超越模型的AI机遇

摘要

a16z 应用基金合伙人 Alex Rampel 与团队在本期深度对话中，系统阐述了当前 AI 投资的核心逻辑——真正的机会远不止于模型本身。从技术史的视角出发，他回顾了 PC、互联网、云计算和移动互联网四大产品周期，指出 AI 正在以前所未有的速度创造新价值：ChatGPT 每周活跃用户已覆盖全球 15% 的成年人口，AI 原生公司的收入增长速度打破了软件行业的所有历史记录。

Alex 将其投资框架归纳为三大主题：第一，传统软件品类走向 AI 原生，创业者应瞄准"绿地"（新公司、新团队或公司发展的拐点时刻），而非从现有系统抢夺用户；第二，软件开始整合劳动，在那些过去根本不存在软件产品的领域，AI 能够完成人类 90% 的工作，从而创造出比传统软件市场大得多的新市场；第三，"围墙花园"式的专有数据壁垒——许多原本免费或低价值的数据，一旦加上 AI 赋能形成成品交付，商业价值可放大十倍甚至百倍。David 和 Anish 分别从企业级和消费者两个维度补充了具体案例，并探讨了初创公司与现有巨头的竞争格局、客户留存、以及 a16z 独特的"内容驱动+高信念"投资方法论。

正文

一、站在巨人的肩膀上：技术周期与AI时代

Alex Rampel 用一张纳斯达克指数走势图开启了整个讨论。从 1977 年至今，指数有涨有跌，但长期趋势向上。驱动这一趋势的，是四个重大的产品周期。

第一个是 PC（个人电脑）时代，诞生了 Lotus、Adobe、Semantic 等应用层公司，以及 Apple、Microsoft 这样的基础设施巨头。随后是互联网时代，Cisco 在基础设施层崛起，eBay、Amazon 在应用层大放异彩。云计算接踵而至——AWS 贡献了 Amazon 绝大部分市值，而 Workday、Shopify、Viva 等云原生公司则成为应用层的标杆。移动互联网将前面所有的技术积累装进了每个人的口袋，地球上绝大多数人拥有了智能手机——这在人类历史上是前所未有的。

而 AI 时代，正是在所有这些积累之上爆发。Alex 强调，如果没有智能手机和云计算的普及，AI 可能只是博物馆里的展品。但现在，全球 80 亿人中的绝大多数手持智能设备，新技术以史无前例的速度被大规模采用。软件行业中绝大部分新增收入都来自 AI——无论是在基础设施层还是应用层。

"两年前 ChatGPT-3 刚出来时，它只是一个文字和图像工具，"Alex 说，"谁能想到现在我们已经有了原生音频、实时交互这些能力？"我们曾经用"图灵测试"来衡量 AI 是否达到人类智能水平，但现在我们不断抬高标杆——因为 AI 的能力已经远远超出了当年的想象。

更关键的是，AI 已经开始进入企业场景并真正创造价值。Alex 展示了一家名为 RAMP 的信用卡费用管理公司的数据：从 2025 年 1 月开始，AI 相关支出出现了爆发式增长。这不再是面向朋友的"魔术表演"，而是实实在在地为企业节省时间和金钱。

"所有人都想要两样东西——变得更富有、变得更懒惰，"Alex 总结道，"他们希望用更少的劳动换取更多的经济价值。而这正是生成式 AI（Generative AI）在做的事情。"

二、AI正在成为新的马斯洛需求

Alex 打了一个有趣的比方：在马斯洛需求金字塔中，Wi-Fi 已经成为现代人的基本需求。而现在，AI 正在成为新的基础需求。全球约 15% 的成年人每周使用 ChatGPT，无论是在社交场合解决争论、获取指引，还是撰写投诉信——他分享了一个妻子用 ChatGPT 扫描加州所有法律条款来给学校写投诉信的真实故事。

而美国用户的使用时长增长更是呈指数级上升。Alex 认为，随着 AI 能力不断增强、解锁更多应用场景，使用时长的增长趋势是显而易见的。

回溯技术源头，2017 年那篇著名的论文《Attention is All You Need》引入了 Transformer 模型（Transformer Model），奠定了今天一切的基础。Alex 回忆起当年 a16z 合伙人 Frank Chen 演示 GPT-2 时，效果其实很糟糕，让他想起了 1960-70 年代那个基于马尔可夫链的聊天机器人 Eliza（一个只会把用户说的话变成问句的伪 AI）。但从 2023 年到现在，仅仅两三年时间，AI 已经进入了一个"应用黄金时代"。

"我们过去衡量软件公司增长的方式是看它能不能翻倍、翻三倍，"Alex 指出，"但从来没见过一家软件公司能在一年或两年内从零做到一亿美元的收入。而现在我们正在看到这样的事。"这并非因为市场上钱太多、人们乱买一气——而是因为这些产品确实释放了巨大的价值。它们让人变得更懒惰、更富有。

三、AI投资的三大主题

面对一个核心问题——什么才是真正具有防御性壁垒的投资？（毕竟，OpenAI 不只是做后台基础设施，它也有领先的消费应用，甚至刚刚推出了与 TikTok 竞争的产品；微软也大举入局）——Alex 提出了三个投资主题。

主题一：传统软件走向AI原生

这个逻辑并不新鲜。如果你能在 15-20 年前投资所有云原生公司，你的投资组合将无比辉煌——Shopify、Viva、NetSuite、Salesforce……当时的现有巨头卖的是本地部署软件或"拆封即用"软件（Shrink Wrap Software），一次性收取高额费用，根本无法适应按月订阅的低价模式。

同样的故事正在 AI 时代重演。Alex 用"Bingo 棋盘"来比喻现有的软件品类——电子邮件营销、客户支持、ERP（企业资源计划系统）、薪资管理等等，每一个格子里都有一家或多家现有巨头，而这些巨头无一例外都在采用 AI 增强自身。

但关键的区别在于"绿地"（Greenfield）和"棕地"（Brownfield）。棕地意味着向一个已有产品用户销售替代方案——比如"你用了 Mailchimp，来试试我们的 AI 版 Mailchimp"，这非常困难。而绿地则是面向全新的公司（它们没有任何历史包袱），或面向公司发展的"拐点时刻"——比如一家公司从 50 人扩张到需要多实体多币种管理，QuickBooks 无法满足需求，KPMG 建议升级 ERP，这时就有了选择新系统的机会。

a16z 的投资组合中有一家公司叫 Real，正是瞄准这个拐点——它相当于 AI 原生的 NetSuite，能自动完成月末结账等 50 多项 AI 驱动功能。

"最好的公司拥有的不是客户，而是'人质'，"Alex 说出了这句反复出现的名言。他强调自己并不是要投资那些 NPS 为负一百的"绑票"公司，而是要投资那些构建了系统记录（System of Record）的公司。一旦你成为一家企业运营的中枢系统，想要替换你几乎是不可能的。NetSuite 就是这样的系统——你可以用一个 AI 功能作为切入点进入，但要真正取代它，你必须建立起同等级别的系统记录地位。

主题二：当软件吃掉劳动力——全新品类的诞生

这是 Alex 个人最兴奋的领域。传统的 Bingo 棋盘上压根没有这些格子——因为过去根本不存在做这些事情的软件公司。

核心逻辑很简单：有很多工作你本来需要雇人来做，但要么雇不到人（技能短缺、劳动力短缺），要么雇到的人不会说 21 种语言、无法 24 小时工作。而软件能够完成那个人 90% 的工作。你不会以等同于人力成本的价位为软件付费，但你愿意付的钱一定远超传统软件的价格。

Alex 用"Plaza Lane Optometry"（一家验光诊所）的前台接待员招聘启事来说明：这家诊所每年在软件上的花费大约是 500 美元（Microsoft Office、Squarespace 或 Wix 等）。如果有软件能完成招聘启事上八个职责中的五个，诊所一定会买——但他们不会付 47,000 美元（招聘广告上的人力年薪），也不会只付 500 美元。开发者可能会收 20,000 美元。关键在于，这个产品不能只是一个可以被轻易压价的小工具——它需要成长为系统记录，让客户无法轻易抽身。

案例一：EVE——原告方律师的AI助手

a16z 合伙人 David 详细介绍了投资组合中的 EVE 公司。大多数人听说过法律 AI 领域里的 Harvey，它服务于辩护方和企业客户。但原告方（Plaintiff Side）是一个截然不同的市场——这些律师采用风险代理（Contingency Basis），只有在胜诉时才能获得报酬，因此他们的利益与客户完全一致。

原告律师每收到 100 条线索，通常只接一个案子——因为每接一个案子都是对自己时间和精力的投资。这就意味着 AI 能够大幅提升他们的效率：如果能将律师的产能提升 5 倍，收入也能增长 5 倍以上，而不会像按小时收费的企业律师那样"AI 做得越多，自己能收的钱越少"。

EVE 的产品覆盖了从客户接洽到案件结果的全流程。他们最近推出的语音代理（Voice Agent）可以自动向潜在客户收集证据、筛查医疗记录和雇佣文件，帮助律师判断哪些案件值得接，并估算案件价值。它还能起草医疗时间线文件、撰写需求函（Demand Letter）、提交诉状等。

最关键的是，EVE 正在产生一个专有的数据飞轮：平台上处理的所有案件数据不会被公开，大型实验室（OpenAI 等）无法用它来训练模型，而这些数据反过来又让 EVE 的客户筛选更精准——它可以说："根据我们平台上所有已处理案件的特征，这三个变量表明这个案子可能值很多钱。"当律师们可以接更多以前不划算的小案子时，整个市场也随之扩大。

案例二：Salient——让催收效率提升50%

Salient 做的是汽车贷款催收服务（Auto Loan Servicing）。这家公司最初以"帮你省钱"为卖点，但真正的杀手锏后来才被发现——使用 Salient 的客户，收款率比人力高出 50%。

催收是一个令人筋疲力尽的工作：员工整天被欠款人辱骂，听几小时的等待音乐，离职率极高（某客户拥有 5,000 万美元规模的呼叫中心，员工年流失率在 40% 到 70% 之间）。而且，每个州的法规不同，在密苏里州能说的话在加州可能违法——人类不可能同时记住所有规定，但 Salient 可以。它实时追踪联邦和全部 50 个州（甚至县级）的法律变化，用 21 种语言进行沟通。

当你可以对客户说"我会让你每个月多收 50% 的款项，确保你不会因为员工违规而惹上官司，而且成本更低"时，这种价值主张几乎是不可抗拒的。Alex 强调，Salient 的关键不是成本节约，而是价值创造。

但这也引出了核心问题：既然现在"氛围编码"（Vibe Coding）让软件开发变得如此容易，你如何确保自己投资的是对的？Salient 的 CEO 给出了很好的回答：他们通过数百万通电话积累了关于"该说什么"的数据壁垒；他们对新法规的反应速度无可匹敌；他们建立了完整的垂直操作系统，而不是一个可以被轻易替换的单点功能。

案例三：Toast——垂直操作系统的启示

Alex 用 Toast（面向餐厅的垂直软件平台）的例子说明：当初没人看好这家公司，因为"一半餐厅每年都会倒闭，而且餐厅几乎不买任何软件"。但 Toast 证明了它不仅仅是 POS 系统——它还提供支付处理、贷款等金融服务，成为了餐厅运营不可或缺的操作系统。一旦嵌入，First Data 或 Global Payments 这些传统支付处理商根本无法附加同等水平的软件能力来竞争。

同样的逻辑适用于"软件吃掉劳动力"的公司——不能只是做一个劳动力替代品、然后被便宜一美分的竞争者取代；需要构建一个垂直操作系统（Vertical Operating System），让自己成为客户业务的系统记录。

主题三："围墙花园"——专有数据的壁垒

Alex 用一个生动的比喻开始这个主题：把 OpenAI 想象成一个蔬菜农场，卖的是 token（代币）作为原材料。各应用公司就是开在农场周围的各种餐厅。如果农场主决定"既然这么多人来我的农场，不如我也开几家餐厅"，那周围的餐厅就惨了——而这正是正在发生的事情（OpenAI 不仅提供 API，还在推出消费级应用）。

因此，如果投资者不能在拥有原材料优势的背景下构建壁垒，就必须思考：什么才是真正稀缺的？答案是数据本身。

Alex 用 FlightAware 作为经典案例：FlightAware 的数据其实完全是公开的——每架飞机上都有一个 ADS-B 应答器（ADS-B Transponder），持续向地面广播高度、速度等数据，任何人都可以在亚马逊买个天线来接收。但 FlightAware 部署了上百个天线并积累了历史数据，ChatGPT 不知道某架飞机 5 年前在哪里，只有 FlightAware 知道。PitchBook 对融资轮次也是同样逻辑，LexisNexis 对法律数据，CoStar 对房地产数据，Bloomberg 对金融数据，Ancestry.com 对家谱数据——这些信息大多本质上是免费的，但经过整理和时间积累后，拥有了不可替代的专有性。

AI 如何将专有数据的价值放大十倍以上？

Alex 给出了三个具体案例：

第一，Open Evidence：全美三分之二的医生每周都在使用这个产品。它的界面看起来和 ChatGPT 一模一样，但只有它拥有《新英格兰医学杂志》等所有主流医学期刊的独家授权。对于跟腱撕裂这样的问题，ChatGPT 能提供一些参考，但 Open Evidence 的回答基于循证医学的完整文献库——它先找到了所有独特的"蔬菜"，然后说服"蔬菜供应商"不卖给其他"餐厅"，最后自己开了一家能"端上成品菜肴"的"餐厅"。

第二，vLex：这家拥有 26 年历史的西班牙公司，最初只是购买和数字化西班牙的所有法律记录，然后以订阅方式卖给律所。利润率不错但规模有限。加入 AI 后收入翻了五倍——为什么？因为之前它卖的是原材料（法律数据），现在它能直接交付成品（一份包含了西班牙判例法的完整客户备忘录）。客户不再需要雇佣法律助理来消化这些原始数据。

第三，Ask Leo：这是一款采购工具。每家公司都有大量历史合同，比如和德勤签了 50 份不同协议。当你想推回某一条款时，参考过去的合同非常有价值——但这些数据 ChatGPT 永远拿不到。Ask Leo 聚集了这些专有合同数据，让采购流程更加智能。

Alex 指出，很多这类"围墙花园"在 AI 之前就存在，但为什么现在才成为大生意？答案是"为什么是现在？"（Why Now?）——就像 Uber 必须等 iPhone 和 GPS 普及之后才有意义一样，这些数据公司必须等 AI 成熟之后，才能从卖"生蔬菜"转变为卖"成品餐食"，从而将定价从每月 200 美元提升到 2,000 美元。

他甚至提到一些极端例子：有人在 eBay 上搜集 1980-90 年代所有搅拌机的使用手册——这些数据几乎一文不值，但如果 AI 能够利用它为用户直接生成"这台老搅拌机的维修指南"，那就变成了一个可收费的成品。还有创业者专门收集 YouTube 博主的历史订阅数——YouTube 显示的是实时数据，但 2017 年 8 月 4 日 Mr. Beast 有多少粉丝？只有那些长期积累的人才知道。

"一切数据都可以是免费的，"Alex 总结道，"任何人都可以去收集。但价值只会在时间中累积。而谁先开始积累，谁就拥有了壁垒。"

四、围墙花园的商业策略

针对观众提出的"为什么数据持有者不直接面向终端用户，而要卖给中间商"的问题，Alex 的回答非常清晰：这正是他们应该做的。vLex 曾经把数据卖给律所和 Harvey，但现在他们意识到应该自己掌握从原材料到成品的全链条，大幅改变定价策略。OpenAI 每百万 token 收费极低，vLex 应该摄取这些便宜的模型能力，加上自己的专有数据，然后直接高价卖给终端用户。

从投资角度看，a16z 正在寻找三类"围墙花园"机会：一是已有的数据公司，由具有企业家精神的 CEO 领导，他们意识到可以用 AI 将生意放大十倍；二是从零开始收集公开数据并随时间建立壁垒（就像 FlightAware）；三是寻找前人从未想到要数字化的独特数据源——比如去每个县的地契登记处手动记录房产数据，然后数字化并加上 AI。

五、消费级AI：同一套逻辑的全新战场

a16z 消费级 AI 合伙人 Anish 接过了话筒，核心论点非常直接：Alex 提出的三个投资主题，在消费级 AI 领域完全成立。

传统品类 AI 原生化的例子是 Krea——它相当于 AI 原生的 Photoshop。年轻设计师进入行业的第一选择不再是 Adobe，而是这个内置了所有 AI 原语（AI Primitives）的新工具。Krea 在 18 个月内达到了令人瞩目的规模。

品类创造的典型是 ElevenLabs（11 Labs）。语音和音频模型市场在五年前几乎不存在——也许有语音演员和听写这样的利基市场，但 ElevenLabs 做的事情比这些更有野心。作为模型提供商，他们同时拥有消费级和企业级产品线，通过垂直整合在极短时间内创造并占领了这个品类。

专有数据壁垒的案例是 Slingshot——一家 AI 心理治疗公司。他们收集专有数据的路径非常巧妙：先为现有的真人心理咨询师提供 AI 听写和笔记工具（AI Scribe），在这些治疗师为患者提供咨询时自动生成记录。然后利用这些记录来训练一个基础模型（Foundation Model），再用这个模型驱动面向消费者的产品 Ash，直接向终端用户销售。即便是 OpenAI 和 ChatGPT 这样强大的竞争对手，也无法获得 Slingshot 所拥有的独特治疗对话数据，这让 Slingshot 能够在提供差异化产品的同时收取高价。

六、为什么模型聚合者能够胜出

一个合理的问题是：为什么大实验室或拥有强大模型能力的大科技公司（如 Google）不能通吃一切？Anish 给出的答案是：在很多品类中，模型聚合者（Model Aggregator）比单一模型提供者更有优势。

他用航空业的比喻来解释——在 Kayak 上搜索从旧金山到纽约的航班，比单独去达美航空或联合航空的网站上查看更有价值，因为你可以同时比较所有航空公司的库存。同样的逻辑适用于"氛围编码"和创意工具等领域：每个模型有自己的专长，它们不是完全的替代品。用户想要一个统一的界面来同时使用所有模型。而大实验室和大科技公司定义上只能使用自己的第一方模型——这就是聚合者的结构性优势。

七、初创公司与现有巨头的博弈

谈到初创公司与现有巨头的竞争格局时，Alex 坦率地表达了对现有巨头采用 AI 的看好——这与云计算时代截然不同。当年大多数本地部署软件提供商认为"云是愚蠢的"，客户也不太信任云，因此 PeopleSoft 没有去做 PeopleSoft Cloud，这给了 Workday 机会。而在 AI 时代，没人说"AI 是愚蠢的"——从 AGI 到"口袋里的超级智能"，每个人都认为这是个好主意。因此，NetSuite 会找到 15 种利用 AI 变现的方式，QuickBooks 会开始对所有使用其系统的"人质"按催收效果收费。

这意味着，在 Bingo 棋盘上的"棕地"（争夺现有用户）机会对初创公司极为困难。但好消息是，绿地和新增市场空间仍然巨大。"为什么是现在？"在 AI 时代有全新的答案：以前很多事"人人都想用五美元买到，但实际要卖十美元，所以没人买，因此不是一个可行的生意"。AI 让成本降到了五美元以下，于是原本不存在的市场被创造出来——这就是为什么 AI 时代对初创公司和现有巨头"两边都有利"。

八、客户留存与市场拓展的新格局

Anish 指出，到目前为止，AI 原生公司的客户留存表现良好，没有出现大量基于价格比价而流失的情况。原因有二：一是成功的公司围绕 AI 原语构建了丰富的软件生态——提供语音能力是必要的，但不充分；还需要围绕它建设大量功能。二是 AI 的发展速度太快，许多客户将这些初创公司视为自己的"AI 解决方案提供商"，期待它们帮助自己跟上新技术节奏，持续获取新技术带来的收入增长。

在企业销售端，David 分享了一个令人惊讶的数据：EVE 至今不需要任何主动外拓销售——考虑到它的运营规模，这几乎是不可思议的。大量品类存在强烈的市场"拉力"。但当面向大型企业客户时，更能看到的是"前出部署工程"（Forward Deployed Engineering）的投入——大公司更希望初创公司帮助他们理解 AI 应该在哪里、如何应用，而不是传统意义上的销售团队建设。

九、a16z 的投资方法论：内容为王，信念驱动

在介绍 a16z 如何实操投资时，Alex 坦诚地分享了他们的"寻找-筛选-赢单"方法论，核心聚焦点在于"逆向选择 vs. 正向选择"（Adverse Selection vs. Positive Selection）——一个在市场上来回流转了六个月的便宜项目大概率不好，而最好的公司是所有顶级风投都想要争取的目标。

a16z 的差异化策略非常独特：他们以内容驱动交易流。Alex 笑着承认外界戏称他们是"一家用风险投资变现的媒体公司"，但这背后有严肃的逻辑——通过发布《Death of a Salesforce》（AI 将如何变革销售）这样的深度内容并制作成视频（获得数十万次观看），团队成员如 Joe Schmidt 和 Mark Andrusco 成为该领域的公认专家，创业者自然会找上门来。同样，关于税务、陪伴经济、企业级应用 Top 50、消费级应用 Top 50 等榜单也在持续产出，不断拓宽他们接触优质交易的渠道。

在投资决策上，a16z 采用的是高信念导向的非委员会制——不是所有人投票、政治博弈的那种模式。年轻的团队成员聚焦于种子轮，当他们表现出极高的信念时，GP 层的职责是确保流程正确（是否见了所有竞品、调研是否扎实），然后"转动第二把钥匙"批准。在争取超级交易时，整个团队乃至合伙人 Mark Andreessen 本人（被戏称为"F-35 战斗机"）都会出动。

谈到团队建设，Alex 表示他们更追求"杠杆效应"而非"产能扩张"——当最佳交易出现时，创业者想见的是创立过十亿美元公司的人。因此，他们在考虑引进曾创建"准一代"公司且仍然保持饥饿感的资深人士。

结语

这场近 70 分钟的对话勾勒出了一幅 AI 应用投资的清晰图景。从传统软件 AI 原生化到软件整合劳动力、再到专有数据的"围墙花园"，三大主题覆盖了企业级和消费级市场。核心洞察是：模型的商品化正在加速，而真正持久的价值在于系统记录的锁定、垂直操作系统的深度、以及不可复制的数据壁垒。对于创业者而言，关键问题是：你是在追逐一个可以被大实验室一夜之间复制的功能，还是在构建一个有真正"人质"——而非仅仅是"客户"——的持久公司？