从YC S23看AI创业转向：AIGC退潮，AI+落地成主流

YC S23这批项目名单我前前后后翻了好几遍。作为每年都盯Demo Day看风向的人这届给我的冲击感不亚于2022年底ChatGPT刚发布那阵子。一百多家AI创业项目里AIGC类产品的比例肉眼可见地在降而AI落地、AI Agent、企业服务这一类项目悄悄占掉了大头。与其说硅谷投资人不投AI了不如说他们正用脚投票把生成一张图、写一段文案的想象力换成了帮企业解决一个具体问题并收到钱的确定性。这篇文章我想从一个长期关注创业生态的人的角度把YC S23这批项目背后真正在发生的转向拆开说清楚AIGC到底退在哪里AI又落在哪些行业以及如果你正在选创业方向能从这波信号里学到什么。我不打算堆术语只讲人话尽量让没有融资经验、纯粹搞技术的朋友也能看懂。1. YC S23的AI浓度到底有多高先说结论1.1 数据观察AI项目占比高但口径要讲清楚先说数字。根据公开披露的项目列表和我自己的粗筛YC S23这一批一百多家公司里AI相关项目占比非常夸张有人统计说六成以上按我的口径差不多也在这个区间。但我们必须把口径说清楚这个AI相关包含了纯AI公司也包含了大量用AI改造传统行业的项目。换句话说AI已经不是一个赛道而是一个基础设施几乎所有公司都在往自己身上贴AI标签。这个现象跟几年前的YC批次对比特别明显。S22那一届还有大量Fintech、DevTools、开发者工具、消费品牌的非AI项目而到了S23AI几乎无孔不入。我甚至发现有些做物流调度、做保险理赔的项目本质上没有用多少大模型技术也硬要把自己包装成AI驱动的某行业平台因为不这么说投资人的兴趣就起不来。但我要提醒一句YC是典型的种子轮孵化器它只能代表天使轮和种子轮投资人的偏好不能代表整个硅谷的资本全貌。真正让我重视YC名单的原因是它的后续传导效应——A轮、B轮投资人会拿着YC的这份名单当雷达看哪些项目拿到了后续轮次哪些项目死了从而校准自己的投资逻辑。所以YC S23的转向本质上是在预告未来18个月里硅谷主流的投资主题。1.2 结构变了从生成内容到嵌入工作流如果只概括一句话我会说这届YC项目最大的变化不是AI变多了而是AI的落点从生成变成了嵌入。上一波AIGC热潮里最火的项目长什么样AI生成头像、AI生成PPT、AI生成文案、AI生成营销图全是面向C端个人用户主打一个你动动手指模型替你产出内容。这波浪潮在S22和W23达到了顶峰我当时看到的是满坑满谷的AIGC小工具。但到了S23这类项目明显减少取而代之的是AI客服加工单自动化、AI销售助手、AI法律文件审阅、AI自动化脚本生成这类面向企业的项目。这个转向背后的逻辑很简单生成内容本身不产生收入只有内容被用起来、嵌入到业务流程里才会产生商业价值。你可以把AIGC理解成制造石油但真正赚钱的是那些修管道、建加油站、把石油送到工厂里的人。YC这批项目里大多数人在修管道而不是炫石油。2. AIGC退潮不是AI遇冷而是预期重建2.1 成本账算不过来API降价也救不了获客成本AIGC退潮的第一个原因特别实在账算不过来。很多人以为AIGC的成本很低因为生成一张图、写一段文字模型调用费可能就几分钱。但真正做过C端产品的人都知道模型推理成本只是冰山一角最大的成本是获客成本。一个AI生成头像的App用户第一次用会觉得新鲜发个朋友圈然后呢第二天就忘了。你要持续获取新用户就得不断投广告、做投放而这个品类的留存率往往低得可怜。结果就是获取一个新用户的钱远高于这个用户一辈子能贡献的收入也就是LTV/CAC严重小于1。我用生活里的例子类比一下街边算命摊单次收费不贵但一天得接多少个客人才够交房租如果客人全是路过好奇看一眼就走的那地毯生意做得越多亏得越多。AIGC to C产品面临的核心问题就是好奇心流量不可持续。API调用成本再低也救不了这种结构性亏损。2.2 大模型公司把应用层的地基抽走了第二个原因是竞争格局的问题。AIGC小工具最尴尬的地方在于你的产品能力完全取决于底层大模型的能力而底层大模型是别人家的。举个例子GPT-4出来的时候你做一个AI美化图片的应用会觉得非常惊艳因为模型能力本身就是你的卖点。但过半年下一个版本的大模型把美化图片直接内置成基础功能或者OpenAI、Anthropic、Google顺手把一个类似功能直接加到自己的产品里你的独立应用就瞬间失去了存在价值。你只做一层壳巨头换一个壳就是你的死期。这是无数AIGC创始人在S23期间想明白的事。所以你看这届YC项目凡是还在做通用能力包装层的基本都拿不到融资凡是已经往垂直行业、私有数据、工作流集成方向挖护城河的反而被投资人追着谈。说白了AIGC退潮不是AI没价值了而是模型能力本身不再值钱值钱的是怎么把模型能力落地成别人离不开的东西。2.3 付费方错位个人付小钱企业付大钱第三个原因最本质付费方的错位。做C端AIGC产品你的付费用户是个人。个人用户的付费习惯是客单价低、退款率高、忠诚度低今天订了会员下个月忘了取消订阅。而做AI落地的项目你的付费方是企业客户虽然销售周期长、决策流程复杂但一旦签下合同通常是年度订阅金额从几万到几十万美元不等还附带服务费和增购需求。企业客户愿意为什么付钱为错误率下降20%付钱为客服成本降低30%付钱为合规审查省下几个律师工时付钱。这些都是能用金钱衡量的ROI。而C端个人很难为图变好看了付钱因为AI生成内容与个人实际收入之间的链条太长了。这个付费方错位直接解释了硅谷投资转向从现金流角度看AI落地项目的商业模式天然比纯AIGC健康投资人不是傻子他们在用脚投票。3. 从YC S23看AI项目真正在落地的五个方向3.1 企业级效率工具先把大模型塞进现有工作流YC S23里数量最多的一类是AI企业效率工具。这块涵盖AI客服、工单自动分类、会议纪要生成、销售邮件辅助、文档协作、财务报销审核等等。它的典型特征是不重新发明轮子而是把AI能力加到已有软件工具里。这类项目之所以受YC欢迎原因很清晰有明确的现有客户群有可复用的付费模型还天然积累了大量业务数据。举个例子一家公司已经有了一套客服工单系统里面存了几年来的历史工单和解决方案。用AI做一个检索增强模块让客服人员输一句自然语言就能匹配到最相近的历史工单处理建议这就是一个能立刻节省人力成本的好功能。不需要去教育市场什么是AI只需要告诉客户你现在的工作流能快30%。做这类项目的核心难点不是模型选型而是怎么跟现有的业务系统打通。很多企业的数据存在Salesforce、Zendesk、飞书、钉钉、甚至是Excel里你得先把数据管道做好才能让AI真正用起来。3.2 垂直行业AI助手法律、医疗、金融、教育第二类是AI垂直行业应用这也是我这届最关注的方向。它的共性在于行业知识、私有数据、合规能力比模型能力更值钱。拿AI法律来说合同审查是个非常典型的场景。一份几十页的合同普通律师肉眼看完需要几个小时AI可以在几分钟内把条款里不合理的责任分配、缺失的保障条款都标出来。但这个产品要成立光会调大模型API远远不够它需要理解法律术语、不同法域的风险偏好、历史判例的总结逻辑。最关键的是它必须做到稳定、可解释不然律师客户不敢用。所以真正的壁垒在于积累的标注数据和行业规则知识库这些东西不是模型能力强就能绕过去的。AI医疗同样典型。病历记录、影像初筛、药品交互提醒每一个场景都直接关系到患者安全。这类项目最大的挑战不是你技术多强而是怎么拿到合规的数据、怎么过审批、怎么让医生愿意把AI当作辅助而不是威胁。AI金融则集中在合规审查、风险识别、财报分析金融行业有预算、有痛点、有明确ROI是落地最快的垂直领域之一。这些垂直项目共同的特点是慢、重、需要行业资源但一旦做进去大模型公司想抢你饭碗也抢不动因为你手里握着行业数据和客户关系这就是最深的护城河。3.3 开发者基础设施与模型工具卖铲子的人最稳淘金热里最稳的是卖铲子的人这个定律在AI时代再次应验。YC S23里有相当一部分项目在做开发者基础设施模型API路由、模型评测与安全防护、检索增强生成框架、数据标注平台、微调工具、部署服务等等。这类项目本质上是给AI开发者解决最后一公里的问题。比如一个模型评测平台专门测试不同大模型在特定任务上的表现差异谁快谁慢、谁准谁偏、哪次版本更新导致了模型行为变化帮助企业在选型和上线前做决策。又比如检索增强生成框架解决的是大模型一本正经胡说八道的问题把企业私有知识库接进模型让回答有据可查。为什么YC喜欢这类项目因为AI开发者群体在指数级增长任何能帮开发者省时间、降门槛的工具都有确定的客户需求。而且这类产品可以做成开发者工具该有的样子API按量计费、开源自带传播、企业版收费。它的缺点是不性感不如AI生成一张好看的头像那么吸引眼球但投资人已经越来越明白性感不能当饭吃开发者工具才是细水长流的好生意。3.4 AI Agent从聊天到自动执行如果你问我S23最明显的增量在哪里我会说是AI Agent也就是智能体项目。这类项目在上一届还很少见这一届几乎成了标配。到底什么是AI Agent简单说让大模型从回答问题升级为完成任务。你不只是跟它说话而是给它一个目标它自己去拆解步骤、调用工具、做判断、执行动作。举个落地场景一个电商运营人员过去处理客户申请改地址这件事要在后台系统里手动改好几个字段现在可以让Agent去读取邮件、识别客户意图、调取订单、修改地址、再给客户发确认信全程自动化。但我要纠正一个常见的误解AI Agent不等于聊天机器人。聊天机器人是你说一句它回一句AI Agent是你给任务它跑流程。真正有用的Agent一定处于一个有明确反馈环的场景里比如客服、运维、数据分析每一步都有成功和失败的判定标准这样才能持续优化Agent的行为。YC这家投资方比较看重Agent类项目我认为逻辑是因为它能直接替代人力成本付费意愿强商业价值兑现快。当然Agent类项目目前仍然有很多待解决的问题比如多步骤执行后的错误率管理、安全权限控制、工具调用的稳定性。但方向已经明确AI不会止步于回答问题它一定会走向自动干事儿。3.5 硬件与具身智能的苗头最后说一下数量不多但很值得关注的趋势AI硬件也就是机器人、具身智能、智能检测设备这类项目。虽然这类项目在YC S23里的绝对数量比不上软件类但我在名单里明显感觉到硬科技项目正在回归。原因是AI到了这个阶段光靠软件卷效率已经卷到头了物理世界里有大量场景等着被重新做一遍。比如农业机器人做自动采摘、仓储机器人做包裹分拣、建筑工地机器做测量和巡检跟过去的自动化设备相比它们的共性是引入AI视觉和语言模型来做复杂环境下的决策。这类项目门槛高、周期长、烧钱多但天花板也高。一个软件AI项目做到几百万美元ARR已经很厉害一个机器人项目如果真能在仓储物流场景里替代几十个工人的工作量订单金额是前者的十倍量级。YC愿意放一部分项目去赌这个方向说明硅谷的投资人正在为AI的下一站下注。为了方便对比我把自己拆项目时常用的判断维度整理成了一张表维度纯AIGC消费工具AI垂直行业开发者基础设施AI Agent典型客户C端个人企业/行业客户AI开发者有流程自动化需求的企业客单价低几十元/月高数万至数十万/年中等按量付费高按流程节省人力付费销售周期极短长3-6个月短到中等中等留存难度极难容易中等容易核心壁垒几乎无行业数据客户关系工程能力场景理解数据闭环4. 看完了趋势创业者下一步该怎么办可复制的判断方法4.1 用谁付钱、为什么付、付多少筛掉伪需求趋势归趋势落到自己身上判断一个AI项目值不值得做我有一套特别简单的筛选方法连续问自己三个问题。第一谁付钱你得把付费方具体到一个群体比如中小企业的客服主管或者连锁诊所的合规负责人而不是笼统的企业或用户。第二为什么付钱这个需求必须是不用AI就会损失钱或时间级别的而不是用了AI会有点爽。第三付多少这决定了你的商业模式能不能成立。用这个筛子去过一遍很多AIGC概念一下就露馅了。比如一个AI做表情包的App付费方是个人为什么付好玩。付多少几块钱。三关全挂。而一个AI合同审查工具付费方是法务总监为什么付因为一份合同漏看一个条款可能赔几十万。付多少一年五万起步。三关全过。这就是筛选的威力。4.2 避开大模型公司的射程第二个建议是选择战场时要认真评估巨头会不会做。通用型方向一定不要碰比如一个通用的AI搜索引擎、一个通用AI助手、一个通用AI笔记工具这类产品的命运几乎是注定的底层大模型公司做起来比你方便一百倍。真正能活下来的是那些在巨头的雷达之外建立根据地的生意。什么叫雷达之外一是垂直行业大模型公司不会为了一个法律行业去签一打的律所客户二是私有部署巨头卖的是标准化云端API赚的是规模钱做不了重服务三是绑定硬件和渠道比如你做一台带AI的检测设备要通过代理商渠道卖这个模式大模型公司根本不愿意碰。记住一句话如果你想跟巨人抢地盘千万不要选择一个巨人站在你家门口的土地。选那些巨人懒得弯腰去捡的钱才是创业公司的生存法则。4.3 MVP的正确姿势不是炫技是验证付费意愿很多技术出身的朋友做AI项目有个通病太执着于技术完美。模型效果不够好想着再调一调数据不够多想着再攒一攒。结果三个月过去了产品还没给任何客户看过。我的建议恰恰相反AI项目一定要用最快的速度拿现成的大模型API拼出一个粗糙但能用的MVP然后立刻去找十个典型客户试用和访谈。你重点要验证的不是准确率而是两件事第一客户是不是真的愿意付钱第二客户未来三个月还会不会继续开着用。这两个指标比任何SOTA指标都重要。甚至MVP阶段我鼓励你故意不做得那么完美逼自己观察用户的真实反应。如果你发现一版破破烂烂的demo客户看完就愿意掏钱你就找到了需求如果客户客气地说挺有意思但坚决不签合同那说明你的产品还只是一个演示品需求是假的。等技术成熟再上马对创业公司来说是严重的资源浪费。4.4 融资叙事怎么讲AIGC讲想象力AI讲收入如果你打算融资叙事方式也要跟着调整。AIGC那波热潮里投资人愿意为一个改变内容创作方式的故事买单看得是想象力。但现在硅谷的投资逻辑变了尤其在YC这批项目里投资人越来越关注你实际的商业化数据。这届我接触下来感受到的典型画像是你的ARR做到了多少、每月环比增长多少、客户留存率、净收入留存率NRR、获客成本。他们当然也会关心你的模型和技术方案但对AI项目故事再好也不如一张企业客户的合同更有说服力。所以融资之前先花时间把你最早的十个客户服务好哪怕客单很小都要把收入增长曲线或付费企业名单做出来。第一个model call不是亮点第一张企业合同才是。这个道理对于做技术的朋友是个心理考验因为你会觉得自己还没准备好。但创业不是做学术研究你的任务是用最快速度找到愿意付钱的客户融资只是这个验证过程的加速剂不是终点。5. 拆项目时最容易踩的坑我自己的避坑清单5.1 把技术演示误当产品YC每届Demo Day都会冒出很多让人眼前一亮的演示AI数字人、AI生成3D场景、AI模拟小镇居民生活观感非常轰动。但我在拆解项目时发现很多人犯的第一个大错就是把技术演示当成了产品。技术演示解决的是这个东西能不能跑产品解决的是用户每天愿不愿意用、愿不愿意付钱。经典的例子是所谓的AI小镇让一群AI角色在一个虚拟小镇里生活有工作、有社交、有记忆。看demo你会觉得这是未来但真正的问题是它的付费用户是谁用户打开一次之后第二天为什么还会来这些问题答不上来它就只是有商业价值之前的技术demo。Demo day的聚光灯容易让人兴奋但决定生死的是聚光灯关闭之后用户的留存曲线。5.2 忽略数据闭环与反馈机制AI项目做久了你会意识到真正的护城河是数据闭环而不是模型。模型再好是租来的数据飞轮是自有的别人拿不走。但数据闭环不是自然发生的你得在产品设计初期就把反馈机制埋进去。举个例子一个AI客服产品每一次客户对答案点有用或没用每一次客服做了人工修改都应该被记录下来成为模型的训练和评测数据。如果一开始就没埋这个采集点后面想优化模型就会发现自己赤手空拳。很多创始人在Demo Day上被问到你的数据是怎么积累的时支支吾吾这在投资人眼里是巨大的减分项。5.3 只补技术不补行业认知做出来没人用这是AI项目最常见的死法团队全是技术天才但没有任何一个人真正在这个行业里待过于是做出来的产品专业但无用或者有价值但卖不出去。你做一个AI法律的项目团队里最好有一个真的当过律师、见过客户怎么被合同坑过的人做一个AI医疗的项目最好有一个真的在医院环境里工作过、知道医生流程痛点的人。行业认知不是看几本书就能补齐的它是在真实场景里被反复摩擦后形成的嗅觉。所以如果你选了一个垂直行业第一优先级是找到一个靠谱的行业合伙人而不是再招一个优秀的算法工程师。AI领域从来不缺聪明人缺的是既懂AI又懂行业的人。5.4 对合规与安全想得太少后期会翻车很多人做AI项目只盯着效果不盯着风险。但越到垂直行业合规与安全越不是锦上添花而是产品的准入条件。在医疗和金融行业数据隐私、模型可解释性、误判责任是头等大事在教育和招聘行业算法偏见和公平性问题也随时可能变成公共事件。还有大模型的AI幻觉问题在企业场景里绝对不能当成小概率事件忽略。比如一个AI风控产品模型误判了几笔交易可能带来巨额损失一个AI招聘产品模型因为训练数据里隐藏的偏差歧视了某个群体产品可能直接被停用。这些合规和安全问题必须作为产品设计的输入而不是产品上线之后才补的补丁。在一开始就要做风险评估跟法务团队的配合要从立项那天开始。5.5 被技术进展带着走忘了维护确定性最后一条我自己在这些年看项目时踩过最多次的坑之一太容易被新技术带着走。AI领域几乎每周都有新模型发布、新框架推出、新论文出来如果你是一个好奇心强的人特别容易陷入我是不是该换成这个新模型这个新Agent框架太酷了必须集成的循环里。但企业客户要的不是酷是确定性。你的产品今天行为稳定明天升级完一个组件突然行为变了客户会直接卸载你。成熟的AI团队会把模型版本稳定、输出结构稳定、行为表现可预期当作最高优先级的工程纪律把新技术当作可评估、可灰度、可回滚的备选方案而不是随时追新追热的玩具。AI创业是一场长跑不是比谁手里的锤子最新而是比谁盖的房子最稳。我个人看完YC S23这批名单最大的体会是AI创业已经过了靠写一行prompt就惊艳世界的时代进入了一个靠解决真问题、服务真客户、收到真钱的时代。AIGC退潮不是技术不行了而是那些只有技术、没有场景和商业模式的项目正在被淘汰。对我自己来说之后看任何AI项目我都会先问一句这个东西三个月后用户还会用吗这个问题能帮你过滤掉80%的伪需求。我也会继续盯着这批YC项目的后续融资情况看哪些方向能真正跑出下一批十亿美元级公司到时候再回来跟你们分享。