冷宫遗珠清单里有一组特别的选手(批次B 遗珠,T-CONT-88 来源):它们不追消费级热度,客户名单却是投行、律所和科研机构。这一篇拆它们的共同生意:长文档的结构化阅读。
四款样本:Hebbia(长文档矩阵式阅读+引用抽取,投行/律所场景)、Elicit(以研究问题为单位抽论文结论表)、Scite(引用的支持/反驳语境分类)、Semantic Scholar(语义相似度+引用网络的学术检索底座)。共同点:输出可核对的表而非一段摘要;客户按节省的工时付费,ARPU 远超消费级;声量与收入完全不成比例——标准的冷宫画像。
通用 AI 摘要的本质是压缩:把 200 页压成 2 页,读起来省力,但你无法逐句核对。结构化阅读反其道而行:每个结论都挂着原文引用的坐标。Hebbia 的矩阵式阅读把一个问题的答案拆到多篇文档的具体段落;Elicit 把「某研究问题的证据」抽成结论表,每行可溯源。对需要签字担责的职业(投行尽调、法律意见、系统综述),可核对性不是加分项,是入场券。
这个利基的商业模式干净得少见:客户是按小时计费的专业人员,产品每替他们省一小时文档阅读时间,就直接折算成账单上的价值。对比消费级 AI(免费/低价、靠规模),结构化阅读工具的客单价可以高一到两个数量级,且续费粘性来自工作流嵌入——这也是它们从不打广告、从不追热榜的原因:获客靠行业口碑,够了。
学术论文的引用不全是认同——Scite 把引用拆成支持与反驳两种语境,直接回答「这篇论文被谁证实、被谁质疑」。这一步把文献检索从「找到」推进到「评估」,是 AI 之前的技术栈做不到的。同类地,Semantic Scholar 用语义相似度与引用网络替代关键词匹配,成为学术检索的底座级存在。
摘要给压缩后的文字;结构化阅读给可核对的表,每个结论挂原文引用坐标——可核对性是专业场景的入场券。
客户按节省工时付费,ARPU 高一到两个数量级;获客靠行业口碑,话题度永远让位消费应用。
把引用升级为支持/反驳语境分类,回答文献的可信度问题——从「找到」到「评估」。
基础模型下压通用边界、数据源授权依赖、以及最终判断责任仍在使用者。