质疑利润率是个无聊的陈词滥调…

本文信息来源：a16z

每个计算时代都会涌现大量文章，宣称领先企业因利润率低下而难以为继。这种论调曾频繁针对网络公司（尤其亚马逊和奈飞）、移动互联网（优步和 DoorDash 常被点名）、生成式 AI 模型，如今又指向基于基础模型构建的应用程序。

尽管这类文章普遍存在，但最令人费解的负面声音往往来自投资者。我们始终无法理解，为何投资者能心安理得地贬低初创企业，或对创新浪潮持普遍悲观态度。不过这类文章确实容易获得关注，因此成为博取点击量的廉价手段。问题在于它们常常错误百出，或至少目光短浅——若将其作为投资指南，必将错过科技史上许多最成功的案例。

在这篇文章中，我们将回应一些关于 AI 应用公司毛利率的浅薄议论。我们坚信（历史也充分证明），某个时间点的低毛利率并不能作为商业模式缺乏可持续性的长期指标。此外，许多批评者通过将当前 AI 公司与过去周期中留存率低、获客成本高的 DTC（直接面向消费者）订阅公司类比，完全忽视了当今 AI 企业的独特性。这些早期企业群体与如今的 AI 应用截然不同——后者能提供深度的客户价值、强劲的使用粘性，并通过团队和企业级扩散实现爆发式的净扩张。我们将尽力澄清这些误解。

以下是针对基于基础模型构建的应用公司的常见批评。

论点：AI 应用必须永久维持 X 美元/月的低利润率

批评者们主要关注的是指出那些提供无限使用的基础方案往往毛利率较低。确实，大多数产品驱动型公司普遍存在这种情况。然而，标准做法通常是公司随后推出专业版方案，设置使用限制并转为按用量计费。或者他们会隐藏具体使用的模型类型，从而将部分流量导向更小/更便宜的模型。许多领先的生成式 AI 应用公司在实施这种分层策略后，仍保持着强劲的持续增长，这证明实际产品价值（而非补贴）才是驱动使用的核心因素。

此外需要认识到，在许多领域，处理查询的成本存在很大差异。如果能识别出部分高成本查询并用更便宜的模型处理，利润率问题就能得到缓解。据我们了解，许多领先的应用公司都精于将高价值查询路由至利润率最优的推理模型。

认为用户始终只追求前沿模型的观点，实际上是对这些应用实际使用场景的片面理解。模型偏好会因任务而异，在许多性能差异有限的用例中，较低的总拥有成本（TCO）反而更受青睐。

断言：AI 应用公司无法盈利的用户群体将无限期拖累整体业务经济性

对许多 AI 订阅业务而言，少数用户贡献了绝大部分使用量，因而也构成了主要成本来源。这意味着对总用户中一小部分（往往在 X 平台上发声最活跃的群体）实施速率限制，既能显著降低成本，又不会对收入增长产生重大影响。即便是前沿模型也面临这个问题——当对前 5%的高频用户实施速率限制后，通常能看到成本明显下降，而收入所受影响却十分有限。

此外，大多数应用公司在更高层级（团队版、企业版等）拥有盈利板块，这些数据并不体现在外部统计中。在 AI 时代，定价与包装策略比以往任何时候都更能撬动利润空间，专业用户为高价值、高频使用的 AI 产品付费的意愿，甚至屡屡超出我们内部最乐观的预测模型。

论点：AI 应用公司无法控制模型定价，只能屈从于垄断性租金剥削

迄今为止，模型领域不存在垄断格局。鉴于头部企业持续巨额投入与开源社区的高效运作，可预见的未来也难以形成垄断。每当新模型发布，用户就会大规模迁移——部分原因在于应用本身就是有效的分发渠道，能够主动引导用户流向。就在最近，OpenAI 发布 GPT-5 后，开发者群体迅速从 Claude 转向新平台。而就在撰写本文时，深度求索（DeepSeek）发布了 V3.1 API 接口，其性能成本比似乎再次突破临界点，很可能引发新一轮用户迁徙。

此外，几乎没有迹象表明基础模型市场会自然整合为垄断格局。在某一模型模态上率先达到 SOTA（最先进水平）并不能保证长期领先地位。曾有近一年时间，其他模型提供商无法赶超 GPT-4。Midjourney 并非首个图像生成模型，谷歌和 Kling 也非视频生成领域的先驱。事实上，从历史来看，AI 模型的领先地位往往难以持久。在过去 18 个月争夺市场份额的激烈竞争中，由于缺乏长期占据主导地位的企业，价格压力持续加剧。

但这并非成本下降的唯一驱动力。推理优化仍处于早期阶段，而迄今为止推理成本的下降趋势无可争议。根据你参考的基准不同，在过去 18 个月里，相同百万 token 成本下，推理费用已降低了 10 倍至 100 倍以上。虽然我们承认将整体推理成本下降与应用利润率提升直接挂钩过于简单化，也意识到前沿模型通常比前代更昂贵，但鉴于模型层持续的竞争和优化，假设我们已经达到平衡状态同样目光短浅。此外，正如前文讨论的多模型应用场景，前代模型成本的下降仍为利润扩张创造机会。

观点：补贴正在模糊真实的产品市场契合度

当前存在大量陈词滥调，用”50 美分卖 1 美元”来形容 AI 应用公司（尤其是涉及代码的），认为它们依靠风投资金补贴来获取转瞬即逝的用户行为——当音乐停止时这些用户会立刻消失。

仅凭短期毛利率就得出这一结论是危险的，因为这忽略了衡量免费模式或专业用户策略是否有效的更重要指标：1) 向付费用户的转化率 2) 向企业客户的转化率 3) 用户群体的使用情况以及收入留存与扩张。如果企业吸引的漏斗顶部用户能转化为付费客户，将产品引入企业市场（通常伴随着创纪录的短销售周期），并且不仅能留存还能扩大收入，那么这个策略就是成功的，毋庸置疑。

这套商业模式绝非新鲜事物，但我们正目睹生成式 AI 企业成功实践这一策略——它们以超预期的速度攻占企业市场，甚至凭借惊人的渠道能力超越老牌巨头。AI 公司正通过构建庞大用户群来自主搭建销售渠道，这些用户群为销售漏斗持续供能，最终培育出高利润团队和企业合约，这类业务在未来营收中的占比将不断攀升。正如企业服务领域的老兵所知，前 20%的合约往往贡献 80%的收入。用部分低利润业务换取通往高利润领域的通道，这是精心设计的商业特性，而非系统缺陷。

观点：AI 应用只是单薄的外壳，除了提供底层前沿模型的访问权限外毫无价值

另一个普遍存在的误解是，生成式 AI 应用主要是前沿模型的浅层封装。虽然部分应用确实如此，但我们观察到，应用程序拥有能快速实现差异化的战略控制点。这主要通过两种方式实现：1）高效团队利用初始切入点迅速扩大产品覆盖面；2）领先应用会组合多个模型（包括部分自研模型），在功能或价格上提供单一模型无法实现的服务。这两种方式都有助于提升长期利润率，但前提是短期内必须赢得用户青睐。

现实情况是，模型本身根本算不上产品或平台。AI 代码生成公司通过增加托管、自定义域名和安全扫描等功能创造了巨大价值。高价值（且通常高利润）的增销服务提升了用户平均收入与留存率。

产品专用模型的兴起为进一步差异化创造了空间，因为产品通常掌握着更丰富的用户行为与偏好情境数据。这使得它们能够创建或微调出独特高效的模型，这是任何缺乏深层应用层洞察的模型供应商都无法实现的。以编程为例，从 API 的视角很难判断生成代码被采纳的程度。即便代码被采纳，也无法观测它是否存活到被提交为 PR 或合并入主分支。在持续寻找更有价值数据源的竞赛中，几乎没有比产品数据更接近真相的资源。当应用团队训练或微调自有模型时，这显然构成了模型质量差异化的路径，也是驱动长期定价能力与成本优化的潜在杠杆。

结语

那些以牺牲初创企业为代价寻求确定性的投资者，仍会继续撰写这类公式化且通常缺乏远见的短视评论，死盯着初创企业的短期利润率。对此我们无能为力。但对于希望全面理解这一复杂议题的读者，我们希望本文能为讨论带来建设性视角。并非所有初创企业都能成功，利润率低下有时确实会成为致命伤。当然，系统性低利润或负利润的企业理应获得相应估值。但必须指出，利润率绝非故事的全部。我们坚信，若只盯着利润率而忽视企业对客户的价值、用户留存率和获客便利性，无异于本末倒置。同样重要的是，AI 应用公司拥有诸多有效策略来实现长期健康利润率。

我们的朋友纳特·弗里德曼说得精辟：”悲观者听着聪明，乐观者赚到真金”。