摘要

Marc Benioff 的核心区分是：今天的 LLMs 是强大的企业工具，而不是有意识的存在，也不是 AGI 即将到来的证据。 它们由不断改进但仍有边界的算法，以及相对有限的互联网数据结合而成；像 ELIZA 在他16岁时那样，输出可能让人感觉极具智能，但当人们把判断外包出去时，也会形成危险的“催眠”。他的运营结论很务实：不必理会人才争夺战，让 Salesforce 的每款产品都实现 Agent 化。
Salesforce 自身的部署，是本期关于智能体已经改变企业经济学的最有力证据。 一个全渠道主管系统帮助将人工客服人员从9,000人减少至5,000人，人员则被重新配置到其他岗位；智能体销售也终于可以触达 Salesforce 过去没有足够 SDR 去回访的超过1亿条历史线索。Data Cloud 加 AI 的营收已超过10亿美元，是 Salesforce 26年来增长最快的云产品。
Benioff 否认 SaaS 应用会坍缩成 CRUD 数据库，转而押注由数据、应用和可互操作智能体构成的三层市场。 人类在工作流中仍然需要应用；开放的智能体层则可以通过 Slack、AppExchange 等生态协调这些应用。即使 Salesforce 仍是权威记录系统，第三方界面和智能体仍有空间。
Palantir 已同时成为 Salesforce 的竞争标杆和估值刺激物。 Benioff 称 Foundry 对数据与分析的整合“非常有启发”，认为前置部署工程师是签约前向客户作出承诺的聪明方式，并表示 Palantir 的定价让 Salesforce 看起来很便宜。但他也强调了规模差距：Palantir 营收约40亿美元，而 Salesforce 为410亿美元；同时他发问：“我怎样才能拿到100倍营收倍数？”
Anthropic 将融资规模从50亿美元扩大至100亿美元，据报获得4倍超额认购；这一规模只有在基础模型需求变得极其庞大时才站得住。 营收若从约10亿美元走向90亿美元或100亿美元，即便增速大幅放缓，明年也可能达到400亿至500亿美元。Rory 尚未解决的分叉是：API 需求更接近500亿美元还是5,000亿美元；以及智能体能否让客户愿意为每名员工支付2万至4万美元，而不是2,000美元。
把企业智能体收入一路追溯到推理成本后，模型供应商的 TAM 就没那么显而易见了。 Rory 对 Salesforce 的思想实验是：以估算为120亿美元的 Sales Cloud 为基数，30%的提升可带来36亿美元智能体收入；如果模型成本占20%，模型供应商只能拿到7.2亿美元。Jason Lemkin 给出的反例是：一个小团队在11个智能体上大约花了50万美元；如果这种异常高的智能体支出与软件支出比例能够持续，Anthropic 的这轮融资就很便宜。
公开市场的风险来自预期和持仓集中，而不是某一个波动剧烈的交易日。 Meta 的核心业务持续吐出现金，而 Mark Zuckerberg 正承诺向一个经济模型仍未解释清楚的 AI 业务投入外界讨论的600亿至700亿美元；在高估值倍数下，“任何出错之处，无论多么微小，都会被放大”。反过来，MongoDB 上涨27%，Box、Okta 和 Zoom 反弹，说明当悲观预期已被计入股价后，哪怕温和再加速也能推动 SaaS 股票重估。
风险投资正分化为工业级规模的共识投资，以及后续融资市场可能忽视的资本高效型下注。 Andreessen 完成72笔种子投资，Sequoia 为27笔；它把种子轮当成“超市里的便宜牛奶”，用来筛出少数可以继续投入数十亿美元的异常值项目。Martin Casado 的警告之所以击中要害，是因为据报10笔交易吸收了40%的风险资本：非共识创始人仍然可能胜出，但必须按基本面定价，并假设“别指望拿到任何钱”。

精读

1. Benioff 拒绝 AGI“催眠”，拥抱实用 AI

Benioff 开场的质疑既是语义上的，也是战略上的：所谓“AGI head”听起来就像“自相矛盾”。他并不是说机器智能永远不会到来——“那些电影我们都看过”——而是认为，2025年可用的技术不足以支撑对近期会发生什么的判断。
他对当前 LLMs 的理解包含两个有限输入：一组在大约5年间渐进改进的算法，以及一批来自互联网、相对有限的数据。它们的输出可能让人产生不可思议的智能感，但这种感觉并不能证明其具备意识。
这个类比来自个人经历：他16岁时，TRS-80 Model 1 上的 ELIZA 让他感觉那就是一个人。然而，LLM 没有童年，没有经历过痛苦，也缺乏同情心；医生因过度信任 AI 而变得思维懒惰、给出糟糕建议，说明把模拟误当成判断力会带来现实危险。

2. Salesforce 正把自身作为智能体经济学的试验案例

Benioff 否定加入高昂 AI 人才竞价战的必要性：“我们不参加。”他的原则是：“在企业软件中，战术必须随着时间决定战略。”决定 Salesforce 下一代架构的，应是客户部署，而不是关于 AGI 的论断。
在 help.salesforce.com，一个全渠道主管协调人工客服和数字智能体。该系统帮助将人工客服人员从约9,000人减少至5,000人；Benioff 还纠正了主持人后来对数字的错误表述，并强调这些人被重新配置到了其他增长领域。
Salesforce 在26年间积累了超过1亿条流入线索，却没有足够的 SDR 去回访。如今，智能体销售可以联系这些人、展开对话，并将他们接入公司的新销售产品；Benioff 说，该产品将在 Dreamforce 展示。
他的产品结论非常明确：“我不认为我们卖的软件里会有哪一款不具备 Agent 能力。”这一判断不只适用于 Sales Cloud 和 Service Cloud，也延伸到 Slack；人和智能体会协同工作，而不是简单地由一方取代另一方。

3. Salesforce 的 AI 论点锚定数据质量，而非模型神秘感

Benioff 把 AI 的准确性归因于一个联邦式的 Data Cloud，它负责统一企业信息，并将 Salesforce 对 Informatica 的收购视为这套基础的一部分。将 Salesforce 整个网站加载进 Data Cloud 后，Agentforce 处理的客户互动量已可与人工客服相当，用对话取代了导航。
Data Cloud 加 AI 的营收如今已超过10亿美元；Benioff 称，这是 Salesforce 26年来增长最快的云产品。Agentforce 一年前还没有被宣布，直到此前11月才上线，但如今已经拥有数千家客户，并完成数千次部署。
面对 Snowflake、Databricks 和 Palantir Foundry——Benioff 称它们的营收都在30亿至40亿美元区间——他认为差距是可以追上的：“它们在我的瞄准范围内。”他的 Star Wars 式运营隐喻，是 TIE fighter 飞行员的指令：“保持目标不偏移。”
当被要求在“300”的 OpenAI 和“170”的 Anthropic 之间二选一时，Benioff 拒绝参与估值竞赛，称两家公司都很优秀，并披露 Salesforce 持有 Anthropic 1% 的股份。他主动提到的唯一差异点，是 Anthropic 的企业导向。

4. Palantir 改变了 Salesforce 的产品、定价与交付逻辑

Benioff 称 Palantir 将 Foundry 与分析结合起来“很酷、很惊艳”，也“非常有启发”。Salesforce 对应的数据基础包括 Data Cloud、Agent 化的 Tableau、Informatica 和 MuleSoft，同时还需要政府认证，并重新关注其过去没有服务的细分市场。
美国联邦政府已经是 Salesforce 最大的客户，Benioff 提到了 Veterans Administration 和 GSA，以及最近一份从 Palantir 手中赢下的 US Army 合同。不过他也承认，Palantir 触达了 Salesforce 传统上没有瞄准的群体，而 Palantir 的拿单方式让他开始认真关注。
Palantir 公开价目表带来了意外反应：“我的价格太低了。”Benioff 表示 Salesforce 的价格更低、产品更易用，同时公开觊觎对方的估值：“我怎样才能拿到100倍营收倍数？”
他认为前置部署工程既有老的一面，也有真正的新意。Salesforce 本来就有销售工程师、专业服务和合作伙伴，但 Palantir 把签约前就开始建设的意愿打上品牌并落实为流程：“我们要赌一把，接下来会开始一起做生意。”

5. SaaS 应用会留下来，但界面和劳动力都会改变

Benioff 称 SaaS 将变成 CRUD 数据库集合的预测，是“对 CIO 和软件 CEO 所做的最大伤害之一”。他的反驳很直接：用户仍然需要应用，“我需要应用，也需要智能体，而且需要它们协同工作。”
Rory 把这一论点与更难的归属问题分开：Salesforce 可能继续充当基础设施，而销售人员在其数据之上使用更好的第三方界面或智能体。Benioff 接受一种生态模型：持续存在的应用功能、可互操作的智能体层，以及以 Slack 和 AppExchange 为样板的开放连接。
对小公司而言，Benioff 预期的是放大，而不是收缩。听说 Jason 的组织已经有智能体在听通话、辅导员工并把更新推送到 Slack 后，他预测 SMB 数量会“增加一个数量级”，因为创业者可以获得过去只有企业才有的能力。
就业争议仍未解决。Benioff 说 Salesforce 可以把 SDR 重新配置到销售岗位；Harry 怀疑缺乏技能的初级 SDR 能否直接转岗，而 Jason 估计 Salesforce 可能将70%的 SDR 转入企业销售或前置部署工程。Benioff 更广泛的观点是，未来的企业软件公司在人员配置和组织结构上不会完全复制过去的 SaaS 公司。

6. Meta 的 AI 重组有其合理性，但经济账仍不透明

Rory 认为 Meta 的四部分架构——纯科学、基础模型、应用，以及由 Alexandr Wang 负责的基础设施——在约200亿美元的人才收编投入之后是合理的。他的足球类比是：富有的俱乐部买下所有明星后，教练仍然要决定“谁踢前锋、谁踢中锋、谁踢边后卫”。
Harry 真正困惑的是，为什么 Nat Friedman 会放弃基金自主权，转而向 Wang 汇报，而不是向 Zuckerberg 汇报。Rory 能理解一位杰出运营者离开创投，但质疑这次转变的层级；Jason 的判断是，少数顶级圈子可能无法永久弥补放弃自己的平台和潜在 carry 的代价。
股市层面的矛盾在于，Meta 能产生现金的核心业务与新的 AI 项目脱节。Rory 说，目前的广告优化似乎更多依赖早期 AI，而不是 LLMs；这让投资者必须判断，600亿至700亿美元的支出是在创造一门生意，还是只是在消耗现金。
Zuckerberg 的过往战绩允许两种相反结果：成功可能接近讨论中赋予 Instagram 和 WhatsApp 的价值，失败则可能像 Metaverse。Jason 警告，不要过度解读 Meta 的6%波动，因为讨论中给出的 Meta beta 是1.59，Nvidia 是2.3：“beta 太高了。”

7. Anthropic 的增长轨迹，让看多逻辑与增速放缓都前所未有

据报，这轮融资从50亿美元翻倍至100亿美元，并获得4倍超额认购。Rory 的解释是稀缺性：寻求纯 AI 敞口的公募基金经理，除了 OpenAI 和 Anthropic，几乎没有其他具备规模的选择；而这些公司对资金也有明确用途——购买 GPU。
Jason 给出一种基金经济学层面的可能解释：Iconiq 和 Lightspeed 或许能调动极其庞大的 LP 与主权资本池，同时在这笔资金部署中保留可观的经济收益。他问，在 GP 层面，部署60亿美元而不是20亿美元，是否可能承担近似风险，却获得大得多的上行空间。
运营层面的案例并非表面上就站不住脚。若 Anthropic 营收从约10亿美元升至90亿美元或100亿美元，即便增速从9倍或10倍放缓到3倍，明年也可能超过300亿美元；Jason 说400亿美元可行，而 Rory 的思想实验达到500亿美元以上。
这带来两种非同寻常的可能：营收以此前未见的速度膨胀到巨大规模，或者增速比此前几乎任何公司都更快地放缓。Rory 援引企业版牛顿定律——“运动中的物体会保持运动”（things in motion stay in motion）——但承认自己仍预计增速放缓会比市场可能假设的更剧烈。

8. 1000亿美元模型营收论，需要极其昂贵的智能体

Rory 的核心估值问题是：基础模型 API 的需求更接近500亿美元，还是5,000亿美元？在较大的市场里，两大龙头拿下相当大的份额，就足以支撑当前估值；在较小的市场里，“很多人会很失望”。
1000亿美元营收目标约为 Salesforce 当前400亿美元规模的2.5倍，尽管 Salesforce 在 CRM 领域占据主导地位。Rory 的“重大顿悟”是，智能体不能只按每名工程师2,000美元计价：在足够多的用例中，它们必须削减大块人力预算，并让每名员工对应2万、3万或4万美元的价值。
他的 Salesforce 思想实验从估算为120亿美元的 Sales Cloud 开始。AI-SDR 带来的30%提升增加36亿美元智能体收入；但如果 LLM 成本占到其中20%，模型供应商只能得到7.2亿美元——即便慷慨四舍五入，也不过约10亿美元——而这还只是软件行业规模最大、相关性最强的部署之一。
Jason 给出了看多反例：他的小型组织有4个 Salesforce 席位，却名义上在11个 AI 智能体上花了约50万美元。Rory 的回答是有条件的：如果这种比例哪怕只有一部分能广泛持续，Anthropic 的这轮融资就很便宜；如果智能体新增支出只与核心软件支出相当，模型供应商能拿到的份额仍然不大。

9. 预期差正在带动 SaaS 复苏，也暴露高估值 AI 股票

Rory 不愿预测高估值 AI 市场何时破裂：“你会知道它已经发生了，因为会很痛。”高估值会放大每一次失望，最终只有两种解决方式——增长填平业绩缺口，或价格下跌——但时间表无法预知。
不过，他仍认为持仓集中度会向均值回归，并在考虑配置约5%的核心大宗商品，而非全面退出市场。他的表述是本期最清晰的市场警告：“一件事可以很棒，但仍然可能定价过高”（Something can be amazing and still overpriced）。
MongoDB 上涨27%，Box、Okta 和 Zoom 也走强，体现了相反的预期差。一旦“SaaS 已死”的叙事将一家公司的估值压到约5.5倍营收，只要超出预期几个百分点，就可能触发剧烈重估；假设 Salesforce 增速从10%加快到13%，同样会产生爆发式重估。
Jason 将反弹与 AI 基础设施需求联系起来：Lovable 和 Replit 式应用以极高速度创建 Neon 或 Supabase 数据库。Databricks 以10亿美元收购 Neon 在他看来更合理了；而 Wix 以8,000万美元收购 Base44，在该产品据报前一周创下120万美元营收后显得非同寻常——不过，这种速度也带来了持续性疑问。

10. Klarna 与 Netskope 展现两种截然不同的 IPO 格局

Klarna 以约130亿至150亿美元估值提交上市申请，此前经历 SoftBank 主导的450亿美元融资轮，以及随后约65亿美元的重新定价。增速从24%放缓至20%，Jason 称这就是 IPO 的“硬底线”（hard deck）：“拉升，拉升，拉升。”
Rory 认为交易规模会改变门槛；在约140亿美元估值下，Klarna 足够大，可以在20%增速时上市。但其人均营收达到100万美元，说明公司已经成熟；投资者应把它当作一家规模化金融服务公司，估值取决于放贷质量，而不是一家发出“软件动静”的软件公司。
他的评分毫不留情：以约60亿美元估值入场的投资者是对的，以450亿美元估值入场的投资者是错的；而“创投是一场由6,000人参与的游戏，最后 Sequoia 赢”。SoftBank 未必已经血本无归；Rory 猜测 Sequoia 不会在文件中留下大宗持股安排，但 Jason 指出可能存在 ratchet，仍需核查 S-1。若没有这种保护，Rory 预计 SoftBank 的仓位会转换为上市股份，交易价格或许只有原始买入价的30%至40%。
Netskope 提供了更清晰的增长故事：ARR 约7亿美元，增速从30%重新加速到33%，而2021年估值约为74亿美元。Rory 可以设想，需求将最初50亿至60亿美元的定价推向70亿至80亿美元，但拒绝预测再次出现 Figma 式的首日暴涨。

11. Andreessen 的72笔种子投资是项目来源，不是经济回报本身

Andreessen 完成72笔种子投资，排名第二的 Sequoia 只有27笔，因此本质上就是另一种游戏。Rory 将 Andreessen 描述为一家在各个阶段都靠数量取胜的机构，并认为它是硅谷最大的资本募集者；如果作更偏后期的比较，Insight 另当别论。
这套策略的成败不会由种子投资的整体回报决定。种子轮是“超市里的便宜牛奶”：一种引流品，用来筛出少数真正的异常值项目；之后，Andreessen 可能要像 Databricks 案例那样继续投入10亿美元，并以足以让赢家托起整个投资平台的价格继续下注。

12. 共识能保护融资，但价格仍决定回报

Martin Casado 的论点是，早期的非共识 alpha 很危险，因为后续资本会越来越向共识靠拢。Rory 表示认同：OpenAI 在2016年可能还是非共识，但类似的逆向下注也许有90%失败；相比之下，SaaS 和公有云等共识主题在很长时间里形成了可投资的浪潮。
Jason 给出了当前的集中度数据：10笔交易吸收了40%的风险资本，而曾经投资 B2B 的投资者如今几乎全部聚焦 AI。他给处在这股中心之外、同时做 B2B+AI 的优秀创始人的建议很残酷：“别指望拿到任何钱”（Don’t expect any money）；他平时转介的项目中，大约80%可能连投资人见面都约不到。
Harry 的投资委员会刚看到一家金融科技公司在一年内做到500万美元 ARR，但因为“它不是 AI”而失去兴趣。Rory 的答案不是放弃它，而是以基于基本面的价格买入，同时保持资本效率，因为下一轮融资不会带着“魔法仙尘”降临。
关键区分在于技术共识与估值共识。Agent 化软件可能是未来20年的行业方向，因此在技术方向上逆势下注并不明智；但这并不能成为支付“超出人类想象”价格的理由。共识可以消除一个维度的风险，却同时诱发灾难性的过度支付。

13. 错过 AI 的关键判断，是低估了资本形成本身

回头看，Rory 希望自己在顺势的 AI 投资上押得更多，同时也后悔拒绝了3、4笔非共识交易。纠偏的关键，是记住那些消失的“90笔非共识下注”，以及共识公司如何在其他投资人的资本托举下活得足够久，从而继续学习。
他最大的分析失误，是低估了规模定律与 Sam Altman 让市场相信这些定律、并解锁约6000亿美元年度资本开支的能力之间的联动。这堵资金高墙惠及基础模型、Nvidia、推理服务商，以及几乎所有与“做 AI”沾边的东西。
如果他当时预见到这种融资能力，Rory 说自己会“砸碎玻璃”，抛开传统财务模型，买入更多模型和推理敞口，即便价格看起来很高。他最后的自我修正保留了这种模糊性：也许在必须做出决定性投资时，规模定律还不是共识——这正是投资不能被简化为“共识与逆向”的口号的原因。

降息能拯救加密货币牛市吗？拆解神经网络机制：Goodfire 的 Lee Sharkey 谈基于参数的可解释性