AI紅利，為什麼分為兩個階段？
如果你已經有客戶、有訂單，那恭喜你，對你而言，AI的紅利可能會分兩次兌現。
第一次，是讓你從同樣的生意中省出利潤。第二次，是讓那些過去做不了、或不值得做的訂單，也可以開始做了，並開拓出新的增長曲線。
其中的原因，看完今天這兩家公司，你就明白了。
一家是美國的獨角獸公司SendCutSend，今年5月剛完成1.1億美元融資，估值超過10億美元。它主要做按需金屬零件加工，客戶上傳設計檔案，就可以完成報價、生產和交付。據稱，那怕只要一個零件，也能生產。
另一家是中國的嘉立創，則是從PCB打樣起家，8月4日剛剛在深交所主機板上市，首日市值就突破千億元，2025年收入已經超過100億元。
它們一個切金屬，一個做電路板，看起來都不像AI公司。
但今天，我們恰恰能以它們為例，看看AI紅利該怎麼落地。當然，下面的分析只是商業邏輯的討論，不構成任何投資建議。
第一波紅利
先來看看，如何實現第一層，即用更低的成本，完成以前同樣的生意。
很多人一談AI降成本，最容易想到的就是替代人，把員工裁掉，自然就省錢了。
但其實，我們更要看清成本的真正來源，人工成本高往往只是個結果。
今天的兩個主角，SendCutSend和嘉立創，有個共同特徵，就是訂單量巨大，客戶高度分散，甚至大部分訂單都各不相同。
這種業務天然塞滿了各類必須人工參與的工作，如審圖、報價、工藝判斷、排產、客服、異常處理等等。
過去即使已經有軟體輔助，仍然需要大量人力和時間來做具體執行的事情，成本就這麼產生了。
但這反而是今天Agent擅長的地方，也就是把企業過去積累的經驗、參數和流程接過來，讓AI先處理那些流程相對確定、但輸入並不標準的工作，只有少數真正複雜的異常問題才要留給人。
這樣就會大大減少人力成本，也能大幅提升效率。
單點看可能不驚豔，可一旦業務量很大，經濟帳就非常可觀。
就像嘉立創，2025年處理了2000多萬筆訂單，那怕每筆訂單，AI能省一塊錢，一年就能帶來兩千萬的利潤。
其實，Palantir身上已經展現了AI的這個能力。
今年二季度，Palantir的收入同比增長了93%，特別是，其調整後經營利潤率達到了62%，是兩年前的1.6倍。收入和利潤率都在漲，這才是AI降本的真正意義。
當然，要指出的是，AI轉型是個系統工程，需要企業原有系統、資料甚至業務系統都能Agent讀取和呼叫。而且，省下來的成本，可能被算力、雲伺服器以及軟體方面的投入抵消。這些都是企業需要注意的問題。
第二波紅利
但只是到這一層，AI不過是幫企業多賺了些利潤，真正有意思的其實是第二層。
企業省下來的錢，不會永遠留在自己的利潤表裡。
企業出於市場競爭的本能，會把效率的提升以及成本的降低，轉化為更低的價格、更低的起訂量、更快的交付和更簡單的操作。
而這就有可能無心插柳柳成蔭，進一步打開新的需求。
SendCutSend就是這個過程的代表。
其創始人Jim Belosic，曾在造一輛蒸汽動力汽車時，需要一些市面上根本不存在的異形零件。但他發現，傳統加工廠做一千個零件不難，難的是只做一個。
因為詢價、審圖、程式設計、備料等這些固定成本，如果全攤到一個零件頭上，一個本來只需幾十美元的零件，可能要收幾百美元。
可見，很多看似沒需求的業務，其實不是真的沒人需要，只是滿足這個需求的成本太高，顧客不想花這麼多錢，商家也不好提供。於是，需求一直在，卻沒有變成訂單。
SendCutSend的辦法，是寫了一套軟體，把幾百個客戶形狀各異的零件，像玩俄羅斯方塊一樣拼進同一張金屬板裡一起切。材料損耗和開機成本，從由一個客戶承擔，變成幾百個客戶分攤。
服務一筆小訂單的成本，就被打下來了。
到2025年底，SendCutSend累計生產了超過3000萬個定製零件，服務了30多萬客戶。去年10月，就跨過了1億美元收入的里程碑。
而它最大的單一客戶，只佔公司收入的0.6%，說明撐起這家公司的，是無數原本做不了的小需求。
嘉立創走的，也是同一條路。
二十年前，如果一個工程師只想做幾塊PCB樣板，工廠同樣懶得接。
嘉立創用自研的智能拼板演算法，把成千上萬張尺寸不同、要求各異的訂單組合在一起生產，每天可以處理兩萬多份訂單，單次打樣成本從過去的數百元壓到了現在的幾十元，最快12小時就能交付。
新的規模經濟
我們認為，這背後，是規模經濟邏輯的變化。
傳統工業擅長把同一種東西生產一百萬遍，需求越一致，越容易標準化，越能把單位成本降下來。
SendCutSend和嘉立創則由系統找出小訂單可以共享的部分。同時處理的訂單越多，出現相似需求以及出現可共享部分的機率就越高，拼單效率隨之提高，小批次生產反而能獲得規模優勢。
而且，門檻下降了，還會帶來各種附加效應。
比如，不僅新客戶更多了，老客戶也會提高訂單頻次。
過去，打一次樣要等幾周，客戶自然一年只敢改幾輪方案，現在卻一年可以迭代十輪。
所以，AI的紅利，第一階段看利潤表，第二階段看需求曲線，而且兩個階段，可以在同一家公司身上接續發生。
類似的邏輯，其實還可以發生在各行各業。
比如，現在打車的價格還不低，一旦Robotaxi普及，價格降下來了，以前坐公車和地鐵的人，也會願意打車了，整個市場就擴大了。
再比如，過去體檢一次要幾千塊，大部分人一年也就查一兩次。
如果可穿戴裝置和自動化檢測能把體檢成本降下來，而且也更方便了，就有可能變成每個月甚至每周都能查一次，包括那些以前不愛體檢的人，也會加入進來。
同時，插一句，這種連續的健康資料，才能讓每個人掌控自己的個性化健康狀況，而不是一套標準去卡所有人。
可以說，工業時代靠“消滅”差異來降低成本，AI則讓我們有機會“消化”差異，也就是大幅降低處理差異化需求的成本，來獲得新的規模化能力。其中，最值得關注的一個領域，就是我們常說的“服務規模化”。 (全球風口)