AI 与软件股的生死之辩
一、起点：一个直觉性框架
面对 2025 年底至 2026 年初软件股的大规模抛售，我提出了一个判断框架：
关键在于 AI 与软件之间谁是”容器”、谁是”内容”。
-
情景 A：AI 作为软件的插件 — AI 嵌入软件内部运行，就像 Claude 嵌入 Excel 或 Word 里。用户平时还是在软件里工作，AI 在背后赋能。这样软件越来越强，AI 给软件加分。
-
情景 B：软件作为 AI 的插件 — 软件直接内置到 Claude 的聊天窗口，成为 AI 的一个功能模块。用户的工作主场在 AI 里，软件只是附属工具，慢慢会被 AI 所取代。
这个框架的核心直觉是：谁是主界面，谁就赢得用户。
二、这个框架的合理性
✅ 用户习惯锚定效应是真实的
用户在 Excel 里工作了几十年，不会无缘无故离开 Excel 去 Claude 窗口问问题再回来操作。AI 嵌入软件，反而让软件更黏用户。微软的 Copilot（AI副驾驶）嵌入 Office 套件就是最成功的案例。
✅ 这个二分结构在现实中正在发生
| 模式 | 典型案例 | 当前结果 |
|---|---|---|
| AI 嵌入软件 | Copilot 进入 Office、GitHub | 软件护城河加深 |
| 软件嵌入 AI | 部分 CRM（客户关系管理）调用 Claude API 做对话入口 | 软件沦为”皮肤”，差异化消失 |
✅ 主界面之争是真正的战略问题
微软 CEO 纳德拉曾警告：“商业应用软件（Business Applications）在 Agent（智能体）时代将会崩塌，因为它们本质上只是带业务逻辑的 CRUD（增删改查）数据库，这些逻辑将迁移到 AI 层。” 这与框架 B 的担忧完全吻合。
三、框架的弊端与不足
⚠️ 不足一：忽略了”第三种情景”——AI 直接绕过软件
框架只描述了两端，但现实中有更危险的第三条路：
AI 直接替代整个工作流，软件本身变得不必要。
以 BI（商业智能）软件为例：用户以前需要 Tableau 或 PowerBI 做数据可视化；现在直接在 Claude 里说”分析这份数据，给我图表”，结果既没有用 AI 插件版 Tableau，也没有把 Tableau 嵌入 AI——而是完全绕过了 Tableau。
这种情况下，“谁是插件”的讨论根本不成立，软件直接消失。
⚠️ 不足二：“AI 赋能软件”不一定保住某家公司的护城河
Office 是极其特殊的案例，它有几十年的用户习惯、企业级数据格式锁定（.xlsx/.docx 生态）和 IT 部署基础设施。大多数 SaaS（软件即服务）软件没有这种锁定。
如果 AI 能力是通用的（大家都在调用 Claude API），那 AI 赋能了整个品类，但没有赋能某一家公司——用户可能换更便宜的竞争对手，因为 AI 能力大家都有。
贝恩咨询（Bain & Company）把这类公司称为**“开放门户（Open Doors）”**：API 暴露，容易被 Agent 截胡，危机确实存在。
⚠️ 不足三：“嵌入 AI 窗口 = 必死”过于绝对
情景 B 的判断偏悲观。有两类反例：
-
高度专业化的垂直工具：医疗影像分析软件，即便以插件形式嵌入 AI 窗口，其背后的算法、数据集、合规认证仍是真实壁垒，AI 无法绕过。
-
执行层工具：AI 能决策，但真正操控 ERP（企业资源规划）系统、向供应商下单、修改数据库的，还是需要专用软件做”手脚”。这类软件因为 AI 更被需要，而不是更危险。
⚠️ 不足四：缺少时间维度——插件关系会动态翻转
今天 AI 是 Excel 的插件，看起来 Excel 赢了。但长期看：
- 如果用户越来越多地在 AI 里完成”以前只在 Excel 里做的事”
- AI 的记忆和上下文越来越强，能记住你的财务模型、历史数据
- 那即便现在 AI 是 Excel 的插件，5 年后 Excel 可能变成 AI 的附件
这是一个动态的权力转移过程，不是静态的插件关系。
四、外部分析：各路观点整合
贝恩咨询：四象限战略地图
贝恩按”自动化潜力”דAI 渗透风险”给软件公司分类：
| 象限 | 名称 | 典型特征 | 命运 |
|---|---|---|---|
| 低风险高赋能 | 核心堡垒 | 深度专业工作流，独有数据 | ✅ AI 越强它越强 |
| 中风险 | 开放门户 | API 暴露，任务标准化 | ⚠️ 被 Agent 截胡风险高 |
| 高机会 | 金矿 | AI超越人工，但需独有数据 | ✅ 先行者大赢 |
| 高危险 | 战场 | 标准任务，外部 Agent 可复制 | ❌ 最危险 |
🏰 象限一：核心堡垒——举例论证
① Epic Systems（爱波克系统，医院电子病历 EHR 系统）
Epic 存储了美国超过 2.5 亿患者的完整病历数据，包含几十年的诊断记录、用药历史、影像报告。AI 做临床决策辅助，必须调用这些数据才能运作，而这些数据只在 Epic 里。更关键的是，美国 FDA（食品药品监督管理局）对医疗决策有严格合规要求，AI 给出的任何建议都需要有被认证的”数据来源系统”背书。结果是：AI 越厉害，医院越需要 Epic 作为数据底座，Epic 反而因为 AI 变得更不可替代。
② Bloomberg Terminal（彭博终端，金融数据终端）
彭博终端每年收费约 2.4 万美元/席，很多人觉得贵到离谱。但它储存了 40 年的实时金融数据、债券定价、场外交易数据，这些数据是彭博独家采集的。AI 做量化交易、风险建模，调用的正是彭博数据 API。这让 AI 不但没有绕过彭博，反而增加了对彭博数据的消耗量（按调用量计费）。彭博是 AI 必须依赖的”数据地主”。
③ Veeva Systems（维瓦系统，生命科学行业 CRM）
Veeva 专门服务制药公司的销售合规管理，内嵌了各国药监局的合规规则。这类规则不是通用的，是 Veeva 花了十几年与 FDA、EMA（欧洲药品管理局）等监管机构共同制定并沉淀的。AI 可以优化销售拜访计划，但它必须接入 Veeva 的合规数据库才能确保每一次拜访符合法规。AI 成为 Veeva 的上层应用，而不是竞争者。
🚪 象限二：开放门户——举例论证
① Calendly（日历预约工具）
Calendly 的核心功能是：读取你的日历空闲时间，生成一个预约链接给对方选择时间。这个逻辑非常清晰、标准，且 API 完全开放。Claude 或 ChatGPT 的 Agent 现在可以直接说”帮我安排一个下周三下午的会议”——它调用 Google Calendar API，直接完成预约，整个 Calendly 的业务逻辑就被绕过了。Calendly 没有任何独有数据，只是一个流程自动化的壳。
② ZoomInfo（企业销售线索数据库）
ZoomInfo 卖的是企业联系人数据（某公司的采购负责人是谁、联系方式、公司规模等）。但问题是，AI 可以通过 LinkedIn、公司官网、新闻等公开来源爬取并整理类似信息，而且越来越多的 AI 销售工具已经内置了这个能力。ZoomInfo 的数据壁垒比看起来低得多，因为数据本身并不是独家的，只是聚合得更早、更全。一旦 AI 爬取能力足够强，用户就会问：为什么还要额外付 ZoomInfo 的钱？
③ Asana / Monday.com（项目管理工具）
这类工具的核心价值是：把任务分配、进度追踪、通知提醒这些流程可视化。但 AI Agent 现在可以直接管理任务列表、自动更新进度、发送提醒，完全不需要用户打开一个可视化界面去手动拖拽卡片。更危险的是，这类工具的 API 完全公开，任何 AI 都可以直接写入/读取任务数据。它们的核心价值（可视化 UI + 通知流程）恰恰是 AI 最容易替代的部分。
💰 象限三：金矿——举例论证
① GitHub（代码托管平台）
GitHub 拥有全球最大的代码数据库——数十亿行开源代码、数亿个代码提交记录、无数的 Issue（问题）和 PR（合并请求）讨论。GitHub Copilot（AI 代码助手）就是直接训练在这个私有语料库上的，其代码补全质量远超任何用通用数据训练的 AI。关键是：这个数据壁垒无法被外部复制。竞争对手可以做代码 AI，但训练数据的深度和丰富度不可能超过 GitHub 自身。数据独家性让 GitHub 把 AI 能力转化为了真正的护城河加深，而不是行业普惠。
② ServiceNow（IT 服务管理平台）
ServiceNow 的核心是企业 IT 工单流程管理，它沉淀了每家企业独特的 IT 流程规则（谁审批、哪些设备允许申请、多久响应）。AI Agent 处理 IT 工单时，必须调用 ServiceNow 里的这些规则，因为这些规则是企业自己配置的，不在任何公开数据集里。ServiceNow 已经推出了 AI Agent 功能，让 AI 自动解决常见工单——这不是在取代 ServiceNow，而是 AI 在 ServiceNow 的规则体系内运作，ServiceNow 成了 AI 的”法规手册”。 Q4 2025 营收增长 21% 印证了这个逻辑。
③ Snowflake（雪花，云数据仓库）
Snowflake 本身不生产数据，但它是企业数据的”大仓库”。AI 做数据分析、训练企业私有模型，原始数据都在 Snowflake 里。随着 AI 对数据的消耗量爆炸式增长（训练、推理、RAG 检索增强生成都需要大量调用数据），Snowflake 的数据查询量反而急剧上升，Q4 2025 营收增长 42%。这是典型的”AI 用得越多，Snowflake 越值钱”逻辑。Snowflake 是数据的容器，AI 是数据的消耗者，两者是共生关系。
⚔️ 象限四：战场——举例论证
① Intercom / Zendesk（客服工单系统）
客服工单分流（用户发来消息，系统自动分类、转派到对应客服）是 Intercom 和 Zendesk 的核心功能之一。但这个功能现在 AI Agent 可以直接完成，而且做得更好——AI 不只是分类转派，还可以直接回答解决问题，连人工都省了。更严重的是：企业发现用了 AI 客服后，需要的人工客服座席数量下降了 60-80%，而 Zendesk 的定价是按客服座席数收费的。AI 直接导致了 Zendesk 的营收计量单位（座席数）大幅萎缩。这是”AI 把软件的定价基础给摧毁了”的典型案例。
② Grammarly（语法检查和写作辅助工具）
Grammarly 的核心功能是检查语法错误、改进句子表达、提升写作质量。但 ChatGPT、Claude 不仅能做到这一切，还能直接帮你从零写出整篇文章。Grammarly 从一个”必要工具”变成了”多余的中间层”——你原本需要 Grammarly 帮你改，现在直接让 AI 写就好了。Grammarly 的核心功能（文字优化）恰好是 LLM 的核心能力，毫无差异化可言。 这是典型的”功能被 AI 原生替代”案例。
③ Notion AI / 独立文档写作工具
Notion 本身是优秀的知识管理工具，但它推出的 Notion AI 功能（AI 写文档、总结内容）面临尴尬处境：用户可以直接在 Claude 里完成同样的工作，然后粘贴进 Notion。AI 文档写作是通用能力，没有任何一家文档工具有独占优势。战场上的软件往往有这个特征：它的 AI 能力越强，用户越觉得”用 Claude 直接做不就行了，还要这个软件干嘛”。
贝恩最独特的洞见是”语义层（Semantic Layer）“——AI Agent 之间通信的标准协议（如 Anthropic 的 MCP 协议）将形成赢者通吃格局。谁制定通信标准，谁就收割整个生态的利润。
UncoverAlpha：决定性 vs 概率性系统
这是目前引用最广泛的判断框架，与本文框架直接对应：
| 类型 | 定义 | 典型场景 | AI 威胁 |
|---|---|---|---|
| 决定性系统（Deterministic） | 必须 100% 精准，错一个数字引发连锁崩溃 | 会计、ERP、薪资处理、合规 | ✅ 低，AI反而依赖它 |
| 概率性系统（Probabilistic） | “够好就行”，容许误差 | 聊天机器人、内容生成、推荐引擎 | ❌ 高，LLM 以 1% 成本实现 90% 质量 |
核心逻辑：LLM（大语言模型）本质是预测下一个词的概率机器，它无法提供金融、医疗等行业所要求的决定性一致性。因此，传统软件反而成为 AI 必须依赖的执行层，形成”AI 大脑 + 传统软件手脚”的共生结构。
🔒 决定性系统举例论证
① Workday（工作日，企业人力资源和财务管理软件）
Workday 处理的核心任务是薪资发放：每个员工本月工资多少、扣多少税、发到哪个账户。这个数字必须 100% 精确——多发一分钱是违规，少发一分钱是劳动纠纷，发错账户是法律事故。LLM 是概率性的，它在计算薪资时可能”大致正确”，但”大致正确”在薪资场景里是灾难。因此 AI 能做的是”帮 HR 起草薪资政策文档、回答员工问题”，但真正执行计算和发放的，永远是 Workday 的确定性计算引擎。AI 进入了 Workday 的生态，但没有替代 Workday 的核心。
② Stripe（支付处理平台）
Stripe 处理的是支付：用户点击”付款”，钱从 A 到 B，这个过程必须是 100% 确定的——既不能丢失，也不能重复，还要符合 PCI DSS（支付卡行业数据安全标准）合规要求。AI 可以帮 Stripe 做欺诈检测（这是概率性任务），但支付执行本身是决定性任务。AI 是 Stripe 的一个增强模块，而不是竞争者。 每一笔 AI 驱动的电商交易，最终都要经过 Stripe 的执行层。
③ SAP（企业资源规划系统）
SAP 是全球最大的 ERP 系统，管理着数以千计的跨国企业的库存、采购、生产、财务流程。这些流程之间高度耦合——采购单触发库存变化，库存变化触发财务记账，财务记账触发报税。任何一个环节出错，整条链路崩溃。AI 无法接管这种高度确定性、高度耦合的系统，只能在 SAP 的框架内做辅助（如预测库存需求、优化采购计划）。SAP 的护城河不是用户习惯，而是业务逻辑的复杂性和确定性要求。
🎲 概率性系统举例论证
① Jasper AI（AI 营销内容生成工具）
Jasper 的核心产品是帮市场营销团队生成广告文案、博客文章、社交媒体帖子。“够好”就能用——读者不会追究文案的每一个字是否最优，只要转化率过得去就行。问题是，ChatGPT 和 Claude 做同样的事，质量相当，但成本低得多，而且用户已经习惯直接在 AI 对话框里写文案了。Jasper 没有独有数据，没有独有模型，只是一个”套了品牌包装的 GPT 调用界面”。它的护城河从一开始就不存在。 Jasper 已经经历了大规模裁员和估值暴跌。
② Synthesia（AI 视频生成，虚拟主播工具）
Synthesia 让用户输入文字，生成一个虚拟人播报的视频。这在 2022 年是创新，但到了 2025 年，Sora、Runway、Kling 等视频生成模型都能做到，而且效果更自然、更灵活。内容生成类工具面临的根本问题是：AI 基础模型每隔几个月能力就跃升一次，建立在上一代模型能力上的垂直工具，会被下一代基础模型直接覆盖。 概率性系统的共同命运——不断被更便宜、更强的基础 AI 蚕食。
③ HubSpot（营销自动化和 CRM 平台，概率性部分）
HubSpot 是一个有趣的混合案例。它的 CRM 部分（记录客户数据、追踪销售漏斗）是决定性系统，相对安全。但它的”营销自动化”部分（邮件营销、内容分发、线索评分）是概率性系统——“哪封邮件发给哪个客户效果更好”是个概率判断，AI Agent 完全可以自主完成，而不需要 HubSpot 的营销模块。同一家公司的不同模块，面临完全不同的命运。 这是这套框架最精妙的地方：判断的粒度要到”功能模块”，而不只是”公司”。
Edelweiss Capital：五情景概率分布
拒绝二元论，给出了概率加权的情景：
| 情景 | 概率 | 核心内容 |
|---|---|---|
| AI 无实质影响 | 1–5% | 企业默认选择可靠性，AI 只是助手 |
| AI 赋能 SaaS | 30–40% | AI 嵌入平台，Salesforce Einstein 模式，软件越来越强 |
| AI 超越 SaaS | 20–30% | Agent 成主用户，软件 UI 被边缘化，退化为纯后端 API |
| AI 蚕食 SaaS | 15–25% | 业务逻辑被 AI 重写，定价模型崩塌 |
| 奇点融合 | 1–5% | 所有软件融入统一 AI 网络，“SaaS”品类消失 |
结论：主流概率（30–40%）支持”AI 赋能软件”，但”AI 超越软件”（20–30%）是不可忽视的尾部风险。
平台级软件（Salesforce、ServiceNow、Oracle）因”数据重力”有护城河；独立垂直工具已沦为”平台公司的免费研发部门”。
StocksInsights：市场是过度恐慌
从投资角度，认为此次软件股崩跌是过度反应：
反驳依据：
- ServiceNow Q4 2025 营收 +21%，RPO（剩余履约义务）+25%
- Salesforce +14%、Snowflake +42%
- AI 不是 100% 准确，需要持续人工监督
- 没有”系统记录（System of Record）“的数据，AI 根本无法运作
投资框架：
| 操作 | 标的类型 | 逻辑 |
|---|---|---|
| 买入 | 系统记录平台（微软、ServiceNow、Snowflake） | AI Agent 依赖其数据，越用越值钱 |
| 持有 | 网络安全 | 合规需求刚性，抛售属短视 |
| 回避 | 创意软件（Adobe、Figma） | 内容生成是 AI 最强项，最危险 |
五、一个更完整的判断框架
综合以上，判断一家软件公司命运的问题可以拆成三层：
第一层：AI Agent 需要它，还是可以绕过它？
这是最根本的问题。
- 需要它（数据在它那里、合规在它那里、执行接口在它那里）→ AI 越强，它越值钱
- 可以绕过它（只是一个漂亮的 UI，核心逻辑可被复制）→ 危险
举例论证
✅ 需要它——Salesforce（赛富时，客户关系管理平台）
一家公司 10 年的客户拜访记录、成交历史、合同条款、服务投诉全部存在 Salesforce 里。AI 销售 Agent 要预测”哪个客户最可能在本季度续约”，它必须调用 Salesforce 的数据。没有 Salesforce 里的历史数据，AI 的预测就是无根之木。AI Agent 越智能，越需要高质量的历史数据，而这些数据就在 Salesforce 里。 Salesforce 是 AI 不可绕过的”数据门”。
❌ 可以绕过它——Calendly（日历预约工具）
如前所述，Calendly 的核心逻辑是读取日历空闲时间、生成预约链接。AI Agent 直接调用 Google Calendar API 就能完成这一切，完全不需要经过 Calendly。Calendly 里没有任何独有数据，它只是一个流程桥接工具，而这个桥接本身已经被 AI 直接内化了。当 AI 能直接操控底层 API，中间件就失去存在意义。
第二层：数据和上下文在哪里沉淀？
谁拥有用户的”记忆”，谁就拥有用户。
- 数据沉淀在软件里（如 Salesforce 的客户数据库）→ 软件有护城河
- 上下文沉淀在 AI 里（如 Claude 记住了你所有工作偏好）→ AI 有护城河
举例论证
✅ 数据沉淀在软件——Snowflake（云数据仓库）
Snowflake 是企业数据的物理存储地。企业把所有的销售数据、用户行为数据、财务数据都存在 Snowflake 里。AI 做分析时，它只是一个”查询发起者”，数据本身还是在 Snowflake 里。用户换掉 AI 工具很容易，换掉 Snowflake 极难——因为迁移几个 PB（拍字节）的数据、重写所有数据管道，成本极高。数据越积累，迁移成本越高，护城河越深。 这是”数据重力”（Data Gravity）的典型案例。
⚠️ 上下文沉淀在 AI——个人效率工具的长期威胁
想象一个场景：你每天在 Claude 里工作，Claude 记住了你的写作风格、思维偏好、常用框架、历史项目背景。这时你还需要 Notion 吗？Claude 已经”记住”了你所有的知识，能随时调取。这就是 Notion 面临的长期威胁——不是今天 Claude 替代了 Notion，而是随着 AI 记忆能力增强，用户会逐渐发现”我的上下文已经在 AI 里了，Notion 只是个备份仓库”。 这是一个慢热但不可逆的趋势。
第三层：它的核心任务是决定性的还是概率性的？
- 决定性（不能出错）→ 传统软件长期安全
- 概率性（够好就行）→ 被 AI 替代只是时间问题
举例论证
✅ 决定性——Veeva（生命科学行业合规 CRM）
制药公司的销售代表拜访医生，有非常严格的合规规定：每位医生每季度只能接受价值低于 X 美元的礼品，某些药物只能向特定专科医生推广，每次拜访必须记录存档以备监管审查。这些规则是法规要求，不能有任何模糊性。AI 可以辅助销售代表规划拜访路线、分析医生处方习惯，但合规记录和规则执行必须是 100% 确定的。Veeva 的护城河恰恰是它把这些决定性规则内化成了系统逻辑，任何 AI 都必须遵守这个系统的约束，而不是替代它。
❌ 概率性——Drift（B2B 营销聊天机器人工具）
Drift 的核心产品是在企业官网放一个聊天窗口，自动与访客对话、收集线索、预约销售 Demo。“够好”就行——访客对话被转化成销售机会，偶尔出错影响有限。但问题是，这个功能现在用 Claude API 加几百行代码就能实现，效果更好，成本更低。Drift 没有任何技术壁垒，它只是比别人更早做了一个”AI 对话框”而已。概率性工具的悲剧在于：你的核心功能越简单清晰，就越容易被复制。 Drift 已经被 Salesloft 收购，估值大幅缩水。
六、结论
| 维度 | 原始框架 | 修正后框架 |
|---|---|---|
| 基本逻辑 | ✅ 方向正确 | 补充”直接绕过”的第三条路 |
| AI 赋能软件 = 软件赢 | ⚠️ 过于乐观 | 需软件有独有数据/锁定，否则只赋能了品类 |
| 嵌入 AI = 必死 | ⚠️ 过于悲观 | 垂直执行工具反而因 AI 更被需要 |
| 时间维度 | ❌ 缺失 | 插件关系会随 AI 能力增强动态翻转 |
| 标准制定层 | ❌ 缺失 | MCP 等语义协议的制定者将收割生态利润 |
一句话总结：
软件行业正在经历的不是整体死亡，而是强制分叉。拥有独有数据、合规壁垒、执行接口的平台级软件因 AI 而更强；依赖 UI 交互、逻辑标准化的点状工具（Point Solutions）正在被加速淘汰。判断标准只有一个：AI Agent 是需要它，还是可以绕过它？