95%的AI項目沒有回報，為什麼“無聊”的公司反而賺到了錢？

作者：深思圈

你有沒有發現一個矛盾的現象？一邊是鋪天蓋地的AI成功故事，融資消息滿天飛，各種AI產品每天都在發布。另一邊卻是企業真實的困境：IBM的研究顯示75%的AI解決方案沒有帶來預期的ROI（投資回報率），MIT的報告更慘，95%的AI項目沒有任何可衡量的回報。這個巨大的鴻溝到底是怎麼回事？為什麼看起來如此光鮮的AI技術，落地時卻如此艱難？

前幾天我看了一個影片，是Ben分享的關於2026年AI商業模式的深度分析。Ben自己經營AI agency（AI代理機構）和AI軟體業務已經超過兩年，他的觀察讓我產生了很多共鳴。他指出了一個被很多人忽視的現實：那些真正賺錢、真正為客戶帶來價值的AI業務，往往不是那些看起來最炫酷的純產品公司，而是那些看起來"很無聊"的、提供服務+產品組合的企業。這個觀點徹底顛覆了我對AI創業的認知。

為什麼大部分AI解決方案都失敗了

Ben在影片中提到了一個令人震驚的數據對比。雖然ChatGPT的使用率在飛速成長，企業也在瘋狂嘗試各種AI解決方案，但真正能看到商業價值的卻少之又少。根據MIT的研究，在供應商銷售的AI解決方案中，只有5%的試點專案最終進入了生產環境。Deloitte（德勤）發現只有15%的組織表示他們從AI中獲得了顯著的、可衡量的ROI。PWC（普華永道）報告顯示76%的企業還沒有看到利潤影響。這些數字實在太糟糕了。

但與此同時，我們也看到了完全相反的案例。Clara報告說他們的AI助手幫助削減了40%的客戶服務成本，而且沒有降低客戶滿意度。Intercom每週解決超過一百萬次的客戶支持對話。Freshwork使用AI將IT幫助台的工單解決時間縮短了76%。同樣是AI，為什麼有些公司能獲得如此驚人的回報，而其他公司卻一無所獲？

Ben總結了三個關鍵因素，我覺得說得非常到位。第一個因素是定制化和流程重組。AI能夠自動化勞動力，但它只有在真正嵌入到實際工作流程中時才能創造ROI，而不是簡單地在工具堆中加入另一個工具。這意味著通常需要一定程度的定制、整合，甚至重新設計現有流程。勞動力是與公司的獨特數據、邊緣案例、工具以及對"什麼是好"的定義緊密相關的。McKinsey（麥肯錫）的一項研究證實了這一點，他們發現在測試的25個屬性中，為AI重新設計和定制工作流程對組織是否能從生成式AI解決方案中看到實際EBIT（息稅前利潤）影響的影響最大。

我對這點深有體會。很多企業以為買一個AI工具就能立即見效，就像買一個Excel軟體一樣。但AI不是這樣工作的。每個公司的數據結構不同，業務流程不同，對質量的定義也不同。如果不進行深度定制，AI就像一個不了解公司情況的新員工，根本無法勝任工作。這就是為什麼那些開箱即用的AI產品往往效果不佳，而那些經過深度定制的解決方案才能真正創造價值。

第二個因素是團隊培訓和思維轉變。Ben強調，AI是一項新技術，傳統軟體是確定性的（deterministic），而AI軟體是概率性的（probabilistic）。人們需要重新學習如何批判性地看待AI軟體的輸出，而不是盲目信任。很多人看到一次錯誤輸出就認為這個AI解決方案不成熟，而不是理解這項新技術的本質。如果團隊不學會如何使用AI軟體，如何評估輸出，何時驗證，什麼是好的結果，公司內部的採用率往往會死掉。

Ben提到了一個很好的例子，他們的AI SEO軟體是一個產品化的解決方案，但如果不培訓團隊如何使用系統本身以及如何與AI協作，它就無法被正確採用。我覺得這點特別重要，因為它揭示了一個很多人忽視的真相：AI不是魔法，它需要人類學會如何與之協作。就像當年從命令列界面轉向圖形界面時，使用者也需要學習新的互動方式。現在從傳統軟體轉向AI軟體，同樣需要一個學習曲線。

第三個因素是持續運營和人工監督。由於AI解決方案通常承諾交付結果而不僅僅是生產力工具，這意味著通常需要有人負責並擁有系統的運營。工作在變化，業務在變化，AI發展得非常快。所有這些因素意味著通常需要有人監控品質，成為人工循環（human in the loop）的一部分，處理邊緣案例，收緊護欄，更新提示詞和邏輯，並且整體上保持它與業務的一致性。

Ben把AI比作一個聰明的實習生，它仍然需要手把手的指導和輔導才能產生結果，而不是一個可以設定後就忘記的軟體。我非常認同這個比喻。很多企業期望AI能像傳統SaaS（軟體即服務）那樣，部署後就能自動運行。但AI更像是雇用了一個員工，需要持續的管理、反饋和調整。Gardner的一項研究也支持這一點，定期進行AI系統評估和優化能將獲得高價值的可能性提高三倍。

成功的AI業務都在做什麼

那麼成功的AI業務是如何確保這些因素得到滿足的呢？Ben的答案很簡單也很重要：通常是透過在AI解決方案或AI軟體之上添加服務層（service layer）。這就是那個"無聊"但極其有效的商業模式的核心。我們看到所有類型的成功AI業務，使用AI原生軟體的企業，都在越來越多地提供諮詢、教育和定制實施的組合。

Ben詳細分析了幾種主要的商業模式。第一種是AI新創公司和AI軟體業務越來越多設有諮詢部門。Forward deployed engineers（前置部署工程師）或solution engineers（解決方案工程師）現在是AI新創公司中最搶手、價值最高的職位之一。有數十家Y Combinator（YC）新創公司正在透過這些前置部署工程師提供這些服務，以確保部署真正發生。這些工程師根據解決方案的不同，幫助持續優化並將產品整合到每個特定業務中。他們有時提供諮詢，幫助企業優先排序和重新規劃流程，有時則教育和訓練團隊如何與AI協作並高效使用這些工具。

我看了一下Ben提到的那些Y Combinator公司，Harvey AI、Strata AI、Sakana、Collectwise、Furai等等，他們都在大量招聘這類角色。即使是大公司如n8n、Relevance AI或Make.com，他們通常也為大客戶提供服務部門，並擁有可以為小客戶提供這類服務的合作夥伴網絡。想想n8n的成功，很大程度上是因為有YouTube上的博主教育了許多企業主如何實際使用這些工具。這說明了什麼？說明即使是最好的產品，也需要教育和服務層才能真正發揮價值。

根據不同軟體的特性，有些較偏向定制服務，有些較偏向培訓賦能，有些則偏向諮詢。有時是三者的混合，但對幾乎所有這些AI原生軟體業務來說，這個服務層仍然是向企業交付真正ROI的必要條件。這徹底打破了我之前對軟體業務的理解。在傳統SaaS時代，最成功的商業模式是完全自助服務、可擴展的產品。但在AI時代，即使是最好的產品也需要服務層的支持。

第二種商業模式是AI優先的服務機構（AI-first service agencies），比如行銷或潛在客戶開發機構，它們在內部流程中大量使用AI來自動化向客戶提供的服務。Ben提到的Called IQ，是一家AI優先的潛在客戶開發機構，使用AI自動化一些內容、電子郵件和LinkedIn外聯流程，透過客戶經理或GTM engineers（進入市場工程師）來提供這些服務。這些機構有一個優勢，因為他們自己就是AI操作員。所以通常不需要培訓客戶團隊使用AI軟體。但這本身就是一個服務業務，提供諮詢和定制策略，通常透過這些客戶經理來完成，他們越來越需要變得更加技術化，這就是為什麼AI GTM工程師成為一種新型的、高需求的職位。

我覺得這種模式特別聰明。與其試圖說服客戶改變他們的工作方式，不如直接為他們提供結果。客戶不需要學習如何使用AI，他們只需要看到更好的行銷效果或更多的潛在客戶。這種模式將AI的複雜性完全隱藏在服務背後，客戶購買的是結果，而不是工具。這也解釋了為什麼很多傳統服務機構透過引入AI可以大幅提高利潤率，因為他們的交付成本降低了，但客戶支付的價格並沒有相應降低。

第三種是能為企業提供最大ROI並獲得最多牽引力的AI自動化機構（AI automation agencies）。這些機構不只是專注於構建，而是成為企業的AI合作夥伴，提供完整的服務層，包括透過AI審計提供諮詢、定制實施和團隊訓練，教他們如何高效地與這些系統協作。在這些機構中，非常有價值的職位是delivery managers（交付經理），他們具有業務理解、AI技術和溝通能力的綜合素質。他們可以持續諮詢、重新規劃流程、發現低效環節、訓練團隊並配置AI操作員。

Ben分享了他自己的經歷很有啟發性。當他剛開始做agency時，他們更專注於實施部分，這經常導致AI解決方案不被公司使用或採用。後來他們採用了一種將策略、教育和實施相結合的方法，並引入了這些交付經理。從那時起，他們為企業創造的採用率和ROI就高得多。這個轉變非常關鍵，它說明了一個道理：技術實施只是成功的一小部分，真正的價值在於確保解決方案被正確使用並產生結果。

第四種高價值的角色是AI官員（AI officers）或fractional AI officers（兼職AI官員），他們具有業務敏銳度和AI技術理解的綜合技能集，可以為企業提供同樣的服務組合，幫助企業在AI時代轉型。Ben提到這個角色有很多名字，比如fractional AI officer或AI transformation officer（AI轉型官員），但歸根結底是那些擁有特別高價值技能集的人，能夠從AI解決方案中為企業帶來真正的ROI。

產品與服務的界線正在模糊

Ben的一個核心觀點讓我印象特別深刻：即使我們現在可以用Claude Code在幾小時內構建出色的軟體，但如果想要建立一個AI產品業務，大多數時候（不是所有時候，但大多數時候）你需要大量投資於提供服務。很多人把產品和服務看作非黑即白，但Ben認為在AI領域這更像是一個光譜。可能有一些完全自助服務的AI SaaS，也有一些像AI轉型機構那樣完全定制的。

我完全同意他的觀點。Ben的論點是，大多數試圖在2026年起步的AI業務，無論商業模式如何，都需要加入服務層的某些部分。因為即使你有一個完全自助的產品，你可能也需要大量投資於教育和入門培訓。隨著像Claude Code這樣的工具的出現，產品構建正在變得越來越民主化。雖然在SaaS時代產品很難構建，但現在讓一個成功的AI SaaS起步，已經不再是關於程式碼，而更多是關於AI部署能力。

這個洞察非常深刻。它意味著技術門檻在降低，但服務門檻在提高。過去，能寫程式碼就能創造很大價值，因為寫程式碼很難。現在，能寫程式碼已經不夠了，因為AI可以幫你寫程式碼。真正有價值的是理解客戶需求、設計正確的解決方案、確保它被正確部署和使用。這些都需要深厚的服務能力，而不僅僅是技術能力。

Ben說很多人夢想著構建一個AI產品，保持精簡，然後賣給成千上萬的人。但對於大多數沒有多年創業經驗、VC connections（風投關係）或矽谷人脈的人來說，現實是即使提供服務不是最終目標，它們也是今天交付真正ROI的最快途徑。而且服務也是產品化的最佳載體。當同樣的模式在不同客戶之間重複出現時，相似的工作流程調整、相似的整合、相似的訓練問題和重複的ROI，它們就成為了應該重複和產品化的信號。

我覺得這是最重要的一個觀點。好的產品通常來自證據，而不是假設。A16Z（Andreessen Horowitz，一家頂級VC公司）也發表了一篇關於AI時代產品導向成長（product-led growth）與服務導向成長（service-led growth）的文章。他們看到同樣的趨勢：能夠提供最大ROI並獲得最多長期收入的企業，是採用服務導向的AI業務。儘管這可能意味著在開始時利潤率較低、工作量更大，但通常意味著你能更快找到產品市場契合（product-market fit）。

Ben用他自己的AI SEO軟體作為例子。他們為多個客戶構建了定制的SEO系統，以了解產品需要什麼、什麼真正能產生結果、需要哪些整合、如何讓人們高效使用它。透過這個過程，他們能越來越多地將解決方案產品化。但即使在與100多家企業合作過這個軟體之後，他們仍然需要對每個客戶在教育和訓練方面投入大量資源，才能從這些解決方案中獲得實際結果。

我對AI商業模式的深度思考

聽完Ben的分享後，我對AI商業的本質有了更深的理解。我認為我們正在經歷的不僅僅是技術變革，更是商業模式的根本性轉變。在傳統軟體時代，scalability（可擴展性）是王道。最成功的軟體公司是那些能以最低的邊際成本服務最多客戶的公司。這就是為什麼SaaS模式如此受追捧，因為一旦軟體開發完成，服務一個客戶和服務一萬個客戶的成本幾乎相同。

但AI改變了這個遊戲規則。AI的價值不在於軟體本身，而在於它如何被應用到特定的業務場景中。每個企業的數據不同、流程不同、目標不同，這意味著同一個AI工具在不同企業中的部署方式和效果可能完全不同。這就是為什麼定制化和服務層變得如此重要。我們不能再用傳統軟體的思維來思考AI業務。

我覺得AI業務更像是諮詢業和軟體業的混合體。它需要諮詢業的客戶洞察和定制能力，同時也需要軟體業的規模化潛力。那些試圖走純產品路線的AI公司往往會遇到adoption（採用率）問題，因為他們的產品雖然技術上很先進，但客戶不知道如何使用或者無法整合到現有流程中。而那些走純服務路線的公司雖然能滿足客戶需求，但缺乏規模化能力，利潤率也受限。

最成功的AI業務模式是在這兩者之間找到平衡。Ben提到的那些成功案例，不論是Y Combinator的AI新創公司、AI優先的服務機構，還是AI自動化機構，它們的共同點是都提供了產品和服務的組合。它們用產品來提供核心功能和可擴展性，用服務來確保產品被正確部署和使用。這種混合模式或許在短期內利潤率較低，但長期來看卻更可持續，因為它真正為客戶創造了價值。

我還注意到一個有趣的趨勢：AI時代的高價值職位都是複合型的。不再是純粹的工程師或純粹的業務人員，而是那些既懂技術又懂業務的人。Forward deployed engineers需要理解客戶的業務流程，AI GTM engineers需要既懂技術實現又懂市場策略，delivery managers需要有業務理解、技術能力和溝通技巧，AI官員（AI officers）更是需要全方位的能力。這反映了AI業務的本質特徵：技術與業務的深度融合。

從創業角度來看，我認為Ben的建議非常實用。對於想要進入AI領域的人，不要一開始就想做一個scalable的產品。先從提供服務開始，透過服務來深入理解客戶需求、累積經驗、發現可重複的模式。當你為10個客戶解決了同樣的問題後，你就知道什麼值得產品化了。這種從服務到產品的路徑雖然看起來"無聊"，但卻是最穩健、最有可能成功的。

我也思考了為什麼傳統的產品思維在AI時代失效了。我認為根本原因在於AI的概率性本質。傳統軟體是確定性的，給定相同的輸入，總是產生相同的輸出。但AI是概率性的，相同的輸入可能產生不同的輸出，而且輸出的品質取決於很多因素，包括訓練資料、提示詞、上下文等。這種不確定性意味著AI不能像傳統軟體那樣"設定後忘記"，它需要持續的監督、調整和優化。

這就解釋了為什麼服務層如此重要。服務層提供的不僅是技術支援，更是一種持續的優化和調教過程。就像Ben說的，AI更像是一個聰明的實習生，而不是一個自動化工具。你需要給它反饋，調整它的行為，處理它的錯誤，教它新的技能。這個過程不是一次性的，而是持續的。這就是為什麼那些只賣產品不提供服務的AI公司很難成功，因為他們把這個持續優化的責任推給了客戶，而大多數客戶沒有能力或意願來承擔這個責任。

對未來的展望與建議

基於Ben的分析和我自己的思考，我對AI商業的未來有幾個判斷。短期內（未來2-3年），服務導向的AI業務模式將繼續占主導地位。技術還在快速演進，每個企業的需求都不同，standardization（標準化）還沒有形成。這個階段，能夠提供深度定制和持續支持的企業將獲得最大的價值。

中期來看（3-5年），我們會看到一些成功的模式開始產品化。那些在服務過程中發現了可重複模式的企業，會開始將這些模式固化為產品功能。但即使在這個階段，完全自助服務的AI產品仍然會是少數，大部分成功的AI企業仍會保留一定的服務成分。就像現在的企業軟體市場，雖然有Salesforce這樣高度產品化的公司，但它們仍然有龐大的實施合作夥伴網絡和專業服務團隊。

長期來看（5年以上），AI技術會變得更加成熟和可靠，使用者也會變得更加熟悉如何與AI協作。這時候，我們可能會看到更多完全產品化的AI解決方案出現。但我認為服務層永遠不會完全消失，因為業務的複雜性和多樣性是永恆的。即使AI變得更智能，企業仍然需要幫助來將AI整合到他們獨特的業務流程中。

對於想要進入AI領域的專業人士，我的建議是要培養複合型能力。不要只學技術或只學業務，而是要兩者兼顧。學習一些AI自動化工具，比如n8n、Make.com，也學一些coding，比如Claude Code。但同時也要培養業務洞察力，學會識別企業痛點，設計解決方案，與客戶溝通。這種複合能力在未來會非常值錢。

Ben建議專業人士應該慢慢將自己定位為所在企業的AI操作員或AI官員。開始自動化自己的一些流程，擴展到業務中的其他流程，向團隊中的其他人展示和訓練如何使用AI。這不僅會讓你在當前公司變得不可取代，也會為你建立AI時代的寶貴技能集。我非常認同這個建議，因為AI不會取代人，但會使用AI的人會取代不會用AI的人。

對於想要創業的人，Ben的建議是從AI agency或fractional AI officer開始。因為你會自然而然建立起這三項技能：諮詢、實施和訓練。工具可以在幾週內學會，但這些技能需要在實踐中累積。而且大多數企業都落後於AI趨勢，只要你比他們領先幾週，他們就願意長期與你合作。通常只需要2到4個客戶就能達到每月1萬到2萬美元的經常性收入。

如果你已經在經營AI agency，Ben建議真正投資於提供服務組合：諮詢、訓練和實施。很多機構純粹專注於實施，但增加透過AI審計、workshop（研討會）和訓練來提供的諮詢和訓練層，才是真正推動你所構建的解決方案產生ROI的關鍵。而且你可以讓這些客戶簽訂長期合作協議，這是這種商業模式中經常性收入的關鍵。

如果你是現有的服務機構，比如行銷機構或潛在客戶開發機構，或者在這類領域有經驗，你也處於一個很好的位置。不要因為外界的炒作而猶豫是否要轉向AI agency或構建AI產品業務。如果你能在內部利用AI來向企業提供行銷或潛在客戶開發服務，你就能建立一個非常好的高利潤率業務。關鍵是要認識到AI可以大幅降低你的交付成本，而不是完全改變你的商業模式。

如果你是一個正在努力獲得牽引力的AI產品業務，Ben建議真正考慮在幾個月或幾年內大量投資於服務層，然後再完全嘗試產品化。我覺得這個建議特別重要，因為很多AI創業公司失敗不是因為產品不好，而是因為他們太早追求規模化，忽視了服務的重要性。先透過服務證明價值，找到product-market fit，然後再考慮規模化。

最後我想說，2026年的AI領域還沒有真正的專家。大家都在學習，都在摸索。這既是挑戰，也是機會。那些願意深入學習、實踐和分享的人，都有機會成為這個領域的先行者。就像Ben說的，要利用這個巨大的adoption gap（採用差距），今天就跳入AI領域。不要等到所有東西都成熟了，那時候機會窗口就關閉了。

我相信未來幾年會是AI商業模式定型的關鍵時期。那些找到產品和服務最佳平衡點的企業，那些真正為客戶創造價值而不是追逐技術炒作的企業，那些培養了複合型能力的團隊，將會成為這個時代的贏家。而那個看起來"無聊"的服務+產品混合模式，恰恰可能是最sustainable（可持續）、最有價值的AI商業模式。