以下六個商業模式的共同邏輯：用 AI 把非核心成本壓低，把核心價值建在 AI 難以複製的地方。每個模式都是一般人或小團隊做得起來的，門檻不在高深技術。
每個模式包含：怎麼運作、AI 用在哪、護城河是什麼、為何 AI 淘汰不了、怎麼起步。
模式一：垂直產業 AI 賦能服務
一句話：在你熟悉的特定行業裡，用 AI 把生產力乘以 3–5 倍，服務更多客戶但人數不增加。
怎麼運作
選一個你有深度（或能快速建立深度）的垂直行業：法律、會計、房地產、醫療行政、建築設計、機電工程估算……在這個行業裡，AI 能加速的工作（文件起草、資料整理、市場研究、合規核查）往往佔整體工時的 40–70%，而真正需要專業判斷的部分（客戶溝通、風險評估、決策簽名）是剩下的 30–60%。
把 AI 放在前半，把你的專業判斷放在後半——你就可以用一個人服務原本需要三個人才能服務的客戶量。
AI 用在哪
- 合約草稿起草（法律、地產）
- 財務報告初稿生成（會計）
- 行業法規核查（合規）
- 客戶文件整理與摘要
- 估價單與報告的初版生成
護城河是什麼
- 行業關係：客戶、轉介人、行業人脈——這些是時間積累的，不能被 AI 複製出來
- 專有資料：過去案例的資料庫、定價歷史、客戶偏好——比通用模型「更懂你這個行業」
- 執照與認證：多數垂直行業有進入壁壘（律師執照、會計師資格、建築師認證）
- 信任資產：在特定客群中的口碑與推薦
為何 AI 淘汰不了
AI 能生成法律合約草稿，但它無法成為律師、無法在庭上發言、無法對客戶的損失負法律責任。在高風險服務中，「有人負責到底」是核心產品的一部分，不只是服務的附屬品。
怎麼起步
- 選定你有 2–3 年以上真實工作經驗的行業
- 列出你工作中最耗時但技術含量最低的工作（草稿、整理、搜尋）
- 建立 AI 流程取代這些工作（可以用 Claude + Notion + Zapier，不需要寫程式）
- 用省出來的時間接更多客戶，或做更深度的服務
- 記錄每個案例，建立你的專有資料庫（案例筆記、定價歷史、常見問題庫）
垂直「作業系統」的長期目標（對抗性驗證通過，3-0）
a16z 在 2024 年 12 月的 VSaaS 研究 指出，成功的垂直服務業者若能把排程、發票、付款、合規、溝通整合進同一系統，就能成為行業「作業系統」，產生 winner-take-most 效果（NRR 超過 130%，類別領導者市占率 40–60%）。對個人執業者來說，這是長期方向——從一個工具開始，逐步整合成客戶離不開的核心系統。
另一個關鍵數字（BVP，3-0 通過）：垂直 AI 業務「競爭的是勞動力預算，而非 IT 預算」——商業與專業服務佔美國 GDP 13%，約是軟體市場的 10 倍。這說明垂直服務業的市場容量遠大於多數人的直覺估計。
具體起步方向
- 個人執業律師用 AI 草稿生成，承接原本需要大所資源才能應付的合約量
- 小型會計師事務所用 AI 處理記帳初整，讓一個人可以服務 5 倍的帳戶
- 單人不動產顧問用 AI 生成市場分析報告，提供大型仲介公司才有的資料深度
模式二：Productized Service（產品化服務）/ AI 代營運
一句話：把一個可重複執行的服務打包成「固定範圍、固定交付、固定價格」的產品，用 AI 讓執行成本接近零。
怎麼運作
傳統服務業的問題是「每個客戶都不一樣、每次都要重新想」——這讓規模化很難。Productized Service 的解法是：把服務的範圍和交付物明確定義，讓它變得像產品一樣標準化。
AI 在這裡的角色是執行層——當你的 SOP 明確了，AI 可以接管大部分的生產工作（內容撰寫、圖像生成、資料整理、報告生成），你的精力集中在品質確認和客戶關係。
常見形態
- AI 代內容行銷：月費 X 元，每月交付 N 篇文章 + M 個社群貼文，AI 生成初稿，人做編輯和品質把關
- AI 代客服建設：一次性費用，建立並調教客戶的 FAQ 知識庫 + 聊天機器人
- AI 代月報生成：定期整理客戶的業務數據，AI 生成洞察報告，顧問做解讀
- AI 代競品監控：定期自動收集競爭對手動態，AI 彙整摘要，顧問做策略建議
護城河是什麼
- 品牌與成果記錄：你做過的客戶、可查核的成果——這是新進者沒有的
- SOP 與 AI 流程的積累：你把流程磨到高效需要時間，這是可防禦的流程優勢（Hamilton Helmer 的 Process Power）
- 客戶關係：固定月費的客戶，在服務「夠好」的情況下，轉換成本是真實的
為何 AI 淘汰不了
AI 工具讓潛在競爭者也能做這件事——所以純粹依靠 AI 工具本身沒有護城河。但你的品牌、成果案例庫、和客戶之間的信任，不是 AI 能直接複製的。你的競爭者要花 12–24 個月建立同等的信任資產。
怎麼起步
- 選定一個你能連續交付 3 個月以上的服務範疇（選窄一點，不要貪大）
- 寫出服務的明確範圍：「交付什麼、多久一次、不包含什麼」
- 用 AI 工具（Claude、Midjourney、Perplexity 等）建立你的生產流程
- 接前 3 個客戶的條件：低價換案例、換可公開的成果與見證
- 把成果公開記錄，開始建立品牌資產
模式三：策展 + 社群 + 會員制
一句話：在一個特定主題上，成為「最值得信任的篩選者」，建立付費社群。
怎麼運作
內容爆炸的問題不是資訊太少，而是注意力不夠。一個有品味、有立場、持續策展特定領域優質資訊的人（或小團隊），在 AI 大量生產平庸內容的環境下，相對稀缺性上升。
AI 用在哪
- 快速掃描大量來源，找出值得精讀的 5%
- 翻譯、摘要、整理（降低資訊處理成本）
- 生成初稿，由策展人加入觀點和語氣
- SEO 輔助（讓優質內容被找到）
注意：AI 是生產效率工具，但「什麼值得策展、為什麼值得」這個判斷仍必須由人做。把這個判斷外包給 AI，就失去了護城河。
護城河是什麼
- 策展人的信任：讀者信任的是「你」，不是「你用的工具」
- 社群的網路效應：社群成員彼此之間的連結是 AI 複製不了的
- 積累的內容庫：高品質的歷史存檔對搜尋引擎和新讀者有複利效應
- 訂閱黏性：月費訂閱者的轉換成本（「我在這裡有我的筆記/我認識這裡的人」）
真實案例方向
- 特定行業（醫療科技、永續投資、教育創新）的英文週報，用 AI 掃描 100 個來源，策展人選出 10 條配上解讀，每月 $20–50 美元訂閱
- 台灣特定利基社群（獨立工作者、特定手工藝愛好者、垂直行業從業者），提供同行交流 + 資源共享 + 策展知識，月費 NT$300–1500
- Substack/Notion 搭配 Discord/Circle 的「知識 + 社群」複合型態
為何 AI 淘汰不了
AI 生成的內容是平均值的最佳化；策展是「有立場說不」的能力。當所有人都能生成聽起來像樣的電子報，「誰在說」比「說了什麼」更重要。讀者付費的是策展人的品味和信任，不是內容本身。
模式四：無聊但賺錢的在地實體生意 + AI
一句話：買下（或建立）現金流穩定的在地實體業務，用 AI 把後台成本壓低，享受護城河 × 效率的複利。
怎麼運作
很多在地服務業（清潔、保全、HVAC 空調維修、蟲害防治、草坪維護、配管、寵物美容）每年都在穩定賺錢，因為需求是剛性的（住宅壞了就要修），但競爭格局是地方性的（競爭者有限），且客戶信任重要（你要讓陌生人進你家）。
這類生意傳統上被認為「不性感」——但這正是它的護城河：沒有科技公司想下場競爭，沒有 VC 資金進來攪局，進入壁壘是在地口碑和執行能力，不是技術。
AI 用在哪
- 排程與路線最佳化：自動排班、地圖路線規劃，省人力和油錢
- 自動化報價系統：填問卷 → AI 生成報價單，不需要人工每次算
- 客戶跟進自動化：服務後自動發感謝信、提醒年度保養、詢問評價
- 行銷內容生成：Instagram 貼文、Google Business 回覆，AI 出初稿，人做確認
- 業務資料分析：哪個服務最賺、哪個地區效率最高
護城河是什麼
- 在地信任：Google Maps 評分、在地口碑、鄰居推薦
- 現金流資產：穩定的月收入不只是護城河，它也是擴張的本金
- 實體執行能力：工具、車輛、技術人員、許可證
- 在地許可與執照：進入壁壘
為何 AI 淘汰不了
AI 不能派一個技術員去修你家的冷氣、清你家的泳池、抓你廚房的蟑螂。在機器人替代成熟之前，這個壁壘很硬。而且即使機器人技術成熟，在地信任和執照仍然是壁壘——不是每個有機器人的公司都能在你的城市快速建立口碑。
怎麼起步
- 選項 A：自己建——在你的居住城市選一個需求穩定的在地服務，從兼職起步，建立第一批客戶和評價
- 選項 B：收購——尋找想退休的在地業主（清潔公司、除蟲公司），以合理倍率收購現有現金流，用 AI 提升效率後套利
- 選項 C：加盟——選擇有支援系統的加盟體系，在降低 learning curve 的同時利用 AI 工具提升毛利
收購現有在地業務（尤其是老闆想退休但業務正常的）是這個模式目前被嚴重低估的機會——這是「Boring Business Acquisition」社群（如 Acquisition Lab）在北美正在執行的策略。
真實案例（有來源）
Avoca AI：透過為物理居家服務業（暖通空調 HVAC、水電、屋頂、電氣）建立 AI agent，服務超過 800 個客戶，執行功能包含接聽未接來電、排程、後續追蹤、派遣，在 2026 年 4 月達到 10 億美元估值（獨角獸）。Avoca 不是在做前沿 AI——它用 AI 解決了在地服務業的具體痛點（漏接電話 → 失去生意）。
來源：Fortune — Avoca AI agents for HVAC, plumbing, roofing（2026-04-27）
施工/技術人員時間分配資料：SignalFire 的研究指出，建築和施工業技術人員大約 30% 的工作時間花在非計費的行政任務（文件、許可申請、工作簡報）——這正是 AI 可以大幅壓低成本的空間，讓實體執行的比重和毛利率同步上升。
來源：SignalFire — Vertical AI in Trades and Construction
模式五：專有資料型生意
一句話：掌握特定領域的獨特資料，把它轉化成 AI 驅動的洞察服務。
怎麼運作
很多資料本身是有價值的，但「收集資料」和「讓資料產生洞察」之間有摩擦——這個摩擦以前需要大型分析團隊，現在 AI 可以大幅壓低。
具體形態
- 在地市場資料：特定城市的辦公室租金趨勢、特定商圈的人流資料、農業產區的天氣 × 產量歷史——如果你有別人沒有的數據，AI 幫你把它變成訂閱報告
- 行業交易資料：如果你在某個行業（二手車、工業設備、特定農產品）有多年的交易記錄，AI 可以幫你建立定價模型、供需預測
- 特定人群行為資料：你的業務天然積累的客戶行為資料（前提是合規、取得同意）
護城河是什麼
資料本身就是護城河。複製資料需要時間、合規審查、或根本沒有途徑取得（例如：一個有 20 年本地農業產量記錄的農業合作社，這個資料集沒有人能從外部複製）。
⚠️ 框架標示：資料護城河的強度取決於資料的「取得難度」與「排他性」。如果資料可以被爬蟲、被公開 API 取得，護城河就很弱。真正強的資料護城河，是那些只能靠時間積累或特殊關係取得的資料。
為何 AI 淘汰不了
AI 模型需要資料才能運作——如果你掌握了別人沒有的資料，AI 工具反而是讓你的資料護城河更值錢的放大器，而不是威脅。
模式六：Services-as-Software（服務即軟體）
一句話：用 AI 把原本需要大量人力的服務業務，做成能規模化交付的系統。
背景：a16z 的「Services as Software」論述
2024–2025 年，a16z（Andreessen Horowitz）提出「Services as Software」框架：傳統上，「服務」是人提供的（高成本、難規模化），「軟體」是可規模化的（邊際成本趨零）。AI 讓「服務」第一次可以用「軟體」的方式交付——也就是說，原本需要 100 個人做的服務業務，現在可以用一個小團隊 + AI 做到。
⚠️ 框架標示：這是 a16z 的主張框架，有部分公司案例支撐，但「服務 = 軟體」的完全等化是理論上的方向，而非所有服務業的現實。實際落地仍需大量工程工作和客戶教育。
真實案例
- Klarna（客服）：瑞典金融科技公司 Klarna 在 2024 年宣布，AI 客服讓問題解決時間從平均 11 分鐘降至 2 分鐘（✅ 有具體數據）。注意：「替代 700 名客服」的說法是行銷誇大，Klarna 2024 年末重新招募部分人力；引用效率提升數字比人力替代數字更可靠。
- Deel（全球薪資）：HR / 薪資外包服務，核心服務是「幫你管理全球員工的合規薪資」，AI 處理大量合規核查、文件生成，人力聚焦在例外處理和客戶關係。
- Casetext（法律研究）：AI 驅動的法律研究服務，被 Thomson Reuters 以 6.5 億美元收購——核心不是「AI 技術」，而是「AI 幫律師做的法律研究服務」，護城河在於法律資料庫 + 律師信任。
你能做的版本（小規模）
不需要大公司規模。任何「原本需要大量人力」的服務，都是潛在的 Services-as-Software 機會：
- 社群媒體代運營（AI 生成內容、人做品牌方向）
- 客服知識庫建立（AI 建立 FAQ、人做品質確認）
- 報告自動化（AI 整合資料生成報告、顧問做解讀）
護城河的建立關鍵：客戶資料和關係留在你這裡，而不是讓客戶直接使用你用的 AI 工具。你的價值是「整合 + 交付 + 負責」，工具是你的後台，不是你的產品。
選模式的原則
| 你有的資產 | 適合的模式 |
|---|---|
| 特定行業的深度 + 執照/認證 | 模式一（垂直產業賦能服務） |
| 可重複交付的技能 + 想建品牌 | 模式二（Productized Service） |
| 特定領域的品味 + 已有受眾 | 模式三（策展 + 社群 + 會員） |
| 在地存在 + 願意做實體業務 | 模式四（在地實體 + AI） |
| 獨特資料的取得管道 | 模式五（專有資料型生意） |
| 服務業業務 + 想規模化 | 模式六（Services-as-Software） |
最重要的選擇原則：先選「你能建立什麼樣的護城河」，再選「AI 用在哪裡」——而不是反過來「先選 AI 工具，再想護城河在哪裡」。
延伸
- 護城河的完整類型 → AI 時代護城河往哪裡移動
- AI 在哪裡有硬邊界 → AI 難以複製的核心價值
- 這些案例的實證基礎 → 客觀檢視：框架 vs 可佐證
- 回到全景 → AI 時代的新商業模式專欄首頁