垂类APP，卖血求生

飞猪帮帮把预订能力封装成Agent工具，好大夫升级为医生AI工作站，天眼查成了Kimi的实时知识库插件。过去散落在一排APP里的需求，正在被压缩进同一个对话框。垂类APP辛苦积累的专业内容，正在变成喂养AI的"数据血包"——但换个角度，这也是它们从独立入口转型为AI基础设施的求生之路。

———— / BEGIN / ————

从千问点奶茶，到豆包订酒店，AI正从会聊天走向能办事。

过去散落在一排APP里的需求，正在被压缩进同一个对话框。垂类、工具类APP因此陷入身份危机。它们正在失去与用户直接见面的机会，广告和会员模式也随之承压。

看上去，AI正在吞噬应用，而垂类APP辛苦积累多年的内容，只能沦为喂养AI的“数据血包”。

近日，飞猪推出“飞猪帮帮”。它不只回答旅行问题、规划行程，还能预订机票和酒店，处理订单退改、在线选座、酒店升房和接送机，一路包办。

两天后，蚂蚁集团宣布，“好大夫医生版”正式升级为“蚂蚁阿福医生版”。这款产品也不止是在线问诊工具，而是把患者管理与随访、医学知识检索、科研辅助等功能，装进一个医生AI工作站。

一个处理行程，一个参与诊疗，相隔两天，两款垂类APP做了同一个选择：把多年沉淀的专业资料转化为AI可以理解和利用的数据，把业务能力拆成大模型可以调用的工具——主动把自己改造成垂类Agent。

为什么要如此彻底地改造自己？答案并不浪漫，AI正在抢走垂类APP的流量。

移动互联网最繁荣的年代，一个需求对应一个APP：翻译归翻译，搜题归搜题，修图归修图，问诊归问诊。手机桌面像一条商业街，每个招牌对应一门生意，用户带着需求逐一上门。

但豆包、千问等AI原生APP出现后，直接守在了商业街的街口，成为用户遇到问题时最先想到的地方。这些AI原生APP未必样样精通，却胜在什么都略懂一点，能够“稳稳地的接住”用户。

对大量日常需求而言，人们需要的并不是最专业的答案，而是一个来得够快、凑合能用的答案，最好还不用再开一份会员。用户的耐心有限，愿意为每一种需求分别付费的钱包更有限。

根据QuestMobile数据，2026年6月，AI原生APP整体规模达到4.99亿，月人均使用92.7次、183分钟。

换算下来，用户平均每天要打开三次，和AI聊上六分钟。

与此同时，在QuestMobile统计的移动互联网行业类别中，28%的行业出现人均使用次数和时长双双下降。垂类APP的底层逻辑，正在被这些AI原生APP渐进式、系统式重构。

真正被挤压的，是用户打开其他APP的必要性。APP们依赖用户反复访问才能成立的流量、广告和会员模式，正在被AI一点点抽走地基。

教育类APP是最直观的例子。拍照搜题曾经是这类产品的标志性功能，商业路径也很清楚，遇到不会的题目，拍一下获得答案，再开通会员查看详细解析。

现在，AI原生APP已经可以识别题目、给出答案，并围绕解题过程接受用户追问。千问甚至能在批改作业、定位错题后，自动生成考点相同的变式题。过去被封装在教育APP里的招牌菜，正在变成AI原生APP的普通配菜。

美国教育科技公司Chegg已经感受到了这种替代。随着流量下降，新订阅用户加速减少，Chegg先后裁员、关闭办公室，并一度考虑包括出售公司在内的多种选择。

垂类APP似乎只剩下一种结局：被AI替代，然后安静地退出历史舞台。但故事并没有在这里结束。

AI首先削弱的，是垂类平台作为独立入口的地位，而不是它们积累的全部价值。用户不再走进一家店，并不意味着AI不再需要这家店积累的商品、经验和服务能力。

垂类APP多年积累的专业内容、实时数据和业务系统，正在被从产品界面中拆出来，分别变成模型的训练材料、随时调用的知识库，以及完成任务时的执行接口。

第一种，是把数据卖给AI，成为模型的训练材料。

大模型并不缺普通文本，真正稀缺的，是垂类APP在封闭生态中积累的、难以从外部获得的数据。

这些数据通常不会完整出现在公开网页上，它们经过长期积累、专业标注和真实业务验证，是比普通网站内容和普通文本昂贵得多的优质语料。

金融领域已经证明，专业数据确实能够拉开模型能力的差距。BloombergGPT使用大量金融语料训练，在多项金融自然语言处理任务上的表现，明显优于参数规模相近的通用模型。

但数据授权未必是一门可以持续增长的生意，可能只是一笔横财。模型学会之后，同一批数据很难年年卖出同样的价格，一旦被吃干抹净，就没有再利用的价值。

更微妙的是，AI依靠优质内容生长，但截走原本支撑内容生产的土壤。平台辛苦攒下的内容，最后可能恰好训练出了一个替代自己的产品。徒弟教会了，师傅也就该被饿死了。

第二种，是成为AI的实时知识库，以插件形式存活。

一些用户已经把查询企业信息的习惯，从天眼查、企查查迁移到了AI：不用购买数百元的会员，也不用自己翻阅股权结构、司法风险和经营异常，只需让AI直接给出结论。

但公开网络上的工商、司法和经营信息散落在不同页面，有的更新滞后，有的名称混乱，有的重复冲突。随着GEO投毒的兴起，一些更容易被抓取和引用，却未必更接近事实。

天眼查们真正的护城河，正是对这些信息进行清洗、去重、标注、关联和实时更新。它们出售的不是某一条工商信息，而是把满地信息收拾成可靠答案的能力。

Kimi已经把天眼查、同花顺iFind等专业数据库接入会员服务。Kimi的付费会员，可以在对话框里进行查询，并且制作专业的图卡。无须逐个打开原来的产品，也不用再分别购买数据库会员。

天眼查因此成了Kimi的能力和卖点之一，天眼查也从中获得收益。双方具体如何结算并未公开，但天眼查的商业模式也变得更加性感：过去向个人用户出售查询权限，现在向AI平台提供插件和数据。

第三种，是成为Agent，直接交付业务结果。

要让一句自然语言变成现实的一次真实执行，并不是一件容易的事。在能聊和能用之间，隔着一个供应链。

拿旅行举例，大模型可以迅速写出一份多伦多攻略，却不知道某个航班还有没有座位、中转是否需要签证、酒店能否免费升房，也无权修改订单、完成退款。想把这些事办成，AI必须连接实时库存、交易系统、服务商网络。

飞猪帮帮基于平台的真实供给、专有数据、交易系统和行业经验进行后训练，再把搜索、预订、退改和履约能力封装成模型可以调用的工具。在执行过程中即时核验库存、价格和订单状态，提高结果的真实性与可执行性。

毕竟攻略写错了，最多耽误半天；订单改错了，可能毁掉整个假期。

AI的能力让飞猪APP衍生出一种全新的用法，也让飞猪获得了在OTT行业弯道超车的机会。未来，这套能力也存在接入千问等大模型的可能。

用户或许少打开了一次飞猪，但AI想要把事情办成，反而更离不开飞猪。

总的来说，垂类APP未必会集体沦为AI的“数据血包”，却会被AI重新分工：有的出售训练数据，有的提供实时知识，有的协助交易与履约。

过去争的是被用户打开，未来争的是被AI调用。失去自有APP的入口，却有机会获得一个更大的流量。

本文来自公众号：真故研究室 作者：潘达