探祕 4700 萬美元 YC 獨角獸 Harper：AI 原生重構 3800 億美金商業保險實操

這期非常值得做。

因爲 Harper 真正代表的，不只是“AI 幫保險公司提效”，而是一種正在快速出現的新商業範式：

AI 不再只是賣給傳統行業，而是直接進入傳統行業、拿走傳統行業自己的收入。

這和傳統 SaaS 完全不同。

傳統 SaaS 的邏輯是：

“我賣軟件給保險經紀人，讓經紀人效率提高。”

Harper 的邏輯是：

“我爲什麼只收軟件費？我直接成爲保險經紀商，用 AI 重構整個成本結構，然後自己賺經紀佣金。”

這就是 Emergence Capital 現在重點提出的 AI-Native Services：不賣工具，而是直接交付 Outcome、控制客戶關係、獲取傳統服務行業原本的收入池。Emergence 在投資 Harper 時明確把它作爲這一投資 Thesis 的代表公司。

一、先校準幾個非常重要的事實

1. Harper 目前不能叫“獨角獸”

這是你標題裏最需要修改的地方。

Harper 2026 年 2 月公佈的是：

累計約 4700 萬美元 Seed + Series A 融資。

公司口徑是 $47M，TechCrunch 報道的精確數字約爲 $46.8M，Series A 由 Emergence Capital 領投。

但是：

融資 4700 萬美元 ≠ 公司估值 10 億美元。

目前沒有 Harper 官方公告或主流融資報道確認其估值達到 $1B。

所以正式標題千萬不要寫：

“4700 萬美元 YC 獨角獸 Harper”。

這在金融概念上是不成立的。

更準確：

“融資 4700 萬美元的 YC AI 保險新銳 Harper”

或者：

“YC 明星 AI 保險公司 Harper”。

二、第二個需要修正的是“3800 億美元商業保險市場”

這個數字並不是完全沒根據，但已經不是我最建議使用的市場口徑。

S&P Global 統計顯示，僅 2024 年美國 commercial insurance lines 的 direct premiums written 已經達到約 5023.5 億美元。

而 YC/Harper 自己強調的不是 Premium Pool，而是：

商業保險經紀產生的年度佣金收入池超過 $100B。

這兩個數字千萬不能混。

因爲：

$500B+

是保險客戶支付的 Premium。

$100B+

更接近保險分銷/經紀能夠爭奪的收入池。

所以分析 Harper 最專業的方法應該分成三層：

Premium Pool → Brokerage Revenue Pool → Harper 可服務的市場。

而不是簡單寫：

“這是一個 3800 億美元市場。”

三、第三個非常重要的修正：Harper 本質上是 Brokerage，不是保險承保公司

這一點是理解商業模式的關鍵。

Harper 是：

AI-native commercial insurance brokerage。

也就是：

AI 原生商業保險經紀機構。

它不是主要自己承擔保險賠付風險的 Carrier。

Harper 當前的角色更像：

客戶

↓

Harper

↓

尋找 Carrier / Underwriter

↓

獲取 Quote

↓

客戶購買 Policy

↓

Carrier 承擔保險風險。

Harper賺取：

Brokerage Commission / Fee。

Harper 自己的合作伙伴頁面也明確顯示其法律主體 DBA 爲 Harper Global Insurance Agency，並通過轉介保單賺取經紀佣金。

這個區別極其重要。

四、所以 Harper 真正試圖顛覆的不是“保險風險定價”，而是“保險分銷”

這是完全不同的一門生意。

保險行業大致可以拆成：

Risk Manufacturing

和：

Risk Distribution。

Carrier 負責：

承保。

定價。

準備金。

再保險。

賠付。

資本充足率。

Broker 負責：

客戶。

需求分析。

填寫 Application。

尋找 Carrier。

Submission。

Quote。

Compare。

Bind。

Renewal。

COI。

Endorsement。

Claims Support。

Harper首先攻擊的是第二部分：

Distribution Economics。

而這一層恰好擁有大量：

郵件、

PDF、

電話、

表格、

重複輸入、

人工 Follow-up。

非常適合 LLM + Agent。

五、這就是爲什麼商業保險可能是 AI 最完美的落地行業之一

AI 最適合的行業，並不一定是：

“科技含量最高的行業。”

反而經常是：

信息極多、流程極爛、人工極貴、結果又很值錢的行業。

商業保險幾乎全部符合。

一個客戶可能涉及：

公司類型。

地址。

Payroll。

Revenue。

Employees。

Vehicles。

Property。

Claims History。

Subcontractors。

Cyber Exposure。

Equipment。

行業風險。

然後不同保險公司：

又有不同 Application。

不同 underwriting appetite。

不同 exclusion。

不同追問。

這就產生巨大的：

Information Transformation Cost。

以前解決它的方法：

更多人。

AI 的方法：

更多 Compute。

六、Harper真正有價值的地方，是把“Human Judgment”變成“Compute”

這句話我認爲是整期最核心的一層。

傳統 Brokerage 想增長：

1000 個客戶

可能需要：

X 個 Broker。

5000 個客戶：

更多 Broker。

10000 個客戶：

繼續招聘。

這是一種：

Headcount-Coupled Growth。

Revenue 與員工數量高度綁定。

Harper 想做的是：

1000 客戶：

20 人。

5000 客戶：

也許 30 人。

10000 客戶：

不需要變成 200 人。

這就變成：

Compute-Coupled Growth。

YC 當前將 Harper 描述爲約 25 人團隊；公司表示已服務超過 5000 家企業，而招聘材料又稱正在以約每月 1000 個客戶的速度增長。

這就是 VC 真正興奮的地方。

七、“賣 AI 給保險公司”與“自己成爲保險公司業務”爲什麼經濟價值可能差幾十倍？

假設你開發一個保險 AI SaaS。

你幫助一家 Brokerage：

每年創造 $5M 利潤。

你賣 SaaS：

$200,000/year。

客戶獲得：

$4.8M Value。

你獲得：

$200K。

但是如果：

你自己成爲 Brokerage，

直接控制 Customer。

同樣的自動化能力可能讓你獲得：

整個 Brokerage Revenue。

這叫：

Value Capture。

技術創造價值是一回事。

你能捕獲多少價值，是另一回事。

八、這是 AI 創業正在出現的一次巨大商業模式升級

第一代：

AI Tool

“幫律師寫文件。”

第二代：

AI Copilot

“幫律師完成更多工作。”

第三代：

AI-Native Law Firm

“我直接成爲律師事務所。”

同樣可以發生在：

會計。

招聘。

保險。

地產中介。

貸款經紀。

物流 Brokerage。

物業管理。

廣告公司。

客服 BPO。

安保管理。

醫療行政。

Emergence 把這一類公司直接定義爲 AI-Native Services。

九、爲什麼這種模式可能比傳統 SaaS 更大？

因爲 SaaS 爭奪的是：

IT Budget。

AI-native services 爭奪的是：

Labor + Service Revenue。

全球勞動成本遠遠大於全球 SaaS 市場。

例如：

傳統企業可能只願意：

一年花 $20K 買軟件。

但是願意：

一年花 $500K 買服務。

如果 AI 能把：

$500K 服務成本

壓縮到：

$100K，

AI 公司就有機會獲得遠遠高於普通 SaaS seat pricing 的收入。

這纔是 AI 商業真正巨大的地方。

十、但“Software Margins in Services”不能聽成一句營銷口號

很多 VC 會說：

AI 可以讓 Services 獲得 Software Margin。

理論上是對的。

但必須真正看 Unit Economics。

Harper 的核心收入邏輯可以粗略理解成：

Premium Volume × Commission Rate + Fees

再減：

Lead CAC。

Sales。

Service Labor。

Licensed Brokers。

AI Infrastructure。

Compliance。

Customer Support。

Errors & Omissions。

Management。

最後纔得到：

Contribution Margin。

因此判斷 Harper 成不成功，未來不能只看：

客戶數。

必須看：

Revenue / Employee。

Contribution Margin / Account。

Automation Rate。

Retention。

十一、這裏還有一個特別重要的金融知識：Premium 不是 Harper 的 Revenue

例如：

客戶買了一份：

$20,000 Premium 的保險。

這不代表：

Harper收入 $20,000。

假設經紀佣金僅作舉例是：

15%。

那麼 Brokerage Revenue：

$3,000。

Carrier 纔得到主要 Premium 並承擔賠付風險。

所以以後看任何 InsurTech 數據，都必須區分：

Premium Written

和：

Revenue。

YC 早期披露 Harper 曾達到超過 $6M annualized premiums，這絕對不能直接理解成 $6M ARR。

這一點非常重要。

十二、這也讓視頻裏的“$246 Lead → $2,000 Quote”變得特別值得分析

普通人看到：

Lead Cost：

$246。

Policy：

$2,000。

會覺得：

很賺錢。

錯。

$2,000 是 Premium。

假設純粹舉例：

佣金 15%。

Harper 實際 Revenue：

$300。

如果 CAC 已經：

$246，

第一次交易幾乎沒有利潤。

但如果這個客戶：

連續續保 5 年，

第二年開始不需要再花 $246 獲取，

又購買：

Workers' Comp。

Property。

Cyber。

Auto。

那麼：

LTV

可能迅速提高。

這就是保險 Brokerage 真正漂亮的地方：

Renewal Economics。

十三、所以保險經紀最值錢的資產之一不是第一次成交，而是 Book of Business

保險通常每年 Renewal。

一個客戶今年買。

明年可能繼續。

後年繼續。

因此優質 Brokerage 會不斷積累：

Recurring Commission Stream。

它非常像：

SaaS Subscription。

區別是：

Subscription 對應 Software。

Insurance Brokerage 對應：

Annual Renewal。

所以 Harper 真正應該優化的，不只是：

Customer Acquisition。

還包括：

Customer Lifetime Value。

十四、這就是爲什麼 Cross-Sell 非常重要

一個 Contractor 原本只有：

General Liability。

後來增加：

Workers' Comp。

Commercial Auto。

Inland Marine。

Umbrella。

一個客戶貢獻的 Brokerage Revenue 可以明顯增加。

同時客戶切換 Broker 的成本也開始上升。

這就是：

Wallet Share Expansion。

但高質量 Brokerage 必須基於真實風險需求，而不是爲了佣金亂賣保險。

長期信任遠遠比一次 Upsell 值錢。

十五、“所有美國企業都必須買商業保險”這個表述需要修正

不準確。

並不是所有企業都依法必須購買所有商業保險。

Workers' Compensation 通常受州法要求，但存在州別、企業規模和所有權結構等差異；例如美國勞工部本身就把 Workers' Comp 體系鏈接到各州監管體系。

General Liability：

通常並非全美統一法律強制。

但是：

Landlord。

Bank。

General Contractor。

Client。

Licensing Authority。

融資方

可能要求 COI 或具體 Coverage。

所以商業保險的真正優勢不是：

“法律強制所有人購買。”

而是：

Structural Demand——結構性需求。

十六、商業保險還是典型的“High-Intent Demand”

什麼意思？

一個老闆突然需要：

COI

才能明天開工。

或者：

銀行要求保險才能 Closing。

或者：

客戶要求 Cyber Coverage 才籤合同。

這時候他的購買意願極強。

不是：

“我隨便看看。”

而是：

I need coverage now。

因此如果 Harper 能把：

7 天

變成：

1 天，

速度本身就是產品價值。

十七、Harper公開數據確實支持這一點

Harper 自稱已經服務超過 5000 家美國企業，並把原本可能需要數天乃至更長時間的商業保險流程壓縮至約 24—48 小時；TechCrunch 引述 Dakotah Rice 稱傳統 Broker 常需要 5—7 天，他們通常可以做到 1—2 天。

注意：

真正的競爭優勢不是：

“AI 很酷。”

而是：

Time-to-Coverage。

客戶根本不關心：

後臺用了 GPT、Claude 還是 proprietary model。

客戶只關心：

我什麼時候拿到保險？

十八、這也是 AI 公司應該學習的重要原則：賣 Outcome，不要賣 AI

差的 Pitch：

“我們用了 Agentic AI。”

客戶：

所以呢？

好的 Pitch：

“原來 7 天，現在 24 小時。”

更好的：

“今天拿不到 COI，你明天不能開工；我們今天解決。”

這就是：

Economic Outcome。

技術必須翻譯成：

時間。

收入。

成本。

風險。

十九、Harper選擇複雜商業保險，而不是最簡單保險，也非常聰明

越複雜的風險：

人力成本越高。

信息越碎片化。

Carrier Matching 越複雜。

Broker expertise 越值錢。

自動化創造的價值也越高。

Harper 目前公開強調 manufacturing、healthcare、hospitality、transportation、construction 等真實運營型行業。

這比只做：

最簡單的小店 General Liability

擁有更大的：

Automation Surplus。

二十、尤其是 E&S 市場，非常適合 AI

Harper 的公開職位說明把業務描述爲 commercial E&S brokerage。

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

非標準風險。

特殊風險。

新風險。

高容量風險。

NAIC 明確指出，這類風險往往缺乏足夠損失歷史，傳統標準化定價困難，因此需要更靈活的非標準承保市場。

這意味着：

複雜度越高，人工信息匹配價值越高。

而 AI 最擅長處理這種複雜信息。

二十一、所以 Harper Hub 真正可以被理解成一個“保險 Operating System”

Harper 已經公開介紹：

Harper Hub 會集中：

客戶數據。

Underwriter 數據。

Deal History。

然後向下驅動：

Form Filling。

Carrier Matching。

Communication。

Voice AI。

如果做成功，

它真正積累的不是：

“幾個 AI Prompt。”

而是：

Operational Data Flywheel。

二十二、這個數據飛輪可能成爲 Harper 真正的護城河

假設：

第 1,000 個客戶。

系統學會：

哪些風險適合哪個 Carrier。

第 5,000 個。

知道：

哪些問題最容易導致 Decline。

第 20,000 個。

知道：

某一類 Contractor：

怎樣填寫 Submission 最有效。

哪個 Underwriter：

更願意接什麼風險。

哪些 Supplementary Data 可以提高 Quote Rate。

這就形成：

Workflow Data。

模型本身可能越來越商品化。

但是：

真實保險交易的數據和反饋循環並不會自動商品化。

二十三、這就是爲什麼“AI Wrapper”與真正 AI 公司完全不同

Thin Wrapper：

Prompt

↓

LLM

↓

Output。

非常容易複製。

真正 AI-native company：

Customer Data

↓

Workflow

↓

Human Feedback

↓

AI Agent

↓

Transaction

↓

Outcome

↓

繼續回到 Data。

這個閉環一旦形成：

競爭者不僅需要複製你的 Software，

還得複製：

你的經驗歷史。

二十四、Voice AI 爲什麼可能是 Harper 最重要的產品之一？

Harper 自己的招聘材料甚至直接說：

“Voice is where the industry lives.”

公司希望 Voice AI 從每天數百通電話擴展至數千通，覆蓋：

Lead Qualification。

Customer Service。

Underwriting。

甚至 20—30 分鐘的保險 Application。

爲什麼電話這麼重要？

因爲商業保險最大的 Input Problem 是：

客戶不願意填 50 個字段。

二十五、Voice AI 本質上其實是一臺“Conversational ETL Machine”

傳統：

客戶說話

↓

人聽

↓

人記筆記

↓

人填 CRM

↓

人填 ACORD / Carrier Forms。

AI：

客戶說話

↓

Speech

↓

Structured Data

↓

Validation

↓

Insurance Fields

↓

Carrier Submission。

所以 Voice AI 的真正價值不是：

“AI 會聊天。”

而是：

把非結構化人類信息直接變成結構化商業數據。

二十六、這也是視頻裏“手機號自動預填數據”爲什麼這麼重要

如果系統已經能夠通過：

Phone Number。

Company Name。

Address。

Public Data。

Internal History。

自動知道：

70% 基礎信息，

Voice Agent 就不需要問：

“What is your business name?”

“What is your address?”

“How long have you been operating?”

整個 Application：

20 分鐘

可能變：

8 分鐘。

這叫：

Progressive Data Enrichment。

真正好的 AI 產品不是讓 AI 問更多問題。

而是：

讓客戶回答更少問題。

二十七、但這裏也隱藏着 Harper 最大的一類風險：數據錯誤

假設系統自動認爲：

客戶 Revenue：

$2M。

實際上：

$20M。

或者把：

Restaurant

分類成：

Nightclub。

這些字段可能直接影響：

Eligibility。

Premium。

Coverage。

Underwriting。

所以保險 AI 真正難的從來不是：

“生成答案”。

而是：

Guaranteeing Correct State。

二十八、視頻裏那個“$10,000 全被解析成 Fees & Taxes”就是非常典型的 AI-native operational risk

這件事情表面只是：

Parsing Bug。

但放進金融和保險體系就不一樣。

如果 UI 告訴客戶：

Premium：

$0

Fees & Tax：

$10,000，

客戶可能：

拒絕支付。

投訴。

誤解產品。

更嚴重一點：

錯誤可以進入 Binder、

Policy、

Accounting。

所以金融行業真正需要的是：

Exception Handling。

不是單純 Automation。

二十九、成熟 AI 公司真正追求的不應該是“100% Automation”

而應該是：

Maximum Safe Straight-Through Processing。

比如：

80% 標準 Case：

AI 全自動。

15%：

AI + Human Check。

5% 高風險：

Licensed Expert。

這樣比：

“所有東西 100% AI”

成熟得多。

Harper 自己在 YC 描述裏也明確表示，AI 系統正在從 Broker 的專業知識中學習，目標逐漸走向高度自主，而不是今天就宣稱所有保險判斷完全無人化。

三十、Voice AI 還有一個非常現實的問題：監管

FCC 已明確確認：

AI 生成或模擬的人聲屬於 TCPA 中“artificial or prerecorded voice”的監管範圍，相應電話活動受到 consent 等要求約束。

FTC 的 Telemarketing Sales Rule 也對：

Do Not Call、

Disclosure、

Payment Authorization

等有具體規則。

所以 Voice AI 越成功：

Compliance Engineering

越重要。

這就是金融創業和普通 AI Demo 的巨大區別。

三十一、再來看視頻裏最吸睛的地方：凌晨 5:15 上班

這不是完全爲了節目效果。

Harper 當前招聘頁面確實公開寫：

團隊通常在 5:15—5:45 AM 到辦公室，辦公室會高強度運行到晚上 7—9 點；Account Manager 職位甚至公開列出了 Monday-Friday 5AM—8PM 的 schedule。

所以：

這家公司確實擁有一種極端：

Founder Intensity Culture。

三十二、這種文化爲什麼早期可能有效？

因爲 Startup 最缺的不是：

效率。

而是：

Learning Speed。

一天做一個實驗。

一年：

250 次。

一天做三個實驗。

一年：

750 次。

只要學習質量沒有下降，

幾年後知識差異非常恐怖。

因此 Hyper-Intensity 真正買到的是：

Compressed Calendar Time。

別人一年學的東西，

6 個月學完。

三十三、但是千萬不能把“18 小時工作”誤認爲商業護城河

這是我要特別給創業者潑的一盆冷水。

睡眠不足並不會自動產生：

好判斷。

保險又是：

高監管、

高錯誤成本、

高客戶責任

行業。

如果長期極端疲勞導致：

判斷錯誤。

Code Bug。

錯誤 Coverage。

Compliance Failure。

那速度反而成爲：

Negative Leverage。

因此真正高級的目標不是：

“所有人永遠拼 18 小時。”

而是：

把 Founder Heroics 逐漸固化成 System。

三十四、創業第一階段可以靠英雄主義，第二階段必須靠制度

Day 1：

Dakotah 親自看 38 個 Deal。

合理。

第 5,000 個客戶：

CEO 還親自看每筆 Deal，

說明系統壞了。

真正的升級應該是：

Founder 找問題

↓

建立 Metric

↓

找到 Root Cause

↓

建立 Process

↓

Automate

↓

Delegate

↓

只處理 Exception。

這才叫：

Operational Scaling。

三十五、視頻裏的“38 個滯留 Lead 一個一個看”，其實非常像豐田生產體系

這不是單純 Micromanagement。

真正的問題是：

爲什麼：

38 個 Deal

停在這裏？

每個卡點可能屬於：

Customer。

Sales。

Underwriting。

Carrier。

System。

Payment。

Follow-up。

如果你只看：

總 Conversion Rate，

永遠不知道真實 Bottleneck。

所以 Founder 早期最應該：

Touch the Work。

三十六、這叫 Gemba 思維

Toyota 有一個著名管理概念：

Gemba——去真正發生工作的地方。

CEO 不應該只看：

Dashboard：

Conversion：

17%。

而要問：

爲什麼昨天那個 Plumbing Company 沒付錢？

爲什麼：

Quote 有了，

客戶還不買？

實際打開：

Call。

Email。

CRM。

Quote。

才能發現：

可能不是 Sales 不努力。

而是：

報價太慢。

頁面壞了。

客戶不知道下一步。

AI 填錯字段。

三十七、所以真正強的運營不是 KPI 管理，而是“指標 → 原始事實”

Harper 視頻裏：

First Pass Rate

看起來好。

但是：

客戶真正關心的是：

Quote。

所以更好的指標可能變成：

Quotes per Account。

Time-to-First-Quote。

Time-to-Bind。

Quote-to-Bind Rate。

而不是：

“內部步驟完成率”。

這是一條非常重要的企業管理原則：

不要優化內部指標，要優化客戶結果。

三十八、這也是爲什麼“Leaky Funnel”思維非常適合 AI-native services

可以把保險銷售 Funnel 寫成：

Lead

↓

Contacted

↓

Qualified

↓

Application Complete

↓

Submission

↓

Quote

↓

Customer Selection

↓

Payment

↓

Bind

↓

Renewal。

每一個階段：

都有 Conversion。

如果：

Lead 很多，

Bind 很少，

不是：

“加更多 Lead。”

而是：

找 Leak。

三十九、很多創業公司最大的錯誤，就是用流量掩蓋產品問題

假設：

1000 Leads。

只有：

20 個 Bind。

CEO：

“買 5000 個 Leads。”

錯。

應該先搞清：

爲什麼 980 個沒有成交。

否則：

CAC 只會爆炸。

這和上一期我們講：

Retention Before Growth

完全是同一個商業規律。

不要給漏水的桶：

加更大的水龍頭。

四十、視頻裏 $400—$500 一個 Voice AI Lead 也不能簡單說“燒錢”

如果目的是：

短期 Customer Acquisition，

這可能非常貴。

但如果這些電話同時在產生：

Voice Training Data。

Objection Data。

Underwriting Data。

Failure Cases。

Conversation Labels。

那麼部分費用實際上應該被理解爲：

R&D Spend。

也就是說：

他們不是隻在“買客戶”。

同時是在：

買學習。

四十一、但公司成熟以後必須把兩筆賬分開

第一筆：

Customer Acquisition Economics。

第二筆：

Model Training Economics。

如果永遠用：

“我們還在學習”

解釋：

$500 CAC，

那商業模式可能永遠無法成立。

最終必須看到：

CAC ↓

Conversion ↑

Automation ↑

LTV ↑

否則：

AI 並沒有真正改變經濟模型。

四十二、“全員 Cursor”真正有意思的地方也不是工具本身

Harper 當前招聘 Forward Deployed Operations 時，明確要求候選人能夠：

使用 SQL、

Python/TypeScript，

並實際使用 Cursor、Claude Code 等 AI Coding 工具。

Cursor 最近的活動也讓 Harper 團隊直接展示其如何在業務中使用這些工具。

這說明 Harper 正在嘗試一種很有意思的新組織：

Everyone becomes partially technical。

四十三、這是 AI 時代組織設計可能出現的重大變化

以前：

Operations：

發現問題。

↓

寫 Ticket。

↓

Product Manager。

↓

Engineering。

↓

Sprint。

↓

兩週以後上線。

現在：

Operations：

發現問題。

↓

Cursor。

↓

當天內部 Tool。

工程團隊：

負責 Platform、Security、Architecture。

這叫：

Software Creation Decentralization。

四十四、未來優秀公司可能不再分成“技術人員”和“非技術人員”

而會變成：

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 編程正在把：

Software Development

從：

職業

逐漸變成：

通用商業能力。

這件事情長期影響極大。

四十五、但是“人人都能寫代碼”也有新的企業風險

如果所有員工都能：

隨便生成 App，

修改數據庫，

部署 Automation，

會產生：

Shadow IT。

Security Hole。

Data Leak。

Duplicate Logic。

Broken Workflow。

所以真正成熟的“軟件工廠”必須建立：

Permissions。

Testing。

Observability。

Version Control。

Production Gate。

否則：

AI 提高 Build Velocity，也提高 Blast Radius。

四十六、這就是視頻裏“生產環境 Parsing Bug”最值得學的一層

AI 讓開發快。

但是：

Shipping Faster ≠ Shipping Safer。

過去一個功能：

兩週開發。

三天 QA。

現在：

20 分鐘生成。

於是人會產生錯覺：

“20 分鐘就應該 Production。”

恰恰相反。

生成成本下降以後：

Testing Governance

反而越來越重要。

四十七、Dakotah 最大的組織挑戰最終一定是：Founder 是否會變成 Bottleneck

這個意識視頻裏已經出現了。

早期：

他親自：

Sales。

Ops。

Funnel。

Customer。

Hiring。

非常好。

但規模起來以後：

CEO 最稀缺的時間應該逐漸轉移到：

Capital Allocation。

Key Hires。

Carrier Relationships。

Regulation。

Strategic Partnerships。

Category Strategy。

Board。

如果仍然每天：

救單，

公司就會被 CEO 自己封頂。

四十八、正確的授權不是“我不管了”

應該是：

Define → Instrument → Inspect → Delegate。

第一：

定義目標。

第二：

建立指標。

第三：

連續抽查。

第四：

確認負責人判斷正確。

第五：

退出日常執行。

第六：

只處理異常。

這和飛機駕駛非常像：

Autopilot

不是：

沒有 Pilot。

而是：

Pilot 從：

持續操作

升級成：

Exception Manager。

四十九、Dakotah + Tushar 的雙 Founder 組合也非常值得研究

Dakotah 的背景：

Goldman Sachs、

Carlyle、

Coatue，

非常偏：

Finance + Strategy + GTM。

Tushar 在 Goldman 長期做 ML/AI 工程。

兩個人此前還一起創辦 Poolit；Poolit 一度做到約 $100M AUM，但最終沒有建立可持續盈利模式並於 2023 年關閉。

這個背景非常重要。

因爲 Harper 不是：

兩個第一次創業的年輕人偶然撞上 AI。

而是：

第二次 Founder Reps。

五十、Poolit 的失敗可能反而是 Harper 的一部分資產

Dakotah 後來公開承認：

Poolit 應該更早關閉，

自己的 Ego 讓他延遲承認商業模式沒有跑通。

這其實和我們前面講 Ben Horowitz 的：

Decision Debt

完全一致。

優秀 Founder 最終都會發現：

錯誤不可怕。

真正昂貴的是：

知道錯了以後繼續錯誤。

五十一、Harper真正體現了一條很重要的 AI 創業路徑

第一次想法：

“賣 AI 給 Broker。”

失敗或吸引力不足。

然後變成：

“爲什麼不直接成爲 Broker？”

這是一次商業模式級 Pivot。

不是：

Feature A

改成：

Feature B。

而是：

改變 Value Capture Layer。

這是非常高級的創業思維。

五十二、這類 AI-native services 最適合什麼行業？

我會給一個非常明確的判斷框架。

最好同時滿足：

第一，高人工成本。

第二，大量非結構化工作。

第三，高重複度。

第四，結果可以量化。

第五，行業高度碎片化。

第六，客戶已經願意付很多錢。

第七，AI 可以承擔 50%—90% 工作。

第八，監管/牌照反而形成進入壁壘。

保險：

非常符合。

五十三、所以未來最大的 AI 公司未必長得像軟件公司

它可能表面看起來是：

保險經紀。

會計所。

律所。

招聘公司。

物流公司。

物業公司。

Healthcare company。

但是內部經濟結構：

極度 Software-like。

這可能產生一種新的公司類型：

Software-Defined Service Company。

五十四、這甚至可能顛覆 SaaS 時代的一條經典規律

過去：

Software Eats the World。

Marc Andreessen 2011 年那句話的邏輯：

軟件公司取代傳統企業。

下一階段可能變成：

AI Eats the Service Provider。

不是：

“保險經紀使用 AI。”

而是：

“AI-native Brokerage 取代傳統 Brokerage。”

區別非常大。

五十五、但 Harper 距離真正勝利還非常遠

這點一定要說。

融資：

不是勝利。

5000 客戶：

是好信號，

但仍非常早期。

真正需要觀察至少七件事情。

第一：

Retention。

客戶第二年續不續？

第二：

Gross Margin。

是不是真的接近 Software-like？

第三：

Carrier Relationship。

Carrier 是否喜歡 Harper 帶來的業務質量？

第四：

Loss Quality / Risk Selection。

Harper帶來的客戶是不是更差的風險？

第五：

Automation Rate。

真的能減少 headcount 嗎？

第六：

Compliance / E&O。

AI 錯誤能否長期控制？

第七：

Revenue per Employee。

規模擴大後是否繼續提高？

五十六、尤其 Carrier Relationship 是很多 AI 創業者會低估的護城河

保險不是：

客戶願意買，

就一定能成交。

Carrier 決定：

是否 Quote。

什麼價格。

什麼 Coverage。

什麼 Exclusion。

Harper 當前公開表示已有 165+ underwriter relationships；TechCrunch報道則以超過160家保險承保方的口徑描述其網絡。

真正成熟以後：

Carrier Access

甚至可能比：

AI Model

更重要。

五十七、傳統巨頭也絕對不是等着被顛覆

Marsh McLennan。

Aon。

Arthur J. Gallagher。

Brown & Brown。

這些大型保險經紀擁有：

幾十年客戶關係。

全球 Carrier Network。

專業 Broker。

Claims Expertise。

Data。

Acquisitions。

Corporate Relationships。

Harper 的優勢：

速度。

軟件。

AI-native architecture。

巨頭優勢：

Distribution + Trust + Relationships + Scale。

因此這場戰爭並不會輕鬆。

五十八、Harper真正有可能形成的護城河應該是“四層疊加”

不是單純 AI。

而是：

第一層：Customer Distribution

越來越多企業客戶。

第二層：Carrier Network

越來越多 Underwriter Relationships。

第三層：Workflow Data

知道什麼風險該送哪裏。

第四層：Automation Economics

同樣 Revenue，需要更少員工。

四層同時成立：

纔是真正的：

Compounding Moat。

五十九、如果讓我用金融視角給 Harper 寫一條核心公式

就是：

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

而不是：

“他們模型多厲害。”

最終資本市場關心：

這家公司能產生多少：

Durable Future Cash Flow。

六十、這期視頻真正值得普通創業者複製的，也絕對不是凌晨 5 點上班

真正應該複製的是：

第一：

不要只問 AI 可以賣給誰，而要問 AI 是否可以讓我直接成爲這個行業的新供應商。

第二：

找到一個昂貴、人工密集、重複而且客戶已經願意付錢的問題。

第三：

Founder 前期必須穿透到具體交易，而不是隻看 Dashboard。

第四：

每次人工解決問題，都要問能不能轉換成軟件。

第五：

不要自動化動作，要自動化完整 Outcome。

第六：

不要爲了“100% AI”犧牲可靠性。

第七：

短期靠 Founder Intensity，長期必須靠 Systems。

六十一、整期視頻其實可以濃縮成這樣一條公司進化路徑

傳統 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

↓

最終：

Revenue scales faster than Headcount。

這纔是投資人真正賭的東西。

六十二、再往高一層看，Harper代表的可能是未來十年的一個超級創業浪潮

過去二十年最好的創業問題之一是：

“哪個行業還沒有被 Software 改造？”

未來十年應該問：

“哪個巨大服務行業，收入主要還是支付給人工，而 AI 已經可以承擔其中大部分認知勞動？”

這個問題一旦成立，

機會就可能不是：

$100/月 SaaS。

而是：

直接重新分配整個行業 Revenue Pool。

保險只是其中一個。

會計、

法律、

招聘、

房地產、

物流、

諮詢、

營銷、

客服、

金融服務

都有類似可能。

六十三、所以我認爲 Harper 最值得學習的，並不是“AI + 保險”

而是一個更加普適的公式：

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

如果：

AI 很強，

但你不控制 Customer：

你只是 Vendor。

如果：

控制 Customer，

但 AI 沒降低成本：

你還是傳統 Service Company。

只有兩者結合：

纔可能出現：

AI-Native Service Giant。

這纔是 Harper 真正有價值的地方。

六十四、標題我建議徹底升級，而且去掉“獨角獸”

你原來的第 2 個方向，其實是最有洞察力的。

我最推薦的正式課程標題：

《從賣 AI 工具到直接成爲業務：Harper 如何用 4700 萬美元重構美國商業保險經紀》

如果更偏趨勢：

《AI 不再只賣軟件：Harper 如何把傳統保險經紀變成“軟件公司”》

如果更偏創業：

《從失敗創業到融資 4700 萬美元：Harper 的 AI 保險、極限執行與商業模式躍遷》

如果更偏金融：

《AI 如何吞掉服務業利潤池：拆解 Harper 的保險經紀、佣金經濟與自動化飛輪》

如果要一個最有傳播力的：

《別再把 AI 賣給傳統公司：直接成爲傳統公司》

作爲你的正式課程，我最推薦第一個。

因爲這一期真正最大的認知躍遷就是這一句話：

SaaS 時代最聰明的創業者，把軟件賣給行業；AI 時代更激進的一批創業者，開始直接成爲行業。

而 Harper 最終能不能成爲一家超級公司，關鍵並不在於員工是不是凌晨 5 點上班，也不在於 Cursor 能不能一天生成 100 個工具。

真正決定它價值的是：

它能不能把保險經紀這種高度依賴人工經驗的商業模式，真正轉換成一種由數據、軟件和智能驅動，而且 Revenue 增長長期快於 Headcount 增長的新型資本機器。

如果這一點成立，Harper 的意義遠遠大於一家 InsurTech。

它證明的將是一種全新的 AI 公司模板。

Harper 還處在快速變化期，我可以繼續跟蹤它的下一輪融資、估值、客戶增長和真實自動化率。

跟蹤 Harper 後續進展