企业 AI 能否为这轮建设热潮买单？

人工智能基础设施建设正在豪赌企业最终愿意为智能支付多少费用。在我们今年夏天关于预测AI泡沫的研究中，我们提出，一个值得关注的关键指标是企业客户的生产性利用率。

具体而言，我们当时表示，如果基础设施供给在生产性变现实现之前就赶上需求，泡沫破裂的风险就会上升到我们认为的危险水平。我们预测，当时的供给约束和健康的资本融资意愿可能为软着陆创造条件。我们将2029年定为风险最高的年份。

这就引出了下一个显而易见的问题：主流企业内部必须发生什么，才能让它们的AI投资在经济上实现自我造血？Michael Burry对Anthropic PBC的分析凸显了Anthropic所做承诺的规模和相互关联性。Apollo的Torsten Slok所做的研究则提出了疑问：这些财务收益如今在多大范围内显现？而个人电脑和互联网时代的历史提醒我们，生产力提升并不总是立竿见影，强大的技术也可能与最初看似糟糕、需要时间才能显现的投资回报并存。

我们认为，通往软着陆的路径在于企业运营方式的改变，具体来说就是它们所做的工作、所需的人员、如何扩张，以及客户最终愿意为之付费的价值。欢迎收看Breaking Analysis第332期：企业AI能否为这轮繁荣买单？

访问完整幻灯片。

今天加入我们的是Crawford Del Prete。他是IDC前总裁，现在是PSG Equity的高级顾问。几十年来，Crawford一直近距离观察技术转型，他带来了关于软件企业如何适应AI、新的AI原生公司如何形成，以及新兴运营模式是什么样子的最新视角。Crawford，欢迎你。很高兴见到你。

Crawford Del Prete：嘿，很高兴见到你，Dave。

AI正在改变经济格局的地方

Dave Vellante：截至本次录制，纳斯达克已下跌近1000点，所以情况每分钟都在恶化。还没到1000点，只跌了937点。原因有很多。当然，我们昨晚看到了大型超大规模云厂商的财报，市场反应不佳。

谷歌在广告方面的令人失望，以及AWS的资本支出和负现金流是罪魁祸首，但超大规模云厂商在云业务上仍在全力推进。总之，让我们从你所看到的情况开始，特别是市场上的情况，也包括企业内部的情况。从你的角度来看，AI在哪里正在改变经济格局？

Crawford Del Prete：嗯，AI正在许多不同领域改变经济格局，对吧？所以我们开始看到生产力提升的早期迹象，但还没有在数据中看到。我看到的是，企业开始实现工作流自动化。它们开始以不同方式使用AI。而这些方式是初期你会预料到的方式，对吧？所以我们看到向编程领域的大举推进。我们看到向客户服务领域的大举推进。但现在我们开始进入许多其他领域，组织内的单项任务开始被自动化。

而随着这种情况发生，我们开始看到AI在日常基础上对组织的影响变得非常不均衡。再说一次，工作由数百个、有时数千个任务组成。现在我们开始自动化这些任务，但我们未必改变了组织中工作的连接方式。所以我认为，这造成了一些不一致性，我们稍后会谈到，也就是我们在生产力数据中看到的情况。

为AI建设提供资金

Dave Vellante：谢谢你。你和我都是在PC时代摸爬滚打出来的。当然，我们学到摩尔定律就是一切。我们了解到价格快速下降。科技一直是通缩性的。现在科技是通胀性的。还记得吗，你和我过去跟踪磁盘驱动器市场，客户会想要锁定价格。他们会想要一份远期定价合同。

Crawford Del Prete：是的。

Dave Vellante：历史上的降价遵循摩尔定律的曲线。今天你想要锁定当前价格，因为价格在上涨。所以你看到各种疯狂的错位。Anthropic的S-1本周出炉，文件中确实有一些积极的数字。当然，所有人都在谈论营收增长。我们从未见过这样的情况：2026年上半年增长14倍，达到160亿美元。但真正让我印象深刻的是，Crawford，是资产负债表。该公司表示，他们拥有1320亿美元流动资产，也就是现金及等价物。而且美国只有两家非银行机构——这已有报道——拥有的现金比Anthropic多。当然，那就是Alphabet和Berkshire。

记住，他们已经筹集了大约1400亿美元。让观众好好消化一下这个数字。它基本上烧掉了100亿美元，才达到320亿美元的营收运行率。但当然，最大的问题是，这些正在投入的产能能带来怎样的经济回报。

Michael Burry，他写《Cassandra Unchained》——顺便说一句，他的作品无与伦比。他的想法常常被人嗤之以鼻。他因为整个GPU生命周期的问题受到过抨击，人们对他不屑一顾，但他的研究深刻而独特。这张图展示了围绕Anthropic相互交织的融资和商业关系。他从S-1文件中把这一切梳理了出来，你可以看到，在各种不同的安排下，多年期算力承诺总额达5370亿美元。其中有照付不议协议、最低采购协议、租赁协议、以交付为条件的产能等等。当然，这不是当前债务，但这是他们已经承诺的东西。

那么Crawford，我有一堆问题要问你。你就全部回答吧，或者回答你最有把握的那些。首先，你有资本提供方、基础设施供应商和模型公司。它们某种程度上都相互关联。这有多令人担忧？你的投资组合公司在增加支出吗？是因为AI展现出更好的回报，还是因为它们有错失恐惧症（FOMO），必须保持竞争力？当然，你的新创公司像火箭一样飞速发展，用更少的劳动力实现增长，它们可能向我们展示了通往未来的道路。你对这一切怎么看？

Crawford Del Prete：你看，Dave，你和我在这行摸爬滚打了一辈子，我们从未遇到过这样一种情况：一个相互关联的产业建立在昨天的架构之上，因为一种新架构出现后必须被重新定义。而一旦它被重新定义，就必须被构建出来。所以你们连接了世界，然后你们说，好吧，你们原有的技术栈是错误的技术栈。所以我们将不得不构建一个新的技术栈，而这个新技术栈将创造应用和使用量，这些将立即达到100%的产能。

所以在我看来，这种循环融资基本上是一种同时在世界各地重建技术栈的方式。所以你问的问题是：从终端客户的需求来看，我们看到了什么？我会告诉你，答案并不令人满意，但这取决于客户，对吧？

所以这周我和一位客户交谈，他对我说：“我拿不到足够的算力容量。”我反驳说：“等一下。”“不，不，不，你不明白。我能从联想买到的所有产能，我能从HPE、从戴尔买到的所有产能——我全都要。”所以他们愿意接受OEM愿意给他们的尽可能多的产能。显然，这些是非常非常注重量化的客户。但再说一次，在许多这样的地方，需求确实是无法满足的。

其他客户开始关注token支出。我在这些客户身上看到的——这与你和我在25年前发展出的东西非常非常吻合——他们正在审视工作负载，开始审视AI工作负载，并开始教人们说：“嘿，你知道吗？那个Opus 4.8模型，不算太差的模型。可能不需要为了额外的努力去用5.0，然后消耗六倍的token。”所以他们开始针对特定工作负载来调整模型。

所以我们在客户这方面还处于这段旅程的开端，但我告诉你，这看起来会非常像你和我20年前看待服务器市场的方式，最终你会针对不同的工作负载使用不同的模型，这将包括位于数据中心内部或云端的开源和开放权重模型。现实情况是，情况五花八门。但我要告诉你，我并没有看到大量客户说：“我得收手了”，因为这关乎竞争力。我必须保持竞争力，我必须给我的团队成员提供工具，让他们借助AI实现以前永远无法实现的事情。

Dave Vellante：我们在IDC确实把工作负载这块香肠切得够细的，对吧？说到你今天在英特尔看到的这个全新架构，英特尔今天股价下跌了30%。

Crawford Del Prete：是的。

Dave Vellante：基本上，通用x86正在被吸收进加速计算。我猜PC显然是大家忽略的地方。我不知道他们怎么会忽略，但英特尔在GPU方面并没有真正强势的定位。而AMD正在蚕食其在PC领域的市场份额。所以这是一个真正的难题。在你的量化客户例子中，那个客户是在变现的，对吧？这就是为什么他们想要尽可能多的算力，对吧？

Crawford Del Prete：那个客户整天都在变现，并且说：“你看，我可以通过给我的用户更多产能来创新，他们可以做以前永远做不到的事情。他们可以创建分析。他们可以创建以前永远无法创建的交付成果。”所以我会说，这类客户是存在的，而且是大规模存在的。我觉得在客户之间并不存在这种巨大的分化——谁愿意花钱、谁不愿意花钱。每个人都愿意花钱。这真的只取决于他们拥有的资源数量。

现在，你问了第二个问题：公司增加支出是因为AI改善了它们的经济效益，还是因为它们必须这样做才能保持竞争力？我要告诉你，无论是投资组合公司还是不是，今天没有哪家软件公司不在为AI投资。它们必须这样做。它们必须这样做来扩充产品组合以保持竞争力，因为存在许多以前从未有过的竞争因素。这些都是我每天都在关注的事情。

围绕这个问题有一整套讨论：一个相邻的、大型的、规模化平台，能否借助AI吞并你所在的领域，也就是你正在创新的领域？另外还有一个无处不在的问题——我们可以就此聊上一阵——客户能不能“凭感觉写代码”（vibe code）？他们能不能自己创造出一款软件产品，而不是去授权使用或直接使用它？所以人人都在投资。如果你不在AI上投资——属于这一类别的公司确实有几家，但非常非常少——那你很可能就是在给自己写下死亡判决书。

Dave Vellante：对。而你作为资本配置者，对投资一家不在AI上投入的公司并不太感兴趣。

Crawford Del Prete：完全正确。

从个人生产力到业务成果

Dave Vellante：好，那我们就试着把这个矛盾理清楚，因为我们看到Anthropic等公司建立了这些合作关系，看到它们如何为这轮建设提供资金。但我们今天的前提是，这些合作最终是否可行，将取决于终端客户能从这些产能中创造出什么价值。Crawford刚刚指出，他们拿不到足够的算力，所以这算是一个障碍。我还要加上治理这一项，考虑到我们做的所有关于治理的调查。人们害怕AI，他们担心安全。

那么，上周末，Apollo首席经济学家Torsten Slok提出了他对这些收益——AI带来的收益——扩散程度的看法。他把Mag Seven（七巨头）经通胀调整后的每员工收入，也就是那条不断上升的营收线，与标普500中其余493家公司做了比较。你可以看到那条营收线正在拉开差距。它显示从2023年每员工约60万美元（这已经相当不错）增长到如今的约80万美元。而更广泛的那组公司则基本持平。他的观点是，至少从目前看，AI的效益尚未广泛显现。

他在文中还进一步指出了生产力提升的缺失，并强调了循环融资方面的担忧。我们稍后会谈到J曲线，但我知道你读过那篇Apollo的文章。

Crawford Del Prete：对。

Dave Vellante：这与你之前谈到的企业内部情况如何吻合？这些收益是否在某种程度上范围很窄？你提到了那家量化公司。你也提到总体上人人都有FOMO（错失恐惧）。

Crawford Del Prete：是的。

Dave Vellante：但这个问题的第二部分是，我们都清楚地看到它体现为个人生产力、个人任务。但你认为它如何逐步上升为全公司层面的效益，甚至体现在宏观层面？

Crawford Del Prete：好。所以你会看到一家企业内部的多种变化，对吧？其中一些公司，它们的业务本身就极其AI原生。所以如果你做的是编程业务，你就能立刻利用AI，实现以前永远无法实现的事情。说到安全，安全作为一个品类现在正爆发式增长，因为我们看到这些前沿模型被应用于世界上存在的大量代码。

过去，真正去处理你的技术债务、重构你的代码，动力是什么？而现在，突然间有了这些工具，能够重构你的代码、让它变得安全。当然，我们每天都看到更先进的前沿模型暴露出各种漏洞。所以有一些非常清晰的使用场景开始显现出来。

我想说，当你开始看更一般的企业时，真正起作用的是任务的精简优化。我不确定我会把这些称为范围狭窄。我认为它们无处不在，最终会带来更高水平的产出，但它们真的很难衡量。而它们难以衡量的原因，我喜欢这样说：人们做的很多事情过去都停留在“良好意愿”的范畴里。那是从未写成的商业计划。那是从未完成的场景规划。那是对你一直想创建却从未建成的演示文稿的重新思考。

而这些东西在今天真的非常非常难以量化，直到我们开始重新思考企业的组织方式和企业的创建方式。有一些公司已经能够在特定使用场景中部署。但总体而言，被自动化的是个人任务。而随着这些任务被自动化，人们获得了更多产能。

所以我认为我们将开始看到的是，人们获得显著更多的产能。因此你不必招那么多人，你的盈利能力随之增长，你对一个人能交付的工作单元的期望也会持续上升，直到我们开始重新思考组织的运作方式。但根据我与各公司的交流，这大致就是我看到的发展态势。

Dave Vellante：那么，Crawford，我对RPA一直有的一个担忧，就是我所说的“在牛道上铺路”。它本质上是拿一个现有流程，根据人是怎么做的来把它自动化。我推断你的意思是，在重新思考工作流和流程方面，其实有很好的工作在推进。虽然也许是我把话塞进了你嘴里，但看起来正是这些才会展现出成功。如果你只是在牛道上铺路，你不会得到——这就像云端的“平移搬迁”。好吧，那不错。你也许能在人力成本上省下几个百分点，但你不会改变运营模式。这是对你所见情况的公允评估吗？

Crawford Del Prete：那么让我试着这样来框定它。我看到的是，RPA之所以难，是因为你必须铺那条路。你必须把——你必须写下实际步骤，然后你必须把这些步骤变成代码，然后你把它构建出来。而在这种情况下，它是自下而上的。它是员工所面临的所有这些具体痛点，然后找出用自然语言来做得更好的方式，再教人们如何把这些变成项目、如何把这些变成技能、如何把这些变成可以在组织中复制的东西。

这就是为什么，在最前沿的组织里，第一步是有机地做这件事。是走出去和你的员工交谈，推动AI黑客松——它们其实并不是真正的黑客松，而是：你是如何绕过这个组织中人们多年来一直面临的这个问题的，然后开始思考用不同的方式做事？然后，一旦他们能把它发展成一个项目或一项技能，就把它编码化并放入组织中，以便在整个组织内共享。所以把它想象成一个极其灵活、可适应、可用的、前所未有的RPA。而对我来说，这就是区别所在。

Dave Vellante：对。好。所以要点是，AI可以让员工更有生产力。他们可以更快地做事。但它何时以及如何体现在利润表上，则是另一回事。

Crawford Del Prete：是的，但一旦它启动起来，就可以在组织内迅速共享。

生产力J曲线

Dave Vellante：对。但它不一定会立刻体现在公司的整体成本结构或利润表和增长率中。所以我们要探讨的下一点是，具体需要发生什么，才能把这些任务层面的收益转化为利润表中更明显的结果。我们要谈谈生产力J曲线，因为它为我们提供了一个可能的解释。

我们刚才谈到的延迟——我们未必在宏观层面看到它。企业正在投资于这些流程改进，正如Crawford刚才所阐述的。这意味着新工具、技能、把数据整合起来。Crawford，我想让你稍后讲讲当Claude宕机时会发生什么的故事。但收获这类通用技术的全部好处需要时间。而且正如Crawford刚才指出的，其中一些投资是无形的。

Brynjolfsson、Rock和Syverson的原始研究聚焦于这些无形投资如何影响生产力，以及你如何衡量这一点。而我们现在展示的这条曲线，如果你是在听而不是在看，它是一个概念性的改编。但它说明了这一点：个人生产力的提升实际上可能与负的累计现金流同时出现。

所以当我们从采用阶段推进时，曲线会变为负值，随着我们在学习和重新设计，它会下降。然后随着你在整个组织中整合，它开始转为正值，然后是一条非常陡峭的轨迹。这就是J曲线的全部要点：当你开始规模化时，你达到盈亏平衡点，然后那个飞轮就启动了。但是，Crawford，我们都目睹了PC时代以及它是如何展开的。我们可以谈谈那个。我们看到生产力无处不在，唯独不在数字里。

Crawford Del Prete：对。

Dave Vellante：互联网泡沫破灭是另一个有启发性的例子。收益直到后来才变得可见，那时我们摆脱了拨号上网，有了宽带和Web 2.0。你看到了这种自上而下的指令，那就是：“你应当做AI。”于是人们说：“好，酷，咱们去弄Claude或Codex或随便什么。”然后他们从这种自下而上的方式开始。但我想让你讲讲你关于Claude的故事，然后讲讲你在自上而下、自下而上方面看到的情况。

Crawford Del Prete：我们可以从那里开始，但我只想说，这些生产力数字要花很长时间。根据我所见的历史，直到PC问世13或14年之后，我们才开始看到生产力增长。而那确实就是那个时期，如你所说，1996年到2000年、2002年之间的连通性时期。所以那些收益，我认为绝对会到来。

我之前和你分享的那个轶事——让我先交代一下背景——是在互联网泡沫时期，我们铺设了所有那些暗光纤，而光纤在很长、很长时间里一直处于暗置状态。我们最终落得这种巨大的产能过剩。我认为如此独特的一点是，回到我替换技术栈的例子，今天上线的每一块GPU一上线就被点亮，并且处于100%的产能。

我看到的是，即使你也许没有那些轶事——前几天，再说一次，我们在一家私募股权公司工作。你有许多分析师和每天与量化数字打交道的人。我正在我的办公室里干活，然后Claude宕机了。Claude突然发来一条奇怪的消息说：“你的额度用完了。”而我知道我们并没有用完额度。于是我走出去到隔壁办公室说：“嘿，你看到同样的情况了吗？”

而我看到了什么？我看到这一大群立方体，所有同事都站了起来。他们都在互相交谈，都在说：“你那边也宕了吗？你那边也宕了吗？你那边也宕了吗？”这是因为他们每天都活在这些应用里。他们承担了如此巨大的生产力，而我认为我们才刚刚开始能够衡量这些生产力水平。但我从未见过一项技术被全世界如此迅速地拥抱。

我担心的是那些恰恰做了你刚才提到的事情的组织：“我给了大家Claude，或者我给了大家Copilot。”然后当他们没有看到人们工作方式发生机构性变化、也没有在整个组织内分享这些经验时，他们就会感到沮丧。

让我们一路回溯到PC时代之前，Dave。你我在80年代中期共事过。我记得——你和我曾在一家内容公司、一家研究公司工作。我们会手写报告，然后排队把它们敲进Wang终端，对吧？报告就是这样进入出版系统的。在那之前，我的工作是在华尔街做商业贷款。我们会排队使用我们部门那台唯一的IBM PC上的电子表格。

其他任何人都不被允许拥有PC，但我们都知道我们需要那个该死的电子表格。所以我们会先在方格纸上做，然后再录入电子表格。我清楚地记得，清楚地记得和你一起工作，去打印机那里拿一叠纸，手写我的幻灯片。然后去争取使用共享PC的时间来制作我的幻灯片，或者让制作部门来制作幻灯片。

这些都是公司完成自我重构、那些层级被压平之前的例子。这就是用高效工具以非常低效的方式完成工作的情形。我认为我们今天在AI上正处于完全相同的境地。

Dave Vellante：说得好。我们在IDC也有同样的情况。也许就在你在前一家公司排队的时候，我正在为走廊尽头那台唯一的IBM PC排队。后来我们终于有了所有这些PC，但那是资本支出。这意味着现金流开始计时。然后我们都得去接受Lotus 1-2-3培训：斜杠、文件、检索。我们去了Newton Center，而且去了好几次。

那是另一项投资。Pat McGovern通过培训投资于我们的人。然后，就像J曲线上的那个点一样，它跨越了拐点，那时我们干掉了Dataquest。所以历史提供了这些关于耐心、纪律和个人生产力的教训。当一项投资正在重置时，这些改进可以共存，而这正是Crawford刚才如此雄辩地表达的观点。

Crawford Del Prete：是的，而且这种重置需要很长时间。我认为人们会变得非常沮丧。需求会起伏波动吗？会的。但我从未见过对一项技术的需求来得如此之快。所以，对我来说，就采用而言，这令人振奋。在世纪之交——不是千年虫，而是2000年前后——我们都有过多少次这样的对话：“哦，我有互联网了，但我到底能用它做什么？互联网带来的生产力在哪里？”

我不认为如今还有很多人会问AI能如何帮助我这个问题——如果你清醒着并且从事白领工作的话。当然，有些人未必在使用它，但我稍后会谈到那些人。今天，我认为绝大多数人都在基础层面上懂得如何使用AI。而那些处于前沿的人，在能完成的事情方面，比其他人领先了大约两英里。

现在，我要说我们正处于这样一个时刻：正如我们在Claude Code上看到的那样，它很难用，而且有点不直观。但现在，有了Meta Muse，我们开始看到一个世界，在那里我们可以让很多人用AI来完成他们想做的横向的、消费级类型的工作。而且我认为，当我们回顾时，这类工具的出现很可能会成为AI被更多中小企业采用、进入人们生活的一个拐点。

安全与问责

Dave Vellante：再说一次，市场今天吓坏了，因为，嘿，我们花了这么多钱。超大规模企业现金流为负，至少其中一些是这样，而我们没有看到收益。但正如你指出的，这需要一些时间。我们在IDC时期的另一位同事Dave Moschella正在写另一本书。它基本上是一部科技史，他给了我一本预读本让我审阅。典型的Moschella风格：棒极了。

他在那本书中指出，互联网泡沫与以往的泡沫有何不同。当然，像Michael Burry这样的人会说：“哦，这次不一样了，”他们多少是在拿这种说法开玩笑。但他指出，如果你看看郁金香狂热或日本房地产泡沫，再将其与互联网相比，没错，它们都被过度炒作了。但互联网是不同的，它超出了大多数人的预期。互联网不是郁金香，它只是需要时间超越拨号上网。它必须把宽带铺到最后一英里。

我们曾以为个人电脑会是通往互联网的途径。当我们第一次看到Netscape浏览器时，心想：“哦，就是PC。我们就是这样接入互联网的。”结果呢？直到智能手机出现才真正实现。然后我们还必须超越仅仅访问网站的阶段。Web 2.0可以说就是读写式的网络。他还指出，按点击付费广告让在线支出变得更容易衡量、更具可操作性。

所以关键在于，变革需要时间。我们谈论的是改造工作流程、开发新软件。基础设施正在逐步到位，而如今没有人真正放心让智能体在没有人类参与的情况下采取关键行动。Crawford，Sam Altman本周在Oracle OpenWorld上基本上是在建议企业客户——这些是Oracle最大的客户——“现在根本不用担心生产力。你们应该专注于堵住安全漏洞。”所以这是一个很好的例子，说明在周期早期会出现负现金流。你怎么看？

Crawford Del Prete：那么你看，我之前谈过这一点。安全将被彻底重新思考。我们写了太多代码。外面有太多技术债，人们确实需要专注于堵住自己的安全漏洞。这最终将非常有、非常有价值。但你说得对：这是世界正在剧烈变化的又一个例子。

与此同时，这一轮AI周期不同之处在于，能够参与的人数，以及一个组织能够以新方式利用技术。Dave，我认为这才是真正不同之处：在这个AI时刻，技术并不是难的部分，对吧？技术实际上是容易的部分，而且会变得越来越容易、越来越容易、越来越容易。

我每天交谈的公司都在试图平衡：我如何打造一家下一代公司，既能自动化大量工作流，又能让人类保持在环路中？因为这种问责将极其、极其重要。所以这就是我一直思考软件的方式。随着软件不断演进，它有三个层次：执行层、判断层和问责层。

执行层是所完成的计算工作。你把名字输入Salesforce，它进入数据库，比如通话中发生的事情就进入CRM。判断层正是许多智能体公司或AI公司现在关注的：我如何以自动化方式从该软件中创造洞察？你可以整天创造洞察。人们可以看这些洞察，不管它们是否有意义。人们可以在这方面提供帮助。

但坦率地说，执行层已经被AI吸收了。判断层也正在被AI吸收。问责层才是各家公司如今真正聚焦的地方。凌晨两点谁来拍板？合规数据由谁负责？谁对此承担责任？随着AI在未来不断压缩这些层级，聪明的公司正在思考如何构建下一代软件，使其能够尽可能高效地驾驭执行层和判断层，并让人类能够做更多的事、为比以往更多的决策承担责任。

你我在过去的交流中多次谈到记录系统和行动系统。我所看到的是，如今表现出色的公司，正是那些软件能够从客户那里开发出数据的公司。这不仅是在创建记录系统或行动系统，而且它嵌入到了他们工作流程中最困难的部分。而这种数据极具价值。

各家公司正专注于部署AI，以消除工作流程中的这些痛点，让客户能够专注于问责层，能够专注于承担责任——抱歉，是让开发这些数据的软件公司能够提供这种问责，让人们能够在未来提供这种问责。而在下一代AI中，这一点将极其、极其重要。

Dave Vellante：这是一个很好的观点，因为归根结底，客户要为自己的主权负责，承担风险，并针对该风险采取补偿性控制措施。这让我想起云端的共享责任模型。现在出现了一种新的模式，我称之为共享问责模型。但正如你所说，软件供应商要负责让产品按宣传的方式运行。这正是前沿模型供应商目前受到大量批评的原因。安全供应商必须确保产品如承诺般有效。归根结底，客户必须承担问责。

Crawford Del Prete：与客户一起，有时是与之合作。绝对如此。

企业买家告诉我们什么——Qualitate 实地调研凸显了阻碍因素

Dave Vellante：这就是为什么我说我认为存在一种新的共享问责模型。当云开始崛起时，共享责任模型并没有被很好地理解，亚马逊不得不对其客户进行一些真正的教育。我认为这里也将发生类似的事情，而且要复杂得多。

我想引入一些来自 Qualitate 的数据，来自我们与他们所做的一项专有调查。我们在 CoreWeave Fully Connected 之前做了一项实地研究，它显示了四个有用的买家情况，我们在这里展示。一个医疗健康和生物技术客户——这是积极的——从纯粹的突发训练转向了永久推理。他们说成本非常好。效率非常高。他们获得了良好的性能和一些早期变现。所以这是唯一一个积极的例子。还有其他例子，但我想聚焦于一些挑战。

一家加拿大托管服务提供商做了一次出色的技术POC。正如你所说，技术本身相当直接，但他们还没准备好扩大规模，因为他们必须先验证其面向客户的AI产品的需求。他们不确定能否赚钱，所以保持谨慎。他们想确保自己已经实现了产品市场契合。

后来，我们交谈过的几家客户希望将AI引入本地部署，以实现主权和低延迟、拥有自己的技术栈，并实现财务控制。但这位基础设施与运营副总裁表示，他们需要80%的GPU利用率才能实现盈亏平衡。正如你所说，新云和超大规模云厂商擅长实现高利用率。如今大多数企业还做不到这一点。因此，商业论证算不过账来，他们只能向云公司支付溢价。

最后一个例子是一家德国企业，他们表示CoreWeave具有出色的技术优势，但他们仍选择留在Azure，因为增加第二朵云会增加运营开销。与其承担这些开销，他们选择了阻力最小的路径，留在Azure，并利用现有的关系和已有的 credits。关键在于，这些具体的客户案例凸显了让一项技术运转起来与从该部署中赚钱之间的距离。

Crawford Del Prete：没错。

Dave Vellante：那么，Crawford，从你所看到的情况来看，这些情形常见吗？你之前指出，技术不是问题。通往未来的路是什么？

Crawford Del Prete：顺便说一句，这项研究非常出色。这些是我们持续看到的非常、非常常见的问题。我认为，这正是客户今后将与云提供商合作的地方。他们今后将与超大规模云厂商合作。人们把它想成一个二元世界：“哦，我要把数据放在本地的数据中心，而且我必须实现非常、非常高的利用率才能盈亏平衡”——就像你刚才说的那样。或者，“我要上云。”

我认为人们思考得不够的是，这里可能出现的各种混合排列组合。例如，如果我从云提供商那里获得一个开放权重或开源模型，而利用率可以共享，并且我开始看到我的利用率今后变得更高，那会怎样？所以我认为你会看到大量实验。你还会看到其他计算替代方案开始进入市场。这将带来增量容量，也会影响定价。

你还会看到更高效的 AI 软件出现。我们还没怎么谈这一点，但我认为稍后我们会谈到。我们从一些最先进的 AI 软件公司看到的是，他们不再考虑人机界面。他们在考虑 MCP。他们在想：“我想构建供智能体管理的软件。”这为整个讨论带来了巨大的效率提升。这可以影响你的 token 成本，降低你的 token 成本，并提高你的利用率。

我认为这就触及了那个关键点：我从未见过一项技术发展得如此之快。在六个月内，各种事物相互叠加、层层推进，然后不同的解决方案应运而生。所以这些是人们今天面临的真实挑战，但它们是可以克服的。而且我看到人们正在通过反复试验来跨越或绕过其中的一些问题。

重新设计软件公司和定价

Dave Vellante：太棒了。谢谢你的分享。我想请教你的运营经验，因为你曾在IDC经营一家规模相当大的公司，而现在你在多家董事会任职。那么让我们来探讨一下软件公司如何重新设计业务，使经济模式能够跟上步伐。我们已经无数次谈论过“SaaS末日”。老牌软件公司拥有大量客户。它们拥有确定性的工作流。在将AI扩展功能引入产品的同时，它们有需要保护的收入。它们正在对产品进行AI化改造。

然后你还有AI原生公司，它们正在构建现代化的运营模式。它们敏捷灵活。它们从一开始就围绕AI来设计架构、劳动力和定价。因此，这些带来了不同的机遇和不同的约束。Crawford，还有一个多部分的问题：当你帮助一家老牌SaaS公司转型为AI企业时，你会如何考虑这件事？你从哪里开始？AI原生初创公司又是什么样子？

Crawford Del Prete：让我们稍微展开谈谈。这要从最顶层开始，对吧？当你谈论一家历史上以 SaaS 为基础的公司转型为 AI 公司时，如果高管团队和 CEO 不认同 AI，如果只是‘我要把 Copilot 给几个人用’，那就完了。你必须得到最高层的认同。这听起来老生常谈。听起来很简单，但在转型方面这超级、超级重要。

当公司开始转型时，我们看到的最大领域之一可能是角色开始融合。所以过去你有产品负责人，然后有产品管理，然后有产品工程。我们看到这些角色都在某种程度上融合在一起。产品管理可能是我看到被重新定义最大的领域。它实际上正在与产品工程合并，你不再一定需要那种交接了。

你可以开始看到在你如何工程化产品以及如何将产品推向市场方面出现大规模的规模化。你看到技术产品经理能够利用 AI 将那些角色融合在一起。我认为这可能是，在早期阶段，我在公司中看到的最大变化之一，无论它们是 AI 原生公司还是 SaaS 公司：那些角色都在某种程度上被揉合在一起。

显然，我们看到了在 SaaS 下向产品驱动增长的转变，我认为我们在 AI 中看到这一点更加明显，你想要试用产品，你想要能够下载产品，你想要能够使用产品。这也是一个很大的变化。另一个非常大的变化不仅在于销售模式，还在于他们如何思考将产品推向市场。

我看到很多这类小型区域性经销商的能力正变得强得多，能够利用 AI 在销售技巧上变得更高效。我还看到，很多非常大的分销商对把软件资产引入自己的市场平台非常感兴趣，因为他们能从中获得更高的利润率。所以我们看到，AI 公司的上市渠道比过去任何时候都要丰富得多。我想说，这些就是我在市场中看到的一些变化。

现在，当你开始思考如何为产品定价，以及从定价角度如何把产品推向市场时，我认为与 AI 相关的最大变化——无论这是一家成熟公司还是一家新成立的公司——是我们看到人们对基于用量的定价有浓厚兴趣。我认为，对于一家引入 AI 的非 SaaS 公司来说，最重要的一点，也是我多次看到的最大挑战，是：我如何以可单独计量的方式将 AI 变现？我怎样才能审视并说：‘我在 AI 上做了这些投资，而客户因此付了更多钱’？

因为在很多情况下，我看到的是这样：你并不单独销售 AI。你销售的是嵌入核心产品中的 AI，然后让客户为此买单。所以我开始看到的是，你会在交叉销售、追加销售中看到它。你会在涨价中看到它。然后你最终开始推出可以额外收费的增量功能，而这些功能今后只属于 AI。你必须开始摆脱按席位收费。你必须开始转向按用量收费，这正是我看到大多数公司正在做的。

现在，基于结果的模式——基于结果这个说法经常出现——的问题在于，它会变得非常碎片化。它恰恰就像你提到的那样，是与某个项目绑定的。而当它与项目绑定时，你就得不到那种黏性。也许，如果你做得够好，你能获得重复性收入，但得不到经常性收入。你拿不到那种订阅收入，而这对这些公司来说是个问题。显然，出于他们转向 SaaS 的同样原因，他们并不想背离这一点。

软着陆的证据

Dave Vellante：对。所以，这是一个复杂的情况。软件定价从来都是如此，而且现在还处于早期。但你显然看到了一些积极迹象。根据我们的经验，你也见过这种情况，当我们看到一波新浪潮时，往往会出现新业务规模不足以抵消旧业务下滑的情况。这一次可能会有所不同，因为看看 Anthropic 在做什么就知道了。与此同时，我们仍然想检验主流企业的变现能否在泡沫破裂之前实现，而这正是我们试图弄清楚的事情。

我不认为泡沫今天就会破裂。在我们录制这期节目时，纳斯达克开盘一度下跌近 1000 点。现在略有回升。目前只下跌 853 点。所以确实很痛苦。我不认为这是泡沫破裂的时刻。事实上，我们是在放掉一点气，我认为这是件好事。

但在这张图里，我们考察的是四个相互关联的因素。第一，客户是否获得了可衡量的成果？也许，如果这些成果变得可衡量，我们就能更好地确定软件定价。第二，是否存在产品市场契合度？换句话说，该产品在最初的 POC 之后是否能产生可重复的支出？我们希望看到 ARR，而不只是明年的又一个项目。

第三，在计入交付成本后，软件和模型供应商能否获得可持续的利润率？token——构建智能的成本很高。第四，基础设施的使用能否产生足够的现金，以支撑运营和资本义务，并为下一个周期提供资金？客户生产力对我们的论点来说是必要的。但请记住，价值可以通过更低的价格流向客户，而不一定支撑工厂的回报。这正是基础设施投资者在审视的、用以证明更高估值合理性的东西。所以你必须考察整条链条。

Crawford，在接下来的 12 到 18 个月里——在这个世界上，也许这个时间跨度太长了——我们应该关注哪些关键进展，这些进展会让你更有信心地认为，生产性的客户需求正在赶上这轮建设？它分布得很广。你说过它并不狭窄。那么顺便问一下，什么会改变你的想法？你在自己的投资组合公司中关注哪些指标和 KPI？你怎么看？

Crawford Del Prete：所以很明显，你必须关注留存率，对吧？你必须关注净留存率、毛留存率，并观察随着他们推出新的 AI 功能，这些指标如何变化。我发现，做赢单/丢单分析很有价值。客户为什么离开？客户去了哪里？客户是转向了更 AI 原生的厂商吗？客户是转向了内部自建、自己打造产品的努力吗？这些在赢单/丢单分析中都能看到。

这是一个极其重要的指标，因为它触及了客户愿意承担多大风险去自建那层责任层，除非他们把那层责任层内建进去。公司能够以独特方式将 AI 变现的程度也极其重要，或者你能从留存数字中的交叉销售、追加销售看出来吗？另外几个对我而言真正重要的方面是：你是否通过 AI 功能吸引了更多客户？产品是否因为这些客户来到平台上而随着时间变得更好？

然后，更重要的是，产品不仅变得更好，而且每一个新增客户是否都获得了更好的体验？正在产生的数据是否因为这一广大客户群体属于该生态系统的一部分而对他们更有价值？当然，这一切都由与 AI 相关的更好决策所驱动。我花大量时间关注的另一件事是这样一个概念：公司借助 AI 能够发现和挖掘的下一个行动是什么。

所以，举例来说，也许他们身处ITSM领域。工单后来怎么样了？被重新打开了吗？工单关闭用了多长时间？也许你用某款AI软件生成了一张发票。那么，那张发票有争议吗？付款延迟了吗？被核销了吗？接下来的结果是什么？也许你提出了一项建议。客户接受了吗？他们提出质疑了吗？他们无视了吗？

这类后续互动会推动双向的客户价值：更多客户拒绝某项建议，说明这项建议不够好。于是建议会变得更好。这些都是我在考察AI相关收益时会关注的各类事项。

Dave Vellante：基本上，那个“下一个最佳行动”真的很有意思，因为我们一直很擅长弄清发生了什么，也很擅长弄清为什么会发生，但我们并不太擅长预测接下来会发生什么、以及我们接下来该做什么，对吧？

Crawford Del Prete：这正是AI为我们开启的可能性。

Dave Vellante：好，我们继续相信——这里我们又回到原点——通往持久AI经济的路径要经过主流企业的运营成果。好消息是，正如我们今天所谈到的，我们有证据表明AI工作负载正在扩大，新的运营模式正在涌现，正如Crawford与我们分享的那样。仍然存在的问题是：这些收益能以多快的速度转化为可重复的客户支出模式，并在整个行业中形成可持续的现金流。以及，这一切会不会在市场发生重大融资或其他动荡之前实现？

观众朋友们，你们怎么看？你们在从AI中赚钱吗？你们个人的生产力提升是否正在转化为可衡量的公司层面成果？如果是，你们很可能是所在领域的领军者之一。如果不是，在成果得到验证、AI实现自我造血之前，你们还有多少时间和耐心资本？请告诉我们你们的想法。

以下是完整节目：

免责声明：所有关于公司或证券的陈述均严格属于SiliconANGLE Media、Enterprise Technology Research、theCUBE其他嘉宾及客座撰稿人持有的信念、观点和意见。此类陈述并非这些个人关于买入、卖出或持有任何证券的建议。所呈现的内容不构成投资建议，不应作为任何投资决策的依据。您、且只有您本人对自己的投资决策负责。

披露：Breaking Analysis中提及的许多公司是theCUBE的赞助商和/或Wikibon或theCUBE Research的客户。这些公司或其他公司均对Breaking Analysis所发布的内容没有任何编辑控制权或提前查看权。

图片：theCUBE Research