避開黃磚路：AI 應用新創的護城河在工作系統

把高性能模型接上 Google Drive、Slack、Salesforce、Notion、GitHub 等通用工具，再包一層代理編排。這類低步驟、水平化、可由模型能力直接改善的任務，正是 OpenAI、Anthropic 等實驗室最有資源、毛利與分發優勢的地帶。

法律、保險、金融、銷售、客服、財務等場景往往有多步驟、多角色審核、舊系統整合、不可容忍的錯誤，以及合規與稽核責任。價值不只來自模型，而來自模型周圍的軟體、流程、資料與治理。

真正有價值的資料常不是公開網頁，而是企業內部的部落知識、例外處理、未寫成文件的標準、主管覆核邏輯與客戶特有偏好。垂直產品長期跑在工作流裡，能累積跨客戶的問題型態，以及單一客戶內部的決策理由。

模型實驗室會不斷推出新模型，但客戶不想每次都重新校準 prompt、eval、成本與邊界。應用公司可以成為控管層：跨供應商選模、重跑評測、灰度升級、保證生產環境不被模型更新打壞。

所有任務都丟給最貴 frontier model 會直接吃掉毛利。好的工作系統會把複雜判斷交給大模型，把重複、窄域、可驗證任務交給中小模型、微調模型或確定性程式，賣的是「達成特定業務結果所需的最低智能成本」。

企業端付費買的不只是生成結果，而是誰能讓 agent 做什麼、每一步做了什麼、是否可稽核、是否符合 HIPAA、SEC、FINRA、保險法規、律師倫理或客戶內控。這些 guardrails 必須依產業與用例設計，水平工具很難一次做到。

a16z 文中引用 11x CEO 的觀點：銷售 AI 的目標不是生成漂亮 email，而是端到端產生 pipeline。這牽涉客戶訊號、名單擴充、CRM 狀態、帳戶研究、訊息生成、資格判定、送達率、合規話術與回覆處理。很多價值其實是非 agentic 的確定性軟體工程。

FurtherAI 的保險觀點更直接：核保決策不是模型從零推理，而是 carrier 的 SOP、風險偏好、升級條件、外部資料、主管覆核與文件化要求共同形成的工作記憶。每次人工修正與例外處理，都是下一輪系統改善的訓練訊號。