文章作者、来源：张艾拉

简单梳理了一下最近 a16z Speedrun 的一批项目，分享给大家。

这些项目覆盖报税、建筑投标、诉讼、会计、商业贷款、农业采购、保险经纪、老人护理、房地产投资、家庭机器人。

很明显，这些都是过去很难被标准软件完全改造的行业，因为这些行业的工作太琐碎、太依赖沟通、经验和判断。

我们一起看看，a16z 的这批 AI 项目怎么切入这些行业。

01 税务、投标、诉讼、会计：AI 开始抢最耗人的后台活

Grove Tax 做的是税务公司的 AI 劳动力。

Grove Tax 瞄准的不是普通个人报税，而是税务从业者每天的重复工作：追客户文件、录入数据、整理材料、准备申报、交付结果。

Grove Tax 官方页面提到，报税人员有 65% 的时间并没有花在真正的税务判断上，而是在处理这些杂活；它希望用智能体覆盖从信息录入、文件提取到申报准备和交付的完整流程。

公司还提到，早期客户通过 Grove 处理报税的速度提升到原来的 3 倍。

Piper-ai 做的是建筑投标。

总包公司做投标时，往往要在很短时间里读完大量招标文件、图纸、合同、补充说明和报价材料。

问题不是“有没有文档”，而是这些文档之间经常有遗漏、冲突和隐藏风险。

Piper-ai 的定位是建筑行业的 AI 劳动力，帮助总包公司理解自己到底在投什么项目，哪些范围必须计入报价，哪里可能有风险，哪些矛盾以后可能变成成本。

Concorda 做是诉讼流程。

Concorda 把自己定义为“审判律师的 AI 操作系统”，创始团队有律师和工程背景，官方页面披露其 3 个月达到 21 万美元年化收入。

它不是只帮律师写法律文书，而是试图把诉讼流程端到端跑起来，并同时收取法律服务收入和软件平台收入。

Quanto 做会计公司的 AI 劳动力。

Quanto 的重点不是替会计师做一个聊天窗口，而是自动化客户开发、客户导入、账务清理等流程。

它官方页面披露，已有 80 万美元签约年化收入，以及超过 500 万美元的销售管线。

创始人 Anderson Petergeorge 本身是注册会计师，曾经用现成 AI 工具把一个记账业务做到 6 个月 40 个客户，所以这个产品更像是从真实会计业务里长出来的。

02 贷款、农业、税务、保险：越麻烦的行业，越容易长出垂直 AI

Bilrost 做商业贷款基础设施。

商业贷款的难点不是简单读取文件，而是贷款材料、税表、财务数据、借款人历史、承销判断都散落在不同系统里。

Bilrost 的做法是把每笔交易背后的文件变成结构化的“上下文图谱”，覆盖进件、承销、服务、监控等完整生命周期。

公司官方页面称，Bilrost 已经处理超过 1 万笔交易，并正在和头部贷款机构试点。

Vereda 做农业采购，地点在巴西。

它的思路很简单：中小农户买农资时议价能力弱、渠道分散、流程低效，所以 Vereda 把采购放到 WhatsApp 里，用 AI 聚合需求、直接和供应商谈价，再连接信贷。

Vereda 的目标是让中小农户获得大农场一样的采购能力。

Taxnova 做研发税收抵扣和资本开支文档。

很多技术公司不是没有研发活动，而是到了申报时才临时回忆和补材料。

Taxnova 从 Jira、GitHub、技术文档、Slack 里持续提取证据，生成可审核、可追溯的研发税务和资本开支文档。

它强调不替代税务顾问，而是在顾问介入前把这些脏活累活先做完。

Third Space 做线下商业保险，它先从酒吧、音乐场馆、俱乐部等夜生活场景切入。

它不是做一个通用保险比价平台，而是用摄像头、收银系统、人力资源和事故报告等运营数据，做更细的承保判断，并试图帮助商户对抗责任险涨价背后的诉讼风险。

公司披露，已有 50 多个地点的意向书，对应约 300 万美元保费。

上面这些公司有一个共同点：它们选的行业都不性感，但流程足够复杂，而且客户也愿意为结果付费。

03 记忆、安全、校验、协作：AI 要干重活的必要条件

Sentra 做企业智能体的“组织记忆”。

它收集工作真正发生的地方，比如会议、消息、邮件和智能体运行痕迹，再把这些变成公司共享的组织记忆。

Sentra 的判断是，企业通用智能的起点不是模型本身，而是企业有没有一套可被理解、可被调用的工作记忆。

SafeWorld 做机器人安全评估。

它为在人类周围运行的机器人生成少见但关键的测试场景，帮助团队发现故障模式、量化风险，并更有信心地部署机器人。

随着机器人从实验室走向仓库、工厂、医院、家庭，安全测试会变成刚需，而不是上线前的补充环节。

Modaic 做 AI 决策的验证和校准。

很多 AI 系统的问题不是完全不会做，而是不知道自己什么时候不确定。

Modaic 的做法是给每一次 AI 决策打置信度，把不确定的案例交给人类，再用反馈不断优化底层指令。

它面向的是分类、审核、自动评估这类判断密集型流程，官方页面提到已有 Accenture、Dropbox、Vercel 等设计合作伙伴。

Alike 做企业里的智能体协作层。

Alike 关注的问题是：当公司里不止一个智能体，而是一群智能体一起工作时，它们如何共享信息、协调任务、避免重复、保持隐私和权限边界。

Alike 官方页面披露，其产品已经在 10 家公司团队中运行，有 100 家公司等待名单，并签下 20 个设计合作伙伴。

这些提到的这些公司不一定很容易被普通用户理解，但它们的方向很重要。

因为当 AI 从“回答问题”走向“执行任务”，系统最缺的就不是模型参数，而是记忆、权限、校验、协作和安全。

换句话说，智能体越自主，底层基础设施越值钱。

04 房地产、家务、健康、养老：AI 开始从屏幕里走出来

Smart Bricks 做房地产投资的智能系统。

它不是简单的房源推荐，而是把房地产市场里分散、不透明的数据变成可计算、可判断、可执行的系统。

官方页面显示，Smart Bricks 用自主智能体、多模型推理和持续学习机制，帮助资本发现、评估和管理真实资产，并披露已有约 1200 万美元年化收入。

Syncere 做家庭机器人，但它没有把第一款产品做成人形机器人，而是做成一盏灯。

它的产品 Lume 平时看起来像普通台灯，需要时可以变成一对机械臂，完成叠衣服等家务；完成后再回到灯的形态。

公司称产品已经能自主叠衣服，并准备开始生产和交付，同时已有数百个预订单和数百万美元等待名单。

Clair Health 做连续激素监测设备。

它是一款像首饰一样佩戴在手腕上的健康硬件，目标是帮助女性理解雌激素、孕酮、黄体生成素等激素变化，并把这些信息用于皮肤、备孕、情绪、围绝经期和女性运动表现等场景。

公司披露已有 80 万美元直接面向消费者收入，以及 8 周内签下 1800 万美元企业合同。

Quo Labs 做老人护理。

它从一个叫 Sam 的 AI 助手切入，提供日常问候、复杂用药和预约提醒，并通过免手持短信和语音电话让老人和家人保持联系。

它的长期设想是让老人家里变成一个由 AI 系统持续监测、辅助和保护的环境。

上面这一类项目的风险更高。

硬件要生产，医疗要验证，老人护理要处理安全和责任问题，家庭机器人还要面对价格、可靠性和真实使用频次。

这类公司一旦跑通，壁垒通常会比纯软件更厚。因为它们拿到的不只是用户点击和文档数据，而是真实世界里的行为、设备、场景和流程。

05 消费 AI 还没凉，但门槛更高了

Oasiz 把自己定义成“AI 原生软件的 TikTok”。

Oasiz 先从游戏切入，做一个社交化的互动软件分发平台。

官方页面披露，产品上线不到一个月，用户使用时长超过 9000 小时，播放超过 30 万次，并在 TikTok 获得超过 700 万自然播放。

SUN 做的是个性化 AI 音频。

它可以根据任意主题生成播客、有声书或结构化音频，用户可以定制长度、声音、语言，也可以在收听中随时提问。

它的创始团队包括 Harvard CS、Stanford AI 博士，以及 Amazon Podcasts 早期工程师。

PicPet 做的是围绕虚拟宠物的社交消息平台。

用户用照片“喂养”宠物，本质上是在把朋友之间的互动变成一个轻量社交游戏。

官方披露，PicPet 有超过 24 万日活用户，90 天留存超过 45%。

snag 做 Gen Z 的 AI 转租市场。

现在很多年轻人的短租、转租需求还散落在 Facebook 群、Instagram、Craigslist 等地方。

snag 用 AI 把这些杂乱帖子自动转成高质量房源，并在几秒内匹配租客。

公司披露，过去 30 天产生了 650 万美元请求量，月增长 40%，纽约已有 3000 个房源。

消费 AI 的逻辑和企业 AI 不一样。

企业客户只要能省钱、增收、降风险，就愿意试；但普通用户下载一个 App 很容易，卸载也很容易。

所以消费 AI 不能只讲“用了 AI”，必须有分发、有社交、有内容循环，也要有很强的复访理由。

这也是为什么 PicPet 的日活和留存、Oasiz 的自然流量、snag 的请求量，比单纯的技术叙事更重要。

以上，祝你今天开心。