日常生活中很多现象遵循正态分布，比如智商、标准化考试成绩或群体的血压水平等。这种分布直观且易理解，大多数结果集中在“平均”值附近，离平均值越远的概率逐步下降。

然而，在风险投资领域并非由正态分布决定，而是由少数异常值决定大部分结果的幂律分布主导，依赖于少数成功的投资项目带来的巨大回报来实现基金的整体收益。

早在2008年，Union Square Ventures创始人Fred Wilson便指出：

2016年，时任a16z合伙人Benedict Evans也强调，在风投中“6%的投资带来了至少10倍的回报，而这些回报占据了风投总收益的60%。”

由于风险投资依赖“明星”项目，资本往往集中在被认为能带来超高回报的领域。这种现象也带来了风投中的“炒作幂律”。例如，1999年互联网泡沫时期，39%的风险投资流向了互联网公司。到了2024年，这样的高热度领域变成了人工智能。根据硅谷科技评论AI创投库（svtr.ai）自OpenAI在2022年11月发布ChatGPT以来，AI公司融资飙升，全球近一半的风投资金砸进AI领域。

• 从2024年全球每周AI融资事件平均在40起，比去年均值高出10起，其中仅有60%是首次融资，每周融资平均融资金额从去年不足5亿美元，上升到10亿美元之多。

  
  

• 2024年夏季的YCombinator加速器项目中，75%的初创公司（208个中的156个）致力于AI相关产品。

  
  

• 2024年第二季度，49%的风险资本流向了AI和机器学习初创公司，而2022年第二季度这一比例仅为29%。

  
  

• 2020年，AI、SaaS和金融科技公司早期的中位估值分别为2500万美元、2700万美元和2800万美元；而在2024年，这些估值上升到7000万美元、4600万美元和5000万美元。

  
  

• OpenAI在2024年10月成功以1570亿美元估值融资，尽管其年收入预期为40亿美元且未实现盈利，这意味着估值相当于收入的39倍。

  
  

尽管AI原生初创公司获得了投资者的大量关注，但这并不能全面展示AI发展的全貌。实际上，大部分公司并非以AI为核心业务，但仍将受到AI技术进展的深远影响。回顾互联网泡沫时期，许多最大的赢家并非互联网公司，而是那些适应了电商趋势的传统公司。比如，成立于1962年的沃尔玛在2023年实现了730亿美元的电商收入，相比2017年增长了五倍。像沃尔玛这样的传统公司受益于互联网普及，形成了所谓的“互联网长尾”。

如今，一个新的“长尾”正在出现：AI长尾。AI长尾包括各个行业的非AI公司，如金融科技、SaaS、工业、医疗、电商、酒店、国防技术、媒体、时尚、物流和交通运输等，都会受到AI的影响。无论是使用现成的AI工具，还是将AI集成到内部工作流中，各行各业的公司都在使用或尝试使用AI。正如互联网对非互联网公司的深远影响一样，AI的影响也绝不会仅限于构建AI模型或产品的公司。

定义“AI长尾”公司

目前获得市场重点关注的AI公司主要分为两类：

• 模型公司：如OpenAI、Anthropic和Mistral，这些公司开发了专有或开源的大型语言模型（LLM），并将其提供给用户。

• AI原生公司：如对话搜索引擎Perplexity和营销平台Jasper，AI模型是其产品不可或缺的一部分。

  
  

对于模型公司，模型本身就是产品；对于AI原生公司，产品依赖于AI模型才能正常运作。但大多数公司（如彭博、沃尔玛、Canva）并不属于这两类，正是本文讨论的“AI长尾”范畴，尽管目前这类公司是不太受人关注的“丑小鸭”，但因AI的发展而受到不同程度的影响，部分公司甚至有可能成为一飞冲天的“白天鹅”。

这种“长尾”现象带来了一些关键问题，比如：

• AI技术进步将如何影响那些在ChatGPT之前便已存在的商业模式？

• 不同行业的员工，如咨询公司分析师或技术大厂软件工程师，目前如何使用AI？未来又将如何使用？

• 公司如何在AI市场中定位自己？是从零构建自有模型，还是使用外部开发的工具？

对于这些问题，不同公司答案各异。例如，费用管理平台Ramp和澳大利亚SaaS巨头Atlassian，将生成式AI应用于现有数据和工作流中。瑞典金融科技公司Klarna则通过AI提升内部运营效率，其AI客服在2024年已替代了700名全职客服人员。此外，不同规模的公司都在使用AI工具提升员工效率。2024年5月，普华永道（PwC）为10万多名员工提供了ChatGPT Enterprise的高级功能；同时，美国商会的调查显示，98%的小型企业使用了AI工具，体现了AI在有限资源的中小企业中起到“杠杆”作用。

今天，我们回顾互联网泡沫，可以识别出市场的赢家、输家以及一些决定性趋势（如云存储、电商、社交媒体），但AI尚不具备这种视角。尽管AI应用广泛，企业仍在探索其最佳用例，这也为咨询公司带来了机遇。2024年第三季度，埃森哲通过AI项目获得了年化36亿美元的预订收入，BCG则预计2024年其20%的收入将来自AI项目，2026年这一比例将增至40%。

根据对成本和资源的要求，我们将AI长尾公司分为四个层次：

• 构建独立模型：这种方式资源消耗最大，通常适用于拥有大量独特数据资源的公司，能带来独特见解，并拥有足够的人力和财力来从零训练新模型。

  
  

• 使用闭源模型：如OpenAI的GPT模型或Anthropic的Claude，这些模型在数十亿甚至数万亿参数上进行训练，能生成多领域高质量输出（如编程、客户服务），并能通过API轻松访问。

  
  

• 使用开源模型：如Mistral或Meta的Llama，Llama 3.1训练于4050亿参数。与闭源模型不同，开源模型为公司提供了更高的透明度和灵活性，可根据客户需求调整模型权重。

  
  

• 使用第三方AI工具：如ChatGPT，集成难度最低，客户只需付费即可使用，无需自行开发或调整模型。

  
  

这些层次是动态的，公司可能在多个层次中交叉使用生成式AI。通过研究不同行业公司具体的AI用例，我们可以更好地理解它们如何在业务中应用AI，这也为其他非AI原生公司提供了借鉴，以帮助其制定和优化自身的AI集成策略。

层级一：自主构建模型

对许多在AI领域活跃的公司来说，建立一个独立的AI模型是最耗资源的策略。这一策略最适合那些

• 资金充足且

• 拥有独特且有价值的专有数据集的公司

  
  

构建定制模型需要丰厚的资源，因为训练这样的模型成本高昂，例如GPT-4的训练费用约为1亿美元。此外，开发这种模型还需要高技能的人才和大量的数据集。

然而，对于那些资金雄厚且拥有大量专有数据的公司来说，专有模型具有以下优势：

• 可以生成比公共模型更详细、公司专属的内容；

• 公司可以完全控制模型及其权重；

• 相比于依赖封闭源模型，可能在推理计算上节省成本。

  
  

案例1：Bloomberg

Bloomberg是一家位于纽约的金融数据和媒体公司，年收入超120亿美元，旗下旗舰产品“Bloomberg Terminal”占总收入的三分之二。其AI团队多达350多人，每年发布多篇AI研究论文，显示了该公司在AI领域的长期投入。

2023年3月，Bloomberg推出了金融领域的特定语言模型BloombergGPT。这款50亿参数的模型使用了一个3450亿公共数据集和Bloomberg收集的40年金融文档组成的3630亿令牌数据集进行训练，训练成本估计在270万到1000万美元之间。然而，Bloomberg并未公开说明是否有任何功能依赖于BloombergGPT，暗示该模型可能更多是为外部使用而设计。

Bloomberg的模型虽为金融领域专门训练，但2023年10月Queen’s大学和JPMorgan的研究显示，在多个金融任务中，ChatGPT的表现优于BloombergGPT，可能是由于Bloomberg的数据集并不像外界所认为的那样稀有。

2024年初，Bloomberg在Bloomberg Terminal内推出了公司财报速览的AI生成功能，但并未披露使用的是哪种模型。此外，Bloomberg还在其法律、税务和政府业务中引入了生成式AI工具，用于增强摘要和搜索功能，这些工具可能也是基于Bloomberg的数据进行训练的自定义模型。

案例2：Replit

Replit是一个专注于协作的基于浏览器的开发环境。其AI功能包括代码自动补全、聊天和自动调试，支持这些功能的AI模型来自自有模型、微调的开源模型和闭源模型（例如Anthropic和OpenAI的模型）。

Replit采取了一种灵活的AI策略，根据输出质量、速度和成本选择适合特定用例的“层级”AI模型。Replit在2024年推出了一个“自主配对编程助手”，这一功能基于自研的七亿参数模型。然而，一些早期用户反馈该产品的功能还不够完善，但对其未来的发展持乐观态度。

案例3：Canva

Canva是澳大利亚的在线设计平台，市值在2024年达490亿美元。2023年，Canva推出了Magic Studio，一款生成式AI设计工作室，依赖用户在平台上的创作内容训练其专有模型。用户可以选择加入Canva的创作者补偿计划，以便他们的内容可用于AI模型的训练。Magic Studio可以将文本提示转化为图像、视频和演示文稿设计，并允许用户对图像的静态部分进行调整。

2024年7月，Canva收购了Leonardo.Ai，以将其基础AI模型集成至Magic Studio之中，同时保持Leonardo的独立运营。

案例4：Walmart

Walmart自2018年起便开始构建面向客户的对话式AI工具，最初使用的是Google的BERT模型。到2024年，该公司已从闭源模型转向定制的内部模型，并在10月推出了一系列零售特定的大型语言模型Wallaby。Wallaby模型基于多年的Walmart数据进行训练，能够理解员工和客户的表达方式，并以更贴近Walmart核心价值的自然语调做出响应。

Walmart推出Wallaby模型的目标是“为每位购物者打造个性化主页，让在线购物体验如同走入为其量身定制的商店一样。”这种体验可能包括用户输入诸如“帮我筹划一场橄榄球观赛派对”或“新生儿需要哪些用品？”的查询，系统随即生成所需物品的清单，避免用户逐一搜索。

在内部，Walmart利用AI来构建客户支持聊天机器人，帮助员工快速查询店内商品的库存和位置。此外，Walmart还使用AI清理和更新其庞大的商品目录。大型语言模型（LLMs）处理了超过8.5亿条数据，Walmart CEO Doug McMillon表示，若无AI协助，要达到同样的工作量可能需要当前员工数的100倍。

此外，Walmart还在实体店推出了增强现实（AR）购物体验，并在诸如Roblox等平台上构建虚拟购物体验。尽管公司在自研模型上投入巨大，但在特定应用中，Walmart仍愿意使用第三方模型作为补充，以确保最佳效果。

层级二：使用闭源模型

除了自主构建AI模型，公司还可以通过API接入OpenAI或Anthropic等闭源AI模型，并在此基础上开发自有的应用解决方案。这类闭源模型（如OpenAI的GPT和Anthropic的Claude）具有多领域生成高质量输出的能力，非常适用于转录、客户服务、数据提取等通用任务。此外，这些模型通过API接入便捷，使它们成为企业应用AI的便捷切入点。为了与推理速度更快、成本更低的小型开源模型（如Llama 3 8b）竞争，闭源模型提供商也推出了缩小版模型，例如GPT-4o mini。

案例1：Zapier

Zapier是一家工作流自动化公司，支持7000多个应用的集成，如G-Suite、Slack、Notion和Mailchimp等，并帮助用户在多个应用间创建无代码的自动化工作流。Zapier通过AI增强其工具包，为用户提供更高效的自动化体验。部分Zapier的内部AI工作流基于OpenAI模型实现：

• 自动化会议转录与摘要：当录音文件上传到特定的Dropbox文件夹时，Zapier会自动使用OpenAI转录文件并生成摘要，最后将消息发送到Slack，这一流程为客户支持团队节省了大量时间。

  
  

• 文章摘要：内容团队使用AI生成的文章摘要来辅助其研究流程，通过Zapier Chrome扩展程序解析网页文本并调用OpenAI生成摘要。

  
  

• 自然语言工作流创建：Zapier的Copilot工具可以根据用户的自然语言提示创建工作流。例如，用户输入“当我在Webflow中有新的潜在客户时，在Hubspot中创建联系人并向销售团队发送Slack消息”，Copilot就会自动生成执行该任务的工作流。

  
  

Zapier还允许用户创建基于OpenAI的轻量级AI聊天机器人，并可以将其嵌入网页中。Zapier自身也使用内部AI生成新闻稿、撰写博客文章、同事反馈，并将公司术语转换成简洁语言。

案例2：Klarna

Klarna是一家市值67亿美元的瑞典金融科技公司，主要提供“先买后付”服务。2024年初，Klarna推出了一款OpenAI支持的AI助手，可处理多种客户服务请求，如退款、退货、支付问题、取消订单等。在上线第一个月，该助手就完成了230万次对话，相当于700名全职员工的工作量，还减少了25%的重复询问，将响应时间从11分钟缩短至2分钟。Klarna认为这一AI助手在2024年将为公司带来4000万美元的收益。

Klarna还扩展了AI助手的功能，将其用于产品搜索和推荐，用户可以通过对话式界面获取购物建议。此外，Klarna在内部推出了AI助手Kiki，截至2024年5月，85%的员工每天使用Kiki，平均每日回答超过2000个问题。

案例3：Ramp

Ramp是一家估值77亿美元的B2B金融科技公司，提供财务管理、账单支付、采购等一系列产品。Ramp在多个内部运营环节中集成了生成式AI，并拥有专门的应用AI团队。Ramp的CTO Karim Atiyeh表示，公司在多个领域进行了模型的微调，最终发现GPT-4o mini模型已能满足公司90%的需求。

Ramp通过GPT-4来微调开源模型，如Meta的Llama 2，用于处理公司专有的财务数据，以创建更具成本效益的定制模型。2023年7月，Ramp利用GPT-4和Claude对合同文档进行分析，自动提取重要数据并提醒客户关键日期。此外，Ramp还开发了UI导航功能，用户可通过文本提示在网站上完成特定任务，如更改企业信用卡品牌。

案例4：Atlassian

Atlassian是一家市值500亿美元的企业SaaS公司，提供Jira、Trello、Confluence等协作工具。2023年，Atlassian推出了结合OpenAI模型与自有模型的生成式AI功能“Atlassian Intelligence”。该功能包括Jira和Confluence的自然语言搜索、摘要等功能，其中Jira搜索功能使用了微调的OpenAI模型，通过将用户查询翻译成JQL实现更精准的搜索。

2024年10月，Atlassian正式发布其新AI助手Rovo，具有跨平台深度搜索能力，并支持生成和审核营销内容、整理反馈、清理Jira积压任务等无代码Agent功能。此外，Atlassian还通过收购Loom和Rewatch进一步增强了其AI功能，用于视频记录、会议转录和总结。

案例5：Canva

除了基于专有模型构建的Magic Studio外，Canva还在某些工具中利用闭源模型。例如，其OpenAI支持的写作编辑器能够根据用户上传的样本自动匹配语气。此外，Canva的第三方应用市场包含100多款AI应用，如DALL-E和Google的Imagen，提供图像生成、T恤设计和音乐生成等多样化的功能。这些应用使用的AI模型各不相同，结合了闭源、开源和自有模型。

层级三：使用开源模型

除了从零构建模型或使用闭源模型外，许多公司选择在Mistral、Meta的Llama以及Hugging Face等开源模型基础上开发自有工具。据Databricks的2024年报告，76%的LLM用户公司选择开源解决方案。这是因为开源模型具有更高的定制化和透明度、更强的数据隐私保障，以及更低的成本潜力。

从头构建模型耗时、昂贵，通常只有在模型需要完全依赖于公司独有数据的情况下才有必要。此外，像OpenAI的GPT-4o这类闭源模型的使用成本迅速攀升。Llama、Mistral等开源模型提供了涵盖外语到编程等多主题的大规模数据集，可以根据公司需求进行调整。总体而言，对于大多数公司而言，调整现有的开源模型比从头构建新模型更具成本效益。

案例1：VMware

VMware是虚拟化软件提供商，2023年被博通以690亿美元收购。公司推出了Cloud Foundation和vSphere Foundation两大产品，专注于私有云解决方案和IT基础架构优化。2023年11月，VMware观察到在开源模型上创建更安全的生成式AI代码助手的机会。通过与Hugging Face合作，VMware基于StarCoder开源代码库LLM开发了名为SafeCoder的本地化解决方案。StarCoder包含155亿参数，训练数据来自80种编程语言的开源项目，规避了商业版权风险。

此外，客户可以使用专有代码对StarCoder进行微调，使其获得特定领域知识。VMware也在此基础上对StarCoder模型进行了自有项目的微调，以帮助支持内部开发需求。

案例2：Mathpresso

Mathpresso是一家韩国教育科技公司，以其AI教育应用QANDA闻名，用户可以上传数学题截图以获得解答。2023年11月，为推出性能超越现有闭源模型的数学专用LLM，Mathpresso基于其QANDA积累的数学解题数据与Meta的Llama 2开源模型共同训练了MathGPT。

Mathpresso联合创始人Jake Yongjae Lee指出，商用LLM如ChatGPT缺乏教育领域的复杂定制能力，而Llama的开源特性提供了灵活性，使MathGPT能在不同教育场景下保持高准确度。

2024年1月，MathGPT在MATH（高中数学）和GSM8K（小学数学）等基准测试中表现优异，成为13亿参数以下模型中的领先者。Mathpresso计划继续优化MathGPT的性能，并最终将其集成到QANDA应用中。

案例3：Brave

Brave是一款注重隐私的浏览器，在所有网页上阻止追踪、Cookie和第三方广告，并为付费用户提供防火墙和VPN服务。2023年8月，Brave推出了浏览器内的AI助手Leo，支持网页摘要、内容生成、翻译和文本分析等功能。为最大程度保护用户隐私，Brave选择在开源模型的基础上构建AI助手。最初，Leo基于Meta的Llama 2模型，2024年1月改用Mistral的Mixtral 8x7B开源模型作为默认模型。

Brave在隐私保护方面采取了严格措施，例如使用反向代理隐藏用户IP地址，不存储会话数据，聊天结束后立即删除对话内容。同时，Brave允许用户选择使用Anthropic的Claude模型，虽然该选择会保留对话30天，但不会将用户查询用于训练Anthropic的AI。

案例4：Replit

除了其定制代码补全模型，Replit在2024年4月还微调了Hugging Face的7亿参数开源模型，推出自动修复用户代码错误的Code Repair AI代理。付费用户可在Replit的微调模型与其他闭源模型之间切换。此举展示了公司可以通过结合开源、闭源及自定义模型来满足不同客户的需求。

层级四：使用第三方AI工具

在AI应用的最后一个层级中，企业选择直接购买并使用由其他公司开发的AI工具。这一层级无需内部开发，公司只需识别并利用第三方开发的工具。相较于自建AI工具或模型，使用外部工具具有以下优势：

• 节省成本：购买特定工具的成本远低于培训或微调模型所需的资源。

• 提升效率：如果员工需要一个通用的研究工具或头脑风暴助手，外部工具能极大提升生产力，尤其在缺乏技术专长的情况下表现优异。

案例1：波士顿咨询公司（BCG）

波士顿咨询公司（BCG）是全球领先的咨询公司之一，也是硅谷科技评论最近评选的全球AI创业者的十大摇篮之一，也是唯二上榜的咨询公司。

随着客户对AI集成的需求增多，BCG开始在内部广泛使用ChatGPT。2023年，BCG在全球范围内对758名咨询顾问进行了实验，测试使用ChatGPT完成“创意产品创新”和“业务问题解决”等任务的效果。结果显示，90%的顾问在创意任务中表现提升，平均提升率达40%。

2024年，BCG再次研究生成式AI在技能缺乏任务中的帮助效果。这次实验中，使用ChatGPT的顾问在Python编程、预测建模和统计验证等任务中表现明显提升。例如，不具备编程技能的顾问在代码任务中的表现从37%跃升至86%。实验结果使BCG决定向全体员工推广ChatGPT Enterprise，以提高咨询团队的工作效率。

案例2：Dollar Shave Club

Dollar Shave Club是一家直销剃须用品供应商。为了提高客户服务效率，该公司选择了Zendesk推出的Answer Bot来自动化客服流程。Answer Bot经过1200万次客户互动训练，可以迅速回答常见问题，如账户暂停或取消。虽然无法处理复杂投诉，但Answer Bot的自动化功能使得客服代表能够专注于更详细的问题。截至2024年3月，Answer Bot每月处理4,500张服务工单，占总工单量的10%。

案例３：律师事务所

大型语言模型（LLMs）在法律领域是一个小众但有前景市场。根据硅谷科技评论创投库（svtr.ai），在法律服务垂直赛道，全球有近38家AI初创公司获得知名机构投资。

在法律领域，合同的复杂性使得合同审查流程费时费力。考虑到法律合同在措辞和条款上的一致性，生成式AI工具可帮助加速合同审查。

许多律师事务所选择使用Kira，这是一款专为法律文档开发的AI审查工具，帮助他们将合同审查时间缩短达60%。Kira内置的智能分析系统可识别1000多种常见条款和数据点，适用于并购尽职调查、贷款协议、合规审查等场景，显著提高了法律文件的处理效率。

长尾公司的AI策略

在AI应用的不同层级中，许多公司正通过购买现成的AI工具来提高效率，而非构建自有模型。BCG等公司已经证明，在适当的应用场景下，这类工具在支持创造性和提升生产力方面表现出色。随着AI技术的快速进步，这些长尾公司的AI应用模式呈现出以下三个主要趋势：

1. AI作为业务辅助工具

许多公司通过AI辅助其现有业务，而不是试图用AI取代原有核心。Replit在推出AI代码助手之前已在开发者工具方面积累了多年经验，AI只是其产品改进的下一步。同样，Brave浏览器的成功建立在其隐私优先的基础上，AI助手Leo则进一步强化了这一承诺。而像Walmart这样的零售巨头，虽然利用AI提升效率，但其核心业务仍依赖于低价和宽松的退货政策。

总之，AI可以帮助公司优化产品和服务，但公司需要在现有强项的基础上进行AI扩展，而不是试图完全重新定义业务。

2. 借鉴同行的AI策略

在AI快速发展的市场中，公司通过借鉴同行的策略来迅速获得竞争优势。例如，BCG的研究显示，ChatGPT在创意和编程任务中带来了显著的表现提升。这一发现可能激励其他咨询公司，如麦肯锡和贝恩，也采用类似的生成式AI工具，以确保在行业内保持竞争力。

这种策略并不仅限于同一行业。Brave和VMware在产品方面差异明显，但它们都基于数据隐私构建了AI功能，前者用于浏览器，后者用于代码助手。这样的“跨行业借鉴”策略使公司能从不同领域的成功案例中汲取经验，找到符合自身特点的AI应用方式。

3. 在AI策略中保持灵活性

公司的AI应用层级并非固定不变，它们可以根据需求在不同层级间灵活切换。随着AI技术的快速迭代和AI工具的低切换成本，盲目投入巨大资源构建自有模型可能并不划算。与其一开始投入过多资源，不如从现有模型入手，根据实际需求逐步调整和优化。例如，Ramp CTO表示，GPT-4o mini足以满足公司90%的需求，显示出小型模型在大多数场景下的性价比优势。

Baseten的CEO Tuhin Srivastava建议，“先从已知有效的工具开始，逐步替换和优化。”他观察到许多公司过高估计了构建自有模型的收益，而低估了所需的资源和成本。他的建议强调，聪明的工程团队可以从开源或商用模型起步，之后再根据实际需要切换到更精确的开源模型，以实现更高效的性能和更低的成本。

保持灵活的AI策略可以使公司在AI技术不断进步的过程中更具适应性，迅速抓住新技术带来的机会。

长尾公司的最终AI目标

尽管目前的AI热潮主要集中在模型和AI原生公司，但非AI原生“长尾”公司中，AI的应用场景正变得更加清晰，从客户服务聊天机器人到增强现实购物体验，涵盖了各种不同的行业需求。

对于长尾公司而言，最终目标不是成为AI公司，而是利用AI工具来补充和加速其核心业务的发展。这些公司可以通过合理应用AI技术，提高业务效率，增强竞争力，而无需投入巨大的资源去打造复杂的AI基础设施。这种以业务为导向的AI集成策略，将是未来长尾公司在AI领域取得成效的关键路径。