垂直 Agent 的 PMF：不是做窄一點，而是有人接住失敗

AI Business / Vertical Agents

垂直 Agent 的 PMF，不是「做窄一點」而已

這則 Threads 的核心觀點很實用：LLM 產品真正大規模賺到錢的，多半集中在 chatbot、coding、以及有明確工作流的垂直 agent。關鍵不是「垂直」本身有魔法，而是錯誤發生時，是否有人、流程或系統能接住幻覺與失敗。

三個較成熟的營收區塊

貼文把 LLM 商業化大致分成三類：Chatbot（ChatGPT、Claude、Gemini、Perplexity 等）、Coding（Cursor、GitHub Copilot、Windsurf、Devin、Lovable、Replit 等）、以及垂直領域 agent（客服、法律、醫療、企業搜尋、CX）。這個分類比「AI agent 會不會取代所有工作」更接近現實市場。

垂直不是萬靈丹

法律、醫療、客服、企業搜尋確實比較容易形成產品場景，但只要輸出會影響合約、診療、訴訟或客戶關係，幻覺成本就很高。垂直化只能降低問題範圍，不能自動消除錯誤。

真正的分水嶺：誰接住失敗？

法律有 senior partner 校稿，客服有 escalation，coding 有 engineer review。通用 agent 若沒有這層安全網，就算 demo 很漂亮，也很難被企業放心接進正式流程。

數字 caveat：貼文列舉 OpenAI、Cursor、Lovable、Harvey、Abridge、Glean 等營收或估值數字，與公開市場報導方向大致一致；但這類 ARR / valuation 變動很快，且多半來自媒體或募資新聞，不應被當成永久事實。這篇文章採用它們作為「市場資金正在押注哪些類型」的訊號，而不是精確財務結論。

產品類型	為什麼比較能收錢	主要風險	PMF 判斷方式
Chatbot / Search Assistant	使用場景廣、上手成本低、個人與企業都能快速感受到效率提升。	差異化與留存壓力高，容易被基礎模型平台吸收。	高頻使用、付費續訂、企業席次擴張。
Coding Assistant	工程師能直接審查輸出，錯誤可由測試、review、CI/CD 接住；ROI 也容易用開發速度衡量。	模型成本、程式碼品質、安全與 IP 風險。	是否融入 IDE / repo / PR / CI 工作流，而不是只會生成片段。
垂直 Agent	問題範圍較窄、資料與任務比較標準化，能包進既有流程。	幻覺成本高，尤其法律、醫療、金融、客服承諾等場景。	是否有 human-in-the-loop、審核責任、稽核紀錄與 escalation。
通用 Agent	想像空間最大，理論上可跨工具完成複雜任務。	多步驟任務成功率會累乘衰減；一旦無人接住錯誤，企業很難正式採用。	不是 demo 能跑，而是十次、百次流程能否穩定、可追溯、可回滾。

如果要評估一個 AI agent 點子，先問這六題：

這個場景是否真的有人願意付錢，而不是只覺得 demo 很酷？
使用者現在的 workflow 是什麼？Agent 是嵌入流程，還是要求使用者改變流程？
錯誤發生時，誰會發現？誰負責？誰有權限修正？
是否能先用 API / workflow automation 驗證核心價值，不急著包成大型 agent 架構？
是否有審核、日誌、版本、引用來源、回滾與 escalation？
是否能把「看起來省時間」轉成可量化的營收、成本、留存或風險降低？

Threads 高訊號留言

留言中有人提到，很多企業砸錢蓋 agent 架構、做 PPT，但上線後才發現沒人用。真正問題往往不是模型不夠強，而是 workflow 設計脫離實際需求。這個補充很關鍵：AI agent 的失敗常是產品與流程問題，不只是模型問題。