a16z合伙人：AI使用成本，正在改写SaaS下一步丨a16z
a16z合伙人：AI使用成本，正在改写SaaS下一步丨a16z
a16z合伙人：AI使用成本，正在改写SaaS下一步丨a16z a16z合伙人：AI使用成本，正在改写SaaS下一步丨a16z Modified June 10 🔗 原文链接： https://mp.weixin.qq.com/s/ L2DS5ES... 原创 Capihom Capihom 晚点再听LaterCast2026年6月9日 21:46 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 "Agentic coding 已经从有点有用，变成了真的在改变一切。" "我不认为基础模型是产品，也不认为聊天机器人是产品。价值会在更上面。" "为什么多数人看着 ChatGPT，今天仍想不出要拿它做什么？" Benedict Evans 是前 a16z 合伙人，也是硅谷长期追踪平台迁移的分析师。他这次在 a16z 与 Erik Torenberg 对话，回看自己一年多前那份《AI Eats the World》之后，AI 行业真正发生了什么。最醒目的变化，不在于模型参数又变大了，而在于一个场景终于被市场强行拉出来：写代码。 Evans 的判断很克制：AI 当然会进入更多行业，但今天已经跑出硬需求的地方，先是软件开发。 写代码先跑出来 过去一年，AI 公司的叙事从“什么都能做”收窄到一个更硬的战场。Evans 说，OpenAI 的策略几次转向，从同时铺开很多方向，到看起来重新加码 coding。原因很简单：客户开始主动把 agentic coding 从供应商手里抢走。 这类需求已经不像演示，也不像尝鲜，它更接近产品市场匹配。 与此同时，算力、容量、价格和资本开支被同一个需求拉紧，行业注意力自然向 coding 集中。 "客户正在把它从你手里拉走。" 这也解释了为什么今天的 AI 兴奋感和两年前不同。两年前的问题是“它很厉害，但我们到底用它做什么”。现在至少有一个回答落地：它能帮工程师写、改、查、组织代码。Evans 仍然保留判断边界：模型是否会有赢家，模型能否向上捕获价值，消费者会不会从每周使用变成每日使用，这些都还没有答案。 Evans 特别提到，模型变大、使用量增长、ChatGPT 数字继续刷新，都没有自动解开这些旧题。行业只是第一次有了一个足够坚硬的用例，可以把战略争论拉回真实收入、真实容量和真实价格。创业公司需要的也正是这种线索：客户愿意立刻购买哪一段工作，哪一段还停留在演示和新闻标题里。 工程师为什么最早上手 主持人问，coding 率先爆发是否可以提前预见。Evans 给了一个朴素答案：最早折腾这类工具的人就是软件开发者，他们最自然会先让它服务软件开发。他把今天的 LLM 类比成 1970 年代末和 1980 年代初的个人电脑，也类比成 1997、1998 年的互联网：令人兴奋，方向还不完全清楚，很多东西也还不稳定。 新计算平台刚出现时，最先被拿来改造的，往往就是计算本身。 "人们用 PC 做的第一件事，是制造计算机。某种意义上，LLM 也是计算机，人们正在用它制造更多计算。" 这段判断对工程团队很重要。Evans 没有急着预测 junior engineer 会消失，或者 senior engineer 会彻底换工种。他更关心现实动作：工程师已经把模型接进 IDE、终端、代码库、PR 流程和调试链路。软件开发的任务天然可被切成小块，输入输出也更容易验证，所以它比很多白领工作更早跨过“我试了一次”到“我离不开它”的门槛。 Anthropic押中了窄战场 对比 OpenAI 和 Anthropic 时，Evans 描述了两种产品策略。OpenAI 一度像是在基础设施上方同时尝试很多东西；Anthropic 资本更少，选择聚焦 coding，并且把这件事做出来了。至于这是精确战略，还是一路摸索撞上的结果，他没有替公司下结论。 在当前阶段，窄场景比宏大愿景更有说服力。 用户不需要相信路线图，只要在代码库里看到产出。 "Anthropic 资本更少，于是说：我们要聚焦 coding。然后他们把 coding 做出来了。" Evans 随后把人群差异讲得很直白：硅谷有人买了一组 Mac Studio，整天跑着 OpenClaw；另一边，仍有很多人说 AI 还算有用，上周拿它做过一件事。工程师群体已经跨过桥，其他岗位仍在桥边找路。这里的差异会影响产品路线，也会影响企业采购：能被自然嵌进工作流的 AI，才会从热闹变成预算。 这段也解释了为什么 Claude Code、Cursor、Codex 这类产品被密集讨论。它们没有要求工程师先学习一个全新的业务语言，而是直接进入已有动作：读仓库、改文件、跑测试、开 PR。产品接受度来自熟悉场景里的速度变化，而非一套新概念。 公司要找具体流程 软件开发之外，企业更常见的路径是一个流程一个流程地找自动化点。Evans 提到，他和美国之外、科技圈之外的公司、咨询顾问和投资人交流时，听到的往往是点状需求：某个后台流程能不能更快，某个预测能不能更准，某个团队能不能少等几天。他举了大宗商品公司的例子，对方想用 LLM 更好预测现金流，因为它面对很多小型生产商，不一定知道对方何时交付。 "你不用让用户自己想新工具能做什么，而是说：这里有一个我们能解决的问题。" 这对产品负责人也有提醒价值。企业里很多 AI 项目卡住，并非模型不够强，而是没人把任务拆到足够具体：谁输入什么，系统拿到什么数据，输出交给谁判断，错误由谁承担。coding 率先成立，正因为代码、测试、版本控制和 review 已经把这套闭环准备好了。其他部门想复刻效果，需要先补自己的流程骨架。 Evans 还把视角推到咨询、法律、金融和广告行业。他说，如果没在律所或咨询公司工作过，很难知道 associate 每天到底在做什么，也很难知道客户到底在为哪一部分付费。AI 进入这些行业后，答案不会只来自模型实验室，还会来自懂行业成本结构和交付方式的人。 便宜之后会冒出新事 Evans 讨论预测时，给出了一组更实用的问题。他说，当一类过去不能自动化的事情突然可以自动化时，第一步要看价格弹性：成本下降后，公司是用更少钱做同样的事，还是用同样的钱做更多，甚至花更多钱做以前想不到的事。 AI 的影响不只来自省钱，也来自原来因为太贵而没人尝试的动作。 "如果做事变便宜了，你是用更少的钱做同样的事，还是用同样的钱做更多，还是花更多钱做更多？" 他用蒸汽机和火车、Spotify 和音乐作类比。再多马匹也造不出快车；15 美元买一张 CD 和 15 美元包下全部音乐，也会导向完全不同的产业结构。问题在于，每个行业的结果不同。互联网摧毁了物理分发的价值，报纸受到巨大冲击，电影公司却没有被同样方式改写。所以 AI 进入行业时，不能只问“会不会降本”，还要问“降本后会冒出哪种新供给”。 商品和广告会被重新理解 在 coding 之外，Evans 最感兴趣的一个方向是广告、电商、品牌和零售。他提醒，广告是一万亿美元市场，零售是二十五万亿美元市场。今天 Google、Meta、Amazon 知道 SKU、知道商家填的元数据、知道买了 A 的人也买 B，却并不真正知道商品为什么被购买。Amazon 给买过马桶圈的人继续推荐马桶圈，就是一个老笑话。 "Google、Meta 和 Amazon 并不真的知道那个产品是什么。它们知道 SKU，知道元数据，知道买了这个的人也买了那个。" LLM 可能让平台获得更细的统计关联：商品是什么，人为什么买，哪些需求在同一个语境里出现。Evans 没有把它写成确定结论，因为“知道”这个词在 AI 语境里很难用得干净。但对增长和品牌团队而言，信号已经足够清楚：广告系统如果能理解购买动机，创意、投放和搜索入口都会被重新组织。 他还用 Netflix 做参照：流媒体由技术基础设施支撑，可 Netflix 每天要回答的是节目、演员、奖项、体育版权和预算配置。那些是洛杉矶问题，不是旧金山问题。AI 进入零售和广告后，也会出现类似转移：技术让新动作可行，业务团队决定哪些动作有利润。 模型层可能像云厂商 Evans 对模型公司的长期位置也很谨慎。他不认为基础模型本身就是产品，也不认为聊天机器人就是最终产品。企业买 SaaS 时，很少关心底层跑在 AWS 还是别的云上；律师事务所、制造公司、银行买软件时，也未必会因为全公司“标准化 Claude”就只买某一类应用。 如果模型被应用层抽象掉，模型公司就会拥有能力，却未必拥有用户关系。 "我不认为基础模型是产品，也不认为聊天机器人是产品。价值会在更上面。" 他更愿意把模型层拿来和 hyperscaler、半导体做比较：每一代都更贵，玩家数量可能收缩到三到六家，投入可能达到每年数千亿甚至更高。应用公司、行业软件和咨询体系，则在上面重新包装流程。对于 SaaS 创业者，这里的问题很尖锐：如果底层模型越来越像基础设施，产品差异就要回到行业数据、流程、权限、交付和信任。 这也是模型公司焦虑的来源。它们必须继续投更大模型，因为停下来可能被下一代追上；可应用层如果把模型选择藏在背后，最终用户未必知道自己正在用哪家模型。Evans 的推理没有否认模型能力，只是把商业控制权和技术能力分开看。 他提到的律所、制造公司和银行采购软件时，关心的是案件流转、工厂排产、风控审核这些任务能不能被更好地完成。底层模型当然重要，但业务负责人最终签下的是结果、合规、权限和可维护性。这也是应用层仍然有空间的原因。 算力账单给狂热降温 AI 行业一边相信更大模型必须继续建，一边也被现实账单约束。Evans 用很直的数字提醒大家：我们不能每年在 AI 基础设施上花 10 万亿美元，因为世界上没有那么多钱可花。更大的模型、更多使用量、更高资本开支，会持续推高供应紧张。 技术路线再迷人，也要回答一个冷问题：除了软件开发之外，人们到底在用它做什么。 "我们不能每年在 AI 基础设施上花 10 万亿美元，因为没有 10 万亿美元可以花。" 这也是为什么咨询公司、私募股权、Bain、BCG、McKinsey、Infosys、Cognizant、IBM、Accenture 会出现在同一段讨论里。真实企业很难自己想清所有 AI 用法，需要有人把模型能力翻译成业务流程。Evans 最后引用 1950 年代 IBM 电子计算器广告：一台计算器给你 150 个额外工程师。AI 的广告词很新，底层的管理难题并不新。 写在最后 Evans 留下的结尾很平静：AI 会像 PC、互联网、移动一样，带来好事，也带来坏事。二十年后，很多今天像魔法的能力会变成默认配置。现在最值得做的，是把兴奋收回到工作流里，问清楚哪一步已经有人愿意付钱，哪一步还只是演示，哪一步可以今天开工。 内容来源："Why Coding is The First Undeniable AI Use case | a16z"丨a16z 原视频：https://www.youtube.com/watch?v=ktl8mNiWqMM No access 8df84390c82b437aa124b633e87108cf 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣ https://mp.weixin.qq.com/s/ L2DS5ES... 🔗 原文链接： https://mp.weixin.qq.com/s/ L2DS5ES... https://mp.weixin.qq.com/s/ L2DS5ES... 原创 Capihom Capihom 晚点再听LaterCast2026年6月9日 21:46 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 "Agentic coding 已经从有点有用，变成了真的在改变一切。" "我不认为基础模型是产品，也不认为聊天机器人是产品。价值会在更上面。" "为什么多数人看着 ChatGPT，今天仍想不出要拿它做什么？" Benedict Evans 是前 a16z 合伙人，也是硅谷长期追踪平台迁移的分析师。他这次在 a16z 与 Erik Torenberg 对话，回看自己一年多前那份《AI Eats the World》之后，AI 行业真正发生了什么。最醒目的变化，不在于模型参数又变大了，而在于一个场景终于被市场强行拉出来：写代码。 Evans 的判断很克制：AI 当然会进入更多行业，但今天已经跑出硬需求的地方，先是软件开发。 写代码先跑出来 过去一年，AI 公司的叙事从“什么都能做”收窄到一个更硬的战场。Evans 说，OpenAI 的策略几次转向，从同时铺开很多方向，到看起来重新加码 coding。原因很简单：客户开始主动把 agentic coding 从供应商手里抢走。 这类需求已经不像演示，也不像尝鲜，它更接近产品市场匹配。 与此同时，算力、容量、价格和资本开支被同一个需求拉紧，行业注意力自然向 coding 集中。 "客户正在把它从你手里拉走。" 这也解释了为什么今天的 AI 兴奋感和两年前不同。两年前的问题是“它很厉害，但我们到底用它做什么”。现在至少有一个回答落地：它能帮工程师写、改、查、组织代码。Evans 仍然保留判断边界：模型是否会有赢家，模型能否向上捕获价值，消费者会不会从每周使用变成每日使用，这些都还没有答案。 Evans 特别提到，模型变大、使用量增长、ChatGPT 数字继续刷新，都没有自动解开这些旧题。行业只是第一次有了一个足够坚硬的用例，可以把战略争论拉回真实收入、真实容量和真实价格。创业公司需要的也正是这种线索：客户愿意立刻购买哪一段工作，哪一段还停留在演示和新闻标题里。 工程师为什么最早上手 主持人问，coding 率先爆发是否可以提前预见。Evans 给了一个朴素答案：最早折腾这类工具的人就是软件开发者，他们最自然会先让它服务软件开发。他把今天的 LLM 类比成 1970 年代末和 1980 年代初的个人电脑，也类比成 1997、1998 年的互联网：令人兴奋，方向还不完全清楚，很多东西也还不稳定。 新计算平台刚出现时，最先被拿来改造的，往往就是计算本身。 "人们用 PC 做的第一件事，是制造计算机。某种意义上，LLM 也是计算机，人们正在用它制造更多计算。" 这段判断对工程团队很重要。Evans 没有急着预测 junior engineer 会消失，或者 senior engineer 会彻底换工种。他更关心现实动作：工程师已经把模型接进 IDE、终端、代码库、PR 流程和调试链路。软件开发的任务天然可被切成小块，输入输出也更容易验证，所以它比很多白领工作更早跨过“我试了一次”到“我离不开它”的门槛。 Anthropic押中了窄战场 对比 OpenAI 和 Anthropic 时，Evans 描述了两种产品策略。OpenAI 一度像是在基础设施上方同时尝试很多东西；Anthropic 资本更少，选择聚焦 coding，并且把这件事做出来了。至于这是精确战略，还是一路摸索撞上的结果，他没有替公司下结论。 在当前阶段，窄场景比宏大愿景更有说服力。 用户不需要相信路线图，只要在代码库里看到产出。 "Anthropic 资本更少，于是说：我们要聚焦 coding。然后他们把 coding 做出来了。" Evans 随后把人群差异讲得很直白：硅谷有人买了一组 Mac Studio，整天跑着 OpenClaw；另一边，仍有很多人说 AI 还算有用，上周拿它做过一件事。工程师群体已经跨过桥，其他岗位仍在桥边找路。这里的差异会影响产品路线，也会影响企业采购：能被自然嵌进工作流的 AI，才会从热闹变成预算。 这段也解释了为什么 Claude Code、Cursor、Codex 这类产品被密集讨论。它们没有要求工程师先学习一个全新的业务语言，而是直接进入已有动作：读仓库、改文件、跑测试、开 PR。产品接受度来自熟悉场景里的速度变化，而非一套新概念。 公司要找具体流程 软件开发之外，企业更常见的路径是一个流程一个流程地找自动化点。Evans 提到，他和美国之外、科技圈之外的公司、咨询顾问和投资人交流时，听到的往往是点状需求：某个后台流程能不能更快，某个预测能不能更准，某个团队能不能少等几天。他举了大宗商品公司的例子，对方想用 LLM 更好预测现金流，因为它面对很多小型生产商，不一定知道对方何时交付。 "你不用让用户自己想新工具能做什么，而是说：这里有一个我们能解决的问题。" 这对产品负责人也有提醒价值。企业里很多 AI 项目卡住，并非模型不够强，而是没人把任务拆到足够具体：谁输入什么，系统拿到什么数据，输出交给谁判断，错误由谁承担。coding 率先成立，正因为代码、测试、版本控制和 review 已经把这套闭环准备好了。其他部门想复刻效果，需要先补自己的流程骨架。 Evans 还把视角推到咨询、法律、金融和广告行业。他说，如果没在律所或咨询公司工作过，很难知道 associate 每天到底在做什么，也很难知道客户到底在为哪一部分付费。AI 进入这些行业后，答案不会只来自模型实验室，还会来自懂行业成本结构和交付方式的人。 便宜之后会冒出新事 Evans 讨论预测时，给出了一组更实用的问题。他说，当一类过去不能自动化的事情突然可以自动化时，第一步要看价格弹性：成本下降后，公司是用更少钱做同样的事，还是用同样的钱做更多，甚至花更多钱做以前想不到的事。 AI 的影响不只来自省钱，也来自原来因为太贵而没人尝试的动作。 "如果做事变便宜了，你是用更少的钱做同样的事，还是用同样的钱做更多，还是花更多钱做更多？" 他用蒸汽机和火车、Spotify 和音乐作类比。再多马匹也造不出快车；15 美元买一张 CD 和 15 美元包下全部音乐，也会导向完全不同的产业结构。问题在于，每个行业的结果不同。互联网摧毁了物理分发的价值，报纸受到巨大冲击，电影公司却没有被同样方式改写。所以 AI 进入行业时，不能只问“会不会降本”，还要问“降本后会冒出哪种新供给”。 商品和广告会被重新理解 在 coding 之外，Evans 最感兴趣的一个方向是广告、电商、品牌和零售。他提醒，广告是一万亿美元市场，零售是二十五万亿美元市场。今天 Google、Meta、Amazon 知道 SKU、知道商家填的元数据、知道买了 A 的人也买 B，却并不真正知道商品为什么被购买。Amazon 给买过马桶圈的人继续推荐马桶圈，就是一个老笑话。 "Google、Meta 和 Amazon 并不真的知道那个产品是什么。它们知道 SKU，知道元数据，知道买了这个的人也买了那个。" LLM 可能让平台获得更细的统计关联：商品是什么，人为什么买，哪些需求在同一个语境里出现。Evans 没有把它写成确定结论，因为“知道”这个词在 AI 语境里很难用得干净。但对增长和品牌团队而言，信号已经足够清楚：广告系统如果能理解购买动机，创意、投放和搜索入口都会被重新组织。 他还用 Netflix 做参照：流媒体由技术基础设施支撑，可 Netflix 每天要回答的是节目、演员、奖项、体育版权和预算配置。那些是洛杉矶问题，不是旧金山问题。AI 进入零售和广告后，也会出现类似转移：技术让新动作可行，业务团队决定哪些动作有利润。 模型层可能像云厂商 Evans 对模型公司的长期位置也很谨慎。他不认为基础模型本身就是产品，也不认为聊天机器人就是最终产品。企业买 SaaS 时，很少关心底层跑在 AWS 还是别的云上；律师事务所、制造公司、银行买软件时，也未必会因为全公司“标准化 Claude”就只买某一类应用。 如果模型被应用层抽象掉，模型公司就会拥有能力，却未必拥有用户关系。 "我不认为基础模型是产品，也不认为聊天机器人是产品。价值会在更上面。" 他更愿意把模型层拿来和 hyperscaler、半导体做比较：每一代都更贵，玩家数量可能收缩到三到六家，投入可能达到每年数千亿甚至更高。应用公司、行业软件和咨询体系，则在上面重新包装流程。对于 SaaS 创业者，这里的问题很尖锐：如果底层模型越来越像基础设施，产品差异就要回到行业数据、流程、权限、交付和信任。 这也是模型公司焦虑的来源。它们必须继续投更大模型，因为停下来可能被下一代追上；可应用层如果把模型选择藏在背后，最终用户未必知道自己正在用哪家模型。Evans 的推理没有否认模型能力，只是把商业控制权和技术能力分开看。 他提到的律所、制造公司和银行采购软件时，关心的是案件流转、工厂排产、风控审核这些任务能不能被更好地完成。底层模型当然重要，但业务负责人最终签下的是结果、合规、权限和可维护性。这也是应用层仍然有空间的原因。 算力账单给狂热降温 AI 行业一边相信更大模型必须继续建，一边也被现实账单约束。Evans 用很直的数字提醒大家：我们不能每年在 AI 基础设施上花 10 万亿美元，因为世界上没有那么多钱可花。更大的模型、更多使用量、更高资本开支，会持续推高供应紧张。 技术路线再迷人，也要回答一个冷问题：除了软件开发之外，人们到底在用它做什么。 "我们不能每年在 AI 基础设施上花 10 万亿美元，因为没有 10 万亿美元可以花。" 这也是为什么咨询公司、私募股权、Bain、BCG、McKinsey、Infosys、Cognizant、IBM、Accenture 会出现在同一段讨论里。真实企业很难自己想清所有 AI 用法，需要有人把模型能力翻译成业务流程。Evans 最后引用 1950 年代 IBM 电子计算器广告：一台计算器给你 150 个额外工程师。AI 的广告词很新，底层的管理难题并不新。 写在最后 Evans 留下的结尾很平静：AI 会像 PC、互联网、移动一样，带来好事，也带来坏事。二十年后，很多今天像魔法的能力会变成默认配置。现在最值得做的，是把兴奋收回到工作流里，问清楚哪一步已经有人愿意付钱，哪一步还只是演示，哪一步可以今天开工。 内容来源："Why Coding is The First Undeniable AI Use case | a16z"丨a16z 原视频：https://www.youtube.com/watch?v=ktl8mNiWqMM No access 8df84390c82b437aa124b633e87108cf 00:00 No access 8df84390c82b437aa124b633e87108cf 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣