探秘 4700 万美元 YC 独角兽 Harper：AI 原生重构 3800 亿美金商业保险实操

这期非常值得做。

因为 Harper 真正代表的，不只是“AI 帮保险公司提效”，而是一种正在快速出现的新商业范式：

AI 不再只是卖给传统行业，而是直接进入传统行业、拿走传统行业自己的收入。

这和传统 SaaS 完全不同。

传统 SaaS 的逻辑是：

“我卖软件给保险经纪人，让经纪人效率提高。”

Harper 的逻辑是：

“我为什么只收软件费？我直接成为保险经纪商，用 AI 重构整个成本结构，然后自己赚经纪佣金。”

这就是 Emergence Capital 现在重点提出的 AI-Native Services：不卖工具，而是直接交付 Outcome、控制客户关系、获取传统服务行业原本的收入池。Emergence 在投资 Harper 时明确把它作为这一投资 Thesis 的代表公司。

一、先校准几个非常重要的事实

1. Harper 目前不能叫“独角兽”

这是你标题里最需要修改的地方。

Harper 2026 年 2 月公布的是：

累计约 4700 万美元 Seed + Series A 融资。

公司口径是 $47M，TechCrunch 报道的精确数字约为 $46.8M，Series A 由 Emergence Capital 领投。

但是：

融资 4700 万美元 ≠ 公司估值 10 亿美元。

目前没有 Harper 官方公告或主流融资报道确认其估值达到 $1B。

所以正式标题千万不要写：

“4700 万美元 YC 独角兽 Harper”。

这在金融概念上是不成立的。

更准确：

“融资 4700 万美元的 YC AI 保险新锐 Harper”

或者：

“YC 明星 AI 保险公司 Harper”。

二、第二个需要修正的是“3800 亿美元商业保险市场”

这个数字并不是完全没根据，但已经不是我最建议使用的市场口径。

S&P Global 统计显示，仅 2024 年美国 commercial insurance lines 的 direct premiums written 已经达到约 5023.5 亿美元。

而 YC/Harper 自己强调的不是 Premium Pool，而是：

商业保险经纪产生的年度佣金收入池超过 $100B。

这两个数字千万不能混。

因为：

$500B+

是保险客户支付的 Premium。

$100B+

更接近保险分销/经纪能够争夺的收入池。

所以分析 Harper 最专业的方法应该分成三层：

Premium Pool → Brokerage Revenue Pool → Harper 可服务的市场。

而不是简单写：

“这是一个 3800 亿美元市场。”

三、第三个非常重要的修正：Harper 本质上是 Brokerage，不是保险承保公司

这一点是理解商业模式的关键。

Harper 是：

AI-native commercial insurance brokerage。

也就是：

AI 原生商业保险经纪机构。

它不是主要自己承担保险赔付风险的 Carrier。

Harper 当前的角色更像：

客户

↓

Harper

↓

寻找 Carrier / Underwriter

↓

获取 Quote

↓

客户购买 Policy

↓

Carrier 承担保险风险。

Harper赚取：

Brokerage Commission / Fee。

Harper 自己的合作伙伴页面也明确显示其法律主体 DBA 为 Harper Global Insurance Agency，并通过转介保单赚取经纪佣金。

这个区别极其重要。

四、所以 Harper 真正试图颠覆的不是“保险风险定价”，而是“保险分销”

这是完全不同的一门生意。

保险行业大致可以拆成：

Risk Manufacturing

和：

Risk Distribution。

Carrier 负责：

承保。

定价。

准备金。

再保险。

赔付。

资本充足率。

Broker 负责：

客户。

需求分析。

填写 Application。

寻找 Carrier。

Submission。

Quote。

Compare。

Bind。

Renewal。

COI。

Endorsement。

Claims Support。

Harper首先攻击的是第二部分：

Distribution Economics。

而这一层恰好拥有大量：

邮件、

PDF、

电话、

表格、

重复输入、

人工 Follow-up。

非常适合 LLM + Agent。

五、这就是为什么商业保险可能是 AI 最完美的落地行业之一

AI 最适合的行业，并不一定是：

“科技含量最高的行业。”

反而经常是：

信息极多、流程极烂、人工极贵、结果又很值钱的行业。

商业保险几乎全部符合。

一个客户可能涉及：

公司类型。

地址。

Payroll。

Revenue。

Employees。

Vehicles。

Property。

Claims History。

Subcontractors。

Cyber Exposure。

Equipment。

行业风险。

然后不同保险公司：

又有不同 Application。

不同 underwriting appetite。

不同 exclusion。

不同追问。

这就产生巨大的：

Information Transformation Cost。

以前解决它的方法：

更多人。

AI 的方法：

更多 Compute。

六、Harper真正有价值的地方，是把“Human Judgment”变成“Compute”

这句话我认为是整期最核心的一层。

传统 Brokerage 想增长：

1000 个客户

可能需要：

X 个 Broker。

5000 个客户：

更多 Broker。

10000 个客户：

继续招聘。

这是一种：

Headcount-Coupled Growth。

Revenue 与员工数量高度绑定。

Harper 想做的是：

1000 客户：

20 人。

5000 客户：

也许 30 人。

10000 客户：

不需要变成 200 人。

这就变成：

Compute-Coupled Growth。

YC 当前将 Harper 描述为约 25 人团队；公司表示已服务超过 5000 家企业，而招聘材料又称正在以约每月 1000 个客户的速度增长。

这就是 VC 真正兴奋的地方。

七、“卖 AI 给保险公司”与“自己成为保险公司业务”为什么经济价值可能差几十倍？

假设你开发一个保险 AI SaaS。

你帮助一家 Brokerage：

每年创造 $5M 利润。

你卖 SaaS：

$200,000/year。

客户获得：

$4.8M Value。

你获得：

$200K。

但是如果：

你自己成为 Brokerage，

直接控制 Customer。

同样的自动化能力可能让你获得：

整个 Brokerage Revenue。

这叫：

Value Capture。

技术创造价值是一回事。

你能捕获多少价值，是另一回事。

八、这是 AI 创业正在出现的一次巨大商业模式升级

第一代：

AI Tool

“帮律师写文件。”

第二代：

AI Copilot

“帮律师完成更多工作。”

第三代：

AI-Native Law Firm

“我直接成为律师事务所。”

同样可以发生在：

会计。

招聘。

保险。

地产中介。

贷款经纪。

物流 Brokerage。

物业管理。

广告公司。

客服 BPO。

安保管理。

医疗行政。

Emergence 把这一类公司直接定义为 AI-Native Services。

九、为什么这种模式可能比传统 SaaS 更大？

因为 SaaS 争夺的是：

IT Budget。

AI-native services 争夺的是：

Labor + Service Revenue。

全球劳动成本远远大于全球 SaaS 市场。

例如：

传统企业可能只愿意：

一年花 $20K 买软件。

但是愿意：

一年花 $500K 买服务。

如果 AI 能把：

$500K 服务成本

压缩到：

$100K，

AI 公司就有机会获得远远高于普通 SaaS seat pricing 的收入。

这才是 AI 商业真正巨大的地方。

十、但“Software Margins in Services”不能听成一句营销口号

很多 VC 会说：

AI 可以让 Services 获得 Software Margin。

理论上是对的。

但必须真正看 Unit Economics。

Harper 的核心收入逻辑可以粗略理解成：

Premium Volume × Commission Rate + Fees

再减：

Lead CAC。

Sales。

Service Labor。

Licensed Brokers。

AI Infrastructure。

Compliance。

Customer Support。

Errors & Omissions。

Management。

最后才得到：

Contribution Margin。

因此判断 Harper 成不成功，未来不能只看：

客户数。

必须看：

Revenue / Employee。

Contribution Margin / Account。

Automation Rate。

Retention。

十一、这里还有一个特别重要的金融知识：Premium 不是 Harper 的 Revenue

例如：

客户买了一份：

$20,000 Premium 的保险。

这不代表：

Harper收入 $20,000。

假设经纪佣金仅作举例是：

15%。

那么 Brokerage Revenue：

$3,000。

Carrier 才得到主要 Premium 并承担赔付风险。

所以以后看任何 InsurTech 数据，都必须区分：

Premium Written

和：

Revenue。

YC 早期披露 Harper 曾达到超过 $6M annualized premiums，这绝对不能直接理解成 $6M ARR。

这一点非常重要。

十二、这也让视频里的“$246 Lead → $2,000 Quote”变得特别值得分析

普通人看到：

Lead Cost：

$246。

Policy：

$2,000。

会觉得：

很赚钱。

错。

$2,000 是 Premium。

假设纯粹举例：

佣金 15%。

Harper 实际 Revenue：

$300。

如果 CAC 已经：

$246，

第一次交易几乎没有利润。

但如果这个客户：

连续续保 5 年，

第二年开始不需要再花 $246 获取，

又购买：

Workers' Comp。

Property。

Cyber。

Auto。

那么：

LTV

可能迅速提高。

这就是保险 Brokerage 真正漂亮的地方：

Renewal Economics。

十三、所以保险经纪最值钱的资产之一不是第一次成交，而是 Book of Business

保险通常每年 Renewal。

一个客户今年买。

明年可能继续。

后年继续。

因此优质 Brokerage 会不断积累：

Recurring Commission Stream。

它非常像：

SaaS Subscription。

区别是：

Subscription 对应 Software。

Insurance Brokerage 对应：

Annual Renewal。

所以 Harper 真正应该优化的，不只是：

Customer Acquisition。

还包括：

Customer Lifetime Value。

十四、这就是为什么 Cross-Sell 非常重要

一个 Contractor 原本只有：

General Liability。

后来增加：

Workers' Comp。

Commercial Auto。

Inland Marine。

Umbrella。

一个客户贡献的 Brokerage Revenue 可以明显增加。

同时客户切换 Broker 的成本也开始上升。

这就是：

Wallet Share Expansion。

但高质量 Brokerage 必须基于真实风险需求，而不是为了佣金乱卖保险。

长期信任远远比一次 Upsell 值钱。

十五、“所有美国企业都必须买商业保险”这个表述需要修正

不准确。

并不是所有企业都依法必须购买所有商业保险。

Workers' Compensation 通常受州法要求，但存在州别、企业规模和所有权结构等差异；例如美国劳工部本身就把 Workers' Comp 体系链接到各州监管体系。

General Liability：

通常并非全美统一法律强制。

但是：

Landlord。

Bank。

General Contractor。

Client。

Licensing Authority。

融资方

可能要求 COI 或具体 Coverage。

所以商业保险的真正优势不是：

“法律强制所有人购买。”

而是：

Structural Demand——结构性需求。

十六、商业保险还是典型的“High-Intent Demand”

什么意思？

一个老板突然需要：

COI

才能明天开工。

或者：

银行要求保险才能 Closing。

或者：

客户要求 Cyber Coverage 才签合同。

这时候他的购买意愿极强。

不是：

“我随便看看。”

而是：

I need coverage now。

因此如果 Harper 能把：

7 天

变成：

1 天，

速度本身就是产品价值。

十七、Harper公开数据确实支持这一点

Harper 自称已经服务超过 5000 家美国企业，并把原本可能需要数天乃至更长时间的商业保险流程压缩至约 24—48 小时；TechCrunch 引述 Dakotah Rice 称传统 Broker 常需要 5—7 天，他们通常可以做到 1—2 天。

注意：

真正的竞争优势不是：

“AI 很酷。”

而是：

Time-to-Coverage。

客户根本不关心：

后台用了 GPT、Claude 还是 proprietary model。

客户只关心：

我什么时候拿到保险？

十八、这也是 AI 公司应该学习的重要原则：卖 Outcome，不要卖 AI

差的 Pitch：

“我们用了 Agentic AI。”

客户：

所以呢？

好的 Pitch：

“原来 7 天，现在 24 小时。”

更好的：

“今天拿不到 COI，你明天不能开工；我们今天解决。”

这就是：

Economic Outcome。

技术必须翻译成：

时间。

收入。

成本。

风险。

十九、Harper选择复杂商业保险，而不是最简单保险，也非常聪明

越复杂的风险：

人力成本越高。

信息越碎片化。

Carrier Matching 越复杂。

Broker expertise 越值钱。

自动化创造的价值也越高。

Harper 目前公开强调 manufacturing、healthcare、hospitality、transportation、construction 等真实运营型行业。

这比只做：

最简单的小店 General Liability

拥有更大的：

Automation Surplus。

二十、尤其是 E&S 市场，非常适合 AI

Harper 的公开职位说明把业务描述为 commercial E&S brokerage。

E&S，也就是 Excess & Surplus Lines，主要服务 admitted market 难以承保的：

非标准风险。

特殊风险。

新风险。

高容量风险。

NAIC 明确指出，这类风险往往缺乏足够损失历史，传统标准化定价困难，因此需要更灵活的非标准承保市场。

这意味着：

复杂度越高，人工信息匹配价值越高。

而 AI 最擅长处理这种复杂信息。

二十一、所以 Harper Hub 真正可以被理解成一个“保险 Operating System”

Harper 已经公开介绍：

Harper Hub 会集中：

客户数据。

Underwriter 数据。

Deal History。

然后向下驱动：

Form Filling。

Carrier Matching。

Communication。

Voice AI。

如果做成功，

它真正积累的不是：

“几个 AI Prompt。”

而是：

Operational Data Flywheel。

二十二、这个数据飞轮可能成为 Harper 真正的护城河

假设：

第 1,000 个客户。

系统学会：

哪些风险适合哪个 Carrier。

第 5,000 个。

知道：

哪些问题最容易导致 Decline。

第 20,000 个。

知道：

某一类 Contractor：

怎样填写 Submission 最有效。

哪个 Underwriter：

更愿意接什么风险。

哪些 Supplementary Data 可以提高 Quote Rate。

这就形成：

Workflow Data。

模型本身可能越来越商品化。

但是：

真实保险交易的数据和反馈循环并不会自动商品化。

二十三、这就是为什么“AI Wrapper”与真正 AI 公司完全不同

Thin Wrapper：

Prompt

↓

LLM

↓

Output。

非常容易复制。

真正 AI-native company：

Customer Data

↓

Workflow

↓

Human Feedback

↓

AI Agent

↓

Transaction

↓

Outcome

↓

继续回到 Data。

这个闭环一旦形成：

竞争者不仅需要复制你的 Software，

还得复制：

你的经验历史。

二十四、Voice AI 为什么可能是 Harper 最重要的产品之一？

Harper 自己的招聘材料甚至直接说：

“Voice is where the industry lives.”

公司希望 Voice AI 从每天数百通电话扩展至数千通，覆盖：

Lead Qualification。

Customer Service。

Underwriting。

甚至 20—30 分钟的保险 Application。

为什么电话这么重要？

因为商业保险最大的 Input Problem 是：

客户不愿意填 50 个字段。

二十五、Voice AI 本质上其实是一台“Conversational ETL Machine”

传统：

客户说话

↓

人听

↓

人记笔记

↓

人填 CRM

↓

人填 ACORD / Carrier Forms。

AI：

客户说话

↓

Speech

↓

Structured Data

↓

Validation

↓

Insurance Fields

↓

Carrier Submission。

所以 Voice AI 的真正价值不是：

“AI 会聊天。”

而是：

把非结构化人类信息直接变成结构化商业数据。

二十六、这也是视频里“手机号自动预填数据”为什么这么重要

如果系统已经能够通过：

Phone Number。

Company Name。

Address。

Public Data。

Internal History。

自动知道：

70% 基础信息，

Voice Agent 就不需要问：

“What is your business name?”

“What is your address?”

“How long have you been operating?”

整个 Application：

20 分钟

可能变：

8 分钟。

这叫：

Progressive Data Enrichment。

真正好的 AI 产品不是让 AI 问更多问题。

而是：

让客户回答更少问题。

二十七、但这里也隐藏着 Harper 最大的一类风险：数据错误

假设系统自动认为：

客户 Revenue：

$2M。

实际上：

$20M。

或者把：

Restaurant

分类成：

Nightclub。

这些字段可能直接影响：

Eligibility。

Premium。

Coverage。

Underwriting。

所以保险 AI 真正难的从来不是：

“生成答案”。

而是：

Guaranteeing Correct State。

二十八、视频里那个“$10,000 全被解析成 Fees & Taxes”就是非常典型的 AI-native operational risk

这件事情表面只是：

Parsing Bug。

但放进金融和保险体系就不一样。

如果 UI 告诉客户：

Premium：

$0

Fees & Tax：

$10,000，

客户可能：

拒绝支付。

投诉。

误解产品。

更严重一点：

错误可以进入 Binder、

Policy、

Accounting。

所以金融行业真正需要的是：

Exception Handling。

不是单纯 Automation。

二十九、成熟 AI 公司真正追求的不应该是“100% Automation”

而应该是：

Maximum Safe Straight-Through Processing。

比如：

80% 标准 Case：

AI 全自动。

15%：

AI + Human Check。

5% 高风险：

Licensed Expert。

这样比：

“所有东西 100% AI”

成熟得多。

Harper 自己在 YC 描述里也明确表示，AI 系统正在从 Broker 的专业知识中学习，目标逐渐走向高度自主，而不是今天就宣称所有保险判断完全无人化。

三十、Voice AI 还有一个非常现实的问题：监管

FCC 已明确确认：

AI 生成或模拟的人声属于 TCPA 中“artificial or prerecorded voice”的监管范围，相应电话活动受到 consent 等要求约束。

FTC 的 Telemarketing Sales Rule 也对：

Do Not Call、

Disclosure、

Payment Authorization

等有具体规则。

所以 Voice AI 越成功：

Compliance Engineering

越重要。

这就是金融创业和普通 AI Demo 的巨大区别。

三十一、再来看视频里最吸睛的地方：凌晨 5:15 上班

这不是完全为了节目效果。

Harper 当前招聘页面确实公开写：

团队通常在 5:15—5:45 AM 到办公室，办公室会高强度运行到晚上 7—9 点；Account Manager 职位甚至公开列出了 Monday-Friday 5AM—8PM 的 schedule。

所以：

这家公司确实拥有一种极端：

Founder Intensity Culture。

三十二、这种文化为什么早期可能有效？

因为 Startup 最缺的不是：

效率。

而是：

Learning Speed。

一天做一个实验。

一年：

250 次。

一天做三个实验。

一年：

750 次。

只要学习质量没有下降，

几年后知识差异非常恐怖。

因此 Hyper-Intensity 真正买到的是：

Compressed Calendar Time。

别人一年学的东西，

6 个月学完。

三十三、但是千万不能把“18 小时工作”误认为商业护城河

这是我要特别给创业者泼的一盆冷水。

睡眠不足并不会自动产生：

好判断。

保险又是：

高监管、

高错误成本、

高客户责任

行业。

如果长期极端疲劳导致：

判断错误。

Code Bug。

错误 Coverage。

Compliance Failure。

那速度反而成为：

Negative Leverage。

因此真正高级的目标不是：

“所有人永远拼 18 小时。”

而是：

把 Founder Heroics 逐渐固化成 System。

三十四、创业第一阶段可以靠英雄主义，第二阶段必须靠制度

Day 1：

Dakotah 亲自看 38 个 Deal。

合理。

第 5,000 个客户：

CEO 还亲自看每笔 Deal，

说明系统坏了。

真正的升级应该是：

Founder 找问题

↓

建立 Metric

↓

找到 Root Cause

↓

建立 Process

↓

Automate

↓

Delegate

↓

只处理 Exception。

这才叫：

Operational Scaling。

三十五、视频里的“38 个滞留 Lead 一个一个看”，其实非常像丰田生产体系

这不是单纯 Micromanagement。

真正的问题是：

为什么：

38 个 Deal

停在这里？

每个卡点可能属于：

Customer。

Sales。

Underwriting。

Carrier。

System。

Payment。

Follow-up。

如果你只看：

总 Conversion Rate，

永远不知道真实 Bottleneck。

所以 Founder 早期最应该：

Touch the Work。

三十六、这叫 Gemba 思维

Toyota 有一个著名管理概念：

Gemba——去真正发生工作的地方。

CEO 不应该只看：

Dashboard：

Conversion：

17%。

而要问：

为什么昨天那个 Plumbing Company 没付钱？

为什么：

Quote 有了，

客户还不买？

实际打开：

Call。

Email。

CRM。

Quote。

才能发现：

可能不是 Sales 不努力。

而是：

报价太慢。

页面坏了。

客户不知道下一步。

AI 填错字段。

三十七、所以真正强的运营不是 KPI 管理，而是“指标 → 原始事实”

Harper 视频里：

First Pass Rate

看起来好。

但是：

客户真正关心的是：

Quote。

所以更好的指标可能变成：

Quotes per Account。

Time-to-First-Quote。

Time-to-Bind。

Quote-to-Bind Rate。

而不是：

“内部步骤完成率”。

这是一条非常重要的企业管理原则：

不要优化内部指标，要优化客户结果。

三十八、这也是为什么“Leaky Funnel”思维非常适合 AI-native services

可以把保险销售 Funnel 写成：

Lead

↓

Contacted

↓

Qualified

↓

Application Complete

↓

Submission

↓

Quote

↓

Customer Selection

↓

Payment

↓

Bind

↓

Renewal。

每一个阶段：

都有 Conversion。

如果：

Lead 很多，

Bind 很少，

不是：

“加更多 Lead。”

而是：

找 Leak。

三十九、很多创业公司最大的错误，就是用流量掩盖产品问题

假设：

1000 Leads。

只有：

20 个 Bind。

CEO：

“买 5000 个 Leads。”

错。

应该先搞清：

为什么 980 个没有成交。

否则：

CAC 只会爆炸。

这和上一期我们讲：

Retention Before Growth

完全是同一个商业规律。

不要给漏水的桶：

加更大的水龙头。

四十、视频里 $400—$500 一个 Voice AI Lead 也不能简单说“烧钱”

如果目的是：

短期 Customer Acquisition，

这可能非常贵。

但如果这些电话同时在产生：

Voice Training Data。

Objection Data。

Underwriting Data。

Failure Cases。

Conversation Labels。

那么部分费用实际上应该被理解为：

R&D Spend。

也就是说：

他们不是只在“买客户”。

同时是在：

买学习。

四十一、但公司成熟以后必须把两笔账分开

第一笔：

Customer Acquisition Economics。

第二笔：

Model Training Economics。

如果永远用：

“我们还在学习”

解释：

$500 CAC，

那商业模式可能永远无法成立。

最终必须看到：

CAC ↓

Conversion ↑

Automation ↑

LTV ↑

否则：

AI 并没有真正改变经济模型。

四十二、“全员 Cursor”真正有意思的地方也不是工具本身

Harper 当前招聘 Forward Deployed Operations 时，明确要求候选人能够：

使用 SQL、

Python/TypeScript，

并实际使用 Cursor、Claude Code 等 AI Coding 工具。

Cursor 最近的活动也让 Harper 团队直接展示其如何在业务中使用这些工具。

这说明 Harper 正在尝试一种很有意思的新组织：

Everyone becomes partially technical。

四十三、这是 AI 时代组织设计可能出现的重大变化

以前：

Operations：

发现问题。

↓

写 Ticket。

↓

Product Manager。

↓

Engineering。

↓

Sprint。

↓

两周以后上线。

现在：

Operations：

发现问题。

↓

Cursor。

↓

当天内部 Tool。

工程团队：

负责 Platform、Security、Architecture。

这叫：

Software Creation Decentralization。

四十四、未来优秀公司可能不再分成“技术人员”和“非技术人员”

而会变成：

Builders

和：

Non-Builders。

Sales 可以 Build。

Ops 可以 Build。

Finance 可以 Build。

Founder 可以 Build。

Marketing 可以 Build。

AI 编程正在把：

Software Development

从：

职业

逐渐变成：

通用商业能力。

这件事情长期影响极大。

四十五、但是“人人都能写代码”也有新的企业风险

如果所有员工都能：

随便生成 App，

修改数据库，

部署 Automation，

会产生：

Shadow IT。

Security Hole。

Data Leak。

Duplicate Logic。

Broken Workflow。

所以真正成熟的“软件工厂”必须建立：

Permissions。

Testing。

Observability。

Version Control。

Production Gate。

否则：

AI 提高 Build Velocity，也提高 Blast Radius。

四十六、这就是视频里“生产环境 Parsing Bug”最值得学的一层

AI 让开发快。

但是：

Shipping Faster ≠ Shipping Safer。

过去一个功能：

两周开发。

三天 QA。

现在：

20 分钟生成。

于是人会产生错觉：

“20 分钟就应该 Production。”

恰恰相反。

生成成本下降以后：

Testing Governance

反而越来越重要。

四十七、Dakotah 最大的组织挑战最终一定是：Founder 是否会变成 Bottleneck

这个意识视频里已经出现了。

早期：

他亲自：

Sales。

Ops。

Funnel。

Customer。

Hiring。

非常好。

但规模起来以后：

CEO 最稀缺的时间应该逐渐转移到：

Capital Allocation。

Key Hires。

Carrier Relationships。

Regulation。

Strategic Partnerships。

Category Strategy。

Board。

如果仍然每天：

救单，

公司就会被 CEO 自己封顶。

四十八、正确的授权不是“我不管了”

应该是：

Define → Instrument → Inspect → Delegate。

第一：

定义目标。

第二：

建立指标。

第三：

连续抽查。

第四：

确认负责人判断正确。

第五：

退出日常执行。

第六：

只处理异常。

这和飞机驾驶非常像：

Autopilot

不是：

没有 Pilot。

而是：

Pilot 从：

持续操作

升级成：

Exception Manager。

四十九、Dakotah + Tushar 的双 Founder 组合也非常值得研究

Dakotah 的背景：

Goldman Sachs、

Carlyle、

Coatue，

非常偏：

Finance + Strategy + GTM。

Tushar 在 Goldman 长期做 ML/AI 工程。

两个人此前还一起创办 Poolit；Poolit 一度做到约 $100M AUM，但最终没有建立可持续盈利模式并于 2023 年关闭。

这个背景非常重要。

因为 Harper 不是：

两个第一次创业的年轻人偶然撞上 AI。

而是：

第二次 Founder Reps。

五十、Poolit 的失败可能反而是 Harper 的一部分资产

Dakotah 后来公开承认：

Poolit 应该更早关闭，

自己的 Ego 让他延迟承认商业模式没有跑通。

这其实和我们前面讲 Ben Horowitz 的：

Decision Debt

完全一致。

优秀 Founder 最终都会发现：

错误不可怕。

真正昂贵的是：

知道错了以后继续错误。

五十一、Harper真正体现了一条很重要的 AI 创业路径

第一次想法：

“卖 AI 给 Broker。”

失败或吸引力不足。

然后变成：

“为什么不直接成为 Broker？”

这是一次商业模式级 Pivot。

不是：

Feature A

改成：

Feature B。

而是：

改变 Value Capture Layer。

这是非常高级的创业思维。

五十二、这类 AI-native services 最适合什么行业？

我会给一个非常明确的判断框架。

最好同时满足：

第一，高人工成本。

第二，大量非结构化工作。

第三，高重复度。

第四，结果可以量化。

第五，行业高度碎片化。

第六，客户已经愿意付很多钱。

第七，AI 可以承担 50%—90% 工作。

第八，监管/牌照反而形成进入壁垒。

保险：

非常符合。

五十三、所以未来最大的 AI 公司未必长得像软件公司

它可能表面看起来是：

保险经纪。

会计所。

律所。

招聘公司。

物流公司。

物业公司。

Healthcare company。

但是内部经济结构：

极度 Software-like。

这可能产生一种新的公司类型：

Software-Defined Service Company。

五十四、这甚至可能颠覆 SaaS 时代的一条经典规律

过去：

Software Eats the World。

Marc Andreessen 2011 年那句话的逻辑：

软件公司取代传统企业。

下一阶段可能变成：

AI Eats the Service Provider。

不是：

“保险经纪使用 AI。”

而是：

“AI-native Brokerage 取代传统 Brokerage。”

区别非常大。

五十五、但 Harper 距离真正胜利还非常远

这点一定要说。

融资：

不是胜利。

5000 客户：

是好信号，

但仍非常早期。

真正需要观察至少七件事情。

第一：

Retention。

客户第二年续不续？

第二：

Gross Margin。

是不是真的接近 Software-like？

第三：

Carrier Relationship。

Carrier 是否喜欢 Harper 带来的业务质量？

第四：

Loss Quality / Risk Selection。

Harper带来的客户是不是更差的风险？

第五：

Automation Rate。

真的能减少 headcount 吗？

第六：

Compliance / E&O。

AI 错误能否长期控制？

第七：

Revenue per Employee。

规模扩大后是否继续提高？

五十六、尤其 Carrier Relationship 是很多 AI 创业者会低估的护城河

保险不是：

客户愿意买，

就一定能成交。

Carrier 决定：

是否 Quote。

什么价格。

什么 Coverage。

什么 Exclusion。

Harper 当前公开表示已有 165+ underwriter relationships；TechCrunch报道则以超过160家保险承保方的口径描述其网络。

真正成熟以后：

Carrier Access

甚至可能比：

AI Model

更重要。

五十七、传统巨头也绝对不是等着被颠覆

Marsh McLennan。

Aon。

Arthur J. Gallagher。

Brown & Brown。

这些大型保险经纪拥有：

几十年客户关系。

全球 Carrier Network。

专业 Broker。

Claims Expertise。

Data。

Acquisitions。

Corporate Relationships。

Harper 的优势：

速度。

软件。

AI-native architecture。

巨头优势：

Distribution + Trust + Relationships + Scale。

因此这场战争并不会轻松。

五十八、Harper真正有可能形成的护城河应该是“四层叠加”

不是单纯 AI。

而是：

第一层：Customer Distribution

越来越多企业客户。

第二层：Carrier Network

越来越多 Underwriter Relationships。

第三层：Workflow Data

知道什么风险该送哪里。

第四层：Automation Economics

同样 Revenue，需要更少员工。

四层同时成立：

才是真正的：

Compounding Moat。

五十九、如果让我用金融视角给 Harper 写一条核心公式

就是：

Enterprise Value ≈ Customer Book × Retention × Commission Economics × Automation Leverage × Growth

而不是：

“他们模型多厉害。”

最终资本市场关心：

这家公司能产生多少：

Durable Future Cash Flow。

六十、这期视频真正值得普通创业者复制的，也绝对不是凌晨 5 点上班

真正应该复制的是：

第一：

不要只问 AI 可以卖给谁，而要问 AI 是否可以让我直接成为这个行业的新供应商。

第二：

找到一个昂贵、人工密集、重复而且客户已经愿意付钱的问题。

第三：

Founder 前期必须穿透到具体交易，而不是只看 Dashboard。

第四：

每次人工解决问题，都要问能不能转换成软件。

第五：

不要自动化动作，要自动化完整 Outcome。

第六：

不要为了“100% AI”牺牲可靠性。

第七：

短期靠 Founder Intensity，长期必须靠 Systems。

六十一、整期视频其实可以浓缩成这样一条公司进化路径

传统 Brokerage：

Human does work

↓

AI Assisted Brokerage：

Human + AI

↓

AI Native Brokerage：

AI does work, Human handles exceptions

↓

Autonomous Service Company：

Software owns most workflow

↓

最终：

Revenue scales faster than Headcount。

这才是投资人真正赌的东西。

六十二、再往高一层看，Harper代表的可能是未来十年的一个超级创业浪潮

过去二十年最好的创业问题之一是：

“哪个行业还没有被 Software 改造？”

未来十年应该问：

“哪个巨大服务行业，收入主要还是支付给人工，而 AI 已经可以承担其中大部分认知劳动？”

这个问题一旦成立，

机会就可能不是：

$100/月 SaaS。

而是：

直接重新分配整个行业 Revenue Pool。

保险只是其中一个。

会计、

法律、

招聘、

房地产、

物流、

咨询、

营销、

客服、

金融服务

都有类似可能。

六十三、所以我认为 Harper 最值得学习的，并不是“AI + 保险”

而是一个更加普适的公式：

AI Capability × Legacy Labor Cost × Ownership of Customer = New Company Category

如果：

AI 很强，

但你不控制 Customer：

你只是 Vendor。

如果：

控制 Customer，

但 AI 没降低成本：

你还是传统 Service Company。

只有两者结合：

才可能出现：

AI-Native Service Giant。

这才是 Harper 真正有价值的地方。

六十四、标题我建议彻底升级，而且去掉“独角兽”

你原来的第 2 个方向，其实是最有洞察力的。

我最推荐的正式课程标题：

《从卖 AI 工具到直接成为业务：Harper 如何用 4700 万美元重构美国商业保险经纪》

如果更偏趋势：

《AI 不再只卖软件：Harper 如何把传统保险经纪变成“软件公司”》

如果更偏创业：

《从失败创业到融资 4700 万美元：Harper 的 AI 保险、极限执行与商业模式跃迁》

如果更偏金融：

《AI 如何吞掉服务业利润池：拆解 Harper 的保险经纪、佣金经济与自动化飞轮》

如果要一个最有传播力的：

《别再把 AI 卖给传统公司：直接成为传统公司》

作为你的正式课程，我最推荐第一个。

因为这一期真正最大的认知跃迁就是这一句话：

SaaS 时代最聪明的创业者，把软件卖给行业；AI 时代更激进的一批创业者，开始直接成为行业。

而 Harper 最终能不能成为一家超级公司，关键并不在于员工是不是凌晨 5 点上班，也不在于 Cursor 能不能一天生成 100 个工具。

真正决定它价值的是：

它能不能把保险经纪这种高度依赖人工经验的商业模式，真正转换成一种由数据、软件和智能驱动，而且 Revenue 增长长期快于 Headcount 增长的新型资本机器。

如果这一点成立，Harper 的意义远远大于一家 InsurTech。

它证明的将是一种全新的 AI 公司模板。

Harper 还处在快速变化期，我可以继续跟踪它的下一轮融资、估值、客户增长和真实自动化率。

跟踪 Harper 后续进展