AI改造传统服务业或比风投想象的更困难

风险投资家们正在为一个新的投资战略下大赌注：利用AI将传统劳动密集型服务业改造成具有软件级利润率的业务。这一策略包括收购成熟的专业服务公司，部署AI技术实现任务自动化，然后利用改善的现金流收购更多公司。

领先推行该策略的是General Catalyst（GC），该公司从最新融资中拨出15亿美元用于其称之为"创造"的战略，专注于在特定垂直领域孵化AI原生软件公司，然后将这些公司作为收购平台，购买同行业的成熟企业及其客户。GC已在从法律服务到IT管理等七个行业下注，计划总共扩展到多达20个领域。

负责GC相关工作的Marc Bhargava在最近接受TechCrunch采访时表示："全球服务业每年收入达16万亿美元。相比之下，软件行业全球仅有1万亿美元。"他指出，软件投资的吸引力一直在于其更高的利润率。"当软件达到规模化时，边际成本很低，但边际收入很高。"如果也能将服务业自动化，通过AI处理30%到50%的公司业务，甚至在呼叫中心等场景下自动化高达70%的核心任务，这个商业逻辑开始变得不可抗拒。

改善的现金流为以更高价格收购更多公司提供了弹药，超过传统买家的承受能力，形成了支持者眼中的盈利飞轮。

这一策略似乎正在奏效。以General Catalyst投资组合公司Titan MSP为例，该投资公司分两轮提供了7400万美元，帮助公司为托管服务提供商开发AI工具，然后收购了知名IT服务公司RFA。Bhargava表示，通过试点项目，Titan证明可以自动化38%的典型MSP任务。公司现在计划利用改善的利润率，在经典的整合策略下收购更多MSP公司。

同样，该公司孵化了专注于企业内部法务部门而非律师事务所的Eudia。Eudia已签约包括雪佛龙、西南航空和Stripe在内的财富100强客户，提供基于AI的固定费用法律服务，而非传统的按小时计费。该公司最近收购了替代法律服务提供商Johnson Hanna以扩大影响力。

Bhargava解释说，General Catalyst希望将收购公司的EBITDA利润率至少翻倍。

这家强势公司并非独此一家。风投公司Mayfield专门划拨1亿美元用于"AI队友"投资，并领投了IT咨询初创公司Gruve的A轮融资。根据创始人介绍，Gruve收购了一家价值500万美元的安全咨询公司，在六个月内将其收入增长到1500万美元，同时实现80%的毛利率。

Mayfield董事总经理Navin Chaddha今年夏天告诉TechCrunch："如果80%的工作由AI完成，就可以实现80%到90%的毛利率。你可以获得60%到70%的综合利润率，产生20%到30%的净收入。"

独立投资人Elad Gil三年来一直在追求类似策略，支持收购成熟企业并用AI改造它们的公司。Gil在今年春天接受TechCrunch采访时说："如果你拥有资产，改造速度会比仅作为供应商销售软件快得多。因为你将公司的毛利率从比如10%提高到40%，这是巨大的提升。"

然而，早期警告信号表明，整个服务业的转型可能比风投预期的更复杂。斯坦福社交媒体实验室和BetterUp Labs研究人员最近的一项研究调查了1150名跨行业全职员工，发现40%的员工因为研究人员称之为"工作垃圾"的现象而承担更多工作——AI生成的工作看似精良但缺乏实质内容，为同事创造更多工作和头痛。

这一趋势正在对组织造成影响。参与调查的员工表示，他们平均花费近两小时处理每个"工作垃圾"实例，包括首先解读它，然后决定是否退回，通常只能自己修复。

基于参与者估算的时间消耗和自报薪资，调查作者估计"工作垃圾"每人每月造成186美元的隐性成本。他们在新的《哈佛商业评论》文章中写道："对于拥有1万名员工的组织，考虑到估计的'工作垃圾'普遍程度……这每年造成超过900万美元的生产力损失。"

简而言之，仅仅实施AI并不能保证改善结果。

Bhargava反驳AI被过度炒作的观点，认为所有这些实施失败实际上验证了General Catalyst的方法。他说："我认为这恰恰显示了机会，也就是说，将AI技术应用到这些业务中并不容易。如果所有财富100强和这些公司都可以简单地引入咨询公司，加上一些AI，与OpenAI签个合同就改造业务，那么显然我们的理论就不那么可靠了。但现实是，用AI改造公司真的很难。"

他指出AI所需的技术复杂性是最关键的缺失环节。"有很多不同的技术，各有所长。你真正需要那些来自Rippling、Ramp、Figma和Scale等公司的应用AI工程师，他们使用过不同模型，了解其细微差别，知道哪些适合什么用途，理解如何将其包装在软件中。"他认为，正是这种复杂性使得General Catalyst将AI专家与行业专家配对从头构建公司的策略变得合理。

尽管如此，不可否认"工作垃圾"威胁着这一策略的核心经济逻辑。更大的问题是这个问题有多严重，以及情况是否会随时间改变。

目前，如果公司按照AI效率理论的建议减少员工，他们可用于发现和纠正AI生成错误的人力就会减少。如果他们维持当前人员水平来处理有问题的AI输出创造的额外工作，风投们指望的巨大利润率增长可能永远无法实现。

很容易认为这两种情况都应该减缓风投整合策略的核心扩张计划，并可能削弱使这些交易对他们有吸引力的数字。但让我们面对现实；需要不止一两项研究才能让大多数硅谷投资者放慢脚步。

事实上，由于他们通常收购具有现有现金流的企业，General Catalyst表示其"创造策略"公司已经盈利。

Bhargava说："只要AI技术持续改进，我们看到对模型的大规模投资和改进，我认为我们就会有越来越多的行业可以帮助孵化公司。"

Q&A

Q1：General Catalyst的AI服务业改造策略是什么？

A：General Catalyst专门拨出15亿美元用于"创造"策略，先在特定垂直领域孵化AI原生软件公司，然后将这些公司作为收购平台，购买同行业的成熟企业及其客户。通过AI实现任务自动化来提高利润率，再用改善的现金流收购更多公司，形成盈利飞轮。

Q2：什么是"工作垃圾"现象，对企业有什么影响？

A："工作垃圾"是指AI生成的看似精良但缺乏实质内容的工作，为同事创造更多工作和麻烦。研究发现40%的员工因此承担更多工作，平均每人每月造成186美元的隐性成本。对于拥有1万名员工的组织，这每年造成超过900万美元的生产力损失。

Q3：AI改造服务业面临哪些挑战？

A：主要挑战包括技术复杂性和实施难度。需要具备丰富经验的应用AI工程师，他们了解不同模型的特点和适用场景。此外，"工作垃圾"现象威胁着策略的核心经济逻辑，可能导致预期的巨大利润率增长无法实现。