顶级风投a16z 华人合伙人最新访谈：不要再迷信ARR了

你有没有发现，最近推特上到处都是创始人在晒自己公司的 ARR（年度经常性收入）数字，从零到 1 亿美元，有的公司只用了几个月。这种速度在以往是完全无法想象的。更夸张的是，据说现在很多 VC 甚至不会看那些在 A 轮融资前 ARR 还没达到 1 亿美元的初创公司。整个硅谷似乎都陷入了一种 ARR 数字竞赛的狂热中，仿佛增长速度慢一点就会被时代抛弃。

但最新的趋势是硅谷顶级风投开始不约而同的发声，重新审视AI时代的ARR，前几天我刚写了来自Madrona合伙人Vivek Ramaswami的观点《》，今天则是来自a16z的华人合伙人Jennifer Li的最新访谈。

但就在所有人都在疯狂追逐这些令人眼花缭乱的数字时，Andreessen Horowitz（a16z）刚刚为其基础设施团队筹集了 17 亿美元的基金，负责监管这笔资金投向的合伙人 Jennifer Li 却说出了一番让人意外的话：不是所有的 ARR 都是平等的，也不是所有的增长都是平等的。她甚至警告创始人，要对那些在推特上宣布惊人 ARR 数字的推文保持怀疑态度。

这引起了我的深度思考。当整个行业都在为快速增长而疯狂时，为什么一个手握 17 亿美元、投资了 Cursor、ElevenLabs、OpenAI 等最热门 AI 公司的顶级 VC，反而在提醒创始人要慢下来？这背后到底隐藏着什么样的认知差异？我决定深入研究 Jennifer Li 最近在 TechCrunch 的 Equity 播客上的分享，试图理解这种反常识背后的深层逻辑。

被称为SaaS教父的SaaStr创始人Jason也在X上吐槽AI ARR：

ARR 数字的真相：不是所有增长都值得追求

Jennifer Li 在访谈中首先指出了一个很多人忽视的问题：现在大家在推特上谈论的 ARR，其实和传统会计学中严格定义的 Annual Recurring Revenue（年度经常性收入）完全不是一回事。真正的 ARR 指的是来自合同签约的、可预测的订阅收入的年化值，这是一种有保障的收入，因为它来自于有合同约束的客户。

但很多创始人在推特上晒的，其实是 revenue run rate（收入运行率）。他们只是把某个时间段内收到的钱进行年化计算，这和真正的 ARR 有本质区别。她说："关于业务质量、留存率和持久性的许多细微差别，在这些对话中都被忽略了。"一个创始人可能刚刚经历了一个销售爆发的月份，但并不是每个月都能重复这样的表现。或者一家初创公司可能有很多短期客户在做试点项目，所以收入在试点期结束后并不能保证会持续。

我完全理解她的担忧。在我看来，这种数字游戏最大的问题不在于它本身的不准确性，而在于它对整个创业生态系统的扭曲效应。当那些经验不足的创始人看到这些惊人的数字时，他们会产生巨大的焦虑："为什么我做不到从零到 1 亿？我是不是哪里做错了？"这种焦虑会驱使他们做出错误的决策，比如牺牲产品质量来追求短期的增长数字，或者过度营销来获取那些最终不会留存的客户。

Jennifer Li 对那些焦虑的创始人给出了她的答案："你不需要那样做。当然，这是一个很好的愿望，但你不必以这种方式建立业务，不必只优化顶线增长。"她提出了一个更健康的增长模式：如何可持续地增长，让客户一旦注册就会留下来，并扩大他们在你公司的支出。这可以实现"每年增长 5 倍或 10 倍"，这意味着从第一年的 100 万美元增长到 500 万到 1000 万美元，到第二年增长到 2500 万到 5000 万美元，以此类推。

她特别强调，这种增长速度仍然是"闻所未闻"的。如果再加上快乐的客户——也就是高留存率——这些初创公司仍然会找到愿意支持他们的投资者。我觉得这个观点非常重要，因为它揭示了一个很多人忽视的真相：在 AI 时代，虽然快速增长确实成为可能，但可持续的快速增长才是真正有价值的。那些只追求表面数字而忽视客户留存和业务质量的公司，最终会在泡沫破裂时付出代价。

当然，a16z 基础设施团队的一些投资组合公司确实达到了那种飙升的 ARR 数字：Cursor、ElevenLabs 和 Fal.ai。但 Jennifer Li 强调，这种增长是与"持久的业务"相关联的，"每一个背后都有真正的原因"。Cursor 是因为代码 agents（AI 代理）是第一个在现实生活中真正起作用并产生令人难以置信结果的 agent。ElevenLabs 是因为语音 agents 加上合成语音有大量低门槛、不易出错的用例，而且作为首批跨越恐怖谷的模态之一，真正推动了增长。Fal 则是因为他们为从图像到视频的所有创意工作负载提供动力，而开源模型的激增创造了对多样性和一致性能的巨大需求。

我认为这里的关键洞察在于：快速增长本身不是目标，它应该是解决真实问题、创造真实价值的自然结果。当你的产品真正解决了一个迫切的需求，当你的技术确实跨越了某个关键门槛，增长就会随之而来。相反，如果只是为了增长而增长，最终只会建立一个脆弱的、不可持续的业务。

AI Agent 时代真的来了吗？

在访谈中，Jennifer Li 花了大量时间讨论 AI agents 的发展。她认为 2026 年将是 agents 真正走向普通知识工作者的一年。她说："我认为 agents 这个概念已经讨论了几年，但现在终于到了能够从一些长期运行的 agents 和 agentic workflows（代理工作流）中产生真正的投资回报率和生产力的阶段，这是一个巨大的突破。"

作为一个 VC，她自己也在使用各种 agents。她使用研究 agents 帮她准备每天的工作，从她自己的云盘中提取笔记和信息。她还大量使用语音 agents 来测试能力和对话流畅性的进步。更有趣的是，她正在构建自己的生产力 agent 来帮她安排日历，并为思考预留时间。她的第一个知识工作 agent 就是管理她的日历。

但我注意到一个很有意思的细节：即使是 Jennifer Li 这样深度参与 AI 投资的人，也承认当前 agents 的局限性。当主持人提到她有 24000 封未读邮件，希望有一个 agent 能帮她管理时，Jennifer Li 的回应非常诚实："电子邮件和优先级的例子是一个很好的例子，说明人类在连接点和找出未言明的上下文方面非常出色，而对于 LLMs（大语言模型），你真的需要提供所有的上下文，有一个明确的目标和目的。"

她指出，这就是为什么很多电子邮件收件箱 agents 还不够好的原因。人类能够理解电子邮件本身或日历中没有说出来的事情，能够收集这些信息并判断什么应该是你的首要任务。而 AI 目前还做不到这一点。这让我想到，我们经常高估了 AI 在短期内能做什么，又低估了它在长期能做什么。

Jennifer Li 的观点是，agents 会像茶包一样慢慢渗透进我们的工作流程。它是一个更好的 Google，但还没有真正成为我们可以交付任务的东西。她说："我完全同意，创作仍然是由人类完成的，这是一件好事，但这些工具确实帮助我们提高了很多生产力，让我们更有目的性，也让我们的观点更有深度。"

我认为这是一个非常理性和务实的观点。在我看来，2026 年甚至 2027 年，我们仍然处于 co-pilot（副驾驶）阶段，而不是 autopilot（自动驾驶）阶段。某些部分可能会进入自动驾驶模式，比如数据录入这样的工作——Jennifer Li 投资了一家名为 Reduct 的公司，它可以将 PDF 和文档转换为结构化数据。这种让人坐在电脑前从海外服务提供商那里进行数据录入的工作，应该是首先被自动化的。

但对于那些需要人类判断、创造力和情感智能的工作，agents 在可预见的未来仍然只是辅助工具。这不是 AI 的失败，而是对 AI 能力的正确理解。我们需要停止炒作 agents 会完全取代人类工作的说法，而是专注于如何让 agents 帮助人类完成那些乏味、重复、不需要创造力的任务，从而释放人类去做更有价值、更需要人性的工作。

创造力仍然属于人类：最不合群的观点

当主持人问 Jennifer Li 她最不合群的观点是什么时，她的回答让我印象深刻："我知道这些模型非常有创造力，它们能够在几秒钟内以闪电般的速度创作，但我本质上仍然认为创造力属于人类，最好的想法最终仍然会来自人类。"

这个观点在当前这个 AI 狂热的时代确实显得有些"不合时宜"。到处都是关于 AI 生成内容的讨论，从图像、视频到音乐、文本，AI 似乎在所有创意领域都取得了惊人的进展。但 Jennifer Li 坚持认为，在 AGI（通用人工智能）的最佳形式中，每个人都能够最大限度地表达我们的创造力。

她说："我希望 AGI 带给我们的是，有很多智能真正帮助我们处理那些我们不喜欢做的事情，那些本质上不是在推动个人边界的事情，真正帮助每个人扩展我们的领域、知识，并达到最大的创造力。"她认为，我们很多人在日常工作中其实并没有太多时间去创造，我们被困在完成任务的紧迫性中。

我非常同意这个观点。在我看来，AI 的真正价值不是取代人类的创造力，而是为人类的创造力创造更多空间。想象一下，如果你不需要花时间整理那 24000 封邮件，不需要手动进行数据录入，不需要重复回答同样的客户问题，你会有多少时间去思考、去创造、去解决真正有挑战性的问题？

Jennifer Li 举了一个很好的例子：如果有 agent 帮助你处理那些邮件，你就能创造更多，也能进一步推动你的最佳想法。这才是 AI 应该扮演的角色——不是替代人类，而是增强人类。让机器处理那些机械的、重复的、不需要创造力的任务，让人类专注于那些需要想象力、直觉、情感智能和创造力的工作。

这也让我想到，为什么硅谷总是喜欢炒作"AI 将取代人类工作"的话题。在访谈中，主持人直接质疑了这一点，她说："我觉得硅谷和甚至 VC 在某种程度上一直在谈论 agents 作为人类替代品，就像完全的人类工作替代品。但在我看来，我们要交给 agents 的是不受欢迎的任务，但这种说法——你永远不需要销售人员之类的——我觉得那只是营销，这样这些软件公司就可以把他们的 agents 定价为与劳动力相比。"

Jennifer Li 对此的回应很理性："这真的取决于工作和角色。如果这是一份真的不值得、只是坐在电脑前做数据录入或打电话一遍又一遍地谈论同样的事情，比如解释同样的概念或回答关于'我的订单在哪里'、'我如何退货'这类问题，这些本质上是非常繁琐、单调和令人沮丧的任务，我希望 agents 能够取代并将这些人提升到更智能的工作类型。"

我认为这是一个非常重要的区分：agents 将取代任务，而不是工作。当然，仍然有一些从 1960 年代遗留下来的人类工作，比如数据录入，但技术一直在自动化这些东西。就像以前公司都有接线员，现在早就没有了，而这远在 AI agents 出现之前。所以，任务会被自动化，工作会演变，但人类不会被完全取代。

LLMs 的局限性与未来方向

在讨论 AGI 和创造力时，Jennifer Li 也谈到了她对 LLMs 局限性的看法。她同意主持人关于 LLMs 会遇到极限的观点："我也认为这是一个相当公认的观点，即 LLMs 擅长某些事情，但不会成为一切的答案。"

她明确表示，LLMs 不会转变为 AGI。我们需要多模态性，需要与现实世界互动的方式。我们不能只活在 token 生成和下一个 token 预测中。这个观点让我想到了当前 AI 发展的一个重要转折点：我们正在看到 LLMs 的边界在哪里。

主持人提到了 world models（世界模型）的概念，她认为这是 AI 开始与现实世界互动的地方，这才能让我们到达想象中的未来——比如让机器人采摘苹果，而不是人类。我觉得这个观点很有洞察力。LLMs 在处理语言和文本方面非常强大，但它们缺乏对物理世界的理解和互动能力。

Jennifer Li 也谈到了 AI 在芯片设计领域的应用。她提到，现在我们看到很多 AI 工作负载运行的基础设施并不是为它们构建的。我们正在推向一个未来，那里将有更多针对特定工作负载的硬件和软件，无论是用于大规模推理还是快速低延迟。

她说："如果你想想 LLMs 和 AI 真正能帮助的地方，就是这个瀑布式的过程——设计一个芯片需要数年时间，从原型设计到生产，现在我们真的可以缩短设计和原型设计的初始阶段。"这不仅适用于芯片，也适用于今天所有的软件创建，缩短了构思和创建初始阶段的时间。

我认为这揭示了 AI 的真正价值：不是取代整个创造过程，而是加速特定阶段。在芯片设计中，AI 可以快速生成和测试多个设计方案，大大缩短从想法到原型的时间。但最终的决策、优化和整合仍然需要人类工程师的专业知识和判断。

这种对 AI 能力的务实认识，在我看来，比那些夸大其词的炒作要有价值得多。LLMs 是强大的工具,但它们有明确的局限性。承认这些局限性并不是贬低 AI 的价值，而是帮助我们更好地理解如何充分利用这项技术。

超高速增长的代价：人才短缺与运营挑战

Jennifer Li 在访谈中还谈到了一个很多人忽视的问题：当一家公司真的实现了从零到 1 亿美元的超高速增长时，它会面临什么样的挑战？

她说，今天最困难的事情，也是一直被讨论的话题，就是"我们如何招聘——不是快速招聘，而是能够真正适应这种速度和文化的合适人才"。这些达到那些里程碑的公司，团队规模都还不到 100 人。就像主持人说的，没有 CFO（首席财务官），也没有 CRO（首席营收官）。很多增长都是由初始团队完成的,人们在不断成长。

但当他们想要进一步扩大团队时，寻找能够以 AI 速度移动的最优秀人才，现在的人才库非常有限。Jennifer Li 说："考虑到另一边对人们失业的恐惧，说现在所有这些 AI 公司的招聘市场出现如此严重的人才短缺，这很疯狂。有如此多的人才需求，希望找到能够快速行动、同时也是 AI 原生的人。"

我觉得这是一个非常有趣的悖论。一方面，人们担心 AI 会抢走他们的工作；另一方面，AI 公司却在拼命寻找人才。这说明了什么？说明 AI 时代需要的不是更少的人，而是不同类型的人。那些能够理解 AI、与 AI 协作、在快速变化的环境中适应的人，比以往任何时候都更有价值。

Jennifer Li 还提到了其他一些超高速增长带来的挑战："还有大量未知和开放的话题和问题,我们以前从未面对过,比如很多深度伪造如何对抗,以及法律和合规要求,这些都是我们一直在摸索的新领域。"

这需要大量的创造性思维,也需要冷静、谨慎,还要思考公众和全球观众会如何对某些行动做出反应。这些都是非常微妙的话题。这些公司还不习惯突然一个错误的词,人们就会群起而攻之。

她举了 Cursor 的例子,他们在推出新定价方式时犯了一个错误,引起了用户的强烈反对。三年前,一个开发者工具 IDE（集成开发环境）改变定价成为大新闻是不可想像的,但现在,这是一件大事。

我认为这揭示了一个重要的现实:超高速增长听起来很美好,但它也带来了独特的挑战。这些公司必须在还没有建立起相应支持系统的情况下,就要处理大公司才会面临的问题。他们没有完善的财务系统、法律团队或公关部门,但却要应对与大公司同样的审查和期望。

这就是为什么 Jennifer Li 一开始就警告创始人不要盲目追求那些推特上的惊人数字。超高速增长不仅仅是一个好问题,它也是一个"小心你的愿望"的情况。你可能会得到增长,但你也会得到随之而来的所有复杂性、压力和挑战。

搜索：被低估的基础设施

在访谈的最后,当主持人问 Jennifer Li 她希望用这 17 亿美元找到什么样的创业公司时,她的回答有些出人意料:搜索。

"我认为搜索仍有巨大的潜力。无论是网络搜索,还是个性化类型的搜索。我认为 LLM 需要工具,它真的需要最新的、准确的信息,而这是一个搜索问题。"她说,搜索基础设施已经发展了很多,但仍然需要进一步发展,以使搜索更加个性化,也更加全面,更快,以真正跟上高吞吐量、高频率的 agentic 搜索,同时也要保持高准确性。

她指出,现在我们对语言模型的要求更高了。我们不能允许搜索结果中有一个错误的条目,对吧？幻觉问题,或者与这个搜索查询不符的上下文,我们对 LLMs 的期望更高了,而这又回到了搜索问题。

我觉得这是一个被严重低估的洞察。在所有人都在关注大模型、agents、应用层的时候,Jennifer Li 却在关注搜索这个基础设施。为什么？因为无论上层应用多么炫酷,如果底层的搜索和信息检索不够好,整个系统都会受到限制。

想想看,agents 需要什么？它们需要准确、及时、相关的信息来做出决策。如果搜索系统不能快速准确地提供这些信息,agents 就无法有效工作。如果搜索结果包含错误信息,agents 就会做出错误的决策。如果搜索不能个性化,agents 就无法真正理解用户的特定需求和上下文。

而且,随着 agents 的普及,搜索的需求会呈指数级增长。不再是人类偶尔搜索一次,而是可能有成千上万的 agents 不断地、高频率地进行搜索。这对搜索基础设施的性能、准确性和可扩展性提出了全新的要求。

我认为这就是为什么 Jennifer Li 如此看重搜索创业公司的原因。在 AI 时代,搜索不再只是找到网页,而是为 AI 系统提供准确、及时、上下文相关的信息的关键基础设施。谁能解决这个问题,谁就掌握了 AI 时代的关键基础设施之一。

我的思考：理性与狂热之间的平衡

听完 Jennifer Li 的整个访谈,我最大的感受是:在这个充满狂热和炒作的 AI 时代,理性和务实是多么珍贵。

作为一个手握 17 亿美元、投资了一些最成功的 AI 公司的 VC,Jennifer Li 完全可以加入炒作的行列,宣扬 AI 将如何改变一切、agents 将如何取代所有工作、AGI 即将到来等等。但她没有。相反,她花了大量时间讨论 AI 的局限性、agents 的边界、超高速增长的挑战。

她对创始人的建议也很实际:不要被推特上的数字迷惑,不要只追求表面的增长,要关注业务质量和可持续性。她对 AI 未来的展望也很理性:创造力仍然属于人类,LLMs 有其局限性,我们仍然处于 co-pilot 阶段而不是 autopilot 阶段。

我认为这种理性在当前的环境中尤为重要。AI 确实在改变世界,但改变的方式和速度可能与炒作所描述的不同。agents 确实会影响工作,但不是简单地取代人类,而是改变人类的工作方式。增长确实可以很快,但可持续的增长需要坚实的基础。

在狂热和理性之间找到平衡,在乐观和务实之间找到平衡,这可能是在 AI 时代成功的关键。不是盲目追随炒作,也不是完全拒绝新技术,而是深入理解技术的能力和局限性,找到真正创造价值的方式。

Jennifer Li 的观点给了我一个重要的提醒:在这个快速变化的时代,慢下来思考可能比盲目快速行动更有价值。了解什么是真实的、什么是炒作,什么是可持续的、什么只是昙花一现,这些判断能力在长期来看可能比短期的增长速度更重要。

最后,我想说的是,AI 时代最稀缺的不是技术,不是资金,甚至不是人才,而是理性的判断和务实的执行。当所有人都在推特上晒 ARR 数字的时候,能够慢下来问"这个数字背后的质量如何"的人,可能才是最终的赢家。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。