很多投资圈的朋友看完 a16z 这场对谈，第一反应是兴奋，第二反应是焦虑。

　　但在我看来，这事儿其实特简单，剥开那层科技大佬的精英外壳，里面全是血淋淋的商业大实话。

　　Alex Rampell 说 AI 不是新周期，而是所有周期的叠加。这话听着特玄学，翻译成大白话就是：前面的老前辈们忙活了半个世纪，又是修路（半导体），又是盖房（云服务），又是发手机（移动端），全是给现在的 AI 准备的彩礼。如果没有前几次周期的红利，现在的 AI 就是个连网都连不上的残废。AI 之所以牛，是因为它一出生就含着金钥匙，直接降临在 80 亿人手里的智能手机上。

　　这就是商业逻辑里的“终极摘桃子”。

　　接着聊聊 SaaS 的死法。过去四十年，软件公司是怎么赚钱的？按“人头”收钱。你公司雇 100 个客服，我就收 100 份订阅费。

　　这逻辑在 AI 时代简直是逻辑自杀。如果 AI 真的能把 90% 的活儿干了，公司还要那么多人头干嘛？所以那些还在按席位收钱的软件公司，本质上是在跟客户的裁员指标对着干。

　　现在的狠人已经不卖铲子了，他们直接卖“坑”。你不用管我后面是用人还是用代码，反正你要的结果我给你搞定，你省下的工资咱们二八分成。这已经不是在卖软件，这是在“切人力的肉”。

　　对谈里还提到了一个特别扎心的词，叫“人质（Hostage）”。

　　在资本眼中，所谓的“好客户”其实就是“跑不掉的冤大头”。如果你的软件只是个可有可无的插件，客户分分钟把你换掉；但如果你成了企业的记录系统（System of Record），把账本、合同、核心数据全锁在里头，你就是由于各种复杂原因客户“不得不供着”的祖宗。

　　AI 时代的竞争，不是比谁的算法更酷炫，而是比谁能更快地把客户变成人质。

　　再说说那个“围墙花园”理论。OpenAI 这种大厂是在农场里种大路货蔬菜的（Token），如果你也去卖菜，你会被大厂的规模效应直接压成齑粉。

　　真正的暴利藏在那些“脏活累活”里。比如那些压根没联网的纸质合同、老旧的工业说明书、偏门的医学期刊。这些就是大模型吃不到的“特供食材”。

　　你拿这些食材加工成一份“端上桌就能吃”的成品菜，客户根本不在乎你背后用了哪个农场的菜，他只在乎这顿饭能不能解决他当下的饥饿。这种基于专有数据的垂直深耕，才是普通创业者活命的窄门。

　　最后聊聊 a16z 这家机构。他们自嘲是“用风投变现的媒体公司”，这可不是在凡尔赛，这是最清醒的竞争策略。

　　在 AI 这个快进到 10 倍速的战场上，顶级项目是不缺钱的，缺的是“懂行且能帮上忙”的资源。a16z 疯狂拍视频、写报告、搞调研，本质上是在搞“大规模流量收割”，让最有野心的创业者主动去投奔他们。

　　这就是顶级的阳谋：通过制造共识，来掌握定价权。

　　以下是全文翻译。

　　图片来源：a16z

　　AI不是新周期，而是所有周期的叠加

　　Alex Rampell：对各位第一次见面的朋友，我是Alex Rampell，来自Apps Fund。我加入a16z已10年。接下来这张图灵感源于Chris Dixon早在12、13年前发表的一篇文章，核心观点是：产品周期驱动增长。图表顶部显示的是Nasdaq指数（1977-今）：整体向上，但期间也有惊险的下跌。

　　图片来源：a16z

　　Alex Rampell：回顾历史，大致经历了四大产品周期——从PC时代说起（若再往前，可追溯到semiconductor），总会出现基础设施层与应用层两类公司：基础设施层（application layer）负责打造后端，应用层（application layer）负责做真正被用户使用的产品。Lotus是最早的应用公司之一；Adobe、Symantec也在1980年代崛起。同期的基础设施代表则是Apple与Microsoft。随后迎来互联网周期。虽伴随多次泡沫，却孕育出经久不衰的基础设施公司（Cisco、Akamai）和应用巨头（eBay、Amazon）。再之后是云周期：AWS贡献了Amazon的绝大部分市值；Workday、Shopify、Veeva等则成为云时代的应用层代表。移动时代将此前所有技术整合，并把一台“超级计算机”塞进了每个人的口袋——如今地球上绝大多数人都拥有智能手机，这本身就令人惊叹。而移动浪潮仍在持续：我刚买了一部40美元的Android备用机，它的计算力已远超1946年问世的超级计算机ENIAC。

　　两年前，AI时代正式拉开帷幕。Nasdaq指数一路攀升不必多说，更重要的是AI浪潮已经实实在在地展开。令人激动的是，这并非凭空出现的全新品类，而是所有既有技术的累积与爆发——若只有ENIAC而没有smartphone和cloud，AI顶多是一件摆进博物馆的稀罕物；然而如今地球80亿人中，绝大多数都手握smartphone，使得这项新技术的普及速度前所未有。AI时代已至，软件领域新增收入的绝大部分正源自AI，涵盖基础设施层与应用层。

　　Jen Kha：其实现在再回头去想两年前那个时间点，已经有点难以想象了。当然，当时ChatGPT-3已经发布了，我记得ChatGPT-4也已经出来了，但那时候基本都还是纯文本和图像，加上一点比较基础的推理能力而已，完全没有原生的语音能力，更不用说真实世界里的、实时的互动——这些在当时都还没有真正发生。即便只是短短两年的时间，我们已经走了这么远，这一点本身就已经很难想象了。

　　Alex Rampell：是的，这一切真的非常令人震撼，这些技术已经做到的事情本身就很不可思议。我们有时候会半开玩笑地说起一件事：关于AGI，或者说图灵测试——也就是，当我们不知道对方是谁的时候，什么时候已经分不清是在和计算机还是和人类对话了。答案其实是，如果你把十年前的人，甚至二十年前的人，或者更早之前的人，拉过来看现在的这些系统，他们很可能会说：“天啊，这简直像是一个完全有意识的存在，这比任何人类都要聪明。”我们其实一直在不断地调整和抬高“AGI”的标准，不断移动那个判断的“门槛”，到底什么才算是真正的AGI。但无论如何，可以肯定的一点是，这里的创新速度真的快得惊人。而最重要的，其实是这些技术所打开的机会空间，才刚刚开始显现。

　　为何这一次AI应用爆发如此之快

　　Alex Rampell：所以当时有一篇论文出来了。基本上，每当市场进入牛市，又出现那种特别、特别令人兴奋的新技术时，总会有人跳出来说：这是个泡沫，这东西行不通，或者说，一切都被严重高估了。我记得当时好像有一篇MIT的论文出来——先说清楚，这并不是MIT官方立场，而是某位研究者发表的论文——大概意思是：“你知道吗，大多数企业级的AI部署其实效果并不好，基本都没有真正跑起来。”但我们看到的情况，恰恰完全相反。我可以给你看一些实际的例子。有一家叫Ramp的公司，它主要做的是企业信用卡和费用管理这一类产品。你可以看到在2025年1月，这里出现了一个非常明显的陡增。那其实正好对应了一个时间点：企业真正开始大规模采用这些东西的时候。那问题来了——Ramp的用户是谁？

　　图片来源：a16z

　　这类公司未必是创业公司，而是思维更靠前、更愿意拥抱技术的成熟企业，不一定是GE这种传统巨头，而可能是在湾区或纽约、拥有成千上万名员工、希望在技术上走得更前的公司。他们逐渐意识到像GPT3.5这样的东西，其实已经相当不错了。最初的反应往往是“哇，真的很厉害”，比如用它写一集新的《Seinfeld》，能做出很多让人惊叹的事情，更像是一种炫技式的魔术，用来惊艳朋友。而现在，魔术实际上已经进入了企业，为人们节省了时间和金钱。

　　你们从这次分享里可能会感受到我对人类行为的一个基本判断：每个人本质上都想要两件事——变得更有钱，同时变得更省力，也就是用更少的工作换取更多的经济回报。而这正是GenAI真正解锁的东西，而且这种变化已经在当下开始发生了。过去一段时间里，这条曲线看起来相对平缓，但现在已经明显开始加速拐头了，你既能从企业支出的变化中看到这一点，也能从各家公司的增长中看到这一点，无论是在infrastructure layer还是在Apple这一层面。至于这些公司到底是被高估还是低估，其实反而没那么重要，因为这种事情本来就很难精准择时；真正重要的是，它们正在创造的价值规模本身，已经大到惊人的程度。

　　图片来源：a16z

　　我们马上就会讲到这一点。如果有人了解马斯洛需求层次理论的话，这其实是一个哲学层面的概念，用来解释人类在“需求金字塔”最底层到底需要什么。现在大家常常会开玩笑说，底层需求里还包括WiFi。也就是说，很多需求在过去几百年里一直都是成立的，而在这个金字塔的最最顶端，则是所谓的“自我实现”这一概念。但如果你真的去问任何一个青少年，他们最迫切需要的往往就是：“我的WiFi呢？WiFi在哪？”而接下来正在发生的事情是，这个位置开始被AI占据了。当然，没有WiFi就不可能有AI，但现在地球上大约已经有15%的成年人每周都会使用ChatGPT。他们为什么要用？因为它已经变成了日常生活的一部分，无论是和朋友打赌时用来查清楚“这件事到底是怎么回事”，还是解释某个问题的来龙去脉。

　　几乎可以说，这类技术的使用场景在规模上是无限的，而在美国，每个用户使用时长的增长也已经到了一个极其夸张的水平。随着这些系统变得越来越好、不断解锁新的使用场景，用户使用分钟数持续上升几乎是显而易见的结果，而且这一切正以一种令人目不暇接的速度发生。这种变化的推进速度本身，就是前所未有的。而支撑这一切的关键论文，其实可以追溯到2017年，由一位非常非常聪明的研究者Noam Shazeer等人共同署名发表的《Attention Is All You Need》，正是这篇论文首次提出了Transformer模型。

　　图片来源：a16z

　　我记得我们这边有一位合伙人Frank Chen，他在这里已经很多年了。当年他给我们演示过ChatGPT，或者说GPT-2，但说实话效果并没有那么好。这让我想起了一个叫Eliza的东西，那是一个基于马尔可夫链的、相当有名的早期系统，本质上是一个“治疗师”。它是上世纪六七十年代出现的，一个AI驱动的心理咨询程序，现在其实还能找到、还能试用。它的工作方式基本就是，你跟它说：“医生，我感觉不太好。”它就会回应你：“那你为什么感觉不太好呢，Jen？”它只是把你说的话换一种方式变成一个问题。它会让你产生一种好像有点“智能”的错觉，直到你问它：“我想就校车司机的事情向学校投诉。”它就会回答：“那你为什么想就校车司机的事情向学校投诉呢？”它并不会真正给你任何你需要的答案。

　　所以说到OpenAI，很难想象从2023年到现在其实也就短短几年时间，但我们确实已经进入了一个“应用的黄金时代”。我这么说完全是基于数字本身。过去我们谈公司增长时，常说的是double-double-triple、triple-triple-double之类的收入增长路径。因为在传统的软件模式下，假设你卖的是一款面向企业的软件产品，一年收费10万美元，第一年可能卖出几单，第二年再多几单，第三年再多几单，但极少、极少会看到一家软件公司在一两年内就从零做到一亿美元的收入。而现在，这种情况正在真实地发生，这也正是为什么我们会说，时代已经发生了变化。

　　而这并不是因为“大家手里钱太多了，所以随便买点新东西”。这些公司之所以愿意为这些产品付费，是因为它们确实为企业解锁了巨大的价值。企业也有同样的动机——想更省力、想更赚钱，而这些技术正好满足了这一点。接下来我会谈到我们在AI应用领域中看到的三个更宏观的趋势，也正是基于这些趋势，我们选择投资的公司类型。而在一定程度上，这正是我们需要反问自己的问题：什么才是真正具备防御性的？有哪些事情是那些大模型实验室本身不会去做的？因为这是一个非常、非常重要的问题。

　　事情并不是OpenAI只想充当整个生态里的后台层角色那么简单。他们本身就已经拥有一个领先的消费者级应用，最近推出的产品在某种意义上甚至可以被看作是TikTok的竞争者。同时，微软也正在以一种非常实质性的方式进入这个领域。

　　如果你回顾软件行业的历史就会发现，这家机构最早是由Marc Andreessen创立的，他当年创办了一家公司叫Netscape。后来，正是因为微软的介入，Netscape几乎被彻底碾压，甚至因此引发了一场反垄断诉讼——起因正是微软通过竞争手段让Netscape失去了生存空间。所以问题在于，究竟要如何打造一家真正能够长期存在的公司？哪些领域可能拥有最具持续性的增长潜力？

　　a16z的核心判断：AI应用的三大机会方向

　　图片来源：a16z

　　Alex Rampell：我接下来会展开讲三个方向。第一个方向是，传统软件正在全面走向AI native。这和当年云计算的转变并没有本质区别——如果你现在有一台时光机，能回到十五到二十年前，然后告诉自己：只要投资所有出现的cloud native公司，你就能拥有一个极其出色的投资组合。你会投到Shopify，会投到Veeva，也会投到NetSuite，你还会看到Salesforce最早上市，因为事实证明，那些传统巨头很难真正应对这种变化——他们习惯于一次性高价出售本地部署软件或盒装软件，却并不擅长转向按月订阅、单价更低但长期持续的商业模式。

　　所以，大致可以把这分成三类。第一类是传统软件正在走向AI native。第二类可以说是规模最大的一类，因为它本质上并不是在和软件市场竞争——软件正在开始“吃掉”劳动力。也就是说，你卖的是能够直接替代人类原本要做的工作的软件，而这显然是一个大得多的市场。当然，商业的基本规律依然成立，你必须构建真正的护城河，不能只是做一个很小的功能型产品，因为明天就可能有人把你的东西便宜一美元卖出来。

　　第三类，我把它称为“围墙花园”，本质上是那些拥有非常有价值的专有数据和模型的公司，在AI的帮助下能够直接交付最终成果，而正是这种能力，让这类业务本身变得更加有价值。

　　图片来源：a16z

　　那我先从第一类说起，也就是现有的软件品类正在走向AI native。作为投资人，我学到的一个非常关键的经验是，Mercury是一个很好的例子，它就像那只跑赢并且持续跑赢“兔子”的乌龟。Mercury为创业公司打造了一家新型银行，他们的定位很明确：当你创办公司时，把钱存到我们这里，我们会帮你支付账单、追踪支出，甚至充当一个基础的会计系统。在硅谷银行出事之前，Mercury从来没有真正意义上“抢走”过硅谷银行的客户，直到硅谷银行倒下的那个周末。这正是我所说的一个典型的“绿地机会”，而不是“棕地机会”。所谓棕地机会，就是你在一个已经存在的市场里向现有客户销售产品。

　　举个例子来说，比如邮件营销，你已经在用Mailchimp，这时候我想卖给你一个“带AI的Mailchimp竞品”，这件事会非常难；或者你已经在用NetSuite，我再跟你说“别用NetSuite了，我给你一个AI NetSuite”，如果你是一家全新的公司，这同样几乎行不通。这就是我所说的“绿地机会”——你没有用任何现有产品，你是一家全新的公司，或者是在某个关键拐点上才会发生切换。而这个拐点我就拿NetSuite来举例：当你的公司发展到大约50名员工，同时开始拥有三个法人实体、涉及两种货币的时候，情况就完全不一样了。

　　图片来源：a16z

　　我一辈子都在用QuickBooks，但不管出于什么原因，它在多州、多实体这类复杂场景下的支持一直做得不太好。于是KPMG会告诉你：你得换到一个更成熟、能支持这些复杂需求的ERP系统，这时候你才真正获得了重新选择产品的机会。市场上有NetSuite，你也可以选择像Riot这样的新产品——这是我们投资的一家公司，本质上类似NetSuite，但它可以直接帮你完成关账流程，内置了50个AI功能，是一个典型的greenfield案例。当然，这类公司并不会像野草一样疯狂生长，因为你必须等待新公司的出现，你完全押注的是greenfield，而不是brownfield。但在这张“宾果板”上的每一个位置，现有的头部玩家都在全面拥抱AI，并且会用AI让自己的业务变得更强，比如Bill.com会变成一家更强的公司，SAP会变得更强，Adobe也会变得更强，因为AI让他们能够推出新的功能，并为此持续收费。像Workday这样的公司也会开始收费，我在几个月前那场分享里就提到过这一点。Workday完全可以对客户说：“你要不要让我们帮你对系统里新增的每一位员工做背景调查？每次500美元。”那为什么不能有人用4.99美元就把这件事做好？原因就在于——你已经被锁在Workday这个体系里了。

　　我经常用一句话来形容最好的公司：最好的公司拥有的不是客户，而是“人质”，下面我用几个例子来说明这一点。比如在RPA领域，有一家已经上市的公司UiPath；在客户支持领域，有Zendesk，现在已经私有化了；在ERP领域，有SAP、NetSuite。而像Zendesk这样的公司，很多时候是按“每个坐席、每个月”来收费的，但这种模式在客服软件领域几乎已经走向消亡了，因为问题在于——当99%的客户问题都可以由支持软件自动解决时，我为什么还要按人头、按月付费？我真正想付费的是结果，而不是席位数量。正因如此，我们在这张“宾果板”上采取了非常激进的下注策略，会系统性地评估这个领域里看到的每一家公司，无论是做payroll、support还是ERP。关键在于，这些产品本质上都是“系统级记录系统”。

　　图片来源：a16z

　　所以我说“最好的公司拥有的是人质，而不是客户”，并不是说我们要去投那种真正把客户“绑住”的公司，相反，我们不想投资那些净推荐值为负一百的公司，我们想投资的是依然拥有非常强护城河的企业。回到我们正在看的这些公司，什么叫system of record？意思就是它支撑着整个业务的运转，宾果板上的每一个位置都是如此，比如你要怎么把NetSuite换掉？基本上是不可能的。你也许可以从一个AI的切入口进入，但更多时候，这些类别的本质是在构建新的system of record。当然，现有的incumbents也在做同样的事情，但当你是一家全新的公司，或者正好处在那个关键拐点上——到底继续用旧系统，还是换成一个全新的系统——这个选择几乎是显而易见的。

　　图片来源：a16z

　　第二个主题是新的品类正在出现。当软件开始进入“劳动力所在的位置”时，其实是没有所谓的宾果板可以对应的。原因很简单，因为在过去根本不存在能做这些事情的软件公司。一个非常核心的变化在于：很多原本你需要雇一个人来完成的工作，现在要么你根本招不到这样的人，要么即便招到了，这个人也不可能同时会21种外语、还能一天24小时不停工作，但软件可以完成这个人90%甚至更多的工作内容。你当然会为软件付费，未必是按照和人工完全相同的价格体系来付费，但关键在于，这类事情在过去你根本不会想到要用软件来解决，也从来没有对应的软件产品存在。接下来我会举几个具体例子，当然这一点我已经反复强调过很多次了——劳动力市场的规模，远远、远远大于软件市场，本身就大得惊人。

　　图片来源：a16z

　　你去看一份前台接待的招聘信息，比如Plaza Lane Optometry，这类诊所其实也有自己的“软件宾果板”，他们会在软件上花钱，可能用Microsoft Office，也可能用Squarespace或Wix，这些加起来一年大概也就是500美元左右。如果你能给他们提供一款软件产品，能够完成这份岗位描述里八项工作中的五项，他们是很愿意“雇用”这个软件的。那问题就在于，他们会为这样的软件付多少钱？这正是一个几乎还没人真正搞清楚的市场。他们几乎不可能为软件支付招聘广告里写的那种一年4.7万美元的人工成本，但同样也不太可能只付500美元。在中间这个区间，软件产品的推广者、创造者、应用软件公司可能会说：我们一年向你收2万美元。

　　他们在做这件事时必须非常谨慎。我们通常希望看到这些产品最终演变成一个system of record，这样当它已经覆盖了这八项工作职责中的五项时，就不会突然冒出另一个人说“我们一年只收19999美元”。我们希望这对Plaza Lane Optometry来说是一个非常非常有黏性的端到端解决方案。我相信，在现有软件产品的这张“宾果板”上，会出现大量市值创造的机会——那些以更好替代方案切入、瞄准greenfield的产品。当然，在这里你也可以选择去打brownfield，直接面向现有企业客户，而且很可能还能收取更高的价格，这条路径也通向更快、更爆发式的收入增长。

　　图片来源：a16z

　　David Haber：不过稍微退一步来看，你们可能已经听过很多关于法律领域里AI正在发生什么的讨论。考虑到这个行业本身就是一个高度依赖文档的行业，LLM在其中有着大量的应用场景，而你们大多数听到的案例，可能都集中在像Harvey这样的公司上，主要服务的是律所的诉讼业务、防务相关领域以及大型企业客户这一侧。

　　你们可能相对不太熟悉的是原告方，也就是主要代表个人的一侧，比如劳动法、个人伤害这类领域。我们在原告方相关的公司上花了大量时间去研究，其中一个非常独特的市场特征在于，这些律师通常采用风险代理制，也就是说只有在胜诉的情况下才会拿到报酬。这让他们和客户之间的利益高度一致，他们不按小时计费，而是从案件的最终结果中抽取一定比例的费用。正因为如此，一个原告律师每收到一百个潜在案件线索，往往只会接其中一个，因为每接一个案子，本质上都是对自己时间和精力的投资。而这也使得AI与他们核心商业模式之间形成了极其强的契合度。

　　相对来说，如果你是一名企业律师，当你的初级律师效率提高了50倍，其实你反而是在侵蚀自己原本可以向客户收取的收入。但在原告律师这一侧情况完全不同——如果你能让律师的效率提升5倍，就有可能把整体收入提升5倍甚至更多。从产品角度看，Eve这家公司有一个非常有意思的视角：他们希望真正掌控从案件线索进入、案件处理，一直到最终结果交付的整个端到端工作流程。

　　所以回到Alex之前提到的语音这一点，他们最近上线了一个voice agent，实际上已经开始直接从潜在客户那里收集证据。它可以筛选、处理大量的医疗记录或劳动相关文件，帮助律师判断哪些案件值得接，因为系统会生成一套关于案件特征的数据，从而能够判断：“这个案子大概值5万美元”，“这个案子可能值500万美元”，你应该把时间投入到这类案件上。接下来，它还会在案件的不同阶段中一步步协助律师，从前期筛选到正式诉讼，全流程参与，比如自动生成医疗时间线，起草案件中的核心文件——也就是所谓的demandletter，还可以协助提交起诉文件。

　　最终，我觉得这个业务最有意思的地方在于，它其实很好地说明了为什么“护城河”如此重要。首先，这些律师几乎全天候都生活在这个产品里，我们在尽调过程中听到的一个核心反馈是，几乎100%的案件都会通过这个产品流转。更有意思的是，随着Eve开始持续生成关于案件结果的数据，这些数据并不是公开的，也不是那些大型模型实验室能够拿来直接训练模型的数据，而这些结果数据反过来又在不断优化案件的前端筛选流程。系统可以在案件进入的最初阶段就判断：基于平台上所有已处理案件的特征，这类案件往往具备某些关键变量，意味着它可能值更多钱；或者像Alex提到的那样，通过降低接案成本，过去律师可能只愿意接那些至少能带来5万美元收益的案件，而现在他们也能负担得起只值5000美元的案件，于是整个市场规模自然被进一步放大了。

　　在原告律师这一侧，其实长期存在着一个非常明显的供需失衡，而Eve正在把这一点真正释放出来。正因如此，这个产品在市场上的拉力坦率地说甚至比我们最初预期的还要强。我的期待是，这类公司能够具备我们愿意持续投入的那些核心特征——AI与业务本身高度对齐，一方面直接推动收入增长，另一方面又能实实在在地为这些从业者节省成本。

　　图片来源：a16z

　　Jen Kha：能否顺便用具体例子说明一下，为什么我们会觉得这些公司特别有吸引力。Brian这里提了一个很好的问题：很多按使用量计费的AI应用，很难真正变成mission critical，反而更像是一个可以随时打开或关闭、嵌在更大产品套件里的功能模块。在尽调过程中，你们是如何评估这一点的？也许David可以用Eve，或者我们投资组合里的其他公司来举例，谈谈你们是如何判断这一风险的，以及你们观察到的模式——到底哪些应用最终能够“毕业”，真正成为不可或缺的核心系统？

　　David Haber：我觉得我们经常会去区分的一个关键点在于“差异化”和“防御性”之间的区别。AI本身是一个非常强大的差异化工具，比如一个voice agent可以用50种语言与人沟通、收集证据，这显然相较于人类具有极强的差异化能力，也确实在创造价值；但在我看来，仅仅拥有这样的能力，本身并不能构成真正的防御性。

　　Eve真正的防御性来源在于它对端到端工作流程的掌控，它构建的是一个与律师日常全部工作高度贴合、具备完整上下文的产品。我认为，这一点并不只适用于Eve，但其中一个非常关键的X因素在于，这项业务持续生成的数据——并不是公开数据，而正是这些非公开的数据，构成了一种不断复利叠加的竞争优势。Eve为不同客户处理的案件越多，产品本身就会变得越聪明，这种正反馈会不断自我强化，某种程度上就像是“带着枪去打刀战”。随着时间推移，它会逐渐成为原告律师开展业务时不可或缺的工具，而一旦走到这一步，就会变得极其难以被替代。真正重要的并不只是语音能力或文档总结这些AI技能本身，而是在于它最终成为了承载整个端到端流程的system of record。

　　Alex Rampell：我们并不是只是在投资那些“替代劳动力”的公司然后就结束了，恰恰相反，在这样的背景下，护城河不仅依然重要，而且比以往任何时候都更加重要。因为在软件行业里，其实早就发生过类似的事情。曾经有一家叫WordPerfect的公司，它在相当长的一段时间里持续增长；再早一点，还有一家叫Visicalc的公司。后来，往往是拥有最强分发能力的那一方说一句“这个我也能做”，于是直接复制了它的产品，结果大家也都看到了——WordPerfect消失了，Visicalc消失了，后来打败Visicalc的Lotus1-2-3也同样消失了。只不过在过去，从“面包”变成“烤焦的吐司”，通常需要五年的时间。

　　而现在，变化的速度已经快得惊人。你知道，如今像我、David和Jen这样的人，随时都可以去做一个软件产品。如果你听过“vibe coding”这个说法，就会明白，我们可以非常非常快地把软件搭出来。这反而让那些拥有巨大利润空间的软件产品面临更大的风险——你的利润空间，就是我的机会。我完全可以围绕你的利润空间去快速开发竞争产品。因此，产品必须具备极强的黏性，必须拥有真正独特的竞争优势，而数据往往正是其中最关键的一种。

　　另外我们之前也收到一个问题，问的是：如果每个人都因此失去工作，这对社会会产生什么样的影响？我并不认为这种情况会在短期内真的发生。你知道，1789年的时候，美国有98%的人口都是农民，后来拖拉机的出现确实让一部分人失去了原本的工作，也迫使他们去做别的事情。但坦率地说，我们现在看到的大多数变化，并不是在消灭工作本身。我确实认为，将来某个时间点，那350万名卡车司机可能会面临变化，因为相比人类驾驶卡车，AI可能会成为一个更优的解决方案。但对绝大多数场景来说，事情并不是简单的“取代”，而更像是：一边是成本，一边是价值之间的重新平衡。

　　你永远不会雇一个创造的价值低于其成本的人，那样本身就没有任何意义。但如果现在你可以有效地“雇用”AI，而只是成本大幅下降、价值却保持不变，那你自然会大量采用AI。这并不意味着你会解雇大量人类员工。真正的问题、也是我们一直很难预测的，是：接下来人类会去做什么？

　　在75年前的软件公司里，根本不存在“产品经理”这样的岗位，设计师也是一样。今天存在的这些工作，如果放到1800年，是完全无法被理解的。所以要去预测未来人类具体会做什么，其实非常困难。但我们现在看到的很多变化，并不是在真正“替代”人，而是在增强人类的能力。虽然说“软件正在吃掉劳动力”这句话听起来有点耸人听闻，但更准确的说法是，软件正在增强劳动力。很多时候，不是我要取代某个人，而是我根本雇不到这样的人——不管是因为岗位短缺、技能短缺，还是其他原因——于是我可以部署软件来完成这些工作。比如说，让人接电话这件事，我可能愿意雇一个人下午四点上班，但绝不会为了凌晨两点接电话去雇一个人，因为那时候成本和价值的关系是倒挂的。而AI正好填补了这种空缺。Salient就是一个很好的例子，他们做的是自动贷款服务。比如你是一家汽车贷款机构，就需要确保按时收回款项；如果借款人出了车祸，保险公司应该赔付，那你又要确保保险公司及时付款、而且把支票开给正确的对象——因为车是租赁的，支票应该开给你，而不是直接开给个人。这一整套复杂的流程，正是这类软件在解决的问题。

　　我当然可以雇很多人、培训很多人，但现实是，很多人本来就讨厌这些工作，因为他们整天要被人骂，比如对方说“我就是不还这笔车贷”，或者你给保险公司打电话，被放在那种糟糕的等待音乐里一等就是四个小时，一天要听上十二个小时，真的会让人崩溃。这些都是为什么人类不愿意做这些工作、或者你根本招不到人来做这些工作的原因。

　　Salient的关键点并不在于帮你省钱，真正关键的是——它能帮你多收回50%的钱。这一点才是核心。Aria，也就是他们的CEO，一开始总是反复强调“我能帮你省钱、帮你省钱、帮你省钱”，而确实，大家都喜欢省钱；但如果你直接跟客户说：“我可以让你每个月多收回50%的收入，而且还能确保你不会因为合规问题惹上麻烦”，那吸引力就完全不一样了。因为那些你雇来、却训练并不充分、每天要听四个小时糟糕等待音乐的人，很容易一不小心就说出不该说的话，而这在金融和合规环境里，是非常危险的。

　　我可以确保AI不会做出任何这些违规的事情，这也正是那家公司能够如此快速增长的原因。归根结底，这更多还是关于价值创造本身。是的，成本确实低得多，但真正的问题在于，他们是如何给这个产品定价的？他们最早的一个客户，每年在呼叫中心上的支出高达5000万美元，而且员工的年化流失率在40%到70%之间。这并不是因为公司在裁人，而是因为根本没人愿意干这份工作。于是他们现在可以直接说：这件事我用软件帮你做。我会给你一个system of record，我会确保系统持续抓取每一条新的联邦和州级法规，因为你在密苏里州能说的话，和你在加利福尼亚州必须说的话完全不同，也和你在爱荷华州的要求不一样。所有这些事情我们都会自动完成，而没有任何一个人类能够同时把这些规则全部记在脑子里。Salient则能准确知道在任何情况下该说什么、怎么说，而且还能用21种语言表达清楚，这正是它让回款率提高50%的原因所在。所以这一整类产品的核心逻辑就是：我不仅能帮你赚更多钱，而且成本还更低，而这种价值主张一旦成立，就几乎不可能被轻易替代。

　　对我们来说，一个真正关键、而且非常重要的问题是：我们如何确保自己押对了那家公司？又如何确定Salient不会被别人取代？老实说，这是Ari第一次来见我时，我问他的头号问题——假设市场上同时有一家叫Tian的公司，还有一家叫Salient，凭什么最后胜出的会是Salient，而不是Tian或其他任何一家？

　　Ari，也就是CEO，当时给了一个非常、非常好的回答——不是那种“上ChatGPT查了下怎么回答VC难题”的答案。归根结底，还是那句话：护城河真的很重要。我们非常清楚在任何情况下该用什么话术，这本身就是一种数据护城河的体现，因为我们已经打过数百万通电话，知道在不同场景下究竟该说什么、怎么说才最有效。他们对每一条新出台的法规都有极低的响应延迟，实际上已经做出了一个非常扎实的产品，能够在全美50个州、甚至有时精确到县一级，在法规还只是被提出为法案阶段时就完成数据摄取。正是这一整套能力，让竞争变得异常困难，也让他们在争夺客户时几乎不会丢单。在如今软件可以被如此快速构建的时代，护城河的重要性反而比以往任何时候都更高。

　　Jen Kha：也许在这里可以把这一部分再往深一点收一收：这是否意味着，软件会在某些特定垂直领域里变得越来越“窄而深”，而不再需要横跨很多不同品类，也依然能够成长为一家体量巨大的公司？

　　Alex Rampell：这一点其实我们也并不确定。毕竟，历史上已经有很多非常成功、规模做得很大的垂直软件公司，比如ServiceTitan就是一家典型的垂直软件公司，Mindbody也是如此。Toast也是一家体量非常大的垂直软件公司，它是为餐饮经营者量身打造的，用来运行整个业务体系的系统，可以对接DoorDash、发放员工工资、提供贷款服务，几乎涵盖了餐厅运营中的所有环节，本质上就是一个垂直领域的操作系统，而且极其难以被替代。回过头看，曾经一定有人怀疑过，这样一家只聚焦餐饮行业的公司，规模到底能做多大。

　　而且当时确实有很多人是这么想的。Toast在融资B轮的时候其实非常困难，因为不少投资人会说：“我看餐饮行业，每年有一半的餐厅都会倒闭；再看看他们在软件上的花费，几乎不怎么买软件，所以这一定不是一家好公司，我不会投。”但快进十年再回头看，真正的原因在于，这个业务后来被证明要大得多——因为他们引入了金融服务。他们开始给餐厅提供贷款、做支付处理，而且把这一切深度整合进平台里，使产品变得极其黏性。这本质上是一个完整的软件平台，而像First Data、Global Payments这些传统只做支付处理的公司，几乎不可能再反过来拼接出一套同样完整的软件解决方案。也正因为如此，很多人当年其实是看错了Toast。

　　我认为同样的逻辑也适用于“软件进入劳动力领域”这一点。它并不是说我只是提供劳动力替代，然后马上就会有人用便宜一分钱的方案把我替掉；真正关键在于，我必须为你构建某种system of record，某种垂直领域的操作系统，让你没办法轻易切换到更便宜的玩家。也正是基于这一点，我觉得这是一个很好地引出第三个主题的切入方式，而这一部分是我非常兴奋想要分享的。

　　“加一点AI”，就能让老生意价值翻倍

　　图片来源：a16z

　　Alex Rampell：我把这一类称为“walled garden”，而这一点在今天尤其重要。可以用一个比喻来理解：有一家非常了不起的公司叫OpenAI出现了，他们说，“我们就像一家蔬菜农场，我们在种植token，然后把这些token卖给外面所有正在构建应用的人，并按token来收费。”所以事情的发展正如我之前说的那样：OpenAI本来是一家基础设施层的公司，而我们投资的是应用层的公司。但接着OpenAI可能会想，“既然这么多人都会来我们的农场，那不如干脆在农场里直接开几家餐厅。”这时那些原本自己开餐厅的人就会说：“等等，你一边把蔬菜卖给我，一边又自己下场跟我竞争，这显然就不太对了。”我之所以用这个例子，是因为这种情况实际上已经在发生了，而且它也为我们提供了一种应对方式：在这样一个世界里，真正稀缺的其实是“原材料”的来源。

　　图片来源：a16z

　　正如我刚才提到的，这其实有点像“世界上第二古老的职业”。在很多情况下，我会围绕某种实体资产构建一个物理边界，比如建一道墙，然后向你收取进入或使用这块资产的费用。你同样也可以在数据世界里做这件事，我举一个在这张小“宾果板”上的例子——FlightAware。不知道在座有多少人听说过FlightAware。它的数据是怎么来的？顺便说一句，它的数据本身并不是什么专有数据，几乎全部都是公开的。你甚至可以在Amazon上买一个天线，用来接收一种叫ADS-B的应答机数据。自从那次马航飞机失联之后，几乎每一架飞机上都安装了这样的应答机，它会持续广播飞机的高度、速度以及各种飞行参数，把信号发送到地面。只要有天线，就能接收到这些信号，并判断出某个尾号的飞机此刻在什么位置。我自己就可以买一个，数据本身是免费的。FlightAware在全球部署了大概上百个这样的天线，持续采集所有这些信息，而这就形成了一类数据资产——这是像ChatGPT这样的模型并不知道、也无法直接获得的数据。

　　只有FlightAware真正掌握了这些数据，类似的还有PitchBook，它把融资轮次的数据系统性地收集起来——比如说，谁会知道1992年某家公司B轮的具体估值是多少？但PitchBook却掌握了这些信息；LexisNexis在法律和企业信息上是这样，CoStar在房地产数据上是这样，Bloomberg在各种金融数据上也是如此。很多时候，这些原始数据本身并不是付费的，而是分散、公开、难以整理的。像Ancestry.com也是一个经典例子，它通过从摩门教会购买家谱记录，构建起了整个业务最核心的数据护城河。

　　这些东西在ChatGPT上是拿不到的，在Anthropic上也拿不到。当然，大模型公司可以去做数据授权，但我之所以提这些例子，是想问一个更关键的问题：你到底用FlightAware的数据来做什么？你用Bloomberg的数据来做什么？或者说，我自己是怎么用PitchBook数据的？我会雇一个分析师，然后对他说：“去给我写一份关于这家叫Eve的公司的备忘录，把它和法律科技领域里过去所有做过类似事情的公司做一个对比。”而PitchBook卖给我们的，其实就是这样一项订阅服务——它告诉你，自1992年以来，所有法律科技公司的Series B融资情况。这当然是有价值的，他们可以为此收取每月20美元、200美元，或者不管具体是多少。但更有价值的做法其实是：因为只有他们真正掌握了这类信息，他们也许完全可以收2000美元。这一点听起来可能会让你有点不安。

　　我们可能就会少需要一个分析师了，因为现在我们拿到的是一个“成品”。我们真正想要的并不只是PitchBook的原始数据订阅，而是希望能用这些数据真正做点事情。换句话说，如果沿用我刚才的比喻，我们不只是想买到一颗蔬菜，而是想把它直接变成一道已经做好的菜。其中一个我特别喜欢的例子就是DomainTools。

　　图片来源：a16z

　　DomainTools有一个非常有意思的能力：它可以运行WHOIS查询，告诉你某个域名到底是谁拥有的。这家公司已经存在了非常、非常长的时间。如果我想知道某个域名在1998年是被谁持有的，基本只有一个地方可以查到，那就是DomainTools。也就是说，这种商业模式在AI出现之前就已经存在很久了，而且在这个领域里已经诞生了体量非常大的公司；而当你把AI加进来之后，这类数据和产品的价值会被成倍放大。接下来我会举三个例子，来把这个核心观点真正讲清楚。

　　有一家叫OpenEvidence的公司，如果你用过的话，据说美国大约有三分之二的医生几乎每周都会使用它。OpenEvidence的界面看起来和ChatGPT几乎一模一样，但关键区别在于，你知道谁拿到了《新英格兰医学杂志》以及几乎所有其他顶级医学期刊的独家授权吗？就是OpenEvidence。假设我跟腱撕裂了，想了解所有基于证据的治疗方案，我当然也可以去用ChatGPT，它也算有一定帮助，没有理由不用；但OpenEvidence要好得多，因为只有他们真正掌握了这些核心内容。在这个例子里，他们找到了所有独特的“蔬菜”，说服了“菜农”不要把这些菜卖给其他餐厅，然后自己开了一家能直接把整道菜端上来的餐厅。

　　类似的还有一家已经存在了26年的公司vLex，是一家非常了不起的企业，最近刚被收购。这家公司的CEO曾跟我讲过他们的起源故事。他来自西班牙，当年做的第一件事就是把西班牙所有的法律判例和法律记录都买下来。你可能会问，为什么要买这些法律记录？原因很简单，比如Wilson Sonsini这样的律所，或者当Andreessen Horowitz在做某个投资、需要了解西班牙相关判例法时，就会需要这些信息。vLex把这些资料系统性地聚合、数字化，然后卖给律所和其他需要法律信息的人。这本身是一个毛利率很高的业务，但规模一直不大，主要集中在欧洲，尤其是西班牙。后来他们意识到：“我们应该把AI加进来。”结果据说，收入直接增长了五倍。

　　那为什么在这种情况下，即便我很喜欢Harvey、也愿意为Harvey付费、觉得它是个非常棒的产品，如果我需要在早上7点之前给客户一份已经完成的备忘录，而且我清楚这份备忘录必须包含西班牙法律数据的内容，我还是没有别的选择？我不可能临时找一个助理来做这件事，而vLex是我唯一的解决方案。正因为如此，他们不需要再按每篇文章2美元、每月200美元之类的方式来收费，他们真正能够收费的，是他们所掌握的那份“原材料”本身。

　　AskLio做的是一款采购相关的产品。如果你在一家公司里，几乎每家公司、每个员工，多少都会对采购部门有点“又爱又恨”。一方面，采购部门的职责是帮公司省钱，防止某个“野路子”的员工从未经批准的供应商那里，以离谱的价格买一些昂贵的零部件；但另一方面，他们也往往给整个流程引入了大量复杂性，让事情变得又慢又麻烦。

　　所以你可以想象这样一个场景：我和德勤签了一份合同，让他们帮我做AI项目、推动公司转型，而与此同时，我手里其实还有另外50份和德勤签过的历史合同，我需要清楚地知道哪些条款是可以回推、可以谈判的。这种信息本身就是极其有价值的专有信息。我当然希望能直接去问ChatGPT，但它并不掌握这样的“宝库级”数据——有些信息是它永远也拿不到的，比如50份过往的德勤合同，你要从哪里找？也许你可以尝试FOIA之类的方式，但现实中几乎不可能。而AskLeo恰恰掌握了这些信息，这也正是为什么它的产品体验和价值会被大幅放大。

　　其实很难预先判断这些机会会出现在哪里，但我们发现，最有吸引力的一类恰恰是：所有原始信息本身都是免费的。比如ADS-B飞行应答机数据是免费的，飞机的飞行数据本身就是公开的；但在过去，这些数据并不值钱，因为问题在于——你拿到飞行数据之后能做什么？你拿到互联网上的WHOIS域名记录又能做什么？正是因为过去缺乏把这些“免费原材料”转化为真正有用成果的能力，它们才一直没有体现出太大的价值。

　　我最近其实和一位创业者聊过，他说自己特别想弄清楚一些YouTuber的历史订阅数据，比如YouTube并不会公开MrBeast在2017年8月4日到底有多少订阅者，那你要去哪里找这种信息？结果还真有公司在系统性地收集、整理这些数据，然后直接把数据卖出去，因为这些信息在别的地方根本拿不到。我们最近也发了一篇文章，讲的就是所谓的“walled garden的果实”。这类机会包括创意内容档案、物流数据，比如你去某个县的登记办公室，其实可以查到某块地产的产权记录，但你必须亲自去那个县的办公室才能看到；这些信息本身都是免费的，只是分散、难以获取。如果你把它们数字化、集中起来，再在此基础上加上AI，价值就会被彻底放大。这听起来好像只是“加了点AI”，但真正的原因在于，你是在说：我拥有别人没有的东西。过去人们之所以愿意为这些数据付费，本来就是因为他们想用这些原材料去创造更高价值的产出，而现在，你终于可以把这件事真正做到规模化了。

　　图片来源：a16z

　　所以你可以去看博物馆里的资料，或者举个我刚刚听到的例子：我最近和一位创业者聊过，他做的事情是收集所有“老旧说明书”。比如1980、1990年代的工业设备说明书，像Blender这类设备的旧手册，你在eBay上几乎可以用很低的价格买到，但如果你想系统性地找到某一型号、某一年代的完整说明书，其实并不容易。这正好说明了数据层面的walled garden是如何被构建出来的——这些事情在过去其实也能做，但在今天，你可以在此基础上打造一家价值高出10倍、甚至100倍的公司。

　　Jen Kha：在上一轮投资周期里，你其实给过一个非常好的分析框架，也帮助整个行业理解了创业公司与incumbents之间的博弈关系。也就是，如果创业公司能在头部玩家之前更快地找到并实现创新，它们就有机会真正建立优势。那能不能结合你现在的思考，带我们走一遍你的判断逻辑：当你在决定投资哪些公司时，在哪些情况下你会非常确信它们具备颠覆incumbents的能力？又在哪些场景下，其实并不太合理再去从零打造一家拥有专有walledgarden、而且本身就极难被撼动的公司？

　　Alex Rampell：我觉得可以从两个角度来理解这件事。第一种情况是，像在eBay上买二手设备说明书，或者收集那些老旧的技术手册一样，过去根本不存在一家公司，专门靠“我把这些资料数字化，然后按订阅卖给你，每篇数据、每月20美元”这种方式来收费——说实话，那样的生意本身并不怎么成立。但如果你不再只是卖原始材料，而是把它们变成一个可以直接使用的成品，比如原来只值1美元的数据，现在你可以卖一个价值1000美元的最终产品，那这门生意突然就变得可行了。所以第一类机会，本质上就是：你找到了一个新的数据来源。

　　Why Now：这些机会为什么过去不存在

　　Alex Rampell：还有一个原因，就是我们在做风投时常被反复提醒要问“why now”——这个点子如果这么好，为什么十年前不存在？Uber当年有一个非常清晰的why now：之前没有iPhone，也没有每个人随身携带的GPS，一旦这些条件成立，Uber才成为可能。而在这些更偏门、看起来有点“奇怪”的机会里，why now往往就藏在这里：为什么vLex在挣扎了26年之后，之前只是一个两千万美元规模的业务，而现在却能成为一家一亿美元级别的公司？答案就在于——现在你终于可以把原始信息交付为一个真正可用的“成品”。

　　当然，也有一些早就存在、而且本身就很有价值的公司，比如Ancestry.com，它通过数字化LDS的家谱数据，帮助很多人了解自己的家族来源，还有像NBC的《Who Do You Think You Are》这种节目，大家也很爱看，这本身就是一个成立且成功的生意。但像这一类公司，我反而会觉得，很难说AI能在多大程度上让它发生质的飞跃，或者把它变得“dramatically better”。也许真正的价值在于这样一种场景：我快要离世了，我想弄清楚该把所有财产留给哪一个继承人，请你帮我联系他们、发邮件、安排会面时间，让我能把这件事理清楚——也就是说，真正的价值来自于你如何在这些专有数据之上提供“可执行的结果”。而这也正是为什么我现在选择当一名投资人，而不是继续做创业者了。

　　我现在已经想不出什么更好的点子了，但这正好说明了一种情况：已经存在一个成熟的数据资产库，你也许只需要像OpenEvidence那样去做授权和分发。他们并没有创造新的医学期刊内容，而是意识到医生对这些内容有强烈需求，而所有关键信息其实早就存在于那些老旧的医学期刊和历史文献中，而这些庞大的历史存量内容事实证明极其有价值。就像我常举的一个类比——不管你怎么看Michael Jackson做过的对与错，从纯经济角度看，他最精明的一笔投资，很可能就是买下了披头士的音乐版权目录，或者说其中相当大的一部分。因为在版权到期之前，披头士的音乐会一直有人听，而且这种“内容存量”的价值，反而会随着时间不断放大。

　　所以你可以选择去收购或授权那些已经存在、已经有成熟业务的数据资产，比如OpenEvidence这种；也可以尝试从零开始创造全新的东西，更像AskLeo这样的路径。我不确定这是不是完全回答了你的问题，但我对当下整个AI发展的看法是：这是一个非常特殊的阶段，它和当年的云计算时代其实很不一样。

　　现有头部玩家会不会碾压创业公司？

　　Alex Rampell：过去在云计算刚出现的时候，大多数本地软件厂商都会觉得“云是个很蠢的东西”，很多潜在客户也这么认为——不安全、不可信，我要把系统放在自己这儿。整个IT团队都会说：我不信任这些东西。所以当时的incumbents并没有主动去做云，比如PeopleSoft并没有说“我们来做PeopleSoft Cloud”，他们后来当然补上了，但真正抓住机会的是Workday。它选择从一开始就按云的方式来构建，只不过业务真正跑顺、市场完全接受，是花了一段时间的。所以我其实对incumbents是非常乐观的，我希望我可以这么说。因为我并不认为像NetSuite这样的公司会错过机会，它们一定会想出十五种不同的方式用AI来变现，而且会做得很快。再比如Intuit，它手里握着一个金矿——它完全可以开始按“帮你收回了多少钱”来收费，对象就是那些已经被锁在QuickBooks里的既有客户。但这并不意味着greenfield机会不存在，也不意味着新的数据机会不存在。恰恰相反，正是因为“价值—成本”结构发生了变化，才催生了大量全新的机会。

　　这就像是有无数这样的机会：我发现一件东西，如果卖5美元，几乎所有人都会想要，但它现在只能卖10美元，于是根本没人买，结果就不构成一门生意；可一旦AI让我可以把价格降到5美元，这件事立刻就成立了。所以这是一个非常罕见的情况，对供给方和需求方来说都是好事。相比之下，在移动互联网时代，很多人当时觉得BlackBerry很棒、iPhone很蠢，这也是为什么incumbents没有提前行动——为什么Booking.com没做出Airbnb？为什么出租车公司没有做出Uber？因为当时大多数人真的觉得这些想法不靠谱。而这一次几乎所有人都认同：把“接近AGI的能力”装进每个人的口袋里，本身就是一个极其好的主意，几乎没人能反对。我其实是非常、非常看好brownfield机会的，尤其是在walled gardens这一类，以及那些真正承担“替代或完成劳动力工作”的软件上。我认为正是这些方向，具备最强的现实落地性和持续价值创造能力。

　　Jen Kha：Michael Jackson做过的最聪明的一件事，其实是让他的家族授权使用他的肖像来做《Michael Jackson Live》这类演出——据Ben说，这个演出现在带来的收入，已经超过了他作为表演者整个职业生涯所赚的钱。

　　Alex Rampell：不过我更愿意把功劳归给他在另一件事上的判断力。我记得好像当时有人对他说过一句类似《毕业生》里那句经典台词：“钱在塑料里。”抛开Michael Jackson本人不谈，那句话真正的意思其实是：你知道钱在哪里吗？在“存量内容”里。于是他拿着一大笔钱，决定去买下披头士的音乐版权目录。因为他看得很清楚——唱片会出来，CD会出来，后来还会有流媒体，会有各种各样的变现方式，而这些经典内容只会随着时间变得越来越值钱。

　　Jen Kha：关于walled garden这个隐喻的问题，这里隐含的一个假设是：既然你已经把“餐厅”建在了自己的花园里，那为什么不直接面向消费者，而是选择卖给企业、让企业继续充当中间层呢？

　　Alex Rampell：这是一个非常好的问题，vLex就是一个很典型的例子。理论上，vLex完全可以把自己的数据卖给Harvey，但他们意识到了你刚才提到的这个关键点：与其只做上游数据提供方，不如直接进入面向终端用户的业务。也就是说，他们不应该再只是把产品卖给像Wilson Sonsini这样的律所，或者至少，如果继续这么做，就必须彻底调整自己的定价方式和商业策略，而不是再按原来的逻辑去卖数据。

　　与其只说“我们收一个很小的订阅费，把绝大部分价值创造留给别人”，不如像OpenAI那样——OpenAI每一百万token的收费其实非常低，我们完全可以把这类基础能力当作成本来消化，然后在此之上，去强化和放大那些真正属于我们自己的专有资产，最后再把完整的解决方案直接卖给终端用户。所以这是个好问题，但从投资的角度看，我们现在看到的是：很多创业者正在主动寻找这样的机会——有时候是现有公司，它们可能还没完全意识到发生了什么，但你可以直接把数据买下来；而如果这些公司由一个真正有创业者思维的CEO来掌舵，他们会突然意识到，“天哪，我可以把这家公司变得好十倍”，于是我们就会愿意去投这样的人。再极端一点，你甚至可以自己去Amazon买几个天线，监听航班数据，比如马航航班之类的，然后把这些信息聚合起来，构建全新的价值。

　　比如说，MrBeast五年前有多少订阅者，你现在直接去YouTube就能看到；但如果你想知道他十年前的订阅数，那才是真正具备专有价值的信息。很多时候，所谓的“专有性”并不是因为数据本身不公开——恰恰相反，几乎所有人都可以去收集这些免费的数据——而是因为价值是在时间中逐渐累积起来的。类似的例子还有很多，比如你完全可以去摩门教会查到自己的家谱信息，他们大概率也会给你，你并不一定非要为Ancestry.com付费；但现实是，直接用Ancestry.com要方便得多，也比你专门飞一趟犹他州简单得多。很多时候，人们愿意付费，并不是因为信息本身拿不到，而是因为有人已经把这些信息数字化、整理好，并以一种更容易理解、更容易使用的形式交付出来。这也正是为什么大家会选择去用LexisNexis。

　　这也是为什么人们会去使用很多这样的服务商：有时候是因为它们是市场上唯一的选择，有时候是因为它们是最好的选择，但在今天，越来越重要的一点在于——它们能够直接交付一个“成品”。而且这对终端客户来说，反而还能省钱，因为我其实并不是真的想去买一堆LexisNexis的原始数据，我真正想知道的只是：这笔交易到底该不该做、该接受还是该拒绝。为了得到这个答案，背后通常需要大量的数据补充、复杂的工作流，以及分析师的判断——比如在金融服务公司里，你会雇一名反欺诈分析师来告诉你到底发生了什么，而他所依赖的“原材料”，正是LexisNexis这类信息。但如果某家公司本身就掌握着这些独一无二的数据来源，那么从某种意义上说，这反而是一个对incumbents非常有利的局面，因为他们完全有能力在此基础上做出更多、更高价值的产品。

　　Jen Kha：你怎么看现在正在出现的那一类白领服务领域的AIroll-ups，也就是把高度垂直化的软件和服务能力结合在一起的一体化公司？

　　Alex Rampell：是的，我大概在两年前写过一篇文章，标题叫《Barbarians at the Gate》。不过在这里，“野蛮人”指的是那些手握AI、正在冲击传统行业的玩家，这个说法其实是向20世纪80年代RJR Nabisco那笔著名并购案以及后来写成的那本书致敬。我觉得这里面真正有意思的一点在于，我们擅长做的事情其实是：发现那种注定会改变世界的人，但他们自己一开始也未必清楚具体要怎么做，而我们相当于是买了一张“深度虚值的看涨期权”。与此同时，市面上也有很多私募股权公司，它们的强项在于另一套打法，比如大规模裁员、把业务外包到菲律宾之类的地方，通过各种方式压缩成本——这也是当下私募股权正在重点关注的一条路径。与此同时，我们在这个领域里也确实下了一些注，只是对象都是非常、非常聪明的创业者。

　　但现实是，作为一名会计，真正的问题从来不是“我能不能接更多客户”，而是我根本招不到足够多的注册会计师来帮客户报税。最难的其实是获客——你得去商会活动跑关系，过程非常艰难。你几乎不可能指望买下一家会计师事务所，然后仅仅靠所谓的成本协同，就一下子多服务一万名客户。真正可行的路径更像是：买下一家会计师事务所，花九个月时间把它整合好，再去买第二家、第三家……当然，最终确实能形成价值，但你可能需要收购200家会计师事务所，才能拼出一家看起来很有意思的公司。而到那个时候，市场上大概率已经有一家中端市场的私募机构，按照同样的剧本操作了几百次，经验更成熟、执行也会比你更好。

　　另一方面，其实还有一种我们觉得非常有意思的策略：与其自己从零搭建一个销售团队，不如直接买一个现成的。举个例子，在债务催收这个领域，我完全可以收购一家已经上市的催收公司——它有大量员工，但效率不高、合规也做得不好，经常踩法律红线。而我这边已经打造了一套自己非常相信的工具，也希望能真正“自己先用起来”（dogfood）。那与其慢慢推向市场，不如先通过收购，把这个现成的组织变成我产品的第一个、也是最真实的应用场景。

　　我现在一个客户都没有，但我可以去收购一家收入在下滑的公司，它可能只有五个蓝筹客户，我用三倍EBITDA的价格把它买下来。然后我用AI去彻底改造这家公司，这样一来，我不需要再去买第二家、第三家、第四家了。我可以直接对外说：我们的回款率更高，我们已经有五个非常优质、非常认可我们的客户，而且价格还更低。那客户会不会愿意？当然会——谁不想更省力、又更赚钱？而关键在于，我已经有真实客户作为背书了，接下来我就可以在这次收购的基础上，持续引入一千个新客户。这条路径，其实是非常有吸引力的。

　　所以问题就在于：你到底是在做哪一种？是那种“我们要把100家牙科诊所roll-up起来，然后把它们变得更好”的模式，还是去roll-up皮肤科诊所？我有个朋友就在做皮肤科诊所的roll-up。但说实话，我并不觉得我们擅长玩这套游戏。问题在于，皮肤科诊所这种业务，你在圣卡洛斯买下一家，并不会对你在佛罗里达做任何事情产生帮助，你还是得在那边继续一家一家地买。

　　这和会计行业是一样的，对比之下，像债务催收这种业务是高度全国化的。你只需要买下一家公司，它就可以成为你的切入点。但这里面本质上是一个机会成本的问题：我是去雇一支销售团队慢慢卖，还是反过来想——如果最好的公司拥有的是“人质”而不是客户，那我是不是应该直接买下一家已经停滞、甚至在萎缩的公司，因为它们根本不知道该如何应对AI？而且说实话，所有这些公司——几乎每一家债务催收公司——如果不去研究怎么用AI，才是真的不理性。所以这最终又回到了那个老问题：这是创业公司与incumbents之间的一场正面博弈。

　　但这里确实存在一个很有意思的机会，我们也已经在MSP（managed service provider，IT托管服务）这个领域做过一次布局。原因在于，现在很多事情已经不再是“走进一家有50个人的律所办公室去修打印机”了，而是把客户接入Microsoft Office、云系统、协作工具等，这一整套几乎都可以远程完成，本质上是一个高度数字化的体验。这是一个规模接近1000亿美元的市场，也因此变得更有吸引力——因为我可以通过这种方式直接吸纳和服务客户，而不是必须去收购成百上千家本地化的小公司。当然我们谈论的所有这些事情，它们也适用于消费者。

　　从企业到消费者：同一套逻辑正在复现

　　图片来源：a16z

　　Anish A：本质上，Consumer AI的模式也是完全一样的。第一个也是非常重要的一点是，传统品类正在走向AI native，而且这件事已经在发生了。比如Photoshop，本身当然是一门非常成功的生意，但如果你是一名刚刚起步的年轻设计师，你会怎么选？你更可能去用一个从一开始就是AI native的Photoshop，而这个角色现在由Krea来扮演。Krea推出大概只有一年半左右，但它是一个非常出色的产品，把所有AI的基础能力都原生地整合进去了，也正因此，它正在成为很多职业早期设计师选择的第一款设计工具。所以，现有品类向AI native转型，这件事已经非常清晰地发生在我们眼前了。

　　图片来源：a16z

　　第二类是品类创造，ElevenLabs就是一个非常精彩的例子。五年前，语音和音频模型这个市场几乎是不存在的，最多也就是配音演员或语音转写这样非常小众、并不那么有吸引力的细分领域。而ElevenLabs做的是一件野心得多的事情——他们本身就是模型提供方，同时既有consumer的产品形态，也有enterprise级别的SKU。正因为他们做了垂直整合，才能在极短的时间内真正抓住这个机会，把一个原本不存在的市场直接做成一个全新的品类。

　　最后一类是专有数据。Alex刚才讲到专有数据，这一点对我来说非常有共鸣，因为我曾在一家以专有数据为核心的大型消费互联网公司工作了很多年，也就是Credit Karma，我亲眼见过这套打法是如何奏效的，而且效果非常好。我们在一项投资中也看到了它在consumer AI里的具体体现，那家公司叫Slingshot。Slingshot做的是AI心理治疗，它的数据是怎么来的？他们并不是凭空生成数据，而是从现有的治疗师入手，为这些治疗师提供一个AI记录工具，在治疗师与患者交流的过程中实时做笔记，然后用这些真实生成的治疗记录来训练基础模型，再基于这个模型打造一个面向消费者的产品，并直接卖给消费者。当然，OpenAI和ChatGPT都非常强大，但它们并不掌握Slingshot所拥有的这些专有数据，因此Slingshot能够提供差异化明显、定价更高的产品，而且市场反馈也非常好。所以，Alex提到的这些观察，其实正在consumer AI领域一一应验，也和我们在这三个方向上的整体投资方法高度一致。

　　这里面有一个非常合理、也经常被问到的问题：那为什么最后不会是OpenAI、或者像ElevenLabs这样的大模型公司，甚至是那些真正拥有强大模型能力的大科技公司，比如Google，把所有机会都赢走呢？

　　原因在于，在很多品类里，做模型的聚合层反而比只依赖单一模型更有优势。一个大家都很熟悉的类比是机票搜索：你从旧金山飞纽约时，用Kayak会比直接去看达美或联合航空要有用得多，因为Kayak能同时查看所有航空公司的库存，而不是只看一家。同样的逻辑也适用于vibe coding、创意工具等领域——你真正想要的是所有模型的访问权。这是因为不同模型各自有不同的专长，它们并不是完全可互换的，你往往希望在同一个界面里灵活调用它们。而大模型实验室或大型科技公司，从定义上来说，通常只能使用自家的第一方模型。也正因为如此，我们看到“聚合层”在这些场景中持续胜出，这也是consumer AI领域里一个非常重要的趋势和投资判断原则。

　　投资人视角：如何在极快变化中不押错

　　图片来源：a16z

　　Alex Rampell：关键的一点，其实大家对这个框架都不陌生了：我们的工作是找到好机会、拿下交易、赢得投资，而在投后真正重要的是，帮助这些公司实现他们的目标。更重要的一点是，千万不要因为给了糟糕的建议、指手画脚而把事情搞砸——CEO才是最清楚该怎么做的人，我们的角色是建议与支持，而不是替他们决策。我们之所以能做到这一点，是因为我们努力成为每一个所投资市场里的领导者和专家，会持续产出基准和认知，比如我们马上要发布一套非常有意思的AI生产力基准，专门衡量不同类别里的生成式AI效率表现。这类工作本身就非常有价值，也确实很酷。

　　团队里的每个人常用一个说法来形容我们的工作：这是一份“流程中断型”的工作。也就是说，只要出现一笔极其、极其、极其令人兴奋的交易，我们的默认反应就是——立刻去见，放下手头所有事情。这一点从我妻子和孩子的角度来看，确实有点“灾难性”，因为这种情况现在几乎每周都会发生：我得取消原来的安排，因为要去和某位创业者吃饭，对方觉得自己发现的不是“青春之泉”，而是“永动机”——至少他们自己是这么认为的。所以先去见人、先去了解，这是流程的一部分。至于真正的“过程”，更多是在这些高密度的接触中不断校准判断、寻找真正值得下注的例子。

　　总会有人做出一个“取代Salesforce的Salesforce”。不是因为Salesforce抓住了那么多“人质”，而是因为一定会有人从greenfield出发，重新做一套AI native的Salesforce——这并不难理解，毕竟几乎所有人都讨厌用Salesforce。一定会有一家新公司把这件事做得更好。那么问题就在于，我们如何确保自己有能力去发现它、选择它、赢下它，并在投后真正支持好这笔投资？我们的答案是：我们更相信“逆向筛选”，而不是“正向筛选”。如果一笔交易已经在市场上晃了六个月，价格还很便宜，那大概率不是好项目，我们甚至不太想去见；我们想见的是最好的公司。而如果它真的是最好的公司，几乎所有一线风投都会想见它，都会派出最强的合伙人去争取这笔交易，赢下来本身就非常难。所以我们能做的起点，就是把认知做到极致。我们写了那篇《The Death of Salesforce》的文章，也拍了视频，讲为什么AI会重塑销售体系，Joe Schmidt和Marc Andreessen团队一起做的内容，播放量达到了几十万，效果非常夸张。几乎所有人都想和他们聊。但归根结底，真正重要的是：你到底懂不懂自己在说什么。我们做过“死亡、税收和AI”，系统性研究了税务；我们也在看陪伴型产品；最近我们还做了诸如“Top50企业级应用”“Top50消费级应用”这样的整理。有人半开玩笑、半调侃地说我们像一家“用风投变现的媒体公司”，但其实这里面是有方法论的——所有这些事情，最终都是为了帮我们更好地发现交易、判断交易，并赢下交易。

　　图片来源：a16z

　　虽然我们经常会被“流程中断”，但同时我们也有一套非常高频、非常系统的内容产出和研究节奏，通过持续发布观点、深耕具体赛道，真正成为某些领域里的专家，从而找到那些处在“正向选择”中的创业者，也就是正在把事情做到最好的那一批人。一个很好的例子是RLI，如果你去和RLI的CEO Nick Copp聊，或者问Sema的情况，你会发现Mark和Driscoll对这个细分领域的理解非常深入，而那次我们参与的是一个竞争极其激烈的B轮融资过程。回到这张图本身，核心其实很简单：大多数公司都会面临两类共性问题，一类是如何把公司规模化、确保收入持续大于支出、把基本的经营结构跑顺；另一类则是，如何真正搭建并扩张一支高效的销售团队。

　　在另一边，是我刚才提到的那些内容型的“生成者”，比如Mark、Olivia、Joe、Kimberly和Gabe。就拿Kimberly来说吧，我可以点名表扬一下——有一家叫Decagon的公司，就是她促成了两位联合创始人的相识；Joe也写了很多非常出色的内容，因此吸引了大量优秀的人主动找到他。这些人通过持续输出高质量的研究和观点，不断把最优秀的创业者和项目吸引到我们面前。

　　我们希望确保，无论是有人离开、还是有人遇到意外、或者发生任何不可预期的情况，创业者在和我们合作时的整体体验始终是非常好的。回到这家机构最初的起点，当年我们有一个很明确的原则：只招那些真正“干过事”的人——要么是做过高管，要么是创过业。说实话，我当初加入也是基于这个逻辑，因为不管好坏，我确实既经营过公司，也创办过公司。但后来我们意识到，找到好项目这件事，并不只依赖这一种背景。像Olivia这样的人，在发现优秀项目、深耕专业领域上的能力几乎是无可替代的——我之前也提到过她在语音领域的专业度。所以，如果不让她站在最前线，作为SPE的代表去和创业者合作、去发掘这些顶级项目，那反而才是不理性的选择。

　　Jen Kha：顺着这个问题再追问一句：在这背后是否有一套流程或机制来做校验？具体来说，投资决策是如何进行的？是不是可以理解为每位合伙人都有一笔可以自主支配的投资额度，而不需要逐笔去走统一的投资审批？还是说，这套机制在不同阶段已经发生过变化？

　　Alex Rampell：如果一定要说有没有变化的话，我们其实非常强调“高确定性”的判断。我觉得我、David还有Aisha的核心职责，是确保整个流程是对的，因为风投里一个非常常见、几乎是本能的错误是：我年纪大了，我不用社交应用，为什么会有人想发那种阅后即焚的消息？这太蠢了，算了，不投。结果往往是，一个真正聪明、可能只有二十四岁的同事，每天都在用这个产品，认识这个创业者，非常笃定地告诉你“这是我见过最棒的东西”，却被一个“老家伙”一票否决掉了。而正确的流程并不是这样。是的，我们确实会给合伙人一定程度的自主投资额度，但更重要的是，确保不会因为个人偏好、代际差异或主观成见，而在流程上把真正好的机会扼杀掉。

　　我们的投资委员会更多是在确认一件事：我们是否非常确信整个流程是被严格执行过的——你是否见过所有关键竞争对手，研究工作是否足够扎实，而在这些前提之下，我们往往会尊重、也会让位于那个真正“身处一线”的人。我们的角色只是确保流程到位、把好第二道钥匙，所以这本质上是一个“双钥匙”机制，而且整体是高度以信念驱动的。我知道这可能没有完全回答你的问题，但我们并不是那种所有人投票、必须凑够多少票数、再夹杂各种政治博弈的委员会模式。尤其是在种子轮阶段——而我们现在其实在做很多种子投资——情况会更微妙一些。对于我们主要关注的、相对较小额度的投资，我们更倾向于相信那个拥有强烈信念的人，同时确保整个端到端的流程是完整的、严谨的，并且这个判断确实来自真正懂这个领域、知道自己在做什么的专家。

　　Jen Kha：能不能谈一谈团队的演进和变化？包括你们是如何看待团队里“出手投资的人”（check writers）的能力扩展的，如何评估成员的晋升路径，以及在最近几次晋升和check writer角色演化的背景下，未来是否还会继续引入新的成员？

　　Alex Rampell：是的，我觉得我们内部经常非常坦率地讨论的一点是：相比单纯扩大“容量”，我们更想要的是杠杆。我们的确有能力去做很多很多笔交易，但前提是——如果这是一笔世界级的好交易，我们必须假设，对面的竞争者可能是红杉的合伙人、Accel的顶级合伙人，或者是Greylock的Reid Hoffman。如果是一笔真正优秀的交易，这些人都会非常活跃。创业者也一定会想和尽可能多的人交流，而且往往会被那些曾经创办过多十亿美元级公司的创始人所吸引——这其实完全合理，也理应如此。所以如果要说我们未来可能会重点补充的一个方向，那大概是这样的人：他们曾经打造过一家接近“代际级别”的公司，但同时，作为投资人依然保持着非常强烈的进取心和饥饿感。

　　这绝对不是一份“退休型”的工作，恰恰相反，这是一份反退休的工作，强度大到足以把人逼到想退休的程度。有时候你真的要一天工作二十个小时。我孩子经常拿这件事取笑我，说你不就是整天和人喝咖啡吗，这也算工作？但实际上，你得喝很多咖啡，对咖啡要有极高的耐受度，然后到下午五点可能还得切换到酒精状态。这份工作真的非常辛苦。当然玩笑归玩笑，核心在于——你必须有能力、也愿意去和几乎所有人见面交流。

　　当遇到真正顶级的机会时，难点就在于如何判断这是“做错”（commission error）还是“错过”（omission error）。我们必须确保自己不会犯后者，尤其是在像ERP这样的赛道上——如果选错了，不只是亏掉这一笔钱的问题，而是因为没投中真正的赢家，等于错失了一个巨大的、几乎无限的回报。所以我们必须始终紧跟所有关键人物，确保团队由真正的领域专家组成，是那些创业者都愿意主动来见的人。我不确定这是不是完全回答了你的问题，但我想补充的一点是：当需要去赢下一笔“超级交易”的时候，我们往往是一起出现的，而不是单兵作战。

　　我们会去Mark家吃顿饭，Ben也会到场，大家一起出现，不只是这个核心团队，而是再加上一些在关键时刻能站出来、在赢交易上起到决定性作用、同时在董事会层面具备足够威望的人。这一点对我们来说非常有帮助。我们就是这样用Brian、用Andy的，我自己在很大程度上也是承担类似的角色。归根结底，我们希望尽可能拿到更多的ownership，而从这个角度看，未来我们可能确实需要在更资深的层级补充一些人——不是为了找交易、也不是为了选交易，而是在关键时刻帮助赢下交易。当然，我们并不想把任何人当成“只是帮忙赢交易的工具人”，但从能力和容量的角度来看，这种角色确实非常重要。

　　Jen Kha：接下来我们这边其实有两类问题合在一起问：一类是关于AI native公司目前在客户留存上的一些观察，另一类是关于这类公司在做企业级销售时所需要的规模化投入和销售成本。也许David或Anish可以一起来回答这个问题。

　　Anish A：我可以先聊一聊客户留存这一点。到目前为止，我们并没有看到大量“比价后频繁切换供应商”的情况。我认为一个很关键的原因在于，那些向企业销售的AI初创公司，必须围绕底层能力构建一个足够丰富的软件生态。正如David在讲语音时提到的那样，仅仅提供“语音能力”本身是必要条件，但远远不构成充分条件。真正决定留存的，是你是否在这个能力之上叠加了完整的工作流、上下游集成和持续可用的产品体验，而不是一个可以被随时替换的单点功能。

　　Alex Rampell：具体到voice capability这一点，我觉得结论其实很清晰：那些围绕核心能力构建了完整、丰富产品生态的公司，客户留存明显做得更好。另外一个重要原因是，AI的演进速度实在太快了，很多企业客户已经不再把这些初创公司仅仅当作“某一个功能的供应商”，而是把它们视为整体的AI解决方案伙伴。他们期待这些公司帮自己理解正在发生什么、下一步该用什么、如何把新的能力真正落到业务中。由于新的primitives几乎每天都在出现，这些初创公司实际上在帮助客户持续向前演进，同时也帮助他们抓住由新技术带来的大量收入增长。到目前为止，至少在企业端，客户留存并不是一个问题；而在消费端，我们同样也看到了非常积极、健康的留存信号。

　　David Haber：坦率地说，从企业销售的角度来看，我并不觉得我们看到了特别大的变化。如果有的话，反而是inbound比以往任何时候都要多。比如Eve，几乎完全不需要做outbound，这在它目前的规模下其实是非常不可思议的，这也说明了在很多细分领域里，市场拉力本身就已经非常强。但从长期来看，这些公司终究还是需要建立起比较扎实的企业级销售能力。只不过我们现在看到的一个趋势是，尤其在面向大型企业销售时，更多采用的是“前置部署（forward deployed）”的方式。工程层面上，很多大公司其实是在依赖这些初创公司，来帮助他们理解AI到底应该用在组织的哪些地方、以及该如何落地。因此，相比单纯加大销售投入，我们看到的反而是更多资源被投入到前置工程团队，而不是传统销售团队。

　　Alex Rampell：这其实是一种非常强烈的文化转变。现在在很多初创公司里，在招人之前会先问一句：这个岗位能不能用AI来完成？这件事在GE之类的大公司里还没发生，但在前沿公司里已经非常普遍了。甚至像Ben这样的CEO，在内部招聘前也会先问这个问题。而这种思维方式如果用对了，会产生非常深远的影响。假设你是Eve，如果你只是说“我就雇一群和律师打高尔夫的人来做销售，这就是我的全部销售策略”，或者“我永远不用AI，只用NetSuite、QuickBooks”，那你根本不可能做成现在这样的公司。这些真正领先的公司，深刻理解AI在成本端和收入端的双重变革力量，并且正在从内部彻底重塑自己。

　　原视频：The AI Opportunity that goes beyond Models

　　https://www.youtube.com/watchv=3XVDtPU8xKE

　　编译：Tinghuan Wu

　　---------END--------

　　我们相信认知能够跨越阶层，致力于为年轻人提供高质量的科技和财经内容。

　　投稿邮箱：zfinance2023@126.com

　　稿件经采用可获邀进入Z Finance内部社群，优秀者将成为签约作者，00后更有机会成为Z Finance的早期共创成员。

　　我们正在招募新一期的实习生