a16z 终于把 AI 的投资逻辑说清楚了，真正值钱的，只剩这三条路
过去几年，AI领域不断上演着令人目眩的增长故事。模型能力指数级提升，软件公司从零到亿的速度惊人，而“软件吞噬世界”的叙事也让人们相信AI将重塑几乎所有行业。
AI应用是否创造了真实、可持续的商业价值？当技术红利趋缓，企业真正的护城河是什么？在软件可以快速复制的时代，哪些壁垒无法被轻易跨越？
今天，我们聚焦a16z合伙人Alex Rampell的深度分享。作为金融科技与软件投资领域的资深投资人，他没有停留在趋势描述，而是系统拆解了驱动增长的核心——产品生命周期理论，并指出：当前AI价值的爆发，本质上命中了人类“更懒更富”的永恒需求。
他提炼出当下最具潜力的三类投资方向：
①传统软件的AI原生改造
②软件对劳动力的替代
③基于“围墙花园”式独家数据的价值重构
本文将深入解读这一框架，揭示在基础设施日趋同质化的背景下，竞争优势将如何向应用层与数据层转移，并为读者提供一幅超越技术表象、直指商业本质的AI路线图。
AI如何满足人性需求“更懒更富”
纳斯达克指数自1977年至今，虽然长期呈上升趋势，但中间经历了几次暴跌。这背后对应着四个主要的产品周期。它们显示的规律是：先有基础设施层的公司铺路，再有应用层的团队开发实际产品。
最早是PC时代，接着是互联网时代，再后来是移动时代。AI时代已然来临。目前软件领域的绝大多数新增收入，实际上都来自AI，无论是应用层面还是基础设施层面。
每当科技股牛市来袭，总会有人说“这不过是泡沫”或“根本行不通”。以信用卡费用管理公司RAMP为例，2025年1月的数据显示，许多采用技术升级路径的企业，并非通用电气这类传统巨头，而是旧金山湾区或纽约那些拥有数千名员工、更具前瞻性的科技公司，突然意识到：“哇，这玩意儿真厉害！”
我始终秉持一种关于人类行为的普遍认知，每个人都渴望两样东西：既想变得更富有，又想更懒。这正是生成式AI所锁定的核心价值，且这一趋势正在当下真正显现。
尽管增长曲线一度趋于平缓，但其影响已十分显著，从成本支出到企业增长，无论是基础设施还是应用层面，皆可见其踪迹。现在全球约有15%的成年人每周都会使用ChatGPT，这已成为日常习惯：跟朋友打赌、问路、或者搞不懂某个东西时。
一切发展得很快。2017年，Transformer模型的论文发表，引发广泛关注。我们的长期合作伙伴Frank Chen曾演示过早期的GPT模型，效果并不理想。
这让我想起了60年代的Eliza系统，那个只会把你的话变成疑问句的AI治疗师。直到你问：“嘿，我想向学校投诉校车司机。”它却反问：“你为什么想向学校投诉校车司机？”这显然没提供答案。
很难想象这竟发生在几年前。但从2023年到现在，我们确实已真正迈入了应用的黄金时代。
我们正目睹软件公司在一两年内实现营收从零到一亿美元的飞跃。这并非是经济活跃时候的盲目消费，而是这些技术能为企业创造巨大价值。他们渴望更懒散、更富裕，而这项技术正为他们打开这扇门。
AI 原生改造：绿地换轨与劳动力替代
接下来我将探讨AI应用领域中三个更广泛的主题，这些正是我们投资的公司类型。
第一，传统软件正在向AI原生化转型，现在的机会就在AI原生。
作为投资者，我深刻认识到一个关键经验：Mercury堪称“乌龟战胜兔子”的绝佳范例。他们为初创企业打造了新银行，不仅能帮你支付账单，还能提供会计服务。这正是典型的绿地投资机会。
在这张“宾果游戏板”上，无论是薪资、ERP还是客服软件，现有企业都在积极采用AI。像Workday这样的公司，即将开始为AI功能收费。例如，系统可能会问：“您想让我们对每个新员工都进行背景调查吗？”每次收费500美元。为什么不能是499美元？
最成功的企业已经与客户建立了深度绑定，形成了极高的转换成本。
在RPA（机器人流程自动化）领域，像UiPath或Zendesk，传统的“按月按席位付费”模式正在面临挑战。客户会思考：“如果99%的查询都能由AI自动解决，我为什么还要为闲置的人力席位付费？我更愿意为实际达成的结果付费。”
因此，真正值得投资的公司是那些能构建并守住这种优势局面的企业，而非一味追求客户增长的公司。当底层的AI模型日趋同质化，真正的竞争壁垒往往在于 “别人拿不到的数据”。
第二，软件正在取代劳动力，这是一个规模大得多的市场。
如果说AI对传统软件的改造是“优化”，那么它对劳动力的取代则意味着“重构”。这是我个人最期待的新兴领域。
此前，少有软件公司能真正涉足这一领域，因为社会的主流选择始终是雇佣专业人才。但现在，情况不同了：软件能完成一个岗位90%的核心工作量，它掌握21种语言，并且永不间断。
这在软件史上具有标志性意义。以Plaza Lane验光中心为例，他们招聘前台接待员的职位描述有八项要求。如果你能提供一款软件满足其中五项核心职责，他们就会“录用”这款软件。
企业不会为软件支付与人类员工同等的47,000美元年薪，但也绝不会只付500美元。一个合理的价格可能是每年2万美元。
我们的投资逻辑，是希望这类软件能进一步演化成一套不可替代的“核心业务记录系统”。这样，当软件执行了五项工作职责，就没人能轻易用19,999美元的年费把它替换掉。我们希望确保这一解决方案能带来极具粘性的长期价值。
可以预见，当现有软件产品推出更优替代方案并瞄准绿地市场时，它们的市值将大幅增长。而在此情况下，选择棕地市场甚至可能获得更高的定价空间。这条道路能带来远超预期的收入增长。
以法律行业为例，其对文档处理的高要求与AI的能力天然契合。这个市场有一个独特之处：尤其是原告律师，通常采用风险代理模式，即只在胜诉后才获得报酬。这种模式使得律师与客户的利益高度一致，他们不按小时收费，而是分享最终成果。
因此，原告律师每获得10个潜在案件，往往只能接手1个，因为筛选和评估案件需要投入大量时间。这正是AI能发挥巨大价值的环节。
相反，对于按小时收费的公司律师而言，AI将初级律师效率提升50倍，可能会侵蚀其收入模式；但对于原告律师，效率提升5倍，则意味着潜在收入可能增加5倍甚至更多。
我们投资的Eve公司，便是一个典范。他们的产品思路非常清晰：致力于掌控从潜在客户筛选到案件最终完结的端到端工作流程。
Eve最近推出了一款语音助手，专门收集潜在客户资料。它能从海量医疗记录和就业文件中筛选信息，帮助律师判断案件价值，比如“这个病例可能值5万美元，那个值500万美元，你应该把时间花在这边”。
更进一步，该系统能够协助律师梳理整个诉讼流程：自动整理医疗记录、生成法律索赔函，并准备正式的起诉文件。
这个业务最有趣的地方在于数据闭环。当Eve开始生成结果数据时，这些数据并不公开，大型实验室也无法利用。Eve可以利用这些专有数据回溯分析，找出决定案件价值的关键变量，从而形成更优的模型。
正如我们所分析的，这种方式显著降低了律师受理案件的门槛。过去，考虑到成本，律师可能只接标的价值5万美元以上的案子；现在，借助AI，他们可以经济地处理标的价值5000元的案件。
法律服务的市场总量由此得以扩张。在原告方，长期以来存在着明显的供需失衡，而Eve正在精准地释放这部分被压抑的需求。结果就是，市场对这类产品的渴望远超预期。因为它完美地契合了“更懒更富”的原则，既能帮助律所提升营收，又能为更多人提供可负担的法律服务。
Eve所代表的，正是我们推崇的商业模式。其收入在短时间内实现从0到20%-30%的增长，看似惊人，但只要你能快速行动，并真正兑现“让我更省力、更赚钱”的承诺，这种增长便是可复制的常态。
当然，许多消费级AI应用难以切入核心业务环节，且作为工具组件，用户切换成本很低。这里的关键，在于区分 “功能差异” 与 “商业护城河”。
AI能创造强大的功能差异，例如一个能说50种语言、智能收集信息的语音助手，这本身就能带来显著价值。但仅凭功能优势，并不足以构建稳固的护城河。Eve的护城河，在于它并非单一工具，而是替代并整合了律师的整个工作流程，成为了业务运营的“中枢系统”。
此外，那个关键的“X因素”依然是业务闭环中产生的独家数据。数据的私密性创造了强大的竞争优势：Eve处理的案件越多，产品就越智能；产品越智能，就越能吸引更多案件。这就像带着自动步枪参加一场冷兵器战斗，它很快会成为原告律师的必备装备，一旦被深度采用，便难以被取代。
因此，竞争的关键不在于语音识别的准确度或文档摘要的优美程度，而在于系统是否有能力成为最终工作成果的记录者和生成者。
我们常说“软件正在吞噬世界”，而现在，我们正以惊人的速度开发和部署这些“软件”。但这同时也在加剧所有高利润软件公司的风险，高利润本身就是吸引竞争的信号。如果我能轻松写出代码复制你的核心功能，那么你的产品就必须具备极强的用户粘性和独特的竞争优势，而数据，往往是其中最坚固的壁垒之一。
像拥有350万从业者的卡车运输行业，未来必然会出现更优的AI调度与驾驶辅助方案。但在大多数情况下，这是一个成本与价值的动态平衡。企业不会雇佣成本高于其创造价值的人力。引入AI，正是为了在提升价值或维持价值不变的前提下，重新找到这个平衡点。
你会广泛地采用AI作为增强工具，但并不会立即大规模裁减人类员工。更值得思考的是，我们无法预知未来将诞生哪些全新的职业。75年前，并没有“产品经理”或“用户体验设计师”这些职位，它们在19世纪的语境下毫无意义。
因此，我们不应武断地认为AI只会替代人力，事实上，我们观察到的更多是AI增强人类效率，而非简单粗暴的替代。
当我与朋友通话时，系统能根据他的地理位置，例如从加州前往堪萨斯州，自动判断并提示适用的交通法规。这就是数据模式的力量。因为处理过数百万次通话，他们能精准掌握应答内容，实现极低延迟。
他们将复杂的场景处理得如此流畅，使得后来者的竞争变得异常艰难。在软件开发变得前所未有的便捷的今天，这种由数据与场景深度融合形成的“模式”，其重要性已超越以往任何时候。
数据壁垒：如何将“公共资源”炼成“独家资产”？
垂直软件公司早已能成长为行业巨头，如Toast靠餐饮专属系统和支付/贷款锁定客户，AI时代同理。
这不仅仅是“人工成本差一便士”的问题，关键是建立专属的记录系统和垂直运营体系，让客户无法轻易换成更便宜的供应商。
这也正好引出第三个主题，我称之为“围墙花园”，这个概念当下尤为重要。
以OpenAI为例，他们原本像“蔬菜农场”，把基础大模型卖给开发者。后来却想在农场里开“餐馆”，自己直接开发面向最终用户的应用，这让原本采购“蔬菜”的开发者感到不满：供应商突然变成了竞争对手。这个例子很有参考意义，它揭示了一个未来趋势：当基础技术日趋普及，真正的稀缺性将向产业链上游转移——即优质、独家的“原材料”（数据）。
就像历史上通过划定边界并建立收费站来创造价值一样，在数据领域，同样可以构筑这样的“围墙”。
以Flight Aware为例，他们的数据本身并不涉及商业机密，却极具独家价值。自马航MH370事件后，民航领域广泛采用ADS-B广播式自动相关监视系统，飞机实时发射位置、高度、速度等信号。理论上，任何人在亚马逊上买一个接收器都能捕获这些信号。
但Flight Aware的壁垒在于，他们在全球精心部署了约100个接收天线，通过长期、系统地收集与清洗，构建了一套连贯、完整、高可用的全球航班追踪数据库。
这类经过深度加工的数据信噪比极高，是ChatGPT等通用AI无法直接获取的，类似的还有Pitchbook的私募融资数据、彭博的实时金融数据、Co Star的房地产数据等。
再比如Ancestry.com，他们通过购买摩门教会收藏的家谱记录，并持续投入数字化，构建了独一无二的家族历史数据库。这些数据构成了他们的“围墙花园”，这些数据在ChatGPT、Anthropic上都无法获取，即便开放API授权，其核心价值也在于数据的独家性与完整性。
这种独占性直接转化为定价权。例如，运用Pitchbook的数据：如果一位分析师需要撰写某家公司的深度报告，或对比所有法律科技公司的历史业绩，Pitchbook能提供自1992年以来每一家法律科技公司B轮融资的完整数据面板。
这份独家数据，使他们既可以向个人用户每月收取20美元，也能向专业机构每年收取2万美元，因为只有他们有。这可能意味着你能少雇一位分析师，核心不是订阅数据，而是把这些“蔬菜”转化为“成品餐”。
我最喜欢的另一个经典案例是域名查询工具，如Whois。它能查询“谁拥有某个特定域名”，这项服务早在AI出现之前就已存在。即便回到1998年，它也能提供确凿的归属信息。这种基于长期积累的独家数据模式，本身就构成了强大的竞争壁垒。
而AI的加入，让这些“花园”的价值成倍放大。以下三个案例能清晰地说明这一点：
其一，Open Evidence。数据显示，美国三分之二的医生每周都会使用它。它的界面和交互可能与ChatGPT相似，但关键区别在于：它拥有《新英格兰医学杂志》等顶级医学期刊的独家全文授权。
如果我需要治疗跟腱炎，ChatGPT能提供一些通用的循证医学证据，效用尚可。但Open Evidence的优势在于，他们是唯一掌握完整证据链的机构。这就好比他们不仅梳理了所有独特的“蔬菜品种”，还说服了供应商禁止向其他“餐厅”供货。
其二，vLex。这家拥有26年历史的公司，刚被收购。其创始人来自西班牙，收购了西班牙境内所有的合法记录。像Wilson Sonsini这样的国际律所，需要了解西班牙法律时，vLex是必经之路。过去，他们以高价将数据库授权给律所。
当他们引入AI时，游戏规则变了。假设我是Harvey的用户，急需在七点前给客户写备忘录，且必须包含西班牙语法律数据。vLex成了我的唯一选择。这时，他们就不必按每篇文章两美元收费，而是可以按“成品”收费。
其三，专有数据的价值。真希望我能直接问ChatGPT关于50份旧德勤合同的细节，但它根本搞不到这些信息。这就是专有数据的价值，它是世界上的“宝藏库”，AI模型再大也无法凭空获取。
最近我跟一位创业者聊过，他专注于YouTube的历史订阅数据。YouTube不会公布Mr. Beast在2017年8月4日有多少订阅者，但他的公司收集并出售这些数据。这就像我们文章里提到的“野生花园的果实”。
你可以去县记录办公室免费查询产权记录，但必须亲自去。如果你能将这些资料数字化、可访问化，并应用AI，价值就会倍增。现在，这些数据构建了一道高高的“围墙花园”。
很多数据原本是免费的，像ADS-B飞行数据，或者是廉价的，但当你将其数字化并结合AI时，就能创造出前所未有的价值。你早该在打造AI之前就完成这个数据积累的项目，否则现在你根本不可能创建一家价值百倍的公司。
那么，一个随之而来的问题是：既然拥有了“独家晚餐”，为什么这些公司不都直接面向最终消费者销售，而是有时会选择通过中间商呢？
以vLex为例，他们本可以把数据卖给Harvey，却最终意识到：应该直接面向客户销售，不再向Wilson Sonsini这类中间商出售数据。若确需合作，必须彻底调整定价策略，摒弃按小额订阅费收费的陈旧模式，这种模式只会把大部分价值让渡给第三方。
就像航班数据、Mr. Beast的订阅量数据，当下的订阅量在YouTube上一目了然，完全免费，但十年前的历史数据才是真正的专有内容。
有时所谓的专有性，恰恰源于免费资源的时间积累。比如家谱信息，我可以直接去摩门教教堂获取，无需付费开通Ancestry.com账户，但通过平台操作比飞往犹他州更便捷。
人们选择LexisNexis这类服务商，也是因为它们能对接已数字化的系统，把信息转化为更易理解的格式。即便它们有时是唯一或最优选择，如今也能提供成品解决方案，为终端客户节省成本。比如我无需购买LexisNexis的全部数据，只需用它确认交易可行性，但其数据能支撑大量后续工作流程。
对金融服务公司而言，欺诈分析师破解谜题的关键线索往往来自LexisNexis。对现有企业来说，若能独占这类数据，就能挖掘巨大价值。
PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。
本文来自微信公众号“硅基观察Pro”，作者：硅基君，36氪经授权发布。