AI 使用的经济学与 SaaS 的下一步 | a16z 上的 Benedict Evans

摘要

• 智能体编程是 AI 首个毋庸置疑实现产品市场匹配的场景，但几乎所有更广泛的市场结构问题仍没有答案。 Evans 说，它已经从“有点有用”变成了“真正改变一切”，客户几乎是在把产品从供应商手里拽走。但由于 6 个月前这件事还几乎行不通，预测 3 年后的工程团队结构、初级工程师招聘或软件职业走向，都是“疯了才会这么做”。

• 基础模型在结构上似乎注定走向商品化的经济模式，除非其提供商能够证明持久的差异化，或向价值链上游迁移。 Evans 看不到明确的网络效应，除了砸钱之外也看不到多少差异化；客户不太可能关心一个 SaaS 产品底层由哪个模型驱动——正如他们很少会问它托管在哪家云服务商上。他有意保留余地地提出挑战：按现有逻辑，这些东西“看起来确定会成为商品”，所以“请解释为什么它们不会”。

• 今天的 token 经济学属于过渡性的稀缺状态，并不是永久定价权的证据。 用户可以花 20 美元获得“价值 1 万美元的 tokens”，也可能意外收到 1 万美元账单，这让人想起 2009–10 年前后的移动数据。随着可能到来的 1 万亿美元–2 万亿美元资本开支，以及模型效率每年提升“100x、200x”，供给、使用、价格和 ROI 必须寻找新的均衡。

• 移动网络的先例表明，巨量使用和基础设施投资未必能转化为有吸引力的回报。 移动流量增长约 1,500–2,000 倍；网络运营商合计年收入约 1 万亿美元、每年资本开支约 2,000 亿美元，但相关股票 20 年来基本横盘，而“所有酷东西都是别人造的”。投资者真正要问的是，模型会变成低毛利基础设施，还是获得类似操作系统的杠杆——Evans 指出，模型目前并不具备这种能力。

• AI 很可能创造“多得多的软件”，但这并不能说明哪些既有 SaaS 公司能够存活。 更低的开发成本、此前不可能实现的功能，以及概率模型与确定性系统的新组合，都将扩大供给并加剧竞争。Evans 预计，一定比例的 SaaS 公司会被淘汰，但认为投资者无法有足够把握地识别它们，不足以支持把整个板块估值一律下调 50%。

• 最大的机会将来自制造此前不可能存在的产品，而不只是用 AI 重做旧软件。 Evans 的例子从在图片中找到一件外套，进阶到推荐替代品，最后从用户的 Instagram 中挑出一件能改变其风格“但不要变化太大”的外套；企业系统则可能综合通话、邮件、遥测数据和分析，推荐有助于降低客户流失率的价格调整。“重要的不是把旧事做得更多，而是做一件用旧东西做不到的新事。”

• 财务约束会在技术可行性之前遏制 AI 资本开支，而由此产生的大部分价值可能会在竞争中转化为消费者剩余。 Microsoft、Meta 和 Google 的资本开支占收入比例都将超过 50%，四大公司的指引合计约为 7,000 亿美元；Evans 说，世界根本承受不起每年 10 万亿美元的 AI 基础设施投入。即便 AI 把一份耗时 1 周的 DCF 变成 10 秒钟的任务，公司也可能在不额外收费的情况下做 50 次分析——直到今天的“魔法”变成计算机仿佛一直都会做的事情。

精读

1. 编程智能体率先跨过产品市场匹配门槛

• Evans 自上次演讲以来最大的更新是，产品战略已经不再围绕“更快地做出更大的模型”，而是发生了分化；编程智能体已经成为唯一真正实现产品市场匹配的用例：“客户正从你手里把它拽走”（The customers are pulling it out of your hands）。

• OpenAI 看起来像是在“同时做所有事情”，几乎像是让 ChatGPT 列出 15 种在基础设施之上创造价值的路径，然后一条不落地全部推进。资本更少的 Anthropic 则集中攻克编程并让它跑通了——究竟是有意为之的战略，还是摸索出来的结果，仍不清楚。

• 编程在方向上是可预见的，因为开发者是最早一批用户：人们拿到 PC 后做的第一件事就是编写计算机程序，而如今拿 LLM 做的第一件事——“从某种意义上说，LLM 就是计算机”——也是创造更多算力。突破发生的时间和智能体能力突然跃迁的方式，并不能确定性地预测。

• 在编程之外，采用情况仍从两端分化：一端是硅谷用户在 Mac Studio 集群上持续运行 OpenClaw，另一端是只会说“嗯，有点用，我上周拿它做了件事”的人。更普通的企业需求正按一条条工作流落地，例如一家低毛利大宗商品公司用 LLM 预测小型生产商何时会付清发票款。

• ChatGPT 的各项数据、模型规模、资本开支和使用量仍在增长，但 Evans 说，模型是否会出现赢家、模型能否沿价值链上移并攫取价值、它们究竟能完成多少工作，以及消费者会不会从每周使用转为每日使用，仍是未解问题。

2. 仅有 6 个月的可用技术无法揭示 3 年后的劳动力市场

• Erik 问编程智能体对初级工程师、高级工程师、团队组织和职业发展意味着什么。Evans 直截了当地回答：“我觉得我们什么都还没学到”——6 个月前，这项技术还不是这样运作的，所有人仍在仓促摸索如何解读它。

• 把此前分配给初级工程师的工作自动化，会让旧问题立刻变得现实：公司为什么要招聘初级员工？他们被招来究竟是做那些工作，还是做别的事情？Evans 说，这些问题现在已经是真问题，而不再只是理论问题。

• Evans 拒绝根据聚会轶闻或当前定价扭曲得出自信预测。实践需要数年才能稳定下来；任何声称知道 3 年后软件工程职业会是什么样的人，都是“疯了才会觉得现在就能知道”。

3. 移动数据揭示，爆炸式需求可能摧毁基础设施的定价权

• 比较采用率时，必须把累积形成的基础设施纳入考虑。Marc Andreessen 做 Netscape 时，全球只有数千万台 PC，因此不可能支撑每周 9 亿用户；后来的每一代平台都会继承此前建成的设备、网络和消费者习惯。

• 早期平台迁移也往往从不稳定的产品，以及一小群愿意投入精力把它们调通的用户开始。把这种产品变成用户只需按一下按钮就能使用的产品，需要时间。

• AI 当前的定价困境类似 2009–10 年前后的移动数据：有些用户收到了 5,000–10,000 美元的账单，而 AT&T 的固定费率 iPhone 套餐鼓励用户用 3G 看视频，直到网络容量不堪重负。如今，20 美元可以买到“价值 1 万美元的 tokens”，几天试验就可能产生 1 万美元账单。

• 移动运营商最终通过流量上限、套餐、公平使用政策和限速，使成本、价格与用户感知价值对齐。此后流量增长约 1,500–2,000 倍；如今该行业年收入约 1 万亿美元，每年资本开支约 2,000 亿美元，但其股票 20 年来基本横盘。

• 令人不安的类比是，运营商建成了改变全球的基础设施，但价值却向上游迁移。Evans 对 AI 的核心问题是，模型会成为按接近边际成本出售的商品化基础设施，还是成为“能够决定什么会被建造”的操作系统层；与 Windows 或 iOS 不同，模型目前没有可比的网络效应。

4. 模型商品化论很强，但并非定论

• Evans 看不到让一个模型长期、从根本上优于所有其他模型的明显路径。产品可以突出不同特性，用户也可能偏好某个模型，但表面上真正的竞争杠杆主要是“你愿意花多少钱”，而不是 Instagram、YouTube 或搜索那样的网络效应。

• 聊天机器人也是一个“奇怪且受限的 V1 界面”。大多数专业任务都需要正确的数据、配置、控制、工具和界面；会做一项工作，不等于懂得如何设计产品，正如优秀的财务顾问未必就是应该设计 TurboTax 的人。

• Skills 和模板可以弥合部分缺口，但用户最终会超越它们，就像部门会超越 Excel 一样。模型实验室不可能构建每一个应用，正如 Microsoft 或 Apple 不可能构建每一个 Windows 或 iPhone 应用；企业买家通常也不会要求第三方 SaaS 统一使用 Claude 或 OpenAI。

• Evans 设想，也许会有 3–6 家前沿模型提供商，加上边缘模型和开源模型，年投入规模在 2,000 亿美元–2 万亿美元之间，但具体数字并不确定。Google 的广告业务也使其面对与 OpenAI 不同的定价激励。不过，最终只剩 2 家实验室、产品价值被模型层吸收，或出现新的价值链上游杠杆，都可能推翻他的商品化判断：历史类比“不具备预测价值”。

5. AI 的关键问题正从硅谷转移出去

• 一旦平台结构变得清晰，Evans 就会转向别处：“当你理解了某件事，知道它如何运作以及将会发生什么时，就是你该转向其他事情的时刻。”此时“一切都还未定”，就像 Android 与 iPhone 之间“开放胜过封闭”的结论，曾经也显得显而易见。

• AI 对法律、银行、咨询、广告和专业服务金字塔的影响，越来越是行业问题。Evans 将其比作 Netflix：技术让这家公司成为可能，但真正重要的决定——节目、人才、奖项、电影和体育——最终成了洛杉矶的问题，而不是旧金山的问题。

• 与早期平台迁移不同，生成式 AI 没有可知的物理边界。Evans 说，录音结束后，人们可能看一眼手机，就发现某个新模型因为意外突破而只按“原价的 2%”收费，尽管他认为这种情况不太可能。

• 其他未决问题包括，旧模型、开源模型或端侧模型是否会变得足够好，以及多少算力能够迁移到设备上。由于编程目前是唯一明确实现产品市场匹配的领域，另一个问题是，下一个突破会出现在法律、银行，还是其他领域。

• Evans 提到，run rate 已从约 90 亿美元升至 470 亿美元，随后强调，所说的增长全部来自软件：“这全都是软件，对吧？”

6. 自动化的真正回报，在于释放原本不存在的需求

• Evans 为每个行业提出几项检验：成本下降后，是用更低成本获得同样产出、以同样成本获得更多产出，还是让产出和支出都继续增加——这就是杰文斯悖论所问的问题。它是否消除了进入壁垒、释放了某种商业模式，或让此前无法想象的活动变得可行？

• 拥有一台印刷机曾是报纸的护城河；去掉这项成本会改变竞争。更进一步，蒸汽机让火车成为可能，而再多的马也无法复制它；Spotify 则让人们每月花 15 美元就能获得所有录制音乐——这在此前从物理上不可能实现。

• 即使横向预测正确，也可能掩盖行业特有的结果。互联网摧毁了实体分发的价值，却重创报纸，对电影制片厂的改变小得多。“要看情况”在这里不是推诿，而是核心机制。

• 在新平台上重做旧产品，是与之相伴的谬误：Google Docs 在 Web 上复刻了 Office，可能拿下约 20% 的份额，但那不是最深层的机会。卓越的创业公司“填补宇宙中的一个空洞”（fills a hole in the universe）——它们往往解决的是行业自身都不知道存在的问题，这正是通用模型无法简单“把整件事做完”的原因。

7. 商业场景展示从相关性到高阶意图的跃迁

• 广告市场规模约 1 万亿美元，零售市场规模 25 万亿美元，因此，更好地理解产品具有重大的经济意义。Google、Meta 和 Amazon 传统上知道 SKU、出版商元数据和共同购买关系，却不知道人们为什么购买某件东西；所以才会把一次购买马桶圈理解成建立一套收藏的起点。

• Evans 对消费者需求的递进描述从一张外套照片开始：识别它并说出哪里可以买到；然后推荐 10 件不同价格、列出优缺点的相似外套；最后查看 Instagram，推荐一件能改变用户风格“但不要变化太大”的冬季外套。3 年前，最后一步还是科幻；如今看起来已经做得出来。

• 企业版则是把录制的 Zoom 通话、Salesforce 中的邮件、产品遥测和分析数据结合起来，回答：“我们应该如何调整价格，才能改善客户流失？”这比给愤怒来电者做情绪评分高出一个抽象层级；而 Google 和 Facebook 转化率、广告指标的上升，已经反映出 AI 正进入推荐和预测系统。

8. AI 将让软件倍增，同时重排 SaaS 格局

• 软件会变得更便宜、更快构建，此前不可能实现的功能将变得可用，竞争也会加剧。利润率和定价结构仍未确定：按结果收费听起来很有吸引力，但把企业软件的每一次按钮点击都对应到损益表，往往并不现实。

• Evans 将今天的企业软件版图分为几类：SAP、Workday 这类大型横向系统；CRM、人力资本管理和薪资软件；垂直应用；以及由邮件、电子表格和共享文件系统临时拼成的中间地带。一家大型美国公司可能拥有 300–400 个 SaaS 应用，另外还有约 1,000 个在本地运行的自建或采购应用。

• 规模决定选择：PwC 大规模招聘应届毕业生，值得配备专用软件；一家只招聘 5 名应届毕业生的公司则可以使用邮件和共享 Google Sheet。LLM 又增加了更多选项——直接完成任务、扩展 Salesforce、增强垂直应用，或生成一个定制工具，而它可能成为明天那张来历不明的 10 MB 电子表格。

• 模型可以位于底层，成为受控的 Salesforce 功能；也可以位于顶层，综合 Salesforce、Workday、邮件和分析数据。答案可能是两者兼有：概率型软件负责解释，确定性数据库保留可靠状态。结论是“更多软件——多得多的软件”（more software—like, way more software），尽管会有多少既有公司被淘汰、占比多少仍不可知。

9. 隐性工作流与财务约束限制这场转型

• 软件公司和战略咨询顾问都会观察企业如何运作，并提出更好的工作流；前者把它编码进软件，后者则把它落实为流程、组织架构、培训和激励机制。大量实际运作并未被记录，包括员工奖金制度奖励他们无视既定战略的情况。

• 这正是 Bain、BCG 和 McKinsey 仍有价值的原因：它们可以跨越组织边界，发现工作实际如何发生，并提供一个管理层可以采用、也可以甩锅的外部答案。这类隐性知识很难封装进一个只会说“做一份 PowerPoint”的 Claude skill。

• 资本面临更硬的边界。Microsoft、Meta 和 Google 的资本开支都将超过收入的 50%，而电信行业为 15%–20%；四大公司的指引合计 7,000 亿美元，相比之下，电信行业约 3,000 亿美元，石油和天然气行业为 7,000 亿美元–1 万亿美元。“我们不可能每年花 10 万亿美元”，因为这样的资本根本不存在，而一款前沿模型可能只在“3–6 个月、6–9 个月，或者你想怎么说都行”的窗口内保持相关性。

• ROI 可能以消费者剩余，而不是更高利润的形式出现：如果一份 DCF 从 1 周缩短到 10 秒，分析师可能在不额外收费的情况下做 50 份；咨询顾问可能在相同收费和成本基础上完成 5 倍的分析。Evans 最后引用 IBM 在 1950 年代初的承诺：电子计算器“能给你增加 150 名工程师”；如今的魔法最终会变得不可见——“计算机一直都能做到这些”（Computers have always done that.）。