AI使用的经济学、基础模型定价权与SaaS前景——独立科技分析师Benedict Evans访谈要点梳理（a16z Podcast，2026-06-08）

——据a16z Podcast节目《The Economics of AI Usage and What's Next For SaaS | Benedict Evans on a16z》（2026-06-08）整理

摘要：本文对a16z Podcast节目主持人Erik Torenberg专访独立科技分析师、前a16z合伙人Benedict Evans的主要观点进行了梳理汇总。节目围绕Evans新版年度报告《AI Eats the World》展开，梳理了过去一年行业焦点向编码收窄的过程及其原因，介绍了Evans关于基础模型走向商品化的推理链以及对应用层与SaaS行业前景的判断，最后阐述了资本开支的财务约束以及本轮技术周期与以往平台转移的异同。据其介绍，移动数据流量此后增长约1500至2000倍而运营商股价二十年持平，四大科技公司今年资本开支指引合计约7000亿美元，典型美国大企业使用三四百个SaaS应用。

关键词：前沿实验室；应用层护城河；定价与变现；编程代理；AI资本开支；Benedict Evans

一、行业焦点收窄与编码率先跑通

Evans认为，过去一年行业出现了产品策略分化，焦点显著收窄至编码，但两三年前提出的基本问题仍未得到回答。

（一）产品策略分化与编码用例的突破

据其描述，OpenAI的策略经历了数次迭代，从“一切同时上”转向“也许该押注编码”；同期Anthropic因募资较少而集中做编码，并取得成功。Evans表示，代理式编码在今年年初从“有点用”变为“改变一切”，客户在从供应商手中争抢产品，目前仅编码这一用例达到如此量级的产品市场契合度。由此带来两方面影响：一是全行业注意力急剧收窄至编码；二是围绕算力出现供给挤压，供给、需求、产能、资本开支与定价之间存在错配。

与此同时，他指出，模型、资本开支与用量均在增长，但基本问题依然悬而未决：一是模型层是否会出现单一赢家；二是模型公司能否向上捕获价值；三是模型能力的边界在哪里；四是以现有技术，看不到消费者从每周使用转向每天使用的路径。

（二）编码率先跑通的原因

Evans给出的解释较为朴素：摆弄这项技术的主要是软件开发者，他们首先尝试让软件开发跑通。他将当下比作1997至1998年的互联网、1970年代末至1980年代初的PC，令人兴奋但用途尚不清楚、也还不太好用，而人们拿PC做的第一件事是造更多计算机。“LLM在某种意义上就是计算机，人们拿它做的第一件事是造更多计算。”

对于编码跑通后对工程师、初级岗位与团队组织的影响，他认为目前“什么都还没学到”，因为这项能力六个月前尚不可用。变化在于问题的性质：过去“为什么雇初级员工”属于理论讨论，如今软件开发中确有一批工作正被自动化，这些问题成为现实问题；但任何人声称已知三年后的市场结构或工程师职业路径，都缺乏依据。加之供需错配传导至定价，这一过程需要数年才能沉淀。

二、基础模型商品化的推理链与定价均衡

Evans以移动数据时代的运营商作类比，提出基础模型可能走向商品化基础设施的推理链，并表示这是一条有待证伪的推理。

（一）移动数据时代的定价错配与价值归属

Evans认为，当前的定价错配与2009至2010年的移动数据高度相似。当时一边是有人突然收到5000至10000美元的数据账单，另一边是AT&T以不限流量套餐推出iPhone，用户大量观看YouTube，网络因容量不足而瘫痪；运营商此后花了数年，以封顶套餐、公平使用条款与限速，使定价与底层成本和感知价值对齐。映射到今天，“一边是你每月付20美元、拿到价值一万美元的token，另一边是你折腾了两天、收到一张一万美元的账单”。

更重要的是价值归属。据其介绍，此后移动数据流量增长约1500至2000倍，全球移动运营商合计收入约1万亿美元、每年资本开支约2000亿美元，而运营商股价二十年持平，有价值的创新均由他人完成；他曾任职的电信公司甚至持有银行牌照，以为自己会做移动银行。运营商建成了全球性的、复杂而昂贵的基础设施，使用量持续高速增长，价值却上移到了应用层。

他将此直接对应到大模型：核心问题在于模型能否独立完成整件事，还是需要三百个应用建于其上；用户能否直接对模型说“帮我报税”，还是需要一个内部以十种方式调用AI的报税软件。若是后者，基础模型提供商就可能成为按边际成本出售的商品化基础设施。他承认这一看法眼下难以被接受，因为当前能卖出全部产出的token、可按ROI定价；但未来几年有1万亿至2万亿美元资本开支在路上，模型效率每年提升100至200倍，届时将形成新的均衡，“当模型都差不多、用同样的芯片、做同样的事，为什么那个均衡会是模型公司拥有定价权的均衡？”

（二）商品化推理的三块积木

Evans从三个方面论证其判断。一是模型难以形成可持续差异化，既无网络效应，也缺少Instagram、YouTube或谷歌搜索那样的杠杆，“模型之间除了你愿意花多少钱，看不出根本性的竞争差异”。二是聊天机器人只是“一个古怪的、受限的v1用户界面”，多数场景需要工具、数据、配置、控制与合适的界面，而擅长用工具做事的人与擅长设计工具的人通常属于不同人群，擅长财务建议的人未必适合设计TurboTax；他将Claude的行业版本与skills视为这一中间地带的探索，类似Excel的新建模板，能带用户走一段，但人们终会超出模板。三是实验室无法自建全部应用，正如微软（Microsoft）或苹果（Apple）无法自己编写每一个Windows或iPhone应用。

至于实验室是否因此拥有类似操作系统的杠杆，他的检验是采购行为：律所、制造商或银行采购企业软件时，并不会询问其底层用的是Claude还是OpenAI，正如没有公司会“标准化在AWS上”，抽象掉底层正是重点。基于此，他认为基础模型更像超大规模云厂商，可能在更上层有竞争优势，但缺少杠杆、网络效应与控制权；另一个可能更贴切的类比是半导体，每一代更贵、玩家越来越少。

（三）定价纪律与过渡性局面

Evans表示，前沿模型由三到六家公司竞争，每年投入“没人诚实地知道，大约在2000亿到2万亿美元之间”，另有一批边缘与开源模型。数家公司竞争销售同样的东西，定价纪律难以维持，尤其谷歌（Google）以广告为主业，对定价的态度与OpenAI不同。他指出，token需求无限并不意味着到不了新的价格均衡，移动数据需求同样无限，十五年增长1500至2000倍，仍到达了均衡，并在多数地区出现激烈价格战，原因在于所售为商品，客户与开发者都会来回切换。

他同时为判断留有余地：也许终局只有两家公司能做大模型并拥有定价权，也许多数应用会被吸收进模型，“前三次是这样”并不能证明这次也如此。但他坚持，“眼下这个局面是过渡性的。我们处在极端稀缺中，然后有一个定价体系、一个自由市场、一波万亿美元级的资本开支，所以那些倍数会来回移动。”

三、应用层机会与SaaS行业前景

Evans认为，编码之后的机会取决于成本下降解锁了什么，相关问题将逐步移出科技业；软件总量会显著增加，但行业内部的利润率结构尚不清楚。

（一）成本下降之后的四个问题

Evans将“自动化了过去无法自动化的事”之后的追问归为四个方面。一是价格弹性，即杰文斯悖论（Jevons paradox），做事变便宜后是花更少的钱做同样多的事，还是花更多的钱做多得多的事。二是门槛，过去构成准入壁垒的高成本环节（如办报纸须拥有印刷机）是否消失。三是商业模式或竞争格局中有哪些因此被解锁。四是过去成本高到无人设想的事进入射程，如Spotify从“不花15美元买CD就能听到那首歌”走到“每月15美元听到世上所有音乐”。

他特别关注广告、电商与品牌领域。据其介绍，广告是1万亿美元的市场，零售是25万亿美元。谷歌、Meta与亚马逊（Amazon）过去并不真正了解一件商品是什么，只知道SKU、元数据与“买了这个的人也买了那个”；有了大模型，系统原则上能理解商品是什么、人们为何购买。他认为这正是谷歌与Facebook每个季度广告转化率与广告收入加速的原因。

（二）问题移出科技业

Evans以Netflix为例指出，Netflix的一切由科技业造的东西使能，但它面对的问题都是好莱坞问题，拍什么剧、付多少给演员、要不要买体育版权，旧金山没人知道正确的问题是什么。同理，AI对法律意味着什么，在很大程度上是律师的问题；若没在律所或贝恩（Bain）、波士顿咨询（BCG）、麦肯锡（McKinsey）工作过，便难以知道底层员工在做什么、客户为何付费，也难以判断金字塔底部被自动化后结构与利润率如何重组。至于第二个跑通的领域，他表示法律或银行都有可能；他提及有公司的运行率从去年底约90亿美元升至470亿美元，“那全是软件”，并设问当别的领域有人把某件事做成会发生什么。

（三）SaaS的两个分析框架

Evans对成果定价持保留态度，认为将企业软件的每一次操作与损益表挂钩非常困难。他给出两个框架。

一是企业软件的三个“桶”：大型横向系统，如SAP、Workday、CRM与薪酬；垂直软件，据其介绍，典型美国大企业有三四百个SaaS应用，另有约一千个自建或本地运行的应用；中间是Excel、邮件与共享文件构成的即兴地带。事项在三个桶之间来回移动，大模型的到来新增了一组选项：在大模型里做、借助大模型增强Salesforce，或用大模型自建工具。

二是大模型处于栈顶还是栈底。栈底是Salesforce中的一个功能，受控、带工具与护栏，由特定用例驱动；栈顶是把Salesforce、Workday、全部邮件与Google Analytics放在一起，综合回答“该如何调整价格以改善流失”一类问题。两者的张力相同，即会犯错的概率性软件与不能犯错的确定性系统各放在哪里，他认为答案大概率是两者兼有。

综合来看，他判断软件会多得多，SaaS曾带来一到两个数量级的软件增量，这一轮应预期同样的事。对于“SaaS末日”，投资者认为其中一定比例的公司会被淘汰但不知是哪些，“所以你大概不应该把整个板块打五折，但显然你会说，在弄清到底发生了什么之前我不太想做多软件”。

值得注意的是，他指出组织内部大量知识是隐性的，没有文档，训练数据也未覆盖，咨询公司价值的很大一部分在于获准进入企业、弄清实际运作与应然运作之间的差距，这类内容很难写进一个Claude skill。他将自动化的边界归为例外处理与判断：在需要“平均答案”的地方，大模型会非常擅长；在需要新问题的答案、新想法的地方，则不太擅长。

四、资本开支的财务约束与实验室处境

Evans认为，资本开支存在类似物理定律的财务上限，而模型公司面临的实际问题是如何让软件开发之外的行业用起来。

（一）资本开支的财务引力

据其介绍，微软、Meta与谷歌今年资本开支均将超过收入的50%，而通常被视为资本密集的电信业为15%至20%；四大公司今年资本开支指引合计7000亿美元，全球电信业资本开支约3000亿美元，油气行业视口径在7000亿至1万亿美元之间。他表示，7000亿美元按全球大型基础设施标准看并非不可能，但这些公司明年除非借债否则花不了1.5万亿美元，“我们不可能每年在AI基础设施上花10万亿美元，因为世上没有每年10万亿美元可花”。贯穿其中的一条线是，一个模型只在三到九个月内有意义，而造它的投入与回报这笔账尚未算清。

对于大型科技公司，这既是存在性问题也是错失恐惧问题：一方面眼下投资回报很高，另一方面不能让他人独占。ROI在早期难以衡量，他引用德勤（Deloitte）与美联储对CFO的调查指出，迄今多数收益属于更好的分析、更好的客服、更快做出更多幻灯片等难以计量的类别。他补充，这些能力会成为竞争必需品，成本节约与生产率提升会被竞争掉；如麦肯锡一份分析从一周缩至一天，大概率是做五倍的分析、向客户收同样的钱。

（二）实验室的困局

Evans澄清，其立场是“这里有一条推理链，看起来这些东西会走向商品化，请告诉我为什么不会”。他表示，移动业规模很大、基础设施投入很多、利润不高，但仍是值得做的事，只是未能掌控整个链条；谷歌、Meta、亚马逊、微软、苹果的利润合计超过整个电信业。他认为实验室一方面须持续推动前沿竞争，另一方面须做出软件开发之外人们想用的东西。让软件业更有生产力是一门好生意，“也许值一万亿美元，但然后呢？”这正是实验室与私募股权、咨询公司结盟的原因，因为真实企业很难自行弄清拿这项技术做什么。

五、平台周期的历史类比与本轮特征

Evans从五个层次对照了以往平台周期，并指出类比有用但缺乏预测力。

一是扩散一轮比一轮快，每一轮都站在上一轮的肩上，Netscape起步时全球PC存量仅数千万台，“你不可能有9亿周活跃用户，因为世上没有9亿台PC”。二是每一轮早期都“什么都不好用”，从少数愿意投入的人感到兴奋，到任何人按一个按钮就能用，中间隔着一段距离。三是类比无预测力，十五年前许多人认为Android会碾压iPhone，结果并未如此，“所有这些比较都有用，没有一个有预测力”。四是本轮看不见物理上限，以往平台转移中人们知道电信公司不会下周就给全世界接上宽带，而生成式AI的模型规模、性能、速度与价格如何变化均难以判断。五是新技术出现时人们总先做旧事情，如更多电子表格与幻灯片，而重要的是旧技术做不到的新事情；1990年代末“互联网会摧毁物理分发的价值”这一正确判断，对报纸与电影公司的影响也截然不同，“我们在1997年，我正试图预测Uber和Airbnb”。

总的看，Evans认为基础模型有较大可能走向商品化基础设施，价值更多落在应用层，软件总量将显著增加而具体赢家难以预判，资本开支终将受财务上限约束。他以1950年代初IBM的一则广告作结：一台IBM电子计算器给你150名额外的工程师。每隔一二十年就有一轮根本性的技术变革，基准情形应当是“我们会再经历一遍”，“二十年后我们会忘记曾有一个计算机做不到这些的世界”。