每个 AI 应用公司最终都会变成全栈。问题是往哪个方向整合。

三层框架

一个 AI 产品要实现结果，可以简化为三层结构：

  1. 底层：模型
  2. 中层：应用或 Agent——包括数据/上下文等
  3. 顶层：人类或服务层——做最后一公里审查/prompt/执行

传统应用层公司只占据中间层。但这些公司正越来越多地往一个方向或另一个方向垂直整合。有的往下走进模型层，有的往上走进人类或服务层。两种最终都看起来"全栈"，只是方式非常不同。

方向一：往下整合模型层

这是我们看到的 Cursor、Intercom、Cognition、Harvey、Sierra 等正在做的事情——拥有足够用量、足够专有轨迹数据、足够经济激励，开始把智能拉到内部。

Cursor 最近推出 Composer 2，用 Kimi K2.5 作为 base model，通过 continued pretraining 和强化学习扩展，在长程编码任务上显著提升 benchmark 表现。

Intercom 本周推出 Fin Apex。CEO Eoghan McCabe 称之为"垂直模型时代"，Apex 现在驱动 Intercom 几乎所有英语对话和邮件客户交流。

为什么会出现这个趋势？

最重要的飞轮：对 AI 公司来说，这是驱动性能提升最重要的飞轮。它们有 Agent 的轨迹数据——看到 prompt、看到输出、看到编辑/接受/拒绝。这些随时间变成极其宝贵的专有训练数据。更好的产品创造更多用量，更多用量创造更多轨迹，更多轨迹让模型更好，模型更好又改进产品。

成本和速度：达到规模后，COGS 累加可观。更小的精调模型可以在低得多的成本和快得多的速度下提供足够的性能。

差异化：如果一个赛道里所有人都在调用同一批模型，仅从智能层建立真正的产品距离就越来越难。

方向二：往上整合服务层

不是整合进模型层，而是往上整合进人类或服务层——卖真正的结果而不是软件。

这是 Chris Dixon 2015 年写的经典全栈创业想法的现代表述。你不只是把软件卖进一个工作流。你拥有端到端流程，向最终客户提供结果或服务。

历史上这往往意味着丑陋的服务经济模型和规模化挑战。但 AI 改变了这个等式的形状，在很多以前没有吸引力的市场里打开了这扇门。

Crosby AI：软件 + AI + 律师，CEO Ryan 称之为"Neofirm"。拥有更多交付结果和结果。

WithCoverage 和 Harper：AI 原生保险经纪商。

Mechanical Orchard：AI 原生软件现代化服务公司。

AI 很棒但不是 100% 完美。拥有最终结果的公司可以填补所有缺失地方的空白，持续改进，也让客户不用操心最后一公里。

这条路径特别有意思，因为它最终可能吸收更多的栈。从应用加服务开始，随时间很可能也会 post-train 专门的模型。随着 AI 做更多的工作，有些这些公司可能最终先拥有两层，然后越来越多地拥有全部三层。

核心判断

AI 应用公司不会长期停留在"AI 应用公司"。随时间推移，它们会垂直整合。

  • 很多会用它们的轨迹数据拥有智能层——增加差异化、提升性能、降低成本，尤其是考虑到模型公司本身正在侵蚀它们的一些应用领地。
  • 其他公司要么一开始就在交付完整结果，要么随时间随着它们能做的工作越来越多，决定通过卖完整服务而不是做一个 90% 工作的 Agent 来捕获更多价值。