迷雾判断：权威是 AI 的瓶颈

本文信息来源：cloudedjudgement

权威性是 AI 的瓶颈

每一次关于 AI 的对话最终都会偏向同一组问题：我们应该使用哪种模型？是构建还是购买？推理成本会是多少？在规模化时准确率会发生什么变化？这些都是真实的问题，但它们却奇怪地与 AI 是否真正改变公司内部任何有意义的事情并不完全相关。你可以把这些问题全都回答得很好，最终仍然会得到一个在演示中看起来令人印象深刻、但在实际中无关紧要的 AI 策略。

在这一切之下还隐藏着一个更重要的决策，而大多数公司并没有直接讨论它。他们通常是在不自觉的情况下、以隐含的方式做出了选择。这个决策就是：AI 是被允许拥有权威性，还是仅仅作为辅助工具存在。

当今大多数企业级 AI 都牢牢停留在“辅助型”这一区域。AI 起草电子邮件，但由人来发送；AI 建议下一步行动，但由人来批准；AI 标记风险，但由人来决定如何应对。AI 总结工单、合同、账户和客户，然后耐心等待他人采取行动。这是一种让人感到舒适的 AI 形态。它看起来很安全、可控，也在非常局部的意义上显得高效。人们节省了一些时间，工作推进得稍快一点。每个人都可以指着不断上升的使用数据图表，为所谓的进展感到满意。

但在这种模式下，真正成果层面的跃迁几乎不会发生。成本不会断崖式下降，周期时间也不会被根本性重置，用人规模的规划不会发生弯折。组织仍然以人工复查、人工判断和人工瓶颈的速度运转。AI 很有帮助，但并不具备决定性。

而这一差异，最终被证明比几乎任何因素都更为重要。

当 AI 只是辅助时，它只是在边际上提升效率。当 AI 具备权威性时，它会重写整个工作流程。一旦软件被允许直接执行而不是仅仅提出建议，整层流程要么消失，要么被重塑。决策从阶段性发生变为持续发生。关注点从常态转向例外情况。成本结构开始呈现出不同的样貌。所有人苦苦寻找的 ROI 终于有了真正体现的地方。

这也正是事情开始变得令人不适的时刻，这正是为什么如此多的组织在跨越这条界线之前止步不前。

允许 AI 具备权威性会迫使组织直面一系列与模型本身无关的棘手问题。真相存在于何处。当两个来源出现分歧时，哪个系统才是权威。可接受的错误水平是多少，又是以什么作为基准。当软件做出错误决策时，谁来负责。对于自动执行而非人工审核的决策，如何进行回滚。这些并不是狭义上的 AI 问题，而是 AI 让人无法回避的组织性问题。

让 AI 保持在顾问角色并宣布胜利，要容易得多。你可以交付功能。你可以谈论采用率。你可以避免重新思考工作究竟是如何完成的。但与此同时，你也封顶了上行空间。一个辅助型系统仍然依赖人类注意力来推动进展。而人类注意力，正是公司试图摆脱的稀缺资源。

这就是为什么如此多的 AI 项目感觉卡在一种奇怪的中间地带。它们显然很有用，也往往深受用户喜爱。但它们始终未能产生最初承诺的那种经济影响。问题不在于 AI 不够好，问题在于它没有权威。

在那些从 AI 中获得超额回报的团队身上，正浮现出一种共同模式。他们未必使用更先进的模型，也不总是投入更多基础设施成本。他们真正做得不同的，是明确决定在哪些地方允许软件承担责任。他们选择狭窄的领域，设定严格的护栏，大力投入于权威数据源，然后让系统真正采取行动。

一旦做出这个决定，下游的一切都会变得不同。架构的重要性大幅提升。数据质量不再只是谈资，而变成了生死攸关的问题。可观测性和回滚从“可有可无”变成了“必须具备”。信任不再是寄希望于它自然产生，而是需要被工程化构建。这项工作更难，但它会产生复利效应。

大多数公司不会一步完成这种跨越，这没有问题。Authority 并不一定要是绝对的，但它必须在某个地方是真实存在的。直到一个 AI 系统被允许端到端地拥有某个结果，它始终只会让人觉得是生产力工具，而不是变革性的力量。

讽刺的是，企业面临的最大 AI 决策其实与 AI 本身关系不大。这是一个关于控制权的决策，关于信任的决策，关于是否允许软件不只是在人类耳边低声给出建议。辅助型 AI 节省时间；权威型 AI 改变结果。正是这条分界线，而非任何模型选择或基准分数，才是真正开始显现价值的地方。许多传统软件供应商会因其软件“值得信赖”而感到安心。然而，随着时间推移，信任也会逐步建立在 AI 系统之上。正如人们曾花费相当长的时间才开始信任云计算（它安全吗？性能可靠吗？我能否控制它？等等），人们也需要时间去信任 AI 系统。但一旦建立起这种信任，闸门便会全面打开。

前 10 名 EV / NTM 收入倍数

前 10 名每周股价变动

倍数更新

SaaS 企业通常按收入倍数进行估值——在大多数情况下，是未来 12 个月的预测收入。收入倍数是一种速记式的估值框架。鉴于大多数软件公司尚未盈利，或尚未产生有意义的自由现金流（FCF），这是唯一可以用来将整个行业进行横向比较的指标。即便是 DCF 估值，也充满了长期假设。SaaS 的价值主张在于：早期的增长将在成熟阶段转化为利润。下方所示的倍数通过以下方式计算：企业价值（市值 + 负债 − 现金）/ NTM 收入。

总体统计：

• 整体中位数：4.7x
• 前五名中位数：20.9x
• 10年期：4.2%

按生长进行分桶。以下分桶中，我将高生长定义为预计 NTM 生长率 >22%，中等生长为 15%–22%，低生长为 <15%。我不得不调整“高生长”的划分门槛。如果 22% 看起来有些武断，那确实如此……我只是选了一个能让大约有 10 家公司落入高生长分桶的门槛，从而使样本规模在统计上更具显著性。

• 高增长中位数：14.6x
• 中等增长中位数：7.7x
• 低增长中位数：3.7x

EV / NTM 收入 / NTM 增长

下图展示了以 NTM 共识增长预期为分母，对 EV / NTM 收入倍数进行相除的结果。例如，一家公司如果以 20x NTM 收入进行交易，且预计增长率为 100%，则其对应倍数为 0.2x。该图的目的是展示每只股票相对于其增长预期而言是相对便宜还是相对昂贵。

EV / NTM FCF

该折线图展示了所有 FCF 倍数 >0x 且 <100x 的公司中位数。我创建这个子集是为了展示那些 FCF 是相关估值指标的公司。

NTM FCF 为负的公司未列入该图表

EV / NTM Rev 倍数与 NTM Rev 增长率的散点图

增长与估值倍数之间的相关性有多强？

运营指标

• 中位数 NTM 增长率：12%
• 中位数 LTM 增长率：13%
• 毛利率中位数：76%
• 中位数营业利润率（1%）
• 自由现金流利润率中位数：19%
• 净留存率中位数：108%
• 获客成本回收期中位数：36 个月
• 销售与市场费用占收入比例中位数：37%
• 研发支出占收入中位数：23%
• 管理及行政支出占收入中位数：15%

可比公司输出

Rule of 40 展示收入增长率 + FCF 利润率（涵盖 LTM 和 NTM 的增长与利润率）。FCF 按经营活动现金流 – 资本性支出计算

GM 调整后的回本期计算公式为：（上一季度的 S&M）/（当季度的净新增 ARR × 毛利率）× 12。该指标显示一家 SaaS 企业在毛利润口径下收回其完全摊销的 CAC 所需的月数。大多数上市公司不会披露净新增 ARR，因此我采用了一个隐含 ARR 指标（季度订阅收入 × 4）。净新增 ARR 即为当季度的 ARR 减去上一季度的 ARR。未披露订阅收入的公司已被排除在本次分析之外，并标记为 NA。

本文使用的来源包括 Bloomberg、Pitchbook 以及公司披露文件

本通讯中所呈现的信息仅代表作者的观点，并不一定反映任何其他个人或实体（包括 Altimeter Capital Management, LP（“Altimeter”））的立场。所提供的信息被认为来自可靠来源，但对任何不准确之处不承担责任。本文仅供信息参考，不应被解读为投资建议。过往业绩不保证未来表现。Altimeter 是在美国证券交易委员会注册的投资顾问。注册并不意味着具备某一特定水平的技能或培训。Altimeter 及其客户会在公开证券中进行交易，并且已经或可能会就本文提及的公司进行投资或作出相关投资决策。本文所表达的观点仅代表作者个人立场，而非 Altimeter 或其客户的立场；后者保留作出投资决策或从事交易活动的权利，而这些行为可能（或被解读为）与本文所表达的观点一致或不一致。

本文及所呈现的信息仅供参考之用。 文中所表达的观点仅代表作者本人，不构成出售任何证券的要约或购买建议，也不构成任何投资产品或服务的推荐，亦不构成购买任何证券的要约邀请。尽管本文所包含的部分信息来自被认为可靠的来源，但作者及其任何雇主或其关联方均未对该等信息进行独立核实，亦无法保证其准确性和完整性。因此，对于该等信息的公平性、准确性、及时性或完整性，不作任何明示或暗示的陈述或保证，亦不应据此作出任何依赖。作者及其所有雇主及其关联人士对本文信息不承担任何责任，且无义务在未来对其中的信息或分析进行更新。