多數人安裝本地模型的原因只有一個——就是不想再付訂閱費。他們下載 Ollama 或 LM Studio，執行一個開源模型，每月省下二十美元，故事就到此結束。這樣很好。但還有另一群人，看著同樣的盒子，看到的卻不一樣：不是聊天機器人，而是基礎設施。
在列出清單之前，先說清楚一個事實。OpenAI、Anthropic 和 Google 的商業模式都建立在同一個概念上——人們付費使用他們不擁有的電腦。每一次提示都運行在別人的硬體上，而你每個月都要繼續付費才能使用。一台本地機器則翻轉了這個局面：你擁有執行工作的那台機器。歷史總是獎勵那些擁有基礎設施的人，而不是只租用基礎設施的人——網路獎勵了平台建構者，而不是瀏覽器；雲端獎勵了那些運行伺服器的公司，而不是只使用伺服器的公司。AI 正處於同樣的早期階段。
這些都不會讓你一夜致富，而且安裝一個模型本身也不會創造收入。它能做的是解鎖那些能帶來報酬的工作：企業想要更低的 AI 成本、更高的資料隱私，以及自動化的重複性任務，而本地模型讓這三件事都成為可能。以下是十個人們實際將其轉化為收入的可行方法——以及每個方法的真實情況。
1. AI 自動化服務
最快的第一個客戶不是另一個聊天機器人——而是解決每家公司都討厭的重複性工作：在系統之間複製資料、回覆同樣的電子郵件、摘要文件、搜尋數百份 PDF。你不是在賣「AI」，你是在賣更好的工作流程，而且在客戶自己的機器上運行，意味著他們的機密資料永遠不會離開公司。選定一個行業——會計師、律師事務所、房地產——同樣的問題會在多達數十家公司中重複出現。你賣的是時間，而企業總是願意為時間買單。
2. 企業私有 AI 基礎設施
很多公司基於法規考量，無法將內部文件傳送給公開的 AI——例如律師事務所、擁有專利設計的製造商、醫療保健、金融業。與其叫他們取代 ChatGPT，不如給他們一個完全在他們控制的硬體上運行的助手：文件搜尋、寫作協助、自動化，並且資料都留在內部。隱私只是賣點的一半；另一半則是可預測的成本，因為本地伺服器不會按每次提示計費。你不是在跟前沿實驗室競爭——你提供的是他們不一定能給的東西：對模型運行位置的完全掌控。
3. 垂直（利基）SaaS
自由接案有其天花板：更多的客戶、更多的會議、更多的客製化工作，直到你為自己創造了另一份工作。利基 SaaS 打破這個模式——為一個行業打造一個產品，然後賣給該行業的每個人。一個給房地產經紀人的工具，可以將房產資訊一鍵轉換成刊登文案、廣告內容和社群貼文；同樣的模式也適用於會計師、篩選履歷的招聘人員，或比較保單的保險經紀人。本地推理讓你的單位客戶成本保持穩定，因此利潤率會隨著規模擴大而增加，而不是因為 API 費用而縮水。這個數學很簡單，只是一個計算，不是承諾：101 個客戶，每月 99 美元，就是 9,999 美元，而且這還不需要任何諮詢電話——重點是模型可以擴展，而不是說這些客戶會憑空出現。
4. 私有 AI API 服務
成千上萬的開發者基於 OpenAI 相容的 API 進行開發，而每個請求的成本都會隨著使用量增加而增長。你可以在自己的硬體上託管開源模型，並提供給客戶一個像商業 API 一樣運作的端點——對他們來說很簡單，同時也能將你原本可能整天閒置的硬體變現。這對於那些想要可預測定價或能控制資料處理位置的團隊來說很有吸引力。在這裡成功的關鍵不是最聰明的模型，而是可靠性：正常運行時間、一致的效能、快速的支援。信任才能帶來經常性收入。
5. AI 內容工廠
幾乎每個企業都需要內容，而傳統的代理商模式難以擴展，因為更多的客戶意味著需要更多的寫手和編輯。本地 AI 改變了這個經濟模式——研究、大綱、初稿、翻譯和內容改寫都由模型處理，而人類則負責編輯、事實查核和加入原創見解。一篇文章可以變成幾則 X 推文、一篇 LinkedIn 貼文、一封電子報和幾篇短文，只需要再多幾個提示。你不是在賣 AI 寫的文章，你是在賣一個生產系統——而且因為模型在本地運行，大量產出內容也不會吃掉你的利潤。
6. 微調與 RAG 服務
大多數公司不需要一個客製化訓練的模型——他們需要的是了解他們業務的 AI。一家公司想要從自己的合約中得到答案，一家製造商想要從數千頁的技術文件中找到資訊，一個軟體團隊想要從自己的程式碼庫中獲得解答。檢索增強生成（RAG）將現有的開源模型與公司的文件連結起來，讓員工可以用日常語言提問，並從他們已有的資訊中獲得答案。新進員工能更快上手，資深員工不用再翻找資料夾，而當員工離職時，知識也能留在公司。這是一項高價值的服務，因為你賣的是對多年累積知識的即時存取權——而且一旦你為某個行業建立了一個，下一個就會更快。
7. 本地 AI 導入顧問服務
成千上萬的公司知道他們應該使用 AI，但完全不知道從何開始。你的工作不是整天寫提示——而是幫助他們做決定：評估工作流程、找出重複性任務、推薦合適的開源模型、設計一個符合他們預算和安全需求的計劃。有時候答案是用本地模型，有時候不是，而客戶會信任一個能坦率說出這一點的顧問，而不是強迫所有事情都用本地 AI。他們買的不是技術，而是信心——一個錯誤的 AI 決策會浪費數月時間和數千美元，花錢避免這種情況是划算的。
8. 內部 AI 知識系統
每家公司的資訊都散落在各處——PDF、會議記錄、雲端硬碟、Notion、網路硬碟、維基、電子郵件。找到正確的文件往往比實際工作本身還花時間。一個本地知識系統讓員工可以直接問：「我們對企業客戶的退款政策是什麼？」然後在幾秒鐘內從內部文件中得到答案。這是最容易銷售的服務之一，因為每個老闆都能立刻認出這個問題，而且隨著你連接更多部門，它的價值會隨著時間增長——這能將一個一次性專案轉變為長期合作關係。
9. 專為一個行業打造的 AI 產品
你作為小型開發者的優勢在於速度和專注。當大型實驗室為所有人打造產品時，你只為一個市場打造，市場越狹窄，你就越容易脫穎而出。只為會計師打造的軟體——分類發票、根據內部文件解釋稅務規則、摘要報告、起草客戶郵件——會勝過一個擁有數十個沒人要求的功能的通用型助手。一個利基產品更容易銷售（客戶能立刻理解它）、更容易上手，而且每個新客戶都會教你如何為下一個客戶改進。典型的錯誤是為所有人打造產品；而快速成長的公司總是先掌握一個受眾。
10. 把硬體本身變成生意
到現在，模式已經很明顯了：這些方法大多其實不是關於 AI，而是關於擁有基礎設施。成千上萬的企業每月付費給實驗室，因為他們不擁有硬體——他們只是在租用智慧。當你擁有它時，一台伺服器可以在白天運行內部知識系統，為客戶託管私有 API，並在夜間執行自動化任務——同一台機器可以以多種方式賺錢，而不是閒置。保持現實：一台電腦不會讓你瞬間賺到六位數。硬體是基礎；價值在於你建立在它之上的服務和關係。把它想像成攝影師的相機或承包商的工具——一個專業的工具，而不是生意本身。
誠實的結語
幾年前，這需要大筆預算和機器學習團隊。現在，它只需要一些時間來學習。大多數人會用本地 AI 來取消幾個訂閱並更快地寫電子郵件，這並沒有什麼不好。這十個方法都不需要你發明一個新的模型——它們需要的是理解企業如何創造價值。隨著技術變得越來越容易，優勢從「擁有它」轉移到「知道如何應用它」。大多數人安裝一個本地模型後會問：「這能為我做什麼？」而那些真正有所建樹的人會問一個不同的問題：「這能為其他人做什麼，以及我該如何圍繞它建立一個事業？」
我撰寫關於 Claude、本地 AI、Agent，以及能將它們轉化為實際工作的系統。追蹤 @88n77n。
