在AI创业者疯狂追逐“AI SDR”、“AI客服”、“AI编程”等热门赛道时，有一个不起眼但极其赚钱的方向正在被悄悄占领：学术研究AI助手。
Elicit——2022年从非营利组织Ought孵化出来的AI研究助手——正在以令人瞩目的速度渗透学术圈。它的首页数据直接说明了问题：
500万+研究人员、1.25亿+论文索引、正在服务全球顶级药企的R&D部门。
这不是一个关于“AI很强大”的故事。这是一个关于如何在一个垂直领域做对产品化的故事。
01 他们没有做“更聪明的AI”，而是压缩了最痛的工作流
Elicit的创始团队在启动产品之前花了很多时间理解一个问题：科研人员工作中最痛苦的部分是什么？
答案不是“信息不够”，而是“信息太多并且筛选太慢”。
一个典型的文献综述流程是：
- 在研究数据库搜索关键词（PubMed、Google Scholar等）
- 浏览成百上千条结果，人工筛选相关论文
- 阅读摘要判断相关性
- 阅读全文提取关键数据
- 整理成表格或综述
这个流程，一个研究生通常需要2到4周才能完成。
Elicit做了一件极其简单又极其聪明的事：把上述流程压缩成一个端到端的产品。
你输入研究问题 → AI自动搜索1.25亿篇论文 → AI筛选最相关的论文 → AI提取关键数据到表格 → AI生成总结报告。
这不是某个LLM边角功能的封装。这是为一个特定工作流重新设计的全链路产品。
产品化指数：★★★★★
关键区别在于：Elicit不是为了展示AI能力而建的demo，而是为了替代一个真实工作流而建的完整产品。
02 “合规”才是真正的护城河
Elicit在2026年5月做了一件决定性的动作——支持PRISMA 2020系统评价标准。
如果你不是学术圈的读者，这个缩写可能对你没什么意义。但理解这个动作，就能理解Elicit的商业逻辑。
PRISMA（系统评价和荟萃分析首选报告项目）是医学、公共卫生等领域系统评价的黄金标准。不符合PRISMA标准的文献综述，论文评审直接不过。
Elicit不仅支持PRISMA，还主动发布了评估结果：
- 搜索召回率：95%
- 摘要筛选准确率：97%
- 全文筛选准确率：99%
- 数据提取准确率：96%
这些数字来自对994份Cochrane系统评价的测试。
这个策略的高明之处在于：它不是靠“AI比人强”来获客，而是靠“AI符合行业标准”来建立信任。
在研究领域，ChatGPT生成的综述作者不敢直接引用（因为幻觉风险）。但Elicit的PRISMA合规系统评价，研究机构可以直接作为工作成果使用。
商业化护城河：★★★★★
这才是Elicit能做药企生意的根本原因——不是因为它用了最先进的模型，而是因为它的输出可以被放入正经的学术论文中。
03 商业化的三步走：从工具到平台
Elicit的商业化路径清晰地分为三个阶段：
阶段一：Freemium获客（2022-2024）
核心搜索功能免费使用，让研究人员“上瘾”。科研市场特点是传播慢但忠诚度高——一旦一个实验室习惯了某个工具，迁移成本极高。
结果：500万用户，几乎全部来自自然增长。
阶段二：付费订阅（2024-2025）
推出Plus/Pro/Enterprise多级定价。研究团队需要的数据提取、高级报告、团队协作功能——这些是付费墙。这也是典型的SaaS定价模式：基础款免费，进阶功能收费。
阶段三：平台化（2026至今）
这是最值得关注的一步。
2026年3月，Elicit推出API。这意味着第三方开发者可以把Elicit的研究能力嵌入到自己的产品中。
2025年12月，推出Research Agent工作流——让AI自动执行多步骤研究任务。
2025年7月，接入ClinicalTrials.gov的54.5万+临床实验数据。
2026年4月，博客透露与顶级药企进行了500+次深度对话。目标明确：进入药物研发工作流。
为什么API是关键？
因为API意味着Elicit从一个“个人工具”转向了一个“平台基础设施”。药企可以在内部系统中集成Elicit的能力，这不是终端用户能轻易切换的——这就是企业级粘性。
04 它和通用AI的差别在哪？
一个重要的问题是：ChatGPT和Claude也可以做文献搜索和摘要，为什么研究人员要用Elicit？
答案在工作流深度上。
- ChatGPT可以帮你总结一篇论文
- Elicit可以帮你完成完整的系统评价，且结果符合PRISMA标准
- ChatGPT是回答问题
- Elicit是替代工作流
做个类比：
- 通用AI工具像是一把瑞士军刀——什么都能干一点
- Elicit像是一台专业手术器械——只干一件事，但干得极其专业
对于那些把“AI创业”等同于“套壳ChatGPT”的人来说，Elicit是一个有力的反驳：真正有价值的AI产品不是封装模型能力，而是重新设计工作流。
05 给Builder的3个可复制教训
教训一：先理解工作流，再做AI
Elicit不是拿API加了一个“AI搜索”标签。他们先研究了科研人员的完整工作流，找到最高痛点（文献筛选和提取），然后围绕这个痛点重建了整个产品。
具体做法：花时间采访目标用户。Elicit团队透露他们与500多家药企进行了深度对话。这不是通用的“用户调研”，而是深入到工作流的每个步骤。
教训二：合规能力比模型能力更值钱
在专业领域，AI的能力不被信任，但合规标准被信任。
Elicit投入大量精力让产品符合PRISMA 2020标准，而不是追求“更好的摘要质量”。因为药企不会因为摘要写得好就买单，但因为产品符合行业规范就会买单。
这种逆向思维——先满足合规，再优化体验——在医疗、法律、金融等任何受监管行业都适用。
教训三：从工具进化到平台
Elicit的API策略值得学习：
- 先做单用户工具，快速获客
- 再做团队协作，提升粘性
- 最后做API/平台，打开企业市场
这不是一个新鲜路线，但Elicit在每个阶段的执行极其干净：不早不晚，刚好在产品站稳脚跟时推出API。
06 值得关注的风险和挑战
Elicit的软肋也很明显：
上游依赖：Elicit依赖第三方LLM（博客中明确提到评估了Claude Opus 4.5、Gemini 3 Pro、GPT 5等模型）。如果模型供应商改变定价或限制访问，Elicit的毛利率会受挤压。
通用AI的追赶：GPT-5、Claude 4系列正在快速提升研究能力。如果通用模型未来能做出PRISMA合规的系统评价，Elicit的差异化会被削弱。
收入规模不明：虽然有500万用户，但我们不知道付费转化率和ARR。如果付费用户集中在低价位，商业化数据可能不如表面光鲜。
垂直AI的力量
Elicit代表了一种正在被证明的AI创业范式：不追求用户量最大，追求工作流最深。
在AI时代，最值钱的不是“最通用的AI”，而是“最专业的工作流替代者”。
对于一个Builder来说，Elicit最值得学习的不是它的AI技术，而是它的产品化思维：找到一群人、理解他们的完整工作流、找到最高痛点、用AI重新设计整个流程、然后步步为营地商业化。
这比做一个“AI原生”产品重要一百倍。
注：本文数据来源于Elicit官网（elicit.com）及官方博客（elicit.com/blog），产品分析基于公开信息。Elicit成立于2022年，属于原生新产品。