开场
这里是《Breaking Analysis》，我是戴夫·维兰特。
企业 AI 生产力与投资回报
AI 基础设施建设押下了巨额赌注，赌的是企业最终愿意为智能付多少钱。今年夏天，我们研究 AI 泡沫时提出，一个关键观察指标是企业客户是否把 AI 真正用于生产。如果基础设施供给先追上来，而生产性变现还没出现，泡沫破裂的风险就会升到我们认为危险的程度。我们当时预计，供给受限、资本仍愿意健康投入，可能为市场软着陆创造条件，并把 2029 年定为风险最高的一年。
接下来显而易见的问题是：主流企业内部要发生什么变化，AI 投资才能在经济上实现自我造血？Michael Burry 对 Anthropic 的分析，凸显了相关承诺的规模及其彼此牵连的程度。阿波罗（Apollo）的 Torsten Slok 研究则让人思考，眼下这些财务收益究竟有多普遍。个人电脑和互联网时代的历史提醒我们，生产率提升不会立刻显现；强大的技术也可能与看起来不理想的投资回报并存，而回报需要时间才能出现。我们认为，软着陆要靠企业改变运营方式：具体来说，要改变做什么工作、需要哪些人、如何扩大规模，以及客户最终愿意为什么价值买单。
欢迎收看《Breaking Analysis》第 332 期：企业 AI 能为这轮繁荣买单吗？今天的嘉宾是 Crawford Del Prete。他曾任 IDC 总裁，现任 PSG Equity 高级顾问。几十年来，他一直近距离观察技术转型，也带来了对软件企业如何适应 AI、新的 AI 原生公司如何形成，以及新兴运营模式会是什么样的第一手看法。Crawford，欢迎你，很高兴见到你。
Dave，很高兴见到你。这个话题来得正是时候。录制时纳斯达克已经跌了将近一千点，跌势似乎每分钟都在加重——现在略有反弹，只跌了 937 点。
这里头原因不少。当然，大型超大规模云服务商昨晚公布了业绩。即便谷歌广告表现令人失望，我想 AWS 的资本支出和负现金流也引发了关注，超大规模云厂商的投入仍在持续加码。不过先聊聊你在市场上、尤其在企业内部看到的情况：在你看来，AI 正在哪些地方改变经济账？
Anthropic 融资与企业算力承诺
AI 正在很多方面改变经济账。我们开始看到生产率提升的早期迹象，但数据里还没体现出来。我看到企业正开始自动化工作流，也开始以各种方式使用 AI。最初落地的领域符合预期，比如编程和客服；现在，组织内部越来越多单项任务也开始自动化。AI 对日常工作的影响因此很不均衡。一个岗位由数百、甚至数千项任务组成，如今我们开始自动化其中一些任务，但未必已经改变组织内部工作的整体设计。我想，这就造成了生产率数据上的一些不一致，稍后我们还会谈到。
谢谢。你我都是在个人电脑时代入行的。那时我们学到摩尔定律意味着一切，也看到价格快速下降，技术总是通缩的。现在技术反而像是通胀性的。你还记得我们以前一起跟踪硬盘市场吗？客户会想锁定价格，签一份按摩尔定律逐步降价的远期合同；现在人们想锁定今天的价格，因为价格正在上涨。
对。
眼下出现了各种反常错位。Anthropic 的 S-1 本周公布，其中有些数字确实亮眼。大家当然都在谈它前所未见的营收增长：2026 年上半年增长 14 倍，达到 160 亿美元。但 Crawford，真正让我印象深刻的是资产负债表。公司称拥有 1,320 亿美元流动资产，也就是现金及现金等价物。据报道，美国只有两家非银行企业的现金比 Anthropic 多：Alphabet 和伯克希尔。别忘了，Anthropic 总共融资约 1,400 亿美元。让大家消化一下：它大约烧掉了 100 亿美元，做到 320 亿美元的营收年化规模。但核心问题是，已承诺的这些算力究竟能带来多少经济回报。
Michael Burry 写的《Cassandra Unchained》研究无与伦比。他的观点常被人嘲讽；围绕 GPU 生命周期的说法，他也挨过批评、遭到过否定。但他的研究深入而独特。这张图展示了 Anthropic 周围相互关联的融资和商业关系，是他根据 S-1 整理出来的。各种安排合计涉及 5,370 亿美元的多年期算力承诺，包括照付不议协议、最低采购协议、租赁，以及以交付为条件的容量等。当然，这些不是当前债务，而是他们已经作出的承诺。
Crawford，我有一串问题，你可以逐一回答，也可以挑你最了解的部分说。首先，资本提供方、基础设施供应商和模型公司彼此交织，这有多令人担忧？你的投资组合公司增加 AI 支出，是因为 AI 带来了更好的回报，还是因为害怕错过、必须保持竞争力？
新创公司的增长与未来模式
当然，你们的新创公司又像火箭一样起飞，用更少的人力实现增长，可能让我们看到未来的样子。你怎么看这些情况？
按工作负载匹配模型成本
Dave，你我在这个行业待了很久，从没见过像现在这样彼此紧密相连的产业。整个行业都建立在昨天的架构之上，因为新架构出现后，旧架构必须重新定义，然后再重新建设。世界已经互联起来，现在大家又说原来的技术栈不对，必须建一套新的；新技术栈会催生应用和用量，需求马上就会把产能吃满。所以在我看来，这种循环融资是在让全世界同时重建技术栈。
你问终端客户的需求如何——答案可能不令人满意：因客户而异。我本周跟一位客户聊，他说自己根本拿不到足够的算力。我追问：“等等，你的意思是，联想、HPE、戴尔能卖给你的算力，你全都要？”他说没错，只要 OEM 厂商能给，他就全要。这些客户显然非常看重量化指标。在不少领域，需求确实近乎无止境。
另一些客户开始关注 token 用量。这会让你想起我们 25 年前做过的事：他们分析工作负载，也分析 AI 工作负载，然后教员工根据任务选模型。比如，Opus 4.8 这个模型已经很好了，可能不必为了某个任务用 5.0 的额外推理模式、消耗六倍 token。企业刚开始学着按具体工作负载调配模型。这段路才刚起步，但最终会像二十年前的服务器市场：不同工作负载会有不同模型，也会包括部署在数据中心或云里的开源模型和开放权重模型。
目前各家情况差异很大。不过我没看到很多客户因为成本而说“必须收缩”。他们关注的是竞争力，要给团队提供工具，让员工借助 AI 做到以前做不到的事。
对，我们过去把工作负载切得非常细，是吧？说到你提到的新架构，今天英特尔股价跌了 30%。
通用 x86 正在被加速计算吸收。我想人们漏看了 PC 这一块——不知道他们怎么会漏掉，但英特尔在 GPU 上没有很强的地位，AMD 也在侵蚀它的 PC 市占率。这确实是个难题。
你举的量化客户例子，是因为他们能把算力变现，所以才想要那么多，对吧？所以那个客户把所有……
竞争压力推动软件企业投资 AI
那位客户每天都在说：“只要给用户更多算力，我就能创新。他们能做以前做不到的事，产出以前做不出来的分析和交付成果。”这类客户确实存在，而且数量不少。我不认为客户之间有一道明显的鸿沟，一边愿意花钱，另一边不愿意。大家都愿意投入，差别只在手头资源有多少。
你问企业增加支出，是因为 AI 改善了经济效益，还是因为必须这样做才能保持竞争力。无论是不是我的投资组合公司，现在没有哪家软件公司不投资 AI。它们必须投资，扩充产品能力、保持竞争力，因为出现了许多过去从未有过的竞争因素。我每天都在关注这些事。一方面，大家在讨论大型相邻平台能不能用 AI 吸收你正在创新的领域；另一方面，始终绕不开的问题是，客户能不能通过“氛围编程”自己做出软件产品，而不再授权购买或使用现成产品。所以人人都在投资。少数公司没有投，但真的很少；如果你不投，可能是在给自己埋雷。
作为资本配置者，你大概也不会想投一家不投资 AI 的公司。
企业生产率来自自下而上的工作流重设计
对，没错。
好，我们试着把这件事说圆。Anthropic 等公司签下的这些关系、以及它们如何为基础设施建设融资，最终是否可行，取决于终端客户能用这些算力创造什么价值。Crawford 刚才说客户连算力都不够，这显然是一道障碍。我还想补充治理问题。我们做的调查显示，人们害怕 AI，也担心安全。
上周末，阿波罗首席经济学家 Torsten Slok 提出了他对 AI 收益扩散程度的看法。他比较了“七大科技巨头”和标普 500 其余 493 家公司的通胀调整后人均营收。七巨头那条线正在拉开差距：2023 年每名员工约 60 万美元，如今大约 80 万美元；其余公司则基本持平。他的观点是，AI 的收益还没有广泛显现。他还指出生产率收益不足，并谈到循环融资的问题。Crawford，我们稍后会聊生产率 J 曲线；我知道你读了那篇阿波罗文章。你之前说的企业内部情况，和这篇文章怎么对应？收益是不是集中在少数地方？你提过量化公司，也说大家普遍有错失恐惧。第二个问题是，我们显然都看到 AI 提升个人生产率、自动化单项任务；这些收益怎样才能传导到整个公司，甚至宏观经济？
企业内部正在发生几种变化。有些公司的业务天生就很适合 AI。比如编程公司能马上利用 AI，做成以前做不到的事。安全领域也在迅速扩张：前沿模型正在检查世界上大量现存代码，挖出漏洞。过去，人们为什么要处理技术债、重构代码？现在突然有了能重构代码、提高安全性的工具，而且更先进的前沿模型每天都能发现新的漏洞。所以有些用例已经很明确。
放到更一般的企业里，主要是把任务简化。我不觉得这些任务只局限在少数领域，它们到处都有，最终会带来更高产出，只是很难衡量。难衡量的原因是，人们做了很多过去只存在于“好意”里的事情：从未写下来的商业计划、从未做过的情景规划、想做却一直没做成的演示文稿。这些东西很难量化。只有当我们开始重新思考企业如何组织工作、如何创造业务时，才能看清它们的价值。我觉得有些公司已经在具体用例上部署起来了。
企业生产率来自自下而上的工作流重设计（续）
不过更普遍的情况，还是单项任务逐渐被自动化。任务自动化后，员工就有更多余力。我想我们会看到员工的可用产能大幅增加，因此企业不必招那么多人，盈利能力也会提高，对每个人能完成多少工作的预期也会继续上升，直到企业重新思考组织的运作方式。这是我根据所接触的公司看到的大致走向。
Crawford，我一直担心 RPA（机器人流程自动化）会变成“给牛走过的小路铺路”——把既有流程照原样自动化，也就是根据人原来怎么做来自动化。我理解你的意思是，现在有人真正重新思考工作流和流程。成功的可能是这些做法；如果只是照旧铺路，就不会有太大改变，就像把系统原封不动搬到云上。这样或许能省几个百分点的人工成本，但不会改变运营模式。我理解得对吗？
是这样。RPA 难做，是因为你得先把那条路固定下来：写出每一步，再把步骤编进代码，然后才能搭起来。现在的做法从底层出发，先找员工面对的具体痛点，再用自然语言探索更好的解决方式，然后教大家把办法转成项目、技能，以及能在组织里复制的做法。
领先企业的第一步，是让这件事自然发生：去和员工交流，举办所谓的 AI 黑客松——其实不是真正的黑客松，而是问大家：“你们怎样解决了组织里存在多年的问题？”接下来，企业再考虑如何用不同方式做事；等员工把办法发展成项目或技能，就把它固化下来，供全组织共享。可以把它看成一种过去不存在的 RPA：极其灵活、适应性强，而且真正好用。这就是区别。
对。也就是说，AI 能提高员工的生产率，让他们在组织各处更快地完成事情。
生产率 J 曲线解释回报为何延迟
但这不一定会立刻反映在公司的整体成本结构、损益表或增长率上。接下来我们想探讨，具体要发生什么，才能把任务层面的收益转化为损益表上更明显的结果。生产率 J 曲线或许能解释我们刚才说的延迟：宏观数据还不一定看得到收益，企业却在投入流程改进，正如 Crawford 刚才所说。这意味着要增加新工具和新技能。Crawford，等会儿我想请你讲讲 Claude 停摆时发生的事。
像这样的通用技术，要充分发挥收益需要时间；有些投资还是无形的。埃里克·布林约尔松（Erik Brynjolfsson）和洛克（Rock）等人的早期研究，关注这些无形投资如何影响生产率、又该如何衡量。给只听音频的朋友说明一下：我们展示的曲线是概念性改编，但它表达了一个要点——个人生产率提高时，累计现金流仍可能为负。采用初期，曲线会向下，因为组织在学习、重新设计；等技术融入整个组织，曲线才开始转正，随后陡然上升。这就是 J 曲线的核心：规模化后达到盈亏平衡，飞轮才会启动。
Crawford，你我都见证过个人电脑时代，知道它是怎么发展的。经济学家罗伯特·索洛（Robert Solow）那句“除了生产率统计数据，到处都能看见计算机”，说的就是这个现象。互联网泡沫破裂也是个有启发的例子，收益要到后来拨号上网退出、宽带和 Web 2.0 出现时才明显。如今企业高层下命令“必须用 AI”，员工就说“好，去用 Claude、Codex 或别的工具”，然后从底层开始尝试。Crawford，讲讲 Claude 那件事，以及你看到的自上而下和自下而上的变化吧。
工作场所采用技术与组织依赖
我可以先从那个故事说起。不过先说，生产率数据要花很长时间才会出现。根据我看到的历史，个人电脑推出后大约 13、14 年，我们才开始看到生产率真正增长。你说的 1996 到 2020 年左右的连接期，也推动了那一轮增长。我相信这次的收益也会到来。
我之前跟你讲过一个例子。互联网泡沫时期铺设了大量“暗光纤”，这些光纤很长时间都没亮起来，最后造成巨大过剩。回到我说的替换技术栈这个例子，今天新装上的每块 GPU 一上线就会开机，立刻跑到 100% 负载。
前几天，我在一家私募股权公司工作。办公室里有许多每天处理定量数据的同事。我在办公室里忙着工作，Claude 突然宕机，发来一条奇怪消息，说我额度用完了。我知道我们并没用完额度，就到隔壁办公室问：“你那边也这样吗？”我看到一大片工位上的同事都站了起来，彼此询问：“你那边也停了吗？你那边呢？你那里也停了吗？”他们每天都在用这些应用，生产率已经提升了很多。我觉得我们才刚刚开始测量这些生产率变化，但我从没见过世界如此迅速地依赖一种技术。
让我担心的是，有些组织正是你刚才说的那种做法：“我给了大家 Claude 或 Copilot。”之后他们看不到制度层面的工作方式改变，也没有在组织里分享经验，就会感到失望。回到个人电脑时代之前：Dave，你我在 20 世纪 80 年代中期共事。我记得我们在一家内容和研究公司写报告，先用手写，再排队到 Wang 终端上打出来，才能进入出版系统。此前我在华尔街做商业贷款时，整个部门只有一台 IBM 个人电脑，其他人都不准用；可大家都知道，做业务离不开那该死的电子表格。于是我们先在方格纸上做，再输进电子表格。
我还清楚记得和你一起去打印室，拿一叠纸手写幻灯片，再排队等着用共享电脑制作；或者请制作部门帮忙做幻灯片。这些都是公司还没重新组织工作、各层级还没合并之前的例子。那时候，我们用高效工具做事，方式却非常低效。
工作场所采用技术与组织依赖（续）
我觉得今天的 AI 正处在完全相同的位置。
说得好。我记得我们当时都经历过类似的事，在 IDC 也一样：你可能在上一家公司排队，我则排队等走廊尽头那台 IBM 个人电脑。后来终于人人都有了电脑，但那是一笔资本支出，也意味着现金流的计时开始了。接着大家还得学 Lotus 1-2-3、文件检索等，几次跑到牛顿中心参加培训。那也是一笔投入；Pat McGovern 投资我们的员工，给大家培训。
就像 J 曲线那样，回报后来超过了投入，那时我们就停掉了 Dataquest。历史告诉我们要有耐心、有纪律；个人生产率提升可以和投资重置并存。Crawford 刚才把这个道理说得很好。
互联网泡沫的教训与安全投入
这种重置需要很长时间，人们会很沮丧。需求会不会起伏？会，但我从没见过一种技术的需求来得这么快，这一点让人对采用速度感到鼓舞。世纪之交、约 2000 年前后，我们聊过多少次：“我有互联网，可我能拿它做什么？互联网能带来什么生产率？”现在，只要你醒着、做白领工作，就很少有人再问 AI 能帮自己做什么。当然也有人还没开始用，我等会儿会谈到；但如今绝大多数人至少基本懂得如何使用 AI，而走在前沿的人，已经比其他人领先两大步，知道 AI 能做什么。
我认为我们正处在一个转折点。Claude Code 这类工具一开始很难用、不够直观；但有了 MetaMuse 之后，我们开始看到更多人能用 AI 完成日常、横向的任务。我想，回头看时，这类工具的出现很可能会成为 AI 进入更多中小企业、进入普通人生活的一个拐点。
对。市场今天又在恐慌：我们花了这么多钱，超大规模云厂商有些还出现负现金流，却暂时看不到收益。正如你说的，这需要时间。我们在 IDC 时的同事 Dave Michels 正在写一本科技史新书，还提前给我看了稿子，写得一如既往地出色。他指出，互联网泡沫和之前的泡沫不一样。Michael Burry 等人说“这次不一样”时，常被拿来取笑；但把郁金香狂热、日本房地产泡沫与互联网相比，互联网虽然也被过度炒作，却确实不同，最终超出了多数人的预期。它只需要时间摆脱拨号上网，让宽带铺到最后一公里。最早看到网景浏览器时，我们以为个人电脑就是通往互联网的方式，后来发现直到智能手机出现，互联网才真正走进大众生活。
后来我们还得从“只是浏览网站”走出来；Web 2.0 可以说是可读写的互联网。
他还指出，按点击付费广告让线上支出变得更容易衡量、更能采取行动。变化需要时间：我们要重做工作流、开发新软件，也要把基础设施建起来。如今人们还不敢让智能体在没有人工参与的情况下执行关键操作。Crawford，Sam Altman 本周在 Oracle OpenWorld 上建议企业客户——也就是 Oracle 最大的客户——先别操心生产率，应该优先堵住安全漏洞。这就是周期早期现金流为负的一个好例子。你怎么看？
软件中的执行、判断与问责
我之前说过，安全会被彻底重新思考。我们写下了海量代码，积累了大量技术债，企业确实需要堵住安全漏洞；这件事未来会非常有价值。你说得对，这是世界正在剧烈变化的另一个例子。
与此同时，这一轮 AI 周期的不同之处，在于有多少人能够参与，以及组织能够以多少新方式利用技术。Dave，真正不同的是，在 AI 时代，技术不是难点；技术反而是容易的部分，而且会越来越容易。我每天接触的公司都在琢磨，如何打造下一代企业：既自动化大量工作流，又让人留在流程中，因为问责极其重要。
我一直用三个层次来思考软件的演进：执行、判断和问责。执行层是计算机完成的工作。比如把客户姓名输入 Salesforce、存进数据库，或在 CRM 里记录通话内容。判断层是许多智能体和 AI 公司目前关注的重点：如何自动从软件数据中形成洞察。洞察可以大量生成，至于是否合理，人可以协助判断。但说到底，执行层已经被 AI 吸收，判断层也正在被 AI 吸收；企业如今真正聚焦的是问责层：凌晨两点谁来拍板？谁对合规数据负责？究竟由谁承担责任？
随着 AI 逐步压缩这些层次，聪明的公司会思考如何打造下一代软件，尽可能高效地处理执行和判断，让人承担更多责任、对更多决策负责。我们过去常谈“记录系统”和“行动系统”。我看到现在做得好的公司，会为客户开发软件和数据；这些产品不只是记录或行动系统，还嵌入了客户最棘手的工作流。这类数据非常有价值。企业正部署 AI 来消除工作流中的痛点，让客户把精力放在问责上。抱歉，更准确地说，是软件公司提供这些数据和问责能力，而人仍然承担最终责任。这对下一代 AI 极其重要。
软件中的执行、判断与问责（续）
说得好，因为归根结底，客户要对自己的主权负责，也要承担风险、设置相应的控制措施。这让我想到云计算的共同责任模型。我称之为“共同问责模型”。软件供应商有责任让产品按宣传的方式运作；这也是前沿模型供应商现在受到很多批评的原因。安全厂商要确保产品如承诺般有效，最终客户则必须承担责任。
绝对如此。
企业买家案例揭示变现障碍
客户有时会和供应商合作承担这份责任。这就是我说存在一种新模型的原因。云计算刚兴起时，共同责任模型并不为人熟悉，亚马逊不得不花很大力气教育客户。我想，AI 也需要类似的过程，而且复杂得多。
我想引入我们和 Qualitate 合作开展的一项专有调查数据。我们在 CoreWeave Fully Connected 活动前做了实地研究，发现四种有代表性的买家情况。第一家是医疗保健和生物技术客户，情况比较积极：它从纯粹的突发式训练转向持续推理，认为成本效益很好，性能不错，也已经开始初步变现。这是一个正面案例；虽然还有别的例子，我想重点谈谈挑战。
一家加拿大托管服务提供商在技术上做得很好。正如你说的，技术本身比较直接，但它还没准备好扩大规模，因为需要先验证客户对其面向客户的 AI 产品是否有需求，也不确定能不能赚钱，所以谨慎行事，想先确认产品与市场匹配。
我们还采访了几家想把 AI 部署在本地的客户，原因包括数据主权、延迟、掌控自己的技术栈和财务控制。一位基础设施与运营副总裁说，他们的 GPU 利用率必须达到 80% 才能盈亏平衡。你刚才提到的新云厂商和超大规模云厂商很擅长提高利用率，但一般企业现在还做不到，商业论证就算不过来，只好付溢价给云公司。
最后，一家德国企业说 CoreWeave 的技术优势很强，但它还是留在 Azure，因为再加一朵云会增加运营负担。于是它选择阻力最小的路径，继续用 Azure，并利用已有的合作关系和抵扣额度。这些具体案例说明，让技术跑起来和靠部署赚钱之间，仍有很大距离。
对。
重构软件公司，让 AI 部署更高效
对。
Crawford，你看到的这些情况普遍吗？你之前说过，技术本身不是问题，那未来的路在哪里？
这些问题非常普遍。顺便说一句，你们的研究做得很好。未来客户会继续与云服务商、超大规模云厂商合作。人们常把选择看成非此即彼：要么本地部署、自己拥有数据中心，并像你刚才说的那样把利用率做到很高才能盈亏平衡；要么完全上云。但大家还没有充分考虑混合部署的各种可能性。比如从云服务商那里获取开放权重或开源模型，让算力利用率可以共享，进而提高自身利用率。
未来会有很多试验，也会有其他计算方案进入市场，增加供给并影响价格。AI 软件本身也会变得更高效。我们还没怎么谈这个，但一些最先进的 AI 软件公司已经不再围绕人的界面来设计产品，而是在考虑 MCP，思考如何构建能由智能体管理的软件。这会提升整体效率，降低 token 成本、提高利用率。
技术变化之快前所未见。六个月内，各种东西会互相叠加发展，进而出现不同解决方案。今天这些确实是客户面临的难题，但有办法克服。我看到大家在不断试错，寻找绕过或解决问题的方式。
太好了，谢谢。我想借鉴一下你的运营经验：你曾在 IDC 管理一家相当大的公司，现在也担任董事。我们来聊聊软件公司如何重构业务，让经济效益跟得上变化。我们一直在谈 SaaS 末日论。成熟软件公司有很多客户、确定性的工作流，也有要保护的收入，同时还要把 AI 扩展功能加进产品。另一方面，AI 原生公司从一开始就围绕 AI 设计现代、灵活的运营模式、架构、劳动力和定价。这两类公司面临的机会和限制不同。
Crawford，还是几个问题一起问：帮助一家成熟 SaaS 公司变成 AI 企业时，你会怎么想、从哪里开始？AI 原生初创公司又是什么样？最难的问题是，无论怎么给软件定价，都可能定错。如果 AI 减少了编写代码、交付软件或服务所需的人力，价值会由谁获得？供应商会提高利润率吗？竞争出现后，客户会受益吗？我们之前在镜头外谈过按结果定价，你怎么看？
按使用量定价与 AI 变现难题
我们一点点拆开来说。转型要从高层开始。传统 SaaS 公司要变成 AI 公司，如果高管团队和 CEO 不认可 AI，只是给几个人配 Copilot，那就完了。必须从最高层获得支持。听起来老生常谈、很简单，但对转型极其重要。
我们看到最大的变化之一是岗位开始融合。以前有产品负责人、产品管理团队、产品工程团队；如今这些角色逐渐合在一起。我看到重新定义最明显的是产品管理，它正与产品工程合并，不再需要过去那种交接。产品工程的规模可以大幅扩大，产品也能更快推向市场。技术产品经理可以借助 AI 融合这些职责。我认为无论是 AI 原生公司还是 SaaS 公司，这都是早期最显著的变化之一。
SaaS 时代出现了产品驱动增长；AI 时代这点更明显。用户想先试用产品，想下载并直接上手，这是个大变化。另一个大变化不只是销售模式，而是产品如何进入市场。我看到许多小型地区经销商的能力大大提升，能用 AI 提高销售效率。大型分销商也很想把软件产品纳入自己的市场平台，因为软件资产利润率更高。对 AI 公司来说，现在的市场渠道比过去丰富得多。这些是我看到的一些变化。
谈到产品定价和推向市场，AI 带来的最大变化是大家对按使用量收费很感兴趣。对给现有产品增加 AI 的传统 SaaS 公司来说，我看到的最大挑战是如何明确地将 AI 变现：我投了 AI，怎样证明客户因此愿意多付钱？很多时候你不会把 AI 单独出售，而是把 AI 嵌入核心产品，再让客户认可。现在我看到的做法是交叉销售、追加销售和涨价，之后再推出可以额外收费的 AI 专属功能。
按使用量定价与 AI 变现难题（续）
企业要逐步从按席位收费转向按使用量收费，这正是我看到多数公司在做的事。但“按结果收费”经常被提起，它的问题是收入会变得很零散，和某个项目绑定。绑定项目后就缺少黏性；做得好或许有重复业务收入，却难以获得稳定的订阅收入。显然，企业转向 SaaS 的原因之一，就是不想失去这种收入模式。
从留存到现金流：可持续的 AI 经济
对，软件定价一直很复杂，现在也还在早期，但你显然看到了积极的一面。我们都知道，新一轮技术浪潮常常还不够大，无法抵消旧业务的下滑。这次也许不同，看看 Anthropic 的发展就知道了。不过我们还要检验主流企业是否能实现变现。请展示最后一张图，这是我们的检验标准：在泡沫破裂之前能否实现变现，这正是我们想弄清的问题。我不认为泡沫今天就要破。录制时纳斯达克一度跌了近 1,000 点，现在稍微反弹，跌了 853 点，市场确实很痛苦。
我不认为现在就是泡沫破裂的时刻；泡沫稍微放掉一些气，反而是好事。这张图看四个相关因素。第一，客户有没有获得可衡量的结果？结果可衡量后，我们也许能更好地制定软件价格。第二，产品是否契合市场？也就是说，初次购买后客户会不会持续花钱？我们希望看到年度经常性收入，而不是第二年又做一个项目。第三，软件和模型供应商扣除交付成本后，能否获得可持续的利润率？构建 token 智能很贵。第四，基础设施的使用能否产生足够现金，支撑运营、偿还资本承诺，并为下一轮建设提供资金？
客户生产率是我们论点的必要条件。但价值也可能通过更低价格流向客户，却不一定能支撑“工厂”投资者的回报。基础设施投资者也在看这个问题，以判断更高估值是否合理。所以必须检查整条价值链。
Crawford，未来 12 到 18 个月——在这个世界里也许已经算很长——哪些发展会让你更确信，客户的生产性需求正在广泛追上基础设施建设？你说收益并非只集中在少数地方。什么证据会改变你的看法？你会看投资组合公司的哪些指标和 KPI？
从留存到现金流：可持续的 AI 经济（续）
显然要看留存率，包括净收入留存率和毛收入留存率，以及推出新 AI 功能后这些指标怎样变化。我也很重视赢单和丢单分析：客户为什么离开、去了哪里？他们转向了更 AI 原生的产品，还是选择内部自建？这是非常重要的指标，因为它能看出客户愿意自己承担多少问责风险，是否愿意自己构建产品和问责机制。
公司能否独立把 AI 变现也很重要。或者说，是否能在交叉销售、追加销售的留存数据里看到效果？其他重要问题是，AI 功能能不能吸引更多客户，产品会不会随着这些客户加入而变得更好？更进一步，每增加一个客户，其他客户的体验是否也会提升？由于大家都在同一个生态里，生成的数据是否会对更广泛的客户群更有价值？这一切都由 AI 带来的更好决策推动。
我还花很多时间研究 AI 能帮公司发现什么“下一步行动”。比如在 IT 服务管理领域，工单后来怎么样了？有没有重新打开？多久才关闭？如果 AI 软件生成了一张发票，这张发票后来被质疑、迟付了，还是被核销了？某项建议提出后，客户接受、质疑还是忽略了？这些后续互动构成客户之间的双向价值：若更多客户拒绝某项建议，就说明建议不够好，系统可以据此改进。这些都是我用来判断 AI 收益的观察点。
太棒了。“下一步最佳行动”确实很有意思。我们已经很擅长知道发生了什么，也比较擅长弄清原因，但还不太会预测接下来会发生什么、又该做什么。
这正是 AI 带来的可能性。
我们的观点最终还是回到原点：持久的 AI 经济要通过主流企业的运营成果实现。好消息是，正如今天谈到的，AI 工作负载正在扩张，新的运营模式也在形成，Crawford 给我们分享了很多例子。剩下的问题是，这些收益能多快转化为可重复的客户支出模式和全行业可持续的现金流？这会在市场发生重大融资问题或其他错位之前实现吗？观众朋友们，你们从 AI 上赚到钱了吗？个人生产率的提升有没有转化成可衡量的公司业绩？如果已经实现，你很可能是所在领域的领先者；如果还没有，在成果得到证明、AI 实现自我造血之前，你还有多少时间和耐心资本？欢迎告诉我们。
Crawford，谢谢你帮我们把投资叙事和企业真正需要做的事情联系起来。非常感谢你抽时间参加。
当然，也谢谢你。
感谢大家收看《Breaking Analysis》，也谢谢 Crawford Del Prete。我是 Dave Vellante，我们下期再见。