AI 市场深度剖析：与 a16z 合伙人 David George 对谈
摘要
a16z 成长阶段投资合伙人 David George 在本期深度分享中，基于大量内部数据分析，全面审视了 AI 市场的需求端、供给端、公开市场与私募市场的现状与趋势。核心观点包括：AI 需求端极其强劲，2025 年成为收入增长加速的转折年，顶级 AI 公司年增长率高达 693%，其达到 1 亿美元收入的速度远超 SaaS 时代的同行；这些公司的增长并非依赖高额销售投入，而是源自真正的产品需求。AI 公司的毛利率虽然偏低，但这恰是高推理成本的"荣誉勋章"——意味着用户正在大量使用 AI 功能。在效率方面，顶级 AI 公司的人均经常性收入（ARR per FTE）已达 50 万至 100 万美元，远超上一代 SaaS 公司约 40 万美元的标杆。David 也警示前 AI 时代的公司必须"适应或死亡"，从产品前端到运营后端全面拥抱 AI。公开市场上，AI 赢家贡献了标普 500 近 80% 的回报，市场估值由盈利增长驱动而非泡沫式的估值扩张。供给端方面，资本支出建设规模巨大但由高利润公司以现金流支撑，不过债务开始进入等式，值得密切关注。David 最后强调，我们正处于一个 10 到 15 年产品周期的开端，AI 将成为他职业生涯中最大的"模型破坏者"（Model Buster）。
正文
一、开场：这份报告的缘起与核心结论
David George 开场即阐明这份市场深度报告的背景。a16z 的成长团队在日常投资分析中产出了大量内部研究，团队决定将这些分散的思考和分析整理成文，对外分享。这是 a16z 首次以这种形式发布市场报告。
他提炼了四个核心结论。第一，需求端表现惊人。AI 公司的实际增长速度、产品品质和客户采纳度都极为令人鼓舞。第二，供给端目前健康，但已经开始出现一些紧张的信号。第三，私募市场是当前最激动人心的战场，几乎所有的重大创新都发生在 AI 领域且集中在私募市场。第四，也是他最强调的一点：我们正处于产品周期的极早期阶段。产品周期驱动着投资业务的核心逻辑，而这类周期通常持续 10 到 15 年，当前 AI 周期才刚刚开始。
二、需求端数据：AI 公司的惊人增长
2025 年：收入增长加速的转折年
David 展示了一组来自 a16z 内部数据集的分析结果。该数据集覆盖了 a16z 的投资组合公司以及作为潜在投资标的考察的公司，因而具有广泛的代表性。
最关键的趋势是：2025 年成为收入增长的转折年份。在 2022 至 2024 年间，受加息和科技行业回调的影响，收入增长速度明显放缓。但 2025 年逆转了这一趋势，无论按十分位数还是四分位数划分，各个层级的公司都出现了收入增长加速，而表现最优异的公司群体加速尤为显著。
增长速度超越历史标杆
a16z 此前已多次展示过一张标志性图表：增长最快的 AI 公司达到 1 亿美元收入的速度，远超 SaaS 时代增长最快的公司。David 特别强调了一个关键区别：这一速度优势并非源于更高的销售和市场营销支出。恰恰相反，增长最快的 AI 公司，其销售与营销支出比例反而低于 SaaS 同行，但增长速度却要快得多。这说明增长是由真实的终端客户需求和产品吸引力驱动的，而非靠烧钱获客。
在总体对比中，AI 公司的增长速度约为非 AI 公司的 2.5 倍以上。更令人震惊的是，AI 顶级表现者的年均增长率达到 693%。David 坦言，团队在看到这个数据时反复核对三次才敢相信，但这些数字与他们在投资组合中观察到的实际情况完全吻合。
毛利率悖论：低毛利是"荣誉勋章"
在利润率方面，AI 公司的毛利率普遍低于传统软件公司。David 对此给出了一个反直觉的解读：在 AI 投资语境中，较低的毛利率反而是一枚"荣誉勋章"。原因在于两点：其一，低毛利率往往源于高昂的推理成本，这说明用户确实在使用 AI 功能；其二，团队坚定地相信推理成本将随着时间的推移持续下降。因此，当 a16z 看到一家 AI 公司毛利率异常高时，反而会产生怀疑——这可能意味着 AI 功能并非客户真正购买和使用的核心价值。
人均收入效率：ARR per FTE 新标杆
a16z 最新引入的分析指标是 人均经常性收入（ARR per FTE）——即公司年化经常性收入除以全职员工数。这一指标综合反映了公司的整体运营效率，不仅涵盖传统的销售和营销效率，还包括管理费用和研发投入。
数据显示，最优秀的 AI 公司已达到每人 50 万至 100 万美元的 ARR，而上一个 SaaS 时代的经验法则约为 40 万美元。David 认为，这主要得益于产品需求极为旺盛，公司无需大量资源配置即能高效地服务市场。但他也审慎地指出，这一数据可能部分反映了数据集本身偏向最优公司的特性，以及后疫情时代整体科技行业效率提升的大背景。公司真正从底层重新设计运营方式的变革仍处于早期阶段，Shopify 在 Toby Lütke 领导下全面拥抱 AI 的转型是最接近的公开案例。
三、适应或死亡：前 AI 时代公司的生存之道
在被问及非 AI 原生公司如何应对时，David 的回答直截了当："适应 AI 时代，或者死亡。"这需要在两个维度同时推进。
前端产品维度：公司不能仅仅在现有工作流上附加一个聊天机器人，而需要从根本上重新构想 AI 可以带来的产品形态，并有勇气进行自我颠覆。
后端运营维度：公司必须在全组织范围内全面部署最新的编程模型和 AI 工具。目前采纳度最高的是编程领域，也是变化幅度最大的领域。David 分享了一个近期实例：一位前 AI 时代公司的创始人（本身对 AI 理解很深）对某款产品的进展感到不满，于是指派两名精通 AI 的工程师从头重写产品，给予无限制的编程工具预算（Claude Code、Codex、Cursor 等）。创始人估计，开发速度比以前快了 10 到 20 倍，而相关工具费用已经高到迫使他重新思考整个组织结构。
David 认为 2025 年 12 月前后是编程工具的一个转折点，接下来的 12 个月将决定这些工具能否真正在企业中扎根。那些不采用新工具的公司将远远落后于同行。
他还分享了另一个极端案例：一位 CEO 将 AI 转型提炼为"用电还是用血"的选择——公司的每一项任务，都应该问能否用"电力"（AI）完成，而非用"血液"（人力）。这代表了正在发生的思维模式转变。
四、商业模式演进：从许可证到成果定价
David 将 B2B 企业软件的商业模式演进描绘为一个光谱：
- 许可证 + 维护费模式（前 SaaS 时代）
- SaaS 订阅模式（按席位定价）——这本身就是一次巨大的颠覆，Adobe 的转型是最典型案例
- 按用量/消费计费模式——云计算开创了这一模式，许多基于任务量的企业已从席位制转向消费制
- 按成果计费模式（Outcome-based）——这是正在浮现的下一代模式，客户按任务的成功完成付费
目前唯一能有效实施成果计费的领域是客户支持和客户成功，因为可以相对客观地衡量问题的解决。David 认为，当商业模式和产品技术同时发生颠覆时，对既有企业（incumbents）的冲击最为剧烈。好消息是，当前商业模式的演进仍处于早期阶段，这给了前 AI 时代的公司一些缓冲空间。
五、投资组合案例：AI 如何创造真实价值
David 快速展示了几个代表性投资组合公司，用以说明 a16z 在评估 AI 公司可持续性时关注的深层指标。
Harvey（法律 AI）：随着推理模型的进步，AI 在法律领域的表现越来越好——法律工作本质上就是推理。用户在 Harvey 产品中的使用时长相比之前几乎翻了一倍。a16z 最关注的是收入留存率、续约率以及产品内的实际使用时长和活动模式，这些深层指标是判断收入可持续性的关键。
Abridge（医疗 AI）：医生群体对 Abridge 赞誉有加，有人将其形容为"值得信赖的副手"。关键图表显示，随着用户数量大规模增长，新增用户的参与度不仅没有下降，反而保持稳定甚至略有提升——这说明产品的规模化增长并非以牺牲质量换规模。
ElevenLabs（语音 AI）：语音已成为众多新 AI 工具的核心交互方式，无论是 B2B 的客户支持还是个人和商业工具，语音入口的重要性日益凸显。ElevenLabs 的使用量增长曲线令人叹为观止，公司增长迅猛且运营效率极高。
Navan（企业差旅 AI）：这是一个前 AI 时代公司成功转型的典型案例。Navan 早期拥抱了 AI，如今 AI 已能处理 50% 的用户交互——不是简单的银行余额查询，而是复杂的差旅预订和变更。这一转型在财务上的体现是：过去三年毛利率提升了 20 个百分点。当竞争对手仍在用旧方法运营时，Navan 已经建立了巨大的结构性优势。
Flock Safety（公共安全 AI）：David 称之为投资组合中"最令人信服的客户价值主张"。Flock 的产品核心价值是"解决犯罪"：每年破获 70 万起犯罪案件，部署 Flock 设备的区域，每位警员的破案率提升近 10%。在产生巨大社会影响的同时，Flock 也拥有出色的商业模式。
六、企业采纳：意愿与现实的鸿沟
David 观察到，财富 500 强 CEO 们的表态出奇一致："我们必须适应，我们迫切想知道需要哪些 AI 工具，我们准备全面部署，我们要成为 AI 公司。"但这种强烈的意愿与实际发生的变化之间存在巨大落差。
根本原因在于变革管理极其困难。让员工使用 AI 助手来改进工作已经很有挑战性，编程领域相对最容易推动，客户支持领域的价值主张也足够直观（更快、更好、更便宜），但在企业管理、业务流程重构等更广泛的层面，变革管理的阻力巨大。
然而，已经有一些令人印象深刻的案例：Chime 将客户支持成本降低了 60%；Rocket Mortgage 在核保环节节省了 110 万小时（同比增长 6 倍），相当于年化节省 4000 万美元。
David 预计未来五年将出现一场"算账时刻"：那些能够推动变革管理、全面采用最佳产品的公司将获得巨大的生产力优势，而无法做到的公司将被远远甩在后面。他并不担心技术本身的成熟度，真正的瓶颈在于围绕技术构建产品以及将变革落地到生产环境中。
七、公开市场：基本面驱动，泡沫论缺乏依据
盈利增长而非估值扩张
AI 赢家主导着公开市场。AI 相关公司贡献了标普 500 指数近 80% 的回报。尽管市场近期出现了一些波动，但 David 认为泡沫的证据微乎其微。近期的市场表现主要由每股收益（EPS）增长驱动，而非估值倍数扩张——实际上，估值倍数还有所收缩，尤其是 SaaS 公司。
虽然当前市盈率高于历史均值，但远未达到互联网泡沫时期的水平。David 指出，这些领先科技公司可以说是"世界历史上最好的企业"：从长期来看，它们的利润率持续改善，投资者在为利润付费，而不是为非营利性增长买单——这与 2021 年时期的投资逻辑形成鲜明对比。
在增长与利润率的四象限中，高增长 + 高利润的公司获得了最大的市场溢价；高增长 + 低利润的公司只要拥有良好的单位经济模型并持续改善利润率，同样受到市场认可；而低增长 + 低利润的公司则不应被奖励，市场也确实在惩罚它们。David 重申，长期来看，增长是驱动 5 到 10 年回报的最重要因素。
"模型破坏者"假说
David 提出了"模型破坏者"（Model Buster）的概念——指那些增长速度之快、持续之久远超任何分析师模型预测的公司。iPhone 是经典案例：从 iPhone 发布前到四年后，对苹果公司表现的一致性预测模型与实际表现相差了 3 倍——而这还是当时全世界覆盖最充分的公司。
他认为 AI 将在许多领域重复这一模式：性能表现将大幅超越电子表格中的任何预期。科技行业自 2010 年以来就以史无前例的速度和规模交付高利润收入，因此在早期阶段看起来很贵，但反复超预期创造价值——这次也不会例外。
八、供给端：资本支出建设的机遇与风险
规模与集中度
AI 基础设施的建设规模巨大，投资高度集中，因此本身具有一定的内在风险。但 David 强调，这轮建设与历史上的泡沫期存在根本不同：其一，投资主要由历史上利润最丰厚的公司以现金流支撑；其二，相较于互联网泡沫时期，资本支出占收入的比例明显更低；其三，与光纤铺设时代不同，不存在闲置的 GPU——每部署一个 GPU 都会被立即充分利用。
债务进入等式
值得警惕的信号是债务开始进入等式。预计未来几年仅靠现金流无法覆盖所有资本支出，债务融资已经开始出现。a16z 正在密切关注这一趋势。David 对 Meta、微软、AWS、NVIDIA 等作为对手方的债务安排感到安心，但并非所有参与者都同样可靠。私募信贷开始涉足数据中心建设融资，Oracle 向云计算转型的大赌注也值得持续关注——其信用违约互换（CDS）成本在三个月内上升至 2%。
折旧与芯片利用率的迷思
关于 GPU 折旧假设的讨论在金融圈引发了不少关注。David 认为无需过度担忧：一方面，7 到 8 年前的 Google TPU 至今仍保持 100% 的利用率；另一方面，a16z 密切追踪芯片二级市场价格，A100 和 H100 的租赁价格一直维持得非常好。老一代芯片仍然被充分使用，这是一个非常健康的信号。
九、AI 收入轨迹：速度史无前例
AI 收入的增长速度令人震惊。以微软 Azure 为参照：Azure 花了 7 年才达到 AI 当前一年的收入规模。尽管 AI 基础设施建设需要很长时间，但从收入增长角度来看，AI 的速度远快于云计算的早期阶段。David 预计，AI 收入超过资本支出的时间点将远早于 Azure 的情况（Azure 花了 10 年）。
在绝对数值上：高盛估算 AI 建设将带来 9 万亿美元的收入，按 20% 利润率和 22 倍市盈率计算，对应约 35 万亿美元的新增市值。目前已有约 24 万亿美元的市值被提前计入。为实现资本支出的 10% 门槛回报率，到 2030 年 AI 年收入需要达到约 1 万亿美元——约占全球 GDP 的 1%。David 认为这个目标可能实现，也可能略低于预期，但回本周期不应仅看到 2030 年，而应延伸到 2030 至 2040 年。
当前 AI 实际收入水平：David 粗略估计大约在 500 亿美元量级，但正以远超 100% 的年增长率高速扩张。考虑到 ChatGPT 仅推出三年，且绝大部分增长发生在过去一年半，这个轨迹令人印象深刻。
此外，公开软件公司在 2025 年总计新增约 460 亿美元收入，而 OpenAI 和 Anthropic 两家公司的年化运转率就已接近该数字的一半。David 预计到 2026 年，AI 模型公司的收入将相当于整个公开软件行业（包括 SAP 等老牌公司）新增收入的 75% 至 80%。
十、私募市场：幂律法则与价值集中
私募市场的结构性变化同样深刻。过去 20 年，上市公司数量减少了一半；当前收入超过 1 亿美元的公司中，约 86% 是私有公司。私募市场已经成为真正意义上的资产类别。
在私募市场中，幂律法则效应正在加剧。北美和欧洲独角兽的合计估值约 5.5 万亿美元，其中最大的 10 家占据了接近 40% 的估值——这一比例自 2020 年以来翻了一番。a16z 在这 10 家中持有其中 7 家的股份。
公开市场同样在经历幂律集中化：大市值公司的门槛自 2019 年以来翻了三倍。另一组引人深思的数据是：标普 500 成分股公司在指数中的平均存续时间在过去 50 年中下降了 40%——技术驱动的颠覆速度越来越快。
关于私募市场的"波动性清洗"（Volatility Laundering）争议——即私募公司可以有序地推高估值、避免公开市场的剧烈波动——David 承认这一机制在创始人和投资者中引发了大量讨论。Collison 兄弟曾在访谈中阐述管理股价、规避波动对员工留任和招聘的好处。David 认为未来 18 个月将非常有趣，因为几家长期私有的大型公司将走向公开市场，这对整个生态系统是件好事。
十一、案例聚焦：Databricks 的 AI 转型
在被问及 Databricks 从 AI 前时代公司向 AI 原生公司的转型时，David 强调了领导力的决定性作用。正如 Shopify 的 Toby Lütke 从上而下推动 AI 转型一样，Databricks 的 CEO Ali Ghodsi 兼具"商业直觉和技术深度"——既要理解 AI 创造价值的巨大机遇，又要在技术上足够深耕以知道该构建什么。
Databricks 的天然优势在于其云数据仓库/数据湖的定位——数据已经集中存储在一个便于运行 AI 工作负载的地方。在此基础上，Databricks 持续快速迭代推出新的 AI 产品，其中 Agent Bricks 被 David 认为将是具有变革性的重要产品。
另一个关键优势在于客户群：Databricks 的客户包括最顶尖的 AI 原生公司。David 表示，在评估投资时，他"远远更愿意"看到投资组合公司的客户是 DoorDash、Instacart、Uber 这类现代思维方式的企业，而非老旧保守的传统公司——因为这意味着一流的技术专家正在主动选择和验证你的产品。
十二、结语：我们还处于周期的最初阶段
David George 以他一贯的核心信念结束了这次深度分享：产品周期驱动一切，而 AI 是一个 10 到 15 年级别的超级周期，我们才刚刚站在它的起点上。需求端的数据表明 AI 正在创造真实且可持续的价值，供给端的建设虽然规模浩大但基础坚实。前 AI 时代的公司面临着前所未有的适应压力，而大胆拥抱变革的公司正在收获巨大的回报。无论是公开市场还是私募市场，幂律法则都在加剧，价值正在向最优秀的公司集中。对于投资者和创业者而言，这不是一个需要担心泡沫的时刻，而是一个需要全力投入的时刻。