硅谷“賭”AI最狠的基金：非原生AI公司要么進化，要么消失

在這一輪AI 浪潮里，a16z幾乎是繞不過去的名字。

它是這波AI 周期里下注最重、覆蓋最全、確定性也最高的頂級基金之一。過去五年，a16z 投出的名單幾乎定義了硅谷的技術主線：

OpenAI、SpaceX、Databricks、Figma、Stripe，以及新一代迅速崛起的 Cursor、Harvey 和 Abridge。

某種程度上，a16z 的投資組合，就是過去幾年 AI 商業化路徑的一張縮略圖。

更重要的是，a16z 的判斷往往并不止于“投了什么”，而在于他們如何解釋這些變化。不久前，a16z 合伙人David George系統性地分享了他對 AI 行業最新進展的觀察，其中有幾個信號非常值得一看。

第一，AI 公司正在用更少的人，跑出更快的增長。

當前增長最快的一批AI 公司，在銷售和市場上的投入，反而顯著低于同階段的 SaaS 公司，但收入增速卻高出數倍。這并不是效率魔法，而是一個更簡單的事實：需求端正在真實爆發，產品在“自己賣自己”。

第二，衡量效率的標尺正在被重寫。

a16z 開始越來越多地關注一個新指標：ARR per FTE（人均年度經常性收入）。

在最優秀的 AI 公司中，每名員工對應的 ARR 已達到 50 萬到 100 萬美元，而 SaaS 時代的經驗值大約只有40 萬美元。這意味著，AI 正在系統性抬高組織效率的上限。

第三，非AI 原生公司只剩下兩條路。

要么完成轉型，要么被淘汰。那些真正跑出來的轉型公司，往往具備高度一致的特征：

CEO 親自下場推動；從最容易見效的環節切入（客戶支持、編碼、運營）；敢于推翻舊系統，為 AI 重建后端，而不是在舊架構上“貼一層 AI”。

接下來，就跟著硅基君一起，拆解a16z 眼中這場變化，正在如何發生。

增速是SaaS公司2.5倍，最高同比增長700%

真正讓我們感到震撼的，是需求側的變化。

從增長數據和一線接觸來看，當前AI 公司的需求強度，用“瘋狂”來形容并不夸張。

無論是產品吸收速度，還是收入增長質量，都顯著好于過去幾個周期。尤其是在經歷了2022–2024 年的加息環境與科技回調后，2025 年成為一個明確的拐點：收入重新加速，而且是跨公司類型的加速。

更重要的是，這種加速并不是靠“砸銷售、堆市場”換來的。

恰恰相反，增長最快的一批AI 公司，在銷售和市場上的投入，反而顯著低于同階段的 SaaS 公司，但收入增長速度卻高出數倍。

從數據看，AI 公司的增長速度大約是非AI軟件公司的 2.5 倍以上，其中最極端的頭部公司，年同比增長甚至接近 700%。這些數字在最初出現時，我們自己都反復核驗過，但它們與我們在投資組合中看到的實際情況是高度一致的。

這背后的核心原因只有一個：產品本身的需求足夠強。

從成本結構看，AI 公司目前的毛利率普遍低于傳統 SaaS。但這并不一定是壞事。

某種程度上，我們甚至把“較低毛利率”視為一個積極信號——它往往意味著客戶正在真實、高頻地使用 AI 功能，推理成本是真實發生的。

考慮到推理成本在中長期具備持續下降空間，這種結構更像是“暫時的成本壓力”，而非模式缺陷。反倒是那些號稱 AI 產品、卻擁有異常高毛利率的公司，反而會讓人懷疑：客戶到底在不在用 AI？

另一個變化更值得注意。我們開始越來越多地關注一個新的效率指標：ARR per FTE（人均ARR）。

它衡量的是公司在整體運營層面的效率，而不僅僅是銷售效率。結果非常清晰：

最優秀的AI 公司，每名員工對應的 ARR 水平已經達到 50 萬到 100 萬美元，而 SaaS 時代的經驗值，大約只有 40 萬美元。

這并非因為AI 公司“更省人”，而是因為需求過強，產品幾乎可以自己賣出去。

AI轉型該怎么做？

對于那些非AI 原生公司來說，一個更現實的問題是，它們應該怎么辦？

在我看來，只有兩種選項，要么適應，要么被淘汰。

要想適應AI，不僅意味著在產品前端“加一個 AI 功能”，而是要從根本上重新思考：

如果AI 是默認能力，產品形態、工作流、用戶價值該如何重構。

與此同時，后端的組織方式也在被迫改變。很多時候，AI變革的核心不在于企業是否“想用 AI”，而在于能否真正完成適應AI時代的管理變革。

在與大量財富500 強 CEO 的交流中，幾乎所有人都表達了同一種態度：

我們必須適應 AI。但態度和結果之間，往往隔著一整套組織慣性。哪怕只是讓員工習慣使用 AI 助手，都已經非常困難；更不用說重構業務流程、決策機制和系統架構。

真正的轉型，往往從CEO 的強勢推動開始。Shopify 之所以能做成，是因為 Toby 從高層開始用 AI 重寫經營方式，把它變成績效管理的一部分。

你需要一種罕見的組合：既有商業直覺，知道AI 的價值創造機會在哪里；又有技術深度，知道應該重構什么、先做什么、怎么迭代。

那些真正跑出來的公司，往往具備兩個特征：

第一，知道從哪里下手（例如客戶支持、編碼、運營）；

第二，敢于推翻舊系統，為AI 重建后端。

當然，也會有一些其他的因素影響。比如，數據基礎設施也很關鍵，把數據集中到云數據倉庫或數據湖，本質上是在為AI 工作負載鋪路。

而當他們開始快速推出原生AI 產品，這種迭代速度會成為新的護城河。

這種差異已經開始體現在結果上。Chime 的客服支持成本下降了 60%；Rocket Mortgage 在 Consider underwriting 環節節省了 110 萬小時的人力，相當于每年約 4000 萬美元的成本。

一些傳統軟件公司的CEO，已經開始用極端但真實的方式提問：這件事，是用“電”（AI））完成，還是還需要“血”（人力）？

比如，Navan（企業差旅與費用管理公司） 很早就啟動了AI 化改造，如今 AI 已經處理了大約 50% 的用戶交互，涵蓋的是復雜的行程預訂和變更，而不是簡單問答。

這種深度自動化，直接反映在財務指標上：

過去三年，Navan 的毛利率提升了約 20 個百分點。對比那些沒有完成轉型的老牌競爭對手，這幾乎是“代際差距”。

還有一些公司，其價值并不只體現在財務上。

Flock Safety的核心價值主張是公共安全。它的系統每年幫助解決約 70 萬起犯罪事件，在覆蓋區域內，犯罪率下降接近 10%。這類公司往往同時具備強商業模式和強社會影響力，是我們長期非常看重的一類資產。

當然，我們并不認為所有公司已經完成了徹底重構。至少現在，更多公司仍處在“被需求推著跑”的階段，而不是主動重塑運營模型。但可以確定的是，這種重構將在未來 12 個月內密集發生。

AI被忽視的價值：放大需求

我們最感興趣的另一個問題是：這些AI公司到底在“真實世界”里做了什么？

一個被頻繁討論的行業是法律。直覺上，AI 似乎應該減少律師工作量，但現實恰恰相反。

一位公司法務最近在公開場合半開玩笑地說：“大模型讓我更忙了，因為每個客戶現在都覺得自己是律師。這并不是壞事，而是需求被放大的信號。

Harvey 是一個典型案例。隨著模型推理能力的提升，律師在 Harvey 產品上的使用時長大約翻了一倍。

律師并沒有被替代，但效率顯著提高。

更重要的是，這種效率并不是靠“少人化”實現的，而是靠更深的產品參與度。這正是我們判斷收入是否可持續時最看重的指標之一：留存、續訂、使用頻率和真實參與度。

同樣的邏輯也出現在醫療領域。Abridge（醫生常提到的那座“橋”）被不少醫生形容為“值得信賴的代理人”。

我們觀察的不是用戶增長本身，而是用戶增長與參與度是否同步提升。結果恰恰相反：

即便在用戶規?？焖贁U張的情況下，單用戶使用深度依然穩定甚至上升。

這意味著新增用戶并沒有稀釋產品價值，反而驗證了產品的通用性和粘性。

在基礎能力層面，聲音正在成為許多AI 工具的核心入口。

ElevenLabs 的使用量增長曲線非常陡峭，是我們最喜歡看到的那種“真實需求型增長”。同時，這家公司在運營效率上也極其克制，是 AI 公司中少見的“高增長 + 高效率”樣本。

/ 04 /

AI泡沫言之尚早

AI 的資本開支規模確實巨大，但與過去泡沫周期不同的是：這輪投入主要由歷史上最盈利的一批公司支撐，現金流基礎扎實。

從目前看，至少在Meta、Microsoft、AWS、NVIDIA 這些主體身上，資本結構仍然是可控的。

微軟的披露數據給了一個很直觀的對比：Microsoft Azure 花了 7 年時間，才達到如今 AI 一年收入的規模；而 AI 相關收入的增長速度，顯著快于當年的云計算。

構建周期在壓縮，回本周期也可能更快。

這也是我們最終的判斷：AI 可能是我職業生涯中見過的、最具模型破壞性的技術浪潮。它往往在早期顯得“昂貴”，但歷史一再證明，真正改變世界的技術，最終創造的價值，幾乎都會大幅超出任何早期模型的預期。

我們其實不太需要把注意力放在折舊這件事上，但金融市場確實很愛追問：舊一代芯片會不會很快變成“負資產”？

我們的觀察更接近結論是：舊GPU 的定價與利用率，比想象中穩定。

原因很現實。早期用戶可能會在某一代模型上停留更久，但絕大多數后續用戶會迅速遷移到更新的模型與更合適的硬件配置。

更關鍵的是，舊卡并沒有因此“躺平”。以 TPU 為例，谷歌披露過某些已經 7 到 8 年歷史的 TPU 仍能做到接近滿負載；

二級市場上，無論是舊卡的成交價格，還是“一次性租 100 張卡”的報價，都呈現出強韌性。H100 的租用表現尤其突出。

換句話說，在真實需求仍然持續擴張的階段，舊卡更像是被市場充分榨干的存量資產，而不是會迅速被拋棄的包袱。

這類討論之所以熱鬧，更多來自對“系統性風險”敏感的那群人，而不是來自數據本身。

更有意思的，是市場正在反復上演一個典型悖論：代幣越來越便宜，但總消費不降反升。幾乎所有超大規模云廠商都在強調同一件事：需求遠超供給。

一個形象的類比來自Gavin Baker：互聯網時代會出現“暗光纖”，先鋪好但暫時不用；但在今天，幾乎不存在“暗 GPU”。

GPU 一旦進數據中心并接入系統，往往會立刻滿載。這種“供給一上線就被吃干凈”的現象，本質上是一種強信號：需求不是被營銷堆起來的，而是被生產環節直接消化掉的。

但如果你問為什么我們還沒有看到企業全面、指數級的生產力躍遷，答案通常不在技術，而在管理。

技術準備好了，產品化與變革管理沒準備好。把模型能力變成企業可復用的工作流，把試用變成長期留存，把“能做”變成“真的上生產”，這是最慢、也最難的一段。

放到收入層面，這種速度差異更直觀。生產級AI 在應用收入里增長得非?？?，快到在某些時間軸上幾乎“看不見起步階段”。

你提到那張對比圖很關鍵：2020 年公共軟件公司新增收入大約 460 億美元；而如果只把 OpenAI 與 Anthropic 按運行率口徑簡單相加，它們的新增收入幾乎已經接近這個數字的一半。

再把時間推到2026 年，如果把范圍擴展到整個公共軟件行業，包含傳統軟件公司在內，模型公司帶來的新增收入占比可能會進一步升到 75% 到 80%。

高盛一類機構會估算“構建 AI”帶來的收入規模，比如 9 萬億美元；如果假設 20% 的利潤率，再給一個 22 倍 PE，對應的新增市值可以到 35 萬億美元。

過去幾年里，市場已經先行計入了很大一部分新增市值，可能在24 萬億美元量級。你當然可以爭論這是不是都由 AI 驅動，但這套推導至少回答了一個問題：如果關鍵假設成立，市場還有上行空間；如果假設不成立，回撤也會很直接。

另一套更“工程化”的算法，是從資本開支反推收入門檻。

假設到2030 年，超大規模廠商累計資本開支接近 5 萬億美元；如果投資者希望獲得 10% 的門檻回報，那么到 2030 年，年化 AI 收入大致需要到 1 萬億美元量級。

這個數字聽上去夸張，但換個尺度感就容易理解：1 萬億美元約等于全球 GDP 的 1% 左右。也就是說，只要 AI 在十年內吃下全球 1% 的產出，就能讓這筆規模巨大的投入在財務上“站得住”。

當然，它也可能不會恰好在2030 年兌現，可能是更長周期的回收，但邏輯框架可以先立住。

而對“我們離 1 萬億美元到底有多遠”的追問，最現實的答案往往也很粗糙：我們可能還在 500 億美元左右的量級。

它增長極快，年增速接近 100%，但統計口徑很難完美，因為大量模型收入會以云服務、平臺增量的方式被“藏”在大廠的財報里，甚至取決于公司想怎么講故事。

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。