随着大模型能力持续提升，AI 应用层创业者普遍感到焦虑：如果OpenAI、Anthropic等模型巨头既掌控底层技术，又拥有分发渠道和品牌优势，创业公司还能做什么？对此，a16z合伙人乔·施密特（Joe Schmidt）给出了明确的方向：避开巨头主导的“黄砖路”，深入“奥兹国的其他地方”——那些复杂、垂直且依赖深厚行业知识的领域。
（示意图：通用模型主路与垂直应用纵深领域的比喻）
一、 两条路径：黄砖路与奥兹国
施密特借用《绿野仙踪》的比喻，将AI应用机会分为两类。“黄砖路”代表模型公司正重点投入的通用型应用，如代码生成、写作、图像生成等。这些领域直接受益于模型原始能力提升，但也是竞争最激烈、最容易被巨头覆盖的“主路”。
而“奥兹国的其他地方”，则指代深入特定行业（如法律、保险、销售）的工作流。这里的价值不仅来自模型本身，更来自围绕模型搭建的“脚手架”：理解混乱的业务数据、处理多人协作流程、满足合规审计要求、优化成本与模型路由。企业为之付费的，不是更聪明的聊天窗口，而是能为业务结果负责的完整系统。
二、 垂直领域的四大护城河
为什么垂直AI应用公司能抵御模型巨头的侵袭？施密特指出了四个核心壁垒：
- 1. 数据与学习飞轮：行业内的默会知识、非标准流程和动态变化的最佳实践，往往不存在于公开训练集。垂直公司通过深度融入客户工作流，能持续积累这类专有数据，形成不断强化的学习循环。
- 2. 管理模型复杂性与波动：垂直公司能充当“模型路由层”，为不同子任务匹配合适的模型（包括开源、微调或多家供应商），并替客户吸收模型升级、迁移与校准的成本与风险。
- 2. 成本优化：通过精准理解工作流中每个任务所需的智能等级，垂直公司能在保证效果的前提下，将任务路由至最具性价比的模型，实现远低于单纯使用顶级API的成本结构。
- 4. 治理与合规：垂直公司能构建行业特定的控制平面，内嵌合规护栏、权限管理与审计追踪，承担起模型在敏感场景下应用的监管责任，这是追求通用的横向平台难以实现的。
（垂直AI应用深度集成行业特定工具、数据和审批流程）
三、 实战案例：销售与保险领域的深度构建
文章援引了两家a16z投资组合公司的实操经验。
销售领域（11x）：其CEO强调，应聚焦于“产生销售管道”这一具体业务结果，并将工作拆解为潜在客户挖掘、信息补全、资格判断等子任务。其中近一半任务属于传统的确定性软件工程，模型巨头并无优势。另一半智能体任务，则需持续注入对行业和用户画像的深刻理解，并随市场动态（如人们对AI邮件的感知变化）快速迭代。其护城河在于对复杂、混乱业务数据的处理能力，以及持续演化工作流的学习速度。
保险领域（FurtherAI）：其CEO发现，保险业的智能更多存在于工作流本身——风险升级规则、冲突处理优先级、核保人的经验判断等。他们构建的“智能体工作流”系统，将确定性的工作流、处理变动的智能体与人类判断相结合。长期运行中，系统积累的“运营记忆”（如每次例外处理的原因）构成了深厚的壁垒，这是外部模型公司无法触及的。
四、 创业者的自测清单：你走在哪条路上？
施密特提出了几个关键测试，帮助创业者判断自己的方向：
- 工具与步骤测试：你的解决方案需要多少步骤？涉及的工具有多复杂？简单搜索摘要与多步骤法律文件审查有本质区别。
- 系统测试：你是在构建客户运行工作的核心系统，还是在现有系统上添加工具？系统拥有端到端工作流和数据，难以被简单替换。
- 对冲基金/损益表测试：客户是用基准测试分数，还是用自身的业务损益（如成交额、合规效率）来评价你？后者意味着你创造了真实的业务价值。
五、 结论：下一代企业软件生于垂直
最终，模型巨头和垂直应用公司都将涌现赢家。模型公司会持续在通用能力和横向工具上占据优势。而成功的垂直AI公司，将牢牢占据“工作的系统”这一层——即企业实际执行业务的界面、数据与流程的集成点。
底层模型会越来越强，也必将越来越可替换。但不可替换的，是围绕具体行业、具体工作流沉淀下来的数据、流程、治理能力与运营记忆。下一代企业软件，注定在“黄砖路”之外，在那些更复杂、更“脏”、更慢，却更贴近真实商业价值的垂直纵深地带建立起来。
（本文基于a16z合伙人Joe Schmidt IV的文章《Avoiding Death on the Yellow Brick Road》编译与解读。）