FIELD NOTES 首页 / How I Invest Podcast
How I Invest Podcast播出 2026.11.0649:1918 章约 28 分钟读完整理于 2026.11.07

为何 95% 的 AI 项目会失败,Anthropic 还能值 2 万亿美元吗?以及为什么 AI 仍处在第一局

David Weisburd 与 Studio VC 联合创始人 Joseph Coyne 讨论企业 AI 为什么仍在早期阶段,以及数据基础、领导力和组织文化如何决定落地成败。节目从防火墙后的企业专有数据出发,介绍 Inspiren 预防养老社区跌倒、Bark 保护儿童上网和 Evercoast 采集 4D 动作数据等案例,并分析数据护城河、SaaS 与按用量收费、AI 初创公司的融资效率,以及 Anthropic 的估值和竞争风险。后半段聚焦垂直 AI 的领域知识、客户信任与销售协作,最后回顾 Joseph 在 Bain Capital Ventures 学到的长期主义和谦逊。

01 0:02 926 字

企业 AI 仍处在第一局

David Weisburd

我确实在 Anthropic 估值 40 亿美元时投过它。你今天会怎么给它估值?

Joseph Coyne

我会看它未来能拿下多大市场份额:市场可能有多大,而你预期 Anthropic 能拿到多少?要和 OpenAI 以及一些还不知道会出现的竞争者比较。谁会加入竞争,这很难判断。

David Weisburd

对,谁会突然想到这个点子、或者拿到资源,都说不准。

Joseph Coyne

这就是未知中的未知。不过也有很多公司在这个领域投入大量资源,而且有数十亿美元的业务需要防守,比如 Google、Meta、Amazon 等。我给你讲讲 Lucas Swisher 的乐观论据。他负责 Code2 的增长,谈过三条采用 S 曲线。第一条是大语言模型早期采用者,从收入角度看主要是开发者。很惊人的是,全世界只有 5000 万名开发者,而人口有 80 亿。即便在开发者群体里,真正落地使用的也只是少数。再往外看,还有全球的工程师、企业和消费者。甚至有人会说还有第四条 S 曲线:智能体。有人认为潜在市场不只是 80 亿人,而是 80 亿人加上他们彼此交流的智能体。

说到采用曲线,我们刚才提到 AI 还处在第一局。报道说,如今种子前轮融资的平均估值已经达到 1 亿美元。你会怎么评估……

David Weisburd

Joe,你在 Bain Capital Ventures、Samsung 等机构做风投将近二十年了,也认为 AI 还处在第一局。为什么?

Joseph Coyne

我说的具体是企业 AI,它才刚刚开始展现自己在企业里能做什么。我们从被投企业的客户,也就是大型企业那里看到,他们要么害怕采用,要么行动很慢,要么落地失败率很高。从我们的客户和投资组合的角度看,后面还有很多发展空间,我很期待看看它还能做到什么。

David Weisburd

真正的问题是哪一个:害怕采用、行动太慢,还是现在就是做不好?

Joseph Coyne

对很多企业来说,这是一项新本领。这些年他们做过数据转型,搭建数据库架构;现在要开始用这些基础数据来落实 AI 的最佳实践,对他们来说一切都很新。他们需要外部帮助,可能来自初创公司、成长型公司或顾问。但按我们的观察,企业内部目前普遍缺乏相应资源。如今企业 AI 部署有 95% 都失败了——我记得这是德勤的数据。所以这方面还有很大的提升和成长空间。显然,如果你已经在不同垂直行业或企业内部不同数据集上部署过几次 AI……

02 2:56 579 字信息密度高

AI 采用是领导力和文化问题

Joseph Coyne

……如果你已经在企业不同垂直行业或数据集里部署过几次 AI,经验只会越来越丰富。

David Weisburd

你刚才提到德勤的数据,说 95% 的试点都会失败。我以前没听过这个数字,但亲身见过这种情况。你作为投资人,每天都能看到成百上千家企业反复尝试落地 AI。那成功的 5% 有哪些最佳实践?是不是因为他们技术底子深,早就在做深度数据分析,又有很好的数据基础设施和安全体系,所以具备了成功的基础?

这已经让天平偏向那些准备充分的科技公司了。相比之下,一些传统公司和科技含量较低的行业,数据往往很混乱。要先把数据整理到基础设施层面能够支持 AI,这就已经完成了一半。跨过这道坎以后,许多 AI 最佳实践才能开始普及、加速。所谓数据好或不好,在企业级 AI 落地里具体是什么意思?

Joseph Coyne

大型企业通常越大越复杂,而且有很多数据孤岛。不同字段和标签的数据标注质量可能各不相同。你在这些数据上运行企业级 AI 时,就会遇到相互冲突的标签和数据结构,必须先解决这些问题,才能真正发挥作用。这些数据转型项目是基础,做好之后才能在企业数据上运行出色的 AI 和分析。

David Weisburd

我反复听到一种说法:AI 落地主要是文化问题。当然,数据和流程也重要,但问题始于文化。文化对企业能否在组织内部采用 AI 有多大影响?

Joseph Coyne

没错,而且文化要从组织高层开始。很多时候,只有高层拥抱 AI,才能自上而下推动它进入企业里最关键的业务环节。

03 4:57 566 字信息密度高

AI 模型接触不到的 80% 数据

Joseph Coyne

……才能触达企业里那些最关键的业务环节。有些领导者,尤其是科技公司的领导者,每天都在思考这些问题。但我可以肯定地说,有些大型银行、消费品公司和航空公司的掌舵者并不熟悉 AI。要让他们真正获得 AI 的力量和潜力,还需要大量教育和基础工作。

David Weisburd

假设我是达美航空的 CEO。刚因为谈到 Starlink、说不想用 Starlink、也不喜欢 SpaceX 之类的话,把自己说得有点难堪。现在我想重塑形象,展示自己拥抱科技和 AI。你会建议我做弹性座位定价这样的项目吗?你会建议达美的 CEO 接下来怎么做?

Joseph Coyne

要看很多历史数据,了解他们过去是怎么做的,同时也要横向了解整个行业的定价情况。如今打造数据护城河的一种重要方法,是掌握行业层面的横向洞察。比如你看过几百家航空公司,而你正在服务的那家航空公司通常大部分时间只看自己的数据。你把不同机构在最佳实践、价格弹性、每英里票价、不同座位类型等方面的横向洞察带给大型且支付意愿很强的客户,就能派上用场。所以一方面要看他们自己的历史数据,另一方面也要从其他成千上万种潜在机会中提炼模型洞察。

David Weisburd

这也连到我们几周前聊过的话题:你说绝大多数数据都无法被大语言模型访问。为什么?

Joseph Coyne

我们很喜欢引用一个数据,它来自一家和我们合作很密切的企业:全球 80% 甚至更多的数据都在防火墙后面。大语言模型已经做得非常出色……

04 6:58 1,063 字

AI 如何帮助养老社区预防老人跌倒

Joseph Coyne

大语言模型这几年完成了了不起的进步,从幼年阶段走到如今几乎每个美国人和世界各地的人都把它放进口袋里。我不会贬低它们的成就,但它们主要依靠公开数据训练,就像 Google 抓取公开网页一样。要接触私人数据,必须赢得客户信任,带来独特洞察;很多时候还需要领域专家,才能凭借专业能力和信任进入航空、银行或保险等行业。能以高度安全的方式接触企业防火墙后的专有数据,也就是那 80% 的数据,就能为公司和所在行业创造新洞察。这些地方才有高价值机会。

几年前我们还是纯粹的企业软件投资人。现在来看,公司总会带着 AI 战略来找我们。最好的公司会提供企业软件工作流,系统化地帮助企业解锁数据,再以高度安全的方式在数据上落实 AI 最佳实践。

David Weisburd

你刚才说了一个很重要、但不太显眼的点:80% 的数据之所以留在企业防火墙内,是因为它来自客户。想拿到客户数据,就得先提供好产品。所以一切仍然取决于产品够不够好。AI 时代的不同之处在于,数据护城河开始成为最可持续的竞争优势之一。再说一次,按德勤的数据,95% 的企业试点失败。成功的企业有哪些早期成果,是外界可能没注意到的?

Joseph Coyne

能解锁新数据的企业软件工作流,就像石油公司钻井,把新的石油从地下抽出来。我们看到的一个例子是……

David Weisburd

给我讲一个企业内部的例子。

Joseph Coyne

我最喜欢讲的是我们的被投企业 Inspiren。它刚从 Insight 和 NewView Ventures 融资 1.7 亿美元,做医疗健康业务。十年前你问我要不要投医疗健康,我大概会说不;但他们的商业模式、工作流和提取的数据都很符合我们的投资逻辑。他们把成本很低的设备装在养老社区里,用计算机视觉和其他传感器,全天候实时采集住户数据。以前这些数据主要靠护士、医生说了什么、日志里记了什么来拼凑,是零散的轶事。说到底,这是一个人的问题:人在组织层面很难把细节记录得那么好,更不可能全天候、细到这种程度地追踪。

那全天候监测能带来什么?首先,必须以充分匿名、安全的方式进行,这是基本要求。其次,随着时间推移,可以从患者、医生、护士和工作人员身上提取洞察,帮助预防跌倒。比如,系统持续监测患者,发现某人有已知的跌倒风险,就能把信息纳入 AI。半夜有人起身,或者看起来要起身时,工作人员可以提前几分钟赶到,帮忙处理夜间需求,可能是回答问题,也可能是陪去洗手间。一个 85 岁、正在服药的老人半夜起身,坏结果可能是跌倒、髋部骨折和诉讼,造成数千万美元的损失。Inspiren 最早的使用案例之一,就是证明它在医院和养老社区都能减少 60% 到 70% 的夜间跌倒。

05 10:59 869 字信息密度高

AI 如何帮助养老社区预防老人跌倒(续)

Joseph Coyne

其次,现在有了纵向数据。我们能长期观察老人或住户的活动变化,用预测分析判断是否可能出现痴呆或阿尔茨海默病迹象,也能根据某些行为变化预测感染,这很惊人。最后,我们开始获得整个运营现场的全局时间序列视图。一家养老社区可能有几百个房间、几十名工作人员、医生和护士,现在管理者可以实时看到谁在什么地方做什么,资源都投到哪里去了。

David Weisburd

本质上就是物流调度。

Joseph Coyne

没错。以前这些情况只能靠人回忆。你问工作人员今天怎么样,他们可能会说:“忙死了,人手根本不够。”也许他们写进了日志,也许记进了电子病历,也可能什么都没记。现在可以看到:“Joe 今天本来只该巡视 10 个房间,结果被调去跑了 25 个。”这可是个大问题。Joe 可能因为一直要干两倍半的活而离职。

我们也能减少员工倦怠,因为可以根据患者的需求来平衡工作量。住户的需求往往会逐步增加,养老社区尤其如此。你得根据患者需要安排合适的人手。比如我父亲明天入住养老社区,可能每天只需要探访一次;两年后,他可能每天需要探访十次。这意味着服务价值不同,人员配置方式也不同;为了让他得到真正需要的照护,可能还得把他转到另一层。最终员工满意度更高、患者结果更好,盈利能力也更强。原先最多只能靠轶事了解的数据,现在能在整个设施里逐时逐刻地数字化。这就是我说的把石油从地下抽出来:数据一直都在那里,Inspiren 把它挖出来,建立了复杂模型,支持从预防跌倒这样的具体决策,到人员安排和照护决策这样的运营决策。

David Weisburd

Inspiren 是个很有意思的案例,有点像《少数派报告》,但它真正在帮助患者。很多方面,它也像是进入实体 AI 的入门案例。黄仁勋预测实体 AI 会成为一个 50 万亿美元的市场。现在不少顶尖风投都在投实体 AI,因为软件和基于数据库的 AI 都整合进去之后,这可能会成为新的前沿。大多数应用需要从零开始搭建,比如人形机器人、传感器、工厂里的系统。但这个案例是进入现有系统,从中获得洞察,而不是从头造全新技术。

这也是一个很有意思的实体 AI 案例。

Joseph Coyne

……想象一下,未来不是工作人员上门,而是有一位机器人助手。

06 14:10 1,013 字

AI 如何保护儿童,并为机器人创造数据

David Weisburd

……机器人助手该怎么逐渐学会工作?如果能收集数千名患者、数千天的全天候视频数据,不就成了这类应用的理想训练数据集吗?Inspiren 目前的实际影响已经看得见,但它积累的数据集还没有变现,这也是让人兴奋的一点。我想他们以后不会只按座位或设备收费。你刚才说设备能防止 60% 到 75% 的跌倒。如果能避免反复发生金额很高的诉讼,对医疗机构就非常有利。要是能按避免的损失来收费,那会是一门相当大的生意。

Joseph Coyne

是的。现在我们的确采用类似 SaaS 的定价方式,比如按房间部署收费。不过你说得对,在销售过程中,预防跌倒是最容易理解的价值之一,能帮助我们进门并赢得试点。让客户长期留下来的,是工作人员、管理者和业主都会离不开这批新数据。把新的石油从地下抽出来以后,再想把它塞回去就很难了。他们已经尝到了员工留任、盈利能力和患者状况改善的好处。预防跌倒这样的首批用例能让我们进门,长期依赖这套新数据才会让客户留下来。

David Weisburd

这是个很有意思的实体 AI 案例。你能不能再讲讲投资组合里其他正在发生的应用?

Joseph Coyne

AI 确实有些地方让人担心,但看到它实实在在地改善生活,就能看到另一面。要得到所有好处,就不可能完全没有坏处。不过可以通过网络安全、系统加固、数据保护以及个人保护措施来降低风险。医疗健康领域的积极影响就很明显。我们最早投资的一家公司 Bark 用自然语言处理保护儿童上网安全。它实时处理大约 700 万名儿童在多个应用和操作系统上的数据,为每个孩子建立情绪基线。之后,它能以很高的准确率预测孩子是否正经历抑郁,或是否表达了自残、伤害他人等风险,即使他们用了很多俚语;也能发现聊天中出现了儿童诱捕者。

我自己有三个孩子,每次打开 Bark 的报告都会起鸡皮疙瘩。风投的习惯会让人先打开公司月报看收入和增长,但我在这里会先看它带来的影响。让我震撼的是,它避免了几十起校园枪击、数百起自杀,还把儿童诱捕者升级报告给 FBI,每年有几十起。用复杂的自然语言处理、预测分析和 AI 来保护儿童,是另一个让人愿意支持 AI 的案例。当然,值得担忧的地方还有很多,也有不少公司正在建立防线,应对 AI 阴暗的一面。这也是我们接下来要加大投入的方向。

回到你问的实体 AI,我会举 Evercoast 为例。它做的是对人体为主的 4D 动作捕捉。公司用一组现成摄像机,再在后台进行复杂处理,重建运动中的人或物体,相当于 4D 视频。早期应用主要在媒体行业。所以我们……

07 18:12 428 字

AI 如何保护儿童,并为机器人创造数据(续)

Joseph Coyne

……他们还和奥运会合作,比如在巴黎奥运会上用 4D 摄像机阵列捕捉每位奥运选手的专项动作,为体操运动员和其他运动员创建数字化、可复现的人体资产,供 NBC 用于其他媒体内容的生成制作。到现在,他们已经为数百家客户做过数万次这样的采集,包括 Apple、Netflix 等公司。拍摄、处理、管理素材,并把它接入制作流程,已经成为一门很不错的生意。

David Weisburd

这家公司已经有数百万美元营收,真正有意思的是,他们拥有全球最大的人体 4D 捕捉素材库。为什么重要?

Joseph Coyne

正如我们刚才所说,是为了训练机器人:生成式的人体数据可以用于机器人训练和真实世界应用。想象一下,Evercoast 这样的数据集未来会成为一条管线,大规模生成虚拟人类,用来进一步训练机器人、自动驾驶汽车,以及我们之前提到的数字护理和居家护理等应用。这就是进一步解锁这批数据的第二步。它对很多人都很有价值,所以我们必须谨慎考虑与谁合作、是否出售数据,还是自己训练内部模型。我几乎每周都会和那里的创始人讨论这些问题。

08 19:49 1,162 字信息密度高

AI 会取代传统 SaaS 商业模式吗?

David Weisburd

我跟几百位投资人聊过后学到,优秀投资机构的根基不只是投资回报。能长期走下去的机构,还擅长做好外人看不到的事情:运营、与 LP 的关系,以及决策所依赖的信息质量。AI 带来的变化是,每家机构现在都能用同样的模型,所以智能本身不再是优势,优势在于你能喂给它什么。基金运营和数据都在一套互联记录里的机构,才能真正让 AI 发挥作用;依赖彼此割裂系统的机构就做不到。这就是为什么有数千家 GP 用 Juniper Square 管理基金。Juniper Square 把基金运营、数据和管理服务放在一套互联记录中,让你少花时间维护彼此割裂的系统,多花时间投资、服务 LP、建设机构。本期由 Juniper Square 呈现,它是私募市场的运营合作伙伴。了解更多,请访问 junipersquare.com/howiinvest。再说一遍,junipersquare.com/howiinvest。

很多人很难想到第二层、第三层影响。但随着大语言模型不断进步、推理越来越复杂,护城河还是会落到数据上。想想特斯拉的自动驾驶技术。我认为它花了十年时间,只靠在奥斯汀、旧金山等地开车来收集信息,这曾是瓶颈。那十年里,他们还得自己打造当时并不简单的模型,那时候 ChatGPT 还没出现。现在的大语言模型能像一万名天才级物理学博士一样帮你解决问题,真正的护城河就变成数据。投资委员会里常说“飞轮”,但我们也会说“顺周期优势”:当你成了特斯拉、积累了大量数据,模型就会更好,用户更多,接着又带来更多数据。

Joseph Coyne

这又回到客户是数据来源这件事。

David Weisburd

对,你得先把水泵启动。有时这很贵。特斯拉当年得先造出带自动驾驶功能的汽车。现在它进入顺周期阶段,越来越多新用户因为自动驾驶选择特斯拉,这进一步巩固了它的数据领先优势。这种顺周期效应会逐渐成为护城河。哪怕新进入者从零、甚至比零高一点起步,还是会远远落后于特斯拉,或者这个例子里的 Evercoast。用户会一再选择这些公司,让它们的数据护城河越挖越深。

我想回到商业模式。每一次技术革命似乎都会带来全新的商业模式,但现在人们仍然在用 SaaS 模式收费。你觉得进入 AI 时代后,商业模式会怎样演变?

Joseph Coyne

我觉得尤其是初创公司,得从客户觉得舒服的方式开始。未来 SaaS 会不会仍是最普遍的模式?可能会,也可能不会。但大型企业已经习惯按这种方式采购。想想 Inspiren:客户每月付多少、我们每月成本多少、每个用户能节省多少成本,这些单位经济指标自然会把你带到按单位收费的 SaaS 模式。更前沿的科技公司可能采用按用量收费,我们已经看到很多这种模式;也可能按结果收费,比如“我们帮你实现这个结果,你就付这个金额”。这类销售更难一些,不过它们确实和结果、投资回报紧密挂钩。我挺喜欢这种模式,但客户的采购习惯还不熟悉。

09 23:50 583 字

AI 会取代传统 SaaS 商业模式吗?(续)

Joseph Coyne

大型企业需要时间来学习和适应,尤其是有些企业已经存在一百年了。过去二十年,它们已经习惯按席位或按月支付 SaaS 费用。要让它们摆脱这种模式需要时间。我不认为这不可能,但转向其他模式的过程会比较缓慢。

David Weisburd

接下来会是什么?

Joseph Coyne

我觉得按使用量、按消耗量、按 token 计费的模式,现在都在讨论范围内。我们看到一些混合方案,比如 SaaS 加使用量计费,也看到纯使用量或 token 计费。大型企业的 CEO 和 CFO 可能会担心这种模式,因为费用不够透明:我到底要付多少?预算已经定了,也向董事会报过预算,如果超支怎么办?这会带来问题。所以要让企业看清费用很重要。可以设上限、设置阶梯,这样形成 SaaS 加用量的混合模式,可能成为过渡方案,让他们逐渐适应。比如他们可以说:“我们已经用了两年,过去三年每年花 100 万美元。今年预计多用 20%,所以预算定为 120 万美元。”这需要时间。他们得有足够数据和信心才能做这样的决定。大多数市场都是这么逐步发展的,我认为这里也不会例外。

David Weisburd

坐在你现在这个位置上看……几周前我采访了 Vista Equity 的总裁 David Breach。他们在软件上部署了超过 1000 亿美元,所以我们确实认真考虑过这个问题。他认为软件的未来不只是卖软件,而是卖解决方案,有点像“自己动手”与“替你做好”的区别。你觉得软件本身会这样演变吗?

10 25:25 536 字

AI 初创公司如何用更少资本更快扩张

Joseph Coyne

早期我们确实看到不少咨询式销售。我们的投资组合里有些技术很强的公司进入《财富》500 强企业后,揭开内部情况一看,才发现数据混乱得令人吃惊。对一家风投支持的初创公司来说,这很快就变成数据咨询项目。这可不是我想听到的;我们希望听到的是:“这东西能规模化,拿来就能用。”

企业客户还是得继续采用数据管理最佳实践,保证数据质量和基础设施到位,才能释放很多投资组合公司和软件公司的即插即用价值。不过,早期的切入方式可以是咨询式服务。这对初创公司也可能有好处,因为他们能深入了解企业面临的问题。解决问题以后,就能把方案复制出去,甚至建立智能体工作流,应用到其他场景里。于是,下一家《财富》500 强客户的部署速度可能快十倍。不过我觉得,这些还只是逐步释放企业真正价值的早期阶段,真正的价值要过几年才会显现。

David Weisburd

这让我想到 Paul Graham 的建议:要做那些不可规模化的事。想打造伟大的企业,就先做那些不可规模化的事,找出问题在哪里,再实现自动化。Elon Musk 的算法也是这样。很多人以为 Elon 算法一开始就要自动化,其实自动化是最后一步。工程里最大的错误之一,就是把一个根本不创造价值的东西自动化。你得先找准真正有价值的事,确保投资回报成立,然后才去自动化。人们总觉得……

11 27:26 1,083 字

为什么 Joseph 不愿为种子前初创公司付 1 亿美元

David Weisburd

……尤其是风投,总有一种偏见:我就要一个可规模化的项目,希望从第一天起就能自动化。但有时这反而会妨碍产品本身的设计。

Joseph Coyne

有可能。我觉得谈初创公司融资时,我们总是从种子轮进入,应该给后续发展设定现实的基准和预期。这会影响一个问题:达到某个目标需要多少现金流?要走到 A 轮、B 轮分别需要什么?

一方面,产品成熟度现在能比过去更快达到。我们投进公司的每一美元,使用效率都前所未有。

David Weisburd

具体说说。为什么公司现在能用更少资本扩张得更快?

Joseph Coyne

我觉得要从产品和代码说起。智能体编程影响巨大,尤其对懂得如何使用它的人。我们做过一些数据研究,发现早期创始人中,技术出身、有工程背景的人受益最大。目前效率提升主要集中在工程师身上。接下来可能是客服,这是数据基础很好、也很容易快速增强的应用场景。但如果看效率提升最大的部分,还是工程。因此我们会问那些在 Meta、Amazon、Oscar Health 等公司任职的技术顾问:“你现在做工程或 AI 管理工作是什么样的?”他们会说:“我能在一半时间里完成四倍的工作量。”

听到这些,我们就会想到自己看到的实际情况:我们支持的创始人能更省现金、更快达到产品成熟。所以我们在种子轮花时间很有意义。我认为从种子轮到 A 轮的价值创造空间,现在比以前大得多。考虑投资组合里的风险配置时,我们会看夏普比率,因为我们是在分配和购买风险。每单位风险都要付合理的价格。从产品还没出来、前景不明,到产品成熟、市场契合、客户愿意背书、已经有营收,这段路现在走得比以往更快。因此,现在 A 轮、B 轮的定价已经像过去 D 轮、E 轮的价格了。与其参与那场游戏,我更愿意捕捉从模糊的种子期到产品相对成熟之间创造的价值,这只需要短短几年。

David Weisburd

我没听过哪个聪明的投资人否认 AI 会颠覆行业、AI 本身有价值。没人说“这全是胡扯,全是炒作”。但据报道,如今种子前轮融资的平均估值已经达到 1 亿美元。你会怎么评估这种价格?

Joseph Coyne

还是要看你买的是哪种风险。早期风投就是把钱投到承担一定风险的项目上,这些企业本来就很危险。因此,我们团队很难接受那么高的价格。哪怕团队经验丰富、很优秀,你押注的结果仍然是低概率事件。成功数字就是那些数字——当然,这些数字已经变了。现在重大成功的规模是数百亿美元,而不再只是十亿美元。所以那种结果确实可能出现,但概率依旧很低。做投资组合时,对我们来说那是“有了更好”,不是“非有不可”。如果我们有幸投中一家能达到 200 亿、500 亿、1000 亿美元规模的公司,那当然很好;但我们的估值是建立在更理性、更高概率的结果上,这让我们在入场时保持价格纪律。不过……

12 31:26 232 字

为什么 Joseph 不愿为种子前初创公司付 1 亿美元(续)

Joseph Coyne

……这也是为什么我们专注于过去所说的企业软件与 AI 核心应用场景交叉处,而不是需要数十亿美元投入顶尖人才的实验室型公司;这些人才的成本还越来越高。我们更愿意受益于模型公司做出的优秀成果,而不是把钱投进去并拥有那支团队。

David Weisburd

这让我想到你以前所在的 Bain Capital Ventures 的 Matt Harris 的一个估值启发式。他评估 Anthropic 的估值时,比如报道说它会达到 2 万亿美元,有一种想法是直接把数字去掉三个零。也就是说,先把它当作……

13 32:09 956 字

如何评估今天的 Anthropic

David Weisburd

……把 2 万亿美元去掉三个零,就得到 20 亿美元。再把报道中 Anthropic 2026 年预期的 1000 亿美元年化收入去掉三个零,就相当于 1 亿美元。20 倍营收的估值并不算离谱。大家看到那个惊人的标价,可能会觉得 2 万亿美元怎么还会有上涨空间,这种反应也很正常;但看看收入,估值就开始说得通了。

Joseph Coyne

这确实是个合理的论点。我的反驳是,要达到那种结果的概率非常低,是极端长尾事件,类似六西格玛或一代人才能遇到一次的机会。回到二十年前,就像成为发现 Google 的投资人一样,那些人赚得不错。同样,找到 OpenAI、Anthropic 等公司的投资人也会获得巨大回报。

但如果从公开市场投资人或后期投资人的角度看,这些公司正面临新的威胁,彼此都在竞争。每一次模型发布都会带来功能上的跃迁,它们现在像是双头垄断,但新玩家肯定还会出现。开源模型也可能被更多人采用,甚至一些我们现在还没想到的外国模型,也可能进入市场。竞争会越来越激烈。它们证明了市场规模和增长速度,但这种市场往往会出现新的低价竞争者。消费者愿意支付、或者预期支付的金额,早期大约每月 0 到 10 美元;随着时间推移,这个数字可能还会下降,模型之间的切换成本也会变低。我一个星期会在四到六种模型之间切换,也会用智能体。我总是在找最适合自己用途、最快的大语言模型。竞争加剧可能让公司更难从庞大的用户群中变现。

而且我们甚至还没谈到某个新玩家可能成为下一个 Anthropic。两年前我们谈的未必是 Anthropic,而会是 OpenAI。看那段增长曲线也能得到提醒:OpenAI 的增长曾经达到前所未有的速度,后来 Anthropic 又超过了它,这很值得关注。我没能投到 OpenAI 或 Anthropic,但我的一些 LP 投了,过去几年也问过我什么时候该卖。我给过类似的分析,尤其要看他们的成本基础。

David Weisburd

我确实在 Anthropic 估值 40 亿美元时投过。所以想请你给点建议,我想平衡看待接下来的上行空间和风险。以 2026 年 10 月的情况,你今天会怎么给它估值?

Joseph Coyne

我会看它隐含的未来市场份额:市场可能会有多大,以及你预期 Anthropic 能拿到多少,要和 OpenAI 以及一些还未出现的竞争者比较。谁会加入竞争,这很难判断。

14 36:10 109 字

如何评估今天的 Anthropic(续)

Joseph Coyne

……未来三到五年的收入,要达到什么市场份额才能支撑 Anthropic 目前的估值?我认为,现在的估值正在收敛到一个较合理的价格。所以你可能处在不错的位置,不过这是在没有把竞争加剧和低成本竞争者的假设纳入考虑的情况下。

15 36:30 1,363 字信息密度高

垂直 AI 公司需要的不只是好技术

Joseph Coyne

另一个角度是:这些大语言模型的客户是谁?OpenAI 的用户似乎更偏消费者;Anthropic,尤其是 Claude Code,似乎更偏企业客户。因此,我会用不同方法看待它们每一美元的收入。在这方面,我会给 Anthropic 一点溢价。你也能看到,它们的增长速度可能已经超过 OpenAI。

David Weisburd

我来讲讲 Lucas Swisher 的乐观论据。他负责 Code2 的增长,也是我们之前节目的嘉宾。他谈过三条采用 S 曲线。按收入看,大语言模型的第一批早期采用者是开发者。惊人的是,全世界只有 5000 万名开发者,而人口有 80 亿。

Joseph Coyne

而且真正落地采用的开发者只占一小部分。放眼全球工程师,我们仍然只是小市场中的一小块。当然,企业也开始采用了,但你刚才说得对,其中 95% 都失败了。现在还谈不上大规模采用,真正的重度用户企业并不多。接下来依次是工程师、所有企业、消费者,然后可能还有第四条 S 曲线:智能体。有人认为潜在市场不只是 80 亿人,而是 80 亿人加上他们彼此交流的智能体。

David Weisburd

说到采用曲线,你一开始说 AI 还处在第一局。

Joseph Coyne

我觉得你刚刚也证明了我的观点。

David Weisburd

企业领域还有很大的增长空间。这个市场正在变大,潜在市场规模会从已经很大的基数继续扩大,这非常吸引人,也会吸引新进入者,包括那些大型科技公司,或者我们还没开始讨论的玩家。不过这可能侵蚀定价能力:一是随着时间推移,切换成本降低、市场被更多玩家瓜分;二是出现我们投资领域里的产品——针对特定行业、把定制企业软件和 AI 结合起来的方案。

Joseph Coyne

垂直化。

David Weisburd

对,这类方案把更扎实的领域专业知识融进产品,因此能在航空、银行、保险等特定行业建立信任。随着时间推移,价格也会承压。企业愿意多付钱,但到底愿意多付多少?如果想拿下客户大部分的预算,就得提供远高于我们第一局目前看到的投资回报。这是多种因素共同作用的结果,未来会很有意思。不过我觉得,你现在进场很难输。我的另一家公司也投了垂直 AI 解决方案,比如 Lora。你怎么看横向和垂直 AI?哪些领域适合垂直方案,哪些适合横向方案?你的分析框架是什么?

Joseph Coyne

我们说横向方案时,想到的是 AI 的基础工具,比如帮助任何垂直行业、任何企业管理自身模型的 Monitor;还有我前面提过的数据防泄漏方案,用来追踪数据在企业内外的流向。这些都是横向工具,用来解决潜在的垂直行业问题。

至于哪些垂直行业会赢,我认为卖进这些行业都需要信任。尤其在早期,你得在航空、保险承保、银行承保和贷款等专业行业里建立信任。你要理解客户流程、过去的流程、数据和关键指标,这会让你在传统行业里更早建立数据飞轮。所以我认为垂直 AI 公司需要有领域专长,也要能非常快地做出产品。也就是说,工程团队要有 AI 原生工作流,团队里还要有真正懂行的专家,凭借不对称优势赢得行业信任并打入市场。我们会这样评估团队:他们的技术实力怎么样、已经做出了什么、未来路线图能推进多快?他们的销售路径和平均合同金额匹配吗?扩张策略是否理性?

如今很多玩家都能以前所未有的速度建公司,所以我们不想打一场势均力敌的仗,想要的是不公平的竞争。要看谁最懂这个行业、谁和行业联系更紧密、谁在这个行业最有胜算。技术必须强,最好是最强;但再有另一个制胜优势,才能真正把胜算推向自己这边,更快打入航空这类专业市场。

16 40:31 1,016 字

垂直 AI 公司需要的不只是好技术(续)

Joseph Coyne

……团队既要能用 AI 原生工作流快速开发,也要有懂行业的专家,凭借不对称优势赢得信任、打入市场。我们会评估团队的技术实力:已经做出了什么,未来产品路线图能推进多快?还要看他们的市场进入方式是否匹配平均合同金额,扩张是否理性。

我们也不想打一场公平的仗。现在有很多玩家,大家能比过去更快建立公司,所以我们要找不公平的竞争优势,像是拿枪去打一场刀战。谁更了解行业、关系更紧密、最有资格在这个行业获胜?除了技术足够强,甚至最好是最强之外,这种额外优势也能把天平推向自己,让公司更快进入航空这类专业市场。

David Weisburd

我觉得你的回答会让工程师很失望。从 2008 年我进入初创公司领域开始,工程师就一直想取代销售人员,这有点像高中里的运动员和书呆子对立,差不多二十年来都如此。他们可能最终会成功,也许要花十年、二十年。为什么?因为管理组织的仍然是人,人需要解决方案,也需要信任。所以,即便你带着最好的 AI 方案进入市场,仍然需要销售人员帮助实施,也需要人在运营层面提供支持,这些工作目前都还需要真人来做。

Joseph Coyne

没错。我觉得销售流程本身可能会自动化一些,这没问题。但仍然需要有人真正理解客户。最懂客户的人,有些人以前就是目标客户。他们带回独特洞察和问题,正好能让优秀工程师发挥所长。通常来说,最好的工程师,除非自己是创始人,否则不会主动跑去和客户沟通,也没有在客户公司里待二十年的经历。所以销售人员也可以成为客户解决方案专家,把独到洞察带回给工程师,影响产品路线和方案设计,确保初创公司做出来的东西从第一天起就对客户有很高价值,因为需求来自客户。

……我们还会把客户所说的需求提炼出来,再把这些洞察立即反馈给企业。基于一段时间内、多家客户反复提出的需求,我们可以用概率和统计方法来判断接下来该开发什么。把这些信息数字化,再用 AI 消化,就能给服务交付方带来独特洞察。它可能会发现:“我们真的不喜欢合作的这支团队,某某合作起来不愉快,或者你们响应不够及时。”也可能发现:“你卖给我的软件能做 X、Y、Z,但我们真正想要的是 Tao。”这些洞察就能一轮轮地回到产品路线图里。

David Weisburd

我跟 Anthropic 的工程师聊过,也有一些 OpenAI 的朋友。他们告诉我,普通工程师的效率提高了四五倍,而 10 倍工程师的效率实际上提高了 100 倍。10 倍工程师通常成本高一倍,但投资回报反而更好。销售方面是不是也有类似现象?顶尖销售人员是否也能通过 AI 大幅提高效率?

17 44:32 896 字

垂直 AI 公司需要的不只是好技术(续)

Joseph Coyne

销售这方面还很早期。最优秀的销售人员现在仍然是最优秀的销售人员。我觉得销售采用 AI 的速度可能稍慢,至少像我们之前聊到的很多企业一样,还只摸到了真正可规模化能力的表层。如果你是 AI 原生的创始人,而不是传统企业的销售人员,那么亲自做销售的创始人就能以前无法想象的规模开展工作。甚至我自己的副业里,智能体也在我睡觉时跑业务拓展流程和分析。

Studio VC 筹资也类似,我们用很多智能体寻找 LP、起草第一封邮件、跟进并让我们及时掌握进展,几乎像多了个幕僚长。不过这建立在我们是 AI 原生早期采用者的基础上。传统销售人员可能会担心,AI 正在接手自己工作的部分内容,这会影响他们的价值,所以采用速度会慢一些。再说一次,如果 CEO 自己很懂 AI、也明白它能给销售带来什么,这种影响会更快传到团队;但如果你问销售负责人,他们可能会优先保护自己的 FFT。

David Weisburd

这让我想到利益一致的问题。初创公司里的销售人员有股权,可能比传统《财富》500 强企业的销售人员更愿意采用 AI。

Joseph Coyne

没错,激励一致性确实是个好问题。

David Weisburd

如果你能回到 2009 年,刚开始做风投的时候,给自己一句永不过时的建议,你会说什么?

Joseph Coyne

哇,这个问题大家都会想很久。我从 Bain Capital 的文化里学到两件事。那里有我共事过的最聪明的十几位合伙人,是个很棒的起点。我可以旁观、学习、倾听他们的意见。但他们身上也有很多谦逊;他们和创始人打交道时,我觉得这种文化很适合我。

再往前说,离开投行时我原以为自己会像同事那样去做私募股权。但我接到 Bain Capital Ventures 的电话,去面试后立刻就喜欢上了那里。那是我经历过最好的面试。我给父母打电话说,这次面试棒极了。那里的文化是人既聪明又谦逊,想为整个生态带来价值,也明白这是场长期游戏。

这也是我努力遵循的职业方式:即使不投资一家公司,也要为它创造一些价值。最坏会怎样?也许几年后他们会回来找你,或者把朋友介绍过来。第二件事是,我觉得 Bain Capital 仍然保留了一些咨询公司的基因,体现在他们看待交易的方式上。他们对交易做的分析和尽调非常全面,这点让我印象深刻……

18 48:33 231 字

垂直 AI 公司需要的不只是好技术(续)

Joseph Coyne

……直到今天我还记得那套方法:把技术、融资、市场策略,以及在竞争市场里长期取胜的理由放在一起分析。这是我当年在那里工作时最着迷的地方。随着职业发展,我越来越早地开始投种子轮,因为创始人在这个阶段的问题最尖锐;我喜欢早早加入,帮助他们解决问题,或者为他们创造解决问题的条件。希望我不是房间里最聪明的人——最好是创始人最聪明,我则为他们创造条件、打好基础、建立关系,帮助他们取得超越普通种子投资人的非对称优势。

David Weisburd

Joe,这真是一堂大师课。非常感谢你来做客。

Joseph Coyne

很高兴参加。