超越模型的 AI 机遇

AI 的基础设施层占据了所有头条，但 a16z 应用团队押注真正的财富创造发生在上一层。在这份投资者演示稿中，四位合伙人阐述了一个框架，说明了 AI 应用价值集中在哪里，为什么这个周期与之前的平台转变有着根本的不同，以及如何判断哪些初创公司将建立持久的业务，哪些将被商品化。

历史上最快的平台转变

Alex Rampell 首先将 AI 置于 PC、互联网、云和移动的谱系中。每个周期都遵循相同的模式：基础设施公司构建底层，然后应用公司在顶层捕获大部分经济价值。这次的不同之处在于速度。云大约花了十年时间才达到 5000 亿美元的企业软件收入。移动大约花了七年时间。AI 有望进一步压缩这一时间线，企业 AI 的采用已经产生了实际收入，而不仅仅是试点项目。

从 1977 年至今的纳斯达克图表说明了这一点。每个主要产品周期最初从外部看起来都像一个泡沫，但幸存下来的公司会成为世代相传的公司。Rampell 认为，当前的 AI 浪潮也不例外。基础设施参与者（NVIDIA、超大规模企业）已经获得了回报。问题是哪些应用公司将成为 AI 时代的 Salesforce 或 Shopify。

三个投资论点

a16z 应用基金围绕三个不同的类别组织其 AI 投资，每个类别都有不同的竞争动态和防御能力。

论点 1：传统软件走向 AI 原生

每个现有的软件类别都将以 AI 为核心进行重建。这不仅仅是将聊天机器人添加到遗留软件上。而是要从第一性原理出发，重新思考整个工作流程。

Rampell 使用 Expedia 与旅行社的类比。当互联网出现时，Expedia 不仅仅是将旅行社的电话簿数字化。它围绕互联网所能实现的功能，重建了整个预订体验。同样的事情现在正在发生：AI 原生公司并没有在旧的范式中添加功能；而是在重新构想当智能成为一种商品输入时，软件应该做什么。

这里的竞争动态是微妙的。在某些类别中，现有企业具有巨大的分销优势，并将成功地整合 AI。在另一些类别中，AI 原生初创公司具有结构性优势，因为旧的架构根本无法适应新的范式。团队的任务是弄清楚哪个是哪个，按类别区分。

论点 2：软件吞噬劳动力

这是最具变革性和最具争议的论点。软件首次可以直接取代人类劳动力，而不仅仅是提高人类的生产力。这种区别对于市场规模的确定至关重要：如果你的软件取代了一名年薪 20 万美元的员工，那么你的潜在市场是以劳动力成本来衡量的，而不是软件预算。

“There are 3,000 financial institutions in America that all have a bunch of people that are picking up the phone and making calls. If you can automate 80% of those calls, that’s not a software sale. That’s a labor replacement sale.” 美国有 3000 家金融机构，都有一群人在拿起电话打电话。如果你能自动化 80% 的电话，那不是软件销售，那是劳动力替代销售。

David Haber 用 Salient 来说明这一点，Salient 是一家为金融服务提供 AI 语音呼叫的投资组合公司。当借款人拖欠汽车贷款 30 天时，传统上会有人打电话给他们。Salient 的 AI 端到端地处理该呼叫，包括处理关于付款计划、困难计划和监管要求的复杂对话。该公司不是在销售 SaaS 席位；而是在销售过去由人类完成的工作的输出，并根据劳动力成本定价。

定价模式遵循价值：这些公司按每次呼叫、每次解决、每次结果收费，而不是按席位收费。这从根本上改变了软件业务的经济性，有可能创造比传统 SaaS 更大的收入池。

论点 3：围墙花园

最具防御能力的 AI 公司将是通过其工作流程积累专有数据的公司，从而创建一个竞争对手无法复制的飞轮。

Anish Acharya 阐述了这一逻辑：如果你使用的是具有商品数据的商品模型（GPT、Claude、Gemini），那么你没有护城河。一旦出现更好的模型，你的产品就会被商品化。但是，如果你的应用程序通过客户使用生成独特的数据，并且该数据使你的产品明显更好，那么你就建立了一个围墙花园。

“When we first saw a wave of AI companies, many of them were just better prompting on top of the same model, on the same data. That’s a feature, not a company.” 当我们最初看到一波 AI 公司时，它们中的许多只是在相同的模型、相同的数据之上做更好的提示。那是一个功能，不是一家公司。

测试很简单：公司使用得越多，就越好吗？如果竞争对手明天推出具有相同模型的公司，他们是否需要多年的累积数据才能与你的表现相匹配？如果是，那么你就有护城河。如果没有，你就是一个薄包装。

案例研究：Eve 和法律 AI

Eve 代表了法律行业中“软件吞噬劳动力”的论点。该公司自动化了传统上需要初级律师以每小时 500-800 美元的价格计费的法律工作。Eve 有趣的地方不仅在于 AI 能力，还在于市场洞察力。

David Haber 解释说，Eve 根本不需要对外销售，这对于企业软件来说是不寻常的。律师事务所正在与 Eve 接触，因为其经济效益显而易见：如果 AI 能够以初级律师成本的一小部分处理文件审查、合同分析和法律研究，那么 ROI 计算就很简单。

防御能力来自反馈循环。Eve 处理的每项法律任务都会生成特定于真实律师事务所如何工作、法官关心什么、对方律师如何辩论的训练数据。随着时间的推移，这种累积的机构知识变得越来越难以复制。

案例研究：Salient 和语音 AI

Salient 举例说明了应用于金融服务的“围墙花园”论点。该公司为汽车贷款机构、抵押贷款服务机构和其他金融机构处理对外语音呼叫，管理需要处理监管要求、付款谈判和客户情绪的对话。

让 a16z 团队印象深刻的是数据护城河。Salient 处理的每次呼叫都会生成关于什么有效、哪些短语会导致付款安排、哪些语气可以减少挂断、哪些方法可以满足合规性要求的标记数据。在处理了数百万次呼叫后，Salient 的模型经过了调整，即使是使用相同基础 LLM 的新进入者也无法比拟。

该公司为 60 多家金融机构提供服务，其 AI 代理处理的呼叫传统上需要数百名人工代理。单位经济效益引人注目：每次呼叫的成本仅为人工代理的一小部分，而对于日常互动，解决率相当或更好。

现有企业与初创公司：真正的计算

团队花费大量时间来解答投资者总是会问的问题：“现有企业难道不会只是添加 AI 并击垮初创公司吗？”

Rampell 的框架比通常的初创公司助推叙事更为细致。他将其分为三种情况：

现有企业获胜 当 AI 能力是对现有工作流程的增量改进，并且现有企业具有巨大的分销能力时。如果你已经在为 Salesforce 付费，并且它添加了足够好的 AI，你可能不会切换到 AI 原生的 CRM。

初创公司获胜 当 AI 需要根本不同的架构或用户体验时。如果旧产品是围绕人类工作而构建的，而新产品完全消除了这项工作，那么现有企业的现有代码库和商业模式就会成为负担，而不是资产。

这是一个平局 当类别足够大，可以容纳多个赢家，并且 AI 能力确实具有变革性，但可以集成到现有工作流程中时。在这里，执行和速度比结构性优势更重要。

团队在每笔交易中都花费大量精力来研究这个问题，绘制竞争格局并压力测试初创公司的优势是结构性的还是暂时的。

AI 整合：一种新的策略

团队强调的一种新兴模式是“AI 整合”，即公司使用 AI 来整合以前因劳动力密集而无法扩展的零散行业。

其逻辑是：许多行业都有成千上万的小型参与者在做类似的工作（会计师事务所、保险代理机构、营销机构）。以前，整合这些机构需要按比例雇用更多的人，从而限制了可扩展性。通过 AI 处理核心劳动力，单个平台可以为合并后的客户群提供服务，而无需线性扩展员工人数。

这创造了一种新的并购策略：收购客户关系，然后部署 AI 来处理被收购公司员工过去所做的工作。收购方的价值不是技术本身，而是 AI 能力与被收购实体的分销和客户信任的结合。

消费者 AI：没有消亡，只是不同

Anish Acharya 反驳了 AI 纯粹是企业故事的说法。消费者 AI 应用程序是真实存在的，但其动态与企业不同。

关键的洞察是：消费者 AI 产品在创造新的行为而不是仅仅自动化旧的行为时才会成功。帮助你做你已经在做的事情的聊天机器人是增量的。能够实现以前不可能的事情的 AI 伴侣、创意工具或决策辅助工具可以定义类别。

保留数据令人鼓舞。与最初一波消费者 AI 应用程序（随着新鲜感消退而出现高流失率）不同，当前一代与用户工作流程深度集成的产品显示出与最佳消费者应用程序相当的强大保留曲线。

模型聚合：押注领域

在模型策略方面，团队有一个明确的观点：最好的 AI 应用程序公司是模型不可知的。它们构建在多个基础模型之上，并根据成本、性能和任务要求在它们之间切换。

“If you’re building a company that only works on one model, you’re making a bet that that model will always be the best. History suggests that’s a bad bet.” 如果你正在构建一家只在一个模型上运行的公司，你就是在押注该模型将永远是最好的。历史表明这是一个糟糕的赌注。

这具有实际意义。在 2024 年与单个模型提供商建立紧密集成的公司现在正在争先恐后地添加替代方案。最成功的投资组合公司将模型视为可互换的基础设施，就像网络公司对待云提供商一样。它们在应用层、工作流程、数据和用户体验中构建差异化，而不是在针对特定模型的提示工程中。

结束语

a16z 应用团队的演示稿明确了 AI 投资情绪的转变。基础设施淘金热正在成熟；应用时代即将开始。以下是一些值得思考的事情：

• “软件吞噬劳动力”的框架将市场规模从数十亿美元变为数万亿美元。如果 AI 公司根据劳动力成本而不是软件预算定价，那么企业 AI 的 TAM 比传统 SaaS 大一个数量级。
• AI 应用程序的防御能力来自数据飞轮，而不是模型访问。每家公司都可以访问相同的基础模型。赢家将是那些其产品生成随时间推移而复合的专有数据的公司。
• 现有企业与初创公司的问题没有普遍的答案。这完全取决于 AI 对于给定类别是增量改进还是范式转变。默认选择“现有企业总是赢”或“初创公司总是赢”的投资者大约有一半的时间会出错。
• 这个周期的速度意味着遗漏的错误比委托的错误代价更高。因为你很谨慎而错过了下一个 Salesforce 规模的公司，比做出一些糟糕的赌注更糟糕。