企业官网建设流程全解析

最近在复盘AI应用赛道，又把万兴科技这家公司翻了出来。A股给它贴的标签是“国内数字创意领军者”，那篇公司深度报告把副标题落在了“AI赋能未来可期”，但光看新闻标题和股价K线，很难搞清楚这家公司到底靠什么赚钱。这篇就把我的拆解过程整理出来，想聊聊为什么一家做视频剪辑工具起家的公司，会被市场当成AI应用方向的核心标的之一；也想去掰扯清楚，所谓“AI赋能”到底在产品里长什么样。声明在前，这不是荐股文章，我不做具体买卖建议，更多是分享一个关注AI落地和内容工具的从业者，是怎么看待、怎么跟踪一家工具软件公司的。如果你正在研究AI应用的商业化路径，或者自己就在做视频、设计、文档类产品，这篇值得耐心看完。

1. 视频工具老兵的AI变身：先搞清万兴到底靠什么赚钱

1.1 从“装机必备软件”到全球订阅平台

万兴最容易被人记住的产品是Filmora，国内叫万兴喵影。这家公司的起家路径其实很典型：PC时代做视频编辑工具，靠一次性授权卖软件，当年和不少国产工具软件一样，面临盗版多、用户付费意愿低、天花板一眼见底的问题。我算是老用户，早期用Filmora的感觉就是“功能够用、界面友好”，但谈不上什么专业护城河，你很难想象它后来会变成一只AI概念股。

转折来自几个关键动作：第一是坚决转订阅制，把一次买断变成按月、按年付费；第二是主攻海外市场，避开国内工具软件主流的“免费+广告”路径；第三是把产品线从视频剪辑扩展到PDF处理、思维导图、绘图设计、原型工具。用现在的眼光看，这家公司的真实面貌已经不再是一家“卖软件”的公司，而是一个面向全球创意工作者的SaaS平台，用户的付费周期、付费习惯、付费能力都和早期完全不一样了。

为什么要强调这个转变？因为后面所有关于AI赋能的讨论，都建立在这个订阅平台的基础上。如果没有用户愿意按月付费，生成式AI再强大，也没办法变成可持续的收入。

1.2 产品矩阵不只看Filmora：四块业务怎么分工

我拆万兴的产品线时，习惯把它分成四块来看：

这个矩阵看起来杂，但内部有一条主线：都在降低“创意表达”的门槛。视频、文档、绘图、原型，本质上都是人们在工作和生活里需要完成的表达任务。四块业务对公司的意义不太一样：视频是用户基数和品牌基本盘，文档和绘图是把用户从“娱乐剪辑”扩展到“办公生产力”，实用工具则是现金流和获客入口，时不时能靠一次工具使用让用户认识品牌。

只有看到这个布局，才能理解为什么万兴会被归类为“数字创意软件”而不是单纯的“视频剪辑软件”。它的天花板不在某一条产品线，而在全球范围内所有“非专业但需要创意表达”的人群。

1.3 为什么它常被低估：AI标签不如大模型公司响亮，但变现路径反而更短

我观察到一个挺有意思的反差：谈论AI时，市场注意力全在大模型公司身上，参数规模、榜单、炼丹成本，每一个名词都自带光环。而万兴这种应用型公司，AI标签远没有模型公司响亮，很长一段时间被当成“传统软件公司”估值。但从商业逻辑上讲，它恰恰可能离变现最近——模型公司要先烧钱把能力做到通用，再去找场景；万兴是已经有场景、有用户、有付费意愿，只需要把大模型能力“插”进现有产品流程里，用户就会因为一个AI功能愿意续费。

打个比方：大模型公司像发动机厂商，要造一台通用发动机卖给所有人；万兴更像整车厂，它不需要自己把汽油炼出来，它要做的是把发动机装进一辆用户本来就天天开的车里，而且用户开完觉得省力，愿意付油钱。这就是我常说的“AI应用的最后一公里”。因此看万兴，重点不在“它自己训练了多大参数的大模型”，而在“它有没有把AI功能产品化、并让用户埋单”的执行力。我在分析时，也会更看重它的产品迭代速度和付费转化数据，而不是AI的炫技程度。

2. “AI赋能”在产品里的真实样子：功能拆解与产品化逻辑

2.1 视频创作侧的AI落地：从AI抠像到AI数字人，哪些是真需求

如果只看券商研报里“AI赋能”四个字，很容易觉得是概念。但把Filmora的产品界面打开看，AI功能已经是很实在的东西：AI抠像靠一键分离人物和背景；AI字幕自动识别语音生成字幕，还能翻译；AI音乐根据视频节奏自动生成背景乐；AI调色导入素材后自动匹配风格；AI文案帮你写标题、脚本和视频描述；还有AI数字人，输一段文字就能生成虚拟人播报视频。

我自己实际用下来的感受是，用户感知最强的通常是“省时间”的功能。比如过去做逐帧抠像最痛苦，AI抠像把操作时间从小时级压缩到分钟级，这种体验一旦用上就回不去了。AI数字人则更适合做口播视频、跨境电商产品介绍这类场景，尤其是不想出镜、又需要批量产出视频的用户。

但也要泼一点冷水：AI功能不是全部都好用。我测试的时候发现，AI音乐经常生成“听起来高级但情绪不对”的配乐，AI字幕对模糊音频也会识别错词，需要二次修改。这些都是产品化过程中必然会遇到的质量问题，也恰恰说明AI不能只做“开关式”功能，还要有让用户快速修正的交互设计。

2.2 文档与绘图侧：让“不擅长设计”的人也能完成创意表达

如果说视频侧AI负责“酷”，文档和绘图侧的AI就负责“省心”。万兴PDF加了AI能力之后，可以总结长文档、对PDF提问、翻译，这在处理合同、论文、说明书时非常实用。亿图图示的AI功能可以靠一句话生成流程图和思维导图，比如输入“梳理一个电商项目的上线流程”，它能自动生成带分支的图示；墨刀也做了AI生成原型的尝试，给一句产品描述，就能出来大致页面框架。

这些功能的目标用户很明确：不是专业的深度工具用户，而是“脑子里有想法、但不太会用专业软件”的普通人。一个做运营的同学，过去要画流程图，得先学会亿图或者Visio的工具栏；现在直接告诉AI要什么，改一改就能用。这实际上是扩大了整个创意工具的市场盘子，让过去因为“不会用软件”而被挡在外面的人，也能完成一些基本的创意表达。这也是我比较看好文档类和绘图类AI功能的原因，它们离日常工作流更近，使用频次往往比视频编辑更高。

2.3 真正难的并不是算法，而是如何让用户愿意为AI付费

AI行业里很多人有个直觉：技术上越先进，用户越愿意付钱。但放到软件产品里，这个逻辑经常失效。用户不会因为“这是大模型”就掏钱，他只会因为“这个功能帮我解决了具体问题”才续费。所以，产品化比算法本身更考验团队。

从Filmora新版的功能分层，能看出一些产品化思路：一部分AI能力直接放在基础版本里，用来吸引新用户、提升免费用户的使用体验；另一部分更强的AI功能，比如AI数字人、更高质量的风格迁移，则放进高阶付费版本。用户在免费版里用过几次“AI抠像”觉得爽，再看到AI数字人需要升级才能解锁，转化就顺理成章。

这里我想认真说一下“AI Native研发范式”。真正的AI原生，不是给旧功能加一个大模型按钮，而是重新设计交互流程，让AI天然成为工作流的起步点。比如视频剪辑，现在的产品可以让你直接用自然语言描述“我想要一个什么样的视频”，然后自动生成脚本、素材建议和剪辑框架，这就是把AI从“辅助工具”提升为“创作入口”。这种范式转变，才是万兴这类公司未来增长的核心变量。

2.4 底层技术路线：自研算法叠加外部大模型，AI工程化是关键

一个很容易被忽略的点是：万兴并不需要自己把所有AI都从零训练。作为应用层公司，更合理的做法是“该自研的自研，该外采的外采”。

视频侧的很多能力，像抠像、超分、降噪、风格迁移，直接关系到剪辑质量和实时性能，这类视觉算法往往要走自研或基于开源模型做深度优化，因为云端延迟和成本是绕不开的问题；文本侧的文案生成、脚本润色、PDF问答，更合适的办法是接入大模型API，通过工程化手段来控制效果和成本。换句话说，万兴真正的技术壁垒，不是某一个算法的跑分，而是“AI工程实践”能力：模型选型、Prompt调度、效果评测、灰度发布、降级策略，以及回答内容的可控性和安全性。

我用一个更直白的比喻：调用大模型API就像点外卖，谁都能点，但能不能把外卖按时送到用户的桌上、并保证口味稳定，考验的是后厨流程和配送体系。很多团队做AI功能翻车，不是模型不行，而是缺少评测机制和“自动测试开发”的意识，模型换个版本，输出就崩了。这也是我留意万兴时会特别关注工程团队能力的原因——功能可以短时间上线，但稳定性和成本控制能力决定能不能长期赚钱。

3. 竞争格局：和Adobe、Canva、美图们比，万兴的差异化在哪

3.1 别急着叫“中国的Adobe”：客户群和产品逻辑完全不同

不少人喜欢把万兴叫“中国的Adobe”，我觉得这个类比不够准确。Adobe的核心用户是有专业需求的创意工作者，学习曲线陡峭，收费也不便宜，护城河来自专业标准、插件生态和职场依赖。而万兴的核心用户是“非专业但需要表达”的人：学生要做课程视频，小博主想剪短视频，外贸商要快速做产品说明，小微企业想低成本做营销素材。这些人不愿意花三天时间学Premiere，但愿意花几十块钱买一个“明天就能上手”的工具。

所以更贴切的参照物其实是Canva的思路：用模板和傻瓜化交互降低设计门槛，把“过去要花钱请人做的事”变成“自己花几十秒能搞定”。万兴是在视频和文档场景复制这套逻辑。这种差异决定了它的产品策略：功能数量未必越多越好，而是要挑用户“最痛”的地方做深；界面也不做成专业软件那种密集工具栏，而是尽量让新手凭直觉就能操作。

3.2 出海与本地化：为什么工具订阅在海外能跑通

万兴最被低估的地方，我认为是出海能力。中国工具软件出海有一个天然组合优势：工程师红利带来的迭代速度，加上对海外用户体验的快速响应。万兴很早就把海外作为主战场，产品界面、模板、营销文案都做本地化，而不是简单翻译。

海外市场对工具订阅的接受度，明显比国内“免费+广告”的生态环境更友好。欧美用户已经养成“为效率付费”的习惯，一个软件只要确实好用，几十美元一年的订阅费并不是大问题。这也让万兴的商业模式有更厚的安全垫：哪怕国内竞争激烈，海外收入也能托住基本面。当然出海不等于“躺赢”，海外团队管理、支付渠道、税务合规、数据隐私合规全是水磨功夫，这也是我后面要单独讲的风险点之一。

3.3 护城河到底有多深：用户规模、数据飞轮、品牌心智

护城河这个词经常被滥用，但放在万兴身上是可以认真讨论的。第一层是用户规模与数据飞轮：大量用户的剪辑行为、模板使用习惯、AI功能点击数据，这些真实使用数据是优化算法和推荐模板的原料。同类工具如果用户量不够，AI功能就会像盲人摸象，很难调准。

第二层是AI功能的场景化积累。比如AI抠像在“头发丝边缘”的处理效果，需要在大量真实视频素材上反复测试优化；AI字幕对口音、背景噪声的鲁棒性，也需要庞大数据打磨。这种场景数据不像大模型的公开语料可以随便下载，它靠的是用户一次次的真实操作，是时间堆出来的。

第三层是品牌心智。在海外很多视频博主的分享里，Filmora已经被当作“对新手最友好的剪辑软件”，这个心智很难靠砸广告短期建立。不过说实话，护城河再深也挡不住“降维打击”，剪映、CapCut这类产品在海外就是它最直接的对手之一，这个放到最后的风险部分细说。

4. 财务数据的读法：看懂订阅、毛利和研发投入就够了

4.1 订阅制是命根子：收入结构里的“质量分”

看软件公司，我第一眼永远先看收入结构，尤其是订阅收入占比。订阅制的意义不只是“提供稳定现金流”，它还改变了用户关系：买断制下，用户买完就走，软件厂商必须在下次版本升级时重新说服用户掏钱；订阅制下，用户每个周期都在做“是否续费”的决策，软件厂商必须持续提供价值，才能留下用户。

从公开披露的情况看，万兴这些年最明显的变化就是订阅收入占比一路走高，这也是为什么它的收入端波动性比传统软件公司要小。我盯财务数据时不只看总收入增长率，更看重两件事：一是订阅收入的增速，二是用户续费率与客单价变化。如果订阅还在高增长，说明商业模式转型的红利仍在释放；如果增长停滞，那就要回头去看产品创新是否跟不上，这是AI功能后期要验证的核心点。

4.2 研发投入的去向：AI投入是费用，也是未来的利润

工具软件公司的研发费用率一般都不低，万兴也长期保持在较高水平。很多人看财务报表，觉得研发费用是侵蚀利润的“坏东西”。但从软件公司的本质来看，研发投入就是下一阶段产品竞争力的来源。尤其AI技术进入快速迭代周期后，研发投入里的大头已经不只是传统客户端开发，而是大模型API成本、AI算法团队、算力和测试验证成本。

这里有一个容易被忽视的会计细节：AI相关的投入，一部分可以直接资本化计为无形资产，一部分会进当期费用。费用化会导致表观利润难看，但可能意味着公司在为后期产品化储备AI能力。所以比起“某个季度净利润降了”，我更喜欢去看“研发投入有没有转化为新功能或新产品”，以及这些新功能有没有带来实际收入。

4.3 利润与增长的平衡：短期承压不等于故事结束

AI功能带来的一个直接成本是算力和API调用费用。用户用得越多，公司要付给云服务商的钱就越多，这在财务报表上会压制毛利率和利润率。很多人看到这类短期数据就唱空，我觉得要分开看：如果AI功能还处于“拉新和培育付费习惯”的阶段，短期成本上升是可以接受的；关键是这些成本能不能随着用户付费率的提升被覆盖，以及大模型推理成本的下行能不能成为长期利好。

过去一年多的趋势是，大模型推理成本一直在降，对应用层公司来说这是明牌利好。同样的AI功能，单位成本逐步下降，毛利自然改善。如果有一天万兴能把“AI功能触达率”和“付费转化率”披露得更细，那就不需要靠猜来判断AI故事靠不靠谱了。

4.4 关于估值，我更愿意把它当成“AI应用期权”来跟踪

估值是整个分析里最容易引发分歧的部分。纯粹按传统软件业务去看，万兴的静态估值可能并不便宜，市场早就把一部分预期打在“AI赋能”上了。与其去纠结一个精确的目标价，我更愿意把它当成一张“AI应用期权”来跟踪：现价里，软件业务贡献基础价值，而AI带来的增量用户、增量订阅、新品类产品，则是期权价值。期权的价值要靠时间行权，每个月AI功能的更新频率、用户反馈、海外榜单排名，都是在给这张期权定价。

所以看估值，我不太在乎短期波动，更关心AI应用的实际渗透速度，这也是下面最后一部分的跟踪清单，比任何估值模型都更重要的原因。

5. 跟踪清单：哪些信号值得兴奋，哪些坑需要警惕

5.1 我会重点跟踪的三个积极信号

第一，AI功能的付费渗透率。如果AI功能上线后，免费用户转为付费用户的比例显著提升，或者已有订阅用户因为AI功能升级到更贵档位，说明AI不是噱头，而是真正的付费驱动因素。这个数据可以从产品更新日志、用户反馈和季度财报里的客单价变化交叉验证。

第二，AI原生新品的迭代速度。我特别关心产品有没有从“给旧功能加AI按钮”，进化到“以AI为入口重新设计工作流”。比如用户能不能直接对软件说“帮我生成一个30秒的产品介绍视频”，系统自动完成脚本、配音、素材拼接和字幕生成。这种AI Agent式的产品一旦跑通，商业模式就不再是按软件订阅收费，而是按“AI帮用户完成的任务量”收费，想象空间完全不同。更进一步说，如果多个AI代理能协作完成一个完整任务，那产品形态还会再变一次，用户用的不再是工具，而是“数字员工”。

第三，AI成本端的改善节奏。大模型推理价格下降、自研模型能力提升，以及用户侧对“高级生成”的付费意愿上升，三者叠加，利润率就有改善空间。我会持续跟踪毛利率变化和研发费用结构，判断成本红利有没有真的落到利润端。

5.2 AI落地最容易踩的坑，也是我最担心的地方

第一个坑是大厂免费工具的降维打击。剪映、CapCut这类产品背靠流量生态和内容社区，几乎可以把基础剪辑功能免费化，再靠广告和电商变现。如果大厂也把AI功能做成免费，万兴这种独立工具厂商的付费墙就会面临压力。当然，独立工具的用户绑定、隐私体验和专业场景深度，是它和大厂周旋的底牌，这个博弈会直接决定长期竞争格局。

第二个坑是AI内容的合规与版权问题。AI生成的内容可能涉及版权争议、深度伪造风险、数据隐私合规，尤其海外市场对GDPR这类法规的执行越来越严格，稍有不慎就可能面临诉讼。这属于“看不见的灰犀牛”，做工具出海的公司必须在合规上提前投入，而不是出了问题再补救。

第三个坑是技术同质化。如果大家接的是同一个大模型API，给用户提供的答案和建议会越来越像，功能差异会被迅速抹平。到那时，用户比价会比今天简单得多，谁便宜用谁。要反制同质化，只能靠场景数据和产品体验构建差异化，这又回到前面说的数据飞轮能不能转起来的问题。

5.3 最后分享一个我自己的研究视角

跟踪万兴这几年，我经常提醒自己一句话：不要把AI概念当成故事听，要看它有没有改变用户的行为和公司的收入结构。一家公司是不是“AI赋能”，不是看发布会说了什么，而是看用户是否因为AI留下来、付了钱、推荐给朋友。我也是用这个标准去看所有AI应用公司的。

如果你也在研究AI应用赛道，我的建议是：不要把全部注意力放在模型层的军备竞赛上，多看看那些拿着通用模型去真实场景里赚用户钱的软件公司。它们也许没有最锋利的模型，但它们离用户最近，最知道普通人在哪些环节“卡壳”，也最有希望把AI送进真实的生产和创造流程。万兴是不是最终赢家，我还没有答案，但它的确是研究“AI应用如何成为一门生意”时一个很好的样本。