ARTICLE · 1304281

AI 卖的不是软件,是工资

发布时间：2026-11-04 10:55:49 最近访问：2026-11-04 10:55:49

AI 卖的不是软件,是工资

2026 年 9 月，一份招股书递到美国证监会。

在一堆关于算力、租赁和风险因素的表格中间，有一个不起眼的数字：

净收入留存率：900%。

这个指标的意思是：同一批客户，今年花的钱，是去年的九倍。

如果你不在软件行业，可能感觉不到这个数字有多离谱。

（ps：SaaS 行业的天花板是 120%，做得好的 130%。超过 150%，分析师就要追问你是不是在压货。900% 不是“一家更好的 SaaS 公司”，它是“一个不属于 SaaS 的东西”。）

这家公司叫 Anthropic，产品叫 Claude。

它的招股书里还有另一个数字：80.2% 的收入来自使用量计费，订阅只占不到两成。

一个卖订阅的公司，留存率不可能到 900%。因为订阅的计量单位是人头和月份——一个人，一个月，只能付一次钱。

那 900% 是从哪来的？

这篇文章想回答的就是这个问题。因为答案不在 Anthropic 身上，在“AI 到底在卖什么”这件事上。

一、定价锚：一门生意值多少钱，取决于它跟谁比价

先讲一件看似无关的事。

同样一杯咖啡，在便利店卖 1 美元，在星巴克卖 5 美元，在威尼斯圣马可广场卖 15 美元。

咖啡豆没变，杯子没变，变的是它跟什么比价。

便利店跟“提神”比价；星巴克跟“一个能坐两小时的第三空间”比价；圣马可广场跟“你一辈子可能只来一次的旅行”比价。

经济学里有个词叫锚定。一门生意的规模，从来不由成本决定，由它把自己锚在哪个池子里决定。

这也是为什么，同样是“卖水”，有人卖一块钱一瓶，有人卖二十块一瓶——差别不在水，在你口渴的时候，旁边还有没有别的选择。

定价单位的变迁，本身就是一部经济史。

19 世纪，工厂按件计酬——你做一双鞋，拿一双鞋的钱。20 世纪，泰勒制把计件改成了计时——因为计件会让工人拼命赶量、不管质量，而且机器一开，到底是人的功劳还是机器的功劳，说不清。

软件时代，计费单位变成了“座位”——一个人，一个月，一份钱。这个单位很妙，因为它把“人在不在场”变成了可计量的东西。至于你到底用了多少，不重要。

现在，AI 把单位改回了“件”。

（ps：这不是倒退。19 世纪的计件，卖的是人的力气；今天的计件，卖的是判断。前者可替换，后者不可替换。这才是定价能往上走的原因。）

每一次计价单位的改变，都会重新分配一次风险。

计件，风险在工人；计时，风险在老板；按座位，风险在“用不用得上”；按任务，风险又回到了“做没做成”。

而风险在谁身上，钱就流向谁。

AI 现在就站在这道选择题前面。

如果它跟软件比价：一个知识工作者一年 200 美元，全球 10 亿人，市场是 2,000 亿美元。

如果它跟人比价：一个知识工作者一年 5 万美元，哪怕只替代 20%，市场是 10 万亿美元。

同一个产品，两种锚，差 50 倍。

而过去三年所有让人看不懂的数字——900% 的留存、80% 的按量计费、3.2 万亿美元的基建承诺、50% 的财富 500 强渗透却只有 0.1% 的钱包份额——都指向同一件事：

它正在换锚。

二、三层定价锚

我把 AI 的商业价值拆成三层，每一层对应一个可以比较的对象。

层	跟谁比价	计量单位	池子有多大	谁在买单
第一层：软件预算	办公软件、SaaS	座位 / 月	约 1.5 万亿美元	IT 部门
第二层：人力预算	工资、外包、咨询	任务 / 工时	知识工作价值 >40 万亿美元	业务部门
第三层：产出预算	收入、利润、研发成果	结果	无法用现有口径估算	CEO / 董事会

（ps：这里要澄清一个容易被专业读者抓的漏洞。40 万亿是知识工作“创造的经济价值”，是产出，不是工资总额。AI 真正能定价的，是这个过程里的成本项——工资、外包费、咨询费。所以后面的测算会再打一次折。但即便打了折，量级也不是软件市场能比的。）

第一层，是所有人一开始以为的市场。

AI 是个软件，软件按座位卖，一个人一个月 20 美元。全球 10 亿知识工作者，一人一年 200 美元，2,000 亿美元。

这个池子的天花板很硬：它等于客户有多少个员工。

第二层，是 AI 实际上已经爬上去的地方。

当 AI 能独立完成一份合同审查、一次数据清洗、一版代码重构的时候，客户不再拿它跟 Office 比价，而是拿它跟“一个初级律师”、“一个数据分析师”、“一个程序员”比价。

一个初级律师的年薪是 15 万美元。AI 干他 30% 的活，值 4.5 万美元。

这就是 900% 的来源。

第三层，是还没到、但招股书已经写出来的地方。

Anthropic 的招股书里有这么一段：最终，“数以百万计的虚拟协作者可以并行运行”，形成“数据中心里的天才之国”（a country of geniuses in a data center），服务经济中的每一个组织。

这句话不是修辞。它在描述一种新的定价单位——不是座位，不是任务，是结果。

如果 AI 能直接对“一份通过审批的新药”“一单成交的并购”负责，那它的价格就不再参照成本，而参照收益。

到那时，TAM 这个词就失效了。因为你没法给“经济增长”估一个 TAM。

（ps：a16z 在 2025 年做过一个测算，结论和这个框架惊人地一致：AI 的可触达市场，不是 4,000 亿美元的软件市场，而是 13 万亿美元的劳动力市场——30 倍。他们算的是钱，我算的是定价单位，指到的是同一个地方。）

三、算一笔具体的账：同一家公司，两种算法差 60 倍

抽象地讲“锚”，不如看一家真实的公司。

假设有一家 500 人的专业服务公司——咨询、法务、审计都行。

• 年收入 1 亿美元；

• 人力成本占 60%，就是 6,000 万美元；

• 人均成本 12 万美元。

现在，如果 AI 能承担其中 30% 的可交付工作，一年就能释放出 1,800 万美元的人力成本。

那么，这家公司愿意为 AI 付多少钱？

按软件预算算：

500 人 × 200 美元/年 = 10 万美元。

按人力预算算：

如果 AI 供应商拿走释放价值的 1/3，就是 600 万美元。

60 倍。

（ps：同一家公司，同一个产品，同一年。差别只在于——它把 AI 填在哪一栏预算里。填在 IT 费用，是 10 万；填在人力成本，是 600 万。）

这就是为什么，Anthropic 的 CFO 会说“每次新模型发布，TAM 都在扩大”。

不是市场变大了，是同一个客户，愿意掏钱的科目变了。

模型每强一点，能接的活就多一点；能接的活多一点，它在客户预算表里的位置就往上一格。

从“效率工具”这一栏，挪到“人力外包”这一栏，再挪到“业务成果”这一栏。

每一次挪动，都是一次重新定价。

四、为什么按量计费是必然，不是选择

有人会说：按量计费只是一种定价策略，想改随时能改回订阅。

改不回去。

因为计量单位决定了商业模式的上限。

订阅的计量单位是“座位”。座位数跟什么走？跟人头走。一家公司有 1,000 人，最多买 1,000 个座位。想多收钱，只能等它招人，或者涨价。

按量计费的计量单位是“任务”。任务数跟什么走？跟业务量走。

一个 20 人的法务部，去年审 1,000 份合同，今年因为并购审了 10 万份。座位数没变，任务数涨了 100 倍。

这就是为什么 Anthropic 80.2% 的收入来自使用量计费。

（ps：这不是它想不想的问题。如果它坚持按座位卖，那个法务部今年和去年付的钱是一样的，而它消耗的算力涨了 100 倍。按座位收费的 AI 公司，会在客户用得最狠的时候亏得最惨。）

所以按量计费不是定价技巧，是成本结构的必然：AI 有边际成本——每一 token 都要烧电、占显存、排队列——而软件没有。有边际成本的东西，只能按用量收费。

而一旦按用量收费，收入的增长曲线就跟客户的工作量绑定了，不再跟客户的员工数绑定。

这是整个 AI 商业模式的第一块基石。

它还有一个副作用，很多人没注意：按量计费把风险从供应商转移给了客户。

订阅模式下，客户用得少，是供应商赚；客户用得多，是供应商亏。按量计费反过来——用得少客户省钱，用得多客户掏钱。

所以客户会开始算 ROI。而一旦客户开始算 ROI，他参照的就不是“这个软件值不值 200 美元”，而是“这个人值不值 12 万美元”。

定价锚，就是这样被客户自己往上推的。

五、900% 是怎么算出来的

现在可以把那个数字拆开了。

SaaS 的 NRR 公式很简单：老客户今年付的钱 ÷ 老客户去年付的钱。

• 客户去年 100 人，买 100 个座位；

• 今年 110 人，买 110 个座位；

• NRR = 110%。

这就是 SaaS 行业 120% 天花板的由来——它约等于客户自己的招聘增速。

AI 的 NRR 公式看起来一样，但分子分母的性质完全不同：

• 客户去年用 AI 处理 1 万份文档；

• 今年处理 10 万份；

• 每一份的价格还降了 40%；

• NRR 还是 900%。

注意这里最反直觉的一点：单价在降，收入在涨。

Anthropic 的招股书写明，Opus 5.5 相比上一代，客户每任务成本降低约 40%。同时，2026 年第二季度收入同比增长 1,368%，而算力与基础设施费用只增长 300%。

经济学里有个名字解释这个现象，叫杰文斯悖论：效率提升让单位成本下降，但总消费量上升得更快，结果总支出反而增加。

19 世纪是煤炭，20 世纪是汽油，21 世纪是 token。

（ps：Anthropic 的 CFO 在播客里明确用这个词解释他们的增长。这不是我硬套的。）

还有一组数字，能把“降得有多快”说清楚：一项针对 3,237 个模型定价的研究算出，AI 推理价格的半衰期大约是 1.1 年——每过 13 个月，同样的智能，价格腰斩一次。这比摩尔定律还快。

价格每 13 个月腰斩，而收入在翻倍增长。

这意味着什么？

意味着客户买到的智能，一年比一年多；而他付的钱，一年比一年多得更快。

这不是悖论，这是需求曲线在往下移的同时，往右移得更快。

而需求曲线为什么往右移？因为每一次降价，都会把一批“以前做不起”的任务，变成“现在做得起”。

以前请不起律师的小公司，现在能请了；以前做不起全量质检的工厂，现在能做了；以前只能抽查 1% 合同的法务部，现在能审 100%。

杰文斯悖论的本质，不是“人用得更多”，是“原来不存在的需求被创造出来了”。

这一点，是判断这轮 AI 是“真扩张”还是“假繁荣”的关键。

如果是纯替代，客户的总支出应该下降——因为他只是把人换成机器，机器更便宜。

如果是真扩张，客户的总支出会上升——因为他开始做以前做不起的事。

900% 的留存率，说明是后者。

六、渗透率 50%，钱包份额 0.1%

这是招股书里最容易被忽略、也最值得盯的一对数字。

截至 2026 年 9 月 30 日：

• 财富 500 强中，超过 50% 是 Anthropic 的客户；

• 财富 10 强，全部是；

• 但在这些客户的总支出里，Anthropic 的收入平均只占 不到 0.1%；

• 前十大客户，也只占它们支出的不到 1%。

翻译一下：客户已经进门了，但还没开始真正花钱。

很多人看到“50% 渗透率”会觉得增长快到头了。恰恰相反——这个数字说明的是“开户率”，不是“使用率”。

真正的增长空间，不在拉新，在加深。

而“加深”这件事，在订阅模式下几乎做不到（一个员工不能买两个座位），在按任务计费模式下却是自然的（同一个员工可以让 AI 干十倍的活）。

钱包份额从 0.1% 到 1%，就是 10 倍。而这 10 倍，一个新客户都不需要。

Anthropic 的 CFO 在播客里讲过一个场景：一个客户在 20 分钟内，签下了两笔八位数美元的合同。

（ps：不是在买一个软件，是在给一个部门重新定编制。这两笔合同如果按座位算，大概是几百份订阅；如果按人力算，是一个团队的预算。同一件事，两种记法。）

一个可以对照的细节：Anthropic 的客户里，TTM 收入超过 1,000 万美元的只有约 250 家，超过 100 万美元的有 1,900 家。

也就是说，一万一千多家十万美元级的客户，正排在这条升级路径的起点上。

七、人均 660 万美元：AI 第一个重组的，是自己

2025 年 9 月，Anthropic 每员工滚动 12 个月收入是 140 万美元。

2026 年 9 月，是 660 万美元。

一年，4.7 倍。

（ps：微软、谷歌这个数字大约在 200 万到 300 万美元之间，而且已经是很高的水平。660 万不是“效率高一点”，是“组织的形状不一样了”。）

5,300 名员工，年化收入 326 亿美元。

它凭什么？

招股书给了一个答案：公司 90% 以上的代码，由 Claude Code 自己写。

这形成了一个“闭合循环”——更强的模型帮助研究员更快地做实验、生成训练数据、跑评估、写代码；更快的研发又产出更强的模型。

Anthropic 的 CFO 说，他把 30% 到 40% 的时间花在算力上。

一个 5,300 人的公司，做出 326 亿美元的年化收入，还顺手把自己 90% 的代码外包给了自己的产品。

这是第一个证据：AI 不是“给企业提效的工具”，它是“重写企业形状的模具”。

而它第一个重写的，是自己。

这件事还有一层含义，很多人没往下想。

如果一家 AI 公司自己能做到 660 万美元/人，那么它的客户会问一个问题：“你能做到，我为什么不能？”

这个问题一旦被问出来，客户买的就不再是“一个工具”，而是“一套重组方法”。

而这套方法的交付物，不是软件许可，是组织变革。

组织变革没法按座位卖。它只能按项目、按人头、按结果卖。

定价锚就是这样，被客户的需求推着，一层一层往上爬的。

八、治理结构不是道德，是商业基础设施

讲到这里，得说一件容易被当成“公关话术”的事。

Anthropic 是一家公益公司（PBC）。它的董事会依法要在三件事之间权衡：股东的经济利益、受公司行为影响者的利益、以及公司的公益宗旨。

它还设了一个“长期利益信托”（LTBT）——五名不持有任何经济权益的受托人，通常有权选举董事会多数成员。

IPO 前，它把 5% 的股权（8.47 亿股）捐给了一个公益基金；此后股价每较上一里程碑上涨 50%，董事会可再发最多 2%。

七位创始人各自承诺，把个人股权的 80% 捐给慈善。

它还做了三个“主动放弃收入”的决定：

1. Claude 永久无广告。 招股书原话：广告“很可能成为一笔可观的收入来源”，但“一旦广告成为公司收入目标的一部分，为提升用户参与度而优化的压力就会随之增长”。

2. 最强的模型没有立刻发布。 内部判断 Mythos Preview 的网络安全能力过强，先建防护、再以 Fable 5 的形式开放，向网络防御方提供了约 1 亿美元的额度。招股书承认：这“放弃了可观的收入，也把先发优势拱手让给竞争对手”。

3. 拿出 2 亿美元，与各国政府一起研究 AI 带来的“经济颠覆”该怎么应对。

如果你只看道德，这是一家很有情怀的公司。

但如果你看商业，这是一套极其精密的采购摩擦消除装置。

企业买 AI，最怕三件事：

• 我的数据会不会被你拿去训练？

• 你的模型会不会被广告污染，给我的答案不干净？

• 你会不会为了下个季度的财报，突然涨价或者砍掉服务？

PBC + LTBT 回答第三个（使命的否决权不在股东手里）；无广告回答第二个；公开的模型系统卡、可解释性研究、企业级控制，回答第一个。

换句话说：治理结构不是在表达价值观，是在签发一份不可撤销的承诺书。

（ps：这就是经济学里的“可信承诺”。承诺之所以可信，不是因为你说了，是因为你把自己绑住了——绑得越死，对方越敢下单。一家公司愿意为了这条承诺放弃广告收入，这句话的分量，比任何一份 SLA 都重。）

还有一个小细节，我觉得比前面几条都更说明问题。

创始人在致股东信里写：

“永远不要让你的公司比它实际的价值多值一美元。”

（ps：一家公司在招股书里劝投资人别出高价。这不是谦虚，这是把“不夸大”写进了募资文件——因为你一旦这么说了，以后吹牛的成本就变得极高。）

OpenAI 走的是另一条路：从非营利，到“有限利润”，再到公益公司方向，边做边改。

两条路的起点不同，终点是同一个问题：怎么让“使命”比“季度财报”更硬。

因为客户买的不是模型，是“我敢不敢把核心业务交给你”。

而这，恰恰是第二层定价锚能不能站稳的前提。

一个客户不会把 12 万美元的人头预算，交给一个随时可能为了财报改定价的供应商。

九、产品不是模型，是发布节奏

Anthropic 的招股书里有这么一句：截至 2026 年 9 月 30 日的三个月里，近 90 天内发布的模型版本，贡献了 80% 以上的收入。

这句话值得停下来想三秒。

它意味着：三个月前的模型，已经不值钱了。

在一个旧产品迅速贬值的地方，静态的技术护城河是没有意义的。你今天领先两个版本，六个月后可能落后一个版本。

所以真正的护城河不是“模型有多强”，是“你有多快能发布下一个更强的模型”。

产品不是模型，是发布节奏。

这也解释了那 3.2 万亿美元的算力承诺。它不是“买产能”，是“买时间”——要在对手之前，把下一个模型的训练排进队列。

回头看这三年的产品演进，脉络很清楚：

时间	形态	卖的单位	锚在哪一层
2022 前后	聊天机器人	订阅月费	软件预算
2025 前后	编程智能体（Claude Code / Codex）	token / 任务	工程师工资
2026 前后	通用知识工作智能体（Claude Cowork）	任务	知识工作者工资

每一步，都是把定价锚往上挪一层。

Claude Code 卖的不是“代码补全”，是“一个能规划、编写、测试、调试的初级工程师”。所以它敢按 token 收费，因为客户心里算的是工程师的工资。

Claude Cowork 更进一步，直接把“虚拟协作者”这个词写进了招股书：它拥有组织授予的权限、能调用内部工具、能执行跨多步骤的工作流。

OpenAI 那边有一句话，把这层意思说得更透：

“Agent 最有价值的能力，不在于它能替你做什么，而在于它能替你等什么。”

“替你等”，等的是人的时间。而时间是有工资的。

产品往下走，还有一个方向：从“帮你做”到“替你做决定”。

Claude Code 的负责人说，他手机上同时跑着几百个子智能体，夜间有数千个并行。这个场景描述的不是“工具”，是“一个团队”。

一个团队是有编制的，有编制的就有预算，有预算的就能被定价。

这就是第三层锚的入口。

十、从对话到物理：三把钥匙

过去三年，AI 的能力推进有一条清晰的路线：

对话 → 编程 → 完成任务的 Agent → 物理世界。

2022 年，它学会了聊天。2025 年，它学会了写代码。2026 年，它开始学着把一件完整的事做完。再往后，是机器人、自动驾驶、实验室里的移液枪。

很多人以为，这条路是按“模型有多聪明”排的——模型越强，走得越远。

不完全是。

决定一个行业先被吃下还是后被吃下，不是模型有多聪明，是它能不能同时凑齐三把钥匙。

第一把钥匙：数字化。 工作的产物是比特，还是原子？

第二把钥匙：可验证。 对错能不能被自动检查？

第三把钥匙：可承受。 错了的代价，能不能兜住？

编程为什么是第一个被吃下的？ 三把钥匙全有。

代码是纯比特；编译器、测试、CI 会自动告诉你对错；写错了可以回滚、可以重来。在整个经济里，编程几乎是唯一一个“AI 可以自己给自己打分”的行业。

结果就是那个刺眼的数字：代码审查的单任务成本，从 48 美元降到 0.72 美元，66 倍。

客服为什么紧随其后？ 数字化（对话是文本）、可验证（客户满意度）、可承受（答不好转人工）。成本从 4.18 美元降到 0.46 美元，9 倍，回本周期 4.1 个月。

营销为什么更快？ 一份营销简报，人工 185 美元，Agent 2.4 美元，77 倍。因为它的验证标准最松——“看着像回事”就算过。

法律为什么慢？ 三把钥匙有两把半。文档是数字化的，对错也能查，但错了的代价兜不住——一份合同漏掉一个条款，可能是几千万的官司。回本周期 14.8 个月，是客服的三倍多。

医药为什么最慢？ 只有半把钥匙。临床前的文献检索、分子筛选是数字化的，但验证要等三期临床，周期八年起，错误代价是人命。回本周期 18.4 个月，是所有职能里最长的。

物理 AI 为什么最后？ 三把钥匙只剩一把半。原子不是比特，现实世界没有测试套件，撞了人是不可回滚的。

（ps：所以“AI 什么时候能进制造业”这个问题，答案不在模型参数里，在“工厂能不能给 AI 提供一个可回滚的沙盒”里。数字孪生之所以重要，不是因为酷，是因为它把原子变成了比特，把不可回滚变成了可回滚——它是在给物理世界补第二把钥匙。）

10.1 冲击最大的，和价值最大的，不是同一批行业

这是这一节最反直觉的地方。

冲击最大的行业，是那些“三把钥匙齐全、但单位价值低”的行业。

客服、销售开发、初级编程、基础营销、基础财务——人力密度高、单价低、流程标准。AI 一进去，效率立刻翻几倍，因为它们的工作本来就是“可拆解、可验证、可替换”的。

价值潜力最大的行业，恰恰是那些“三把钥匙不全、但单位价值极高”的行业。

医药： 全球制药年支出超过 2 万亿美元，一个新药十年、二十亿美元。AI 只要能提高临床前筛选和试验设计的效率，省下的就是百亿美元级。有数据显示，AI 辅助可以把一期临床的成功率从 52% 提到 90% 量级——但这条路要走 24 到 36 个月才见回报。

半导体： 一次流片失败，损失 3,000 万美元起。这里的 AI 不是“省人力”，是“避免灾难”——回报不在成本表上，在资本开支的废品率里。

能源、制造、国防： 单位决策的价值极高，但物理约束最硬，可验证性最差。

换句话说：AI 先吃便宜的地方，最后才吃贵的地方。

这就解释了一个看起来矛盾的现象——

为什么 AI 的收入在暴涨，但全要素生产率还没动？

因为它现在主要在下沉市场，吃的是客服、营销、初级编程这些单价低、人力密集的环节。这些环节加起来工资总额不小，但对 GDP 的边际影响有限。

真正能撬动生产率的，是医药、半导体、能源这些高价值行业。而它们，恰好是三把钥匙最难凑齐的地方。

所以 AI 的价值曲线，和它的推进顺序，是反的。

先来的价值小，后到的价值大。

（ps：这也给了一个判断框架：如果你看到某家 AI 公司的主要客户集中在客服、营销、内容生成，它的增长是真的，但天花板也看得见；如果它开始出现在晶圆厂、临床试验、电网调度里，那才是第二层锚真正焊死的时候。）

十一、索洛悖论：为什么钱还没到

讲到这里，必须泼一盆冷水。

1987 年，经济学家罗伯特·索洛说了一句后来被引用了几十年的话：

“你到处都能看到计算机时代，除了在生产率统计里。”

（原文：You can see the computer age everywhere but in the productivity statistics.）

那一年，个人电脑已经卖了十年。此后的八年，生产率依然没有起色。直到 1995 到 2005 年，美国全要素生产率才突然加速。

中间那二十年，技术一直在，生产率一直没来。

为什么？

因为计算机不是自己产生效率的。它需要企业重写流程、重排岗位、重新定义谁对什么负责。而这些事，比买电脑难得多。

今天，同样的事正在发生。

模型的能力已经在前，组织的重组在后。

一家公司买了 Claude，如果只是让员工“用 AI 写写邮件”，它得到的是 5% 的效率提升，付的是软件预算的钱。

如果它敢把整个法务审核流程重写、把初级岗位重新定义、把考核标准从“工时”改成“交付”，它得到的可能是 30% 的成本下降，付的是人力预算的钱。

两种用法，差 6 倍。差别不在模型，在组织。

所以，AI 公司真正的产品，不是模型，也不是工具。

是“组织重组的路径”。

（ps：这也是为什么，Anthropic 要花大力气做 Claude Cowork、做行业垂直应用、和埃森哲德勤毕马威普华永道这类 SI 合作。它不是在卖软件，它是在卖“重组方法论”的分发渠道。）

这一节讲的是怎么用。下一节要问一个更狠的问题：就算组织重组了，多出来的那些钱，到底是凭空长出来的，还是从别人口袋里掏出来的？

十二、反驳：这不是创造价值，只是转移价值

有人会说：AI 把人干的活变成 token 成本，这不过是价值转移，不是价值创造。一家公司裁掉十个初级员工、买一份 AI 服务，GDP 一分没多，只是钱从工资单挪到了供应商的报表上。

这个反驳很硬，而且它抓住了一个真问题。

但它只对了三分之一。

因为 AI 的价值池，其实是三块，而不是一块：

池	在做什么	是转移还是创造
替代池	用 AI 做现有的事，替代人力	转移
扩张池	做以前做不起的事	创造
新物种池	虚拟协作者成为组织成员	创造

第一块，确实是转移。它不增加 GDP，只是把工资变成了采购。这部分的天花板，就是被替代岗位的工资总额。

但第二块和第三块不是。

一个以前只抽查 1% 合同的法务部，现在能审 100%——这不是把原来那 1% 的工作换个人做，这是多做了 99% 原来根本不会做的工作。

一家以前请不起律师的小公司，现在能请了——这不是替代，这是把一个原本不存在的需求，变成了真实的市场。

全球有 46 亿人没有基本医疗服务。这个需求一直存在，只是从来没有人能负担得起供给。AI 如果能把它变成可支付的，那不是转移价值，那是凭空长出来一个市场。

900% 的留存率，正是“扩张”而非“替代”的证据。

如果是纯替代，客户的总支出应该下降——因为他只是把人换成机器，机器更便宜。

但 Anthropic 的客户，支出涨了 9 倍。

只有当客户在做以前做不起的事时，支出才会这样涨。

（ps：当然，这里面有一部分是“提前消费”——客户在为未来的能力预付。这正是上一篇讲的信用前置。但那是节奏问题，不是方向问题。）

十三、开源的反向压力：锚会不会被拽下来？

讲到这里，必须处理一个来自侧面的压力。

如果开源模型——DeepSeek、Kimi、Qwen 这些——把前沿能力的价格一路打到接近零，那 AI 的定价锚还爬得上去吗？

一个客户会问：既然开源模型免费，你凭什么收我一年 5 万美元？

这个质疑很硬。它也确实在发生：开源模型的每一次迭代，都会把上一代闭源模型的价格压下去。

但开源压的是第一层的价格，压不动第二层。

为什么？

因为第二层卖的根本不是模型。

回到那家 500 人的专业服务公司。它付 600 万美元，买的不是“一个能审合同的模型”——模型它能自己下载。它买的是：

• 谁帮我把审核流程重写一遍？

• 谁保证这套流程在监管检查时站得住？

• 出了问题，谁负责？

这三件事，开源给不了。

（ps：这个逻辑在软件史上验证过。Linux 免费了三十年，红帽卖订阅卖到几百亿美元，AWS 靠它赚得更多。安卓开源，谷歌靠服务赚钱。开源的从来是“地基”，卖的从来是“在上面盖楼的能力”。）

更反直觉的一点是：开源可能不是威胁定价锚，而是加速它上移。

因为当 token 价格被开源打到极低时，按座位卖 AI 这件事就变得没有利润了——一个座位一年 200 美元，扣掉算力和服务成本，几乎不剩什么。

逼得所有玩家只能往上走：不能靠“卖使用量”赚钱，就得靠“卖结果”赚钱。

开源把第一层的路堵死了，反而把所有人赶向了第二层。

这也是为什么，Anthropic 要把大量精力花在 Claude Cowork、行业垂直应用、以及系统集成商身上——它不是在卖模型，它是在铺“重组方法论”的分发渠道。

模型会开源，方法论不会。

这也是中美 AI 竞争真正的分水岭：一边在卷模型，一边在卷重组。

说句公道话：中国在开源模型上的推进速度，本身就是这场竞争的另一个答案。模型越便宜，企业重组的成本越低，越敢把 AI 塞进真实的业务流程里。卷模型和卷重组，不是高下之分，是分工之别——只是利润最后会落在后者。

而被追平的永远是价格，不是方法。那些写不进论文、只能从一千个真实项目里长出来的“暗知识”，才是第二层定价锚真正的地基。

十四、算账：三个池子，现在挖了 8% 到 20%

现在可以算规模了。

先把锚定物摆好。Anthropic 招股书引用了一个数字：2025 年，全球知识工作者所从事的工作，创造了超过 40 万亿美元的经济价值。

另一个数字来自 IDC：到 2031 年，对 AI 解决方案和服务的投资，将带来累计 22.5 万亿美元的全球经济影响。

第三个：到 2028 年，全球知识工作者将超过 10 亿人。

基于这三个数，做一个简单的三情景测算：

情景	假设	年市场规模	相对当前
保守	40 万亿 × 效率提升 10% × 供应商捕获 25%	1.0 万亿美元/年	约 5 倍
中性	40 万亿 × 效率提升 20% × 捕获 30%	2.4 万亿/年	约 12 倍
激进	40 万亿 × 效率提升 30% × 捕获 35%	4.2 万亿/年	约 21 倍

（ps：这三个假设都可以吵。但请注意，即便按最保守的一档，市场也是现在的 5 倍。而这三个数的乘数关系，才是真正该盯的东西——效率提升一点、捕获率高一点，结果就差一倍。）

再看今天的位置。

全行业 AI 收入，大致在 2,000 亿美元这个量级。这是把 Anthropic 年化 326 亿、加上 OpenAI 和其他玩家加总的粗估，不同统计口径之间可能差出不少。

拿它去比：

• 除以 40 万亿的“全部知识工作价值”，是 0.5%；

• 除以保守情景的 1 万亿“可被 AI 定价的市场”，是 20%；

• 除以中性情景的 2.4 万亿，是 8%。

所以，请记住 8% 到 20% 这个区间，而不是 0.5%。

（ps：0.5% 这个数字很抓人，但我不建议用它。因为 40 万亿是产出，不是可被定价的成本。把产出当分母，会系统性高估空间。8%–20% 这个区间，才经得起专业读者推敲。）

把这三个池子分开看，会更清楚：

池	在做什么	定价依据	现在的证据
替代池	用 AI 做现有的事	人力成本	钱包份额 0.1%，还有 10 倍
扩张池	做以前做不起的事	增量产出	NRR 900%，同一批客户花 9 倍
新物种池	虚拟协作者成为组织成员	无法用现有 TAM 估算	每员工 660 万美元收入