本文为张小珺对话Freda Duan的播客整理。

张小珺：资深财经记者，独立播客《张小珺Jùn｜商业访谈录》制作人。

Freda：Altimeter Capital的合伙人，在湾区做投资。Altimeter是横跨一二级的硅谷科技基金。

Token只是阶段性产物

• AI时代的计量单位是“元/token”，类比工业时代的"千瓦时"。但token本质是极易误导的单位，因为完成同一个任务，不同模型消耗的token能差几十倍甚至上百倍。
  差距来自三处：输出冗余度（同一个任务，好模型一两百行精炼代码，弱模型几千行啰嗦代码）、中间推理过程的token消耗差异巨大、agent的使用进一步放大了token消耗。

• AI总投入=用户数×单用户任务量×单任务Token消耗×单位Token成本。
  前两项将随用户破圈实现大幅增长。
  后面两项要素会得到改善：单任务Token消耗将随高效模型普及持续优化，单位Token成本将通过缓存优化、场景结构调整等方式进一步下探。

• Token不是越多越好，用token消耗量作为项目判断依据是阶段性产物——就像工业时代不会炫耀一盏灯耗电多，反而去买更贵的LED。最终行业会从按 token 收费转向按效果付费。

• 头部企业 AI 开支现状：当前头部企业 AI 开支约占 EBITDA 的 1%-2%，整体处于可控区间，远低于市场此前的普遍悲观预期。

头部模型公司的竞争格局与壁垒

• 递归改进拐点与领先壁垒
• 过往模型行业领先优势每几个月轮换的规律已被打破，Coding agent成熟触发递归自我改进循环（RSI），领先者的迭代速度将持续拉开差距。
• 拐点的时间节点：2025年1月前后 Coding agent对工程师的全要素生产率提升突破20%，模型迭代周期从大几个月缩短至1个月，是拐点出现的核心标志。
• 当前行业类似汽车刚实现稳定量产的阶段，未掌握递归改进能力的玩家将彻底失去追赶的可能性，差距将呈指数级拉大。
• 头部玩家的竞争逻辑
• 模型层不是SaaS：SaaS按人头订阅量宜，客户倾向只用一家；模型层按用量付费的商业模式将鼓励企业用户同时采购多家服务、随时切换比价，不存在单一供应商锁定。OpenAI和Anthropic不是传统意义上的竞争关系。
• 市场系统性低估了模型收入上限
• 市场系统性低估了单吉瓦算力对应的模型收入上限，当前已验证单吉瓦对应百亿级收入，现在证明被远远低估——推理和训练成本各自都能对应单吉瓦对应百亿级收入，且能标得更高。未来仍无明确上限，头部模型公司收入空间远超预期。
• 两年前投资人估算Coding市场规模用"价格×开发者人数"，算出来也就百亿美元的世界规模。但Coding的真实 TAM（总潜在市场）是白领的时间。任何能被计算机操作的事都是Coding的潜在市场，市场空间从编程人员拓展到全白领市场，这样算下来潜在市场规模拓展到了三十到四十万亿美元。

AI对软件行业的冲击与新机会

• 传统软件行业的受冲击逻辑
• 传统To B软件公司一直走对公销售模式，销售营销占收入40%–50%。

  但Anthropic作为 80%收入来自企业的 To B 公司，仅有3000名员工。其人均收入达到千万级，远高于传统软件公司 50 万美金的人均收入水平。
  用户真的对智能需求无限，可能过去过于强调销售的重要性了。
  
• 软件脆弱度看两点：UI占比和数据结构化程度。
  核心价值只是精美UI的最先死，Excel这种每个单元格语义功能多样化的最难被直接替代。
• 嵌入工作流程，且需要多人协作的软件不易被替代。
  Office套件不会立刻消失：AI生成网页版PPT很快，但一旦涉及二次修改，还是在PowerPoint里直接拖拽更精准。Office像流水线，只要链条上有一个人要手动改，这套工具就还有存在价值。

• 软件行业的新机会方向
• 核心机会赛道：记录企业决策过程中未被结构化存储的非结构化信息，包括决策理由、人员博弈、利益相关方顾虑等此前无法被系统记录的内容。
• Agent原生的架构重构：现有软件架构基于人类使用习惯设计，无法适配 agent对长连接、高并发、低延迟的需求，全栈软件需围绕agent需求重新设计底层逻辑。
• Agent基础设施机会：现有Gmail、手机号等基础设施的调用限制无法满足agent需求，面向agent的邮件、手机号、浏览器、身份、支付等基础设施将迎来全面替换机会。

AI时代的组织架构与经济扩散

• 经济扩散速度

• 模型能力进步曲线陡峭，但被企业吸收落地可能落后几年甚至十几年。研究组织架构本质是在判断经济扩散速度(economic diffusion)：AI何时变成收入、社会生产力何时提升。
• 历史先例
  电发明后从电灯到生产力提升用了40年——最初基础设施没有改变，工厂只是把蒸汽机换成电机塞进同样垂直布局的位置，效率提升有限。直到流水线形成生产率才上去。
  计算机80年代已在办公室银行使用，但直到 90 年代中后期沃尔玛、亚马逊围绕计算机重新设计业务系统才真正大幅提高了生产效率
• 今天的AI落地相当于"把电机塞进蒸汽机位置"的阶段。一定要有配套的基础设施才能最大发挥AI的效力。

• AI时代的组织架构

• 公司层级本质是信息传递机制：组织变大后没人能看到全貌，需要层层收集信号、提炼、向下传递。开会、同步、季度对齐等都是信息搬运，因为人和人传输成本高。
• 科技公司产品流程（PM写PRD→设计可视化 →研发开发 → QA →市场验证）充满翻译成本，每个环节是瓶颈接力。AI 进来后瓶颈逐个暴露：开发快了后QA环节就变成新瓶颈，当QA环节提效后PM设计又成最花时间处，就像打地鼠一样，整个产品流程都需重新设计。
• 重新设计后的形态会更像3–5人小分队：中层会被压缩、企业可追踪信息量会暴增，大部分问题在团队内部决策，只有重大问题向上汇报。