一家不做ChatGPT、不搞通用AI的公司，凭什么融了1.3亿美元还能盈利？
2024年7月，一家名为Hebbia的金融AI公司完成了1.3亿美元B轮融资，估值7亿美元。
这笔融资本身不算惊人——AI领域比这大的融资比比皆是。真正惊人的是融资公告里的一个数字：营收1300万美元，且已盈利。
在2024年，一家AI创业公司能盈利，比融到1.3亿美元更值得关注。
更值得关注的是，Hebbia的CEO George Sivulka在同一个月发表了一篇文章，标题充满挑衅——“高效的个体，造就不了高效的组织”（Productive Individuals Don’t Make Productive Firms）。
这篇文章的核心论点是：AI让每个个体都变快了——写邮件更快、写代码更快、做PPT更快——但没有任何一家公司因此变得整体上更有价值。生产力去哪了？
这不是一个修辞问题。Hebbia的产品哲学就是建立在“组织效率≠个体效率之和”这个认知之上。
01 金融AI的正确打开方式：不帮个人，帮机构
如果你打开Hebbia的产品Matrix，你不会看到一个像ChatGPT那样的聊天框。
你看到的是：一个可以上传数万份文档的空间，一个用自然语言查询所有文档的能力，一套可以自动生成PPT、备忘录、邮件的输出引擎，以及一个叫Skills的系统——把你的团队里最优秀的人的工作方法论“罐头化”，让每个人都能以同样的标准产出。
换句话说，Hebbia不是在设计一个“更好的大脑”，而是在设计一个“更好的组织协作系统”。
大多数AI产品回答的问题是“我怎么更快完成我的工作”。Hebbia回答的问题是“怎么让我们的团队产出质量更高”。
这个差异决定了产品的每一个设计决策：
- 需要权限系统，因为不同级别的分析师可以看到不同层次的分析
- 需要知识累积，因为今天的分析结果应该成为明天的起点
- 需要可审计的引用，因为金融行业的输出不能是“AI猜测”，必须是每个结论都能追溯到源文档
- 需要可复制的方法论，因为最佳实践不能被某个人的离职带走
问题：为什么大多数AI公司没有意识到这一点？
因为“个体效率”是天然的产品指标——可以轻松A/B测试、可以展示给用户看、可以写进融资PPT。而“组织效率”需要你真正理解一个团队如何运转，这远比Chatbot难做。
但Hebbia赌对了：真正愿意付高价的客户（金融机构），买的从来不是个人效率，而是团队产出质量。
02 Palantir模式的AI版本：招对的人，比做对的产品更重要
Hebbia的招聘页面揭示了他们的GTM策略：
- Forward Deployed Banker（AI Strategist）——前投行分析师，现驻场AI策略师
- Forward Deployed Investor（AI Strategist）——前PE投资人，现驻场AI策略师
“Forward Deployed”这个词，玩的是Palantir当年开发的策略——把领域专家直接派到客户办公室，边做项目边推进产品落地。
Sivulka接受采访时的原话更直接：“一个顶级大行选择我们而不是某顶级模型实验室，因为那家实验室的人需要客户解释什么是CIM（机密信息备忘录）。我们的人不需要。”
这就是Hebbia的核心竞争壁垒——不是模型参数更多、不是训练数据更大，而是团队里有真的干过这行的人。
这些前Evercore分析师、前PE投资人、前律所合伙人，在Hebbia的职位叫“AI Strategist”。他们不写模型代码，他们做三件事：
- 理解客户的具体工作流（比如他们怎么做尽职调查）
- 构建Skills——把最佳工作方法用Markdown文件编码到产品里
- 培训客户团队，确保采用率
这套模式意味着Hebbia不是在“卖软件”，而是在“卖能力”。客户不是买一个工具，而是买一个懂行的驻场团队。
对B2B AI创业者的启示：如果你的行业足够垂直、足够复杂，招一个行业老手做产品比招三个工程师做功能更有效。
03 技术壁垒：为什么他们放弃了RAG
Hebbia在2023年就实践了语义搜索和RAG。然后他们宣布放弃了。
他们的技术博客标题就叫“Goodbye, RAG”（再见，RAG）。
原因很简单：标准RAG在金融场景里不够用。
金融专业人士问的不是“这个文档里提到了什么”，而是：
- “谷歌最新财报里哪些说法听起来像谎言？”
- “这份NDA的X条款里存在什么漏洞？与Y条款结合会产生什么风险？”
- “如果Z基金的仓位表中A股票占比超过B股票，而A股票的流动性低于C股票，那么市场波动时会发生什么？”
这些是多跳推理、条件判断、综合分析的复合问题。标准的embedding相似度搜索解决不了。
Hebbia的做法是重构了整个信息检索架构，用一个叫“ISD架构”的系统，把文档检索和推理思考解耦。结果是：每个输出都可以追溯到源文档的精确位置，系统可以处理300亿token的批量任务，并且输出的可信度让金融机构愿意用。
对AI创业者的启示：如果你的客户需要“可信的、可追溯的、跨文档推理”的分析，不要用RAG走捷径。这件事没有捷径。
04 最被低估的创新：Skills
Hebbia有一个叫Skills的系统，我判断这是他们最被低估的竞争护城河。
Skills本质上是行业方法论的数字罐头。
三层层级：
-
Hebbia Skills — 由Hebbia团队里的前投行分析师/律师编码的标准工作方法论。比如“同行交易比较分析”这个Skill，编码了做过无数次交易估值的人的工作流程。
-
机构Skills — 把客户公司里最牛的那个分析师的判断逻辑编码进系统。那个总是能让方案在投委会一致通过的分析师，现在可以让每个新人都产出同等质量的分析。
-
个人Skills — 个人偏好和快捷方式。
想象一下：一个投行的新人入职第一天，不用再去问Senior“这个模型怎么做”——Skills已经包含了团队积累的最佳实践。
这对客户的锁定效应有多强？
离开Hebbia = 丢掉你团队最佳员工的方法论编码。
这不是技术切换成本，是知识切换成本。技术可以迁移，方法论很难。
05 可验证的ROI：让采购部门无话可说
Hebbia的客户案例页面给出了具体的、可验证的数字：
- Provident Healthcare Partners：核心M&A交付物时间缩短40%。同等时间内覆盖文档量增加30%。在不增加人手的情况下扩展了业务容量。
- Troutman Pepper Locke：一个千余份合同的迁移项目，“没有Hebbia根本不可能完成”。估计比手工执行快3-4倍。
- Orrick：“尽调时间从天级缩短到分钟级。”
这些不是空泛的“提升效率”，而是采购部门可以直接写入年度合同ROI评估的具体指标。
对于B2B AI创业者的启示：不要卖“效率”，要卖具体工作流的具体压缩比。
一个Managing Director拿着“40%更快出核心报告”去找CFO签字，比拿着“10倍效率提升”更有说服力。因为前者意味着“同样的人可以做更多的deal”——这是收入增长逻辑，不是成本节约逻辑。
06 诚实声明：不那么好抄的部分
这篇文章的前半部分说了很多“能抄的”。现在说“抄不了的”。
抄不了的4个运气
-
创始人的战略远见 — Sivulka在2020年就押注“组织AI”，比市场早了3-4年。这个判断力不是方法论可以复制的。
-
资本密集的研发投入 — 重建信息检索架构花了数年时间和大量资金。不是所有公司都有这个耐心和钱包。
-
顶级金融机构的品牌信任 — 让一家Top投行允许你的人坐在他们办公室里构建工作流，这种信任需要多年积累。a16z/Index/GV的背书帮助巨大。
-
专有数据飞轮 — 每天数万次的私有金融文档标注，构成了公开数据集无法复制的数据壁垒。
数据诚实披露
- $130M B轮/$700M估值/$13M盈利营收：来源为TechCrunch 2024年7月报道（第三方可信来源）
- 40%更快出稿、30%更多文档覆盖：来自Hebbia官网客户案例页面（未经独立第三方审计）
- 产品功能描述：来自Hebbia官方博客（一手信息）
- 当前ARR：融资后未公开最新数据，$13M为2024年中融资时数据
07 对B2B AI创业者的5个行动建议
-
先想清楚一个问题：你是在帮个人更快，还是在帮组织更好？ 如果是后者，你的产品需要权限系统、知识累积、结果产出——不只是个聪明的对话框。
-
招行业老手做产品部署，比招工程师做新功能更重要。 一个理解客户工作流的人驻场一周，比三个工程师远程开发三个月更有效。
-
用具体的、可验证的ROI数字去销售。 “效率提升”是抽象的，“40%更快出核心报告”是采购部门可以签字的。
-
让最佳实践可复制。 你的产品能不能让团队里最差的人做出接近最好的人水平的产出？如果不能，你还没有解决组织效率问题。
-
不要用RAG走捷径。 如果你的客户需要可信的、跨文档的推理分析，你需要自己的信息检索架构。这件事没有捷径，但做好之后就是不可替代的壁垒。
Hebbia的故事告诉我们：在AI时代，最值钱的公司不是做得最聪明的，而是把聪明变成可复制的。
数据来源说明：本文核心数据和事实均来自TechCrunch（2024年7月报道）、Hebbia官网（hebbia.com）、Hebbia官方博客。所有客户ROI数据来自Hebbia官网客户案例页面，未经独立第三方审计。产品技术信息来自Hebbia公开技术博客。