Ben Thompson的Stratechery是科技分析领域的标杆，但最近他对AI泡沫的判断，可能漏掉了几个关键变量。
Thompson的核心论点是：当前AI投入与产出严重失衡，资本开支像互联网泡沫时期一样失控。这个框架本身没问题——但他用来对比的参照系，选得不太对。
第一个盲区是技术迭代曲线。2000年的光纤和数据中心建完就建完了，没有自我改进的可能。但AI基础设施不同：英伟达的B200、明年的Rubin架构，推理成本每年下降一个数量级。这意味着今天的"过度建设"，可能两年后就变成刚好够用。Thompson的模型里没有给这种动态压缩留位置。
第二个盲区是收入确认的滞后性。他援引的"AI收入占比低"数据，主要来自传统软件公司的财报。但真正的信号在别处：Anthropic的年化收入已经突破20亿美元，OpenAI的付费企业用户超过200万，Midjourney和Cursor这类原生AI产品根本没有上市，自然不会在财报里出现。用旧经济的尺子量新大陆，得到的一定是泡沫。
第三个盲区最隐蔽：Agentic AI的落地速度被低估了。Thompson写分析时，Devin和类似产品还没大规模开放测试。但现在的情况是，编码Agent已经能处理真实工单，客服Agent开始替代L1支持团队。这不是"未来可能"，是正在发生的成本重构。企业客户的采购周期确实长，但一旦过线，续约率和客单价都远高于传统SaaS。
当然，Thompson的预警有价值。部分AI公司的估值确实离谱，某些垂直场景的"AI化"是伪需求，大模型API价格战也让独立开发者的生存空间收窄。但这些是结构性分化，不是全局泡沫的证据。
更准确的描述可能是：AI正在经历2000年还是2008年的争论，本身就不成立。它更像云计算的早期——AWS前五年也被质疑"亚马逊在烧钱建没人用的东西"，直到弹性计算的概念被重新理解。现在的AI基础设施，正在等待自己的"弹性时刻"。
Thompson的读者群是高管和投资者，他的保守立场是一种风险对冲。但对于实际在做产品的人来说，更值得问的是：你的使用场景里，AI的边际成本什么时候会低于人工？这个临界点一旦到来，"泡沫"叙事就会瞬间翻转。而历史反复证明，等共识形成时再入场，已经晚了。
热门跟贴