证伪吞噬,“工具软件第二曲线”的早期证据出现?

此前黄仁勋驳斥软件吞噬轮的核心看法在于AI agent普及以后会导致底层的很多软件调用大幅度提升，而不是替代，这种使用反而导致基础软件的地位更加基础化。

最近在看财报的过程中，发现很多暴跌且已经被市场判了死刑的公司，类似Figma，Factset，汤森路透TRI，标普SPGI等，本季度的财务状态都好于预期，AI API调用、MCP的应用大幅度增加。

以Figma为例，MCP server 让 agents 可读写 Figma 文件，把 Figma 从静态设计工具变成 AI agent workflow 的上下文层。所以这个季度工具类的MCP各个公司都很好，AI agents商量导致工具类应用被调用的使用量反而大幅度提升了，杰文斯悖论开始体现了？

这是“工具软件第二曲线”的早期证据。

AI agents 并不必然减少工具软件使用量，反而可能把高质量工具变成 agent workflow 的上下文层、动作层、审计层，从而放大调用量。

MCP 的本质不是一个普通 API，而是把工具从“人类点击的 UI”迁移成“agent 可读、可写、可执行、可追溯的工作环境”。Anthropic 对 MCP 的定义就是让开发者在数据源和 AI 工具之间建立安全的双向连接；Figma 的 MCP 则进一步让 agents 读取 Figma 文件里的 components、variables、layout data，并具备 create/update Figma designs 的写入能力。Figma 也明确说，这最终会形成 code ↔ canvas 的连续 workflow，并且 write-to-canvas 目前 beta 免费、未来会成为 usage-based paid feature。

所以AI agent 不是 SaaS 的终结者，而是把少数高质量 SaaS / 数据工具升级为“agent-native production substrate”。

1. 为什么这是 Jevons 悖论，而不是普通 SaaS 增长？

Jevons 悖论的逻辑是：效率提高 → 单次使用成本下降 → 使用场景和总使用量反而上升。在 AI 工具链里，它不是“每个分析师少点几次按钮”，而是：

过去	Agent 时代
人打开工具，手动查一次	agent 自动查 20 次、交叉验证、生成报告
人只看最关键 dashboard	agent 持续监控、异常触发、自动复盘
工具是 destination app	工具变成 callable context / action layer
收入来自 seat / terminal	收入来自 seat + API + usage + workflow embedding
使用瓶颈是人类注意力	使用瓶颈变成权限、数据质量、上下文长度、治理

这个变化的核心不是“AI 提高生产率”，而是AI 降低了提问、查询、验证、生成、监控、回写的边际成本。边际成本下降后，企业不会只做原来的 100 个任务，而是会把原来因为人力成本太高而不做的 1,000 个任务也跑起来。

可以抽象成：Tool Usage = Human UI Usage+ Agent Calls × Context Depth × Verification Loops × Governance Multiplier。

这里真正爆发的是后半段。

2. Figma：从设计文件，迁移为“产品开发上下文层”

Figma 的 MCP 是非常典型的状态迁移案例。过去 Figma 的核心对象是：design file / canvas / collaboration UI。现在逐渐变成：agent-readable product context + agent-writable design state + design-system source of truth。

Figma 官方文档写得很清楚：agents 可以从 Figma files 读取 components、variables、layout data 等结构化设计细节，也可以通过新写入能力创建和更新 Figma designs，使用现有 design system 生成 components、variables 和 full screens。

这意味着 Figma 不再只是“设计师协作工具”，而是进入了四个新角色：

设计上下文数据库：agent 编码时不再靠截图猜 UI，而是读取 design primitives。
产品意图存储层：design system、components、variables、flow 都变成 agent 可理解的约束。
code-to-canvas / canvas-to-code 中转层：代码生成后可以回到 Figma 形成可编辑设计层。
组织级设计治理层：agent 生成的界面必须遵守企业已有 design system。

这就是说Figma 从静态设计工具变成 AI agent workflow 的上下文层。如果 Figma 能把 agent read/write 变成 usage-based monetization，它的收入对象会从“设计师 seat”扩展到“工程 agent / PM agent / design QA agent / codegen workflow”。这比传统设计工具的 TAM 大一层。

3. Datadog：最清晰的 Jevons 证据

Datadog 这一季是最硬的样本。Datadog Q1 2026 revenue +32% YoY 到 $1.006B，$100K+ ARR 客户约 4,550 个，并宣布 MCP Server、Bits AI Security Agent、GPU Monitoring 等 GA。更关键的是 earnings call 披露的 usage 指标：超过 6,500 个客户通过 AI integrations 发送数据，这部分客户只是客户数的约 20%，但代表约 80% ARR；SRE agent investigations 从 12 月到 3 月 more than doubled，LLM Observability spans QoQ nearly tripled，Datadog MCP server calls QoQ quadrupled。

这就是标准的 agentic Jevons：AI 应用更多→ telemetry 更多→ debugging / tracing / logs / spans 更多→ agent 反复查询生产环境→ observability 平台调用量上升→ DDOG usage-based revenue 受益。

Datadog 的关键优势在于它不是“AI summary 工具”，而是AI 生产系统的运行仪表盘。AI agents 越多，系统越复杂；系统越复杂，logs / traces / metrics / LLM observability / security signal 越多；这些不是可有可无的 dashboard，而是生产事故、成本、可靠性、合规的控制面。

所以 DDOG 在这个框架下不是普通 SaaS，而是：

AI-native workload 的 telemetry tax collector。

4. Moody’s / SPGI / FactSet

金融数据工具也在发生同一件事

穆迪Moody’s：高信任金融数据 + AI workflow

Moody’s Q1 2026 披露：MIS record revenue 约 $1.2B，rated issuance 超过 $2T，MA 继续增长，ARR +8%，管理层明确说 AI adoption 正在推动对 Moody’s “decision-grade connected intelligence”的需求。

Moody’s Research Assistant 的产品定位也很清楚：用于 entity screening、credit risk analysis、portfolio monitoring analytics，并用 AI navigate / scan / analyze 用户依赖的数据。Moody’s 还披露其 GenAI Research Assistant 可让用户访问多达 60% 更多 data and insights，并节省 up to 30% 的时间。

这里的 Jevons 机制是：

信用分析效率提高

→ 一个 analyst 可以覆盖更多 issuer / sector / portfolio

→ 更多 screening、monitoring、stress testing、early warning

→ proprietary data 与 scorecard methodology 被调用更多

AI 不是让 Moody’s 数据没价值，而是让 Moody’s 数据被调用得更频繁。尤其在 credit / risk / compliance 场景里，agent 不能随便 hallucinate，需要 grounded、auditable、permissioned data。这个场景天然利好 Moody’s 这种“高信任数据 + 分析方法论 + workflow embedding”的公司。

标普S&P Global：AI-ready data foundation + MCP infrastructure

SPGI Q1 2026 revenue $4.171B，+10% YoY；adjusted diluted EPS $4.97，+14% YoY；公司也在 release 中说客户在 volatile environment 中更急迫地使用其服务，并且 AI functionality adoption 正在加速。

S&P Global 现在对外讲的 AI 方向也非常 agent-native：它强调 institutional-grade financial intelligence delivered via LLM-ready APIs，并提到 secure connectors 与 MCP infrastructure，用来嵌入 enterprise AI environments。

这说明 SPGI 的对象也在变：

Capital IQ / Ratings / commodity data / index data

→ LLM-ready institutional data layer

→ enterprise agent grounding layer

如果未来 buy-side / sell-side / corporate finance agents 都需要“可追溯、可授权、可审计”的数据源，SPGI 的价值不是被 ChatGPT 抹平，而是可能成为金融 agent 的 grounding rail。

FactSet：从 terminal / seat 向 enterprise agreement + AI solution + MCP solution 迁移

FactSet Q2 FY2026 revenue +7.1% YoY 到 $611M，organic revenue +6.8%，公司称增长由 institutional buy-side 和 wealth management clients 驱动。

FactSet IR 也把自己定义为 trusted, connected financial data、advanced analytics 和 AI-powered solutions，并且这些能力 embedded in critical workflows。

更重要的是 earnings call 里有两个很关键的结构信号：管理层称 FactSet 的 connected data、embedded workflows、service、distribution 在 AI-intensive environment 中更有价值；另外，FactSet 提到 top 50 clients 中 48 家至少使用 3 个 AI solutions，并且一个大型 banking renewal 包含 Pitch Creator 和新的 MCP solution。

这说明 FactSet 不是简单被 AI 替代的 terminal，而是在努力迁移到：

financial workflow OS

+ enterprise data layer

+ AI/MCP callable solution

+ bank / wealth / buy-side workflow embedding

不过 FactSet 的风险也更明显：如果 AI 前端足够强，而 FactSet 的差异化数据/工作流控制不够强，那么它可能从高价 UI 供应商降级为数据 API 供应商，pricing power 会被压缩。因此 FactSet 要看两件事：enterprise agreement 续约质量和AI/MCP solution 是否带来净 ASV expansion，而不是只是防守性 bundling。

5. 真正受益的工具公司必须满足五个条件

不是所有 SaaS / 工具类公司都会受益。真正的 winner 要有五个门槛：

最危险的是这类公司：

low proprietary data
+ weak workflow lock-in
+ seat-based pricing
+ AI 可以直接替代 UI
+ 没有 usage monetization

它们会被 agent 抽象掉，变成“被调用但不赚钱”的底层工具，甚至被开源/LLM 原生功能替代。

6. 背后的四层真相

Object Truth：工具软件对象变了

过去对象是：Application / dashboard / terminal / design tool

现在对象变成：Agent-operable context layer+ permissioned data layer+ workflow execution layer+ audit / observability / governance layer。

这意味着市场不能再只用 seat count 看工具软件，要看agent-callable surface area。

Business Truth：AI 不只是降本，而是扩大 usage surface

最强业务信号不是“公司说用了 AI”，而是：

agent call volume ↑

API consumption ↑

AI cohort ARR ↑

workflow automation ↑

monitoring / verification loops ↑

enterprise contracts include AI/MCP modules

DDOG 的 MCP calls quadrupled QoQ、LLM Observability spans nearly tripled，是非常硬的 business truth。

Pricing Truth：市场从“AI 吞噬软件”修正到“AI 放大某些工具”

这季度工具类公司表现好，本质上是市场在修正一个过度简化的叙事：

前阵子的老叙事: AI吞噬一切，AI will replace software UI.

新叙事: AI will replace weak UI, but amplify trusted tools with data, context, observability, governance, and workflow actions.

软件内部会继续分化：可被 agent bypass 的工具是 donor；被 agent 调用并能 monetization 的工具是 receiver。

Agentic Tool Jevons Rail = AI agents 降低任务执行成本后，反而增加对高信任工具、数据源、上下文层、观测层、治理层的调用，使少数工具公司从 seat-based SaaS 迁移为 agent-native workflow infrastructure。

核心候选分层：

层级	受益逻辑
L1 Observability / Security / Runtime Control	AI workloads 越多，telemetry / security / debugging 越多
L2 Financial Data / Decision Intelligence	agents 需要 trusted grounding data
L3 Design / Product Context Layer	agents 读写产品上下文，设计系统成为 source of truth
L4 Workflow / ITSM / DevOps Actions	agents 自动执行 ticket、incident、deploy、rollback、approval
L5 Data Governance / Audit / Compliance	agent 决策需要权限、审计、溯源

未来两个季度最该追踪的硬指标，我会重点看这些，不看泛泛的“AI narrative”：

MCP / API call growth
AI cohort revenue
pricing model migration
workflow depth
gross margin / infrastructure cost
security / prompt injection / MCP governance

这个季度已经从 narrative 进入 observable evidence：

AI agents 降低工具使用门槛

→ 工具调用频次上升

→ 高质量工具从 UI 软件变成 agent context/action substrate

→ 使用量和数据量上升

→ 具备 usage pricing / proprietary data / workflow lock-in 的公司受益

Jevons 悖论不是自动利好所有工具软件。它只利好那些被 agent 调用后还能保留定价权、数据权、权限控制权和 workflow 控制权的工具。

所以这条 rail 的核心筛选标准不是“有没有 AI”，而是：Agent 调用越多，这个公司是被抽象掉，还是被调用得更多、收费更多、嵌入更深？

全文完。