AI | Page 16 | RecodeX

Feb 09, 2026

软件已死……又一次……这次真的……也许？

错误 404 未找到 DNS_PROBE_FINISHED_NXDOMAIN . . . . 开个玩笑……软件没死还没把 Clouded Judgement 拔掉，至少现在还没有！趁还能订阅就订阅吧，传言说如果软件市盈倍数中位数跌破 3.0x，Clouded Judgement 就会自燃。而在凤凰的灰烬中将会重生……幻觉判断，向我们新的 AI 霸主致敬。又在开玩笑（也许），那绝不会是名字软件已死……又一次……这次是真的……也许上周我写了一篇题为“ 软件已死……又一次 ”的文章。自那以后，IGV 在一周内下跌了约 20%。如果一周前软件已经死了，那么现在是什么情况，又下跌了额外的 20%？！先——一些有趣的数据下一个十二个月（NTM）营收倍数的中位数为 3.6 倍（此处请准备好所有“他还在谈营收倍数？！”的评论）。这是过去十多年里的最低值。对于讨厌营收倍数的人来说，中位数自由现金流（FCF）倍数为下一年 FCF 的 16 倍，中位增长率约为 20%（唉，再次请准备好另一批吃瓜群众说这些 FCF 都不真实，都是以股权补偿（SBC）的形式存在）。无法逃避，也许软件在没有估值支撑时就是零。好景不长。我所编的软件指数中有 39%以低于 3 倍 NTM 营收交易中位“高增长”软件公司的交易估值低于10倍营收超大规模云服务商（具体是 AWS 和 Google Cloud）表现非常出色。Google Cloud 从上季度的 34% 加速到本季度的 48%，AWS 从上季度的 20% 加速到本季度的 24%。他们的资本支出预测也大幅上调。Google 指导来年的资本支出约为 […]

AI

Feb 09, 2026

垂直化人工智能会存活吗？

在过去三周里，特别是 Anthropic 表现强劲。Claude Code、Cowork、Claude for Excel 和 Claude 用于法律审查等产品让市场对整个 SaaS 行业以及新兴的垂直化人工智能生态系统产生了疑问。 The current consensus view is saas is dead…presuming that's right, the next interesting next question is What companies are "safe from ai"? – handling money, regulation– agents on top of company data– most hardware?– maybe systems of record?– security?– marketplaces? — Jack Altman (@jaltma) […]

AI

Feb 09, 2026

强化学习与数字孪生在制造业的局限——以及真正有效的方法

理论上，AI 原生工厂的前景令人惊叹，在某些方面也显得不言自明。如果工厂可以实现端到端的可观测和自动化，就可以把它当作一个可控系统来处理，而不是一堆相互孤立的机器和人员。在那样的世界里，强化学习（RL）成为一种有吸引力的方法：观察系统状态、采取动作、获得奖励、重复进行。将强化学习与数字孪生结合起来，看起来是对制造业中难以维护的基于规则系统的一个很好的替代方案。对于静态优化来说，相互作用的变量太多、不确定性太大。其想法是，与其手工编码逻辑，不如让系统随着时间学习并自我适应。从远处看，车间就像一个应该可以被学习的巨大系统。但在实践中，许多重要因素对软件仍然是不可见的，且超出了其直接控制范围。我在不同工厂拜访期间拍摄的照片。未来的某个时刻，我希望以人工智能为核心的工厂成为常态。但对大多数工厂而言，那一未来仍遥遥无期。仅美国就有数十万家制造工厂，其中绝大多数是传统设施。如果我们想在有意义的层面上提升生产力，就必须优化现有的东西。为此，把强化学习和数字孪生应用到全厂级运营上是错误的起点。第一道壁垒：你实际上并没有“状态” 强化学习假定你可以观测到你试图控制的系统的状态。而在大多数工厂，情况并非如此。大多数工厂仍然使用带有有限遥测功能的旧设备。时间戳不一致。像材料质量、刀具磨损或工艺窍门这样的重要变量存在于操作员的脑海中，而不是数据库里。理论上可以对设备进行传感器改造，但这代价高昂且需要大量手工工作。遗憾的是，并不存在干净的数据流。你必须整合 PLC、历史数据库、MES 系统、电子表格和手写记录。因此呈现出来的是对车间实际情况的拼凑、不完整的近似。这就是为什么许多数字孪生最终只是部分实现、滞后，或完全错误的原因。没有有意义的状态，就无法学到有意义的策略。第二道墙：你无法控制环境强化学习还假设动作会被执行且反馈是干净的。要是在制造业真是这样就好了！工厂是由多层相互叠加的流程构成的社会-技术系统。物料搬运、加工、质量、维护、排程、劳动力分配等。建议有时会被忽视。日程会被延误。会做出例外处理。这使得实施真正能采取行动的系统变得困难。报警、建议和推荐在许多情况下已经存在，但告诉某人该做什么与真正能够去做是完全不同的。我最近与我的朋友 Pavel Konov 交谈过，他曾在 Toyota Research Institute 担任机器学习工程师，并曾担任 Hadrian 的顾问。他举了一个对 DevOps 很有用的类比： “正如 DevOps 从 Nagios 这样的工具过渡到 PagerDuty，再到如今的云原生告警和工作流系统一样，我认为在这方面有巨大的改进空间，AI 数据科学家实际上可以提供帮助。现在如果你看看工厂里任意一个仪表盘——很可能是某个脆弱、原始的 Excel VBA 脚本或类似东西——你会收到成千上万条工程师和操作员干脆忽略的告警。造成这种情况的原因有很多：大量误报、告警可配置性差、基线值漂移等。这就像 60 个遗留遥测问题中的第 3 个问题。” 建议与行动之间的差距意味着信号层本身仍需改进。即便工业数据可以被采集，它通常也通过不可靠的连接传输，并且缺乏成为有用信息所需的上下文。将原始遥测转换为有意义的信号需要大量处理和特定领域的建模，而这又依赖于在遗留工业环境中稀缺的数据科学和工程人才。没有这些，就无法在观测与结果之间建立稳定的映射，供系统学习。实际有效的方法在某些领域，强化学习（RL）确实可以在工业环境中发挥作用。这些通常出现在已经表现得像“环境”的系统部分：单一工序、受控设备和软件定义的工作流。在这些情况下，动作空间是有界的。反馈回路紧凑且快速。并且不需要人类介入。这些机会更多集中在工序级而非工厂级的优化。一般来说，范围越窄，效果越好。这就是为什么近期目标不应是让现有工厂完全自主——而应当是让特定决策更好。形式可能包括改进的过程控制、单元级优化、更智能的派工系统、更好的决策仿真，或者将操作员在工作流中已使用的启发式规则捕捉下来。找到合适范围的一个有用方法是提出一小组具体问题：系统具体控制哪个决策？该决策是自动执行的还是仅作建议？奖励多快出现？该系统能否在不重新架构工厂的情况下部署？ […]

企业级应用

Feb 09, 2026

AI 对制造业差异的影响

制造业中的每个人、每台机器和每件产品都是独一无二的，这就产生了差异。AI 最先进的功能最适合用于减少这种差异，从而改善经济成果。在以往的 Substack 文章中，我曾写过机器人在美国制造业未来中的作用，以及将有助于弥合物理现实与数字可见性差距的美国新的“物理软件”层。计算机视觉在机器人和我所称的“物理软件”中都发挥着重要作用，如果我们要在美国制造厂的运行方式上看到真正的范式转变，计算机视觉能力必须持续改进，这是至关重要的。为什么？因为今天的工厂都很老。大多数美国制造业资产建于20世纪中叶的繁荣年代，之后只是逐步升级——并未整体替换。这影响了生产率、维修成本以及数字化和人工智能升级的边际效益。研究指出，工厂平均寿命超过25年。与此相比中国则不同：由于中国在2000年代和2010年代大规模推进工业厂房建设，其制造业资本存量中由近期年代建成的占比更高。较新的设施在整合数字化、自动化和人工智能技术时通常受制于遗留问题较少——且现代化的起点速度更快。另一方面，新建工厂或彻底改造旧厂需要数年时间——这样的时间表带来经济后果，是大型制造商难以承受的。清空旧设施的停产成本过高，而关税的不稳定性使得目前建新厂变得无法维系。要在单个工厂层面达到最佳制造效率，这一进程将会缓慢推进——事实上，这一过程已经开始。尽管机器人可能成为制造业的未来基石，人工智能已以深远的方式逐步进入制造设施，并弥合通向最佳效率的差距。人工智能应对制造计划中的差异人工智能在制造业的投资回报正在“无聊”的领域显现。人工智能在聚合来自各类来源的非结构化数据并加以理解方面具有独特优势。在制造领域，这使得该技术非常适合减少差异——而非减少人员。人工智能工具可帮助应对多种差异。过程差异衡量产品质量、产量、设备停机时间等方面，人工智能可以在每一方面产生影响，制造商也开始注意到这一点。调查显示，超过 55%的制造商将人工智能视为“改变游戏规则”的技术，并且超过 78%的人预计在未来两年增加对人工智能的投资。近年来，制造业场景中 AI 软件工具的使用激增，且成效显著。2024 年有 35% 的制造企业在某种程度上使用了 AI，而 2019 年几乎没有采用。早期采用 AI 的企业平均实现了 15–25% 的运营成本下降和 30–50% 的缺陷减少。同样，一项 2025 年的调查发现 78% 的制造业高管报告其生成式 AI 投资带来了可衡量的投资回报，73% 的制造商在 18 个月内实现了 AI 的正向投资回报——这反映出能降低差异的 AI 在效率和质量方面带来的切实改进。随着基础 AI 的改进，回收期将继续缩短。正如俗话所说，今后我们一生中 AI 最差的状态就在今天。差异的多种形式更具体地说，最近的一项分析发现质量检验是工业领域中最主要的人工智能应用场景，约占已实施人工智能应用的 11%。预测性维护和产量优化也是重要的应用场景，这强调了制造商优先在能够稳定工艺和产出的位置部署人工智能。美国所有主要制造业子行业都出现了显著的人工智能部署，但各行业侧重点不同。在汽车行业，基于人工智能的视觉系统被广泛用于装配验证和最终检验，以减少召回和保修索赔。电子/半导体部门则将人工智能用于良率管理——例如，Intel 的工厂使用人工智能模型分析 100% 的晶圆数据，并以超过 90% 的准确率检测出细微的失效模式，从而实现更早的修正并帮助各晶圆厂维持高良率。过程工业（化工、制药、冶金）利用人工智能来稳定本质上存在变数的工艺：从实时调整化学配方到优化批量生产以获得更高且更稳定的产率。重材料行业（钢铁、玻璃）也在使用机器学习来收紧工艺控制。在各行各业，这些应用表明人工智能能够应对多种变异来源——无论是人为错误、设备故障，还是工艺复杂性——从而实现更可预测、更高效的生产。 […]

企业级应用

Feb 09, 2026

AI 正吞噬软件！工业软件一同受益！

为什么工业平台正在吸收人工智能——并因此变得更强。每隔几年，关于科技的叙事就会简化为某种过于单一的说法。此刻，最喧嚣的版本是这样的：人工智能正在扼杀软件。这其中有一定道理——但它忽略了真正发生的事情。人工智能并非在消灭软件；它在重新排列软件价值所在、决定哪些商业模式可行，以及谁最终能分享收益。从我们在 Energize 的角度出发——专注于能源、基础设施和工业系统——情况看起来完全不同。在我们看来，工业软件正成为人工智能转变的主要受益者之一，而非牺牲品。矛盾是真实存在的——并且正在趋同在科技、能源和基础设施市场，多重力量同时推动着变革：电力与能源需求在加速增长，这一变化正把讨论从单纯的“能源转型”转向大规模的能源新增气候与可再生能源仍然具有政治争议性，即便部署仍在继续人工智能正在颠覆传统软件的经济学和用户界面工业数字化正在推动软件市场中一些最强劲的并购活动这些动力看似矛盾，实际上相互强化。人工智能正在推动对数据中心、发电、电网可靠性和物理基础设施的前所未有的需求。这些基础设施必须规划、获批、建设、连接、监测并优化。所有这些工作都依赖于能够理解物理世界的软件。问题不在于软件能否在人工智能时代存活。问题是哪些软件能存活。为什么工业软件看起来不同 “软件已死”这一论调大多源于横向 SaaS——为广泛采用、浅层集成和替代工作流程而设计的工具。这些公司面临来自原生 AI 界面和基础模型的真实压力。工业软件在非常不同的环境下运行。为能源、基础设施和工业客户提供服务的公司深度嵌入关键任务工作流。许多公司充当记录系统，管理长期存在的资产、复杂的监管要求和客户难以迁移或复制的运营数据。这一位置在以人工智能为驱动的世界中创造了强大的优势。以 Sitetracker 为例，该公司支持全球范围内的关键基础设施部署。多年积累的受信任客户数据和工作流所有权使得可以将人工智能直接叠加到规划、搜索与执行中——在不取代底层平台的情况下改善结果。或者看 ZEDEDA，它位于工业系统的边缘，管理跨现实资产的分布式计算。随着人工智能越走越近边缘，这一控制层的价值变得更加——而非减弱。如果一家公司拥有：与工业客户之间值得信赖的数据关系，并且在现有合同和工作流程中拥有运营权利那么，人工智能就会成为助推器，而不是替代品。人工智能改变了服务的经济学——并未将其抹去另一个误解是认为人工智能可以将服务从方程中剔除。在工业市场，服务一直是价值创造的一部分——实施、配置、勤勉（diligence）、以及运营支持都是不可避免的。人工智能改变的是经济学。我们看到公司利用人工智能压缩时间表、自动化可重复的工作，并将定制化服务转变为可扩展的产品化服务。这一转变既提升了利润率，又加深了与顾客的关系。例如： Greenlite 将人工智能应用于许可和监管工作流——该领域传统上因手工流程和数据碎片化而拖慢基础设施项目进度。 GridStrong 利用 AI 帮助公用事业公司更好地理解、规划和运行电网，将复杂的系统数据转化为可执行的情报。在每一种情况下，AI 并未取消人的参与——它放大了人的作用，使专业知识更具可扩展性、结果更可预测。 AI 原生工业公司的崛起在已有平台的同时，新一代以 AI 为先的工业公司正在涌现。这些企业“出生”于这个时代。早期，软件与服务的界限常常模糊——但正是在这种状态下构建起新一代工业技术栈。关键在于实现价值的速度、对领域的理解以及直接整合进现实系统的能力。引人注目的是这些团队在组织相对精简的情况下成长速度之快，他们在能源、基础设施和气候市场中解决了狭窄但关键的问题。随着时间推移，许多团队将成为物理系统设计和运行的基础层。我最近看到的例子包括： Nixtla：原生于 AI 的预测基础设施，使工业和能源公司能够在复杂的时间序列驱动系统中生成更准确的实时预测。 Halcyon：一个 AI 辅助的能源情报平台，帮助专业人士通过自然语言搜索和具代理性的提醒来应对监管申报、市场信号和复杂的能源数据——在快速变化的能源市场中加速做出更好的决策。 […]

AI

Feb 09, 2026

AI 与生产力套装的终结

几十年来，“生产力软件”意味着一个稳定的套装：电子邮件、文档、电子表格和幻灯片，由 IT 管理并在企业内标准化。这种稳定性造成了强大的文化（习惯）、运营（模板、权限、合规）和组织（变更管理与捆绑采购）换位成本。因此，像 Microsoft 和 Google 这样的公司占据主导地位——不是因为产品质量更好，而是因为离开比留下更难。如今，AI 正在重塑这套装。不是因为“AI 功能”新奇，而是因为界面和工作单元正在改变。市场正在从帮助人类完成任务的应用转向与人类并肩工作的智能代理。无论你是在构建（或收购）下一代生产力工具，从我们的视角来看，这四大转变最为关键。企业语境成为护城河前 AI 时代的生产力软件依赖人来提供缺失的语境：什么是“优秀”、谁需要审批，以及那些不成文的规则。AI 改变了这一切。软件必须足够理解组织，才能在无需人为将一切翻译为明确步骤的情况下运行。最具吸引力的 AI 生产力应用，是那些能够在工作流程中高效捕捉、推理并累积这些企业语境的应用。Glean（Sapphire 的投资组合公司）例如构建了一个企业和个人的“图谱”，编码了人与人、项目、团队和流程之间的关系，并用其来驱动相关搜索结果和功能型智能体。在这一点上，现有巨头占得先机。Microsoft 和 Google 掌握着数十年的企业数据。但拥有数据并不等于能够累积语境。传统架构并非为在工作流上推理或从使用模式中学习而设计。差距不在于获取信息，而在于将这些信息转化为自适应、具代理性的行为的能力。这正是挑战者的机会所在。这使得防御力从“一个巧妙的工作流”转向能够持续捕捉语境的系统，涵盖权限、关系、团队特有规范、历史决策以及那些让企业成为企业的复杂边缘案例。 “代理式用户体验”并非护城河，语境才是。如果你的产品在被使用过程中无法对某个特定企业变得明显更聪明，你就在构建一个会被竞品压低的功能。如果它能累积语境，你就有资格随着时间推移协调更多工作。多条采用路径，每条路径都有不同的失败模式 3 种新兴的市场进入（GTM）模式：打包型代理（快速见效）：带有预设方案、开箱即可使用的解决方案。这类产品可以自下而上迅速传播，但它们很脆弱，除非它们（a）锁定专有的上下文信息，或（b）成为某项真实事务的记录系统。否则，既有厂商会复制工作流，而分发优势将取胜。例如，Gamma 不再只是演示文稿的创作工具，而是演示文稿实际存放的地方。团队在 Gamma 中反复迭代、存储并直接跟踪参与度，从而在最初由 AI 提供动力的工作流之外形成转换成本。可配置代理平台（上限高、灵活性强）：这些解决方案提供灵活的层，团队可以像 Lovable、 Wonderful 和 Sola 那样自行编码工作流。风险在于成为摆设。“可定制”常常意味着“永远无法完全部署”，除非平台与可衡量的结果紧密绑定，并在关键点上有明确立场，包括权限、治理、监控和回滚。例如，Wonderful 通过将其平台以高投资回报率的用例为导向（如客户服务和员工支持），并在设计中内置灵活性与保护措施，从而规避了成为摆设的陷阱。代理框架（最大控制权、完全所有权）：用于在内部构建自定义代理基础设施的工具，例如 LangChain（Sapphire 的一家投资组合公司）和 Crew.ai 。这些工具使以工程为主导的组织对其 AI 堆栈拥有完全所有权，但采纳门槛更高。例如，LangChain 将其基础的开源库与具备生产级可观测性、编排和部署工具相结合，为团队提供构建和扩展专有代理系统所需的一切。没有万能灵药。正确的方法会因工作性质（例如，确定性与非确定性、通用与垂直特定）和组织的内部技术成熟度（即在规模较大、以工程为中心、倾向于内部构建的组织中）而异。最终决定胜负的不是代理如何构建，而是它们是否能够随着时间推移切实关联并推动可衡量的业务成果。迭代变得无摩擦，门槛提高人工智能缩短了意图与产出的距离。曾经需要数天完成的工作——制作演示文稿、重写叙述、生成初步分析——现在可以在几分钟内完成。这不仅仅增加了产出量。它将竞争优势转向那些具备品味、表达清晰且反馈循环紧密的团队。当每个人都能产出更多时，真正的差异化在于谁能最快地迭代到正确的方向。对企业而言，令人不安的含义是，曾经受到重奖的许多工作，包括格式化、协调开销和初稿，变成了入场券。价值向更高阶的判断迁移，比如决定要追求什么、要淘汰什么，以及如何清晰地传达决策。能力汇聚成新的控制平面最重要的结构性变化是，AI 正在把工作上移一层。用户不再在 10 个应用间来回切换，而是越来越多地从像 ChatGPT、Claude 和 NotebookLM […]

AI

Feb 09, 2026

人工智能时代的募资新规则

这篇文章由我与我的 Madrona 同事 Anna Baird 和 Hope Cochran 共同撰写。多年来，创业者有一个明确的目标可供瞄准。“三倍-三倍-两倍-两倍”虽然雄心勃勃，但至少给了你一个具体的成长方向。如果你能实现那样的增长，就很有可能获得一笔出色的融资。这些基准并不容易达到，但至少清晰可见。在人工智能时代之前，SaaS 公司常常展现出稳定且可比的增长模式。有人可能会认为投资者过于依赖 ARR 作为评估初创公司健康状况的单一指标，但它至少在投资者、初创公司和各行业之间形成了一种共同语言。这种稳定性随后被一种更高但更模糊的门槛所取代。问题不在于标准下降了，而在于“生长”模式本身变得不再清晰。公司现在可能在数周内用户激增到数百万，然后几乎同样迅速下滑。账面上的收入看起来光鲜亮丽，却可能掩盖根本性的弱点。传统的基准仍在被衡量，但它们已不再是衡量一家初创公司增长和融资前景的完整指标。这迫使投资者彻底重新思考如何评估公司。过去的问题是“你达到目标了吗？”现在的问题是“这些数字到底能告诉我们未来可能是什么样？” 为什么生长模式破裂了人工智能大幅降低了构建和交付产品所需的成本与时间。一个有能力的创始人可以在几周而非数月内将真实产品推到客户面前。表面上看，这似乎完全是利好。实际上，它让市场变得更嘈杂，也让投资判断更难以坚定。几年前，如果你的产品已在市场上获得了显著的用户拉力，仅此一项就能向投资者传达很多信息。构建和分发软件曾足够困难，能够实现规模化证明了能力与需求。但在一个比以往任何时候都有更多公司达到百万、千万乃至一亿美元收入的时代，其他指标成为塑造初创公司融资故事的关键因素。如今重要的要素几乎和初创公司及其所处行业一样多样。问题更复杂，因为 AI 产品的使用量增长并不一定能转化为持久价值。有人可能积累了惊人的参与指标，但所打造的本质上只是一个新鲜事物。传统 SaaS 指标更清晰：如果一家公司每年付你 5 万美元并持续续约，说明你可能在解决真正的问题。按消费计费的模式则更模糊。高使用量可能意味着真实的依赖，也可能只是人们在玩一个玩具。与此同时，过去被视为可靠的早期收入变得不那么可信：曾经表明真实兴趣的试点项目现在更像是实验经费。许多行业的客户预算已收紧，如果价值不能立即显现，任何一笔开支都更难自圆其说。竞争性颠覆发生得比过去更快——创业门槛大幅下降。买家更愿意尝试新颖创新的事物，这意味着昨日的势头可能出人意料地迅速消失。早期收入增长曾是黄金标准的衡量指标。但现在不再如此。我们见过太多公司达到 500 万或 1000 万美元的年经常性收入（ARR）后就完全停滞，因为它们从未构建出任何有防御性的东西。增长来自先发或新颖，而非必需性。其结果是投资者不能再依赖模式匹配。“如果在这个阶段你有 X 的 ARR，就会以 Y 的估值完成 A 轮融资”这样的规律不存在。每家公司都需要实际判断——增长是否真实、是否会复利增长或衰退，或是否可能被新入局者、基础模型公司的功能扩展或传统科技巨头的扩展所颠覆。投资者现在真正评估的是什么如今能筹到大额融资的公司，不一定是那些表面上收入最好的一批。真正获青睐的是那些能够证明其增长是持久而加速的公司，而非脆弱或停滞不前的公司。以下是实际表现的样子。能证明真实需求的清晰指标投资者已经不再在意你是否达到了某个特定的年度经常性收入（ARR）里程碑。他们关心的是你的指标是否证明客户确实需要你在构建的产品。一家年收入50万美元且单位经济学清晰的公司，如果数据表明产品与市场匹配无可置疑，仍能筹得一轮优质融资。相反，一家年收入500万美元的公司如果有一半收入来自一次性试点或伪装成经常性收入的咨询服务，就会陷入困境。重要的指标完全取决于你的商业模式。对于某些公司，是保留率队列；对于另一些公司，是现有账户内的使用量增长；还有一些公司，关键是扩展收入能够自发发生，而不是创始人必须亲自挨个推进每一次追加销售。扼杀交易的是模糊不清。如果你对收入的定义不够精确，或你的数据需要冗长解释才能讲得通，投资者会认为你要么糊涂，要么在隐瞒什么。势头比你当前的规模更重要 […]

AI

Feb 09, 2026

人工智能时代的流失与留存：客户成功可以提供帮助

我们最近为 Array Ventures 的投资组合创始人举办了一场客户成功工作坊，并收集到了一些令人震惊的洞见。 AI 公司面临的并不仅仅是流失问题，而是一场保留危机。低价 AI 工具（< $50/月）的流失率极高，毛收入保留率 GRR 约为 ~23%，净收入保留率 NRR 约为 ~32%，意味着约 70–80% 的收入在一年内流失。让我恍然大悟的 a16z 观点：不要从第 0 个月开始衡量留存。应从第 3 个月开始衡量。AI 观光客会在第 1–12 周内流失。真正的留存曲线从爱好者离开之后开始——留下的都是已将你整合进实际工作的人。为什么 AI 流失率可能更高易买也易退：简单的注册流程让初始采纳迅速，但也容易放弃。观光式流失：许多下载或试用更多反映的是好奇心，而非长期承诺。缺乏工作流程集成：未嵌入核心工作流程的产品往往流失迅速。正在领先的公司都在做这些向高端市场移动（每月 250 美元以上）：70% 的总收入留存率 / 85% 的净收入留存率——基本匹配 SaaS 构建以习惯性工作流为中心的产品（Lovable 每天 10 万次应用的事实说明了这一点）在 AI 之上增加服务/专职交付团队（Palantir 的作战手册）给创始人的一些建议 63%的客户会在前 30 天内决定是否续约。不是在续约时，而是在入职期间！！围绕客户在前 […]

企业级应用

Feb 09, 2026

软件的蜕变：赢得升级周期

在 Moltbook 本周末占据互联网之前，上市软件公司的抛售重新点燃了关于软件未来的讨论。 Andrej Karpathy 评论近期 AI 编码进展时语气不祥地写道： LLM 代理能力（尤其是 Claude & Codex）在 2025 年 12 月左右越过了某种连贯性阈值，并在软件工程及密切相关领域引发了相变。智能部分突然明显领先于其他一切——集成（工具、知识）、对新组织工作流与流程的需求、以及更广泛的扩散。2026 年将是一个能量充沛的一年，因为行业在消化这一新能力。尽管现有企业的收益远超预期，但市场仍感惊慌，因为支撑软件商业模式质量的基本假设已受到质疑，正如 Jamin Ball 写道：主要是对 SaaS 商业模式的信心已经瓦解。长期以来，SaaS 企业被视为“现金流年金”。早期宽松的资金，快速转为盈利，随后每年稳定产生现金。于是可以通过把每年现金流的现值相加并假设一个终值（terminal value）来计算 SaaS 企业的“内在价值”。更具体地说，就是计算未来 10 年现金流的现值（折现到今天），然后对终值（即第 11 年及以后）做出假设。人工智能带来了巨大的疑问，即这些“稳定”软件公司未来的留存率将如何。软件看空者认为，这一平台转变将导致留存率恶化，因为公司将抛弃传统 SaaS 供应商，转向现代的以 AI 为本的替代方案。与此同时（且相关），这增加了某些公司终值实际上为 0 的可能性。留存率已趋于稳定，较2021年水平有所收窄。来源： Avenir 软件公司已实现现金流量盈利，但鉴于基于股票的补偿的影响，这并未在 GAAP 基础上转化为真正的经济盈利。公司变得“40 法则”高效……来源：Jefferies 但真正的盈利仍然罕见……来源：Avenir 不断上升的股票补偿正在从结构上稀释 SaaS 投资者的回报。来源鉴于此，围绕企业可能出现的历史性升级周期，正在讨论三种情景： incumbent 向其产品表面注入恰到好处的人工智能，并结合其分发优势，推动客户续约以 AI 为本的颠覆者赢得升级周期并取代在位者 […]

AI

Feb 09, 2026

市场如何定价人工智能风险

垂直软件今年下跌了43%。开发工具仅下跌21%。两者之间22个百分点的差距告诉你市场对人工智能的真实看法。正如 Michael Mauboussin 在《Expectations Investing》中所论，价格包含了市场对未来可能发生事情的信念信息。传统的解释是，投资者担心人工智能会取代某些类别的软件。但这一解释忽略了一个重要点。像 Veeva、AppFolio 和 Procore 这样的垂直软件公司拥有真正的护城河：监管壁垒、使其产品成为整个行业操作系统的深度集成、以及对 AI 尤其有价值的多年累积领域数据。若论被替代的难度，这类公司理应比通用工作流工具更难取代。然而，垂直软件的市值折让却最大。原因就在于它们的增长速度确实没有那么快。以流程管理为主的公司，如 Monday、Asana、Smartsheet，其核心价值主张正被 AI 代理直接瞄准，股价下跌约 39%，仅略逊于其他板块。出现两大群体：增长缓慢的如垂直软件（8%）和流程管理（11%），以及增长迅速的如数据基础设施（22%）和安全（21%）。这些群体之间的年初至今表现差距大约为 20 个百分点。前瞻性增长与前瞻性营收倍数之间的相关性仍然强劲，为 0.51。 AI 改变了经济学。越多代码被生成，就越多代码需要管理、评价与部署。Atlassian 最近的财报验证了这一论点：Atlassian Intelligence 的月活跃用户超过 500 万，云端收入增长 26%，首次突破 10 亿美元，且经常性收入预留（RPO）同比增长 44%。数据基础设施的顺风因素具有结构性。更多 AI 意味着更多查询、更多嵌入向量、更多向量运算。安全仍然是企业必须持续支付的保险费用。AI 的采用带来了更多需要防护的攻击面。投资者正在向上市软件公司提出一个简单问题：当下一波自动化让其客户更高效而非客户数量增加时，公司还能增长吗？下跌最快的股票是那些令投资者对该问题答案存疑的公司。

企业级应用

Feb 09, 2026

如果细微差别就是护城河？

真正的 AI 竞争优势或许不在模型本身，而在于你对顾客理解的深度。整个互联网现在都在热衷于 OpenClaw，但它不是一个 LLM，也并不真正拥有任何专有 AI。相反，它找到了让 LLMs 看起来像在发挥作用的方法，更重要的是，让它们看起来像是在为你工作。通用化问题你现在可以做一个耐人寻味的实验。请 ChatGPT 帮你写电子邮件。你会注意到一些奇怪的地方——一种正式程度的幽灵谷现象。它比你与团队相处时要正式得多，但在某些高风险场景下又不如你实际会表现得那么正式。它的冗长让人感觉有些不对劲。现在把这种情况外推到合规报告、承保备忘录、客户简报要点。有句老话说，文化不是我们说什么，而是我们做事的方式。任何存在“文化”的地方，任何公司行事有固定方式的地方，细微差别都能在那里被体现出来。在这里，LLMs 的问题显露无遗：LLMs 具有惊人的泛化能力。它们抹平棱角，淡化声音，规范化方法。十亿美元级的问题大型云服务商吞噬所有人晚餐的风险确实存在。一些风险投资者说“护城河不再重要”。还有人声称“资本就是护城河——胜负将由资产负债表的深度决定。” 但如果护城河完全是另一回事呢？如果护城河是细微差别怎么办？想想你组织中那些真正了解事情运作方式的员工。他们不仅熟悉流程，还掌握那些不成文的规则。那些明白你的 CEO 在董事会材料中期望的语气、你的合规团队需要的细节程度、与你的投资委员会产生共鸣的分析风格的员工。这些员工难以替代——不是因为他们的技能稀有，而是因为他们已经吸收了你组织的细微差别。人工智能也将类似。 QED 投资组合公司 ModelML 自动化了推动顾问、投行和投资分析师日常工作的分析性工作，结合了一套技术上困难且要求高精度的基础技能（比如检查你的幻灯片是否存在内部矛盾）与一个定制化界面，使每个客户能够在不同用户之间保持“制作简报或客户材料的方式”一致。两类步骤，一个关键接口任何业务流程都包含确定性和非确定性步骤。确定性：“这家公司上一次融资的金额是多少？”非确定性：“我们会议记录的语气如何？是积极还是消极？”真正的机会——也是真正的护城河——在于管理这两类步骤之间的交互。例如，Footprint 有一个名为 Percy 的 AI 代理，具备创建动态界面的能力，同时也能调用确定性步骤，比如“如果你对此不确定，就向用户询问更多信息，或者从征信机构拉取我们的分数”。这就是细微差别复利效应的所在。那些能将 LLM 能力调优到其特定工作流、构建持续执行的产品工程、并吸收并将客户的细微差别制度化的公司——正是那些打造出具有粘性的企业。提示工程的现实尽管人工智能取得了诸多进展，但在演示中经常被掩盖的一个事实是：给一个 LLM 一个通用的提示，即便是详细写明“先做 X，然后做 Y，再做 Z”的提示，随着时间推移它也往往会力不从心。需要付出真正的努力来识别何时需要将任务拆解、何时需要人工介入以及如何将多个步骤串联起来。这种具体的产品导向——构建可靠工作流的那些不光鲜的工程工作——正是小众玩家可以在大型云厂商面前取胜的地方。它或许不性感，但具有防御性。记账系统的必要性这对组织内人工智能的定位施加了巨大压力。如果细微差别就是护城河，那么构建记录系统和日常使用的工作站就变得至关重要。你需要融入工作流程，在发生时捕捉上下文，学习决策实际如何做出的模式。因为归根结底，一个对你业务有深入理解的员工很难被替代。深刻理解你业务的人工智能也同样会难以替代。对建设者和投资者来说，问题不在于人工智能是否会改变你的行业——它会。问题是：谁将捕捉并守护使你的组织独一无二的那些细微差别？

企业级应用

Feb 09, 2026

结构性分化：为何企业级人工智能生产力落后于个人突破

在关于人工智能提升生产力的讨论中存在一种奇怪的脱节。一方面：麻省理工学院的“生成式人工智能差距”报告在去年夏天引发了轰动，该报告显示 95%的企业 AI 试点没有带来可衡量的损益影响。另一方面：Lenny Rachitsky 的调查对产品经理、工程师、设计师和创始人进行的调查发现，55%的人表示人工智能已超出他们的预期。近 70%的人报告工作质量有所提高。具体到创始人？49%每周节省超过 6 小时。这两种叙事都是真的。我认为它们之间的差距是结构性的，而非行为性的。个人生产力的正反馈循环是真实存在的当我使用 Claude 时，我的上下文是受限的。所有内容都保存在本地文件、Markdown 文档和我能控制的文件系统中。相关信息集中在一个地方。我可以把我的职业经历、偏好、约束以结构化文本的形式倾倒进去——从此每次交互都建立在那个基础之上。这是可行的，因为表面可管理——尽管搭建个人上下文基础设施也花了数月反复迭代才能做到位。上下文大致与投入成线性关系增长。到了企业级别，则呈组合式增长。企业级上下文问题组合式更为复杂 xAI 的“人类模拟者”项目揭示了企业级 AI 自动化实际上需要什么。他们正在构建代号为“Macrohard”的 AI 系统，通过操作键盘、读取屏幕并在分散的系统间完成任务来模拟人类员工。这些 AI“员工”已在 xAI 内部部署。最能说明问题的细节是：这些仿真器有时会因“幻觉”而造成混淆。一次，有个 AI 要求同事“过来当面说话”——结果那人来到却只看到一个空桌子。目标是实现一百万个人类仿真器，可能作为分布式算力运行在闲置的特斯拉车辆上。他们需要仿真器——而不仅仅是 API——这一点很有启发性：企业语境并不只存在于一个地方。它散落在 Slack、Google Docs、电子邮件线程、隐藏在附件里的电子表格、无人观看的会议录音，以及只存在于人脑中的部落知识里。在组织层面复刻单个 Claude Code 的魔力并不是难十倍，而是难指数级增长。四个结构性观察 1. 瓶颈在于语境，而非能力 AI 能力存在。大多数企业都能使用前沿模型。差距不在于 AI 本身——而在于连贯的上下文。当你独自工作时，你就是上下文。你知道你的本意、之前尝试过的做法以及哪些约束重要。在组织层面，这些上下文分散在人员、系统和只有某些人记得的历史决策中，根本无处可寻。 MIT 的研究证实了这一点：“大多数生成式 AI 系统不会保留反馈、适应上下文或随时间改进。”失败的原因不是模型或基础设施——而是学习的缺口。 2. 以本地为先之所以奏效，是因为范围受限 Anthropic 将 Claude Code 构建在 […]

# AI