AI 应用公司最怕被问的，不是模型多强，而是背后的“含人量”

“含人量”，是 AI 应用公司迟早都要自己说清楚的事。

作者：闫峻

当 AI 应用还停留在 demo、发布会和融资新闻里，大家最容易讨论的是模型参数、响应速度和产品体验。

但一旦产品真正进入客户现场、采购验收、融资尽调、上市披露和退出环节，一个更冷的问题就会出现：这个看起来已经自动完成的系统，到底有多少是系统自己完成的，又有多少是人工在背后维持。

这就是 AI 应用公司迟早都要面对的“含人量”问题。

所谓“含人量”，不是一句讽刺，也不是否定 AI，而是一个非常现实的交付判断：一个结果看上去越自动，越需要追问其中到底有多少依赖人工复核、远程接管、质检、部署、运营支撑和客户现场维护。

这里讨论的不是基础大模型公司，也不是芯片、算力或底层基础设施公司，而是更贴近客户业务流程的 AI 应用公司：智能客服、企业知识库、销售外呼、内容审核、AI Agent、智能办公工具、行业大模型解决方案，以及各种垂直场景自动化产品。

很多人其实并不是不知道 AI 应用背后可能有人。

投资人见过这样的项目：demo 很顺，客户也有，但一旦追问毛利率、交付周期和服务人员配置，才发现收入增长背后还有一支不小的实施与交付队伍。

产业客户也见过类似场景：试点阶段供应商团队几乎天天在线，问题随叫随到；等到正式上线，才发现系统仍然高度依赖人工兜底，数据谁能看、出错谁负责、验收怎么写，反而成了更现实的问题。

创始人自己往往更清楚这一点。早期产品靠人补边界、救现场、攒样本，是 AI 应用进入真实场景时极其常见的工作方式。真正难的从来不是一开始后台有没有人，而是半年以后、一年以后，这些人工到底有没有被沉淀进产品，变成自动化能力；还是继续停留在交付链条里，变成新的服务成本、运营成本和组织负担。

两类人工

AI 应用的自动化，从来不是一个纯粹的模型问题。

在真实商业交付里，一个 AI 应用产品往往由模型、规则、数据、质检、人工复核、异常处理、远程接管、客户流程和运营团队共同组成。

客服、知识库、审核、销售、办公自动化、企业 Agent、行业解决方案，几乎都要经历这样一个阶段：AI 先处理标准化任务，人来兜住异常、敏感、低置信度或高风险任务。

真正的关键，不是人工有没有参与，而是人工参与最后沉淀到哪里。

第一类人工，是帮助产品学习的人。

他们做数据标注、样本筛选、模型评测、质检抽样、异常案例收集、人工反馈和流程训练。他们的价值不在于替系统长期完成工作，而在于把客户现场里的异常输入、流程断点、长尾问题和复核经验，逐步沉淀为模型、规则、SOP、评测机制和产品边界。

第二类人工，是已经成为交付结构一部分的人。

他们代替系统回答客户、远程接管任务、人工完成订单、人工处理原本承诺自动完成的流程，或者靠项目团队长期维持交付效果。

这类人工并不意味着公司没有价值，但它会改变公司的商业本质。客户以为自己采购的是 AI 应用，实际买到的可能是一套带 AI 前台的人力服务系统。投资人以为自己投的是高毛利、可复制的软件公司，最后看到的却可能是收入增长背后，对应着更多部署人员、服务人员、质检人员和项目运营人员。

这个判断的底层逻辑其实很简单：帮助产品学习的人工，最终会让系统更自动；成为交付结构一部分的人工，最终会让公司更重。

这一区分决定的，不只是成本结构，更是定价逻辑和估值逻辑。

一家更重的 AI 应用公司当然也可能很有价值，尤其在高门槛行业、复杂组织流程和强定制场景里，重交付未必是坏事。但如果一家公司本质上更像“AI 增强服务”，就不能长期用标准 SaaS 或轻软件公司的故事去讲收入质量、毛利前景和复制能力。

成本之外

很多人谈“含人量”，首先想到的是成本。

这当然没错。人工复核、远程接管、现场交付、长期运维、质检团队、外包审核，这些都会直接进入成本结构，并最终体现在毛利率、交付周期和组织规模上。

但更容易被低估的是，“含人量”同时也是一个数据问题、责任问题和合规问题。

在很多 AI 应用场景里，人工复核、质检抽查、客服升级、异常接管和外包处理，都会接触用户输入、语音、图片、企业文档、业务记录、订单信息，甚至敏感个人信息。

如果系统只是用于导览、营销、简单问答，问题相对可控；但一旦进入金融、医疗、政务、保险、企业知识库、法律咨询、养老陪伴、客户服务等场景，人工介入会直接改变责任等级。

这时候，客户真正需要知道的就不再只是“准确率多少”，而是更具体的一组问题：后台人工是否能看到原始数据，是否经过脱敏，谁有权限访问，是否涉及外包，访问过程是否留痕，是否告知用户，出现投诉之后能不能追溯完整处理链路。

AI 应用越深入客户流程，越不能只靠“模型能力”证明自己。它还必须能回答合同怎么写、隐私政策怎么披露、数据处理协议怎么约定、访问权限怎么分层、审计日志怎么保留、异常处理流程怎么追责。

客户买的不是一个“AI 感”很强的界面，而是一个自动化率、人工接管、数据访问和责任边界都说得清的系统。

所以，对产业客户来说，真正该问的问题也许是这些：自动完成和人工完成是否区分记录？人工接管是否写入 SLA？后台人工能否访问客户数据？验收报告里是否写明自动化率和接管率？续费时能否看到接管率下降、使用率提升和交付工时减少？

这些问题并不华丽，却比“模型参数多少”“是不是多模态”更接近真实采购决策。因为一旦 AI 真正接入业务系统，客户承担的是责任，不是想象。

尽调入口

过去很多 AI 应用公司还没有进入公开资本市场时，外界对它们的判断往往停留在模型能力、融资新闻、产品体验和 demo 效果上。

看上去，产品只要够聪明、够快、够像“自动化”，故事就已经讲得差不多了。

但随着越来越多 AI 公司走向更严格的信息披露环境，很多原来可以被包装成“技术进展”的问题，都会被重新翻译成财务问题、交付问题和收入质量问题。

公开报道对招股材料的拆解已经给了市场一个提醒。36氪在关于智谱 AI 与 MiniMax 的报道中提到，两家公司毛利率存在明显差异，且成本构成并不相同；相关报道同时指出，服务与部署人员工资、计算服务费等项目，会在不同公司形成不同的成本压力和交付画像。

另一篇关于两家公司冲刺资本市场的报道则提到，MiniMax 在 2023 年至 2025 年期间营收快速增长，但同时行业整体仍处于高增长、高投入、高亏损并存的阶段。

这些数据当然不能被粗暴解读。

服务和部署人员成本，并不等于后台人工在代替系统完成所有任务。企业级 AI 应用本来就需要部署、实施、运维、客户支持和本地化适配；B 端、G 端、本地化部署、C 端 AI 原生应用、API 平台，它们的成本结构天然就不一样。

但这些披露至少让一个问题变得无法回避：AI 应用公司的收入，到底是如何被交付出来的？

如果人工主要是产品学习机制，随着客户增加，单位交付成本理论上应该下降，交付方式也应该越来越标准化。

如果人工本身已经是交付前提，那随着收入增长，人工成本也会同步放大。

前者意味着产品在变强，后者意味着组织在变重。

这就是为什么“自动化率”会成为 AI 应用公司最重要的尽调入口。

自动化率不是一句宣传词，它把产品能力、人工成本、收入质量和资本定价绑在了一起。

投资人真正要看的，不是 demo 里 AI 完成了什么，而是在客户真实使用之后：自动完成率是多少，人工接管率是多少，接管原因是否被记录，接管经验有没有回流到产品迭代，同类客户的交付工时有没有下降，毛利率改善到底来自模型成本下降，还是来自交付标准化，客户续费到底来自系统价值，还是来自服务团队长期驻场。

在更严格的采购和验收里，客户甚至可以把人工接管率上限、接管场景分类和日志留存方式写入条款。具体阈值当然不能跨行业照搬，但“接管率是否持续下降”，完全应该成为验收和续费时被持续追踪的指标。

这些问题很少出现在融资发布会上，却一定会出现在尽调问卷里。