1 月 20 日，硅谷顶级风险投资机构 a16z 发布了一份关于 AI 应用的深度分析报告。主题聚焦于 AI 应用真正的护城河在哪里？

a16z 总结出三个要点：

一、软件取代劳动力

过去二十年，SaaS 行业的黄金法则一直是：将原本由人完成的工作流程化、工具化，然后按人头向企业收费。但在 a16z 看来，这个逻辑正在失效。AI 应用正在进入一个新的阶段，软件即劳动力（Software is eating labor）。

这是一个比传统软件市场大得多的生意。a16z 以投资的 Salient 为例，传统的 SaaS 思路是卖一套更好的管理软件给催收公司，帮他们省钱，但 Salient 的做法是：直接用 AI 取代催收员。传统的催收员不仅成本高、流动性大，而且受限于情绪和法律知识，经常出错。而 AI 催收员可以熟知全美 50 个州复杂的法律条款，精通 21 种语言，且永远情绪稳定。结果 Salient 不仅降低了成本，更重要的是帮客户多收回了 50% 的欠款。

" 每个人都想省钱，但每个人更想赚钱。" 当软件不再只是工具，而是直接交付结果时，客户愿意支付的就不再是每人每月几美元的订阅费，而是基于结果的分成。

二、传统软件的 AI 原生化

尽管创业公司攻势凶猛，但 a16z 并不认为巨头会轻易倒下。最好的公司拥有的是 " 人质 "（Hostages），而不是客户。

像 NetSuite、Workday 这类巨头，记录系统早已嵌入企业的肌理，极难被替换。对于这些存量市场的霸主来说，AI 成了加固城墙的工具。Workday 可以轻松上线一个 AI 背景调查功能，并为此向每个员工收取 500 美元，客户虽然抱怨，但别无选择。因此，a16z 建议创业者避开这些巨头，去寻找那些全新的增量市场。

三、用专有数据构建围墙花园

随着 OpenAI、Google 等巨头将大模型能力不断推高，模型本身的稀缺性正在下降。在模型日益商品化的今天，专有数据（Proprietary Data）成为了唯一的围墙花园。

Open Evidence 是一个典型的案例。虽然 ChatGPT 也能回答医学问题，但 Open Evidence 拥有《新英格兰医学杂志》等核心医学文献的独家授权。这种基于封闭数据构建的答案，是通用大模型无法通过公开爬虫获取的。当 AI 拥有了理解和推理能力，沉睡的数据就变成了金矿。

a16z 认为人性底层的逻辑非常简单：每个人都想要两样东西：变得更富和变得更懒。对于企业来说，采用 AI 不仅仅是为了降本（更懒），更是为了直接创造营收（更富）。从 Ramp 的数据来看，企业在 AI 上的支出在 2025 年 1 月出现了一次巨大的跃升。这是实打实的生产力落地。

不同于移动互联网时代仅仅是把电脑装进口袋，AI 时代的变革是叠加在过去五十年 PC、互联网、云和移动技术之上的。它面对的是全球 80 亿已经联网的用户，扩散速度前所未有。虽然外界对 AI 泡沫的担忧从未停止，但在 a16z 的投资版图中，那些能在数据上构建围墙、在业务上直接交付结果的公司，正以 0 到 1 亿美元营收的最快纪录，证明着这个时代的真实性。对于创业者而言，现在不是担心巨头的时候，而是去寻找那些还未被数字化的角落，用 AI 把苦力活变成印钞机的最佳时机。

a16z 报告内容划重点：

1、软件即劳动力是最大增量

SaaS 行业的逻辑正在发生根本性转变，从卖工具进化为直接交付工作结果。过去企业按人头购买软件（如 Office）来辅助员工工作，而 AI 时代，软件将直接取代劳动力完成任务。

2、专有数据是唯一的围墙花园

随着大模型能力的普及和商品化，模型本身的稀缺性下降，专有数据（Proprietary Data）成为真正的护城河。创业者应利用私有数据构建通用模型无法复制的优势。

3、商业模式变革：从卖原材料转向卖成品

在 AI 时代，单纯的数据订阅模式（卖原材料）价值有限，真正的价值在于利用独家数据生成成品。过去像 PitchBook 这样的公司出售数据供人分析，现在 AI 应该直接基于数据生成完整的分析报告或备忘录。这种从卖蔬菜到卖大餐的转变，能将产品价值提升 10 倍甚至 100 倍。

4、巨头的防御：拥有人质而非客户

现有的软件巨头（如 Salesforce、Workday）不会轻易被颠覆，因为它们拥有极难被替换的记录系统和客户关系，这些客户更像是被锁定的 " 人质 "。巨头可以利用现有的垄断地位，轻松上线 AI 功能并强制收费，客户虽然抱怨但别无选择。

5、垂直整合服务：AI 时代的门口野蛮人

与其开发一个难以销售给会计师的软件工具，不如直接收购一家会计师事务所作为试验田，利用 AI 大幅提升效率，从而以更低成本服务成千上万的新客户，成为一家 AI 驱动的超级会计师事务所。这种模式解决了传统软件销售中最难的获客和交付问题。

6、AI 重构劳动力价值方程：增强而非单纯替代

目前的 AI 变革更多是增强劳动力或解决人才短缺，而非引发大规模失业 。商业决策的核心是成本与价值的权衡：当 AI 能以极低成本全天候工作且情绪稳定时，它实际上是在做人类不愿意做或做不好的工作 。未来的工作形态不是人类被淘汰，而是随着 AI 接管低效劳动，人类转向更高价值的领域，正如昔日的农民转向其他职业一样 。

7、消费者 AI 的机会在于聚合与新类别

在消费者应用领域，除了创造全新的原生类别（如 11Labs 所在的语音市场），" 模型聚合者 " 往往比单一模型更有价值。这就好比 Kayak 之于航空公司，用户需要一个统一界面来调用所有模型的最佳能力，而不是被锁定在某一个大厂的模型中。因为大厂通常受限于自家模型，这给第三方聚合平台留出了巨大的生存空间。

以下为 a16z 报告原文：1、宏观视角：产品周期驱动市场增长

回顾 1977 年至今的纳斯达克指数，尽管短期内市场有涨有跌，但长期趋势始终向上。这一增长的核心动力在于产品周期。过去几十年，我们经历了四个重大的产品周期：

个人电脑（PC）时代：这是起步阶段。

互联网时代：在 PC 基础上建立连接，诞生了 Cisco 等基础设施公司以及 eBay、Amazon 等应用层巨头。

云计算时代：AWS 等基础设施崛起，支撑了 Workday、Shopify、Veeva 等应用层公司的爆发。

移动互联网时代：将计算机放进了每个人的口袋。

现在，我们正处于第五个周期——AI 时代。这并不是凭空出现的全新事物，而是建立在智能手机普及和云计算基础设施之上的。如果退回几十年前，只有 ENIAC 计算机而没有云计算和移动端，AI 只能是博物馆里的陈列品。如今，全球 80 亿人大多拥有智能手机，新技术的采纳速度前所未有。我们观察到，软件领域绝大多数的新增收入目前都来自于 AI，无论是基础设施层还是应用层。

我对人类行为有一个普遍的观察：每个人都想变得更富有、更懒惰。也就是说，人们希望用更少的工作获得更多的经济价值。生成式 AI 正是解锁这一需求的关键。

两年前，ChatGPT 刚发布时，大家觉得它像个能写剧本的新奇玩具。但现在，它已经渗透进企业，实实在在地为人们节省时间和金钱。以企业支出管理公司 Ramp 为例，我们可以看到具有前瞻性的公司（不仅仅是初创公司，也包括拥有数千员工的传统企业）正在积极采用 AI 技术。这不仅是曲线的平稳增长，而是一个剧烈的拐点。

马斯洛需求层次理论的底层曾被戏称为 Wi-Fi，而现在出现的下一个需求底层实际上是 AI。美国约有 15% 的成年人每周使用 ChatGPT，它已成为日常工具——从解决生活琐事（比如我妻子用它查询法律条款来处理校车投诉）到处理复杂的商业逻辑。

2、a16z 的三大 AI 投资主题

我们一直在思考：什么是具有防御性的？哪些是 OpenAI 等巨头不会去做的事情？基于此，我们总结了三个主要的投资主题：

传统软件的 AI 原生化：

这指的是现有的软件类别正在利用 AI 进行自我革新。回顾历史，如果能回到 15-20 年前投资云原生公司（如 Salesforce、NetSuite），你会获得巨大的回报，因为当时的本地部署软件巨头无法适应订阅模式。

但这一次情况不同。现有的软件巨头如 Adobe、Salesforce、Workday 并没有坐以待毙。它们正在将 AI 融入现有产品，并以此为新功能收费。例如，Workday 可能会利用其垄断地位（拥有 " 人质 " 而非仅仅是客户），提供内置的背景调查功能，价格虽高但客户难以拒绝。这些巨头因 AI 而变得更强大，因此在现有的软件版图上直接竞争非常困难。

软件取代劳动力（Service-as-Software）：

这是我们最兴奋的领域，也是最大的市场机会。这属于空白市场（Greenfield Opportunity）。

以前，软件公司是在卖工具；现在，软件开始直接销售工作结果。

假设一家眼科诊所，每年花 500 美元订阅 Microsoft Office，但会花 4.7 万美元雇佣一名前台接待。如果现在有一款软件能完成前台 90% 的工作（24 小时在线、懂多国语言），诊所不会只愿意付 500 美元，而是愿意支付接近人工成本的一小部分（例如 2 万美元）。

这彻底改变了软件的市场规模。我们不再是争夺那 500 美元的软件预算，而是去切分那数万亿美元的劳动力市场。这类公司通常没有历史包袱，是在全新的领域创造价值。

围墙花园与专有数据（Walled Gardens）

这一类是指拥有专有数据模型，且能形成深厚护城河的企业。其核心在于利用私有数据构建通用的 AI 模型无法复制的优势。

在法律领域，大家可能听过服务于高端企业律所的 Harvey。但我们关注到了另一个独特的市场——原告律师（Plaintiff Law），例如处理人身伤害或劳动法的律师。

这个市场的商业模式非常特殊：风险代理 / 胜诉分成（Contingency Fee）。律师按胜诉金额的一定比例收费，而非按小时计费。

如果是企业律师，AI 提高 50 倍效率可能会导致计费工时减少，从而降低收入。但在原告业务中，效率提高 5 倍意味着律师可以处理 5 倍的案件，收入直接翻倍。这与 AI 的核心价值完美契合。

我们投资的 Eve 不仅仅是一个工具，它正在接管端到端的工作流。Eve 推出了语音代理，可以自动联系潜在客户、收集证据、梳理数千页的医疗记录，并起草索赔函。Eve 的防御性不仅在于它能打电话或写摘要（这些是差异化，不是防御性），而在于它成为了记录系统（System of Record）。

随着 Eve 处理的案件越来越多，它积累了关于案件结果的私有数据。它能告诉律师：" 根据过去的数据，这个案子只值 5 千美元，不值得投入精力；而那个案子可能值 500 万美元。" 这种基于结果数据的判断力是 OpenAI 或其他通用模型无法获取的，因为这些数据不是公开的。

在 AI 投资中，我们不仅关注差异化（Differentiation），例如能用 50 种语言对话；更关注防御性（Defensibility）。

如果在现有的软件版图上竞争，你面对的是拥有深厚客户关系的巨头，这很难。但如果你能：

开辟空白市场，用软件取代昂贵且低效的人工劳动；

建立记录系统，通过掌控工作流积累私有数据，形成 " 数据 - 洞察 - 价值 " 的正向循环；

那么，你就能建立起真正的壁垒。正如 Eve 在法律领域的实践，它不仅降低了处理案件的边际成本，还通过数据优势指导商业决策，这种粘性和网络效应才是我们寻找的持久增长动力。

3、关于失业与技术替代的思考

关于大规模失业对社会的影响，我认为这种情况不会很快发生。回看 1789 年，98% 的美国人都是农民。显然，拖拉机的出现取代了部分人力，但也促使这部分人转向了其他工作。坦率地说，我们目前看到的大多数技术变革并不是在消除工作岗位。

以那 350 万名卡车司机为例，未来某个时间点，我们肯定会找到比人类驾驶卡车更好的解决方案——即由 AI 来完成。商业决策的核心在于成本与价值的权衡：当产出价值低于成本时，雇佣人类是不合理的；但如果你能雇佣 AI，情况就变了。当成本大幅下降而价值保持不变时，企业会大量采用 AI，但这并不意味着会大规模淘汰人类。这很难精准预测，但回顾 75 年前，软件公司里并没有产品经理或设计师这样的职位，对于 1800 年代的人来说，现代的许多工作也毫无意义。因此，我们现在看到的许多变化，并不是直接的替代，而是增强。

与其说软件正在吞噬劳动力，不如说软件正在增强劳动力，或者是在解决人才短缺的问题。例如，我很难雇人在凌晨 2 点接电话，但我可以部署 AI 来做这件事。这不仅仅是成本问题，更是价值与成本方程的重构。

一个很好的例子是汽车贷款催收行业。这是一项艰难的工作，员工需要整天面对那些拒绝还款、因为车祸或保险纠纷而愤怒的客户。还要忍受漫长的电话等待音乐，这种环境让人极其痛苦，导致员工流失率极高。而在这种场景下，AI 的价值不在于省钱，而在于它能将回款率提高 50%。

像 Salient 这样的公司之所以能爆发式增长，是因为他们改变了推销逻辑。他们不对客户说 " 我要帮你省钱 "，而是说 " 我要通过合规的方式，帮你把每月的收入提高 50%，同时确保‘你不会因为员工受气说错话而惹上法律麻烦’ "。AI 可以全天候工作，情绪稳定，严格遵守合规要求。这才是真正的价值创造。

通过软件建立记录系统（System of Record）并构建垂直操作系统，是让产品具有极高粘性的关键。

即使在餐饮这样看似不买软件且倒闭率高的行业，Toast 也证明了垂直软件的巨大潜力。起初很多人看衰 Toast，但他们最终不仅提供软件，还整合了金融服务（支付处理和贷款），成为了餐厅运营的一站式平台。这种深度集成使得传统的支付处理公司无法通过简单增加软件功能来取代它。

同理，处理复杂的合规问题也是一种护城河。比如在人力资源或法律科技领域，你需要捕捉每一条新的联邦和州法律。你在密苏里州、加利福尼亚州和爱荷华州需要说的话完全不同。人类很难实时记住所有这些差异，但像 Salient 这样的系统可以掌握 21 种语言和所有法规细节，这就是为什么它的表现能高出 50%。

现在我们进入一个非常重要的概念——围墙花园（Walled Garden）。

目前像 OpenAI 这样的公司就像是一个基础设施供应商，或者比喻为蔬菜农场，他们种植并出售 tokens。原本他们应该只做基础设施，让下游公司去构建应用。但现在 OpenAI 也开始自己做应用，这就相当于农场主在农场里开了餐厅，直接与买菜的餐厅老板竞争。

在这种环境下，应用层公司的生存蓝图在于掌握稀缺的原材料——数据。这就像是世界上最古老的商业模式：圈一块地，建立实体资产，然后对访问者收费。在 AI 时代，你可以通过数据做同样的事情。

有些数据本身是公开的，但聚合起来就变成了独家资产。比如 FlightAware 的数据来自 ADS-B 应答器，这在技术上是公开且免费的，你甚至可以自己在亚马逊买个天线来接收。但 FlightAware 在全球建立了庞大的接收网络，将这些碎片化信息整合成完整的航班追踪数据。这就是 ChatGPT 无法直接回答，但 FlightAware 知道的信息。

过去，像 PitchBook 这样的公司出售私募市场的融资数据（例如 1992 年某公司的 B 轮估值），或者 CoStar 出售房地产数据。以前他们的模式是卖数据订阅费（比如每月 200 美元）。但在 AI 时代，真正的价值在于利用这些独家数据生成成品。与其让分析师去订阅 PitchBook 然后写报告，不如让 AI 直接基于独家数据生成一份关于某公司的完整备忘录。这意味着商业模式从卖蔬菜（数据订阅）转变为卖大餐（完整的分析结果），其价值可能从几百美元提升到几千美元。

Open Evidence 是医疗领域的 ChatGPT。它的界面和 ChatGPT 一样，但区别在于它拥有《新英格兰医学杂志》及其他权威医学期刊的独家授权。如果你跟腱断裂，问 ChatGPT 只能得到中等质量的建议；但 Open Evidence 基于权威循证医学数据，能提供精准得多的建议。因为它垄断了高质量的食材供应。

VLex 是一家拥有 26 年历史的公司，他们收购了西班牙所有的法律档案。通过将 AI 应用于这些独有的法律数据，他们的收入增长了五倍。因为律师需要的不是通用的法律建议，而是基于特定判例法的、能在早上七点前准备好的精准备忘录。

在企业采购领域，Lio 展示了专有数据的力量企业采购部门不仅要省钱，还要处理复杂的合同博弈。比如你正在与德勤谈合同，Lio 系统可以调用该企业过去与德勤签订的 50 份旧合同，分析历史条款，告诉你应该在哪些条款上进行回击。这些私有的历史合同数据是 ChatGPT 永远无法获取的宝库，这让 Lio 的产品具有了不可替代的价值。

许多信息在过去看起来是免费的或价值不大（例如飞机的实时位置、YouTuber 的历史订阅数），但在 AI 时代，这些数据成为了极其宝贵的训练资源和竞争壁垒。只要你能收集、聚合别人无法获取的数据，并在此基础上构建服务，你就拥有了应对巨头竞争的围墙花园。

我非常鼓励大家去关注所谓的围墙花园（Walled Garden）及其成果。这里指的不仅仅是创意档案，还包括物流信息，甚至是县政府记录员办公室里的数据。例如，你可以查到谁拥有哪处房产，但这些信息通常必须亲自去线下的办公室才能获取。虽然这些信息本质上是免费的，但如果你能将其数字化、使其易于访问，并在此基础上通过 AI 增加价值，那么你创造的产品价值将远超数据本身。

这不仅仅是添加 AI 那么简单，其核心逻辑在于你拥有别人没有的东西。人们之所以争相购买，是因为你在创造一种最终更具价值的资产。现在正是做这件事的最佳时机。举个例子，一位创业者找到了上世纪 80、90 年代所有搅拌机的旧说明书。在 1999 年，你根本不知道去哪里找这些东西，但在 eBay 上可以低价买到。这展示了利用被忽视的数据构建信息孤岛的潜力。如果你在十年前做这件事，可能只是个普通生意，但在今天，通过 AI 交付成品，其实际价值可能提升 10 倍甚至 100 倍。

这就引出了一个经典的投资框架：初创公司与既有巨头之间的战斗。关键在于，是初创公司先搞定分发渠道，还是巨头先搞定创新？

对于那些拥有难以被取代的围墙花园数据的领域，初创公司有巨大的颠覆机会。比如在 eBay 上卖旧手册，以前这只是卖原材料（数据），只能通过订阅费变现，价值有限；但现在利用 AI，你可以交付价值千金的成品，这让商业模式变得可行。这就回答了创投圈常问的 " 为什么是现在？" 的问题。就像 Uber 的出现需要 iPhone 和 GPS 普及一样，现在 AI 技术成熟了，让那些曾经挣扎多年的垂直领域公司（如法律科技公司 VLex）有机会变成独角兽。相比之下，我对那些仅仅是在现有软件基础上做改良的项目持悲观态度。

我不认为 NetSuite 或 QuickBooks 会被轻易颠覆，因为它们掌握着巨大的金矿——客户数据和支付流。它们完全可以向现有客户群推出 AI 功能并收费。因此，对于 SaaS（软件即服务）领域的既有巨头，我非常看好它们利用 AI 进一步巩固地位。为什么出租车公司没有做出 Uber？往往是因为既有者受限于现有思维，看不上新模式，或者觉得新模式很蠢，直到为时已晚。但对于那些能够替代人工劳动、或者基于专有数据构建围墙花园的新机会，我是非常看好的。

如果你拥有专有数据，不应该只是把它卖给 AI 公司（如 Harvey 或 OpenAI），而应该利用这些数据自己构建产品，直接面向终端客户销售。如果 VLex 把数据卖给律所，他们可能只能收一笔订阅费；但如果他们利用数据提供高价值的法律分析服务，就能大幅提高定价权。这就像 OpenAI 虽然收费低廉，但基于其模型开发的应用可以创造巨大价值。

聪明的公司会通过 AI 将原材料加工成成品。例如，你不需要买 LexisNexis 的原始数据，你真正需要的是一份经过分析的风险评估报告。如果一家公司能利用 AI 完成从数据清洗、分析到输出结论的全过程，直接帮客户解决问题（例如判断是否接受一笔交易），那么它就不仅是卖软件，而是在替代昂贵的人工服务。

这就谈到了白领服务领域的变革。我曾将其称为 " 门口的野蛮人（AI 版）"。传统的私募股权公司喜欢收购会计师事务所或牙科诊所，通过裁员和外包来削减成本。但现在，AI 提供了全新的整合路径。

以会计行业为例，最大的瓶颈是招聘注册会计师（CPA）。如果你开发了一套 AI 工具，收购一家会计事务所作为试验田，用 AI 大幅提升效率，你就不需要再去收购 100 家事务所了。你可以依托这一家事务所的牌照和现有客户，利用 AI 处理能力，以更低的成本服务成千上万的新客户。与其做一个卖给会计师的软件工具（这很难销售），不如直接成为一家 "AI 驱动的超级会计师事务所 "。

同理，在债务催收领域，你可以买下一家有合规牌照但经营不善的催收公司，植入 AI 技术，利用其现有的客户资源，迅速扩大业务规模。这种 " 垂直整合软件加服务 " 的模式，比单纯卖软件更具吸引力，因为它解决了获客和交付的难题。

4、消费者 AI（Consumer AI）的三大趋势

这种逻辑同样适用于消费者领域。我们观察到三个主要趋势：

传统类别的 AI 原生化（AI-Native）：就像 Photoshop 是设计师的标配，但在 AI 时代，年轻设计师可能会选择其他的 AI 原生设计工具。因为这些新工具从底层就内置了 AI 逻辑，使用体验完全不同。

新类别的创造：例如 11Labs 所在的语音和音频模型市场，五年前几乎不存在，或者只是极小众的配音市场。通过纵向整合和技术突破，他们在极短时间内创造并占据了这个新类别。

专有数据的变现：这是一个非常有效的剧本。以我们投资的 Slingshot 为例，它是一个 AI 治疗师。他们通过为人类治疗师提供 AI 记录工具来收集数据（笔记），然后用这些高质量的专业数据训练基础模型，最终开发出直接面向消费者的心理咨询产品 Ash。OpenAI 虽然强大，但没有这种垂直领域的深度数据，这就是 Slingshot 的护城河。

很多人问，为什么不是 Google 或 OpenAI 等大公司通吃一切？原因在于，在消费者应用中，做 " 模型聚合者 " 往往比只做一个模型更有价值。

这就像 Kayak 之于航空公司。用户想要搜索所有航班的组合，而不是只去美联航官网。在视频生成或创意工具领域，不同的模型各有所长，用户需要一个能调用所有模型能力的统一界面。大厂通常受限于只能使用自家的模型，这就给第三方的聚合平台留出了巨大的生存空间。

在 a16z，我们寻找的是最好的交易，而不是不错的交易。这意味着我们更倾向于反向选择——主动去发现那些还未在市场上公开融资的顶级创业者，而不是等着看那些已经流传了半年的商业计划书。

我们的决策过程是信念驱动（Conviction Driven）而非单纯的共识驱动。如果一位合伙人对某个项目有极强的信念，哪怕其他人有疑虑，我们也会支持。因为在风投领域，错失一个改变世界的机会比投错一个项目代价更大。

一旦决定投资，我们会启动投资流程，集全公司之力去赢得这笔交易。这不仅是资金的支持，更是利用我们在各个领域的专家资源（无论是企业服务还是消费者应用）来帮助创业者成功。我们不希望仅仅做开支票的人，而是成为创业者在该领域的最佳合作伙伴。

关于 AI 原生公司的客户留存率，目前我们还没有看到严重的问题。虽然市场上有很多尝试和切换，但企业客户越来越倾向于寻找能够提供丰富生态系统和整体解决方案的初创公司。单纯提供一个 AI 功能（如语音转文字）是不够的，必须在核心功能周围构建完整的工作流。

在销售方面，我们发现了一个有趣的现象：比起传统的推销，现在更多的是前置部署工程（Forward Deployed Engineering）。大型企业非常渴望应用 AI 来降本增效，但他们往往不知道具体该怎么做。因此，初创公司需要深入客户内部，帮助他们理解如何重构业务流程以适应 AI。这不仅是卖软件，更是一场文化变革。那些能够帮助企业完成这种自我改造的初创公司，将获得巨大的市场机会。