AI+SaaS 产品品类全景图

这份文档面向"先建立认知"的读者：不急于替你做取舍，而是把 AI+SaaS 的全部门类摊开，让你知道有哪些格子、每个格子卖什么、代表玩家是谁、AI 从哪里切进去。当你准备"逐个开始"时，可以直接把它当成选题地图使用。

• 数字后的 [n] 是可点击来源，对应文末「参考资料」
• 【判断】：本文基于观察的分析
• 【待验证】：尚无充分证据的推断或预测

在这张地图展开之前，先用三个数字定位行业现在所处的位置。

规模结构。 Gartner 预测 2026 年全球 AI 总支出约 2.53 万亿美元（同比 +43.9%），其中 AI 软件约 4525 亿美元，含模型与数据/开发平台在内的软件应用层约 5215 亿美元、占约 20.6%，基础设施层仍占约 54.1%[1]；IDC 预计 2026 年中国 AI 投资约 266.9 亿美元、占全球约 8.9%[2]。应用层是增速更快、但份额偏小的增量池，短期价值大头仍在上游。

成本约束。 推理成本是 AI 应用最主要的可变成本，token 级大小模型路由被证明可把基准推理成本压缩至约 1/27.7[9]；而头部 AI 应用的高使用强度尚未转化为高毛利，Cursor 季度毛利率为 -23%[8]。成本能力正从工程细节上升为应用层的竞争变量。

定价迁移。 计费单位正在从"席位"扩展到"用量"与"结果"，并已出现可核实的公开报价（见第五节）。这是本轮变化中信号最强的一条。【判断】

市面上对"AI+SaaS"的分类大多混用了三套彼此正交的切法，导致越看越乱。先把它们拆开，后面每一类产品都能在三个坐标里定位。

1.1 交付形态：你离"结果"有多近

从"给能力"到"给结果"，是一根连续的光谱，越往右，客户越不用自己动手，定价方式也越激进。

一个产品落在光谱的哪一段，决定了它的收入上限和替代风险。停在 Copilot，本质上是在给别人的界面加一层装饰；走到 Service-as-Software，才真正把"人力预算"变成自己的市场。

1.2 覆盖广度：横向通用 vs 垂直行业

横向产品按"职能"切，任何行业都能用，比如写作、编程、客服、财务。垂直产品按"行业"切，把某个行业的专有数据、专有流程、专有合规要求一起捆进去，比如医疗病历、法律合同、建筑图纸。

过去十年横向 SaaS 占据了大部分市值，而生成式 AI 正在把天平推向垂直一侧：越深入一个行业的流程，越能沉淀别人拿不到的数据，也越难被通用模型直接抹平。

1.3 价值厚度：SaaS 的六层价值与"薄壳"风险

同一句"AI 会吃掉 SaaS"之所以争论不休，是因为"SaaS"本身是六层价值叠起来的，AI 对每一层的冲击力度完全不同。【判断】

越往下越"硬"。上面三层拼的是体验和效率，下面三层拼的是数据、责任和关系——也就是换掉它要付出的代价。判断一个品类是不是"薄壳"，就看它是否只提供界面、没有专有数据、没有网络效应、迁移成本低、且按座位收费。【判断】

横向产品是"选一个职能做深"的路线，也是个人或小团队最常切入的地方。它由六大职能集群构成，覆盖约二十五个细分品类，每一类都标注了它解决什么、典型交付形态、代表产品，以及 AI 从哪里切进去。

2.1 内容与创意生产

2.2 软件研发

2.3 客户与营收

2.4 数据与知识

2.5 企业职能后台

2.6 安全与协作

横向地图的规律很清晰：越靠近"生成"的品类（文案、配图、配音）越容易被模型能力直接覆盖，越靠近"系统记录与责任"的品类（财务、法务、安全）越稳。选择横向赛道时，价值厚度比功能炫酷更重要。【判断】

垂直方向把行业知识、专有数据和合规要求捆进产品，是生成式 AI 时代新增价值最集中的地方。有观点把这一波总结为：美国市场卖的是"替代人力"，中国市场卖的是"产业增值"。

垂直赛道的判断标准与横向不同：核心是这个行业是否存在"高薪专家 + 劳动密集"的环节。全球专业服务（法律、咨询、会计、保险）是一个体量巨大的市场，长期未被以往技术革命触及，正成为 AI 原生公司最有进攻性的战场。

如果你不想做应用，也可以卖底座。这一层在 2026 年发生了明显的重心迁移：早期投资人关注的是连接协议与编排框架，而随着 Agent 真正进入生产，成本、调度、运行稳定性被推到台前。

推理成本这一环值得单独标注：从顶级模型到小模型，按量定价可相差数百倍，而 token 级路由能把实际成本压到基准的约 1/27.7[9]。谁能把"用小模型处理简单请求、只在必要时升级到大模型"做成默认架构，谁就多出一块毛利。【判断】

5.1 四种范式

同样的"AI+SaaS"，落到产品上会呈现四种截然不同的范式，它们的风险和天花板差别很大。【判断】

flowchart LR
    A["Copilot 增强现有
给老产品加助手"] --> B["AI 原生 / Agentic
以目标为中心设计"]
    B --> C["Service-as-Software
卖结果，不卖工具"]
    B --> D["Agent 编排与治理
管理一堆 Agent"]
          

5.2 定价形态

2026 年出现的一个关键变化，是计费维度从"席位"扩展到"用量"与"结果"，并逐步走向混合。下面这张表里的报价都是已经公开、可核对的口径。

这里有个反直觉的结论：按结果收费对客户最友好，对厂商现金流最不友好，因为收入随效果波动、预测性变差。现实中更常见的是混合——用席位保住基本盘，用用量和结果承接增量。真正的风险在于：当客户的席位需求下降时，你手里没有任何一个能替代它的计费维度。【判断】

一个值得注意的细节：Salesforce 的"会话"和"积分"衡量的是消耗，Intercom 的"成功解决"衡量的是结果，两者不是同一件事。把消耗包装成结果定价，是这一轮最常见的概念混淆。【判断】

前面按"能力"切品类，这一节换一条正交的切法：同样一个 AI 品类，买单人、预算来源、销售模式、集成与合规门槛这几项，直接决定它好不好做、能不能规模化。【判断】

6.1 横向六大集群的 B 端画像

规律很清楚：集群越往下，买单人越高、销售越重、集成越深、合规越硬。这既解释了它们为什么更"稳"，也解释了为什么小团队很难直接切进去——要过的不是技术关，是采购与责任关。【判断】

6.2 横向品类级 B 端画像

集群内部并不统一。同样在"客户与营收"里，客服和定价管理的买家、预算、集成深度差别很大。下表把全部横向品类逐个标注，方便直接对照。【判断】

品类级差异主要由两点拉开：合规门槛决定要不要私有化、能不能按结果卖；集成门槛决定交付到底是卖产品还是做项目。【判断】

6.3 垂直行业的 B 端画像

垂直赛道与横向最大的不同，是钱从哪个预算出。横向品类多数花的是"软件预算"，是一个相对固定的池子；垂直品类往往花的是"人力或外包预算"，池子大得多，但也意味着产品要直接去和"一个人力岗位的成本"做对比。

预算来源决定天花板。 从"软件预算"里拿钱，天花板是软件市场；从"人力预算"里拿钱，天花板是人力成本。这正是 Service-as-Software 在垂直赛道更成立、AI 原生公司集中进攻专业服务的原因。【判断】

6.4 从 POC 到全量：三段落地路径

B 端不是一次性成交，而是分三段推进，每一段的"生死线"都不一样。

三段的失败点各不相同：POC 拼效果，试点拼可靠性、集成能力与数据接不接得进，全量拼权限、审计与成本可控。很多 AI 产品不是死在没有效果，而是死在最后一道——过不了安全、采购与成本的三重审查。【判断】

6.5 入场难度评分：个人 / 小团队该从哪个格子切

把"集成门槛、合规门槛、买单人层级"三项各按 1（低）到 3（高）定性打分，加总越低越容易由个人或小团队冷启动。下表是本文判断，不是实测数据。【判断】

数据与知识、HR、财务、法务、采购、安全、文档、Agent 治理等同属合计 9 的一档——高合规、高集成、高管决策，需要销售、私有化与资质，不适合冷启动，未单独列出。

三条规律：合计 4–5 的品类适合快速验证，但护城河浅、随时可能被模型升级抹平；合计 6–8 的品类要真正接进客户系统，是有产品与工程能力的小团队的主战场；合计 9 的品类价值厚，但要靠销售和资质，几乎必须有人已在行业内才能做。【判断】

现实策略是"低门槛起步、往中门槛迁移"：先用易切入的品类活下来、积累客户与数据，再把集成与合规做深，进入 6–8 分的品类。【判断】

7.1 五条被替代风险自测

把任何一个候选品类放进来对照，命中越多越危险。【判断】

1. 用户的目标能被 AI 直接完成，而你只提供界面
2. 没有专有数据，模型一升级你的优势就消失
3. 没有网络效应，用户之间不产生额外价值
4. 迁移成本低，数据可一键导出、流程可一键重建
5. 收入主要按座位收取，且客户已能用 Agent 减少人头

7.2 六类更稳的形态

7.3 五类可积累的壁垒

无论做横向还是垂直，能长期站住的产品通常至少握住下面的一样：专有数据（别人拿不到的、越用越多的数据）、垂直深流程（把行业流程嵌进产品本身）、合规与责任（能承担审计与签字责任）、分发渠道（独占的客户入口或生态）、网络效应（用户越多价值越大）。模型能力的普及会持续压低"功能"的门槛，这五样东西是少数不会被模型升级重置的资产。【判断】

地图已经铺开。当你准备"逐个开始"时，可以把所有候选收敛到四条典型路线，它们对应不同的起点与风险。【判断】

• 横向能力路线：挑一个职能（如客服、财务对账、会议知识），不追生成，直接往"接管整条工作流"做，用专有上下文建立壁垒。
• 垂直深流程路线：挑一个"高薪专家 + 劳动密集"的行业（法律、医疗、会计），把行业数据与合规责任捆进产品，做 Service-as-Software。
• 基础设施路线：不碰应用，做 Agent 时代的成本、运行、连接、评测类底座。
• 编排治理路线：面向"企业内部一堆 Agent"的权限、审计、协作、计费问题，做平台。

如果按这份地图推进，第一件值得做的事不是选品类，而是先建立一份自己的观察清单：把上面每个格子里最活跃的三到五个产品记下来，观察它们的定价模式和交付形态的变化。定价模式从席位转向用量或结果的那一刻，往往就是某个品类价值重心迁移的信号。

计价单位从席位向结果迁移。 已经出现可核实的公开报价，且集中在结果可计量、流程标准化的客服场景[3][4][7]。这是判断某个品类价值重心是否迁移的最直接信号。

横向 incumbent 转向"被 Agent 调用"。 Salesforce 以 Headless 360 / Agentforce 360 把企业应用拆解为可被授权 Agent 发现与调用的能力，并推出统一管理 Agent 身份、权限与成本的治理层[6]。中国横向由云厂商以生态绑定覆盖通用场景——百度千帆、阿里云百炼、腾讯云 ADP、华为云 AgentArts、火山引擎 HiAgent，开源侧由 Dify、Coze、FastGPT 覆盖轻量与定制[12]。

推理成本持续压制应用层毛利。 高使用强度既是增长信号也是成本负担，毛利改善依赖模型路由与推理优化[8][9]。

中国把生成式 AI 纳入准入前置监管。 面向境内公众、具舆论属性或社会动员能力的生成式服务须通过安全评估并完成备案，未履行将面临下架、封域名乃至行政处罚，实质抬高了上线门槛与合规成本[10][11]。合规因此既是门槛，也可能成为本土玩家的护城河。