AI时代，投资逻辑正在被彻底重写|中间件|工作流|应用层|时代

你有没有想过，风险投资这件事可能已经从根本上变了？不是微调，不是迭代，而是底层逻辑整个换了一套。最近我看了一期 a16z 的播客，Jen Kha 和 David George 与 Accolade Partners 的 Aram Verdiyan 坐在一起聊了将近一个小时，话题只有一个：AI 时代，投资人到底该怎么想？

我听完之后有几个地方让我反复想了很久。不是因为结论有多新鲜，而是因为他们把一些我隐约感觉到却说不清楚的东西，讲得非常透彻。我想把这些观点整理出来，加上我自己的理解，认真跟大家聊一聊。

Power Law（幂律）变了，而且变得更极端了

Aram 在对话里说了一个数字，我觉得非常震撼。他们研究了美国3000家风险投资机构过去二十年的数据，发现只有20家在这二十年里持续实现了3倍净回报。不是20%，是20家，连1%都不到。

这个数字本身已经很说明问题了。但更有意思的是 David 接下来说的话，他说现在的 power law 比过去10到20年更极端，而且他认为原因是第一次出现了一种情况：你可以直接把钱砸给一家公司，这笔钱会直接复利放大它的竞争优势。

这句话我想展开说一下，因为它触及了 AI 时代一个非常底层的变化。过去，给一家初创公司砸太多钱往往是灾难性的。钱多了，公司开始大量招人，招了一千个人之后，协调成本、优先级冲突、管理层级全部涌现，反而把公司搞垮。钱和增长之间的关系不是线性的，甚至可以是负的。

但现在完全不一样了。你把钱砸给一家顶尖 AI 公司，他们拿这笔钱买算力（compute）。算力直接转化成更强的模型，更强的模型直接转化成更好的产品，更好的产品直接转化成更深的竞争壁垒。这个链条几乎没有摩擦。所以钱不再是会把公司撑死的东西，而是真正意义上可以复利的燃料。

我自己对这件事有一个更深的理解。过去软件公司的护城河来自品牌、网络效应、数据积累，这些都需要时间慢慢沉淀，钱买不到速度。但现在 AI 公司的护城河有一大块直接来自算力，而算力是可以直接用钱买的。这就是为什么 power law 变得更极端，领先者可以用资本直接加速甩开追赶者，而不是像以前那样靠时间熬出来的。

但我想在这里加一个让自己不安的问题：如果资本可以直接复利放大竞争优势，那这场游戏的本质是什么？它会变成一场资本密度的比拼，而不是创新速度的比拼吗？我觉得这个问题还没有确定的答案，但它值得我们一直盯着看。在某些基础模型层，这个趋势已经很明显了。而在应用层，创新速度目前还是比资本密度更重要的变量，但这个平衡点会不会随着时间推移而移动，我认为是整个 AI 时代最值得持续观察的问题之一。

AI 的 TAM（可寻址市场）根本不该用软件的方式来算

Aram 提出了一个我觉得非常关键的认知框架。他说，如果你用传统 SaaS 的方式来算 AI 的 TAM，你会严重低估它。他举了医疗行业的例子：医疗 IT 软件市场大概每年600到1000亿美元，但 AI 实际上攻击的是医疗行业的劳动力本身，也就是保险理赔、账单处理、行政管理这些，那是一个万亿级别的市场。AI 同时在冲击交通、劳动力、服务、资本、协调这五大 GDP 组成要素，历史上从来没有一个技术范式同时打在30万亿 GDP 上。

David 接着补充了一个数字，美国经济中劳动力支出是软件支出的40倍。他说这不意味着劳动力会消失，而是劳动力会被重新发明。AI 真正在做的事情，是攻打"任务的经济价值"本身，而不只是软件订阅费。

对话里还有一个细节，他们的法律顾问说，自从客户开始用 Harvey（一款 AI 法律助手）之后，客户能真正跟律师在专业问题上进行实质性讨论，而不是什么都只能依赖律师。结果律师的计费小时数反而增加了，因为对话变得更深入、更有价值了。这个例子说明 AI 带来的是扩张性增长，不是零和博弈。

我对这个框架有自己的延伸思考。过去我们评估一个赛道的天花板，习惯用"软件渗透率"这个维度，也就是说原本由人工完成的工作，有多少比例可以被软件替代，然后乘以这部分软件的定价。但这个框架预设了软件的价值上限是"被它替代的人工成本的某个折扣"。AI 打破了这个预设。一个 AI 系统可以不只是替代某个岗位，它可以做到这个岗位的人无论如何也做不到的事情，比如同时分析十万份合同，实时监测所有患者数据，24小时无间断响应。在这种情况下，AI 的定价基准不再是"人工成本的折扣"，而是"它创造的增量价值"。这个价值可以远远超过被替代的人工成本本身。这才是 TAM 真正的计算方式，也是为什么很多人会持续低估 AI 的市场规模。

什么叫真实的 AI 增长，什么叫假的

这一段是我听完整期节目之后觉得最接地气的部分。David 说现在市场上有一种很普遍的现象，一家公司从加速器出来，一个月内 ARR（年经常性收入）从零冲到几百万，但背后的问题是这些收入很可能没有经过续约周期的验证，甚至有时候是同一个 cohort（同批次）里的公司在互相购买对方的服务，而且有些所谓的 ARR 根本不是真正的年度合同，只是月度收入乘以12。

他说他对这类情况的判断标准只有一个问题，始终贴在他电脑屏幕上：市场是不是在真实地拉动这个产品？

他还举了 Harvey 的例子。早期 Harvey 的用量数据看起来很一般，比很多普通软件公司都差。但推理模型出现之后，使用量突然垂直拉升，客户端直接从"我们害怕幻觉问题"翻转到"我们的客户要求我们必须用这个产品"。他说正是这种信号，才是他们真正在寻找的东西。要找到这个信号，你必须往下走一层，人人都能做 cohort 分析，人人都能看续约数据，但真正的判断力在于理解市场纹理，理解客户真正需要什么、他们还有哪些替代选择，以及他们为什么真的离不开你的产品。

我在这里想加一个自己的观察。现在很多 AI 产品的增长是被新鲜感驱动的，用户在前三个月因为好奇而使用，但三个月之后就流失了。真正健康的 AI 增长有一个非常具体的特征：使用深度在增加，而不只是使用频率在增加。用户不只是每天打开，而是把它整合进了自己最核心的工作流，一旦停用就会感到明显的损失。这个特征很难伪造，也是我判断一个 AI 产品是否真正有价值时最看重的维度。频率是可以靠推送和提醒堆出来的，但深度只能靠真实的价值支撑。

旧的 SaaS 公司，正在进入最难熬的阶段

这是整期播客里我觉得最残酷但也最诚实的部分。David 说有一位创始人找他私下谈，说"别给我播客答案，直接告诉我真相"。他的回答是两件事可以同时为真：AI 是有史以来最大的变革，同时那些能适应的软件公司还是会有持续的价值。但适应的成本极高。

Aram 分析了2021到2022年的 LBO（杠杆收购）软件交易数据，当时大概有两到三千亿美元的软件公司被收购，平均估值是 EBITDA（息税折旧摊销前利润）的25到32倍，背后背着大量债务。现在这些公司的估值可能已经腰斩，杠杆比率飙升，公开市场给 SaaS 公司的估值倍数已经从几年前的几十倍砸到了两倍营收。更糟糕的是，买家开始第一个问的问题变成了：这家公司对 AI 的抵抗力有多强？而这个问题很多公司没有好的答案。

Aram 用了一个比喻让我印象很深：把 Sears 放到网上不会变成 Amazon，因为 Amazon 是从物流基础设施重新构建的，不只是换了个界面。很多被 PE（私募股权）支持的公司现在做的事情，就是在原有产品上贴一层 AI 功能，然后叫它"AI 转型"。他说他们观察到有些公司第一件事就是上线 AI 客服 agent，结果因为没有真正改造工作流，客户流失率反而上去了。每一个 NPS（净推荐值）的下降都直接对应营收下滑，然后在债务压力下开始螺旋下行。

我想在这个基础上说一个自己观察到的更深层问题。真正的 AI 转型之所以难，是因为它要求你承认：你现有的产品逻辑本身可能需要被推翻重来。就像 Intercom 的案例——把创始人请回来，几乎把原有业务主动杀掉，从 AI native 的角度重新造一个产品。这件事在有债务压力的 PE 结构下几乎不可能完成，因为你需要一段时间忍受阵痛，而债务利息不会给你这个时间窗口。更关键的是，这种转型需要创始人级别的决断力和对产品的深度理解，而大多数 PE 收购之后的管理团队并不具备这种能力。David 说得很直，你不能只是派一个运营合伙人过去，说"我们来做 AI 化"，然后期待奇迹发生。这不是资源问题，是基因问题。

风险投资的"中间死亡地带"

David 和 Aram 反复提到一个词：death of the middle（中间层的死亡）。他们的意思是，现在风险投资这个行业里，能活得好的只有两类机构：一类是专注于非常细分领域、在 AI 非常早期就深耕的小基金；另一类是能从 seed（种子轮）一路跟到 IPO 的全生命周期大基金。中间那层——基金规模不上不下、既覆盖不了最早期又没有能力做大规模 growth equity（成长期股权投资）的机构——正在越来越难生存。

背后的逻辑是创始人的行为已经改变了。David 说得很直接：创始人选投资人，首要考虑的是谁能帮他们降低风险、增加成功概率，而不只是谁给钱多。顶级基金靠品牌和资源积累出来的势能，让他们能看到所有热门项目；而中间层的机构既没有这个品牌优势，又没有足够的资源在创始人最需要的关键节点上提供支撑。

Aram 对 LP（有限合伙人，即基金的出资方）说了一个非常实用的建议：如果3000家机构里只有20家持续做到3倍净回报，那 LP 的组合里如果放了五六十个 VC 机构，几乎可以确定整体收益就会趋向平均。而平均风险投资回报过去十年只有1到2倍净回报，不如私募股权，更不如公开市场，还要锁定资金十年。所以正确的做法是高度集中在那15到20家机构上，而不是广撒网。

这里我有一个自己的判断。power law 不只在被投公司层面存在，它在投资机构层面也在加速强化。大基金可以用算力做更好的行业研究，用数据网络更早发现头部公司，用品牌吸引更好的创始人，用资源帮助被投公司加速成长——这些优势都在随着 AI 的发展变得更难复制。所以我认为未来十年，VC 行业本身的集中度会比过去更高，不只是被投公司层面的 power law，机构层面的 power law 也会越来越明显。对于想进入这个行业的人来说，"成为那20家之一"这件事的门槛，只会越来越高。

如何在 AI 时代分辨哪层会赢

对话里一个很关键的讨论是：AI 价值链的哪一层最终会赢？是基础模型、应用层还是中间件？

David 的回答很有意思。他说他们经常被 LP 问这个问题，但他的答案是：我不知道，而且这个问题本身可能就问错了。因为市场足够大，可能所有层都会赢。他说他们努力的方向是不要用零和思维去看这件事，不要说开源做好了对闭源实验室就是坏事，或者说应用层赢了基础模型就会输。

Aram 用更实用的方式补充了这个观点。他说现在公开市场里只有大概15到20家公司的市值还在10倍营收以上，而这些公司无一例外都在展示 AI 带来的增长加速，不管它们在安全监控、部署工具还是 agent 这些方向上。资本市场已经在用行动投票了。

但我想加一个更审慎的判断。"所有层都会赢"这个结论在宏观层面成立，但在微观层面，每一个具体类别里，赢家通吃的逻辑依然非常强。David 自己也说了，在任何一个具体类别里，第一名拿走绝大部分市值，第二名是在为残羹而战。所以正确的思路可能是两层叠加：宏观上相信 AI 的多层并行繁荣，但在每一个具体赌注上，极其清楚地判断这个类别里谁能成为第一名。因为在 power law 更极端的世界里，"做对了赛道但压错了选手"这件事的代价，比以前更高。

未来最大的机会在哪里

最后这段是我整期听下来最兴奋的部分。David 说消费者 AI 现在还处于"拟物化阶段"——用聊天界面来包装 AI，就像早期智能手机应用用数字按钮来模拟真实按钮一样，这只是过渡形态。真正 native 的消费者 AI 应该是主动的、代理式的，能在你不主动发起对话的情况下主动帮你做事。这个产品形态现在几乎还不存在，但一旦出现，规模会是现在能想象的好几倍。他还说机器人技术会比语言 AI 更大，会在未来十年内发生；医疗领域占 GDP 的18%，但几乎没有被 AI 真正触动，不管是医疗服务交付还是药物研发都还处于非常早期的阶段。

Aram 从供给侧提出了另一个非常实际的观点：AI 现在最大的瓶颈不在需求侧，而在供给侧。能源、电网、数据中心、芯片，这些才是 AI 扩张的真正制约因素。美国不缺能源生产能力，缺的是速度——许可证审批、输电线路建设、监管流程，让电力从产生到送达数据中心需要太长时间。这个瓶颈如果打开，本身就是数千亿美元级别的机会。

我自己思考下来，有一个让我印象很深的数字：David 分享，美国企业每个员工平均每月在 AI 工具上的花费是12美元，而数据集中前1%的公司花的是7000美元。这个将近600倍的差距意味着什么？它意味着大多数公司和个人还完全没有进入真正用 AI 的阶段，AI 的扩散还处于极早期。全球有15亿知识工作者，真正被 AI 深度触达的比例可能还不到1%。

所以那些担心 AI 泡沫的人，我觉得可能混淆了两件事：估值高不等于泡沫，泡沫的定义是实际需求不存在或者需求是虚假的。但 AI 的需求是真实的、可验证的，而且几乎还没有开始被真正满足。我们现在所处的位置，更像是互联网刚刚开始普及的1990年代中期，而不是2000年泡沫顶峰的前夜。那时候也有人说互联网估值太高，从结果来看，那些人的错误不是判断太激进，而是判断太保守——他们没有想到的，是互联网最终改变了几乎所有人做几乎所有事情的方式。AI 这次可能也是一样。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。

两个“特别坑”的AI产品创业方向，你知道吗