摘要：垂类 AI 的钱和增长都在变多，但多数 agent 项目死在落地环节，原因很少是模型不够强。决定成败的是四件事：切进一个具体工作流并嵌进客户现有系统；有自己积累的数据；能算清每次运行的成本并按客户认可的结果收费；结果可评测、可审计、可复核，满足合规。
调研时间 2026 年 11 月，资料以公开报告和行业文章为主，部分数字各来源不一致，只适合看量级。
现状
钱在流向垂类
Menlo Ventures 2025 年企业 AI 报告：垂类 AI 支出从 2024 年的 12 亿美元涨到 2025 年的 35 亿美元，接近 3 倍。医疗约 15 亿美元，接近一半，超过排在后面的四个行业之和；法律约 6.5 亿美元。来源
头部公司增长很快
| 公司 | 行业 | 公开数据 |
|---|---|---|
| Harvey | 法律 | 2025 年底 ARR 约 1.9 亿美元（一年前 5000 万）；2026 年 2 月传出 110 亿美元估值融资洽谈 |
| Abridge | 医疗（临床病历） | 合同 ARR 1.17 亿美元；积累 150 万次诊疗对话 |
| EvenUp | 法律（人身伤害索赔） | 估值超 20 亿美元；积累几十万个案件 |
| Hippocratic AI | 医疗 | 估值 35 亿美元，1.15 亿次临床交互 |
来源：AI to ROI、buildmvpfast。Harvey 的 ARR 在不同文章里有写到 3 亿美元的，口径不一。
失败率也很高
- Gartner 预测到 2027 年超过 40% 的 agentic AI 项目会被砍掉，原因是成本失控、业务价值不清、风险控制不足。来源
- MIT NANDA 研究称 95% 的生成式 AI 试点拿不出可衡量的 ROI，根因是没能集成进真实业务流程。来源
两份结论指向同一点：失败多数出在落地、成本和治理上，模型能力不是主因。
需要关注的点
从一个高摩擦工作流切进去
成功的公司都先吃下一个具体环节（病历记录、合同审查、索赔文书），再扩展成串起多个 agent 的完整系统。已经拿到一个工作流的数据上下文后，再加下一个 agent 的边际成本很低，所以多 agent 的公司收入高于单 agent 公司。来源
护城河在数据和流程嵌入
模型本身构不成壁垒。Abridge、EvenUp 的优势来自持续积累的专有数据；NFX 调查中超过一半的 VC 认为专有数据的质量和稀缺性是持久壁垒。底座模型厂商也在亲自进入大垂类，只靠 prompt 加模型的产品会被挤压。
跑在现有记录系统之上
EHR、账本、CRM 这类记录系统会留下来，agent 是它上面的执行层，试图整套替换现有系统的做法很难推。来源 集成深度直接决定试点能不能转成生产使用，这正是 MIT 报告里 95% 失败的主要原因。
定价从按席位转向按结果
客服领域已经形成按结果计价的价格带：
| 产品 | 计费单位 | 价格 |
|---|---|---|
| Intercom Fin | 成功解决 | 0.99 美元 / 次 |
| Zendesk AI | 确认解决 | 1.2～2 美元 / 次 |
| Salesforce Agentforce | 对话 | 2 美元 / 次，不论是否解决 |
来源：tech-insider。Forrester 数据显示，「基础订阅 + 用量或结果计费」的混合模式一年内从 27% 升到 41%，是目前的主流。来源
按结果计价的前提是能可靠判定「这次算不算成功」，而且这个指标是买方本来就在跟踪的。
毛利结构不同，要从第一天算推理成本
- ICONIQ 2026 年报告：AI 原生产品平均毛利预计约 52%，传统 SaaS 是 75%～85%，差距主要来自推理成本。来源
- Bessemer 把高增长 AI 公司分为两类：增长极快但毛利约 25% 的「超新星」，和毛利约 60%、稳步复利增长的「流星」。来源
每次运行的 token 和计算成本要能归到具体客户和任务上。Gartner 列出的第一条砍项目原因就是成本失控。
可靠性、评测、审计是采购门槛
- 企业买方要求上线前有基于数据集和评分器的评测，上线后有生产 trace 监控。来源
- 审计日志要能证明发生了什么、为什么发生、谁负责，普通日志不够。来源
- 医疗、金融、法律等受监管行业要求结果可追溯、可复核，人在回路（HITL）是常规配置。
合规有明确时间点
EU AI Act 第 50 条从 2026 年 8 月 2 日起生效：与人直接交互的 AI 系统（包括 agent）必须告知用户对方是 AI，生成内容要带机器可读标记，罚款最高 1500 万欧元或全球营业额的 3%。来源 健康、法律、金融等敏感领域可能还要周期性重复提醒。来源
用标准协议做互操作
目前的分工共识是 MCP 负责 agent 调用工具，A2A 负责 agent 之间协作，A2A 已有 150 多家组织支持。来源 Gartner 预测到 2028 年 90% 的 B2B 采购会经过 AI agent，API 优先、可组合的产品更容易被客户自己的 agent 调用。
每个项目要有负责人和量化指标
对应 Gartner 和 MIT 的结论，做法是一个工作流配一个负责人、一个可衡量的结果指标，治理和审批路径在试点之前就设计好。
对 SAR InSight 的启示
药物研发属于「数据敏感、结果必须可复核」的垂类，上面几条里最直接相关的是：
| 方向 | 含义 |
|---|---|
| 结果可复核 | 报告里的结论要能追溯到具体分子、数据和计算步骤；用户确认的关键选择（活性列、骨架等）要留痕 |
| 成本归因 | 一次 SAR 分析的模型调用和计算成本要能算到这次分析上，现有的用量计费标签是这个方向的基础 |
| 计价单位 | 如果以后按结果收费，需要先定义什么算「一份有效的 SAR 报告」，并且能自动判定 |
| 工作流嵌入 | 切入点是药化团队已有的 SAR 分析环节，结果要能回到他们现有的数据和工具里，而非另起一套系统 |
| 数据 | 客户化合物数据的隔离和合规是前提，在合规前提下积累的分析经验是潜在壁垒 |
来源说明
Menlo Ventures、ICONIQ、Gartner、MIT、Cooley、Travers Smith 是一手或权威来源；其余多为行业博客转述，个别数字（如 Harvey ARR）各处不一致。需要正式引用时应回到原始报告核对。