AI应用层如何寻找可持续的变现空间？

消费级 AI 订阅模式正陷入一种两难困境：Token 成本持续攀升，用户的付费意愿却难以同步增长。这种结构张力，让这种商业模式极其脆弱。更可持续的 AI 商业化，可能发生在高价值用户、深度工作流绑定，以及与真实业务结果挂钩的场景里。这正是垂直 AI 赛道成立的经济学前提。「Agentic Economy」第 9 期，将拆解 Harvey、Farther 和 Adyen 三个案例，看它们如何在基础模型商品化的背景下建立竞争优势。同时也直面两个更难回答的问题：当 token 补贴退潮，这些优势是否仍然成立？以及当OpenAI 和 Anthropic 开始向企业客户派驻工程师团队，又意味着什么？

任何一种技术，一旦变得足够普遍，就会停止产生溢价。通用大模型亦是如此。随着参数竞争的边际效应递减，曾经稀缺的智能正在迅速演变为商品化的公用基础设施。这导致依靠单纯调用第三方 API、缺乏场景嵌入能力的轻量级应用，商业模式正在加速坍塌。

但商品化从来不是终点。每一次新兴技术走向普及，都会把价值机会从拥有技术的人，流向真正能够落地应用的人。

这一规律在当下催生了垂直 AI 平台的迅速崛起。

所谓垂直 AI 平台，是指深入特定行业、将通用大模型的能力深度封装、并围绕特定工作流重新编排业务流程的 AI 应用层。通过自建评估体系（Eval）与多 Agent 架构，这些平台正将底层基础模型降格为随时可替换的计算组件，从而将行业最核心的工作流资产牢牢锁在系统内部。其核心要义，在于通过消除业务流程中的摩擦，把复杂的专业工作沉淀为可持续积累的系统资产。

要理解这一全新赛道的成立，必须先厘清一个事实，企业和专业人士买单的，从来不是底层模型的参数规模，而是它深度嵌入内部工作流、形成数据闭环并驱动实际收入的能力。

正因如此，高时薪的法律专家、服务高净值客户的理财顾问、手握庞大交易吞吐量的头部商户，正在成为新一代垂直 AI 平台争夺的焦点。这群人手握预算决策权，承担合规责任，并以明确的业务结果为导向。无论是协助一位时薪千美元的律师节省十个小时，还是协助财富顾问提升管理规模、优化税后收益，其创造的业务价值都可以被直接量化。这种对高价值生产主体的精准绑定，正是垂直 AI 能够跑通的经济学基础。

目前，这场探索主要沿两个方向展开。

其一，是用 AI 重新编排专业工作流，大幅压缩过去只有大型机构才能承担的运营成本。在法律与财富管理赛道，合规、风控和专业交付这类高门槛工作，正在通过技术平台被系统化承接，让专业人士能够以更少的资源完成更高密度的工作。

其二，则是交易基础设施的重构，重塑商户与智能体（Agents）之间的连接。在智能体商业（Agentic Commerce）中，前端的意图拦截与交互虽然由 AI 实验室掌控，但最终的交易转化依然发生在商户侧的基础设施里。Adyen Agentic 充当通用翻译器，帮助商家一次接入、跨协议参与各类 AI 购物平台，无需为每种新协议重建系统。

三个案例的切入场景各异，但都是把行业中原本难以标准化的核心能力，通过系统沉淀为可持续调用的资产。Harvey 沉淀的是法律判断与行业知识；Farther 沉淀的是顾问的客户关系与税务优化能力；Adyen 沉淀的是商户的商品数据、协议适配与结算能力。

这正是微软 CEO Satya Nadella所说的 Token 资本：AI 的长期价值不只来自单次任务执行，更在于将人类的判断、知识和工作流结构化地留存在系统中，在持续交互中形成能够自我迭代的资产。

1.9 亿 ARR 与 4.6 亿算力费：Harvey 难以为继的规模游戏

Harvey 是当前垂直 AI 浪潮中估值最高、增长最快的样本之一，这套逻辑的潜力与困境，在 Harvey 身上体现得最为集中。

这家不拥有任何通用模型的法律平台，凭借对律所核心工作流的深度定制，就在五个月内（2025 年 8 月至 2026 年 1 月）将 ARR 从 1 亿美元拉升至 1.9 亿美元，估值达到 110 亿美元。这说明，垂直平台根本不需要参与通用大模型的底层角力，只要真正理解行业任务、重构高价值用户的日常工作场景，就能建立强劲的商业化能力。

但亮眼的财务数字背后，是一张不断膨胀的算力账单。

公开数据显示，Harvey 的月度 Token 使用量已从最初的约 1 万亿增长至 12–13 万亿。按每百万 Token 3 美元估算，其年化理论推理开销高达 4.68 亿美元。即便目前该成本通过大厂折扣与 Prompt Caching 等技术被暂时压低，但受制于人的成本结构意味着，一旦补贴收窄，账单将立刻反弹。在这种财务压力下，ARR 的增长极难转化为真实的现金流，反而时刻面临规模反噬的风险。

这背后是 AI 原生应用难以回避的成本悖论，产品越受欢迎，推理成本越高。传统 SaaS 的边际成本几乎为零，但在法律这种长上下文、高推理密度的场景里，每一次复杂任务都在消耗真实算力。自研模型，因此从技术选项变成了成本倒逼下的必然选择。

目前，Harvey 正在推进专有模型的后训练战略，与 Applied Compute 深度合作，将开源基础模型（如 GLM-5.1）进行法律行业的专项微调。根据双方最新的技术披露，经过后训练的专有模型在 Harvey 自建的法律智能体基准测试（LAB）中，rubric pass rate 从 0.853 提升至 0.913，超越 GPT-5.5 xhigh，逼近 Opus 4.8 Max。

成本端的压缩同样显著。通过将评估模型从前沿大模型换为 GPT-5 Mini、并将多条评估标准批量合并处理，评估成本压缩了 40 至 100 倍。这意味着 Harvey 得以在更低成本下持续迭代评估循环，私有评估体系本身，已经成为一种可积累的竞争资产。

更值得关注的，是性能提升背后发生的变化。输出完整性、数字精确性、文档溯源和幻觉抑制，几项关键行为都有可量化改善。训练过程中，模型调用工具的次数持续减少，但每次调用更精准，总 token 消耗也随之下降。换句话说，模型学会的是在特定工具环境里怎样有效工作，而这种经由大量法律任务积累出的行为模式，比模型参数本身更难被外部复制。

Harvey 的案例说明，垂直 AI 平台的竞争基础正在向更深处延伸。工作流设计和客户关系固然重要，但开源模型的后训练能力与控制权、私有评估体系与数据生成能力、多 Agent 架构与推理成本优化，正在成为新的差异化来源。

Farther 的去组织化：打破传统大型经纪商对顾问的绑定

如果说 Harvey 压缩了大型专业服务机构内部的交付成本，财富管理平台 Farther 则展示了如何协助核心人才脱离传统巨头的组织引力。

Farther 是一个面向独立顾问（RIA）的科技平台，专门招募从摩根士丹利、美林、瑞银（UBS）以及高盛等巨头出走的财富顾问。在传统全服务经纪体制内，顾问往往承受着低分成与繁重的中后台行政负担。Farther 的做法是直接招募顾问入驻，将过去由大机构垄断的后台能力整合进一套统一平台：高分成之外，税损收割、直接指数化、私募市场准入、合规审核与文件管理一并内置。官方数据显示，仅凭税务智能算法，就能为客户带来税后 1% 至 3% 的投资回报改善。

这一模式已经获得了资本市场的有力印证。2026 年 5 月，Farther 完成了由 General Atlantic 领投的 1.5 亿美元 D 轮融资，正式跻身独角兽阵营。目前，其招揽并管理的资产规模已突破 230 亿美元，其中包括刚从高盛私人财富部门挖角、手握 15 亿美元管理资产的明星私人银行团队。独立财富顾问的持续涌入说明，传统大型经纪商所赖以生存的系统绑定正在失效，脱离机构进行独立执业已不再是少数人的边缘选择。

Harvey 专注于提升律所内部的专业交付效率；Farther 则从零构建了一套独立平台，让顾问无需依附传统大型经纪商也能获得同等甚至更强的后台能力。两者切入点不同，但都在重新定义专业服务的生产方式。在这一平台的支撑下，直接指数化、私募市场等过去仅限于大机构超高净值（UHNW）部门的复杂投资工具，现在可以被独立顾问轻松调度，极大延展了专业个体的业务范围。

传统的 SaaS 仅能处理记录、存储等浅层的流程自动化，无法分担决策与协调等复杂执行。而基于多 Agent 架构的 AI 原生系统，天然契合承接那些介于行政执行与非标逻辑判断之间的模糊地带，合规审核、个性化文档撰写、资产配置建议等。这些在过去需要一整个中后台团队协作完成的业务，正在被系统快速消化。

被低估的商家侧：Agentic Commerce 的交易闭环

智能体商业（Agentic Commerce）的讨论热度居高不下，但目前的舆论注意力几乎被消费者端垄断，即 AI 助手如何替代用户检索商品、比价并自动下单。相比之下，商户侧的实际反馈则冷峻得多。

沃尔玛在其 AI 原生结账（Instant Checkout）上的转化率，目前仅为传统点击跳转模式的三分之一；而真正完整接入 Shopify AI 结账系统的商户比例在 2026 年也依然有限。从AI 激活需求到真正完成交易之间，存在一道明显的断层。

断层出现的原因在于，Agent 交易是一套系统工程。理解用户意图只是第一步，要把需求转化为收入，还需要库存核对、税费计算、防欺诈风控、履约和资金结算的全链路支撑，而这些能力目前仍牢牢锁在商家的本地系统里。与此同时，UCP、ACP、AP2、Agent Pay、Visa Tokenization 等多种智能体支付协议并存且互不兼容，商家既没有动力逐一适配，也承受不起技术碎片化的成本。

Adyen 为此推出了 Adyen Agentic，通过三层模块化 API，分别覆盖交易链路上的不同环节：

• Agentic Feed：负责将商户的商品目录、定价和实时库存数据，向主流 AI 平台进行标准化分发；

• Agentic Cart：将商户原有的结账、税务、履约和订单管理系统，接入对话式商业底层；

• Agentic Payments：处理智能体主导交易中的身份验证、网络风控与多渠道资金结算。

商家一次接入，Adyen 即可跨越不同 AI 代理平台和协议进行转译，无需每次市场格局变化时重新改造底层系统。

在智能体商业生态中，前端的 AI 实验室和对话接口或许截留了用户意图与流量，但实质性的价值转换、交易落地与资金闭环，依然高度依赖商户侧的基础设施。相比于竞争激烈的前端入口，商家侧的系统化对接服务，反而更有机会沉淀为稳定、可收费的底层基建。

垂直平台的隐忧：模型厂的渗透与 Token 成本重构

随着低价通用工具的市场饱和，大模型平台依靠低单价订阅维系的商业逻辑逐渐显现出脆弱性。当总结网页与草拟邮件等泛化功能极易被平替时，垂直平台必须向更在乎业务结果的高价值客户收拢。但越往高价值行业走，应用层所面对的竞争环境也越复杂。

压力之一，来自模型厂商业务边界的主动延伸。OpenAI 和 Anthropic 不再满足于只做 API 批发商，而是通过前线工程团队（FDE）直接进入核心客户现场。2026 年 4 月，OpenAI 与资产规模 260 亿美元的 Customers Bank 达成合作，工程团队进驻银行，用本地数据开发贷款审批和开户的智能体；Anthropic 则与金融 IT 巨头 FIS 合作，将 FDE 团队嵌入其内部系统，开发反洗钱工具，借助 FIS 服务大量银行的渠道，直接触达银行业务的最深处。

这种现场协作模式表明，模型大厂正在利用基础设施通道，直接学习并复刻高门槛行业的内部业务流程。

另一重压力则是不可持续的 Token 定价逻辑。目前多数前沿基础模型的 Token 实际上是以补贴后的亏本价格在销售。随着企业级多 Agent 架构的高频调用，一旦大厂补贴退潮，完全依赖外部前沿 API 接口的垂直平台，其算力账单将无法维持。

这种压力会随着推理需求的攀升进一步放大。当数百个全天候运转的智能体在后台高频交互，对算力的需求将指数级增长，而受制于 ASML 光刻机这类极长制造周期的物理限制，底层硬件供应链根本无法快速跟上。对绝大多数日常业务而言，用前沿大模型处理所有任务，本身就是一种严重的资源错配。

这也正是 Harvey 必须与 Applied Compute 合作，建立专用测试集、私有评估系统与人工标注流水线的真正原因，垂直平台不仅是在做产品，更是在进行高难度的成本工程：精确测算每一次任务的 Token 损耗，理清哪些中间步骤可以分流给低成本的开源小模型，哪些关键决策必须调用高价的旗舰模型，以及人工审核应当在何处切入。

在这种背景下，单靠一层精美的工作流界面，已经很难再提供持久的竞争优势。将后端的成本工程做到极致，才是垂直 AI 平台维持长期生存的关键命题。

结语：市场的稀缺性，重新回归产业链最上游

当通用大模型变得像水电煤一样唾手可得，AI 应用层的价值开始向产业链的最上游和最末端集中。

在这一阶段，行业的稀缺属性并没有消失：最上游依然是无法被算法标准化的核心，如客户信任、复杂的非标判断与藏在从业者经验里的非结构化知识；最末端则是商户网络，承载着商品数据、合规链路和支付通道。垂直平台的实质意义，正是将这些高价值主体的专业经验，转化为可持续积累的 Token 资本。

这也决定了应用层的竞争逻辑正在回归务实。过去十年支撑软件行业一路狂奔的“规模叙事”，在算力开销和物理供应链的刚性约束面前开始失效。

在新的周期中，应用层公司的生存有赖于一场精细的成本与算力套利。在模型价格战退潮与计算资源限制下，应用平台必须在成本与性能之间找到最优解，而不是继续靠资本输血。

尽管大模型厂商拥有更大的算力资源与前线工程团队，但对于敏捷的垂直平台与独立专业人士而言，最独特的竞争优势，依然是将自身积累的专业隐性经验，转化为基础模型厂商无法复刻的系统资产。避开宽泛的流量竞争，优先满足高价值生产主体的商业闭环，这才是垂直 AI 在大模型商品化时代，能够长期生存的逻辑。