AI應用層如何尋找可持續的變現空間？

消費級 AI 訂閱模式正陷入一種兩難困境：Token 成本持續攀升，用戶的付費意願卻難以同步增長。這種結構張力，讓這種商業模式極其脆弱。更可持續的 AI 商業化，可能發生在高價值用戶、深度工作流綁定，以及與真實業務結果掛鉤的場景裡。這正是垂直 AI 賽道成立的經濟學前提。「Agentic Economy」第 9 期，將拆解 Harvey、Farther 和 Adyen 三個案例，看它們如何在基礎模型商品化的背景下建立競爭優勢。同時也直面兩個更難回答的問題：當 token 補貼退潮，這些優勢是否仍然成立？以及當 OpenAI 和 Anthropic 開始向企業客戶派駐工程師團隊，又意味著什麼？

任何一種技術，一旦變得足夠普遍，就會停止產生溢價。通用大模型亦是如此。隨著參數競爭的邊際效應遞減，曾經稀缺的智能正在迅速演變為商品化的公用基礎設施。這導致依靠單純調用第三方 API、缺乏場景嵌入能力的輕量級應用，商業模式正在加速坍塌。

但商品化從來不是終點。每一次新興技術走向普及，都會把價值機會從擁有技術的人，流向真正能夠落地應用的人。

這一規律在當下催生了垂直 AI 平台的迅速崛起。

所謂垂直 AI 平台，是指深入特定行業、將通用大模型的能力深度封裝、並圍繞特定工作流重新編排業務流程的 AI 應用層。通過自建評估體系（Eval）與多 Agent 架構，這些平台正將底層基礎模型降格為隨時可替換的計算組件，從而將行業最核心的工作流資產牢牢鎖在系統內部。其核心要義，在於通過消除業務流程中的摩擦，把複雜的專業工作沉澱為可持續積累的系統資產。

要理解這一全新賽道的成立，必須先釐清一個事實，企業和專業人士買單的，從來不是底層模型的參數規模，而是它深度嵌入內部工作流、形成數據閉環並驅動實際收入的能力。

正因如此，高時薪的法律專家、服務高淨值客戶的理財顧問、手握龐大交易吞吐量的頭部商戶，正在成為新一代垂直 AI 平台爭奪的焦點。這群人手握預算決策權，承擔合規責任，並以明確的業務結果為導向。無論是協助一位時薪千美元的律師節省十個小時，還是協助財富顧問提升管理規模、優化稅後收益，其創造的業務價值都可以被直接量化。這種對高價值生產主體的精準綁定，正是垂直 AI 能夠跑通的經濟學基礎。

目前，這場探索主要沿兩個方向展開。

其一，是用 AI 重新編排專業工作流，大幅壓縮過去只有大型機構才能承擔的運營成本。在法律與財富管理賽道，合規、風控和專業交付這類高門檻工作，正在通過技術平台被系統化承接，讓專業人士能夠以更少的資源完成更高密度的工作。

其二，則是交易基礎設施的重構，重塑商戶與智能體（Agents）之間的連接。在智能體商業（Agentic Commerce）中，前端的意圖攔截與交互雖然由 AI 實驗室掌控，但最終的交易轉化依然發生在商戶側的基礎設施裡。Adyen Agentic 充當通用翻譯器，幫助商家一次接入、跨協議參與各類 AI 購物平台，無需為每種新協議重建系統。

三個案例的切入場景各異，但都是把行業中原本難以標準化的核心能力，通過系統沉澱為可持續調用的資產。Harvey 沉澱的是法律判斷與行業知識；Farther 沉澱的是顧問的客戶關係與稅務優化能力；Adyen 沉澱的是商戶的商品數據、協議適配與結算能力。

這正是微軟 CEO Satya Nadella所說的 Token 資本：AI 的長期價值不只來自單次任務執行，更在於將人類的判斷、知識和工作流程結構化地留存於系統中，在持續交互中形成能夠自我迭代的資產。

1.9 億 ARR 與 4.6 億算力費：Harvey 難以為繼的規模遊戲

Harvey 是當前垂直 AI 浪潮中估值最高、增長最快的樣本之一，這套邏輯的潛力與困境，在 Harvey 身上體現得最為集中。

這家不擁有任何通用模型的法律平台，憑藉對律所核心工作流的深度定製，就在五個月內（2025 年 8 月至 2026 年 1 月）將 ARR 從 1 億美元拉升至 1.9 億美元，估值達到 110 億美元。這說明，垂直平台根本不需要參與通用大模型的底層角力，只要真正理解行業任務、重構高價值用戶的日常工作場景，就能建立強勁的商業化能力。

但亮眼的財務數字背後，是一張不斷膨脹的算力帳單。

公開數據顯示，Harvey 的月度 Token 使用量已從最初的約 1 萬億增長至 12–13 萬億。按每百萬 Token 3 美元估算，其年化理論推理開銷高達 4.68 億美元。即便目前該成本通過大廠折扣與 Prompt Caching 等技術被暫時壓低，但受制於人的成本結構意味著，一旦補貼收窄，帳單將立刻反彈。在這種財務壓力下，ARR 的增長極難轉化為真實的現金流，反而時刻面臨規模反噬的風險。

這背後是 AI 原生應用難以迴避的成本悖論，產品越受歡迎，推理成本越高。傳統 SaaS 的邊際成本幾乎為零，但在法律這種長上下文、高推理密度的場景裡，每一次複雜任務都在消耗真實算力。自研模型，因此從技術選項變成了成本倒逼下的必然選擇。

目前，Harvey 正在推進專有模型的後訓練戰略，與 Applied Compute 深度合作，將開源基礎模型（如 GLM-5.1）進行法律行業的專項微調。根據雙方最新的技術披露，經過後訓練的專有模型在 Harvey 自建的法律智能體基準測試（LAB）中，rubric pass rate 從 0.853 提升至 0.913，超越 GPT-5.5 xhigh，逼近 Opus 4.8 Max。

成本端的壓縮同樣顯著。通過將評估模型從前沿大模型換為 GPT-5 Mini、並將多條評估標準批量合併處理，評估成本壓縮了 40 至 100 倍。這意味著 Harvey 得以在更低成本下持續迭代評估循環，私有評估體系本身，已經成為一種可積累的競爭資產。

更值得關注的，是性能提升背後發生的變化。輸出完整性、數字精確性、文檔溯源和幻覺抑制，幾項關鍵行為都有可量化改善。訓練過程中，模型調用工具的次數持續減少，但每次調用更精準，總 token 消耗也隨之下降。換句話說，模型學會的是在特定工具環境裡怎樣有效工作，而這種經由大量法律任務積累出的行為模式，比模型參數本身更難被外部複製。

Harvey 的案例說明，垂直 AI 平台的競爭基礎正在向更深處延伸。工作流設計和客戶關係固然重要，但開源模型的後訓練能力與控制權、私有評估體系與數據生成能力、多 Agent 架構與推理成本優化，正在成為新的差異化來源。

Farther 的去組織化：打破傳統大型經紀商對顧問的綁定

如果說 Harvey 壓縮了大型專業服務機構內部的交付成本，財富管理平台 Farther 則展示了如何協助核心人才脫離傳統巨頭的組織引力。

Farther 是一個面向獨立顧問（RIA）的科技平台，專門招募從摩根士丹利、美林、瑞銀（UBS）以及高盛等巨頭出走的財富顧問。在傳統全服務經紀體制內，顧問往往承受著低分成與繁重的中後台行政負擔。Farther 的做法是直接招募顧問入駐，將過去由大機構壟斷的後台能力整合進一套統一平台：高分成之外，稅損收割、直接指數化、私募市場准入、合規審核與文件管理一併內置。官方數據顯示，僅憑稅務智能算法，就能為客戶帶來稅後 1% 至 3% 的投資回報改善。

這一模式已經獲得了資本市場的有力印證。2026 年 5 月，Farther 完成了由 General Atlantic 領投的 1.5 億美元 D 輪融資，正式躋身獨角獸陣營。目前，其招攬並管理的資產規模已突破 230 億美元，其中包括剛從高盛私人財富部門挖角、手握 15 億美元管理資產的明星私人銀行團隊。獨立財富顧問的持續湧入說明，傳統大型經紀商所賴以生存的系統綁定正在失效，脫離機構進行獨立執業已不再是少數人的邊緣選擇。

Harvey 專注於提升律所內部的專業交付效率；Farther 則從零構建了一套獨立平台，讓顧問無需依附傳統大型經紀商也能獲得同等甚至更強的後台能力。兩者切入點不同，但都在重新定義專業服務的生產方式。在這一平台的支撐下，直接指數化、私募市場等過去僅限於大機構超高淨值（UHNW）部門的複雜投資工具，現在可以被獨立顧問輕鬆調度，極大延展了專業個體的業務範圍。

傳統的 SaaS 僅能處理記錄、存儲等淺層的流程自動化，無法分擔決策與協調等複雜執行。而基於多 Agent 架構的 AI 原生系統，天然契合承接那些介於行政執行與非標邏輯判斷之間的模糊地帶，合規審核、個性化文檔撰寫、資產配置建議等。這些在過去需要一整個中後台團隊協作完成的業務，正在被系統快速消化。

被低估的商家側：Agentic Commerce 的交易閉環

智能體商業（Agentic Commerce）的討論熱度居高不下，但目前的輿論注意力幾乎被消費者端壟斷，即 AI 助手如何替代用戶檢索商品、比價並自動下單。相比之下，商戶側的實際反饋則冷峻得多。

沃爾瑪在其 AI 原生結帳（Instant Checkout）上的轉化率，目前僅為傳統點擊跳轉模式的三分之一；而真正完整接入 Shopify AI 結帳系統的商戶比例在 2026 年也依然有限。從AI 激活需求到真正完成交易之間，存在一道明顯的斷層。

斷層出現的原因在於，Agent 交易是一套系統工程。理解用戶意圖只是第一步，要把需求轉化為收入，還需要庫存核對、稅費計算、防欺詐風控、履約和資金結算的全鏈路支撐，而這些能力目前仍牢牢鎖在商家的本地系統裡。與此同時，UCP、ACP、AP2、Agent Pay、Visa Tokenization 等多種智能體支付協議並存且互不相容，商家既沒有動力逐一適配，也承受不起技術碎片化的成本。

Adyen 為此推出了 Adyen Agentic，通過三層模塊化 API，分別覆蓋交易鏈路上的不同環節：

• Agentic Feed：負責將商戶的商品目錄、定價和實時庫存數據，向主流 AI 平台進行標準化分發；

• Agentic Cart：將商戶原有的結帳、稅務、履約和訂單管理系統，接入對話式商業底層；

• Agentic Payments：處理智能體主導交易中的身份驗證、網絡風控與多渠道資金結算。

商家一次接入，Adyen 即可跨越不同 AI 代理平台和協議進行轉譯，無需每次市場格局變化時重新改造底層系統。

在智能體商業生態中，前端的 AI 實驗室和對話接口或許截留了用戶意圖與流量，但實質性的價值轉換、交易落地與資金閉環，依然高度依賴商戶側的基礎設施。相比於競爭激烈的前端入口，商家側的系統化對接服務，反而更有機會沉澱為穩定、可收費的底層基建。

垂直平台的隱憂：模型廠的滲透與 Token 成本重構

隨著低價通用工具的市場飽和，大模型平台依靠低單價訂閱維繫的商業邏輯逐漸顯現出脆弱性。當總結網頁與草擬郵件等泛化功能極易被平替時，垂直平台必須向更在乎業務結果的高價值客戶收攏。但越往高價值行業走，應用層所面對的競爭環境也越複雜。

壓力之一，來自模型廠商業務邊界的主動延伸。OpenAI 和 Anthropic 不再滿足於只做 API 批發商，而是通過前線工程團隊（FDE）直接進入核心客戶現場。2026 年 4 月，OpenAI 與資產規模 260 億美元的 Customers Bank 達成合作，工程團隊進駐銀行，用本地數據開發貸款審批和開戶的智能體；Anthropic 則與金融 IT 巨頭 FIS 合作，將 FDE 團隊嵌入其內部系統，開發反洗錢工具，藉助 FIS 服務大量銀行的渠道，直接觸達銀行業務的最深處。

這種現場協作模式表明，模型大廠正在利用基礎設施通道，直接學習並復刻高門檻行業的內部業務流程。

另一重壓力則是不可持續的 Token 定價邏輯。目前多數前沿基礎模型的 Token 實際上是以補貼後的虧本價格在銷售。隨著企業級多 Agent 架構的高頻調用，一旦大廠補貼退潮，完全依賴外部前沿 API 接口的垂直平台，其算力帳單將無法維持。

這種壓力會隨著推理需求的攀升進一步放大。當數百個全天候運轉的智能體在後台高頻交互，對算力的需求將指數級增長，而受限於 ASML 光刻機這類極長製造週期的物理限制，底層硬件供應鏈根本無法快速跟上。對絕大多數日常業務而言，用前沿大模型處理所有任務，本身就是一種嚴重的資源錯配。

這也正是 Harvey 必須與 Applied Compute 合作，建立專用測試集、私有評估系統與人工標註流水線的真正原因，垂直平台不僅是在做產品，更是在進行高難度的成本工程：精確測算每一次任務的 Token 損耗，釐清哪些中間步驟可以分流給低成本的開源小模型，哪些關鍵決策必須調用高價的旗艦模型，以及人工審核應當在何處切入。

在這種背景下，單靠一層精美的工作流界面，已經很難再提供持久的競爭優勢。將後端的成本工程做到極致，才是垂直 AI 平台維持長期生存的關鍵命題。

結語：市場的稀缺性，重新回歸產業鏈最上游

當通用大模型變得像水電煤一樣唾手可得，AI 應用層的價值開始向產業鏈的最上游和最末端集中。

在這一階段，行業的稀缺屬性並沒有消失：最上游依然是無法被算法標準化的核心，如客戶信任、複雜的非標判斷與藏在從業者經驗裡的非結構化知識；最末端則是商戶網絡，承載著商品數據、合規鏈路和支付通道。垂直平台的實質意義，正是將這些高價值主體的專業經驗，轉化為可持續積累的 Token 資本。

這也決定了應用層的競爭邏輯正在回歸務實。過去十年支撐軟體行業一路狂奔的「規模敘事」，在算力開銷和物理供應鏈的剛性約束面前開始失效。

在新的週期中，應用層公司的生存有賴於一場精細的成本與算力套利。在模型價格戰退潮與計算資源限制下，應用平台必須在成本與性能之間找到最優解，而不是繼續靠資本輸血。

儘管大模型廠商擁有更大的算力資源與前線工程團隊，但對於敏捷的垂直平台與獨立專業人士而言，最獨特的競爭優勢，依然是將自身積累的專業隱性經驗，轉化為基礎模型廠商無法複刻的系統資產。避開寬泛的流量競爭，優先滿足高價值生產主體的商業閉環，這才是垂直 AI 在大模型商品化時代，能夠長期生存的邏輯。