菲兹杰拉德的夏天
26-11-05 03:21

Coatue是我最喜欢的一个Fund,他们合伙人来Net 30 event讲了几个东西还蛮有用的。
- Anthropic和OpenAI的商业化速度是历史级别的,他比较了公司从成立到达到25B annualized revenue所需要的时间,Adobe/Oracle/Saleforce大概都需要20-44年左右,但是Anthropic和OpenAI只用了5年和7年。AI的商业化速度比此前任何一代Enterprise Software都快;
- Adoption Curve突然加速:Codex的Token share不是从2025年开始匀速上升,真正的Inflection Point发生在2026年2-4月。所以说明Agentic AI的扩散存在一种S-curve adoption,如果这个现象能够在普通企业重复,Engerprise AI的需求可能不是线性增长,而会在可用性突破某个门槛后突然加速。
- 在2022 - 2025阶段AI主要还是Chatbot / reasoning,从2025 - 2026已然转成了Agentic execution工具,整个转化是从Ask AI到Delegate to AI。他用了一个比喻就是:GPU era的时候,AI学会理解推理和生成,但是CPU era的时候,AI从具备智能变成能够替代人采取行动。在2026年6月,OpenAI企业客户输出Token占比里面Codex / Agentic占64%,ChatGPT占36%,说明现在开始进入了human on the loop
- Coatue还展示了OpenAI内部各职能部门的Codex使用占AI输出Token比例,Engineering占99%,Finance 91%,Recuriting 89%,Legal 88%,所以这样看来Agents增量市场可能主要来自非技术岗位,而且OpenAI内部Finance部门的使用强度已经接近Engineering了,(Anyway Open AI是极端的Early Adopter,但在外部普及程度没有这么高)
- 企业之间的AI spending dispersion极其惊人,对于Top 1% AI spender来说平均大概 $7k employee/ month,Top 10% 来说大概是$700 employee / month。所以企业对AI的投入能力及意愿之后可能会成为新的竞争差异,更愿意部署Agent的公司可能会形成新的Operating leverage: revenue能持续增长但是OpEx并不需要同比例增长。但是高Token spending也不意味着更高生产力、更不等于更高ROI。
- AI inference cost每季度下降约50%,这是整个Thesis的底层驱动力。AI越便宜,企业反而可能花更多钱使用AI。合伙人说AI成本下降速度比此前许多重大技术变革都快。比如以前每天需要花费八小时处理文件的工作交给Agent就可以以更低人工增量的成本完成,可能随着模型价格下降,以前不经济的自动化任务也变得值得做了。这就有一个AI Economics Paradox(也是人们有了Agent之后变得更忙的原因):在cost per unit of intelligence下降的时候,total AI SPENDING可能上升。所以未来最有价值的不一定是拥有最强模型的公司,而是有能力把越来越便宜的智能大规模转化为实际商业产出的公司。也就说明Application Layer 的真正壁垒不应该仅仅是模型本身,而更可能来自 Distribution、Proprietary Data、Workflow Integration、Customer Relationships 和 Regulatory Know-how。
- Revolut vs JPMorgan: AI-native / digital first financial insititutions的长期成本优势。coatue合伙人提到了自己投的Revolut,他觉得Revolut相比JPM、Wells fargo这样的传统金融机构可能有更低的Cost to serve,因为传统银行往往有实体网点、复杂组织架构、历史 IT 系统与大量需要人工参与的运营流程。Digital-first 银行则可以从最开始就设计相对自动化的运营流程,并在此基础上进一步应用 AI。所以当客户规模增长的时候,传统银行的运营成本也需要相应增长,但是Digital first银行部分运营流程可以通过软件和AI扩张而不是简单增加人手,所以觉得长期上,后者更有机会形成更有吸引力的Unit economics。

发布于 美国