当通用Agent 越来越强，垂类Agent 的壁垒在哪里？

本文来自微信公众号： 出海同学会 ，作者：出海同学会，原文标题：《干货｜当通用 Agent 越来越强，垂类 Agent 的壁垒在哪里？》

在这一期中，我们邀请了来自AI产品团队、SaaS创业公司、平台工程团队以及增长与投资一线的多位嘉宾，围绕中小企业对AI/Agent的采用路径，以及通用能力持续增强背景下垂类机会的变化展开讨论。

一个逐渐清晰的共识是：AI正在改变的，并不只是软件能力本身，而是企业组织形态与工具结构之间的关系。

但与此同时，路径分化同样明显——不同规模企业、不同数字化基础以及不同场景行业，对Agent的接受节奏正在出现显著差异，通用能力增强也正在重新模糊垂类产品的传统边界。

本篇，我们聚焦几个问题：中小企业采用AI/Agent的真实节奏正在发生什么变化？通用Agent持续增强的情况下，垂类产品的壁垒还建立在哪里？新的创业机会，正在向哪些能力层重新转移？

[一页精华].

如出现链接或企业名为嘉宾引用第三方，侵删。

Trae｜DOM｜Gary Qi

Minitable｜CEO｜Sean Pan

AgentWeb｜CPO｜Fangfang Tan

Google｜Engineer｜Alan Wang

Paypal｜Senior PM｜Stella Chu

Moxt｜Founder｜张昊然

Ancher AI｜Co-Founder｜Steve Li

Part.01AI能力层讨论

中小垂类企业2026年接受AI/Agent的程度

Jeffrey Ma｜双币VC

首先还是先看SaaS市场本身，再看这一轮里面到底跑出了什么东西。上一个时代的SaaS，基本无非就是两类：vertical和horizontal。如果再细分，其实还可以拆成管理型和工具型。基于这四个象限，产品和客户类型其实是可以比较清晰地划分出来的：有些解决特定任务，有些解决特定目的和需求，有些解决的是降本增效的流程。

接下来要看的就是这一轮SMB的定义是不是变了，客户群是不是变了。我自己的判断是，中国和美国未来SMB的数量都会缩小。核心原因就是劳动效率提升以后，组织里的人工员工数量会下降。组织人数会变少，但不代表组织本身会变小。那如果组织人数变少了，上一个时代这四个象限里的SaaS产品，都会发生变化。尤其是管理型产品，比如Slack这种；还有那些针对特定功能需求的工具型产品，都会变。从现在的情况看，模型落地里几个比较明确的PMF，我觉得大概是这几类：coding、客服、deep research、多模态。

第一类是coding。这个方向在美国的渗透已经非常快了，而且会继续长出很多垂类产品。后面一定还会有更多产品从Vibe coding这个方向里出来。但与此同时，它们也一定会面临巨头的冲击，所以大家都会去做自己的垂模能力，最后演变成很多垂类模型之间的竞争。

第二类是客服。这个方向我觉得现在的需求远远没有被满足。核心原因在于，美国的基础设施比较差，很多需求的线上化率其实一直不高。中国有微信、支付宝、美团去承接很多原本非线上化的场景，但美国没有。所以在这种情况下，客服这个方向的空间还很大。

第三类是多模态。这里面最明显的一个方向就是广告和内容生产。以前做marketing，无论运营还是策划，都要投入很多人力；现在很多内容已经可以直接用text-to-video去做。包括PixVerse、Vidu、Haiper这些，我觉得它们的市场渗透率都还远远没有到上限。

再往下一个方向是内容消费。像短剧、漫剧这类内容，在全球的渗透会很快。因为超过10秒的视频，其实已经能突破恐怖谷；但到了30秒左右，问题又会开始出现。所以它天然更适合短场景的营销和内容宣发。

最后再回到经营性、管理类工具。我觉得这类工具也会因为coding能力的存在，发生很大变化。过去像Slack这种产品，本质上是用来管人的；未来其实是要管agent。过去你管理的是销售人员，未来可能是agent在处理销售全链路。我们已经看到有公司在很短时间内，用agent做出一整套CRM。这种形态后面会变化得很大。

再回到中国市场。我觉得前面提到的coding、客服、多模态这些大方向，和美国没有本质区别。但在生产力工具这件事上，中国和美国差异非常大。因为在中国，飞书和钉钉在中小企业里，已经形成了很强的上下兼容能力。过去大量的企业数据、线上化流程、企业服务需求，其实早就被这套体系吃掉了。现在它们再把能力开放出来之后，就会继续利用自己的平台入口去承接SMB。所以留给初创公司的入口机会，明显没有美国那么多。所以我觉得，中国和美国市场最大的差异就在这里：中国的SMB体系更集中、平台能力更强；美国的SMB更分散，但未来数量可能会明显减少。这会带来两边非常不一样的需求结构。

Gary Qi｜Trae

我自己先分享一些观察。因为我在硅谷待得比较久，所以更多看到的是：这一年中小企业对AI的接受度，肯定是在上涨的。而且这个涨幅还不小。但这里面其实有明显分化。像那种50到200人的中型企业，采用AI的比例会高很多，因为这类公司通常已经有比较完整的IT能力；而那种十个人左右、偏传统的小企业，整体会保守很多，一方面是本来就没有太强的技术背景，另一方面也确实不太会用，所以更多还是在观望。

不过我觉得，里面还有一类新的小企业很值得看。尤其是在硅谷，现在已经出现了很多这种人数非常少、但非常AI native的公司。它们不一定是在做特别hardcore的tech生意，但基本都会用AI工具快速把自己的网站、软件服务、客服系统、库存管理、下单流程这些东西搭起来。它们服务的，往往都是一些非常具体场景里的客户。

我觉得这一类公司的特点很明显：人很少，但效率非常高。很多原本要靠一个小团队才能完成的事情，现在靠AI coding和各种agent，真的可以被一两个人撑起来。所以我自己的判断是，AI coding对这类AI native的小企业帮助特别大。尤其是对那些本身能力就很强的开发者来说，它会把一个人独立赚钱的能力大幅放大。

Fangfang Tan｜AgentWeb

我目前在一家叫AgentWeb的公司做产品负责人。我们主要做的是AI native的go-to-market agent，从营销、销售和AI CRM这几个角度，去帮助SaaS公司和AI B2B客户做增长。做了一年、服务了将近30家不同赛道的客户之后，我们看到几个很明显的现象。

第一，我们发现不同赛道对AI agent的接受度差异非常大。效果最不好的，反而往往是那些比较传统的SMB。比如餐馆、送餐这类企业，本质上都是老板一个人管很多事，既要管经营，也要管广告。在这种情况下，AI广告会遇到一个很现实的问题：它做不出他们真正想要的实物质感。一旦广告投到Meta这类平台，被标成AI-generated，他们会很顾虑，因为用户一看到这是AI生成的实物内容，信任感就会掉下来。所以这个问题不是一句“模型更强了”就能解决的，它同时卡在平台机制和模型能力两头。

第二个表现没那么好的行业，是教育。因为这个行业本质上是一个trust-based的生意，它更依赖口碑和转介绍。所以在这种行业里，不管是用AI去写内容，还是去做广告，往往都写不出真正有效果的东西。你跟他们说“我们用的是agent”，他们也未必会觉得这是他们原本愿意采用的方式。反过来，表现更好、也更愿意拥抱AI agent的，通常就是那些本身也在做AI agent的“兄弟产业”。这个和创始团队对AI的认知程度关系很大。越传统、离AI越远的团队，往往越抗拒，也越不愿意给新东西试错的空间。但AI这件事本来就需要不断调、不断试。

另外一个很有意思的维度，是企业size。我们观察到AI agent的adoption基本和企业规模呈反相关。也就是说企业越大，反而越难用起来。原因很简单：大企业内部已经有太多既有的SaaS基础设施，agent一旦要和这些遗留系统做integration，就会变得很难兼容。再加上很多公司在2024、2025年前后，其实已经尝试过一波，只是那时候还主要停留在LLM阶段，结果大多不算成功。所以这一波虽然大家还会继续看agent，但管理层在ROI和investment这些问题上，明显已经更谨慎了。

反倒是在硅谷这边，大家会走向另一个极端：既然已经有Claude、有OpenClaw这类工具，那我是不是根本不需要那么多传统SaaS了。所以整体看下来，我们感受到的是一个非常明显的分化。

Sean Pan｜Minitable

大家好，我来自Minitable。我们是给餐厅做SaaS的，主要做等位和预订这一类SaaS。刚才听了前面两位同学的发言，我非常认同。首先，从Minitable自己的角度来说，我们其实也即将要变成一个相当于OPC的形态。第一是在AI时代把自己的公司做到人效特别高，把成本压到极致，我觉得这是我们的一个核心竞争力。其次，我们以前做SaaS的时候其实积累了很多数据，但一直不知道该怎么用，也不知道应该怎么处理。有了AI之后，我们其实相当于像是给自己换了一个B面。之前那个A面是一个SaaS，换到B面之后会发现，以前很多沉淀下来的数据，通过vibe coding其实都可以重新调用起来。这是我们公司内部一个很直接的观察。

其次，从客户这边来看，因为我们服务的客户跨度比较大，既有连锁店，也有单店。比如说像海底捞这样的连锁企业。我们其实都问过客户两个问题。第一个问题是：你现在花时间最多的地方是什么？第二个问题是：你认为AI能帮你做什么？连锁店老板的回答，基本上都更偏重于数据类和管理类的问题；而单店老板的回答，则更偏重于“能不能让AI帮我做marketing、做运营、做营销”。所以在我看来，做SaaS的话，这其实对应的是两种不同的能力。

第一种能力，是面向连锁店的能力。像连锁店本质上是基于POS系统的能力，它依赖现有数据库，以及已有的数据记录。比如像Toast给它做了一个Toast IQ。我觉得这种能力，对于其他小公司来说，如果你不是它的数据中心，实际上是没有办法帮它做这件事情的。

第二种能力，是面向单店的能力。单店更需要的，我认为是一种流程上的能力。它要解决的这个问题，和数据本身关系没那么大，它可能也没有特别多数据，但它希望有一个东西能让它整个流程变得更快。这一点，我觉得反而是一些SaaS公司可以帮助他们去解决的。

所以在AI这件事情上，连锁店和单店其实是两种完全不同的需求方向。还有一个补充，我们问到的这些老板里面，大部分现在在用的工具，其实都是ChatGPT、千问，或者小龙虾。

Alan Wang｜Google

在大公司我确实跟前几位同学的观察不太一样。我们更多强调的是做一个平台，而不是针对每一种特别细分的客户去做一款agent。所以我们一开始基本上就是偏通用的。因为你做很垂的东西，首先需要很多人手，其次你需要围绕这个场景不断去做微调，所以其实非常消耗精力和能力。那对于大厂来讲，大部分情况下是你已经有很多客户了，但这些客户可能会想要agent的能力，那么你就是在自己原有业务的基础上去做这个agent。这是我观察到的一个现象。大部分其实都是为了满足已有客户，而去做的一些agent。

通用Agent越来越强的情况下，垂类Agent的壁垒究竟建立在哪里？

Alan Wang｜Google

我自己也还在探索这个问题。我觉得通用这一侧，现在配合您刚刚说的skills，再加上模型能力本身还在不断更新，尤其是Claude最新的那个模型已经很可怕了。所以它有点在抹平我们之前提到的那些长尾需求。因为以前大家创业时都会说，找一个长尾需求，然后围绕这个需求持续耕耘，把它做到最好，那可能就会有人用。但现在会发现，这些通用agent正在不断抹平这个门槛。有人可能会说，那为什么不直接去写skills，然后把skills作为收费方式就行？但我觉得这套东西现在还没有真正建立起来，尤其是skills怎么收费，这件事本身也很难。

所以现在垂类到底该怎么“垂”，我觉得已经有点模糊了。或者说它到底垂在哪里？到底什么才是你真正特别的地方？那可能就是你有一些别人没有的数据，这也许是最后的壁垒了。所以说实话，我去年还挺乐观的，现在也挺迷茫的。如果是个人创业者，我觉得这个问题真的得好好想一想。但有一个我觉得也算是好处的地方，就是以前大家会想做一个agent，或者做一个App，但可能苦于不知道怎么宣传，marketing或者growth做不好。现在的话，我觉得因为“小龙虾”那一波已经教育了很多通用用户，让他们意识到agent原来是这么回事。然后他们会想不断往里面加自己的skills，不断加不同的tool。所以其实这反而变成了一个很好的marketing手段。也就是说，你原来想做一个独立的agent，或者一个独立的App，但你现在可以把它变成某种skills，然后通过Claude去分发它。其实相比以前这是一个优点。相比以前，它的传播会更快；但与此同时，它被替代的速度也会更快。大概就是这么一回事。

你可以把它理解成三层：第一层是模型本身。模型刚训练出来时，依赖的是训练数据，但训练数据和现实世界总还是有差别的。第二层是加上tool之后，它可以做搜索，但搜索也不一定拿到的是最新的信息。第三层就是skills。skills其实是你自己嘴里“吐”出来的、你最近一段时间真实积累下来的知识，它已经非常接近你当下最新的知识状态了。所以我觉得，这其实是一个非常难跨过去的坎。至于真正的壁垒到底在哪里，我个人现在也挺迷茫的。我也挺期待，在场参与讨论的伙伴里面，有没有人对这个问题有一些新的想法。

Gary Qi｜Trae

我之前在做扣子。之前做的就是通用类的产品，但后来发现通用agent很多时候很难满足不同场景的诉求。举个例子，到了医疗场景、生物场景，每个场景的诉求、合规要求，以及很多具体细节其实都不一样。我们之前在推进的时候就发现，这件事非常难。像workflow这种东西，在一些通用场景里比如写文案、爬数据，其实是很容易做的；但一旦深入到某些特定场景，我觉得通用agent还是比较难真正把工作完成好。这是第一点。

第二点是，到了这些垂类场景之后，比如医疗领域，医疗领域里的人很多并不懂AI。你给他们一些比较通用的agent工具，他们其实也玩不明白。很多时候，包括我自己观察到的一个例子：我有一个Salesforce的好朋友，后来出去创业了，他带着一帮Salesforce的人，专门针对医疗场景去做这种AI产品工厂。他们甚至在里面内置了专门面向医疗场景的coding agent。我看他们在市场上的反馈就非常好。因为他们既懂场景，又懂技术，所以就能做得很好。虽然大家都喜欢大模型，也会说harness这一层最终好像都会被模型蒸馏掉。但怎么说呢，蒸馏和这种组合式开发相比，毕竟还是需要人去维护，而我觉得在现阶段，后者的动作还是会更快一点。

所以总体而言，我其实发现一个问题：很多人经常会说，AI一直在蒸馏，这些skill、harness最后都会被吸走，像吸星大法一样被吸走。但从实际场景来看，我觉得目前还远远没有到那一步。

Fangfang Tan｜AgentWeb

我们最近在做客户回访的时候，他说：“我们已经抛弃GPT了，现在把所有工作流都搬到你们agent上了。”这件事让我确实很感动。我就问他为什么，他提了几个原因。

第一，就是跨平台的模型切换。因为我们的平台上接入了很多不同的模型，而且我们也会帮助客户做优化，告诉他们在什么样的工作场景下，应该优先使用什么样的模型。这样他们就不会被绑定在某一个平台的某一个模型上。这是他们觉得特别好的一点。

第二，服务和信任。因为他们在使用过程中，如果遇到解决不了的问题，我们这边随时都有人跟进。我们也有全天候的客服agent帮他们debug。像这种服务其实是那些大平台很难给中小客户提供得这么周到的。因为这些新东西在使用过程中，肯定会各种出问题，关键就在于你怎么样帮客户迅速unblock，迅速把问题解决掉，这一点非常重要。

还有一个，就是内部tooling的integration。我发现我自己在用Claude的时候，比如MCP有时候就会卡住，导致整个调度跑不起来。那这种config层面的问题，如果是内部团队，尤其是非技术团队遇到了，就只能依赖技术人员帮忙解决，这个时候就会比较抓瞎。而像这种更垂类、体量更小、也更贴近边缘场景的团队，反而能够更快地帮客户解决问题，进而赢得他们的信任。所以我觉得，这种模式在AI native的时代依然是行得通的。

Stella Chu｜Paypal

我们当时在PayPal也想做一个偏垂类的vibe coding tool，面向中小企业。我们最初的想法是：这些中小商家本身没有那么technical，如果他们直接用市面上很多现成的tooling，比如Lovable，它可能只能做出一个好看的前端，但背后并没有hook up with那些真正关键的能力，比如支付、报告、记账等等。所以我们当时的想法是，如果我们能做一个更偏垂类的web coding tool，直接给到这些中小商家，是不是就能够看到一些adoption。我们也确实做了一些类似的尝试，但事实上adoption非常少。我觉得这里面一个可能的learning是，很多中小企业，尤其是我们接触到的这些商家，比如很多非常小的企业，其实并没有那么ready to embrace这类AI。

史大侠｜PMF

刚刚PayPal那位同学提到他们在做的事情，其实我们也辅导过类似的项目。我们会发现，中小企业真正要的东西其实很不一样。举个例子，很多人会觉得他们想要的是收款、更快的支付、更便捷的界面，但可能都不是。对他们来说，更重要的可能是调货，可能是一些小批量货物在同行之间的拆货、调配等等。所以说实话，我觉得在垂直场景里面，最看重的还是你有没有把这个垂直场景里的特殊需求真正做好。举个例子，假如是卖花，每个花店之间的差别其实没有那么大。所以关键还是要看他们背后最重要的那件事情是什么，他们平常最麻烦的到底是什么。他们不是每一个功能都愿意付费，所以我觉得第一个关键，就是要先看清楚到底从哪一个点切入，哪些是重要的，哪些其实没那么重要。

第二个是，我最近看到有一些朋友的业务，反而做得特别好。因为他们以前原本也是做类似SaaS的舆情分析平台，但这几年其实变得不太一样。因为这两年有了agent。他们服务的大概是两类客户：一类可能是大型化妆品公司，另一类可能是新闻、媒体，甚至政治相关的机构。在这些不同类型的客户里面，他们内部可能会有IT，但通常不会是一个真正完全digital-driven的团队，所以实际对接这块工作的，通常还是marketing。但marketing团队本身有一个特点，就是人员流动很快，可能一两年就会换人，所以我们的对接窗口可能每年都会变，甚至连director都会换。所以你平台的稳定性，反而成了甲方非常看重的事情。因为你们签约有时候一签就是几年，所以我觉得垂类在客户关系管理这件事情上反而变得非常重要。你怎么样去keep住他们的attention，怎么样保持住你们的信誉和稳定性这些都很关键。另外，当新的内容平台流量不断进来的时候，你能不能保证你对这些平台里的数据，依然具备及时性、稳定性和洞察能力？

第三块，是我们在垂直场景里看到的一些变化。像餐饮、牙医这些行业其实都有类似情况。以前大家可能会觉得我找别人合作，一个月花一万、两万、三万人民币就差不多了。但现在可能变成，花一样的钱，我能做的事情变得更多，甚至还可以帮我自己搭一套内部系统。我再举一个稍微大一点的例子，一些泛金融类的小公司或者小团队。他们基本上都会要求私有化部署，但他们自己又不太可能直接去用那些开源类型的产品，尤其是大语言模型，他们会很担心安全和风险问题。那怎么样帮助他们去学习、去了解、去建立认知，就变成了一件很有价值的事情。所以我们最近也看到非常多这样的团队，可能一个人一年就可以做到两三百万人民币的收入，而且他一次可能只服务五六家公司，帮他们完成这些事情。这就是我目前看到的一些垂直场景的观察。

SEAMATE Highlights

通用Agent越来越强之后，真正构成壁垒的，已经不再是功能本身，而是对具体场景的理解、交付和信任。