[AI 衝擊] AI重寫商業規則：更多賽道、更少贏家，從軟體預算走向任務預算
摘要 : AI讓資本更直接轉化為技術優勢，也重塑市場規模、成長驗證與企業轉型的判斷標準。
內容:
AI與網際網路之間，可能存在一個顛覆性的差異。這個差異既是當前焦慮的根源，也可能是未來十年最大的機會。如果這個判斷成立，許多關於創業、市場競爭與估值的商業常識，都需要重新定義。
資本可能更直接轉化為技術優勢
在網際網路時代，一家公司擁有更多資金，不代表它能無限變強。資金通常必須先轉化為人力：更多工程師、更多銷售人員、更大的團隊，接著也帶來更多管理、協調與組織摩擦。人才是重要壁壘，而收入成長往往伴隨組織擴張。
因此，過去存在一道天然的牆：資本無法直接轉化為公司的能力。資金過多，甚至可能讓創業公司因擴張失控而陷入困境，因為組織成長往往比收入成長更複雜。
AI則可能第一次打穿這道牆。資金可以購買算力，算力支撐更多推理，更多推理讓產品變強，產品帶來更多收入，收入再投入算力。這意味著，資本本身可能開始更直接地強化技術優勢。
AI不是單一贏家通吃，而是更多賽道、更少贏家
原文提到，a16z近期的一場討論邀請了三位來賓，分別涉及全球募資與資本關係、成長投資，以及創投背後的母基金。他們長期處於矽谷資金來源與流向的第一線。
他們觀察到的第一個變化，是AI時代的價值分配可能比網際網路時代更加集中：不是所有公司平均獲利，而是極少數頭部企業取得絕大多數價值。
但這不一定代表一家公司吃下整個產業。更可能的情況是，AI不斷創造新賽道，而每個賽道留下的贏家更少。模型、程式設計、醫療、法律與機器人，都可能各自出現頭部企業。
換句話說，AI會創造更多牌桌，但每張牌桌上的贏家可能更少。原文的核心判斷是：AI不是單純的「贏家通吃」，而是「更多賽道、更少贏家」。
市場規模不能只看軟體預算，更要看任務預算
第二個重要變化，是我們可能正在低估AI公司的市場規模。
投資人常用TAM，也就是總潛在市場，衡量一門生意理論上能做到多大。過去評估SaaS，通常會看產業的軟體支出或企業IT預算。但當AI從「協助人完成工作」走向「直接完成工作」，這把尺可能不再適用。
原文引用討論中的醫療案例：醫療IT可能只是數百億美元的市場，但理賠、帳單與行政服務背後，對應的是更龐大的勞動力支出。一旦AI能直接完成這些任務，它競爭的就不只是軟體預算。
該討論甚至提到，美國經濟花在勞動上的支出，大約是軟體支出的40倍。因此，評估AI機會時，不能只問客戶每年花多少錢購買軟體，還要問客戶每年花多少錢，讓人完成這件事。兩者可能相差一個數量級。
SaaS爭取的是軟體預算，AI開始爭取的則是任務預算。AI真正打開的大市場，可能不在IT預算表裡，而在薪資表裡。
以前是賣客服軟體，現在可能直接提供客服服務；以前是賣財務工具，現在可能完成部分財務工作。越來越多AI公司販售的，不只是工具，而是結果。
成長速度不等於商業模式已被驗證
市場空間變大、收入成長變快，不代表公司一定更好。AI甚至可能讓一些傳統成長指標失真。
原文提到，一家AI創業公司在一個月內，從零做到500萬美元ARR。ARR是年度經常性收入，通常依目前的經常性收入推算年度規模。這樣的速度非常驚人，但公司才成立一個月，可能連一次續費都尚未發生。
半年後客戶是否繼續使用、毛利能否維持、需求是長期存在還是短期嘗鮮，都還沒有答案。有些公司甚至直接將單月收入乘以12，當成年化收入指標；但這個數字本身，不能證明收入具有持續性。
這形成一種危險現象：成長速度越來越快，確定性卻沒有同步增加。原文將它稱為「驗證延遲」。
AI可以讓產品在一天內成形、在一個月內產生收入，但留存、續購、口碑與商業模式，仍然需要時間驗證。AI壓縮了成長週期，卻沒有同樣壓縮驗證週期。最大的成長幻覺之一，就是把速度當成證據。
維持原有成長，也可能是相對衰退
這也會衝擊傳統SaaS公司。許多企業正在思考是否加入AI、Copilot或Agent，但真正的問題可能不是「有沒有AI功能」，而是加入AI後，成長是否重新加速。
假設一家公司的年成長率原本是30%，加入大量AI功能後仍是30%，表面上沒有退步；但如果新的AI原生公司成長100%，它在競爭中的位置可能已經相對下滑。
因此，AI時代即使維持原有成長，也可能是一種相對衰退。
加上AI，不等於完成AI轉型
另一個常見誤區，是以為加入AI功能，就能成為AI公司。
原文引用一個類比：把傳統零售公司搬到網路上，不會讓它自動變成Amazon。Amazon的優勢不只是多了一個網站，而是圍繞網際網路，重新設計物流、庫存、供應鏈、交易與組織。
AI轉型同樣如此。把客服換成Agent，不一定就完成轉型；真正的轉型，需要重新設計整個工作流程：哪些任務由AI執行、哪些判斷由人負責、權限如何配置，以及結果如何驗收。
如果這些安排都沒有改變，AI可能仍然只是一個外掛。未來許多企業AI專案失敗，原因未必是模型不夠強，而是用下一代技術，繼續執行上一代流程。
程式設計的突破速度，不代表所有知識工作都會同樣快速改變
看到AI寫程式的能力快速提升，很容易推論銷售、諮詢、策略與管理，也會以相同速度被改造。但原文認為，這未必成立。
程式設計可能不是一般樣本，而是AI最容易突破的知識工作之一。程式碼有大量文件、可以直接執行、結果相對容易驗證，也能透過測試與模擬快速取得回饋。
真實商業世界裡，許多高價值工作恰好相反。一項策略是否正確、一個產品方向是否選對、一次組織調整是否有效，可能要半年，甚至兩年後才知道。
因此，程式設計可能代表AI改造知識工作的最快速度，而不是平均速度。
決定一項能力是否容易被AI壓縮的，可能不只是它有多專業，而是它有多容易被描述、驗證與模擬。越容易驗證的能力，越可能快速被AI改造；依賴複雜情境、隱性經驗、長期回饋與非標準判斷的能力，反而可能變得更有價值。
企業之間的AI採用差距值得關注
原文最後引用一組資料：一般企業每位員工每月的AI支出，中位數約為12美元；最領先的1%企業，則可能達到7,000美元。
重點不只是7,000美元這個數字，而是不同企業之間，可能正在形成巨大的AI採用差距。
原始文字在此處截斷，因此後續論述未予補寫。
.png)
