30 倍估值的幻觉
Eric Siu 扔出一个数字：AI 代理公司可能拿到 30 倍估值。
但这数字对绝大多数公司都是错的。
一个用 AI 工具交付更快的服务公司，本质上还是服务公司。利润率可能更好看，天花板没变。
真正值得软件级估值的，是那些看起来不像代理公司、更像「碰巧做客户工作的软件公司」的少数专家型公司。
别叫 AI 代理公司
"AI 代理公司"这个词太宽泛了。它涵盖了提示词商店、自动化自由职业者、咨询 PPT、产品化服务公司，以及真正的落地实施伙伴。混在一起讨论，只会让对话变蠢。
更好的框架是：前置部署专家公司（Forward Deployed Specialist Firms）。
这类公司选一个痛苦的垂直领域或职能，深入工作流内部，把 Agent 嵌入客户现有系统，让专家足够贴近客户，确保 AI 真正跑起来。
为什么 demo 总是死在现场
AI 项目失败，很少因为 demo 本身做不到。失败是因为 demo 从没在真实业务中存活过。
客户有混乱的权限、脏数据、遗留系统、半归属的工作流、审批链条、合规风险。员工不信任输出，经理想要结果但不想改变行为。
通用 AI 顾问能让 demo 看起来很炫。前置部署专家能让系统被真正采用。
这就是卖 AI 表演和建真实资产的区别。
医疗行业的例子
通用 AI 代理说能自动化行政工作。500 个人用同样的 PPT 都能这么说。
真正的医疗 AI 专家懂 prior authorization、denial management、referral leakage、护士分诊、编码 QA、临床文档交接、付款方规则，以及自动化在哪里会破坏信任。
第一个客户是脏活累活：团队绘制工作流、找到失败点、嵌入 Agent、观察哪里会崩、和运营人员一起调优。
到第五个客户，这家公司应该有可复用的工作流、测试过的提示词、实施清单、异常路径，以及对 Agent 该放在哪里的更深刻理解。
到第十个客户，它可能已经藏了一个垂直操作系统在服务包装下面。
那时，估值对话才会改变。
同样的模式适用于金融、营销、保险、合规、销售运营。通用方案自动化的是一个名词，专家拥有的是围绕它的工作流。
工作流才是护城河
AI 降低了建造自动化的成本，但没有降低理解工作流的成本。
工作流才是护城河。
在 Single Grain，这就是 Forward Deployed Marketer 模型背后的转变。
旧代理模式：一个人管 2-3 个客户。有了 AI Agent 栈和更紧的操作系统，一个运营可以管 8-12 个。
更重要的是底层在累积什么。
他们的 SEO Agent 在 4 小时内标记了 181 个排名下滑的页面。这种手工分析通常需要 SEO 分析师 2-3 周。其中一个页面在推荐更新上线后 30 天内从第 9.8 位上升到第 7.0 位。
这就是 "我们用 AI" 和 "我们在建工作流基础设施" 的区别。
第一版省时间，第二版改变经济学。
两种公司的对比
提示词商店
│
├─ 卖 demo
├─ 每次都从零开始
├─ 客户负责落地
└─ 收入随人力线性增长
前置部署专家公司
│
├─ 拥有一个垂直工作流
├─ 把 Agent 嵌入系统
├─ 和客户一起调优落地
└─ 每次部署都让下一次更好
复利循环是全部游戏
如果第五个客户和第一个一样难，公司还是在卖劳动力。
如果第五个客户更容易、更快、更好，因为前四个的经验被沉淀了，更有价值的东西正在形成。
我关心的测试很简单：下一次部署是否更快、更便宜、更干净？
如果是，公司开始建 IP。如果不是，它只是有了更好工具的劳动力。
PE 和战略买家会关心什么
上一轮代理周期，平台收购专家公司是因为它们需要内部来不及建的能力：付费媒体、SEO、创意、分析、亚马逊、生命周期、B2B 需求生成。
AI 版本会押韵，但被收购的资产会不同。
买家要的是：垂直工作流知识、实施手册、可复用 Agent、专家人才、流程数据，以及交付效率随时间提升的证明。不只是收入和人力。
这才是 30 倍估值的可能逻辑。
普通代理公司按服务估值，因为收入依赖人头、知识随人走、交付是定制的、利润率有天花板。
AI 驱动的专家公司能拿到更好估值，只有当业务内部藏着软件公司的特征：可复用工作流、嵌入式系统、扩张的利润率、持久留存、以及改善未来交付的客户数据循环。
大多数过不了这个门槛。
很多只是包装精美的提示词商店。很多卖的是从没进生产的 pilot。很多自动化的是竞争对手一周就能复制的低价值工作。
严肃的公司清楚知道自己拥有哪个工作流、部署中什么会崩、谁需要信任输出、落地实际怎么发生。
用这个测试表做判断
在构建、收购或投资前，先回答这些问题：
| 问题 | 弱答案 | 强答案 |
|---|---|---|
| 你拥有哪个市场？ | "所有人" | 一个痛苦的垂直领域 |
| 你懂什么工作流？ | 通用 AI 用例 | 命名工作流 + 边界情况 |
| Agent 住在哪里？ | 聊天机器人或侧边工具 | 嵌入现有系统 |
| 谁负责落地？ | 客户团队 | 前置部署小组 |
| 第五个客户改善了什么？ | 案例研究 | 可复用工作流原语 |
| 什么数据在累积？ | 没有 | 垂直工作流经验 |
| 买家收购的是什么？ | 收入 + 人力 | 人才 + Agent + 流程 IP |
| 第三周什么会崩？ | "变革管理" | 具体失败模式 |
| 客户为什么留存？ | 关系 | 嵌入式运营层 |
如果一家 AI 服务公司不能清楚回答这些问题，它可能不配那个溢价故事。
坏的 AI 代理公司只是装了 ChatGPT 的代理公司。
好的公司是垂直工作流公司，只是把服务当作部署层。
如果你在这个市场构建，动作简单又烦人：
选一个垂直领域。选 3-5 个痛苦的工作流。足够贴近客户去理解混乱的部分。把 Agent 建在工作流内部。把每次实施变成可复用的基础设施。追踪每次部署是否更快、更便宜、更好。
如果答案是 yes，你建的东西比 AI 代理公司更持久。
你在建一种无聊的服务公司——软件公司、咨询公司、PE 平台可能都想收购的那种。
值得溢价估值的 AI 服务公司不会是 demo 最炫的那些。
会是那些悄悄拥有昂贵工作流的公司。
你的公司拥有什么工作流？如果一句话答不上来，那就是问题。