当通用AI开始＂垂直入侵＂:从Anthropic插件冲击波到交通仿真领域的深层思考

Caliper CTO 辛武平

引言：2850亿美元蒸发的那个星期二

2026年2月4日，Anthropic为Claude推出Cowork功能及11个行业插件，覆盖法律、金融、销售、市场营销等领域。几小时之内，全球软件股遭遇惨烈抛售：Thomson Reuters单日暴跌15.83%，创历史最大跌幅；LegalZoom狂泻19.68%；RELX下跌14%；FactSet跌去10.51%。软件行业ETF单日跌幅创2024年4月以来新高[1]。社交媒体上迅速出现了"SaaSpocalypse"，即"SaaS末日"的说法。

这场冲击波迅速成为全球主流财经媒体的头条事件。

• Bloomberg报道称，这是一场波及软件、金融服务和资产管理等多个板块的2850亿美元大溃败，高盛追踪的美国软件股篮子单日暴跌6%，为自4月关税引发的抛售以来最大单日跌幅，金融服务指数也暴跌近7%。 Reuters在次日追踪报道中进一步将损失范围扩大至近1万亿美元，指出S&P500软件和服务指数连续六个交易日下跌，自1月28日以来市值蒸发约8300亿美元。

• CNBC则以"软件行业正经历'最激动人心的时刻'"为题，指出WisdomTree云计算基金2026年迄今已暴跌约20%，包括本周6.5%的跌幅。

• Box CEO Aaron Levie对CNBC表示"AI is causing every software company to have to stay on its toes." (AI正迫使每一家软件公司保持高度警觉)。

• Axios将这次事件定性为"the first example of how the market will respond when presented with evidence that AI could disrupt or even replace an entire industry" (市场首次面对AI可能颠覆甚至取代整个行业的证据时所做出的反应)，并引用Jefferies的研报指出软件板块的市场情绪已降至"历史最差"，Bloomberg Intelligence更将其形容为"放射性的"（radioactive）。

冲击并不局限于美国市场。

• Business Standard（印度）报道，印度NiftyIT指数当日暴跌5.87%，为2020年3月23日以来最大盘中跌幅，TCS和Infosys均下跌超过7%。在伦敦，FTSE 100中被认为易受AI冲击的公司，包括会计软件商Sage（下跌3.8%）、伦敦证券交易所集团（下跌3.7%），也遭到重挫。欧洲最大软件公司SAP下跌近4%，广告巨头Publicis和WPP分别下跌4.1%和3.3%，均创下新低。

一场由单一AI产品发布引发的全球性科技股恐慌，在金融市场历史上实属罕见。值得注意的是，各方对这次事件的定性存在明显分歧:

Ocean Park Asset Management首席投资官James St. Aubin认为，这次抛售"是市场对AI颠覆性力量的一次觉醒"，并警告"我最大的担忧是这可能是劳动力市场的金丝雀"。

B. Riley Wealth Management首席市场策略师Art Hogan表示，如果AI进展如此迅猛，"这将成为一个问题"。德意志银行宏观研究主管Jim Reid则指出，市场正进入一个"从AI狂热转向更多差异化"的新阶段。

而在另一端，Nvidia CEO黄仁勋在周二表示，AI将取代软件和相关工具的担忧是"不合逻辑的"；JPMorgan美国企业软件研究主管Mark Murphy也认为，认为LLM的一个新插件就能"取代每一层关键任务企业软件"是"不合逻辑的跳跃"。

Anthropic自身也试图澄清定位：Anthropic企业产品负责人Scott White对Axios表示，Anthropic将自身视为软件服务商的"补充而非竞争者"，Claude可以作为与各种后端软件服务交互的"主页"。(Anthropic sees itself as a complement rather than a competitor to software providers. Claude can "render interfaces directly within it," so it could theoretically "drive even more engagement and interactivity... with all these other business systems," Scott White, head of product for enterprise at Anthropic, told Axios. )

恐慌之后，需要冷静地回答几个问题：

通用大语言模型加上行业插件，真的能取代深度垂直领域的专业软件吗？

垂直领域软件的护城河究竟是什么? 是数据，还是其它什么？大模型进入垂直领域的障碍在哪里？

对于交通规划和交通仿真这样高度专业化的领域，这波冲击波意味着什么？

本文将从这次市场震荡出发，逐层深入分析通用AI对垂直领域的真实冲击力，拆解垂直软件护城河的本质构成，并结合作者在AIAT2025上提出的"仿真即思考"（Simulation-in-the-Reasoning）框架[2]，探讨交通仿真这一高度垂直领域的独特防线与未来演化路径。

一、Anthropic的"垂直入侵"

1.1 从水平到垂直的关键一跳

在Cowork插件发布之前，Claude和其他大语言模型本质上是水平工具。它们擅长通用的文本理解、生成、编程辅助，但不深入任何特定行业。Cowork及其11个插件改变了这一定位。这些插件集成了技能（Skills）、连接器（Connectors）、斜杠命令（Slash Commands）和子代理（Sub-agents）的完整工作流包，覆盖生产力、企业搜索、销售、金融、数据分析、法律、市场营销、客户支持、产品管理、生物研究，外加一个用于构建新插件的元插件。

这些转变的关键之处在于：Anthropic不再只提供基础模型API，而是直接面向终端用户提供可以"替代工作流"的工具。LPL Financial股权研究主管Thomas Shipp的判断是：有了Claude Cowork这样的工具，甚至不太懂技术的用户也能替换现有的工作流。

1.2 市场的恐慌

市场的逻辑十分简单：如果月费20美元的AI工具能完成过去年费数万美元SaaS订阅才能完成的工作，那么这些SaaS公司的估值基础就动摇了。被抛售最严重的公司有一个共同特征：核心产品是信息整理、文档处理和数据分析。这些恰恰是LLM最擅长的领域。

但市场恐慌并非毫无先例。2025年初DeepSeek发布时，英伟达单日市值蒸发近6000亿美元，一年后英伟达一度成为全球首家市值突破5万亿美元的公司。当时巴克莱的Nick Dempsey直言不认为通用AI模型能有效替代行业特定的专业知识，Aurelion Research则认为抛售是"情绪驱动的"。

但这一次，情况可能大不相同。DeepSeek冲击的是算力层：一个上游基础设施问题，短期恐慌后容易回归，因为需求只增不减。而Anthropic冲击的是应用层，这是一个直接面向客户价值的问题，涉及的是SaaS的定价权和存在理由。这种冲击的持续性可能更强。

二、垂直领域软件的“护城河”

要判断通用AI对垂直领域的真实冲击力，首先要搞清楚一个根本问题：垂直领域软件的护城河究竟是什么？很多人的第一反应是"数据"。

数据确实重要，但它只是护城河的一部分，甚至可能不是最关键的一部分。

2.1 护城河的五层解构

本文将垂直领域软件的护城河分解为五个层次，从浅到深：

第一层：专有数据资产

这是最容易被识别的护城河。Westlaw的编辑标注过的法律案例关联网络、FactSet数十年积累的清洗过的金融数据，这些专有数据资产确实不是LLM通过阅读公开文本就能复制的。但所谓的数据护城河现在正在被侵蚀：开放数据运动、政府数据公开、学术数据共享都在降低数据的独占性。

如果护城河只有数据，长期来看是不够安全的。

第二层：领域工作流嵌入

比数据更深的护城河是工作流嵌入。软件不仅提供功能，还定义了行业的标准工作方式。律师用Westlaw搜索案例的流程、交通工程师用TransModeler做微观仿真的方法论和TransCAD做交通规划设计分析、金融分析师用Bloomberg终端的键盘快捷方式。当切换的不只是工具，而是整个组织的工作方式和培训体系时，切换成本变得极高。

第三层：合规与认证体系

在监管密集型行业，软件的价值很大程度上在于它被监管机构认可。美国联邦公路局（FHWA）和各州交通部（DOT）对交通影响分析有明确的方法学要求和工具认证；金融领域的Bloomberg和Refinitiv通过了各种合规审计；医疗软件需要FDA认证。这种制度性信任是大模型是目前难以跨越的障碍之一。当然，这不是因为技术不行，而是因为信任的建立需要时间、需要track record、需要承担责任的法律主体。一个AI插件说"这个合同没有风险"和一个经过认证的法律科技平台说同样的话，在法庭上的分量完全不同。

第四层：物理因果模型

这是最深、也最容易被低估的护城河（至少在真正的“通用世界模型出现之前， 如果－你相信通用世界模型真的会出现的话）。这也许是交通仿真等工程软件的真正核心。

需要强调一个关键命题：交通大语言模型不一定等于更好的交通决策。交通问题，发生在语言层之外。

物理因果模型的护城河体现在三个不可替代性上：

因果性而非相关性。仿真器内嵌了交通系统的因果机制。车辆跟驰模型、车道变换模型、交通分配算法、信号控制逻辑。LLM知道"A经常和B一起出现"，但不知道"A导致B"。增加一条左转车道如何影响三年后的交通流？这需要的是因果链的完整推演：改变冲突点→ 影响信号配时 → 改变路口延误 → 影响路径选择 →流量重新分布。LLM最多可以"描述"这个过程，但不具备可执行可证伪的因果模型。

不可简化的计算复杂度。数百万辆车在路网上的时空演化是一个不可简化的过程。每一步仿真依赖上一步的状态，每辆车的决策影响其他车辆的行为。你不能通过"总结"或"概括"来跳过这个计算，就像你不能通过语言推理来预测三体问题的轨道。这种计算复杂度是LLM在架构层面无法处理的。Bosch的仿真团队在评估AI替代经典仿真的可能性时也得出了类似结论：纯粹从数据驱动切换到取代基于物理的建模，并不是所有挑战的解决方案。最优解通常是两者的混合[6]。

校准与验证的不可迁移性。专业仿真软件的价值很大程度上在于其经过长期校准和验证的参数体系。比如车辆跟驰模型在不同国家、不同道路类型上有不同的校准值；交通分配模型需要基于实际OD数据和路网数据进行校准。这些本地化的校准知识不存在于公开文本中，无法被通用LLM"学习"到。

第五层：生态系统与网络效应

最顶层的护城河是生态系统。TransCAD 全球上万家机构用户和生态圈；Salesforce的护城河不只是CRM功能，而是围绕它的AppExchange生态、ISV合作伙伴网络和数十万开发者。生态系统越丰富，切换成本越高，大模型的替代难度越大。

2.2 护城河不是平均分布的

理解了这五层护城河之后，一个关键的洞察浮现出来：不同类型的垂直软件，护城河的构成是截然不同的。

规律很清楚：护城河越依赖"数据+信息整理"的软件，AI的可替代性越高；护城河越依赖"物理因果模型+计算不可简化性"的软件，AI的可替代性越低。这次被重创的Thomson Reuters和RELX恰好处于前者；交通仿真和CAE软件处于后者。

三、大模型进入垂直领域的障碍

理解了护城河的构成，可以更精确地分析大模型进入垂直领域的真正障碍。目前来看，这些障碍不是单一的，而是多维度的。

3.1 四大核心障碍

3.2 认知架构障碍：最根本的难题

四大障碍中，认知架构障碍是最根本的。它不是当前LLM技术不够成熟的问题，而是LLM架构本身的限制。

LLM的推理本质是"叙事性假设"， 也就是听起来合理的文本叙事，但并非经过实证检验的结论。Transformer的核心能力是在有限上下文窗口内通过注意力机制捕捉token之间的统计依赖关系。CoT之所以有效，是因为它把中间步骤写出来作为外部工作记忆，让模型在生成下一个token时能"看到"中间结果。但这本质上还是语言层内的操作。

交通仿真需要的是完全不同类型的计算：微分方程的数值求解（车辆跟驰）、图论算法的执行（最短路径搜索）、博弈均衡的迭代逼近（交通分配）、随机过程的蒙特卡洛模拟。这些计算有一个共同特征：它们是不可简化的------你不能通过"概括"或"总结"来跳过计算步骤，必须一步步执行。这和LLM的工作方式有根本的差异。

3.3 可信赖性障碍："能做"与"可信赖地做"之间的鸿沟

即便在LLM"能做"的领域，可信赖性障碍也是巨大的。这里需要区分两个层次：

能力层面的可替代性：AI能否完成某项任务？对于文档摘要、合同初审、数据可视化、市场文案等任务，答案越来越明确地是"是的"。

可信赖性层面的可替代性：企业能否在生产环境中依赖AI完成这项任务，并承担相应的合规、审计、法律责任？

一个法律插件可以审查合同并标注风险条款，但在涉及数百万美元交易的合同审查中，谁为AI的遗漏负责？一个金融插件可以生成预测模型，但它的分析能否满足SEC的合规要求？这就是为什么大多数企业级SaaS产品的真正护城河不是"做事的智能"，而是围绕做事构建的信任基础设施：数据治理、审计追溯、合规认证、访问控制、SLA保障。

在交通领域，这个障碍更为突出。交通信号优化方案如果出错，后果是真实的交通拥堵和安全事故。交通规划分析如果有误，涉及的是数亿美元的基础设施投资决策。这不是一个可以容忍"大概对"的领域。

3.4 "看不见的知识"

最容易被忽视但极其重要的障碍是隐性知识。每个垂直领域都有大量不存在于公开文本中的know-how：交通仿真工程师知道在校准跟驰模型时，某种类型的道路需要特定的参数调整范围；律师知道某个法官偏好特定的论证风格；金融分析师知道某类数据在特定市场条件下不可信。

这些知识没有被写进教科书、论文或公开文档，因此不在LLM的训练数据中。它们存在于从业者的经验、师徒传承、和无数次试错中。

四、三层冲击：哪些会被颠覆，哪些不会？

综合护城河分析和障碍分析，我们不妨提出一个三层冲击的视角：

这次抛售中受创最重的Thomson Reuters和RELX，核心产品大量位于第一层和第二层。市场的恐慌有其合理性，因为当LLM能够直接阅读法律文本、提取关键条款、生成分析报告时，只有冤大头才会为这些功能支付高昂的订阅费。

但第三层，也就是系统执行层的软件有完全不同的逻辑。这些软件的价值不在于"理解和生成文本"，而在于它们: 1)嵌入了物理世界的因果模型、2). 执行了不可简化的计算过程、3). 承载了几十年的行业验证数据。交通仿真软件，是第三层的典型代表。

同样值得注意的是，Bessemer Venture Partners在2026年初的报告中指出了一个重要趋势：垂直AI竞争的不是IT预算，而是劳动力预算。这意味着真正的战场不在于AI替代软件工具，而在于AI替代那些使用软件工具的人。对于交通仿真这样的领域，这反而可能是利好: 如果AI降低了使用仿真工具的门槛，潜在用户群会扩大，仿真工具本身的价值不减反增。

五、仿真即思考：SiR框架的启示

5.1 融合之道

现在，我们不得不提到一个有趣的框架：SiR（Simulation-in-the-Reasoning，仿真嵌入式推理）框架[2]，其核心主张是：AI和仿真不应被视为替代关系，而应是融合关系。

其核心思想是将仿真器嵌入LLM的推理循环。传统CoT是"Step 1 → Step 2 → Step3"的纯文本推理，仿真嵌入式推理则是"假设 → 仿真 →分析"的实证验证推理。LLM负责理解问题、生成假设、解释结果；仿真器负责因果推演和验证。各取所长。

5.2 MCP：一个有趣的悖论

这一框架能够成立，一个关键技术支撑是MCP（Model Context Protocol）。这是Anthropic于2024年推出的开放标准，使LLM能够发现和调用外部工具。

这里有一个值得深思的悖论：Anthropic的Cowork插件冲击了信息类SaaS的市场信心，但Anthropic的MCP标准却为深度垂直领域软件提供了与AI融合的桥梁。前者是竞争关系，后者是共生关系。Anthropic自己可能没有意识到，或者完全意识到了：它在同时扮演"破坏者"和"赋能者"两个角色：对信息层SaaS是破坏者，对物理层专业软件是赋能者。

通过MCP，LLM可以构建交通场景、调用仿真运行、获取性能指标，而完全不需要修改基础LLM模型的参数。用一个比方来说：LoRA像是给大脑移植了一小块"专业脑区"。它修改了模型参数，融入模型内部。MCP完全不修改大脑参数，而是给你配了一个工具箱，大脑本身没变，但可以随时调用计算器、仿真器、数据库。对交通仿真而言，仿真器就是那个"不会被忽悠的裁判"，也就是强验证器。物理约束是不会骗人的。

5.3 从"文本叙事"到"实证验证"的范式

也许SiR指出了交通大语言模型发展的正确方向：不是追求让LLM"说得更像交通专家"，而是让LLM学会调用和利用真正的因果推理工具。

在这一架构中，仿真器扮演的角色本质上就是强化学习中"验证器"的角色；它来验证质量决定了强化学习的成功与否。交通仿真器天然就是一个强大的验证器，它自动执行物理约束如流量守恒、排队溢出等。这种思想对整个AI与垂直领域关系的讨论都有启发意义：在那些结论需要经过物理世界验证的领域，AI的正确定位不是替代专业计算工具，而是成为使用这些工具的更好的"前端"。

六、对SaaS商业模式的影响

SaaS的核心经济逻辑是：开发一次，通过订阅模式向大量客户反复收费。通用AI确实在加速某些SaaS功能的商品化。但"SaaS末日"的叙事忽略了几个关键事实：

第一，商业模式已经在转型。Salesforce总裁Mark Sullivan已经明确表示，公司正在向"真正的智能体企业"演进。行业共识是SaaS的定价将从"按席位收费"转向"按成果收费"。这意味着SaaS公司可能不会消失，而是会重新定义自己的价值主张。

第二，数据护城河仍然有效。William Blair分析师Arjun Bhatia指出，AI Agent需要数据才能工作，而数据存在于现有的记录系统中， 所以你不可能让一个AI Agent完成交易而不更新CRM，也不可能让它报税而不访问账本。拥有数据的现有厂商，在AI Agent时代可能反而更有优势。

第三，混合模式更为可能。演变路径不是AI取代SaaS，而是SaaS厂商整合AI能力。这一切已经在发生。Thomson Reuters已经在产品中嵌入AI功能；微软将Copilot整合到Office全线产品。Mary Meeker在2025年AI趋势报告中指出：如果传统SaaS厂商能先成为AI赋能的、再演进为原生AI的，它们由于数据优势和上下文丰富性，反而更可能主导市场。

所以，更为可靠的预测是：SaaS不会死亡，但会剧烈分化。纯信息整理型SaaS面临最大压力；拥有专有数据、深度行业嵌入和物理因果模型的垂直软件将获得新的差异化优势。目前只有约5%的企业在规模化部署AI Agent，71%还在试点或小规模生产阶段。"Agent取代人类"的熊市论点在短期内为时尚早，但长期趋势不可逆。

七、展望

7.1 三个预判

预判一：信息层SaaS加速整合或被替代。以信息整理和基础分析为核心价值的SaaS产品，将在未来2-3年面临显著的定价压力。它们需要加速向更深层的数据资产和工作流嵌入转型。VC Cafe分析指出：那些只是LLM薄壳包装的创业公司，2026年将面临要么转型、要么出售、要么关闭的命运。

预判二：深度垂直软件将成为AI的"后端引擎"。交通仿真、CAD/CAE、EDA等嵌入了不可简化物理模型的软件，将越来越多地通过MCP等接口成为AI系统的后端引擎。它们的价值不会被AI取代，反而可能因为AI前端的普及而扩大。当使用交通仿真的门槛从"需要5年专业训练"降到"用自然语言描述需求"时，潜在用户群将大幅扩张。

预判三："AI + 仿真"的混合架构将成为新标准。"LLM + 仿真器"的闭环架构，将从交通领域扩展到更多需要因果推理的工程和科学领域。Bosch的经验表明：最优解不是AI或仿真的二选一，而是两者的混合（hybrid modeling）。

7.2 两个需要警惕的盲区

上述预判建立在对当前技术格局的判断之上，但任何诚实的分析都必须正视自身论证的隐含前提和潜在盲区。

盲区一：本文对LLM演进路径的假设是"架构稳定"的。 本文对"认知架构障碍"和"不可简化计算"的看法，建立在一个隐含前提上：即，LLM的核心形态仍然是token级语言模型。这一前提在当前是成立的，但未来的模型演进并非只有一条路径。如果出现神经-符号混合架构（neuro-symbolic hybrid）、原生可执行的中间表示（executable intermediate representation）、或具备强状态持久化能力的Agent系统，那么LLM与因果推理之间的鸿沟可能比本文所描述的要窄。然而，即便在更激进的模型演进假设下，物理仿真作为验证器的价值仍然成立。因为无论推理架构如何变化，物理约束不会改变，而仿真器始终是验证这些约束最经济、最可靠的手段。换言之，"不可简化性"论证的核心不依赖于LLM永远停留在当前架构，而依赖于物理世界本身的复杂度不会因为模型进步而降低。

盲区二：交通仿真并非"AI免疫区"。 本文认为交通仿真的核心计算引擎不太可能被LLM替代，但这绝不意味着交通仿真行业可以高枕无忧。需要明确区分的是：不变的是什么，变的又是什么。不变的，是物理因果模型的底层逻辑：车辆跟驰、交通分配、信号优化的因果机制不会因为AI的出现而失效。但会剧烈变化的至少有三个维度：

第一，仿真工具本身会变。AI将重塑仿真软件的内部架构，从场景生成、参数校准到结果分析，每一个环节都可能被AI加速或重构；

第二，交互方式会变。自然语言驱动的仿真交互将取代大部分命令行和GUI操作，"假设-仿真-分析"闭环将成为新的工作范式；

第三，用户结构会变。当使用仿真的门槛从五年专业训练降至自然语言描述，仿真工具的用户群将从专业工程师扩展到规划师、决策者甚至公众参与者。交通仿真行业的真正风险不在于被AI替代，而在于如果拒绝与AI融合，将被那些更快拥抱融合范式的竞争者淘汰。

7.3 对交通行业从业者的建议

拥抱AI作为前端接口。学习通过LLM与仿真工具协作。自然语言交互将降低仿真工具的使用门槛，这对行业是利好。

强化因果思维。在AI处理越来越多信息整理工作的时代，理解交通系统因果机制的专业人才将更稀缺更珍贵。"会用仿真工具"不够，"理解为什么这样建模"才是核心竞争力。

关注融合框架的发展。仿真嵌入式推理代表了AI与交通仿真融合的一个有前景的方向。关注MCP标准的演进、关注LLM与仿真工具的多层级API设计，是把握趋势的关键。API设计得好，Prompt就轻松；API设计不好，Prompt就得补位。这个原则适用于所有垂直领域的AI融合。

结语

2850亿美元的市值蒸发令人震惊。但历史反复表明，市场对技术的即时反应往往过度。DeepSeek冲击后英伟达的反弹是最近的例证。

通用AI加行业插件确实在重新定义SaaS的竞争格局，但这种重新定义是分层的、差异化的，而非一刀切的替代。护城河的本质不是单一的数据壁垒，而是数据、工作流嵌入、合规认证、物理因果模型和生态系统的多层复合体。大模型进入垂直领域的障碍也是多维的，这些维度涵盖了认知架构的根本限制、可信赖性的鸿沟、制度性信任的缺失、以及隐性知识的不可训练性。

对信息层SaaS，压力真实而紧迫。对交通仿真这样嵌入了物理因果模型的深度垂直软件，AI带来的更多是机遇。通过AI前端扩大用户群、通过仿真嵌入式推理提升决策质量的机遇。

行业需要让面向交通的大语言模型推理从"说得通"变成"验得过"，从黑盒变成可解释。在交通领域，这意味着LLM和仿真器的深度融合，而非LLM对仿真器的取代。

恐慌过后，真正值得关注的，是哪些公司在拥抱变化，哪些行业在重新划定自己的护城河，以及AI和专业仿真软件如何各取所长，共同构建更智能的决策系统。

参考资料

1. CNN Business, "Anthropic's new AI tool sends shudders through software stocks", 2026.2.4

2. 辛武平, "仿真即思考------交通大模型的仿真嵌入式推理", AIAT2025, 2025.12

3. The Register, "Rise of AI means companies could pass on SaaS", 2026.2.4

4. VC Cafe, "Vertical AI in 2026: The Good, The Bad, and The Ugly", 2026.1

5. Bessemer Venture Partners, "Vertical AI Playbook", 2026

6. Bosch, "Will AI replace classical component simulation?", 2024

7. Morgan Stanley Research / Barclays Research, 分析师报告, 2026.2

8. Cummulative, "Will AI kill SaaS? The case for and against disruption", 2026.2

9. Bloomberg, "Anthropic AI Tool Sparks Selloff From Software to Broader Market", 2026.2.4

10. Reuters, "Selloff wipes out nearly $1 trillion from software and services stocks as investors debate AI's existential threat", 2026.2.5

11. CNBC, "Software experiencing 'most exciting moment' as AI fears hammer the stocks", 2026.2.5

12. Axios, "AI software scramble: Anthropic triggers stock market slide", 2026.2.4

13. Invezz / TradingView, "Why Anthropic's new Claude plugins sparked global selloff in software stocks", 2026.2.5

14. Business Standard (India), "Tech stocks sink as Anthropic AI triggers global selloff; Nifty IT skids 6%", 2026.2.4

15. Sherwood News, "Claude Cowork's plug-ins the newest reason for software stocks to crater", 2026.2.4

16. AI Business, "Panic Rises in Legal Industry Due to Anthropic's AI Plugins", 2026.2.5