AI智能体的崛起正在引发软件行业的深层剧变，传统商业模式的脆弱性在股市的集体下跌中暴露无遗。本文基于Gokul Rajaram的框架，犀利剖析了记录系统、定价模式、数据半衰期与工作流深度如何成为软件公司的生死线。
近期，软件股正在遭受重创！
这种下跌并非针对特定标的，也非战术性调整，几乎是无差别的打击。
观察当下的行业现状，与其说是板块轮动，不如说更像是一场大清算，甚至到了彻底投降的地步。无论是增长领头羊、赛道赢家、基础设施平台，还是通用型 SaaS 或垂直型 SaaS，全都在同步跌落。
我今天在 X 上看到的一张图表，极其直观地展现了这种残酷现状。在数十家知名软件公司中，股价较近期高点的回撤幅度非常集中。这种跌幅通常只会在企业面临生存危机时出现，而非仅仅源于周期性的不确定性 。
这不是板块轮动，这是在投降。
看来在投资领域，“硬件”已经成了新的“软件”。—— Paul Andreola
我最近看到一条推文，完美捕捉到了这种情绪。
文中提到，眼下的波动已经超出了普通回撤的范畴，那些在一年期限内输不起的投资者，正对整套商业模式丧失信心。不确定性一旦增加，细节上的差异往往会被忽略。大家开始精简持仓，抛弃复杂的投资逻辑。软件股不再被视为商业模式各异的集合，而变成了一个同涨同跌的单一交易标的。
与此同时，软件行业的竞争边界正在发生明显变化。
以往定位为券商平台的 Robinhood，现在正尝试将全方位的报税服务、遗产规划以及专门的理财顾问功能集成到一个应用中。
这不仅仅是产品线的扩张，也预示着软件类别、金融服务和专业服务之间的传统界限正在瓦解。随着软件开发成本降低、分发变得更容易，相邻行业开始产生碰撞。投资者不再纠结颠覆是否会发生，转而关注它将从哪里率先突破，以及会对现有的利润池造成多深的打击。
正因如此，最近一期由 Gokul Rajaram担任嘉宾的《Invest Like the Best》播客节目对我来说显得格外重要。我曾总结过该节目许多期的核心观点，最近的一期是关于 Henry Ellenbogen 的访谈。在此，我想再次向主持人 Patrick O’Shaughnessy 表达谢意，感谢他通过免费分享这些节目内容所创造的巨大价值。
Rajaram 曾在 Google、Facebook、Square 和 DoorDash 负责过产品打造，并投资了 700 多家公司。在对话的前半部分，他并没有复述 AI 将改变一切这类空泛的论调。相反，他提出了一套思维模型，旨在区分哪些软件业务在结构上极易受到冲击，而哪些又具有出人意料的韧性。
当你把他的观点串联起来时，比如关于记录系统、定价模式、数据持久性、工作流深度和产品黏性等，一套清晰的分析框架便浮现出来。这套框架能帮助投资者更精准地判断，哪些软件股最容易被颠覆，而哪些公司其实拥有比市场认知更深的护城河，正在默默地保护着自己。
在接下来的内容中，我将尝试重构并扩展这一框架。它并非一份简单的核对清单，而是探讨 AI 智能体时代软件经济学与持久性的一种思维方式；最终，它也将作为一个视角，带我们看清这场行业多年未见的、极为盲目的抛售潮。
如果你观察大多数关于 AI 和软件的讨论，就会发现话题往往集中在一个非黑即白的问题上：
AI 到底会不会颠覆软件公司？
这种视角很有诱惑力，因为它足够简单，但也带有很强的误导性。颠覆是否会发生并不是重点，核心在于它发生的位置、演进的速度，以及软件栈的哪些层级在结构上暴露在风险中，哪些层级则拥有天然的屏障。
Gokul Rajaram 提出了几个观察软件业务的角度，用以评估其脆弱性或防御能力。
Rajaram 在这方面做了一个区分，他认为市场目前很少能对此准确定价。他指出，传统软件公司可以归为两类本质不同的范畴：记录系统，以及按效用或结果定价的软件。
“当下最该感到忧虑的，是那些将产品定价与效用挂钩的软件公司” 。
并非所有软件都是一样的。有些系统位于公司运营的核心。另一些更接近表层，在不引发组织性冲击的情况下，它们的功能可以被复制、增强或逐渐替代。
在多数企业的核心位置，都存在着所谓的记录系统。这些平台包括财务系统、核心 ERP 平台、CRM 数据库、医疗记录以及法律档案库等，长期积累着企业的各种关键数据。
这些系统早已超越了普通工具的范畴，承载着企业多年运营积淀下的家底。更换这类系统，从来不只是一个简单的技术问题，更是一项足以左右个人前途的重大抉择，背后潜藏着巨大的职业风险。正因为动到底层根基的代价太高，哪怕市场上出现了明显更优秀的替代方案，往往也难以在企业内部真正落地。
每个垂直行业都有自己的记录系统，其中既有根基深厚的老牌厂商，也有近年崛起的新秀。这类系统存储了该行业绝大部分的核心数据，比如法律行业的 Filevine 或 Clio，销售领域的 Salesforce，以及医疗领域的 Epic。
以 Salesforce 为例，你不能只凭一句“我的产品更优秀”就想取而代之。看看 CRM 系统里装载的内容，那是企业的客户档案，而客户支持系统则记录着客户的各种反馈与诉求。
除非你能提供一套简单且无缝的方案，把 Salesforce、Jira 或 Zendesk 里的数据完整搬迁过来，否则客户绝不会轻易搬家。实际上，光是开发出这样一套迁移机制，往往就需要投入长达2年的精力。
过去十年，在这些记录系统的周围，涌现出了一层日益庞大的软件生态。这些工具的作用在于自动化流程、提升协作效率、提供数据分析或优化特定功能。它们虽然很有价值，却不具备基础性的地位。在很多情况下，这些工具并不直接拥有核心数据，其运作高度依赖背后的记录系统。在 AI 智能体时代，这种依赖关系成了决定胜负的关键。
核心洞察在于，AI 原生产品自然会先从外层软件下手。它们无需取代核心系统就能创造价值，通过伴随在系统侧边拦截工作流、自动化任务，就能逐步削弱现有软件的商业地位。
正因如此，软件行业的颠覆在早期阶段往往悄无声息。此时一切看起来依然运转正常，客户也没有大规模流失。
然而，客户购买的账号席位开始缩减，使用的功能也在变少，他们转而更多地依赖外部自动化方案。这种静悄悄的转变会逐渐掏空现有的商业模式，却不会触发任何重大的系统搬迁或数据迁移。
这种态势也解释了为何老牌软件公司的防御色彩日益浓厚。当核心平台意识到外部智能体正将自己视作“毫无灵魂的数据库”时，它们的直觉反应就是收紧访问权限、捆绑竞争性功能，或者针对数据提取收费。
其中的战略逻辑非常清晰：如果价值正通过接口不断外溢，那么接口本身就成了短兵相接的战场。
“到了2024年，情况发生了变化。这些老牌软件商发现，那些新兴的 AI 和智能体公司正在逐步接管它们的功能，仅仅把它们当成一个存数据的‘原始仓库’。于是从去年开始，你会看到这些公司纷纷收紧策略，切断了 API 的访问权限。”
对于投资者来说，核心系统与外围软件的区别不仅是技术上的细节，更是衡量被颠覆风险的首要结构化维度。
如果一家公司的产品已经深深嵌入客户的业务运作肌理，它所遵循的商业逻辑，与那些仅仅叠加在现有基础设施之上的软件有着本质区别。
随着软件开发门槛的降低，以及 AI 智能体能以极低的边际成本复制各种功能，软件栈的外层已经沦为各方激战的战场。核心层虽然目前黏性更强，但恐怕也无法永远高枕无忧。
投资者在谈论软件公司的护城河时，焦点往往集中在产品功能、品牌实力、客户黏性或网络效应上。定价模式很少被列入其中，因为在大家看来，它似乎是次要的，甚至只是某种修饰性的商业细节。
然而，在 AI 驱动的时代，软件公司向客户收费的方式，或许是预判其会被颠覆还是能成功自保的核心指标。
乍一看，定价似乎纯粹是一个商业层面的决策：是按席位收费还是按使用量计费？是采取订阅模式还是消耗模式？
以按人头计费（席位制）的软件为例。在过去几十年中，这种模式几乎就是 SaaS 成功的代名词。企业将许可证卖给具体的员工，每一个席位都对应一个职能岗位，营收规模则直接取决于客户的员工人数。在那个由人类主导工作、软件仅提供辅助的时代，这套商业逻辑运作得天衣无缝。
然而，随着 AI 智能体的介入，这套逻辑开始土崩瓦解。
如果智能体能够代劳原本由人类处理的部分工作流，企业所需的账号席位就会不可避免地缩减。这种变化不会在一夜之间爆发，也不会引发激烈的系统更迭，它往往以一种循序渐进、甚至让人难以察觉的方式悄悄演进。
Zendesk 就是一个很好的例子。从根本上讲，Zendesk 是按席位计费的，每一个席位都对应着实际的产出效用。也就是说，每个席位都代表一名处理特定工单量的客服人员。
这类公司确实应该感到担心，因为我完全可以在 Zendesk 系统的基础上接入 AI 智能体，从而慢慢分流掉原有的工作量。企业不再需要购买 50 个席位，可能减到 20 个就够了，剩下的空缺由 30 个 AI 智能体来补位。
这种蚕食是渐进发生的。客户不需要做一个孤注一掷的决断，这更像是一个灵活且可随时调整的“双向门”决策。在我看来，这类公司正处于最危险的境地。
这正是某些软件品类在结构上更容易受到冲击的原因。当定价模式与人力投入深度绑定时，AI 根本不需要通过取代产品本身来打击公司的盈利模式。它只需减少原本该软件所需的人力投入，就能让软件商的收入大幅缩水。这本质上就是目前市场看空 Adobe 的核心逻辑。
相比之下，那些定价与数据、产出成果或系统级功能挂钩的软件，其表现则大不相同。
如果一个平台掌握着长期积累的核心数据集，或者运行着关乎生死存亡的关键流程，它的价值就很难被拆解成一个个可以被轻易替代的零件。即便 AI 智能体可以增强或自动化部分工作流，核心系统依然稳如磐石。
在这种情况下，定价模式背后体现的是一种更深层的掌控力。这类公司卖的不再是简单的账号席位，其实质在于提供对企业“运营家底”或“业务骨干架构”的使用权。
那些被颠覆风险较低的公司，其产品的核心价值不再由席位数量决定，其底气源于长期积累和沉淀下的深厚数据。数据随时间沉淀的价值越高，公司的防御能力就越强。
以 ERP 系统 NetSuite 为例，先撇开其具体的收费模式不谈，由于它实际上掌控着整个企业的核心业务流，具有极强的不可替代性。在这种背景下，很难想象会有人为了替换它而押上自己的职业前途，因为这种冒险缺乏足够且令人信服的理由。
这种差异解释了软件行业的一个怪现象。在 AI 叙事的冲击下，有些公司表现出惊人的韧性，而另一些公司即便产品普及度极高且口碑载道，依然显得弱不禁风。
这种脆弱性的根源未必在于技术层面的落后，更多时候取决于底层的商业模式架构。即便一家公司拥有卓越的产品，如果其定价模式允许竞争者逐步蚕食其业务价值，它依然难以自保。与此形成鲜明对比的是，某些公司的产品或许并没那么光鲜亮丽，但由于其定价逻辑植根于某种难以被复制或绕过的核心资产，这类公司反而展现出了极强的生命力。
虽然企业理论上可以把商业模式从“按人头计费”转向“按量计费”，但 Gokul Rajaram 指出，这种转型过程极为痛苦，通过私有化来完成或许是更好的选择。
“这些公司需要将定价模式改为按效果收费，并且产品的研发逻辑也要随之调整。这绝非易事，因为你原本能稳定赚取每个席位 20 到 30 美元的收入，现在却要改成按每解决一个问题收一美元甚至几毛钱，谁也无法预料最终的财务表现会如何。由于这种定价模式的转变极具挑战，我认为其中不少公司可能需要通过退市私有化来完成商业模式的重塑。对一家上市公司来说，这种转型带来的压力和不确定性实在太难承受了。”
如果说定价模式揭示了软件业务的脆弱程度，那么数据则指出了背后的深层原因。各种数据的价值并不等同，它们“老化”的速度也大相径庭。在 AI 智能体时代，一家软件公司能否长久生存，正日益取决于它所掌控的信息是否具有持久的价值。
有些软件产品产生的数据具有极强的瞬时性。比如即时消息、待办任务、短期协作以及碎片化的交互记录，尽管这类数据在产生之初很有用，其价值却会迅速流逝。随着时间推移，这些数据的关联性逐渐减弱，预测能力不断缩水，战略意义也随之消散。
一旦 AI 智能体复现了这类产品的功能，底层数据几乎无法提供有效的保护。如果未来的系统能轻而易举地重构过去的业务流，那么所谓的历史积累也就失去了防御价值。
另一些软件平台所积累的数据，其性质更接近于企业的运营家底。
财务记录、客户往来史、供应链关系、合规档案以及运营日志，这些内容不仅仅是软件使用过程中产生的副产品，更是构成企业自身的血肉骨架。替换一个承载着此类数据的系统，早已超出了技术项目的范畴，对于依赖它的企业来说，这往往是一场关乎生死存亡的冒险。
正是这种差异，解释了为什么某些软件公司即便技术架构显得陈旧，在变局面前依然稳如泰山，而另一些公司虽然产品时尚且用户活跃度极高，却始终笼罩在危机感中。衡量风险的核心变量并不在于创新的快慢，真正的关键在于系统中所积淀数据的“半衰期”长短。
当数据拥有较长的半衰期，AI 智能体便难以将其绕过。即便 AI 可以实现工作流的自动化、增强决策能力并优化交互界面，却很难凭空重构几十年积淀下的档案记录、人脉关系以及各种隐性知识。
由此产生的是一种结构性的防御力。这种力量通常不会体现在功能参数的对比表或产品演示中，而是深藏于巨大的系统迁移阻力与组织变革风险之中。
“像 ERP 系统，甚至像 Salesforce 这种承载着销售数据与档案的平台，里面存储的是真实的客户资产。想要撼动它们，绝非易事。”
相比之下，如果数据的价值流失得很快，AI 智能体几乎能瞬间发起竞争。它们不需要重构过往的历史信息，只要能复现现有的功能即可。随着时间推移，这种局面会引发一场微妙却强力的价值迁徙。原有的软件系统会逐渐失去吸引力，价值将流向那些能够摆脱旧有架构束缚、且能交付同等成果的新层级。
“以 Slack 为例，它的处境恐怕更加危险。Slack 内部存储的数据大多缺乏跨越时间的生命力，其‘半衰期’非常短暂。”
对投资者而言，最关键的问题在于，数据能否在对客户或组织真正有意义的时间跨度内持续发挥作用。如果一家软件公司的数据在短短几个月后便失去意义，那么它所处的赛道，与那些数据价值能随年岁增长而不断积淀、产生复利效应的公司，完全是两码事。
每家软件公司都同时运作在两个截然不同的现实层级上。一个层级关乎数据，另一个层级则关乎行动。
我们在第一部分讨论过的“记录系统”构成了第一个层级。这里是信息随时间不断积淀的场所，存储着企业的运营家底，也编码了组织运行的真实逻辑。想要替换这种系统确实极难，因为这无异于改写历史。然而，绝大多数的颠覆往往并不会从这里拉开序幕。
工作流深度则属于第二个层级。它体现了一款产品在多大程度上介入了基于这些数据的决策过程与执行环节。
有的产品仅能完成某些单一任务的自动化，而有的产品却能协调由逻辑判定、审批流程、例外处理以及组织行为交织而成的复杂链条。这种深浅之别，决定了 AI 智能体是否能在不重构企业底层运行逻辑的情况下，真正实现对该软件功能的有效替代。
其次，你需要锁定高价值的工作流。这些工作流应当具备足够的深度与复杂度，并且需要调用特定的定制化数据。
在企业软件的早期阶段，大部分产品只是服务于人类的工具。虽然它们能辅助工作流，却无法从根本上独立完成任务。AI 的出现彻底改写了这种互动关系。当软件进化为智能体，它不再仅仅扮演辅助角色，而是开始接管并执行工作流。
这也正是颠覆很少从记录系统开始的原因。变革往往源于那些与核心系统对接的简单流程。这些流程大多具有重复性、遵循特定规则且高度标准化，AI 可以在不触动企业数据底座的情况下实现自动化。
“我认为这个赛道的一大挑战在于，底层模型的能力正变得如此之强，以至于如果你试图创办一家业务逻辑‘轻薄’、没啥门槛的公司，那些基础模型厂商分分钟就能把你吞并。”
因此，从 AI 原生公司的视角来看，战略目标并非直接挑战“记录系统”本身，而是盯上建立在其之上的“工作流”层。通过将一个切口虽小但价值极高的特定流程实现自动化，智能体能够为企业带来立竿见影的经济效益。
这为老牌软件公司制造了一个悖论：“记录系统”固然难以更替，但构建其上的工作流往往脆弱得令人意外。
一个工作流与组织逻辑纠缠得越深，自动化就越困难；反之，如果它越浮于表面、越模块化，就越容易被拆解。
过去十年间崛起的许多 SaaS 公司恰恰处于这个危险的“中间地带”，它们的复杂度足以支撑其订阅制收费，但模块化程度又高到足以被 AI 智能体像剥洋葱一样，一层一层地剥离。
因此，对于投资者而言，工作流深度测试是对“记录系统”分析的有力补充，而非替代。核心问题不再仅仅是这家公司是否拥有关键数据，而是它所攫取的价值，是否与其围绕数据构建的执行逻辑达到了血肉相连、不可分割的程度。
到目前为止，该分析框架的重点一直落在软件本身，即定价模式、数据耐用性以及工作流深度。
但如果 AI 降低了软件的开发门槛，并让功能的复制变得易如反掌，那么生命力最强的公司，将日益趋向于那些护城河延伸至软件之外的企业。
换句话说，核心问题不再是产品在技术上是否领先，而在于其业务是否在结构上与那些纯软件手段难以复刻的现实因素深度纠缠。
在传统的 SaaS 时代，防御力往往源于规模效应和分发能力。但在 AI 时代，这些优势的瓦解速度正在加快。模型在持续进化，智能体变得越来越廉价，交互界面也逐渐趋于通用商品化。真正难以被复制的，是那些处于软件与物理世界、金融体系、监管合规或社会关系交汇点上的事物。
某些公司通过将自己植入难以重建的网络中，从而获得持久的生命力。
Gokul：“在 AI 时代，我认为黏性主要源于几个方面。首先，你必须具备网络效应。比如 DoorDash 之所以有黏性，并不只是因为它有一款精美的 App，而是因为它构建了一个由餐厅、配送员和消费者组成的庞大网络。你不能只攻击其中一环，你必须……”
Patrick：“你没法靠‘氛围感编程’（Vibe coding）凭空变出后面这两样东西。”
另一些公司则通过成为资金流的中介来建立壁垒：
“第二个关于黏性的例子，是当你的系统中承载着财务往来或资金流动时。许多记录系统（例如餐饮系统 Toast）都集成了支付功能。我认为这非常有意思，因为你不能只做一个收银终端（POS），你还必须让资金在其中流转。看看银行就明白了，银行就是个很好的例子。一旦你使用了像 Mercury 这样的商业银行，你的资金流就会锁定在其中，很难切换，因为这背后嵌入了监管合规等一系列复杂因素。所以，我非常看好这种‘金融服务+软件’的组合模式。”
……此外还包括合规义务，或者是实际的物理运营基础设施：
“第三种黏性来自硬件。你可以拥有真实的物理载体。Toast 也是一个绝佳的例子，他们会免费给你提供硬件设备，但如果你想退货，就得付钱。无论如何，硬件就摆在那儿。竞争对手不能只开发一套软件就完事了，他们必须得拿着自己的硬件设备上门，把 Toast 的机器拆掉，再把自己的装上去。”
这解释了为什么某些公司在剧烈的技术变革面前，依然表现出惊人的韧性。它们的价值主张不仅体现在功能层面，更是系统性的。
想要取代它们，不仅需要重构软件，还要重构信任、网络、流程、硬件、法律框架以及经济关系——或者是这些因素的综合体。在这种语境下，切换成本无法用研发工时来衡量，而要用组织动荡程度来评估。
“如今软件的半衰期极其短暂。除非你拥有某些能让它长久生存的特质——汉密尔顿·海尔默（Hamilton Helmer）曾提出过《策略七力》（7 Powers）。你必须确保从第一天起，业务模式中就嵌入了这七种力量中的某几种，公司才具备生存根基。”
行文至此，一个清晰的评估范式已初现轮廓。我们可以通过以下五组核心矛盾，来审视一家软件公司的根基：
拆开来看，这些观点直观易懂；但合而为一，它们构成了一套极具杀伤力的评估工具，能帮我们洞察在 AI 智能体时代，一家软件公司究竟是稳如泰山，还是金玉其外。
这种方法的价值并不在于它能板上钉钉地预判输赢，而在于它提供了一个更有意义的切入点：它迫使你打破“所有软件公司风险均等”的错觉。
你不再只是机械地询问一家公司是否能“免疫 AI”，而是开始深挖一系列结构性问题——它的价值到底根植于何处？这种价值被剥离的难度有多大？
这个问题看似简单，实则一针见血。
如果它身处运营数据与决策流程的核心，那么动它的代价和“政治风险”就会极高。反之，如果它只是寄生在现有系统之上的外挂，那么替换它可能只是为了图个方便，而非关乎生死。这种定位上的云泥之别，往往就是韧性与脆弱的分水岭。
如果营收规模随着席位、功能或那些 AI 能自动化的使用量而增长，那么这种商业模式就面临着被逐渐蚕食的风险。反之，如果营收与长效数据、合规义务或系统级产出挂钩，那么公司就站立在更坚实的地基上。
如果昨天的信息到了明天就变得无足轻重，那护城河就很浅。如果数据的相关性在数年间不断复合增长（复利效应），那么颠覆它就不只是做一个更好的界面，而是需要重构整个组织的记忆。
如果答案是肯定的，那么这家公司就很容易被蚕食式替代；如果是否定的，挑战者就必须面对重建整个技术栈这一难如登天的任务。
网络效应、金融链路、硬件部署、监管牌照以及组织习惯，这些都充当了隐形的防御堡垒。一家公司对这些结构的依赖程度越高，就越不容易被纯粹的软件创新所取代。
综上所述，这些问题构成了一份颠覆风险审计表，让我们能从多维视角而非单一维度来看待软件业务。一旦你采用了这些理念，当前软件股的动荡看起来就不再那么混乱了。
软件股并非一个同质化的资产类别，有些公司之所以更脆弱，并不是因为管理不善，而是因为它们的价值恰好位于那些极易被 AI 拆解的层级；而另一些公司则表现出更强的生命力，这并非因为它们对技术变革免疫，而是因为它们的优势深深植根于 AI 难以轻易复刻的资产之中。
当前软件行业的抛售潮看起来惊心动魄，但背后其实有着理性的支撑。AI 智能体确实正在从根本上改变许多软件股的尾部风险概况（即极端崩盘的可能性）。
Thomas Reiner 在下方的推文中指出，即便一家公司能在未来 15 年内保持 14% 的增长（这已经远超一般的行业基准水平），其估值也“仅仅”相当于 20 到 25 倍的自由现金流（FCF）。
我不太确定 Rainer 到底使用了多少折现率（Discount Rate），所以我自己重新算了一遍：如果按 10% 的折现率计算，其内在价值确实就在 20 倍自由现金流（FCF） 左右。
我之前曾提到，投资者需要保持一份谦逊，去正视我们正在见证的这种指数级技术跃迁。你真的敢拍胸脯保证，某只软件股 X、Y 或 Z 在 15 年后还会存在吗？
“这类分析（如现金流折现模型 DCF）包含两个核心假设。当然，假设远不止两个，但我重点点出这两个：
1.留存率（Retention Rates）：你假设留存率会持续保持高位且稳定，这样你才能预测未来 10 年的稳定现金流。一旦留存率松动，现金流就会一落千丈。
2.终值（Terminal Value）：你假设这门生意是有‘终值’的。换句话说，你假设它的终值不是 0。
那么现在发生了什么？这两个根本性的假设正受到前所未有的质疑，这就是估值雪崩的根源。” —— Jamin Ball
所以，我再次强调，目前的抛售在我看来并非完全失去理智——尤其是考虑到此前某些软件股那高高在上的估值。
真正不理智的行为，是市场将那些本质上完全不同的（软件）商业模式“一刀切”，仿佛它们注定要走向相同的命运。
事实果真如此吗？在某些情况下，确实如此。然而，如果我们回顾开篇提到的那个表格，你会发现，根据本文的框架，过去一年跌幅最惨重的几只股票，恰恰是那些在智能体（Agentic AI）时代防御力最为薄弱的商业模式（比如 Wix、Duolingo 和 Figma）。
当你学会透过记录系统、定价架构、数据半衰期、工作流深度以及非软件护城河这几层棱镜去观察时，软件行业就不再是一个面目模糊的整体。有些公司在结构上就极易被竞争者“蚕食”价值；而另一些公司则被深厚的数据引力、极高的迁移摩擦以及对现实世界流程的深度嵌入紧紧守护着。
这两者之间的天壤之别绝非细枝末节，但如果你依然只盯着传统的 SaaS 指标（如 ARR、NDR 等）看，就极易与真相擦肩而过。
作者｜Rene Sellmann 编译｜牛透社
原文标题｜Investing in Software When AI Agents Arrive – A Framework for Who Gets Disrupted。
本文由人人都是产品经理作者【牛透社】，微信公众号：【牛透社】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图由AI生成
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。