1万亿美元蒸发背后：垂直软件的护城河，正在被大模型重写

Fintool 创始人 Nicolas Bustamante 最近在 X 平台上发了一篇“杀人诛心”的深度长文，直接点破了最近软件股万亿市值蒸发背后的残酷真相。

作为一位曾经打造过欧洲最大法律科技平台（Doctrine）、现在又投身 AI 金融（Fintool）的“双栖”创业者，他站在新旧时代的交界点上，详细拆解了垂直 SaaS 行业赖以生存的十大护城河是如何被大模型一一瓦解的。

Nicolas认为，LLM（大语言模型）正在系统性地拆除垂直软件过去赖以生存的护城河，以前靠“软件难用”和“流程复杂”赚取高昂溢价的日子结束了，市场正在经历一场残酷的价值重估。

我们给大家简单划了下稿件重点：

• “难用”不再是护城河
  以前像彭博终端这种软件，最牛的护城河其实是「难用」，用户花了很长时间学会了那些复杂的快捷键和代码，学会了就不想换。但现在，LLM把所有复杂的界面都坍缩成了一个聊天框，用户只要会说人话就能调取数据、调模型，那个让华尔街为此买单的「熟练度壁垒」瞬间归零。

• 业务逻辑从“百万行代码”变成了“一个Markdown文件”
  这是最颠覆的一点。以前要复刻一个法律或金融工作流，需要懂行业的工程师写几年代码；现在，一个懂行的基金经理只要写一个Markdown文档（提示词技能），告诉AI怎么做DCF估值，AI就能执行得很好。核心壁垒从“稀缺的工程师”变成了“廉价的文档”，竞争对手复制你的时间从几年缩短到了几周。

• 靠整理公开数据赚钱的公司很危险
  以前把乱七八糟的财报（SEC文件）整理成可搜索的数据很值钱，但现在大模型天生就能读懂这些文档，前沿模型（如Claude或GPT）天生就读得懂10-K年报和法律文档，它们自己就是最好的解析器。靠“信息不对称”和“整理公开数据”赚钱的模式，正在被AI无情商品化。

• 「既懂代码又懂业务」的稀缺人才不再是瓶颈
  现在懂业务的基金经理不需要学Python，直接用大白话就能指挥AI干活，这意味着原本稀缺的行业经验能迅速转化为软件产品，竞争对手会越来越多。

• 独家数据成了唯一的“免死金牌”
  反过来说，如果你手里有无法被抓取、无法被合成的“私有数据”（比如彭博的实时交易台数据、标普的私有信贷评级），LLM反而会让你的价值倍增。因为在AI时代，这些数据是所有智能体都渴求的“稀缺燃料”，拥有独家数据的公司将掌握绝对的定价权。

• “合规”和“交易”是AI啃不动的硬骨头
  别太焦虑，有些护城河AI也无可奈何。比如医疗软件Epic，它的壁垒是HIPAA合规和FDA认证；比如Stripe，它的壁垒是资金处理的牌照和通道。AI再聪明也过不了监管这一关，也无法在没有银行轨道的情况下挪动资金。只要你的软件“嵌入在交易里”或者“长在监管上”，你暂时是安全的。

• 竞争格局从“三国杀”变成“百团大战”
  以前做一个垂直SaaS需要200个工程师和5000万数据预算，所以每个行业通常只有2-3个巨头垄断。现在靠API和几个工程师就能做到巨头80%的功能，竞争对手会瞬间从3个变成300个。这会导致价格体系崩塌，SaaS公司的高估值倍数将被彻底打回原形。

• 真正的威胁是“上下夹击”
  垂直SaaS现在腹背受敌：下面是数百个AI原生创业公司在疯狂撕咬，上面是微软、Anthropic这样的巨头通过“通用Agent+插件”的方式直接杀入垂直领域。软件正在变得“无头化”（Headless），未来用户可能根本不打开你的软件，而是通过AI Agent直接调用你的服务——如果你沦为单纯的“数据供应商”，利润将被平台彻底榨干。

以下为原文部分：

深耕垂直软件十年：我对此次抛售潮的看法

在过去的几周里，软件和服务类股票的市值蒸发了近1万亿美元。FactSet的市值从200亿美元的巅峰跌至不足80亿美元。标普全球（S&P Global）在几周内下跌了30%。汤森路透（Thomson Reuters）在一年内市值缩水近半。由140家公司组成的标普500软件与服务指数，今年迄今已下跌20%。

上周，Anthropic发布了针对Claude Cowork的行业特定插件。Claude Cowork是一款专为知识工作者设计的AI智能体（AI Agent），能够自主处理复杂的研究、分析和文档工作流。

华尔街称之为恐慌。而在过去十年里，我一直致力于构建垂直SaaS（Vertical SaaS）。首先是 @Doctrine，现在是欧洲最大的法律信息平台（与LexisNexis、Westlaw等竞争）；然后是 @fintool，一个在美国与彭博（Bloomberg）、FactSet和标普全球竞争的AI驱动型股票研究平台。

我曾构建过那种如今正受到大语言模型（LLM）威胁的软件。而我现在正在构建的，正是那种发起威胁的软件。我身处这场颠覆性变革的两端。

以下是我所看到的真相：LLM正在系统性地瓦解让垂直软件具备防御性的护城河。但并非全部瓦解。结果是，垂直软件的价值构成及其应得的估值倍数正在被重新定义。

在这篇文章中：

• 让垂直软件具备防御性的十大护城河，以及LLM对每一条护城河的影响

• 为什么市场抛售在结构上是合理的，但在时间上被夸大了

• 真正的威胁究竟是什么（并非你所想的那样）

• 什么将取代垂直软件

• 垂直软件行业的下一步走向

垂直软件是为特定行业构建的软件。比如金融界的彭博（Bloomberg），法律界的LexisNexis，医疗界的Epic，建筑界的Procore，生命科学界的Veeva等。

这些公司有一个共同的定义性特征：收费高昂且客户极少流失。FactSet每位用户每年的费用超过15,000美元。彭博终端（Bloomberg Terminal）每个席位成本为25,000美元。LexisNexis每月向律师事务所收取数千美元。而它们的客户留存率徘徊在95%左右。

我认为存在十条截然不同的护城河。LLM正在攻击其中的一部分，同时保留了另一部分。理解哪些被攻击、哪些被保留，就是这场游戏的全部。

1. 习得性界面（Learned Interfaces）→ 被摧毁

一个彭博终端用户花费数年时间学习键盘快捷键、功能代码和导航模式。GP、FLDS、GIP、FA、BQ。这些不是直观的操作，它们是一门语言。一旦你流利地掌握了它，切换到另一个平台就意味着重新变成文盲。

我听过无数次这样的话：“我们是FactSet店。”“我们是Lexis律所。”“我们是彭博之家。”这些声明无关数据质量或功能集。它们是关于软件肌肉记忆的声明。人们花了十年时间学习这个工具。这种投资是不可转移的。

这是最被低估的护城河。知识工作者付费是为了不重新学习他们已经掌握了十年的工作流。界面本身就是价值主张的一大部分。

我在Doctrine亲历了这一点。我们拥有一支设计师团队和一支庞大的客户成功经理（CSM）队伍，他们的全部工作就是引导律师使用我们的界面。每一个UI（用户界面）的改动都是一个项目：用户研究、设计冲刺、谨慎的发布、手把手的指导。我们会花几周时间重新设计一个分面搜索过滤器（faceted search filter），因为律师们已经围绕旧过滤器建立了肌肉记忆。界面不是一个功能，它就是产品。维护它是我们最大的成本中心之一。

在Fintool，我们没有入职培训。没有CSM教人们如何浏览产品。我们的用户用简单的英语输入他们想要的内容，然后得到答案。没有界面需要学习，因为一切都是对话。整个成本中心——设计师、CSM、UI变更管理——根本不存在。聊天界面吸收了所有的这些支撑结构。

LLM将所有专有界面坍缩为一个聊天窗口。

试想一下金融分析师今天在彭博终端上做什么。他们导航到股票筛选功能。使用专门的语法设置参数。导出结果。切换到DCF（现金流折现）模型构建器。输入假设。运行敏感性分析。导出到Excel。制作演示文稿。

每一步都需要习得的界面知识。每一步都加强了切换成本。

现在考虑同一位分析师使用LLM智能体做什么：

“向我展示所有市值超过10亿美元、市盈率低于30且收入同比增长超过20%的软件公司。为前5名建立DCF模型。对折现率和终值增长率进行敏感性分析。”

三句话。没有键盘快捷键。没有功能代码。没有导航。用户甚至不知道LLM查询了哪个数据提供商。他们不在乎。

当界面变成自然语言对话时，多年的肌肉记忆变得一文不值。那个证明每年2.5万美元席位费合理的切换成本瞬间消解。对于许多垂直软件公司来说，界面曾是价值的大部分。底层数据通常是授权的、公开的或半商品化的。支撑溢价定价的是建立在数据之上的工作流。那已经结束了。

2. 自定义工作流和业务逻辑（Custom Workflows and Business Logic）→ 蒸发

垂直软件编码了一个行业的实际运作方式。一个法律研究平台不仅仅存储判例法。它编码了引证网络、谢泼德引证信号（Shepardize signals）、判例要旨分类体系（headnote taxonomies），以及诉讼律师撰写摘要的具体方式。

这种业务逻辑的构建耗时数年。它反映了与领域专家进行的数千次对话。当我构建Doctrine时，最难的部分不是技术。而是理解律师实际上是如何工作的：他们如何研究判例法，如何起草文件，如何从立案到审判构建诉讼策略。将这种理解编码进可运行的软件中，是垂直软件之所以有价值——且具备防御性——的巨大原因。

LLM将所有这一切转化为一个Markdown文件。

这是最被低估的转变，我认为也是长期最具破坏性的。

传统的垂直软件用代码编码业务逻辑。成千上万个if/then分支、验证规则、合规检查、审批工作流。由工程师经年累月硬编码而成……而且不是普通的工程师。你需要真正理解该领域的软件工程师，这很罕见。找到一个既能写生产级代码又能理解诉讼工作流如何运作，或者DCF模型应如何构建的人，极其困难。修改这种业务逻辑需要开发周期、QA（质量保证）、部署。

让我用我自己的经历举一个具体的例子。

在Doctrine，我们构建了一个法律研究工作流，帮助律师针对给定的法律问题找到相关的判例法。系统需要理解法律领域（民事与刑事与行政），将问题解析为可搜索的概念，跨多个法院数据库进行查询，按相关性和权威性对结果进行排序，并呈现正确的引证上下文。构建这个系统需要一个工程师和法律专家团队花费数年时间。业务逻辑分散在数千行Python代码、自定义排序算法和手动调整的相关性模型中。每一次修改都需要工程冲刺、代码审查、测试和部署。

在Fintool，我们有一个DCF估值技能（Skill）。它告诉LLM智能体如何进行现金流折现分析：收集哪些数据，如何按行业计算WACC（加权平均资本成本），验证哪些假设，如何运行敏感性分析，何时加回基于股票的薪酬。这是一个Markdown文件。编写它花了一周时间。更新它只需几分钟。一位做过500次DCF估值的投资组合经理可以在不写一行代码的情况下编码他们的整个方法论。

多年的工程开发对决一周的写作。这就是转变。

而且不仅仅是速度。Markdown技能在重要方面表现更好。任何人都可以阅读它。它是可审计的。它可以针对每个用户进行定制（我们的客户编写他们自己的技能）。随着底层模型的改进，它会自动变得更好，而无需我们触碰一行代码。

业务逻辑正在从由专业工程师编写的代码迁移到任何具有领域专业知识的人都可以编写的Markdown文件。垂直软件公司花费十年建立的积累业务逻辑现在可以在几周内被复制。工作流护城河正在极快地受到侵蚀。

3. 公共数据访问（Public Data Access）→ 商品化

垂直软件价值主张的很大一部分是让难以获取的数据变得易于查询。FactSet让SEC（美国证券交易委员会）备案文件可搜索。LexisNexis让判例法可搜索。这些是真正的服务。SEC备案文件在技术上是公开的，但试着阅读一份原始HTML格式的200页10-K年报看看。各公司的结构不一致。会计术语晦涩难懂。提取你需要的实际数字需要解析嵌套表格、跟踪脚注引用、调节重述的数据。

在LLM之前，访问这些公共数据需要专门的软件和大量的工程支撑结构。像FactSet这样的公司构建了数千个解析器，针对每种备案类型、每家公司独特的格式。随着格式的变化，成群的工程师维护着这些解析器。将原始SEC备案文件转化为可查询数据的代码曾是真正的竞争优势。

在Doctrine，这也是大量的工作。我们为不同的判例法构建了NLP（自然语言处理）管道：用于提取法官、法院、法律概念的命名实体识别（NER）。专门的机器学习模型按法律领域对判决进行分类。为每个法院定制解析器，每个都有自己的格式怪癖。我们有工程师花了数年时间构建和维护这个支撑结构。这是真正令人印象深刻的技术，也是真正的护城河，因为复制它意味着数年的工作。

在Fintool，我们没有构建任何这些东西。零NER。零自定义解析器。零行业特定分类器。为什么？因为前沿模型已经知道如何浏览10-K年报。它们知道家得宝（Home Depot）的股票代码是HD。它们理解GAAP（公认会计准则）和非GAAP收入的区别。它们可以在不被教导模式的情况下解析分部披露的嵌套表格。Doctrine花费数年构建的解析基础设施现在是一种商品能力，随模型免费提供。

LLM让这一切变得微不足道。前沿模型已经从它们的训练数据中知道如何解析SEC备案文件。它们理解10-K的结构，在哪里找到收入确认政策，如何调节GAAP和非GAAP数据。你不需要构建解析器。模型就是解析器。喂给它一份10-K，它可以回答关于它的任何问题。喂给它联邦判例法的整个语料库，它可以找到相关的先例。

垂直软件花费数十年构建的解析、结构化和查询现在是基础模型本身内置的商品能力。数据并非一文不值。但是“使其可搜索”这一层——这曾是大量价值和定价权所在的地方——正在崩溃。

4. 人才稀缺性（Talent Scarcity）→ 倒置

构建垂直软件需要既懂领域又懂技术的人。找到一个既能写生产级代码又能理解信用衍生品结构如何运作的工程师极其罕见。这种稀缺性造成了天然的进入壁垒，历史上限制了任何垂直领域的有力竞争者数量。

LLM完全翻转了这条护城河。

在Doctrine，招聘是残酷的。我们不仅需要优秀的工程师。我们需要能理解法律推理的工程师：先例如何运作，管辖权如何相互作用，向最高法院上诉的理由是什么样子的。这些人几乎不存在。所以我们自己培养。每周，我们举行内部讲座，由律师教工程师法律体系实际上是如何运作的。一名新工程师需要几个月才能具备生产力。人才稀缺是真正的障碍，不仅对我们，对任何试图与我们竞争的人也是如此。

在Fintool，我们不做任何这些事。我们的领域专家（投资组合经理、分析师）直接将他们的方法论写入Markdown技能文件。他们不需要学习Python。他们不需要理解API。他们用简单的英语写下一个好的DCF分析是什么样子的，LLM就会执行它。工程部分由模型处理。领域专业知识，这个曾经丰富的资源，现在可以直接转化为软件，而没有工程瓶颈。

LLM使工程变得唾手可得，这意味着稀缺资源（领域专业知识）在转化为软件的能力上突然变得丰富了。这就是为什么进入壁垒崩溃得如此剧烈。

5. 捆绑销售（Bundling）→ 削弱

垂直软件公司通过捆绑相邻能力来扩张。彭博从市场数据开始，然后增加了消息传递、新闻、分析、交易和合规。每一个新模块都增加了切换成本，因为客户现在依赖整个生态系统，而不仅仅是一个产品。标普全球以440亿美元收购IHS Markit正是这种策略。捆绑包变成了护城河。

在Doctrine，捆绑是增长策略。我们从判例法搜索开始，然后增加了立法、法律新闻、警报，然后是文档分析。每个模块都有自己的UI，自己的入职流程，自己的客户工作流。我们构建了精心制作的仪表板，律师可以在其中配置观察列表，设置特定法律主题的自动警报，管理他们的研究文件夹。每个功能都意味着更多的设计工作、更多的工程、更多的UI表面积。捆绑包将客户锁定，因为他们已经围绕我们的生态系统建立了整个工作流。

LLM智能体打破了捆绑护城河，因为智能体本身就是捆绑包。在Fintool，警报是一个提示词（prompt）。观察列表是一个提示词。投资组合筛选是一个提示词。每个功能没有单独的模块。没有需要维护的UI。客户说“当我的投资组合中的任何公司在财报电话会议中提到关税风险时提醒我”，它就能工作。智能体在一个单一工作流中协调十个不同的专用工具。它可以从一个来源提取市场数据，从另一个来源提取新闻，通过第三个来源运行分析，并编译结果。用户从不知道也不在乎查询了五个不同的服务。

当集成层从软件供应商转移到AI智能体时，购买捆绑包的动力就蒸发了。当智能体可以为每种能力挑选最好（或最便宜）的提供商时，为什么要为整个套件支付彭博的溢价？

这并不意味着捆绑销售一夜之间消亡。管理十个供应商关系与一个相比，其运营复杂性是真实的。但方向性的压力是明确的：智能体使“解绑”（unbundling）以以前不可能的方式变得可行。

6. 私有和专有数据（Private and Proprietary Data）→ 更强

一些垂直软件公司拥有或许可其他任何地方都不存在的数据。彭博收集全球交易台的实时定价数据。标普全球拥有信用评级和专有分析。邓白氏（Dun & Bradstreet）维护着5亿多个实体的商业信用档案。这些数据是几十年来收集的，通常通过排他性关系。你不能抓取它。你不能重建它。

如果你的数据真的无法被复制，LLM会让它更有价值，而不是更少。

彭博来自交易台的实时定价数据？无法被抓取。无法被合成。无法从第三方获得许可。在LLM世界中，这些数据成为每个智能体都需要的稀缺输入。彭博在专有数据上的定价权实际上可能会增加。

标普全球的信用评级也是类似的。信用评级不仅仅是数据。它是由受监管的方法论和数十年的违约数据支持的意见。LLM无法发布信用评级。标普可以。

测试很简单：这些数据能被其他人获取、许可或合成吗？如果不能，护城河依然存在。如果能，你就麻烦了。

我在两家公司都看到了这一点的演变。当我们创办Doctrine时，核心价值是用行业特定的支撑结构层组织公共判例法：分类法、引证网络、相关性排名。但团队很早就意识到，仅靠公共数据是不够的。

大约五年前，Doctrine开始构建一个独家内容库：专有的法律注释、编辑分析、其他任何地方都不存在的精选评论。今天，这个库真的很难复制，它已成为真正的护城河。再加上全面转向LLM，Doctrine现在发展得如火如荼！

能在这种转变中生存下来的公司，是那些从“我们更好地组织公共数据”转向“我们拥有你在别处无法获得的数据”的公司。

变化在于：那个智能层过去需要多年的工程开发。现在它是随模型而来的一种能力。甚至数据访问本身也正在被商品化。

MCP（模型上下文协议）正在将每个数据提供商变成一个插件。数十家公司已经作为MCP服务器提供金融数据，任何AI智能体都可以查询。当你的数据可以作为Claude插件使用时，“使其可访问”的溢价就消失了。

讽刺的是，LLM加速了这种分化（bifurcation）。拥有专有数据的公司赢得更大。没有专有数据的公司失去一切。

如果你的数据不是真正独特的——比如它可以被获取、许可或在别处合成——你就不安全。你面临商品化的风险。AI智能体将拥有与客户的关系。它是用户交互的界面，是他们信任的品牌，是他们付费的产品。你变成了智能体的供应商，而不是客户的供应商。

这就是聚合理论（Aggregation Theory）的实时上演：聚合者（智能体）捕获用户关系和利润，而供应商（数据供应商）为了喂养平台而在价格上竞争。如果彭博、FactSet和十几个较小的提供商都提供类似的市场数据，智能体将路由到最便宜的那个。你的定价权蒸发了。你的利润率被压缩。你变成了别人产品的商品化输入。

7. 监管和合规锁定（Regulatory and Compliance Lock-in）→ 结构性稳固

在医疗领域，Epic的主导地位不仅仅关乎产品质量。它关乎HIPAA（健康保险流通与责任法案）合规性、FDA（食品药品监督管理局）认证，以及医院必须忍受的18个月实施周期。更换EHR（电子病历）供应商是一个耗时多年、耗资数百万美元的项目，实际上会危及患者安全。在金融服务领域，合规要求创造了类似的锁定。审计追踪、监管报告、数据保留政策。所有这些都烘焙在软件中。

HIPAA不在乎LLM。FDA认证不会因为GPT-5的存在而变得更容易。SOX（萨班斯-奥克斯利法案）合规要求不会因为Anthropic发布了一个新插件而改变。

Epic在医疗EHR领域的主导地位从根本上说是一个监管护城河。18个月的实施周期，合规认证，与医院计费系统的集成。这些都不会受到LLM的影响。

事实上，监管要求可能会恰恰在合规锁定最强的垂直领域减缓LLM的采用。医院不能用LLM智能体替换Epic，因为LLM智能体没有通过HIPAA认证，没有所需的审计追踪，也没有经过FDA验证用于临床决策支持。

8. 网络效应（Network Effects）→ 粘性

一些垂直软件随着更多行业参与者的使用而变得更有价值。彭博的消息功能（IB chat）是华尔街事实上的通信层。如果每个交易对手都使用彭博，你就必须使用彭博。不是因为数据。是因为网络。

LLM不会打破网络效应。如果有的话，它们可能会使通信网络更有价值。流经这些网络的信息变成了训练数据、上下文、信号。

这同样适用于任何在行业内充当通信层的垂直软件。Veeva在制药公司之间的网络效应。Procore在建筑利益相关者之间的网络效应。这些具有粘性，因为价值来自于平台上还有谁，而不是来自于界面。

9. 交易嵌入（Transaction Embedding）→ 持久

一些垂直软件直接位于资金流中。餐馆的支付处理。银行的贷款发放。保险公司的索赔处理。当你嵌入交易中时，切换意味着中断收入。没有人会自愿那样做。

如果你的软件处理支付、发放贷款或结算交易，LLM不会去中介化（disintermediate）你。它可能会作为一个更好的界面位于你之上，但轨道本身仍然至关重要。

Stripe并未受到LLM的威胁。FIS或Fiserv也没有。交易处理层是基础设施，不是界面。

10. 记录系统地位（System of Record Status）→ 长期受威胁

当你的软件是关键业务数据的权威真相来源（canonical source of truth）时，切换不仅仅是不便。它是存在性风险。如果数据在迁移过程中损坏怎么办？如果历史记录丢失怎么办？如果审计追踪中断怎么办？

Epic是患者数据的记录系统。Salesforce是客户关系的记录系统。这些公司受益于留下的成本（高额费用）与离开的成本（潜在的数据丢失、运营中断）之间的不对称。

LLM今天并不直接威胁记录系统的地位。但智能体正在悄悄地建立它们自己的记录系统。

正在发生的事情是：AI智能体不仅仅查询现有系统。它们读取你的SharePoint、你的Outlook、你的Slack。它们收集关于用户的数据。它们编写详细的记忆文件，这些文件在会话之间持久存在。当它们执行关键操作时，它们存储该上下文。随着时间的推移，智能体积累的用户工作图景比任何单一记录系统都更丰富、更完整。

智能体的记忆变成了新的真相来源。不是因为任何人计划这样做，而是因为智能体是看到一切的那一层。Salesforce看到你的CRM数据。Outlook看到你的邮件。SharePoint看到你的文档。智能体看到这三者，并且记得。

这不会一夜之间发生。但在方向上，智能体正在从头开始构建它们自己的记录系统。随着智能体上下文记忆的增长，传统记录系统的护城河在减弱。

最终结果：准入门槛降低

把所有这些加起来。五个护城河被摧毁或削弱。五个保持稳固。但那些破裂的护城河正是将竞争对手拒之门外的那些。那些保持稳固的护城河是只有部分现有巨头才拥有的。

在LLM之前，建立一个彭博或LexisNexis的可靠竞争对手需要数百名懂领域的工程师、数年的开发时间、大规模的数据许可交易、能向保守企业销售的销售团队以及监管认证。结果：大多数垂直领域只有2-3个真正的竞争对手。

在LLM之后，一个小团队利用前沿模型API、领域专业知识和良好的数据管道，可以在几个月内构建出一个能处理垂直软件80%功能的产品。我知道这一点，因为我已经做到了。Fintool是由一个六人团队建立的。我们服务于以前完全依赖彭博和FactSet的对冲基金。不是因为我们有更好的数据。而是因为我们的AI智能体比那个需要多年培训才能掌握的终端/工作站能更快、更直观地提供答案。

关键的洞察是，竞争不是线性增加的——它是组合式爆发（explodes combinatorially）。你不是从3个现有者变成4个。你是从3个变成300个。这就是摧毁定价权的原因。在LLM之前，每个垂直领域有2-3个主导玩家，因为进入壁垒不可逾越，所以它们拥有溢价能力。当50家AI原生初创公司能以20%的价格提供80%的能力时，这个数学逻辑完全改变了。

关键：这是一个多年的过渡，而非一夜之间的崩溃

这就是我认为市场在时间判断上出错的地方，即使方向是对的。

企业收入不会一夜之间消失

FactSet的客户签订的是多年合同。彭博终端合同通常至少2年。这些合同不会因为Anthropic发布了一个插件就蒸发。

企业采购周期是以季度和年来衡量的，而不是天。一家500亿美元的对冲基金不会因为Claude可以查询SEC备案文件就明天拆除标普全球CapIQ。他们会在12-18个月内评估替代方案。他们会运行试点项目。他们会谈判合同条款。他们会等待现有合同到期。

收入悬崖是真实的，但它是一个斜坡，而不是悬崖。当前的收入在未来12-24个月内大部分已被锁定。

但市场已经理解的一点是：你不需要收入下降才会导致股价崩盘。你需要的是估值倍数（multiple）压缩。一家金融数据公司在拥有定价权和95%留存率时可能以15倍营收交易，而当市场认为这两者都在受到侵蚀时，可能以6倍营收交易。收入持平。股价下跌60%。这正是目前发生在一些公司身上的事情。

市场并不是在为收入崩溃定价。它是在为溢价倍数的终结定价，因为证明该倍数合理的护城河正在溶解。

真正的威胁

真正的威胁不是LLM本身。它是垂直软件现有巨头没有预见到的钳形攻势（pincer movement）。

从下看，数百家AI原生初创公司正在进入每一个垂直领域。当构建一个可靠的金融数据产品需要200名工程师和5000万美元的数据许可时，市场自然整合成3-4个玩家。当它需要10名工程师和前沿模型API时，市场剧烈碎片化。竞争从3变成300。

从上看，横向平台（Horizontal platforms）正首次深入垂直领域。Excel内部的Microsoft Copilot现在可以进行AI驱动的DCF建模和财务报表解析。Word内部的Copilot可以进行合同审查和判例法研究。横向工具通过AI变得垂直化，而不是通过工程。

Anthropic正从另一个方向做同样的事情。我正在近距离观察，因为Fintool是一家Anthropic支持的公司。Claude正在全力投入垂直领域。剧本简单得可怕：一个通用的智能体线束（SDK），可插拔的数据访问（MCP），以及领域特定的技能（Markdown文件）。就是这样。这就是你从横向走向垂直所需的整个技术栈。没有领域工程师。没有多年的开发。

软件正在变得无头化（headless）。界面消失了。一切都流经智能体。重要的不再是软件。而是拥有客户关系和用例，这意味着拥有智能体本身。

实现垂直深度（LLMs + Skills + MCP）的技术，正是让横向平台终于能够在它们以前无法触及的领域竞争的技术。这或许是垂直软件面临的最具存在性的威胁：像微软这样的横向B2B玩家不再只是涉足垂直领域，它们正在积极地扩展进入，因为现在比以往任何时候都更容易，而且因为它们需要拥有用例和工作流，以在AI优先的世界中保持相关性。

风险评估框架

并非所有垂直软件都面临同样的风险。以下是我如何思考哪些类别能生存，哪些不能。

高风险：搜索层（The Search Layer）

如果你的主要价值是通过专门的界面使数据可搜索和可访问，且底层数据是公开的或可许可的，你就处于严重的麻烦中。这包括建立在许可交易所数据之上的金融数据终端、建立在公共判例法之上的法律研究平台、专利搜索工具，以及任何产品本质上是“我们为你行业的数据建立了一个更好的搜索引擎”的垂直领域。

这些公司曾以15-20倍的营收交易，因为界面锁定和有限的竞争。这两者都在蒸发。想想那些在过去一年中市值损失了40-60%的金融数据提供商。市场重新给它们定价是对的。

中等风险：混合投资组合（The Mixed Portfolio）

许多垂直软件公司拥有防御性和暴露性业务线的混合体。一家公司可能拥有真正专有的评级业务，同时也拥有一个主要重新包装公共信息的数据分析部门。或者一个指数许可业务（嵌入交易中，非常具有防御性）旁边有一个研究平台（纯搜索层，非常暴露）。

这一类别的股价下跌（20-30%）反映了市场对哪部分业务主导估值的不确定性。关键问题是：有多少百分比的收入来自LLM无法触及的护城河？

低风险：监管堡垒（Regulatory Fortresses）

如果你的护城河是监管认证、合规基础设施以及与关键任务工作流的深度集成，LLM在中期内几乎与你的竞争地位无关。拥有HIPAA合规和FDA验证的医疗EHR系统。具有监管锁定的生命科学平台。金融合规和报告基础设施。

这些公司甚至可能受益于其他地方的AI颠覆，因为客户会围绕他们信任的受监管工作流供应商进行整合，同时从他们用于信息检索的供应商那里转出。

测试

对于任何垂直软件公司，问三个问题：

1. 数据是专有的吗？如果是，护城河稳固。如果不是，可访问性层正在崩溃。

2. 有监管锁定吗？如果有，LLM不会改变切换成本方程。如果无，切换成本主要是界面驱动的，并且正在溶解。

3. 软件嵌入在交易中吗？如果是，LLM位于你之上，而不是取代你。如果不是，你是可替换的。

零个“是”：高风险。一个：中等风险。两个或三个：你可能没事。

我在两端建设中学到了什么

当我从2016年开始构建Doctrine时，护城河之一是界面。我们在判例法和立法之上构建了漂亮的搜索体验。律师们喜欢它，因为它比市场上的任何其他东西都更快、更直观。大部分数据是公开的，但我们的界面和搜索使其可访问。如果我今天从头开始构建Doctrine，该业务将面临根本不同的竞争格局。LLM智能体可以像我们的界面一样有效地查询判例法。

垂直SaaS的清算并不是关于所有垂直软件的消亡。它是关于市场终于开始区分那些拥有真正稀缺资源的公司，和那些在LLM智能体面前无险可守的公司。