ARTICLE · 1238649
AI 这么火,谁赚走了大头?(4)软件
AI 这么火,谁赚走了大头?(4)软件前面几期，我们一路拆了 AI 的账本：谁在赚钱，GPU 是门什么生意，一座 AI 工厂要花多少钱。 顺着这些账本看下去，最显眼的受益者一直在底层，尤其是芯片。那么“蓝色三角“的收入分布会发生翻转吗？ 
Databricks 的 CEO Ali Ghodsi 觉得会：长期看，价值会沿着技术栈向上移动，应用层会成为赢家。 但往下想一步，事情就没那么简单了。软件公司可以用 AI 降低成本，客户也可以用 AI 自己做软件；应用层可能出现大公司，也可能挤满价格越来越低的产品。应用创造了价值，和应用公司能把价值留下来，是两回事。更重要的问题是：当软件越来越容易做出来，什么样的软件公司，还能持续生存并壮大？ 如果把 AI 产业从下到上分成能源、芯片、基础设施、模型、应用，Ali 相信利润分布会“倒过来”：底层先赚建设的钱，上层再赚使用的钱。 
这个判断背后，有一段科技史。从 IBM 所代表的硬件，到微软所代表的操作系统，再到 VMware 所代表的虚拟化，新的价值不断出现在原有基础设施之上。一层技术逐渐标准化、变得更容易买到，创业者就能站在它上面，去解决更贴近用户的问题。 为什么会这样？因为客户最终要买到的，往往比底层技术本身多一步。企业买电脑，是为了处理业务；买数据库，是为了保存和使用数据。同样，企业采购 AI，也得有人把模型的能力变成具体工作中的成果。 底层能力越容易获得，开发应用就越容易。原来因为成本太高而不值得做的产品，也开始有了生存空间。但空间开放给了所有人，软件公司的竞争也会随之增加。 比如，调用模型的成本下降了，一家应用公司可能用更低的成本服务原来的客户，利润变厚。但如果竞品也能轻易提供同样的服务，大家就会降价抢客户。到最后，省下来的钱可能大部分留在客户手里，而不是应用公司的利润表里。下层技术变便宜，为上层创造了空间；上层能不能赚钱，要看它有没有自己的护城河。 模型层也面临类似的问题。开源模型不断进步，意味着应用公司在购买模型能力时，可能有更多替代选择。提供模型服务将越来越依赖规模经济：大型数据中心仍然存在，客户仍然愿意购买 token，但竞争可能让这门生意走向较低的利润率。 这是一种长期预测。对应用公司来说，它还带来一个很直接的问题：如果大家都能买到足够好的模型，那么“我接入了一个很强的模型”，还能让客户多付多少钱？ 钱要往应用层走，应用就得提供模型之外的东西。 “AI 都能写代码了，还值什么钱？” 这个疑问听起来有道理，但它把“软件容易做出来”和“软件不再重要”混在了一起。Ali 有一个很有意思的反问：OpenAI 和 Anthropic 不也是软件公司吗？NVIDIA 的芯片设计本质上也是软件公司。如果软件真的不再有价值，这些公司又该怎么解释？ 软件当然还重要。真正受到挑战的，是原来的软件公司能否继续按原来的方式收费。其中有两件事，值得拆开来看：进入门槛，以及切换成本。 先看进入门槛。过去，要做出一个能用的软件产品，需要投入一支团队和一段不短的开发时间。现在，同样的功能可能由更小的团队、更快地做出来。写代码的成本远没有归零，但做出产品的第一步，确实便宜了。 这对创业者是好事，对已有软件公司的影响却有两面。一方面，它们也可以用 AI 降低研发成本；另一方面，竞争者做出相似功能，也更容易了。研发费用下降的好处，可能被更激烈的竞争抵消一部分。 所以，不能只算“我们省了几个程序员的钱”，还得算“客户现在多了几个选择”。尤其当一款产品的主要优势，就是别人过去没时间、没预算做出同样的功能时，AI 降低的恰好是保护它的那道门槛。 再看切换成本。如果你一直用 iPhone，为什么不换成 Android？未必是另一边不好，而是要重新熟悉界面、迁移数据、改变习惯。企业软件也一样，员工已经学会一套操作，公司已经围绕它搭好工作方式，换掉它很麻烦。 如果未来用户更多通过 AI agent 操作软件，这种锁定就可能松动。你只需要说“把这次客户拜访记下来，下周提醒我跟进”，至于 agent 背后调用哪一家 CRM，可能不再是你最关心的事。 这对软件公司意味着什么？原来用户每天都要打开它、学会它、记住它；以后用户可能只记得那个帮自己完成工作的 agent。熟悉的界面和操作习惯，能支撑的收费空间就可能缩小。 当然，企业的数据迁移、权限配置、历史集成，以及出了问题谁负责，并不会因为多了一个对话框就自动消失。切换成本会受到冲击，也会因产品而异。一个帮人整理笔记的工具，与承载多年业务记录的系统，不能放在一起判断。 更可能先承压的，是那些主要依靠操作习惯留住用户、产品却长期没有明显进步的公司。用户以前付钱，一部分是在买功能，一部分是在避免换软件的麻烦。现在这份麻烦变少了，软件公司就要重新证明，剩下的服务值多少钱。 所谓“SaaS 末日”，值得追问的其实是：过去靠习惯收得上的钱，以后还能收多少？ 说到这里，很容易产生一个疑问：如果 AI 已经能写代码，公司为什么不自己做一套，把软件订阅费省下来？ Databricks 的一个内部案例，恰好能帮助我们看清这个问题。 按 Ali 的讲述，过去交付一个连接 Salesforce 等系统、达到生产要求的数据连接器，大约需要九个月。后来，他自己用 AI 试了一下，两天就写出了一个，于是去问团队：为什么你们要做这么久？ 团队评估后的答案是：AI 确实有帮助，但只能把九个月缩到七个半月。因为他两天做出的原型，与能正式交付给客户、经过测试并满足安全要求的产品，还有距离。 再往下拆才发现，开发周期里有大量时间并没有花在写代码上。产品经理要花一个季度调研需求；测试要先搭起 Salesforce、Workday 等外部系统的环境；每个连接器又由单人负责，人员一旦休假，进度就可能受影响。 后来团队把需求收集改为一周起步、边做边迭代，把外部系统环境的搭建交给擅长这件事的服务商，并调整多人协作方式。最后，他们在一个季度里交付了七个连接器。 放回“钱被谁赚走了”这个问题里，重点在于：代码只是软件交付成本的一部分，客户购买的是一套能在真实环境里工作、有人持续负责的服务。 企业考虑自己做软件时，也得把这些事情一起接下来。第一版能运行之后，谁来验证它是否可靠？外部系统变了，谁来更新？出了问题，谁来处理？自己做到底便不便宜，要把长期使用的成本也算进去。 这给软件公司留下了收费空间。但九个月的开发周期本身并不构成护城河。客户不会为供应商内部的等待和低效买单。真正有价值的是解决复杂问题的能力；当竞争者能更快、更便宜地完成同样的交付，原来的公司仍会失去议价能力。 而且，能收费，还不等于能拿走大头。如果每多服务一家客户，就要增加一批人重新做一遍，收入增加，成本也会跟着增加。更好的生意，是把解决过的问题沉淀进产品，让后来的客户也能受益。公司才有机会随着规模扩大，把平均成本降下来。 从这里再看护城河，就比“有没有 AI 功能”具体多了。 首先是独有的数据和业务上下文。同样一个模型，知道客户的历史记录、公司内部规则、过去如何处理例外情况，和只知道公开知识，能完成的工作会很不一样。很多公司都有一个“什么都知道”的老员工，大家遇到问题都去找他。公司真正运转所依赖的知识，有一部分就藏在这些人的经验里。 如果一款产品能把这些信息用起来，准确处理具体业务，它就比一个通用聊天工具更有价值。这里的数据优势，也有一个很实际的检验方法：拿掉这些数据，产品完成工作的能力会下降多少？如果几乎不受影响，“拥有数据”就很难成为客户多付钱的理由。 其次是规模和信任。安全、可靠性、维护和服务支持，都需要长期投入。一套能力能服务更多客户，固定成本才有机会被摊薄；长期稳定地交付，也让客户更敢于把重要业务交过来。新公司可以很快做出一个相似功能，却未必能立刻补齐这些积累。 如果一家软件公司已经存在十年，产品看起来与十年前差不多，收入却还在涨。它反而应该担心，因为它可能一直靠惯性收钱。 如果模型越来越容易买到，通用软件功能也越来越容易做，下一批大公司会从哪里长出来？ Ali 在 2000 年代初读博时研究网络，当时的热门难题之一叫 multicast，也就是组播：怎样把同一场球赛，高效地同时传给大量观众？在带宽稀缺的年代，这个问题就很重要，他甚至围绕它创过业。 但按他的回忆，后来带宽价格大幅下降，大量光纤铺设起来，原来设想中的商业机会就没有成立。技术问题可以很难，解决方案也可以很好，却未必有人继续愿意为它付钱。 今天值得攻克的难题，未必是一门能长期收费的生意。当底层条件改变，客户可能不用再为原来的问题购买专门的解决方案。一个 AI 产品如果只是在弥补当前模型的某项不足，也需要思考下一代模型出来以后，这个收费理由还在不在。 反过来，互联网后来长出的许多大生意，描述起来都很朴素：卖书、打车、出租空房间、发短消息。它们利用网络，把现实中的交易和服务重新组织起来。人们最终付钱，是因为想买到商品、到达目的地、找到住处。 这也让医疗和教育这样的方向值得关注。人们长期在乎健康和孩子的教育；如果 AI 能显著改善服务，付费就有了基础。这些需求不会因为某一代技术过时就消失。 从“模型能生成什么”，走到“客户愿意持续购买什么”，中间这段路，才是应用公司要做的生意。 底层越来越成熟，会让更多原来做不到的服务变得可行。但钱不会平均分给所有做应用的人。它更可能集中到那些能持续解决具体问题、又能把交付成本控制住的公司手里。
一、钱会往上走，但不会自动落进软件公司的口袋
二、软件没有死，但两种赚钱的条件正在松动
三、做出软件更便宜了，为什么客户还要付钱？
四、大头可能在应用，但未必在今天最热闹的地方
> 参考：Stanford MS&E435
