AI 的 Uber 陷阱
来源:https://jerryzhangz.substack.com/p/the-uber-trap-for-ai?r=2lj4jj&utm_medium=ios&triedRedirect=true
2019 年 5 月 10 日,Uber 以每股 45 美元定价 IPO,开盘 42 美元,收盘 41.57 美元。
这是自 Facebook 以来最受期待的一次消费科技上市,结果却相当平淡。
产品明明能打,增长也不差。几亿人都在用它。它重塑了城市、劳动力市场,也重塑了消费者对“出行成本”该是多少的预期。
但等它终于要把财务数字摊开给公开市场看的那一天,市场只是耸了耸肩。
原因其实早就藏在 S-1 里,只是大家一直不愿意面对:
数十亿美元的用户补贴、司机激励、推荐奖励和各种支付,真实地支撑着整个系统。
而我们现在,几乎要在 OpenAI 身上重新做一遍同样的实验,只不过这次规模大了 10 倍。
Uber IPO 时估值大约 800 亿美元,而 OpenAI 现在已经被市场推到了 8500 亿美元。
几乎所有 pre-IPO 独角兽都会讲类似的故事,而 OpenAI 讲的版本,和当年的 Uber 几乎一模一样。
第一层叙事:单位成本马上就会掉下来
Uber 当年的说法是:自动驾驶迟早会来。
每一单亏损只是暂时的,因为司机这个成本项终有一天会消失。
OpenAI 现在讲的是同一套逻辑:
今天 inference 很贵,但随着更先进的芯片、更好的模型以及算法效率提升,每 token 的成本会不断下降。
你只需要相信那条渐近线。
第二层叙事:规模会带来定价权
Uber 讲的是 rider-driver flywheel。
OpenAI 讲的是 data-and-scale flywheel。
更多用户带来更多交互数据,更多交互数据让模型更强,模型更强又吸引更多用户。
两个故事最后都落在同一个终点:
今天的补贴,会变成明天的护城河。
第三层叙事:更大的 TAM 足以支撑这个估值
Uber 后来不再只是打车公司,而是 mobility platform,再后来又变成 logistics platform,凡是能从 A 点运到 B 点的东西都想做。
OpenAI 现在也在走类似的路:
聊天,然后 agent,然后机器人,然后 AGI。
每当上一层故事变得更难卖时,新的故事就会把可触达市场再往外扩一圈。
把这三层叙事叠在一起,就是今天市场最常见的 AI 多头逻辑:
- 成本很快会崩下来
- 胜者最终会拥有市场
- 市场本身比大多数人想象得更大
于是,当前的不盈利,就被解释成一种入场费。
真正的问题不在于故事能不能讲通,而在于:
这些公司的经济结构,最后到底能不能变得像叙事说的那么好。
Uber 的问题,AI 也在重复
当年你只要换个角度,从价值链另一侧看 Uber,问题其实就很明显。
- 车厂卖了车
- 石油公司卖了油
- 保险公司定价了风险
- 乘客通过远低于真实成本的车费,拿走了大部分消费者剩余
Uber 夹在中间,吸收了那些让别人都能成立的亏损。
2026 年的 AI,结构上其实差不多,只是演员换了一批。
最干净的租金,坐落在上游,尤其是那些受物理约束或监管约束的环节。
比如:
- NVIDIA
- ASML
- TSMC
- GEV
- 以及类似的基础设施层
这些层的产能受限于许可、厂房、电力、物理规律。
这里的利润率往往是真实的。
而越往下游看,画面就越模糊。
Microsoft 给 OpenAI 投钱,OpenAI 再承诺用 Azure。 Amazon 和 Google 给 Anthropic 投钱,Anthropic 再承诺用 AWS 和 GCP。 NVIDIA 一边投实验室,一边投把算力租给这些实验室的 neocloud;同时它自己又承诺向这些 neocloud 回购大量产能。
股权流向一边,算力合同流向另一边,最后所有人都把结果记成收入。
这看起来越来越不像正常的 arm’s-length commerce,反而更像是一个封闭回路,把内部转移支付包装成外部需求。
按照当前预测,四大 hyperscaler 在 2026 年将投入大约 6300 亿美元 做 AI 基础设施。
这几乎等于把整个现金机器本身重新倒进扩张里。
更糟的是,那些 neocloud 的资产负债表,很多还是拿 GPU 作为抵押,而 GPU 的残值又依赖于同一轮 capex 周期继续滚下去。
在这条链的最末端,用户支付一笔订阅费或者 API 账单,而那笔钱很可能仍然低于服务他的真实成本。
所以现在的结构更像是:
- 用户剩余是真实的
- 物理基础层利润率是真实的
- 中间夹着的大部分东西,更像是亏损吸收器
“AI 会吃掉 SaaS”可能是对的,但不代表 AI 公司就能赚到钱
今天最强的一条 AI 多头逻辑,其实是“企业软件替代”理论。
这套论证很容易理解:
Salesforce、ServiceNow、Workday 以及一整套 seat-based software economy,底层都是 AI 有机会自动化、简化甚至替代的工作流。
真正的大蛋糕并不是那 20 美元一个月的订阅,而是整个 SaaS 行业。
问题在于:
软件被颠覆这件事,很可能发生;但利润最终被谁拿走,这件事一点都不确定。
SaaS 之所以一直是一门好生意,核心有两个原因。
第一,边际成本几乎为零。
软件一旦写好,第 10000 个 seat 的服务成本几乎可以忽略不计。
第二,切换成本很高。
客户在集成、定制、报表、工作流、培训、数据模型上投入了多年劳动,想迁走代价非常大。
AI-native software 正在同时削弱这两根柱子。
1. Inference 不是零边际成本
AI 推理是有真实变量成本的。
使用量越大,成本也会随之线性扩张。这一点和经典 SaaS 很不一样。
只凭这一条,它的经济结构就已经更像 utility,而不是传统软件。
2. 切换成本并没有你想的那么牢
当然,企业软件最深的护城河,从来不只是“软件很难写”。
它还来自:
- 业务流程整合
- 存量数据
- 定制工作流
- 合规
- 迁移时的运营风险
这些摩擦依然存在。
但 coding agent 正在削弱其中一部分 moat。
它让补功能、写集成的成本越来越低,也就削弱了过去那些 incumbents 的保护层。
与此同时,模型层的切换成本往往更低。
很多客户已经可以把不同模型并排测试,动态分流流量。
一旦模型质量开始收敛,模型层就会比传统 enterprise software 更容易陷入竞争。
这件事的影响不只限于 AI-native app。
因为 coding agent 其实是在整个行业里降低软件生产成本,它把整个软件行业的供给曲线往右推。
当 feature 变得更便宜,行业整体的定价权就会一起承压。
这意味着:
- SaaS 的经济性可能会变弱
- 模型公司在价值链里的位置甚至更弱
AI 的确能吃掉软件,但吃掉软件,并不自动等于模型提供商会吃到利润池。
很有可能,价值最终更多转移给了:
- 客户
- 基础设施层
- 分发渠道
而不是模型本身。
所以,“SaaS 替代”这条故事线,可能在战略上是对的,在经济上却很失望。
为什么价格战不一定会结束
有人会说,价格战不会永远持续。
行业最后总会整合,幸存者会重新拿回定价权。那为什么 AI 不能这样?
因为 AI 的问题,出在它的市场结构。
第一个结构性问题是:
它的利润率轮廓,看起来比叙事要求的更弱。
客户可以很快测试替代品,软件再造成本又在下降,所以定价权天然受限。
与此同时,inference 成本下降本身也不是 moat。
更好的芯片和更好的模型,最终会扩散到全行业。如果所有人的成本曲线一起往下走,那这些节省最后会被竞争掉。
内存行业就是一个很好的例子。
DRAM 很重要,成本也一路指数级下降,但这些收益最终主要让给了客户。
即便是 CPU 这种有差异化的硬件,也很少能维持出 SaaS 那样的利润率。
所以 AI 完全可能在技术上非常惊艳、商业上极其重要,但最终市场给它的估值方式,更像半导体或公用事业,而不是 SaaS。
第二个问题是:
它没有明显的逃生路线。
唯一能想象出来的出路,是某家公司拉开决定性的能力差距,从而收取 premium。
但要追这个能力领先,需要巨额、持续性的 capex,而竞争对手也都在同一条硬件曲线上追同一个目标。
而且从现在的证据看,这个判断已经部分成立:
各家 frontier lab 在模型能力上的差距,很多时候也就领先几周而已。
为了留在牌桌上继续花钱,不等于这些钱有资本回报。
整合也解决不了这个更深层的问题。
航空业整合过,但几十年里仍然不是好生意。 出行业务整合成双寡头后,利润率也更像运输行业,而不是软件行业。
AI 的整合其实也已经开始了。
很多知名创业公司都被 Big Tech 收走了。
这也许能把经济性从“灾难级”改善成“平庸级”,但并不会神奇地把它变成一个高利润的软件业务。
这就是所谓的 Uber Trap
AI 公司也许根本做不到:
- 像经典 SaaS 那样定价
- 长期维持成本优势
- 靠持续砸钱把自己砸成垄断
就算技术真的成功了,采用率真的爆炸了,利润率也可能仍然低于故事所要求的水平。
在 S-1 之前,公司控制的是数字。
它决定强调什么,剔除什么,把什么藏进脚注。
但在 S-1 之后,数字开始反过来控制叙事。
公开市场投资者终于可以把故事和审计后的现实放在一起比较。
这就是 Uber 当年发生的事。
IPO 逼着市场停止给故事估值,开始给业务本身估值。
自 IPO 以来,Uber 最终确实实现了盈利,收入增长也不错,但股价回报大约只有 56%,远低于同期标普 500 超过 140% 的表现。
如果 AI labs 最后呈现出来的结构和 Uber 类似,重定价几乎是迟早的事。
我不知道 OpenAI 或 Anthropic 最后会披露出怎样的数字。
但 frontier AI 现在的大轮廓,看起来已经很像了:
- 叙事包装非常激进
- gross demand 和 net economics 的界限并不清晰
- 发布价格很慷慨,之后再用 rationing 去修正
- 资本结构设计得像是在尽量把亏损藏出视线之外
这些都不能直接证明商业模式会失败。
但它确实说明:
最终的信息披露制度,将会极其重要。
如果未来的 S-1 显示,核心产品在结构上远没有私募市场估值暗示的那么赚钱,那重定价就不会只发生在几家实验室本身。
它会沿着整条 AI 经济链一路传导。
为什么所有人明知道陷阱还在往里冲
陷阱里的人并不蠢。
他们看得见这个陷阱。
但他们还是继续往里冲,因为停下来反而更糟。
只要一放慢支出节奏,现有这套估值逻辑就会立刻破掉。
这也是为什么 AGI 在叙事里扮演了一个非常关键的角色。
AGI 像是一扇逃生门。
它让叙事能够直接跳过普通经济学问题,声称:转变会大到旧规则已经不适用了。
但规模并不会废除经济学。
即便是一项改变世界的技术,也仍然得回答那些最基础的问题:
- 谁拿走了剩余价值?
- 什么阻止竞争者把价格压向成本?
- 为建设这一切投入的资本,凭什么获得回报?
就算 AGI 真的来了,不管“AGI”到底指什么,一个拥有无限需求的商品,依然还是商品。
最好的成本结构,只是让你在一个低利润的大生意里赢得规模。
剩下的人,则会一路把价格卷到底。
技术成功,不代表公司会是好生意
在出行业务里,技术可以是成立的。 消费者可以真心喜欢它。 整个行业可以围绕它被重新组织。
但离产品最近的那家公司,最后仍然可能是一门很失望的生意。
这就是 Uber Trap:
当 AI 成功时,成功的价值很可能被所有人拿走,唯独不是现在那些按“自己将独占利润池”来定价的模型提供商。
模型会继续进步。 采用率会继续上升。 软件会围绕它们被重构。
但利润率,仍然可能一路被压到远低于当前估值隐含水平的地板上。
而当市场最终意识到:模型公司的利润率比想象中小得多,影响就会非常广。
很多人会觉得,上游供应商利润飞天似乎已经成了物理定律。
其实并不是。
客户现在愿意为上游资源支付高溢价,是因为他们相信自己正在冲向一个巨大的未来利润池。
如果将来的公开披露告诉市场:这个行业在结构上就是低利润,那买方就不会继续用高溢价去抢上游供给。
最后的结果,会是整条栈一起被重定价:
从处于中心位置的实验室,到上游供应商,再到下游应用层,全都会被重新估值。