硅谷“赌”AI最狠的基金：非原生AI公司要么进化，要么消失

在这一轮AI 浪潮里，a16z几乎是绕不过去的名字。

它是这波AI 周期里下注最重、覆盖最全、确定性也最高的顶级基金之一。过去五年，a16z 投出的名单几乎定义了硅谷的技术主线：

OpenAI、SpaceX、Databricks、Figma、Stripe，以及新一代迅速崛起的 Cursor、Harvey 和 Abridge。

某种程度上，a16z 的投资组合，就是过去几年 AI 商业化路径的一张缩略图。

更重要的是，a16z 的判断往往并不止于“投了什么”，而在于他们如何解释这些变化。不久前，a16z 合伙人David George系统性地分享了他对 AI 行业最新进展的观察，其中有几个信号非常值得一看。

第一，AI 公司正在用更少的人，跑出更快的增长。

当前增长最快的一批AI 公司，在销售和市场上的投入，反而显著低于同阶段的 SaaS 公司，但收入增速却高出数倍。这并不是效率魔法，而是一个更简单的事实：需求端正在真实爆发，产品在“自己卖自己”。

第二，衡量效率的标尺正在被重写。

a16z 开始越来越多地关注一个新指标：ARR per FTE（人均年度经常性收入）。

在最优秀的 AI 公司中，每名员工对应的 ARR 已达到 50 万到 100 万美元，而 SaaS 时代的经验值大约只有40 万美元。这意味着，AI 正在系统性抬高组织效率的上限。

第三，非AI 原生公司只剩下两条路。

要么完成转型，要么被淘汰。那些真正跑出来的转型公司，往往具备高度一致的特征：

CEO 亲自下场推动；从最容易见效的环节切入（客户支持、编码、运营）；敢于推翻旧系统，为 AI 重建后端，而不是在旧架构上“贴一层 AI”。

接下来，就跟着硅基君一起，拆解a16z 眼中这场变化，正在如何发生。

增速是SaaS公司2.5倍，最高同比增长700%

真正让我们感到震撼的，是需求侧的变化。

从增长数据和一线接触来看，当前AI 公司的需求强度，用“疯狂”来形容并不夸张。

无论是产品吸收速度，还是收入增长质量，都显著好于过去几个周期。尤其是在经历了2022–2024 年的加息环境与科技回调后，2025 年成为一个明确的拐点：收入重新加速，而且是跨公司类型的加速。

更重要的是，这种加速并不是靠“砸销售、堆市场”换来的。

恰恰相反，增长最快的一批AI 公司，在销售和市场上的投入，反而显著低于同阶段的 SaaS 公司，但收入增长速度却高出数倍。

从数据看，AI 公司的增长速度大约是非AI软件公司的 2.5 倍以上，其中最极端的头部公司，年同比增长甚至接近 700%。这些数字在最初出现时，我们自己都反复核验过，但它们与我们在投资组合中看到的实际情况是高度一致的。

这背后的核心原因只有一个：产品本身的需求足够强。

从成本结构看，AI 公司目前的毛利率普遍低于传统 SaaS。但这并不一定是坏事。

某种程度上，我们甚至把“较低毛利率”视为一个积极信号——它往往意味着客户正在真实、高频地使用 AI 功能，推理成本是真实发生的。

考虑到推理成本在中长期具备持续下降空间，这种结构更像是“暂时的成本压力”，而非模式缺陷。反倒是那些号称 AI 产品、却拥有异常高毛利率的公司，反而会让人怀疑：客户到底在不在用 AI？

另一个变化更值得注意。我们开始越来越多地关注一个新的效率指标：ARR per FTE（人均ARR）。

它衡量的是公司在整体运营层面的效率，而不仅仅是销售效率。结果非常清晰：

最优秀的AI 公司，每名员工对应的 ARR 水平已经达到 50 万到 100 万美元，而 SaaS 时代的经验值，大约只有 40 万美元。

这并非因为AI 公司“更省人”，而是因为需求过强，产品几乎可以自己卖出去。

AI转型该怎么做？

对于那些非AI 原生公司来说，一个更现实的问题是，它们应该怎么办？

在我看来，只有两种选项，要么适应，要么被淘汰。

要想适应AI，不仅意味着在产品前端“加一个 AI 功能”，而是要从根本上重新思考：

如果AI 是默认能力，产品形态、工作流、用户价值该如何重构。

与此同时，后端的组织方式也在被迫改变。很多时候，AI变革的核心不在于企业是否“想用 AI”，而在于能否真正完成适应AI时代的管理变革。

在与大量财富500 强 CEO 的交流中，几乎所有人都表达了同一种态度：

我们必须适应 AI。但态度和结果之间，往往隔着一整套组织惯性。哪怕只是让员工习惯使用 AI 助手，都已经非常困难；更不用说重构业务流程、决策机制和系统架构。

真正的转型，往往从CEO 的强势推动开始。Shopify 之所以能做成，是因为 Toby 从高层开始用 AI 重写经营方式，把它变成绩效管理的一部分。

你需要一种罕见的组合：既有商业直觉，知道AI 的价值创造机会在哪里；又有技术深度，知道应该重构什么、先做什么、怎么迭代。

那些真正跑出来的公司，往往具备两个特征：

第一，知道从哪里下手（例如客户支持、编码、运营）；

第二，敢于推翻旧系统，为AI 重建后端。

当然，也会有一些其他的因素影响。比如，数据基础设施也很关键，把数据集中到云数据仓库或数据湖，本质上是在为AI 工作负载铺路。

而当他们开始快速推出原生AI 产品，这种迭代速度会成为新的护城河。

这种差异已经开始体现在结果上。Chime 的客服支持成本下降了 60%；Rocket Mortgage 在 Consider underwriting 环节节省了 110 万小时的人力，相当于每年约 4000 万美元的成本。

一些传统软件公司的CEO，已经开始用极端但真实的方式提问：这件事，是用“电”（AI））完成，还是还需要“血”（人力）？

比如，Navan（企业差旅与费用管理公司） 很早就启动了AI 化改造，如今 AI 已经处理了大约 50% 的用户交互，涵盖的是复杂的行程预订和变更，而不是简单问答。

这种深度自动化，直接反映在财务指标上：

过去三年，Navan 的毛利率提升了约 20 个百分点。对比那些没有完成转型的老牌竞争对手，这几乎是“代际差距”。

还有一些公司，其价值并不只体现在财务上。

Flock Safety的核心价值主张是公共安全。它的系统每年帮助解决约 70 万起犯罪事件，在覆盖区域内，犯罪率下降接近 10%。这类公司往往同时具备强商业模式和强社会影响力，是我们长期非常看重的一类资产。

当然，我们并不认为所有公司已经完成了彻底重构。至少现在，更多公司仍处在“被需求推着跑”的阶段，而不是主动重塑运营模型。但可以确定的是，这种重构将在未来 12 个月内密集发生。

AI被忽视的价值：放大需求

我们最感兴趣的另一个问题是：这些AI公司到底在“真实世界”里做了什么？

一个被频繁讨论的行业是法律。直觉上，AI 似乎应该减少律师工作量，但现实恰恰相反。

一位公司法务最近在公开场合半开玩笑地说：“大模型让我更忙了，因为每个客户现在都觉得自己是律师。这并不是坏事，而是需求被放大的信号。

Harvey 是一个典型案例。随着模型推理能力的提升，律师在 Harvey 产品上的使用时长大约翻了一倍。

律师并没有被替代，但效率显著提高。

更重要的是，这种效率并不是靠“少人化”实现的，而是靠更深的产品参与度。这正是我们判断收入是否可持续时最看重的指标之一：留存、续订、使用频率和真实参与度。

同样的逻辑也出现在医疗领域。Abridge（医生常提到的那座“桥”）被不少医生形容为“值得信赖的代理人”。

我们观察的不是用户增长本身，而是用户增长与参与度是否同步提升。结果恰恰相反：

即便在用户规模快速扩张的情况下，单用户使用深度依然稳定甚至上升。

这意味着新增用户并没有稀释产品价值，反而验证了产品的通用性和粘性。

在基础能力层面，声音正在成为许多AI 工具的核心入口。

ElevenLabs 的使用量增长曲线非常陡峭，是我们最喜欢看到的那种“真实需求型增长”。同时，这家公司在运营效率上也极其克制，是 AI 公司中少见的“高增长 + 高效率”样本。

/ 04 /

AI泡沫言之尚早

AI 的资本开支规模确实巨大，但与过去泡沫周期不同的是：这轮投入主要由历史上最盈利的一批公司支撑，现金流基础扎实。

从目前看，至少在Meta、Microsoft、AWS、NVIDIA 这些主体身上，资本结构仍然是可控的。

微软的披露数据给了一个很直观的对比：Microsoft Azure 花了 7 年时间，才达到如今 AI 一年收入的规模；而 AI 相关收入的增长速度，显著快于当年的云计算。

构建周期在压缩，回本周期也可能更快。

这也是我们最终的判断：AI 可能是我职业生涯中见过的、最具模型破坏性的技术浪潮。它往往在早期显得“昂贵”，但历史一再证明，真正改变世界的技术，最终创造的价值，几乎都会大幅超出任何早期模型的预期。

我们其实不太需要把注意力放在折旧这件事上，但金融市场确实很爱追问：旧一代芯片会不会很快变成“负资产”？

我们的观察更接近结论是：旧GPU 的定价与利用率，比想象中稳定。

原因很现实。早期用户可能会在某一代模型上停留更久，但绝大多数后续用户会迅速迁移到更新的模型与更合适的硬件配置。

更关键的是，旧卡并没有因此“躺平”。以 TPU 为例，谷歌披露过某些已经 7 到 8 年历史的 TPU 仍能做到接近满负载；

二级市场上，无论是旧卡的成交价格，还是“一次性租 100 张卡”的报价，都呈现出强韧性。H100 的租用表现尤其突出。

换句话说，在真实需求仍然持续扩张的阶段，旧卡更像是被市场充分榨干的存量资产，而不是会迅速被抛弃的包袱。

这类讨论之所以热闹，更多来自对“系统性风险”敏感的那群人，而不是来自数据本身。

更有意思的，是市场正在反复上演一个典型悖论：代币越来越便宜，但总消费不降反升。几乎所有超大规模云厂商都在强调同一件事：需求远超供给。

一个形象的类比来自Gavin Baker：互联网时代会出现“暗光纤”，先铺好但暂时不用；但在今天，几乎不存在“暗 GPU”。

GPU 一旦进数据中心并接入系统，往往会立刻满载。这种“供给一上线就被吃干净”的现象，本质上是一种强信号：需求不是被营销堆起来的，而是被生产环节直接消化掉的。

但如果你问为什么我们还没有看到企业全面、指数级的生产力跃迁，答案通常不在技术，而在管理。

技术准备好了，产品化与变革管理没准备好。把模型能力变成企业可复用的工作流，把试用变成长期留存，把“能做”变成“真的上生产”，这是最慢、也最难的一段。

放到收入层面，这种速度差异更直观。生产级AI 在应用收入里增长得非常快，快到在某些时间轴上几乎“看不见起步阶段”。

你提到那张对比图很关键：2020 年公共软件公司新增收入大约 460 亿美元；而如果只把 OpenAI 与 Anthropic 按运行率口径简单相加，它们的新增收入几乎已经接近这个数字的一半。

再把时间推到2026 年，如果把范围扩展到整个公共软件行业，包含传统软件公司在内，模型公司带来的新增收入占比可能会进一步升到 75% 到 80%。

高盛一类机构会估算“构建 AI”带来的收入规模，比如 9 万亿美元；如果假设 20% 的利润率，再给一个 22 倍 PE，对应的新增市值可以到 35 万亿美元。

过去几年里，市场已经先行计入了很大一部分新增市值，可能在24 万亿美元量级。你当然可以争论这是不是都由 AI 驱动，但这套推导至少回答了一个问题：如果关键假设成立，市场还有上行空间；如果假设不成立，回撤也会很直接。

另一套更“工程化”的算法，是从资本开支反推收入门槛。

假设到2030 年，超大规模厂商累计资本开支接近 5 万亿美元；如果投资者希望获得 10% 的门槛回报，那么到 2030 年，年化 AI 收入大致需要到 1 万亿美元量级。

这个数字听上去夸张，但换个尺度感就容易理解：1 万亿美元约等于全球 GDP 的 1% 左右。也就是说，只要 AI 在十年内吃下全球 1% 的产出，就能让这笔规模巨大的投入在财务上“站得住”。

当然，它也可能不会恰好在2030 年兑现，可能是更长周期的回收，但逻辑框架可以先立住。

而对“我们离 1 万亿美元到底有多远”的追问，最现实的答案往往也很粗糙：我们可能还在 500 亿美元左右的量级。

它增长极快，年增速接近 100%，但统计口径很难完美，因为大量模型收入会以云服务、平台增量的方式被“藏”在大厂的财报里，甚至取决于公司想怎么讲故事。

PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。