AI Markets: Deep Dive with a16z's David George
来源: a16z (YouTube) | 频道: a16z | 时长: 47:33 嘉宾: David George (a16z Growth GP) x Jen Kha (IR 负责人) 原文: AI Markets: Deep Dive 精读日期: 2026-02-24
一、需求端：AI 公司增长质量史无前例
核心数据
- AI 公司增速约为非 AI 公司的 2.5 倍+
- 头部 AI 公司 YoY 增长达 693%（a16z 三次核实数据）
- 最快的 AI 公司到 1 亿美金收入的速度远超历史上最快的 SaaS 公司
- 2025 年是收入增长加速之年，逆转了 2022-24 加息周期的放缓趋势
关键洞察——增长靠产品拉力，不靠砸钱
David 反复强调的核心论点：AI 公司增长快不是因为销售费用高，恰恰相反——它们的销售和营销支出比 SaaS 同行更低，但增速快得多。这说明终端客户需求极强、产品本身足够 compelling。
毛利率：低毛利反而是好信号
- AI 公司毛利率略低于 SaaS，但 a16z 认为这是「荣誉徽章」
- 低毛利 = 推理成本高 = 用户在大量使用 AI 功能
- 推理成本长期趋势下降
- 反直觉逻辑：如果一个 AI 公司毛利率特别高，a16z 反而怀疑——说明 AI 功能可能不是客户真正购买/使用的东西
ARR/FTE：衡量公司效率的新指标
- 最佳 AI 公司：每员工 50-100 万美金 ARR
- 上一代 SaaS 经验值约 40 万
- David 坦言：目前高 ARR/FTE 主要因为需求太强 + 后疫情 tech 精简，尚非 AI 重构运营的结果
- 真正的「AI 重构公司运营」才刚开始
二、商业模式演进：四阶段光谱
David 画了一个 B2B 商业模式演进路径：
| 阶段 | 模式 | 代表时代 |
|---|---|---|
| 1 | License + 维护费 | Pre-SaaS |
| 2 | SaaS 订阅（按席位） | Cloud 时代，Adobe 转型是经典 |
| 3 | 消费制（按用量） | 云厂商模式，task-based 业务已开始迁移 |
| 4 | 按结果付费（outcome-based） | AI 时代（极早期） |
- 阶段 4 目前只在客服场景可行（能客观衡量 resolution）
- 如果模型能力提升到其他职能也能衡量 outcome，对 incumbent 将是巨大颠覆
- 席位制 → 消费制本身就够颠覆（尤其如果公司人员构成因 AI 发生变化）
三、Portfolio 深度案例
Harvey（法律 AI）
- 推理模型 + 法律天然契合（lawyering and reasoning go hand in hand）
- AI 没减少律师数量——有个段子：一个律师说 LLM 反而增加了我的工作量，因为每个客户都觉得自己是律师了
- 更好的产品 + reasoning model 改进后，用户在平台上花的时间翻倍
- a16z 重点考察：收入留存率、续约率、产品参与度、登录频率、使用时长
Abridge（医疗 AI）
- 医生描述为「trusted deputy」
- 关键图表：蓝线=用户增长，绿线=参与度。大量新增用户的同时，参与度不降反升
- 这是 a16z 验证收入可持续性的核心方法论——如果增量用户的参与度下降，才是危险信号
ElevenLabs（语音 AI）
- 语音是 AI 工具的基础层（B2B 客服、个人工具、各种应用都始于语音）
- 用量增长惊人
- 运营极其高效，ARR/FTE 标杆
Navan（差旅管理，pre-AI 转型典范）
- AI 现在处理 50% 的用户交互（旅行预订和变更——这是复杂工作流，不是查余额）
- 3 年毛利率提升 20 个百分点
- 竞争对手（传统 TMC）没转型，被拉开 20 点毛利差距
- 完美诠释了「adapt or die」
Flock Safety（安防 AI）
- 每年协助破案 70 万起
- 有 Flock 的区域，每警察破案率提升近 10%
- David 评价：portfolio 中最有说服力的客户价值主张——ROI 是破案
Databricks
- CEO Ali 是「technical terminator」——兼具商业直觉和技术深度
- 数据湖天然适合跑 AI 工作负载
- 新产品 Agent Bricks 被 a16z 高度看好
- 客户是 DoorDash、Instacart、Uber 这类前沿公司（不是传统企业），本身就是技术质量的 validator
- a16z 投资逻辑：更愿意看到 portfolio 公司的客户是「modern thinking companies」，而非 old school stodgy companies
四、Pre-AI 公司：「Adapt or Die」
David 的核心观点：必须在前端产品和后端运营两个维度同时 AI 化。
前端
不是在已有流程上加个 chatbot，是用 AI 重新想象产品、激进地颠覆自己。
后端（更重要的变化正在发生）
- Case 1：一个 portfolio founder 对某产品不满意，让 2 个 AI-deep 工程师用 Claude Code + Codex + Cursor 从零重建，「无限预算用 coding 工具」，进度提升 10-20 倍。账单高到让他重新思考整个组织架构。他的结论：「12 个月内整个产品工程组织都要这样工作」
- Case 2：另一个 CEO 完全「AI pilled」——把员工重新定义为 AI agent，问「你有多少个 agent？」
- Case 3：最极端表述——「每个任务我都问：用电（electricity）还是用血（blood）？」
- David 判断：2025 年 12 月是 AI coding 的转折点，之后 coding 效率会全面铺开
Shopify 标杆
Toby 从上到下推动 AI 化，a16z 有内部深度案例分析。
Fortune 500 的现实差距
- CEO 们都在说「我们要 AI 化」，但实际执行远落后于口号
- 不是技术不 ready，是变革管理太难
- 已有成功案例：Chime 客服成本降低 60%；Rocket Mortgage 节省 110 万小时核保，年化 4000 万美金节省
- a16z 做法：对每个 pre-AI portfolio company 逐个过，看 founder 在 AI 化旅程的什么位置
缓冲窗口
好消息是商业模式变革还在早期。对 pre-AI 公司最危险的是「技术+产品变革 + 商业模式变革」同时发生，目前 outcome-based pricing 还没全面铺开，给了他们一个缓冲窗口。
五、公开市场：健康但需警惕
AI 驱动市场
AI 相关公司贡献 S&P 500 近 80% 的回报。
估值健康度
- 价格由 EPS 增长驱动（不是投机），与 dot-com 形成鲜明对比
- PE 倍数高于历史均值，但远没到 dot-com 水平
- 四象限分析：高增长+高毛利获得最大估值溢价；低增长即使高毛利也困难
- David 的长期信念：增长是驱动 5-10 年回报的最大因素
收入规模的震撼对比
- 2025 年全部上市软件公司（含 SAP 等传统）新增收入 460 亿美元
- OpenAI + Anthropic 两家 run rate 新增收入就接近其一半
- 预测 2026 年 AI 模型公司新增收入将达整个上市软件业的 75-80%
当前 AI 年收入规模
David 估算约 500 亿美元（大输入他知道，难估的是大厂真实 AI 收入），增速远超 100% YoY。ChatGPT 三年前上线，但主要 traction 其实发生在最近一年半。
六、供给端 / Capex 分析
规模与基本面
到 2030 年累计超级计算中心 capex 约 4.8 万亿美元。
与 dot-com 的关键区别
- 投资由历史上最赚钱的公司（FAANG）现金流支撑
- capex 占收入比例远低于 dot-com
- 没有「暗 GPU」（Gavin Baker 比喻）：互联网时代有铺好但闲置的光纤，现在 GPU 部署后立即满负荷运行
回报测算
- 4.8 万亿投入 × 10% hurdle rate → 2030 年 AI 年收入需达 1 万亿（约全球 GDP 的 1%）
- 当前约 500 亿，增速极快，但差距仍大
- David 认为回报周期可能延伸到 2030-2040
Azure 对比
- Azure 用了 7 年才达到 AI 一年的收入水平
- Azure 收入超过 capex 花了 10 年，AI 会快得多
需要关注的风险
- 债务介入：不是所有参与者都是 FAANG 级
- Oracle 激进下注转型云厂商，多年现金流为负，CDS 成本已升到 ~2%
- 私人信贷开始参与数据中心建设
- David 态度：Meta/Microsoft/AWS/Nvidia 作为 counterparty 完全放心，但不是所有 counterparty 都一样
芯片折旧
- 7-8 年的老 TPU 仍 100% 利用率（Google 官方披露）
- A100/H100 二手价格和租赁价格坚挺
- 早期用户倾向于长期使用旧模型，后来的用户快速切换新模型
- David：目前不担心，但市场讨论很多
「Model Buster」概念
- 增速和持续时间远超任何模型预测的公司
- iPhone 经典案例：共识预测 4 年偏差 3 倍（全球覆盖最多的公司都被低估了）
- David：AI 将是他职业生涯中见过的最大 model buster
- Tech 本身就是 model buster：自 2010 年以来以前所未有的速度和规模交付高利润收入，总是看起来很贵但反复 surprise to the upside
七、私募市场格局
- 上市公司数量 20 年减半
- 1 亿美金+ 收入公司中 86% 是私有的
- 独角兽总估值约 5.5 万亿，前 10 大占近 40%（自 2020 年翻倍），a16z 覆盖其中 7 家
- S&P 500 公司平均存续时间 50 年内缩短 40%——颠覆在加速
- 大型公司「大」的定义本身在变：large cap 自 2019 年以来三倍化
「Volatility Laundering」争论
- Stripe Collison 兄弟的观点：私有化便于管理股价、留人、控制节奏
- David 理解但也认为上市有价值
- 预期未来 18 个月会有大型长期私有公司 IPO，对市场是好事
Actionable Takeaways
- 看 ARR/FTE：比传统 S&M 效率更全面的公司质量指标
- 低毛利 ≠ 坏信号：AI 公司低毛利可能意味着用户在真正用 AI 功能
- 验证收入可持续性：看参与度随用户增长是否保持/提升（Abridge 方法论）
- pre-AI portfolio 逐个审视：founder 在 AI 化旅程的什么位置？口头还是真在重构？
- outcome-based pricing 是下一个大变量：目前只在客服可行，模型能力提升后扩展
- 供给端债务风险：关注非顶级参与者的 capex 融资结构
- Model Buster 思维：不要被保守 spreadsheet 锚定，AI 增长大概率超预期
- AI coding 转折点已到：portfolio 公司 12 个月内不全面拥抱 AI coding 将被同行拉开