a16z:软件没有一起崩,AI也没有一起赢

从软件估值、Token经济、初级岗位到数据中心电价，真正重要的不是趋势口号，而是谁获得收益、谁承担成本

原文信息

一句话 Keypoint：
原文图表真正揭示的，不是“AI全面利好”或“软件全面失宠”，而是同一条筛选规则：技术成本下降之后，市场会重新追问谁掌握客户关系、谁能把效率转化为新增需求，以及转型成本最后由谁买单；不过，文章关于就业和电价的部分主要仍是相关性证据，尚不足以直接证明因果。

导语：四个结论，几乎都在和直觉唱反调

2026年的科技市场出现了几组看上去互相打架的现象。

软件指数在跌，但并不是每家软件公司都在跌；AI模型越来越便宜，用户花的钱却没有同步减少；初级岗位被认为最容易遭到AI替代，部分数据却显示高强度采用AI的企业反而增加了初级员工；纽约州担心数据中心推高居民电费，另一组研究却说，用电需求增长有时会让平均电价下降。

a16z这篇《Charts of the Week》最吸引人的地方，就是把四种流行叙事分别拎出来反问一句：事情真的这么简单吗？

答案当然是不简单。但问题也恰恰在这里：反常识图表很适合打破旧叙事，却也容易迅速制造一个新的、同样过度简化的叙事。

结论先行：四组图表中，哪一组最可靠，哪一组最需要小心？

第一，“软件正在被选择性重估”是全文证据最扎实的判断。 市场并没有简单按照当前收入增速给公司排队，而是在区分哪些软件拥有关键工作流、专有数据、客户信任和较高切换成本。只是30天股价表现过短，行业分类也带有较强主观性，它更适合描述市场情绪，而不是证明某类商业模式已经胜出。

第二，“AI越便宜，总需求可能越大”方向上合理，但现在还不能直接升级为全行业版的杰文斯悖论。 OpenRouter数据确实显示，单个用户的Token使用量增长快于支出增长，可这只是一个特定模型聚合平台的样本。相关经济学研究发现，LLM短期需求弹性略高于1，但作者同时认为，现有数据只支持有限程度的杰文斯效应。

第三，现有数据不支持“AI已经大规模消灭初级岗位”，但也不能证明AI正在普遍创造初级岗位。 高强度AI采用企业确实出现扩招，不过这些企业在采用AI之前，原本就更大、更技术化、增长更快；软件招聘的回升也主要由资深职位推动。

第四，“数据中心可能降低电价”是一种有条件成立的机制，不是已经被证明的普遍规律。 当电网有富余容量、数据中心稳定用电并承担新增基础设施成本时，固定成本可以由更多电量分摊；但当新增需求迫使电网修建发电、输电和容量设施，且成本被转嫁给居民时，电价完全可能向相反方向移动。原文在这一部分明显选择了研究报告中更符合技术扩张叙事的一面。

为什么现在要讨论这些问题？

这篇文章出现的时间点很重要。

一边是2026年软件板块估值下调。软件公司的预期自由现金流估值倍数已经跌至接近十多年低位，市场开始怀疑：生成式AI会不会让过去依靠功能数量、用户席位和订阅合同建立的商业模式失去耐久性？

另一边，AI基础模型价格仍在快速下降。低价开放权重模型不断提高使用份额，企业和消费者的AI使用量继续增加，于是行业争论开始从“AI有没有需求”，转向“需求增长能不能快过价格下降”。

与此同时，“AI正在消灭年轻人的第一份工作”成为劳动力市场的流行解释；数据中心的用电、水资源、环境和居民电费问题，也从地方审批问题上升为公共政策冲突。

2026年7月14日，纽约州发布行政命令，暂停为新的超大规模数据中心发放部分州级环境许可，最长可达一年，以制定新的选址、用电、环境和费用分担标准。该政策针对的是新的超大规模项目，并非简单禁止全州所有数据中心发展。

换句话说，这四个问题表面上分别属于股票、模型、招聘和电力，底下其实共享一个现实矛盾：

技术创造的效率红利，能不能在组织、市场和基础设施中顺利转化？转化过程中产生的新成本，又会落到谁头上？

作者用了什么方法得到这些结论？

这不是一篇正式研究论文，而是一篇典型的“图表驱动型市场评论”。

作者主要使用了四种方法：

第一，用软件ETF成分股的短期和一年期收益率进行分组，观察头部、中位数和尾部公司之间的差异。

第二，使用家庭支付数据和OpenRouter平台数据，比较AI价格、Token消费量和用户支出的变化。

第三，引用企业AI支出与员工数据的匹配研究、招聘网站职位数据，以及年轻员工工资变化，判断AI与初级就业之间的关系。

第四，利用美国各州用电需求和平均电价变化的横截面数据，讨论数据中心用电是否必然推高电价。

这种方法的优点是快、直观、能迅速拆掉笼统叙事；缺点也同样明显：时间窗口不同、样本口径不同、数据来源有公开研究也有商业数据库，相关关系很容易被读成因果关系。

图表是信息压缩器，不是因果关系免检证书。

一、软件不是一起下跌，市场在重新区分谁还有“留客理由”

文章第一组数据指出，软件公司的预期自由现金流估值倍数已降至约20倍附近，明显低于2014年至2018年约33.9倍的平均水平，也远低于过去五年约38.6倍的平均水平。

但更值得注意的不是整个软件指数下跌，而是内部差异。

按一年期表现分组，软件公司头部四分位的回报大约为正10%，尾部四分位约为负42%，两者相差接近50个百分点；中位数公司的表现也和整个ETF存在明显差异。

这说明市场并没有把“软件”当成一个统一类别处理。

为什么收入增速暂时解释不了股价？

文章把97家公司的预计收入增长与30天股价表现放在同一张散点图里，得到的相关系数只有-0.08，几乎看不出线性关系。

这张图能证明的是：

在这个短期窗口里，投资者没有简单按照近期收入增长给软件公司定价。

但它不能证明收入增长已经不重要。

30天股价可能受到财报预期、估值起点、融资环境、交易拥挤度、管理层指引和个别新闻影响。今天股价没有奖励增长，不代表长期现金流可以不要增长。

作者进一步把企业分为网络安全与可观测性、垂直软件、横向软件、云基础设施和其他几类，发现网络安全、可观测性及部分垂直软件相对抗跌。作者由此推测，市场更看重专有数据、任务关键性和客户信任。

这个解释是合理的。

当AI可以迅速复制一般性的文案生成、数据整理和工作台功能后，功能本身越来越像标准零件。客户还愿意付费，往往不是因为软件按钮多，而是因为：

说得直白一点，AI能写出一个看起来像财务系统的界面，并不等于财务负责人敢把全公司的账交给它。

这部分分析的边界

作者的行业分类具有主观性，图中也存在不少不符合分类叙事的公司。短期股价聚类只能说明市场当时在交易什么故事，不能直接证明这些公司的护城河已经经受住了AI冲击。

另外，ETF是按规则加权的组合，而文章中的中位数和四分位数更多体现个股分布。少数大型成分股的变化可能显著拖动指数，因此“中位数公司表现优于ETF”并不矛盾。IGV本身追踪的是北美软件及部分互动媒体和服务公司，并非对所有公司进行等权处理。

真正应该观察的，不是一个月谁涨得更多，而是未来几个季度：

市场现在只是开始提问，还没有给出最终答案。

二、AI越便宜，需求可能越大，但“杰文斯悖论”还没有完全坐实

文章第二部分的逻辑很有吸引力：

当AI的单位价格下降，用户会把AI用到更多任务中；使用量增长可能超过价格下降速度，最终让总支出继续增加。

这就是所谓的“杰文斯效应”：效率提高并不一定减少资源消耗，反而可能因为使用场景扩张而增加总需求。

原文拿出了什么证据？

第一，AI的“单位智能价格”下降速度，明显快于个人电脑等历史通用技术的价格下降速度。

第二，PNC内部支付数据显示，截至2026年春季，约2.2%的家庭出现了付费AI订阅或消费，平均月支出约31美元。

第三，在OpenRouter样本中，自2025年8月初以来，单个用户使用的Token数量增长约225.3%，而单个用户支出增长约174.4%。与此同时，亚洲厂商模型在该平台付费Token中的份额升至约六成。

这组数据至少说明，在OpenRouter这类高度活跃的模型调用环境中，降价并没有导致用户只花更少的钱离开，而是刺激了更大规模的使用。

用户可能原来只让AI写一封邮件，现在开始让它读合同、检查代码、生成图片、调用工具并连续运行任务。单次调用便宜了，但“可以交给AI做的事情”增加得更快。

但这还不是完整的行业结论

OpenRouter用户并不等于所有AI用户。

这个平台更容易吸引开发者、模型比较者、开放权重模型用户和对价格敏感的高频调用者。大型企业直接购买云厂商服务、部署私有模型或签订年度合同的行为，未必和OpenRouter相同。原文也承认，这一平台样本存在明显选择偏差。

PNC数据则属于内部商业数据，公开页面没有提供足以独立复算的完整样本和分类方法。它可以作为需求正在形成的信号，却不适合单独承担市场规模结论。

更值得注意的是，原文引用的相关经济学研究本身比文章标题更克制。该研究发现，在可比能力层级下，开放模型价格可能比封闭模型低约90%；测得的短期需求价格弹性略高于1，意味着降价确实可能带来略高比例的使用增长，但研究者认为，现阶段证据只支持“有限范围”的杰文斯效应。

因此，更稳妥的结论不是：

AI越便宜，整个行业收入必然越高。

而是：

AI降价正在扩大可用场景，但最终收入能否增长，取决于新增任务量是否持续快于单价下降，以及高价值任务是否愿意支付更高价格。

真正需要观察的，是每个客户的总支出、续费率、付费任务结构和模型供应商毛利，而不是只看Token总量。

Token很忙，不等于财务部门一定很开心。

三、AI没有明显杀死初级岗位，但“初级岗位顺风”也说早了

就业部分是全文最容易被传播成标题、也最容易被过度解读的一段。

原文引用Ramp与Revelio Labs的企业级研究称，高强度采用AI的公司在采用后两年内，初级岗位占比出现明显提升；低强度采用企业则略有下降。

不过，这里需要做一个重要的口径修正。

原文着重描述图表末端约6个百分点的差异，但论文正文给出的核心平均估计是：高强度采用企业的初级员工占比平均提高约1.15个百分点，初级员工人数提高约12%；约6个百分点更接近事件研究曲线在24个月末端的估计值，而不是整个观察期的平均效果。

这几个数字并不互相冲突，但不能混在一起说：

这项研究说明了什么？

它至少削弱了一种非常确定的说法：

企业一采用AI，就会立刻减少初级岗位。

高强度采用企业的总员工人数约增长10%，初级员工人数增长约12%。研究者认为，更可能的解释是，这些企业将AI用于扩大业务和产出，而不仅是削减人员。

但这仍然不等于“AI创造了这些工作”。

研究也明确指出，高强度采用企业在采用前就更加大型、技术密集、容易获得风险投资，而且增长速度更快。研究通过与“稍后采用AI的企业”进行比较，尽量减少选择偏差，但无法像随机实验一样完全排除所有差异。就业增长的统计显著结果也主要集中在信息产业，而不是均匀分布于整个经济。

软件招聘回升，主要是谁在被招聘？

Indeed数据显示，自Claude Code在2025年2月底推出后，软件开发职位发布量上升约15%，同期全体职位发布量下降约7%。但Indeed同时指出，这一增长约71%来自资深职位，约37%来自职位名称中明确提及AI的岗位；即使经过这轮回升，软件开发职位发布量仍比2020年2月低约27.5%。

因此，这组数据更适合支持：

AI相关的软件需求出现回升，企业正在寻找有经验、能使用AI工具的人。

它并不能直接支持：

刚毕业的年轻人已经重新获得大量入门机会。

年轻员工工资增速反弹同样只能说明部分年轻劳动力的议价能力或岗位结构发生变化，不能单独证明就业人数增加。工资可能受到最低工资、行业构成、离职跳槽和低薪岗位减少等因素影响。

真正需要观察的指标应该是：

AI可能没有直接消灭“第一份工作”，但它很可能正在改变第一份工作的门槛：过去企业招聘新人来完成基础任务，现在可能要求新人一开始就能指挥AI、检查结果并承担更完整的交付责任。

岗位还在，梯子的第一阶却可能变高了。

四、数据中心可以摊薄固定成本，也可以把扩建账单送给居民

原文最后一部分试图挑战一个直觉：

数据中心增加用电需求，不一定推高电价，反而可能降低平均电价。

文章引用劳伦斯伯克利国家实验室和Brattle Group的研究，指出2019年至2025年间，美国部分用电增长较快的州，平均实际电价反而下降或涨幅较小。其解释是，电网包含大量固定成本；当更多稳定负荷使用同一套发电、输电和配电资产时，每度电分摊的固定成本会下降。

这个机制确实存在。

一家全天运行、负荷稳定的数据中心，对电网而言可能比只在晚高峰集中用电的居民负荷更容易服务。如果当地已有富余发电和输电能力，数据中心又愿意签长期合同并支付接入费用，它可能改善现有资产利用率。

但同一份报告也写了相反的情况

伯克利实验室与Brattle的报告明确说明，负荷增长既可能降低电价，也可能提高电价，方向取决于：

报告还专门分析了PJM市场：当负荷增长遇到发电供应和输电能力约束时，容量价格会显著上升。

换句话说，数据中心能不能降低居民电价，不取决于服务器本身是不是“科技”，而取决于一张非常现实的账单：

新增收入，是否大于为了服务它而增加的发电、输电、容量和环境成本？这些成本由数据中心支付，还是被摊给其他用户？

哥伦比亚大学对相关研究的综述也指出，当新增负荷的边际成本低于电网原有平均成本，并且大型用户承担了相应接入和基础设施费用时，负荷增长可能压低平均电价；如果需要集中建设新容量，或者成本分配制度把项目风险转给居民，则可能增加家庭电费并形成搁浅资产。

纽约州到底暂停了什么？

原文把纽约政策概括为“一年数据中心暂停令”，容易让人以为纽约停止了所有数据中心建设。

更准确的表述是：纽约州暂停对新的超大规模数据中心发放部分州级环境许可，最长一年，用于制定新的监管框架。行政命令提到，截至2026年5月，纽约独立系统运营商的队列中已有约12吉瓦的数据中心负荷申请，其中约8吉瓦是在2025年一年内进入队列。州政府担心的不只是电价，还包括项目是否兑现、基础设施是否被提前建设、清洁能源目标、水资源及社区影响。

因此，原文关于“暂停令可能适得其反”的判断只能在特定条件下成立：

少一个条件，结论就可能反转。

行业争议：不同角色为什么会看到完全不同的答案？

投资机构与科技公司

它们更关注AI采用速度、基础设施投资和市场扩张。模型价格下降、Token增加、软件重新分化和数据中心资本开支上升，都可以被解释为新一轮技术周期仍在扩张。

这种视角的优势是能较早发现第二阶效应，弱点是容易低估成本最终如何分配。

企业客户

企业真正关心的不是Token是否增长，而是同样的预算能否完成更多工作，以及使用AI后是否增加了审计、集成、安全和人工复核成本。

模型降价可能只是把账单从“模型调用费”转移到了“数据治理费”和“出错后的责任费”。

劳动者

资深工程师可能因AI提高产出而更加稀缺；初级员工则可能同时面对两种力量：扩张中的公司需要更多新人，但每个新人被要求承担的任务复杂度也在提高。

争议不一定来自谁看错了，而是不同人站在职业阶梯的不同位置。

公用事业公司、数据中心和居民

公用事业公司看到的是更高的设备利用率和长期售电收入；数据中心希望快速接入并获得稳定电力；居民担心的是，项目退出或需求预测落空后，谁来偿还已经修好的电网设施。

真正的分歧不是“数据中心用不用电”，而是“谁签长期承诺、谁支付扩建费用、谁承担预测错误”。

原文最突出的地方

这篇文章最有价值的地方，不是给出了四个确定答案，而是提醒读者不要用一个总量概念覆盖内部差异。

“软件下跌”内部有头部与尾部之分；“AI降价”内部有调用量与总支出之分；“招聘下降”内部有初级与资深职位之分；“用电增长”内部有固定成本摊薄与新增容量成本之分。

这种分析方法可以迁移到很多行业：

当一个宏观故事看起来过于整齐时，先拆开分布、角色、时间窗口和成本承担者，往往比继续争论故事本身更有用。

作者也没有完全回避数据限制。文章承认OpenRouter样本存在偏差，也说明就业数据不能直接证明因果。这种克制让文章比单纯的“AI一切向好”宣传更可信。

原文的局限

1. 软件分析的时间窗口过短

30天股价表现容易受情绪和事件驱动，无法证明长期商业模式质量。行业类别也是作者自行划分，不是统一、可复现的分类体系。

2. AI需求证据过度依赖特定平台和商业数据

PNC、YipitData、OpenRouter及部分市场数据库的完整底层数据无法公开复算。它们适合发现趋势，不适合直接外推整个AI市场。

3. 就业部分混用了不同指标

初级员工人数、初级员工占比、观察期平均值和24个月末端值分别回答不同问题。把它们合并为“初级岗位增长约6个百分点”，容易放大读者对结果强度的理解。

4. 招聘反弹并不主要由初级职位推动

Indeed的数据表明，软件岗位回升主要来自资深职位，而且总体水平仍显著低于疫情前。这削弱了“初级岗位正在获得顺风”的标题表达。

5. 电价部分选择性强调了同一研究中的有利机制

原文强调固定成本摊薄，却没有充分呈现报告中关于供应约束、输电建设、容量价格和成本转嫁的反向情景。数据中存在负相关，不等于数据中心导致了低电价；低电价本身也可能吸引更多负荷，因果方向可能相反。伯克利实验室报告对此有明确提醒。

6. 机构位置会影响选题和叙事

a16z长期投资软件、AI及相关基础设施。这个位置让它更容易看到技术扩张和第二阶需求，也可能让文章更倾向于寻找“市场低估AI正面影响”的证据。

利益位置不等于结论错误，但它提醒读者：不仅要看文章提供了什么图，也要看它选择了哪些图。

结尾：别再问AI到底是利好还是利空

a16z这组图表共同说明了一件事：进入技术扩散阶段以后，“AI是好是坏”已经是一个过于粗糙的问题。

更有用的问题是：

技术不会自动决定答案。

答案通常藏在客户合同、岗位设计、电价规则和成本分配方式里。

所以，这篇文章最值得带走的，不是其中任何一张上涨或下跌的曲线，而是一条更耐用的判断规则：

当所有人都在谈效率提升时，先找到效率红利归谁，再找到新增成本由谁支付。

原文：https://www.a16z.news/p/charts-of-the-week-softwares-selective