两条曲线：一个尖锐的警告 #
2026 年，科技分析机构 SVTR（硅谷科技评论）的一篇文章广为流传，核心判断很尖锐：这一批最受追捧的“AI 应用”公司，正在用 SaaS 的估值倍数，承载着咨询/服务业务的经济实质。
它的比喻是两条曲线。一类公司跑的是“Salesforce 曲线”——本质是软件，毛利率八成上下，规模化时边际成本趋零；另一类跑的是“Accenture 曲线”——本质是人力服务，毛利率三成上下，每个新客户都要重新投入人力。SVTR 的警告是：如果一家顶着“AI-native”名号的公司，实际跑的是 Accenture 那条曲线，那么接下来要么 AI 真的改变了服务业的单位经济（“软件吃服务”被验证），要么定价回归行业基线、估值出现大幅修正。
这个判断，对所有声称“让 AI 完成工作”的公司都是一记结构性拷问——也包括我们。与其用话术回应，不如把单位经济摊到公式上，让每个变量都能被独立检验。
一个完整公式：毛利率从哪里来 #
一家 AI 服务公司的毛利率，可以拆成一个式子——分子是成本，分母是收入。看着复杂，但每一项都能被独立解释、独立检验。
分子，是三项成本。
- x·c·(1−β)t —— AI 推理成本。x 是 AI 执行的占比（按任务难度加权），c 是 AI 单位成本基准（推理 + 数据接入），β 是模型成本的年下降率，t 是产品上线后的年数。AI 做得越多这项越大，但 (1−β)t 让它随时间持续变便宜。
- (1−x)·w —— 剩余人工成本。(1−x) 是仍要人来做的占比，w 是人工单位成本。AI 替代率越高这项越低；但 (1−x) 有物理下限——总有需要人判断、兜底的部分。
- z₀·N−α —— 维持成本，随规模摊薄。z₀ 是把第 1 个客户跑起来、并把 AI 维持在当前水平所需的“幕后”投入（数据接入、配置、微调、客户成功、合规审计、异常恢复、版本升级），N 是累积客户数，α 是它随客户数摊薄的速率。α 越大，第 N 个客户的维持成本越接近零。
分母，是收入结构。
- (1−λ)·W·pw —— 按工作量计费的收入。W 是工作量单位数，pw 是工作量单价。
- λ·A·pa —— 按资产计费的收入。A 是资产单位数，pa 是资产单价。λ 是收入结构权重，从 0（全按工作量/项目计费，像服务业）到 1（全按资产/订阅计费，像软件）——λ 越高，收入越像软件。
- η(N) —— 网络价值乘子（≥1）。当多个客户互联产生价值放大，整体收入再乘上这个系数。垂直平台 η≈1，基础设施 η>1。
SVTR 那句“模型成本下降只解决一半问题”，在这个式子里有了精确含义：模型变便宜（也就是 β 起作用）只压低了分子的第一项，对人工成本和维持成本无能为力。
真正的差异化变量是 α，不是 x #
大多数关于“AI 做工作”的讨论，盯着的是 x——AI 能替代多少。但 x 不是分水岭。随着模型变强，高 x 几乎是行业普惠：大家都能把替代率做高。
真正决定你在哪条曲线上的，是 α——维持成本随规模摊薄的速率：
- α ≈ 0：维持成本完全不摊薄，每个新客户都从头来。这就是传统咨询。
- α ≈ 0.3–0.5：部分复用，但每个新客户仍需要大量定制投入，维持成本摊薄缓慢。很多“AI-native”公司其实落在这里——x 很高，α 却很低。这正是 SVTR 警告的那种“看着像软件，跑着像服务”。
- α ≈ 0.7–1.0：维持成本大幅摊薄，新客户的边际投入接近零。这才是软件，乃至基础设施的曲线。
换句话说：x 把任务交给 AI，α 决定这件事能不能规模化成软件经济。x 大家都能做，α 取决于产品架构和资产沉淀机制——它不是话术能堆出来的，是设计出来的。
另外两个变量也值得单独记住：λ 决定你的收入像服务还是像软件——按工作量计费（λ 低）还是按资产计费（λ 高）；β（模型降价）则是把双刃剑——它压低所有人的成本，却正因为人人受益而不构成护城河，是行业共有的水涨船高。
用公式验证四类公司 #
把这套变量套到典型公司上，模糊的“曲线对比”就变得精确——只看 x（AI 替代率）、α（维持成本摊薄）、λ（计费结构）三个变量，就能判断一家公司在哪条曲线上。
| 类别 | x | α | λ | 大致毛利率 | 哪条曲线 |
|---|---|---|---|---|---|
| Salesforce | ≈1 | ≈1 | 1 | 八成以上 | 软件 |
| Accenture | 很低 | ≈0 | 0 | 三成上下 | 服务 |
| “AI-native”伪 SaaS（SVTR 点名的一类） | 高 | 低（~0.3） | 低 | 五到七成、卡住 | 顶软件估值、跑服务经济 |
| 我们（目标） | 高 | 高（靠资产沉淀） | 高 | 目标八成上下 | 软件 |
Salesforce（软件曲线）：产品本身就是软件，几乎没有人工、维持成本随规模充分摊薄、收入纯订阅，毛利率八成以上。Accenture（服务曲线）：AI 辅助有限、主要靠人、每个项目几乎从头来、按项目计费，毛利率三成上下。两者的估值差距巨大——市场给 SaaS 的是十几到二十几倍 ARR，给 IT 服务公司的只有一两倍营收。估值，是跟着曲线走的。
SVTR 的警告之所以成立，正是因为不少“AI-native”公司虽然把 x 做得很高，却把 α 锁在低位——于是它们顶着软件的估值，跑着接近服务的经济。模型再便宜、时间再久，只要 α 不上去，毛利就突破不了那个天花板。我们和这类公司的差别，不在 x，而在 α——这一点，下一节用三个精确条件说清楚。
软件吃服务，需要同时满足三个条件 #
把这件事说精确：“软件吃掉服务”不是一句口号，它需要同时满足三个条件。
- 条件一，做事层够深。按任务难度加权后的整体 AI 替代率要足够高——不只是简单任务被吃掉，右尾的复杂任务也要能处理。
- 条件二，维持层可摊薄。α 要足够高，即第 100 个客户的维持成本，要远低于第 1 个。这是最难的一条，要求产品架构、知识沉淀、运行环境都有真实的资产化机制。
- 条件三，外生层稳定。不能完全依赖某一家基础模型（否则供应商风险压制毛利），错误成本也不能太高（否则被迫保留大量人工审核）。
三个条件同时满足，毛利才能从五到七成的区间，爬升到八成上下，公司才真正从“服务业经济”跨到“软件业经济”。
这也精确地回答了“和 SVTR 点名的那类公司，差异到底在哪”。它警告的那批“AI-native”公司——Sierra 是最常被提到的一个——大多满足条件一（x 很高），却卡在条件二上（α 上不去）。于是它们看着像软件、跑着像服务，这就是“伪 SaaS”的精确含义，也是 SVTR 担心其估值会向行业基线回归的原因。
所以真正的差异不在条件一——x 大家都能做；而在条件二。我们把每一次执行沉淀成可复用的资产（配置、know-how、工作流、执行历史），正是为了把最难的那条 α 做上去。x 高只是入场券，α 高才是分水岭；三个条件都满足，才算真的把服务吃成软件。
公式的局限与诚实 #
公式是一种思考工具，不是水晶球。诚实地说，它有几个真实的局限：
- 变量之间的非线性互动没有被刻画。比如 x 提升会改变任务难度的分布（简单的被吃掉，复杂的占比上升），飞轮启动时变量会跳变，而公式假设是连续的。
- 在客户数还少的时候，α 是基于产品架构的估算，而不是测算——要有若干个真实部署，才能精确测出 α。
- β（模型成本下降速率）很难预测，未来两年降一半还是更多，会改变整个行业的毛利曲线。
- η（网络效应）在哪个规模触发、放大多少，早期几乎无法预测，只能等规模初现端倪后回归测算。
- 还有一个微妙的区分：同一场景里复用（容易）和跨场景复用（难得多），是两个不同的 α。后者才是真正的考验。
把这些局限摊开来讲，本身就是一种诚实——一个声称“什么都能算清楚”的模型，反而更不可信。公式的价值不在于给出确定的数字，而在于把“软件还是服务”这个问题，从话术拉回到可以被逐项检验的变量上。剩下的，交给真实的部署数据去回答。