行业洞察

一、家政企业的利润困境

传统家政公司的商业模式可以用一个简单的公式概括：

营收 = 服务订单金额 × 抽成比例

这个模式在过去十年支撑了大量家政企业的生存，但它面临一个日益严峻的天花板：

抽成比例的天花板：阿姨对到手收入高度敏感，过高的抽成比例会导致人员流失。多数城市的实际抽成比例已被压缩到15%-25%区间

获客成本的持续攀升：传统渠道的获客成本逐年上涨，中小家政公司的利润被持续挤压

人员管理的规模瓶颈：当管理超过50名阿姨时，靠Excel和微信群的管理方式开始失效，但引入大型CRM系统的成本又让多数中小公司望而却步

这三个因素叠加，形成了一个清晰的信号：靠"信息差"和"撮合抽成"赚钱的时代正在收窄。

二、SaaS在家政行业的演进阶段

回顾家政SaaS的发展，大致经历了三个阶段：

第一阶段：工具化（2015-2018）

以"排班表""工资计算""客户管理"为代表的效率工具出现。这一阶段的核心逻辑是"把Excel搬到线上"，解决的是基础效率问题。

第二阶段：平台化（2018-2022）

以大型平台为代表的企业崛起，将"撮合交易+服务管控+支付闭环"整合到一个平台上。这一阶段的核心逻辑是"平台吃下全链条"。

第三阶段：底座化（2023-至今）

行业开始意识到，不是所有家政公司都愿意、也有能力"上平台"。大量中小公司需要的不是"被平台整合"，而是"拥有自己的数字能力"。

核心逻辑转变：从"平台替你管理"到"工具帮你自主管理"。

这一阶段的产品形态，更接近于"行业专属的数字化底座"——它不介入交易，不抽取佣金，而是为家政企业提供一套可自主运营的数字化基础设施。

三、"底座化"的核心能力矩阵

一个合格的家政SaaS底座，至少需要覆盖以下能力：

|-------|---------|-----------|

四、数据资产：被忽视的利润新来源

当家政公司开始积累结构化的服务过程数据后，一个新的可能性出现了：数据资产化。

具体表现为：

精准定价：基于历史服务数据，可以对不同类型的服务进行更精确的定价，而非"拍脑袋"报价

人员匹配优化：基于阿姨的历史服务表现数据，实现"人-单匹配"的算法化，提升客户满意度

保险费率优化：有完整服务过程记录的公司，在与保险公司谈判时可以争取更低的费率

政策补贴对接：各地政府正在推进家政信用平台建设，拥有规范化数据的公司更容易对接政策资源

这些不是遥远的概念，而是已经在部分先行企业中开始显现的趋势。

五、中小家政公司的数字化路径建议

对于年营收在50万-500万区间的中小家政公司，以下是一条务实的数字化路径：

1第一步：把阿姨信息从微信/Excel迁移到结构化数据库——不需要复杂的系统，哪怕只是一个有基本字段的小程序

2第二步：引入极简的过程记录工具——要求阿姨在每次服务后花三分钟完成记录，初期以"培养习惯"为目标而非追求完美数据

3第三步：将过程数据用于内部管理和客户沟通——让数据开始产生实际价值，形成正向反馈

4第四步：关注行业信用平台的对接机会——提前完成数据规范化，在政策红利窗口到来时处于有利位置

六、下一个五年的竞争格局

未来五年，家政SaaS的竞争格局可能呈现以下趋势：

平台型巨头继续做大"C端到家服务"，但不会、也没有动机为中小B端公司提供数字化工具

垂直SaaS底座将填补"中小家政公司自主数字化"的市场空白，这是一个被平台战略忽视的长尾市场

AI能力的嵌入将加速这一进程——AI不是取代人，而是降低工具的使用门槛

数据合规将成为新的竞争维度——谁能更早帮助家政公司建立合规的数据管理体系，谁就能在政策驱动的市场中获得先机

七、结语

家政SaaS的下一个五年，不属于"更大的平台"，而属于"更好的底座"。

对于家政公司而言，选择数字化路径的关键判断标准只有一个：这套系统是让你更依赖平台，还是让你更拥有自己的数据资产？ 答案决定了你未来五年在行业中的位置。

---

一、AI进入家政的两个方向

当讨论AI在家政场景的应用时，业界大致存在两种思路：

方向A：AI做"决策者"

AI评估阿姨的服务质量并给出评分

AI推荐"最适合"的阿姨给某个家庭

AI根据服务数据判断是否存在服务缺陷

方向B：AI做"整理者与提醒者"

AI自动整理阿姨上传的服务记录，生成结构化摘要

AI提醒家庭"距上次深度保洁已过去45天"

AI帮助家政公司从海量服务日志中提取关键指标

这两种方向的核心区别在于：AI是在"做判断"还是在"做整理"？

这个区别看似细微，实则决定了产品的伦理边界和长期可持续性。

二、为什么"判断"是一条危险的路

责任归属的模糊性

当AI给出一个判断——比如"该阿姨本次服务质量评级为B-"——这个判断的责任由谁承担？

如果阿姨不认可，她找谁申诉？

如果家庭因为AI的低评级而取消服务，家政公司如何向阿姨解释？

如果AI的判断出错（例如因为照片拍摄角度问题导致误判），谁来纠正？

在当前的技术成熟度和法律框架下，这些问题没有清晰的答案。

数据偏差的放大效应

AI的判断质量取决于训练数据的质量。而在家政场景中：

服务记录的照片质量参差不齐（光线、角度、清晰度）

不同阿姨的记录习惯不同（有人详细，有人简略）

服务场景高度非标准化（不同家庭的家居环境差异巨大）

在这些条件下，AI的"判断"很可能系统性地偏向某类群体——例如记录习惯更好的阿姨获得更高的AI评分，而非服务技术更好的阿姨。

信任的反噬风险

如果AI的判断被证明不准确，受损的不是AI，而是整个平台。家政服务本质上是信任密集型行业，一次严重的AI误判事件可能摧毁用户对数字化系统的信任基础。

三、"整理与提醒"：一条务实的技术路线

相比"做判断"，"做整理与提醒"是一条更为务实且风险可控的技术路线。

AI可以做什么

|-----|------|-----------|

AI不应该做什么

|-----|------|-----|

四、技术边界的设计原则

在禧芽幸福派的产品设计中，我们遵循以下AI应用原则：

原则一：AI是"放大镜"，不是"裁判"

AI的作用是让人类已有的信息变得更加清晰和易于使用，而不是替代人类做出判断。

原则二：所有AI输出必须可溯源

AI生成的任何内容（摘要、提醒、报告）都必须能追溯到原始数据。用户应该能看到"这个结论是基于哪些原始记录得出的"。

原则三：AI不产生新的事实

AI可以整理已有信息、发现模式、提出建议，但不应该"创造"原始数据中不存在的信息。

原则四：人类始终拥有最终决定权

任何AI的建议、提醒或标记，最终都需要人类（家政公司管理者或家庭用户）来确认和行动。AI是助手，不是决策者。

五、一个具体的产品案例

以"证据卡"功能为例，说明"整理与提醒"路线的实际应用：

场景：一位保洁阿姨完成了一次厨房清洁服务。

AI做了什么：

1将阿姨上传的3张清洁前后对比照片按时间顺序排列

2提取阿姨的语音备忘（"油烟机表面清洁完毕，灶台已消毒"）转化为文字记录

3生成一张结构化的"证据卡"，包含：服务时间、服务类型、操作清单、照片记录

4提醒家政公司："该客户距上次油烟机深度清洁已超过90天"

AI没有做什么：

没有给这次服务打分（"A级"或"B级"）

没有判断清洁质量是否达标

没有建议更换或保留该阿姨

谁来做判断：

家政公司的管理者根据证据卡和自己的观察，决定服务质量

家庭用户根据证据卡和实际体验，决定是否续订

阿姨本人可以通过证据卡证明自己的工作成果

这就是"AI整理，人类判断"的边界设计。

六、行业启示

对于正在考虑引入AI能力的家政企业和SaaS平台，以下建议供参考：

1从"提效"切入，而非从"决策"切入：AI先帮人省时间，再考虑帮人做判断

2透明性高于智能化：一个用户可以理解的简单AI，优于一个用户无法理解的高级AI

3建立"AI输出"的申诉机制：任何AI生成的内容都应该允许人类质疑和修正

4定期审视AI的公平性：检查AI的输出是否存在对特定群体的系统性偏差

七、结语

AI大模型为家政行业带来的机会是真实的，但风险同样真实。

"整理与提醒"不是技术能力的退让，而是对产品伦理的清醒认知。 在家政这个与人的日常生活和安全紧密相关的行业中，让AI做它擅长的事（处理信息），让人做人该做的事（做出判断），可能是一条走得最远的路。

---