a16z 終于把 AI 的投資邏輯說清楚了！真正值錢的，只剩這三條路

過去幾年，AI領域不斷上演著令人目眩的增長故事。模型能力指數級提升，軟件公司從零到億的速度驚人，而“軟件吞噬世界”的敘事也讓人們相信AI將重塑幾乎所有行業。

AI應用是否創造了真實、可持續的商業價值？當技術紅利趨緩，企業真正的護城河是什么？在軟件可以快速復制的時代，哪些壁壘無法被輕易跨越？

今天，我們聚焦a16z合伙人Alex Rampell的深度分享。作為金融科技與軟件投資領域的資深投資人，他沒有停留在趨勢描述，而是系統拆解了驅動增長的核心——產品生命周期理論，并指出：當前AI價值的爆發，本質上命中了人類“更懶更富”的永恒需求。

他提煉出當下最具潛力的三類投資方向：

①傳統軟件的AI原生改造

②軟件對勞動力的替代

③基于“圍墻花園”式獨家數據的價值重構

本文將深入解讀這一框架，揭示在基礎設施日趨同質化的背景下，競爭優勢將如何向應用層與數據層轉移，并為讀者提供一幅超越技術表象、直指商業本質的AI路線圖。

AI如何滿足人性需求“更懶更富”

納斯達克指數自1977年至今，雖然長期呈上升趨勢，但中間經歷了幾次暴跌。這背后對應著四個主要的產品周期。它們顯示的規律是：先有基礎設施層的公司鋪路，再有應用層的團隊開發實際產品。

最早是PC時代，接著是互聯網時代，再后來是移動時代。AI時代已然來臨。目前軟件領域的絕大多數新增收入，實際上都來自AI，無論是應用層面還是基礎設施層面。

每當科技股牛市來襲，總會有人說“這不過是泡沫”或“根本行不通”。以信用卡費用管理公司RAMP為例，2025年1月的數據顯示，許多采用技術升級路徑的企業，并非通用電氣這類傳統巨頭，而是舊金山灣區或紐約那些擁有數千名員工、更具前瞻性的科技公司，突然意識到：“哇，這玩意兒真厲害！”

我始終秉持一種關于人類行為的普遍認知，每個人都渴望兩樣東西：既想變得更富有，又想更懶。這正是生成式AI所鎖定的核心價值，且這一趨勢正在當下真正顯現。

盡管增長曲線一度趨于平緩，但其影響已十分顯著，從成本支出到企業增長，無論是基礎設施還是應用層面，皆可見其蹤跡。現在全球約有15%的成年人每周都會使用ChatGPT，這已成為日常習慣：跟朋友打賭、問路、或者搞不懂某個東西時。

一切發展得很快。2017年，Transformer模型的論文發表，引發廣泛關注。我們的長期合作伙伴Frank Chen曾演示過早期的GPT模型，效果并不理想。

這讓我想起了60年代的Eliza系統，那個只會把你的話變成疑問句的AI治療師。直到你問：“嘿，我想向學校投訴校車司機。”它卻反問：“你為什么想向學校投訴校車司機？”這顯然沒提供答案。

很難想象這竟發生在幾年前。但從2023年到現在，我們確實已真正邁入了應用的黃金時代。

我們正目睹軟件公司在一兩年內實現營收從零到一億美元的飛躍。這并非是經濟活躍時候的盲目消費，而是這些技術能為企業創造巨大價值。他們渴望更懶散、更富裕，而這項技術正為他們打開這扇門。

AI 原生改造：綠地換軌與勞動力替代

接下來我將探討AI應用領域中三個更廣泛的主題，這些正是我們投資的公司類型。

第一，傳統軟件正在向AI原生化轉型，現在的機會就在AI原生。

作為投資者，我深刻認識到一個關鍵經驗：Mercury堪稱“烏龜戰勝兔子”的絕佳范例。他們為初創企業打造了新銀行，不僅能幫你支付賬單，還能提供會計服務。這正是典型的綠地投資機會。

在這張“賓果游戲板”上，無論是薪資、ERP還是客服軟件，現有企業都在積極采用AI。像Workday這樣的公司，即將開始為AI功能收費。例如，系統可能會問：“您想讓我們對每個新員工都進行背景調查嗎？”每次收費500美元。為什么不能是499美元？

最成功的企業已經與客戶建立了深度綁定，形成了極高的轉換成本。

在RPA（機器人流程自動化）領域，像UiPath或Zendesk，傳統的“按月按席位付費”模式正在面臨挑戰。客戶會思考：“如果99%的查詢都能由AI自動解決，我為什么還要為閑置的人力席位付費？我更愿意為實際達成的結果付費。”

因此，真正值得投資的公司是那些能構建并守住這種優勢局面的企業，而非一味追求客戶增長的公司。當底層的AI模型日趨同質化，真正的競爭壁壘往往在于“別人拿不到的數據”。

第二，軟件正在取代勞動力，這是一個規模大得多的市場。

如果說AI對傳統軟件的改造是“優化”，那么它對勞動力的取代則意味著“重構”。這是我個人最期待的新興領域。

此前，少有軟件公司能真正涉足這一領域，因為社會的主流選擇始終是雇傭專業人才。但現在，情況不同了：軟件能完成一個崗位90%的核心工作量，它掌握21種語言，并且永不間斷。

這在軟件史上具有標志性意義。以Plaza Lane驗光中心為例，他們招聘前臺接待員的職位描述有八項要求。如果你能提供一款軟件滿足其中五項核心職責，他們就會“錄用”這款軟件。

企業不會為軟件支付與人類員工同等的47,000美元年薪，但也絕不會只付500美元。一個合理的價格可能是每年2萬美元。

我們的投資邏輯，是希望這類軟件能進一步演化成一套不可替代的“核心業務記錄系統”。這樣，當軟件執行了五項工作職責，就沒人能輕易用19,999美元的年費把它替換掉。我們希望確保這一解決方案能帶來極具粘性的長期價值。

可以預見，當現有軟件產品推出更優替代方案并瞄準綠地市場時，它們的市值將大幅增長。而在此情況下，選擇棕地市場甚至可能獲得更高的定價空間。這條道路能帶來遠超預期的收入增長。

以法律行業為例，其對文檔處理的高要求與AI的能力天然契合。這個市場有一個獨特之處：尤其是原告律師，通常采用風險代理模式，即只在勝訴后才獲得報酬。這種模式使得律師與客戶的利益高度一致，他們不按小時收費，而是分享最終成果。

因此，原告律師每獲得10個潛在案件，往往只能接手1個，因為篩選和評估案件需要投入大量時間。這正是AI能發揮巨大價值的環節。

相反，對于按小時收費的公司律師而言，AI將初級律師效率提升50倍，可能會侵蝕其收入模式；但對于原告律師，效率提升5倍，則意味著潛在收入可能增加5倍甚至更多。

我們投資的Eve公司，便是一個典范。他們的產品思路非常清晰：致力于掌控從潛在客戶篩選到案件最終完結的端到端工作流程。

Eve最近推出了一款語音助手，專門收集潛在客戶資料。它能從海量醫療記錄和就業文件中篩選信息，幫助律師判斷案件價值，比如“這個病例可能值5萬美元，那個值500萬美元，你應該把時間花在這邊”。

更進一步，該系統能夠協助律師梳理整個訴訟流程：自動整理醫療記錄、生成法律索賠函，并準備正式的起訴文件。

這個業務最有趣的地方在于數據閉環。當Eve開始生成結果數據時，這些數據并不公開，大型實驗室也無法利用。Eve可以利用這些專有數據回溯分析，找出決定案件價值的關鍵變量，從而形成更優的模型。

正如我們所分析的，這種方式顯著降低了律師受理案件的門檻。過去，考慮到成本，律師可能只接標的價值5萬美元以上的案子；現在，借助AI，他們可以經濟地處理標的價值5000元的案件。

法律服務的市場總量由此得以擴張。在原告方，長期以來存在著明顯的供需失衡，而Eve正在精準地釋放這部分被壓抑的需求。結果就是，市場對這類產品的渴望遠超預期。因為它完美地契合了“更懶更富”的原則，既能幫助律所提升營收，又能為更多人提供可負擔的法律服務。

Eve所代表的，正是我們推崇的商業模式。其收入在短時間內實現從0到20%-30%的增長，看似驚人，但只要你能快速行動，并真正兌現“讓我更省力、更賺錢”的承諾，這種增長便是可復制的常態。

當然，許多消費級AI應用難以切入核心業務環節，且作為工具組件，用戶切換成本很低。這里的關鍵，在于區分 “功能差異” 與 “商業護城河”。

AI能創造強大的功能差異，例如一個能說50種語言、智能收集信息的語音助手，這本身就能帶來顯著價值。但僅憑功能優勢，并不足以構建穩固的護城河。Eve的護城河，在于它并非單一工具，而是替代并整合了律師的整個工作流程，成為了業務運營的“中樞系統”。

此外，那個關鍵的“X因素”依然是業務閉環中產生的獨家數據。數據的私密性創造了強大的競爭優勢：Eve處理的案件越多，產品就越智能；產品越智能，就越能吸引更多案件。這就像帶著自動步槍參加一場冷兵器戰斗，它很快會成為原告律師的必備裝備，一旦被深度采用，便難以被取代。

因此，競爭的關鍵不在于語音識別的準確度或文檔摘要的優美程度，而在于系統是否有能力成為最終工作成果的記錄者和生成者。

我們常說“軟件正在吞噬世界”，而現在，我們正以驚人的速度開發和部署這些“軟件”。但這同時也在加劇所有高利潤軟件公司的風險，高利潤本身就是吸引競爭的信號。如果我能輕松寫出代碼復制你的核心功能，那么你的產品就必須具備極強的用戶粘性和獨特的競爭優勢，而數據，往往是其中最堅固的壁壘之一。

像擁有350萬從業者的卡車運輸行業，未來必然會出現更優的AI調度與駕駛輔助方案。但在大多數情況下，這是一個成本與價值的動態平衡。企業不會雇傭成本高于其創造價值的人力。引入AI，正是為了在提升價值或維持價值不變的前提下，重新找到這個平衡點。

你會廣泛地采用AI作為增強工具，但并不會立即大規模裁減人類員工。更值得思考的是，我們無法預知未來將誕生哪些全新的職業。75年前，并沒有“產品經理”或“用戶體驗設計師”這些職位，它們在19世紀的語境下毫無意義。

因此，我們不應武斷地認為AI只會替代人力，事實上，我們觀察到的更多是AI增強人類效率，而非簡單粗暴的替代。

當我與朋友通話時，系統能根據他的地理位置，例如從加州前往堪薩斯州，自動判斷并提示適用的交通法規。這就是數據模式的力量。因為處理過數百萬次通話，他們能精準掌握應答內容，實現極低延遲。

他們將復雜的場景處理得如此流暢，使得后來者的競爭變得異常艱難。在軟件開發變得前所未有的便捷的今天，這種由數據與場景深度融合形成的“模式”，其重要性已超越以往任何時候。

數據壁壘：如何將“公共資源”煉成“獨家資產”？

垂直軟件公司早已能成長為行業巨頭，如Toast靠餐飲專屬系統和支付/貸款鎖定客戶，AI時代同理。

這不僅僅是“人工成本差一便士”的問題，關鍵是建立專屬的記錄系統和垂直運營體系，讓客戶無法輕易換成更便宜的供應商。

這也正好引出第三個主題，我稱之為“圍墻花園”，這個概念當下尤為重要。

以OpenAI為例，他們原本像“蔬菜農場”，把基礎大模型賣給開發者。后來卻想在農場里開“餐館”，自己直接開發面向最終用戶的應用，這讓原本采購“蔬菜”的開發者感到不滿：供應商突然變成了競爭對手。這個例子很有參考意義，它揭示了一個未來趨勢：當基礎技術日趨普及，真正的稀缺性將向產業鏈上游轉移——即優質、獨家的“原材料”（數據）。

就像歷史上通過劃定邊界并建立收費站來創造價值一樣，在數據領域，同樣可以構筑這樣的“圍墻”。

以Flight Aware為例，他們的數據本身并不涉及商業機密，卻極具獨家價值。自馬航MH370事件后，民航領域廣泛采用ADS-B廣播式自動相關監視系統，飛機實時發射位置、高度、速度等信號。理論上，任何人在亞馬遜上買一個接收器都能捕獲這些信號。

但Flight Aware的壁壘在于，他們在全球精心部署了約100個接收天線，通過長期、系統地收集與清洗，構建了一套連貫、完整、高可用的全球航班追蹤數據庫。

這類經過深度加工的數據信噪比極高，是ChatGPT等通用AI無法直接獲取的，類似的還有Pitchbook的私募融資數據、彭博的實時金融數據、Co Star的房地產數據等。

再比如Ancestry.com，他們通過購買摩門教會收藏的家譜記錄，并持續投入數字化，構建了獨一無二的家族歷史數據庫。這些數據構成了他們的“圍墻花園”，這些數據在ChatGPT、Anthropic上都無法獲取，即便開放API授權，其核心價值也在于數據的獨家性與完整性。

這種獨占性直接轉化為定價權。例如，運用Pitchbook的數據：如果一位分析師需要撰寫某家公司的深度報告，或對比所有法律科技公司的歷史業績，Pitchbook能提供自1992年以來每一家法律科技公司B輪融資的完整數據面板。

這份獨家數據，使他們既可以向個人用戶每月收取20美元，也能向專業機構每年收取2萬美元，因為只有他們有。這可能意味著你能少雇一位分析師，核心不是訂閱數據，而是把這些“蔬菜”轉化為“成品餐”。

我最喜歡的另一個經典案例是域名查詢工具，如Whois。它能查詢“誰擁有某個特定域名”，這項服務早在AI出現之前就已存在。即便回到1998年，它也能提供確鑿的歸屬信息。這種基于長期積累的獨家數據模式，本身就構成了強大的競爭壁壘。

而AI的加入，讓這些“花園”的價值成倍放大。以下三個案例能清晰地說明這一點：

其一，Open Evidence。數據顯示，美國三分之二的醫生每周都會使用它。它的界面和交互可能與ChatGPT相似，但關鍵區別在于：它擁有《新英格蘭醫學雜志》等頂級醫學期刊的獨家全文授權。

如果我需要治療跟腱炎，ChatGPT能提供一些通用的循證醫學證據，效用尚可。但Open Evidence的優勢在于，他們是唯一掌握完整證據鏈的機構。這就好比他們不僅梳理了所有獨特的“蔬菜品種”，還說服了供應商禁止向其他“餐廳”供貨。

其二，vLex。這家擁有26年歷史的公司，剛被收購。其創始人來自西班牙，收購了西班牙境內所有的合法記錄。像Wilson Sonsini這樣的國際律所，需要了解西班牙法律時，vLex是必經之路。過去，他們以高價將數據庫授權給律所。

當他們引入AI時，游戲規則變了。假設我是Harvey的用戶，急需在七點前給客戶寫備忘錄，且必須包含西班牙語法律數據。vLex成了我的唯一選擇。這時，他們就不必按每篇文章兩美元收費，而是可以按“成品”收費。

其三，專有數據的價值。真希望我能直接問ChatGPT關于50份舊德勤合同的細節，但它根本搞不到這些信息。這就是專有數據的價值，它是世界上的“寶藏庫”，AI模型再大也無法憑空獲取。

最近我跟一位創業者聊過，他專注于YouTube的歷史訂閱數據。YouTube不會公布Mr. Beast在2017年8月4日有多少訂閱者，但他的公司收集并出售這些數據。這就像我們文章里提到的“野生花園的果實”。

你可以去縣記錄辦公室免費查詢產權記錄，但必須親自去。如果你能將這些資料數字化、可訪問化，并應用AI，價值就會倍增。現在，這些數據構建了一道高高的“圍墻花園”。

很多數據原本是免費的，像ADS-B飛行數據，或者是廉價的，但當你將其數字化并結合AI時，就能創造出前所未有的價值。你早該在打造AI之前就完成這個數據積累的項目，否則現在你根本不可能創建一家價值百倍的公司。

那么，一個隨之而來的問題是：既然擁有了“獨家晚餐”，為什么這些公司不都直接面向最終消費者銷售，而是有時會選擇通過中間商呢？

以vLex為例，他們本可以把數據賣給Harvey，卻最終意識到：應該直接面向客戶銷售，不再向Wilson Sonsini這類中間商出售數據。若確需合作，必須徹底調整定價策略，摒棄按小額訂閱費收費的陳舊模式，這種模式只會把大部分價值讓渡給第三方。

就像航班數據、Mr. Beast的訂閱量數據，當下的訂閱量在YouTube上一目了然，完全免費，但十年前的歷史數據才是真正的專有內容。

有時所謂的專有性，恰恰源于免費資源的時間積累。比如家譜信息，我可以直接去摩門教教堂獲取，無需付費開通Ancestry.com賬戶，但通過平臺操作比飛往猶他州更便捷。

人們選擇LexisNexis這類服務商，也是因為它們能對接已數字化的系統，把信息轉化為更易理解的格式。即便它們有時是唯一或最優選擇，如今也能提供成品解決方案，為終端客戶節省成本。比如我無需購買LexisNexis的全部數據，只需用它確認交易可行性，但其數據能支撐大量后續工作流程。

對金融服務公司而言，欺詐分析師破解謎題的關鍵線索往往來自LexisNexis。對現有企業來說，若能獨占這類數據，就能挖掘巨大價值。

PS：如果你對AI大模型領域有獨特的看法，歡迎掃碼加入我們的大模型交流群。