ARTICLE · 997213
a16z:AI模型、软件及消费级应用现状202608
a16z:AI模型、软件及消费级应用现状202608【核心要点】 1/AI模型及软件市场格局 •AI产业发展重心正在从模型层竞争向上层应用转移，未来将围绕如何将基础智能能力转化为实际可用的产品展开发展。 •大模型市场呈现多赢格局，已从双雄竞争变为三强争霸，Anthropic、OpenAI等头部厂商均保持高速增长，同时各厂商正在向不同方向专业化发展，并未出现互相挤压的情况。 •产业供需呈现需求近乎无限、供给高度受限的特征，即便是非尖端的B200 GPU，每小时使用价格仍在上涨，打破了硬件产品通常通缩的规律。 •大模型不会走向商品化，不同模型存在明显的比较优势： –领域方向差异：OpenAI的新GPT模型和ChatGPT桌面应用非常适合知识工作场景，Claude Code则从界面到功能都围绕软件工程场景设计。 –特性差异：类似大五人格特质，模型无法同时具备高开放性和高严谨性，如GLM 5-2、GLM 5-3非常严谨，只会严格执行指令，不额外生成内容；Kimi K3则更开放、更具创造性，适合不同的使用场景。 •大模型厂商的纵向整合方向是向下布局推理和计算环节，而非向上进入应用层：推理工作负载同质化程度高，容易形成规模效应；应用层则存在大量客户定制化需求，在定价、包装、商业化方面复杂度高，资本支出压力更大。 •SaaS市场在2026年2月曾出现大量标的价格下跌30%-40%，当前多数标的已回升40%，整体市场情况好于此前几个月的悲观预期，但部分存在大量股权支付、业绩失真的SaaS公司将面临“加速发展或淘汰”的局面。 2/AI对传统软件护城河的影响 –网络效应、规模效应、品牌效应等传统护城河不受低成本智能普及的影响，仍然是企业构建长期价值的核心。 –集成类护城河受到明显冲击：编码代理大幅降低了系统集成的复杂度，传统系统集成商的价值面临挑战，例如SAP系统版本迁移的难度和风险将显著降低。 3/企业级模型选型逻辑呈现分化 –产品、销售、工程、研发等创造阿尔法收益的岗位，适合使用前沿大模型，这类场景的收益上限无明确边界，即便模型只高出1个智商点，支付任何成本都具备经济合理性。 –法律、人力、财务等支撑类岗位，需求是结果准确，收益存在上限，适合使用开源权重模型结合强化学习实现最优成本效率。 4/开源权重模型的核心优势 •支持本地化部署、训练和微调，企业可以基于自身业务的推理数据对模型进行专项优化，形成在特定领域的 compounding 优势，虽然会损失通用性，但在法律、客户服务等专业场景适配性更强。 •企业AI自动化的落地路径是构建业务闭环：从给模型发指令，到将模型嵌入业务流程形成自动化循环，当前已成熟的场景包括代码修复（从漏洞上报、重现、生成修复方案、验证到低风险变更自动上线全流程），未来可扩展至价格优化、采购等通用业务环节，甚至为企业提供跨部门的业务决策建议。 5/AI应用层市场机会 •AI应用层的核心价值是将智能基础能力转化为具体场景的经济成果，类似Salesforce将AWS的云能力转化为CRM产品，例如Harvey将大模型能力转化为法律行业的可用产品，不同行业客户对产品的需求差异极大，为应用层厂商提供了充足的差异化机会（如信用社的核心需求不是裁员，而是在保持经济效率的前提下扩大人员规模）。 •多模型聚合类应用具备独特价值，类似Expedia整合航司库存，应用层厂商可以整合不同厂商、不同特性的模型，提供超过单一模型的价值： –编码场景：用前沿大模型做规划，用能力稍弱的模型做执行。 –创意工具场景：整合不同模态的专业模型，如11 labs的语音、音乐生成能力，Black Forest的视频和创意生成能力。 –研究决策场景：不同模型的训练数据集通常不重叠，通过同时调用多个模型对比结果，可以获取更全面的信息。 •应用层厂商相对大模型厂商的竞争优势：大模型厂商受自身业务结构和激励机制限制，只能提供自研模型，应用层厂商则可以为客户提供各场景最优的模型组合。 6/消费级AI市场 •消费级AI此前发展受阻的核心因素： –成本问题：AI软件存在较高的边际使用成本，过往单用户获客后的计算成本可达250美元，难以推出免费的大众市场产品，当前开源权重模型大幅降低了成本，该问题正在缓解。 –缺乏AI原生分发渠道：没有类似移动互联网时代的统一应用商店，消费级AI的产品周期更接近Web2.0时代，需要厂商在做产品的同时自行搭建分发渠道。 –产品易用性不足：当前消费级AI仍处于类似DOS的命令行时代，需要更友好的交互界面（类似Windows的角色）降低用户使用门槛。 •当前消费级AI的落地亮点： –个人代理产品开始走向大众：Grok bot已具备自主购物能力，用户上传现有牛仔裤照片、设置500美元预算，代理可自主完成选品、下单全流程；Town等个人代理产品可接入用户邮箱，自动整理邮件、处理订阅、优化消费，随着使用时间积累，通过用户数据记忆形成更高的用户粘性和定价权。 –编码代理降低了创业门槛：非程序员群体可通过编码代理开发年营收10万美元甚至100万美元的SaaS产品，催生了大量中小独立软件创业机会。 •消费级AI的判断标准：无法通过销售团队获客（通常对应年合同额低于1.5万美元）、需要通过营销获客的客户均属于消费级客户，包括大量小微企业主。 •消费级AI的未来方向： –娱乐类应用将成为重要赛道，当前亚洲的短剧等内容已经开始大量使用生成式AI辅助创作，未来将出现大量AI原生娱乐公司。 –个人生活闭环应用：围绕家庭、社交、财务、健康等个人生活场景形成自动化循环，最终实现大众生活质量的大幅提升，80%的技术红利将流向大众市场。 •个人代理的市场格局预测：不会出现单一的垄断平台，不同场景对代理的能力要求差异极大（如财务规划和派对策划的需求完全不同），未来会是多个专业代理相互协同的模式。 •消费级AI创业正处于 Renaissance 阶段： –用户付费意愿极高，不同于过往移动互联网时代99美分的定价，当前用户愿意为消费级AI产品支付每月200美元甚至更高的费用。 –大公司存在内容监管限制，创业公司在情感陪伴、个性化内容等监管敏感领域具备独特优势。 7/AI创业与投资重心 •投资偏好： –多数投资标的需要有产品落地信号，纯概念项目基本不投，仅对非常有经验的优秀团队会少量投资预启动项目。消费级AI是当前投资的重点方向，市场竞争重心正从模型层向应用层转移。 •AI应用公司的财务特征：毛利率比传统软件公司更低是合理现象，可以通过牺牲部分毛利率扩大产品覆盖范围，当前用户的付费意愿远高于过往，甚至可以支撑每月2000美元的“奢侈软件”产品，单位经济模型的评估需要更灵活。 •AI创业公司的创始人特征：MBA背景的创始人减少，研究员背景的技术型创始人占比提升，这类创始人商业经验相对不足，但技术能力更强，且对技术可能性的认知没有旧经验束缚，更敢尝试创新方向。 •创业融资逻辑变化：过往限制种子轮融资金额是为了倒逼团队聚焦，当前更多的资金可以支持团队在产品和模型上做更多优化，只要使用得当，可以创造出和小额融资完全不同的产品价值，最优种子轮融资规模没有固定标准。 •面向中小微企业的AI产品获客策略： –传统触达中小微企业的渠道仍然有效，同时当前在现有社交平台上搭建新的分发渠道难度提升，需要更重视产品的口碑传播效应。 –新成立的中小微企业是高潜力客户群体，当前新企业创立数量处于除疫情峰值外的历史最高位，大量原本会成为内容创作者的年轻人正在转向创建SaaS类企业。
【Q&A】 Q：您认为当前的AI头部企业中，是否会在三年后出现明确的单一赢家？ A: 我认为AI模型赛道未来会是多个赢家共存的局面，不会出现单一垄断的赢家。从近期的行业变化来看，两周内模型赛道就从原本的两家头部竞争变为三家鼎立的格局；2026年全年来看，行业格局也在持续变化，此前Anthropic占据明显优势，最近三个月OpenAI推出的新模型表现突出，Claude Artifacts功能和ChatGPT桌面端产品完成度也很高，各头部模型厂商正在向不同的方向发展差异化优势，且尽管相互之间存在竞争，各家都在保持高速增长，同时开源权重模型也在持续发展，进一步丰富了市场供给，因此行业最终会是多家企业共同领跑的格局。 Q：当前AI行业的供需格局整体呈现什么样的特征？有哪些相关的市场指标可以佐证？ A: 当前AI行业呈现需求近乎无限、供给高度受限的特征，相关佐证指标为非尖端GPU B200的单位使用价格正在上涨，而通常这类硬件具备高通缩属性，价格上涨的反常表现充分验证了供需紧张的格局。 Q： AI技术发展下，SaaS行业的整体现状和未来趋势是什么？ A: 2026年2月多只SaaS个股出现30%-40%的回调，当时属于市场超卖，截至2026年8月多数相关个股已经反弹40%。当前企业的软件支出占总支出的比例仅为8%-12%，占比并不高；AI编码代理暂时无法达到多数企业级软件要求的精度，比如 payroll、CRM这类对合规、准确性要求高的场景，AI应用的潜在收益有限但出错成本无上限。现在潮水退去后，大量此前靠股份支付等手段扭曲经营数据的SaaS公司问题已经暴露，面临“不增长即淘汰”的局面。整体来看SaaS行业的情况比几个月前市场的悲观预期要好，但仍有部分生存问题需要解决。 Q： AI技术的发展会对企业传统的护城河造成哪些影响？ A: 大部分传统护城河并不会受低成本智能普及的影响，网络效应、渠道端的规模效应、品牌效应这类护城河的价值和此前一样稳固，仍是企业创造长期复利价值的核心。仅有少数护城河会受到冲击，其中最典型的是集成类护城河，比如SAP系统的集成复杂度原本是其核心壁垒，迁移版本风险极高，但AI编码代理可以大幅降低集成工作的难度，这对系统集成商的价值定位带来了一定的生存挑战。 Q：企业不同职能场景对大模型的选型逻辑分别是什么？ A: 企业的职能可以分为两类，对应不同的选型逻辑：1. 产品、销售、工程、研发这类可以创造超额收益的职能，潜在收益无上限，因此适合选择前沿大模型，哪怕模型能力仅高出一点，投入对应的成本也具备经济合理性；2. 法律、HR、财务这类支撑类职能，这类工作的收益存在明确上限，核心要求是准确性，因此适合选择结合强化学习的开源权重模型，实现最优的成本效率。 Q：开源大模型的核心优势是什么？适合哪些应用场景？ A: 开源大模型的核心优势包括三点：1. 支持本地化部署、训练和微调，企业可以基于自身业务数据和推理轨迹进行专项优化，形成自身业务领域内的复利优势，效果可以超过通用大模型，适合法律、客户支持这类垂直专业场景；2. 不同的开源模型具备差异化的能力特质，比如GLM 5-2、GLM 5-3这类模型严谨、严格遵循指令，适合高准确性要求的场景；部分模型更开放、创造力更强，适合创意类场景，可以匹配企业的多元需求。开源模型的 tradeoff 是专项微调后会丧失通用性，在自身优化的领域外表现会有所下降，但对垂直场景的应用来说不构成负面影响。 Q：大模型厂商当前的纵向整合方向是什么？为什么选择这个方向？ A: 大模型厂商并没有向上整合进入应用层，反而向下整合推理和算力环节。主要原因是推理环节的workload 同质化程度极高，厂商可以在该环节实现极大的规模效应；而应用层存在大量差异化需求，定价、包装、产品化、客户采购习惯都需要针对性调整，属于重运营的业务，进入门槛和难度远高于推理和算力环节。 Q：大模型是否已经出现 commoditization（商品化）的趋势？有哪些依据？ A: 大模型并没有出现商品化趋势，核心依据包括两点：1. 大模型已经出现明显的领域级分化，比如OpenAI的新GPT系列模型在知识工作场景表现突出，配套的产品容器也适配文档、表格、演示文稿等知识工作需求；Claude Code则面向软件工程场景优化，从终端UI的设计到代码规划、代码测试的专项能力都更适配工程师需求，二者为了各自的场景适配做了大量取舍，不存在通用的最优模型；2. 大模型的能力特质存在差异，类似“大五人格”的特质分化，严谨性高的模型适合会计类场景，开放性高的模型适合设计类场景，特质上的互斥性决定了企业需要同时使用多种模型。 Q： AI应用层的核心价值是什么？为什么模型聚合类应用具备发展空间？ A: AI应用层的核心价值是实现多模型的聚合，创造“1+1>2”的价值，模型聚合的优势体现在三类场景：1.编程场景：可以用前沿大模型做规划，用能力稍弱的模型做执行，兼顾效果和成本；2. 创意工具场景：可以聚合不同模态的专用模型，比如语音音乐领域的11 Labs、视频创意领域的Black Forest，统一输出给用户；3. 研究决策场景：不同大模型的训练数据集往往没有重叠，同时调用多个模型对同一问题输出结果，可以获得更全面的信息，辅助决策收敛。大模型厂商受自身 incentive 和结构限制，仅能提供自有模型，而应用层的聚合类产品可以整合最优的大模型能力，这是应用层的独特竞争优势。 Q： AI应用层的核心价值与发展逻辑是什么？ A: AI应用层的核心逻辑是将智能作为基础资源，类似云服务作为基础资源的定位，其核心价值是把基础的智能能力转化为能为不同细分行业、客户群体创造经济收益的具体产品。比如Salesforce就是将AWS的云基础资源转化为CRM软件，为客户创造价值；AI应用层也遵循相同路径，比如需要有对应产品将基础智能能力转化为法律行业的实用工具，为法律行业创造收益。不同细分领域的需求差异极大，比如信用合作社这类客户的诉求非常特殊，多数信用合作社的目标不是裁员一半，而是在保持企业经济效益良好的前提下实现人员规模翻倍，AI应用层的机会就是针对这类细分场景的特定需求交付定制化的解决方案。 Q： AI驱动企业自动化的演进路径是怎样的？ A: AI的应用演进路径是从提示词调用模型，发展到将模型嵌入业务流程形成循环，即常说的智能体，本质是带工具、记忆及其他相关能力的循环调用模型。目前最典型的应用是代码领域的自动化循环：企业收到上报的漏洞后，模型可以自主完成漏洞复现、修复方案生成、验证的流程，如果是低风险修复可以直接集成上线并通知客户，高风险变更则推送给人工审核，目前企业收到的所有上报漏洞都可以通过这套代码循环实现自主修复。这套模式还可以复制到其他业务场景，价格优化、采购都是非常适合通过这类模型实现全自动化的自然业务流程。更前沿的是业务层面的大循环，模型可以提出跨业务的调整建议，比如判断企业需要在蒂华纳开设分支机构，虽然这类决策无法由模型自主执行，但模型已经可以为全业务层面的调整提供建议，这就是AI实现企业自动化的核心路径。 Q：当前C端AI应用发展的阻碍因素有哪些？ A: 目前制约C端AI应用发展的核心因素有三点：第一是成本问题，C端用户普遍没有为软件付费的习惯，但AI软件的分发和用户交互存在边际成本，部分场景下边际成本极高，比如有开发者做的浏览X（原Twitter）时间线的应用，新用户 onboard 成本高达250美元，哪怕用户获取成本为0，也很难推出面向大众市场的免费产品，不过现在开源权重模型的出现正在显著降低成本、提升性能，这一情况正在改变。第二是缺乏AI原生的分发渠道，目前没有专门的AI应用商店，C端AI产品的产品周期更接近Web2.0时代，需要和产品同步搭建分发渠道，而不是像移动互联网时代有统一的应用商店作为全生态的分发中心。第三是产品交互体验仍不成熟，当前AI的发展阶段类似计算机的DOS时代，要让消费者完全接受AI的能力，需要出现类似Windows的交互界面，目前在产品和设计工艺层面还有大量工作要做，才能让消费者清楚如何使用这些AI的新功能。 Q：编码类AI工具对C端创业生态有什么影响？ A: 编码类AI工具极大降低了软件创业的门槛，过去原生互联网创业者如果不是程序员，只能通过做YouTube创作者这类内容创作的方式在互联网创业，现在借助编码智能体，非程序员也可以开发出年营收10万美元甚至100万美元的软件产品。这类项目虽然通常达不到风险投资的标准，但催生了大量家庭式SaaS创业机会，对整体创业生态的发展有非常积极的作用。 Q：如何界定C端AI用户和B端AI用户的边界？ A: 划分C端和B端用户的核心标准是客户获取方式：如果产品无法通过销售团队获客，通常对应的是年合同金额（ACV）低于1.5万美元的客户，这类客户需要通过营销方式获客，在投资框架中就会被归类为C端用户，多数小微企业主都属于这一范畴，比如使用Grokbot重构全业务流程的水管工，就属于C端用户，这类用户会先以个人消费者的身份使用产品，后续再向企业级场景延伸，是典型的产品驱动增长（PLG）路径。 Q： C端AI应用的核心赛道机会有哪些？ A: C端AI应用目前有两个明确的大方向：一是娱乐赛道，未来会出现大量AI原生的娱乐公司，比如Character.AI就属于娱乐类产品，目前亚洲流行的短剧赛道很多已经使用生成式AI制作或辅助制作，这类内容潮流正在向其他区域渗透，娱乐赛道的市场空间非常大，因为多数C端用户的核心需求是消耗时间而非节省时间，对生产力类工具的兴趣相对较低。二是个人生活场景的自动化循环，目前健康和金融是OpenAI重点布局的领域，也有大量初创公司在布局购物场景，这些围绕家庭、社交、财富、健康等个人生活场景的AI应用，会显著提升消费者的生活质量，参照过往科技产品周期的规律，这类技术带来的价值最终会有80%流向大众市场。 Q：个人AI助手类产品的核心竞争优势是什么？ A: 个人AI助手的核心竞争优势是基于长期用户数据积累形成的记忆壁垒，产品的价值会随着使用时长持续提升，类似新员工和资深员工的差异：新员工可能能力很强、薪资要求更低，但资深员工对组织和用户的需求更了解，能做出更准确的判断。个人AI助手第一天使用时对用户的了解很少，经过30天的数据积累，吸收了用户的使用场景、偏好等上下文信息和技能后，就可以为用户做出非常准确的决策判断。这种价值的持续提升会体现为更高的用户留存率，以及单用户层面的定价权。比如个人生产力工具Town，接入用户的个人邮箱后，可以自主筛选重要邮件、清理订阅邮件、优化日常流程，甚至可以自主优化运行逻辑，告知用户如何调整使用方式节省使用额度，随着使用深度的增加，用户的付费意愿也会持续提升。 Q：未来个人AI助手的市场格局会是单一平台主导还是多助手协同？ A: 未来个人AI助手更可能是多助手协同的格局，而非单一平台主导。不同场景下用户对AI助手的能力要求差异极大，比如用户需要的CFA（注册金融分析师）助手和派对策划助手的能力特性完全不同，个人场景的需求覆盖范围极广，单一产品很难满足所有需求。不同的AI助手之间可以共享部分通用上下文，Grokbot的产品形态已经验证了这一模式，多个面向不同细分场景的bot可以相互协同，为用户提供全局最优的服务结果。 Q：如果应用层能获取经济收益，如何看待大模型公司的竞争？大模型公司是否会允许下游实现价值创造，应用层公司能否与前沿实验室在对应市场竞争？ A: 应用层公司有能力与前沿实验室竞争。首先，产品、定价、打包的复杂度以及终端客户的购买需求差异被低估，不同客户对AI能力的需求具有高度异质性，比如青少年和信用合作社的营销主管对AI的使用需求完全不同。对大模型实验室而言，向上拓展应用层的合理性远低于向下拓展推理领域。此外，当前AI模型市场已经告别了2023年“一个模型统治市场”的阶段，帕累托前沿的各个环节都有多种选择，大模型实验室很难再完全攫取应用层的全部毛利率。 Q：机构是否会投资目前还没有收入的项目，在行业快速发展的背景下投资这类项目难度是否很高？ A: 机构尽量不投资没有收入的项目，也很少在这类投资策略上投入精力。目前投资组合中的大部分项目都已经显现出了可行性信号，现在项目展示阶段如果没有可运行的成品基本就不符合准入要求，因为当前搭建产品的门槛已经很低，机构接触的几乎所有项目都已经显现出一定的爆发迹象。机构的投资逻辑相对简单：当产品有了统计意义上显著的验证信号后，会评估以当前价格投资对应的隐含风险是否符合预期，这是投资工作的主要内容。仅针对能力极强、经验丰富的创业者，机构会投入少量资金类似购买期权，投资这类预启动阶段的项目并不是机构的主要业务。 Q：大模型层的格局已经基本确定（不排除未来有新的算法突破），是否认为竞争格局正在向应用层倾斜，消费类AI是否正在迎来价值回归？ A: 完全认同竞争格局正在向应用层倾斜，当前消费类AI创业者正迎来文艺复兴。首先，当前AI大模型已经具备情感和人际交互能力，过去40年的技术都在提升智力和生产力，而当前AI首次能够触达人类的情感需求，打开了全新的技术应用领域，市场空间非常广阔。其次，大模型实验室和大型科技公司的企业文化和机制无法覆盖部分细分产品领域，比如可能包含不同观点、性暗示内容的陪伴类产品，大型公司有上千个合规委员会会阻止这类产品上线，而创业公司在这类领域具备独特的竞争优势。此外，当前消费者对新的AI软件接受度很高，不仅愿意主动下载，也愿意为产品付费，当前的用户状态类似2009年iPhone刚发布时的市场阶段，和过去仅愿意为应用支付0.99美元不同，现在用户愿意为AI应用每月支付最高200美元，对消费类创业者而言是非常好的发展窗口。 Q：如何看待AI应用公司的新经济模型？目前市场讨论AI应用公司的单位经济模型压力较大，比如毛利率更低、算力获取难度大、资本是当前重要的护城河，竞争难度高，机构如何评估这类公司的投资回报？ A: AI应用公司的毛利率问题比传统软件行业更复杂，很多情况下主动降低毛利率来拓宽产品覆盖范围是合理的商业选择。当前产品周期最积极的信号是用户的支付意愿极强，过去消费类软件的月度付费天花板是20美元，现在可以探索每月200美元甚至2000美元的付费产品层级，市场会出现“软件中的爱马仕”这类奢侈品级别的软件产品，且已经看到用户对这类产品的支付意愿。整体来看虽然当前仍处于战略迷雾期，但用户的付费意愿和产品供给意愿都处于历史最高水平，机构会持续评估相关的商业模式问题。 Q：现在开发AI应用的创业者是什么类型？是偏技术背景、研究人员出身，还是产品经理背景，目前AI应用创业早期阶段的创业者画像是什么样的？ A: 现在AI应用的创业者中MBA背景的更少，研究人员背景的更多，这类创业者各有优劣：商业成熟度相对更低，但技术成熟度显著更高，而技术能力是所有业务发展的上游基础，商业能力可以后天培养学习，但技术能力通常很难短期补足。当前更多是技术背景更强的年轻创业者，他们没有固有认知的限制，能做出非常创新的产品；而资深创业者往往对技术的了解不够深入，想法容易受过去的行业天花板认知限制，很难适配新的产品周期，年轻创业者的最大优势是相信所有事都有实现的可能。当前行业的风险已经从过去的“想法太宏大不落地”转变为“想法太小没有想象空间”，这也和创业者画像的变化直接相关。 Q：过去的行业共识是给创业者太多资金会毁掉公司，因为创业者想法太多但没有足够的能力落地，现在AI时代这一情况是否有变化？ A: 给太多资金会毁掉公司 Q：如何看面向中小企业的AI创业公司的 go to market（入市）策略？AI时代下这类策略是否发生了变化？ A: 对于存量中小企业客户，触达渠道和历史上的传统渠道没有区别。AI时代的营销变化是，现有内容平台（Instagram、TikTok、X）对新的外部引流行为管控很严格，很难依托现有平台搭建新的分销渠道，因此创业者需要打造能形成原生口碑传播的产品，当前创业公司对口碑传播的重视程度明显提升。除了存量中小企业，当前最值得关注的市场是新成立的中小企业，这类企业的数量已经达到除新冠疫情峰值外的历史最高水平，这类新创业者和传统的中小商家（比如55岁的水管工）不同，很多是25岁的年轻人，他们过去可能是YouTube创作者，现在会为自己的社区、城市、学校等群体开发SaaS产品，是全新的客户群体。【免责声明】本功能产生的会议要点内容基于人工智能算法生成，内容仅供参考。本平台对内容合法性、真实性、准确性不承担责任，生成内容不对任何机构、任何人形成投资建议。如有异议可与