脏数据清干净
懂定价	把定价规则明确化
懂语气	把 tone 定义清楚
懂边界	把审批规则和权限写出来

Greg 金句：「Everyone wants the magic. Nobody wants to clean the kitchen. But the kitchen is the company.」每个人都想要 AI 的魔法，但没人想去擦厨房的地板。而这个厨房就是公司本身。

Step 4：放入 agent 并设定边界¶

agent 能做的（风险可控）        agent 不能做的（需要人类）
─────────────────────        ─────────────────────
· 起草信件                     · 最终审批
· 分类和标记                   · 关键业务决策
· 推荐动作                     · 涉及金钱/合规的判断
· 补充资料                     · 客户关系重大变更
· 摘要和总结                   · 策略方向调整

关键原则：设边界，不是放飞。全程 log，定期 review 输出，追踪品质。

Step 5：用业务指标衡量¶

Greg 对「节省几百个小时」这种虚荣指标嗤之以鼻。

真正的 AI-Native 转型必须反映在硬核商业数据上：

❌ 虚荣指标	✅ 业务指标
节省了多少小时	解决客户的时间
AI 处理了多少任务	毛利率变化
员工满意度	错误率下降
工具使用率	转换率
	人均营收（最核心）

如果导入 AI 之后这些数字没动，那只是在演一场名为 AI 的舞台剧。

四、隐藏的金矿：服务业外表 + 软件业毛利¶

红海 vs 蓝海¶

红海赛道（巨头林立）          蓝海赛道（几乎空白）
─────────────────          ─────────────────
· 横向 Copilot 工具          · 代记账公司
· 写作软件                    · 人力中介
· 会议逐字稿机器人            · 补习教育
· 套壳客服系统                · 物流协调
· AI 搜索引擎                · 医疗行政
                              · 法律辅助服务
                              · 保险经纪
                              · 房地产营运

蓝海模式¶

这类公司的特征： - 外面看：超不起眼的传统服务公司 - 里面看：AI Agent 高速驱动 - 财务看：拥有顶级软件公司级别的高毛利率 - 竞争看：传统对手根本看不懂你在干嘛

传统服务业 + AI 五步法 = 隐形现金机器

  外观：2-3 人的小团队
  内核：agent 驱动的自动化工作流
  结果：软件级毛利率 + 服务业营收
  优势：传统对手被降维打击

中文圈机会更大¶

台湾/中文圈市场的特点： - 90% 的传统行业还在用 LINE 群组传文件 - Excel 手动复制粘贴是主流 - 纸本流程仍然存在 - 劳力密集 + 大量重复知识工作 - 数字化程度低 = 改造空间大

五、批判性思考¶

「1,000 家」这个数字¶

Greg 自己标注「maybe 500, maybe 2,000」，这是个人估计，没有研究或统计支撑。但这个数字的价值不在于精确性，而在于它释放的信号：在所有人喊 AI-Native 的当下，结构上真正准备好的公司极少。

利益冲突（LCA）¶

Greg 经营 LCA（latecheckout.agency），提供 AI-Native 转型顾问服务。这篇分析本身也是他的行销素材。但观察的准确性不因利益冲突而失效——公司对机器不可读的痛点是实实在在的。

本质框架¶

AI-Native 是组织标签，不是技术标签。

一家公司可以用全世界最强的模型，但如果： - agent 不知道真相在哪 - 拿不到对的系统 - 没有人定过决策规则 - 每个工作流都靠某个人的脑袋里的例外处理

那 AI 就只能停在「会写东西、会摘要、让人觉得快了一点」的玩具状态。