Claude Code 9个月做到 $2.5B ARR，破了 B2B 产品的历史记录。但几乎所有人都在用它写代码——加速编码、debug、ship更快。这是在捡芝麻。

真正的大机会：把 Claude Code 当作非编码业务的编排层来卖。

Pipeline 的本质是：拉数据 → 处理 → 生成输出 → 交付结果。不需要构建 App，不需要维护 SaaS，不需要服务用户。只有可重复的 workflow，解决昂贵的重复问题。

Pipeline 1：视频内容复用自动化

问题： 每个创作者都有50+小时的长视频躺在 YouTube，发过一次就再也没动过。手工复用流程：看视频 → 找精彩片段 → 写各平台文案 → 格式化 → 排期发布。一支视频花3-4小时。

方案： 粘贴 YouTube URL 进 Claude Code，Claude 调用 WayinVideo Clipping API 返回15+片段（按病毒传播指数0-99排名），附带标题、描述、hashtag、CDN托管的 MP4 下载链接（自动裁剪成9:16竖屏 + 动态字幕），并行调用 Transcription API 获取带时间戳和说话人标签的完整转录稿。Claude 过滤：分数>75且时长>20秒，留下7-10个值得发布的片段。针对每个片段提取对应转录段落，喂给文案生成 prompt，输出 LinkedIn / TikTok / Shorts 各平台的定制帖子。最后推送至 CMS：片段、文案、hook、首发评论，状态设为「审核中」。

输入： 一个 YouTube URL。输出： 10条可排期发布的定制内容。

ROI： 每周节省 4小时 × 3支视频 × 50/小时=50/小时 = 600/周。向客户收 $500/月。

Pipeline 2：B2B 销售线索研究自动化

问题： 销售团队每天花整个工作日做数据录入：打开 LinkedIn → 打开公司官网 → Google → 复制信息到表格 → 凭感觉评分 → 粘贴进 CRM。每个线索8-12分钟，每天50个线索 = 一天没了。

方案： 四步：ingest → enrich → score → route。定义 ICP（理想客户画像）标准一次。给 Claude 喂一批公司名或域名列表。Claude 访问每个公司官网，提取行业信号、团队规模线索、技术栈指标、定位语言、最新新闻。然后按 ICP 打0-100分。符合条件的进 HubSpot 或干净的表格；不符合的被标记原因，团队不再重复跟进死线索。

Enrichment 层是差异化所在。 Claude 读「About」页提取公司实际做什么（不是 SEO 优化的 tagline），读招聘页推断成长阶段、预算优先级和技术决策。如果一个公司最近发了3个 DevOps 岗位，说明在扩基础设施；如果发了一个 Head of AI 职位，说明在采购而不是自建。

再叠一层个性化： 从每个客户的最新博客文章或新闻稿里提取一句话作为开场白，把冷邮件变成暖邮件。

最佳买家： 做 outbound 的代理商、B2B 销售团队（2-3个 SDR，把一半时间花在研究而非打电话上的）。

Pipeline 3：竞品情报监控自动化

问题： 产品团队和营销负责人每周一手动开五个浏览器窗口，浏览定价页、读 changelog、截图功能对比表、写成 Slack 摘要。三个人看，然后就淹没在 scroll 历史里了。每周每个分析师花3-5小时，还漏掉两次检查之间的变化。

方案： Claude Code 替换分析师的周一早晨 tab 仪式，改为定时 Pipeline。定义目标列表（竞品官网、定价页、功能矩阵、招聘页、新闻室），Claude 按时序（每天或每周）抓取每个页面，存储快照。下次运行时，把新页面和存储版本 diff，生成通俗语言的变化摘要：「竞品A把Pro计划从49涨到49涨到59。竞品B在企业页面新增了SOC 2认证。竞品C上周发了4条 ML 工程师职位。」

最后一条信号比看起来重要。 招聘模式揭示产品路线图优先级，比功能发布早六个月。可以叠加定价分析：追踪10个竞品的计划名称、功能捆绑和定价，一次生成对比表。任何人改定价，团队24小时内知道。

最佳买家： B2B SaaS 公司的 PM、跑定位工作的营销团队、给同赛道多个客户做战略咨询的顾问。定价 1,000−2,500/月，计算成本不到1,000-2,500/月，计算成本不到 100/月。

Pipeline 4：文档处理自动化

问题： 发票、收据、合同、采购订单，2026年了还在手工录入电子表格。中型公司财务团队每周花15-20小时处理遵循可预测格式的文档手工数据录入。

方案： Claude Code 读文件（PDF、扫描件、照片），提取关键字段，校验 schema，发送结构化输出到表格或会计系统。

架构：摄入文档 → 如果是扫描图片则跑 OCR → Claude 按固定 schema 提取字段（供应商名、发票号、日期、行项目、总额、税额、付款条款）→ 校验（行项目加起来对不对？PO号和开放订单匹配吗？）→ 干净记录进会计系统，被盯住的记录进人工审核队列。

生产环境 Pipeline 报告标准发票字段准确率94-97%。乱扫描上的行项目仍需人工审核——这种诚实是东西能卖出去的原因。承诺的不是魔术，是95%的苦力活消失，剩下5%被标记并附上上下文，人几秒解决而不是几分钟。

Claude 多了大多数 OCR 工具没有的一层：理解。 读合同提取续约日期、终止条款、付款计划；读收据说解费用类别。提取是语义的，不只是定位坐标。这是从页面上拉文字和理解文档说的是什么之间的区别。

最佳买家： 50-500人规模公司的财务团队、记账事务所、处理供应商文件的运营团队、审查合同组合的法务团队。按文档收费（1−3/发票）或包月（1-3/发票）或包月（500-2,000）。

Pipeline 5：文档缺口分析自动化

问题： 用户超1,000人的 SaaS 公司都有同一个问题：文档落后产品六个月。工程师发布功能，changelog 给两行字，支持 ticket 堆上来问新功能怎么用，技术作家把它加进待办，三月后文章发出来，功能已经改了两版。

方案： 两阶段。第一，缺口分析：Claude 爬取现有文档，拉取近期 Zendesk 或 Intercom 的支持 ticket，交叉比对，找出有高频 ticket 但没有匹配文章的知识点。按 ticket 量排名：上月被问了200次且没有文档的问题优先级高于只被问了5次的。第二，内容生成：Claude 为每个缺口起草文章，从支持 ticket 本身提取（真实客户问题、真实困惑点）、从产品 changelog 提取、从相关现有文档提取。输出风格与团队现有格式一致：标题、代码示例、截图占位符。

生成的草稿进审核队列，由技术作家或 PM 审批、编辑、发布。Pipeline 每周运行，每周一团队收到按客户影响排名的最新草稿文章列表。

再深一层： Claude 也能识别存在但已过时的文章。如果 ticket 引用某个功能但该功能的文档上次更新是八个月前，Claude 标记它需要审核，用最新 changelog 条目起草更新版本。

ROI： 每月处理2,000个 ticket，30%有答案应该存在于文档中 = 每月600个 ticket 被更好的文档分流。按 5−15/ticket处理成本=每月节省5-15/ticket 处理成本 = 每月节省 3,000-9,000 支持人力。Pipeline 在第一个月就物有所值。

最佳买家： 有活跃支持队列的 SaaS 公司、有大量文档面的开发者工具公司、支撑高度依赖文档质量的公司。

为什么这些 Pipeline 能卖

不需要构建 App。不需要维护基础设施。不需要技术买家来理解。

卖的不是「AI 自动化」，是把重复性 business 工作打包成客户本来就懂、本来就付钱的 Pipeline。

Claude Code 是编排层。API 和工具是能力层。你对问题域的知识是护城河。

选一个 Pipeline。先为自己建。用它跑通。然后卖给有同样问题且规模10倍的客户。

这是现在没人真正在建的生意。