20VC 圆桌：AI 融资、Token 预算与创业高强度的代价

Harry Stebbings、Jason Lemkin 和 Rory O’Driscoll 讨论有关 AI 公司融资与上市计划的报道、公开市场软件估值、token 预算和高强度工作文化。节目中的公司数字和预测均为发言人的说法，并非独立核实的文件、财务结果或投资建议。

Stebbings 从有关 Anthropic 已提交上市文件的报道谈起，问上市是否有利于整个生态。Lemkin 认为，极快的增长和潜在的巨额估值可能重塑创始人、投资者和员工的预期。字幕没有提供相关文件，也无法证实上市已经发生。

Lemkin 问道，既然少数公司似乎能在短时间内达到惊人规模，投资人或员工为何还要满足于较小的结果。他认为可能出现心理影响：人们觉得必须加入最热门的公司，或忽视本来同样有价值的业务。

O’Driscoll 反对把投资策略建立在再找到一个极端个案上。他认为，投资者应承认错过了机会，然后继续做好投资，而不是假设类似结果会按需重现。他对公司价值和出现频率的说法是判断，并非经过核实的预测。

O’Driscoll 承认自己曾反思为何错过早期与 Anthropic 会面的机会。他说，如果公司最终上市，公开的财务信息可能减少神秘感，也可能给投资者带来流动性；但任何分配的时间和金额都未知。

Lemkin 解释，在他目前的职业阶段，越来越感兴趣的是可能给基金带来 10 亿美元持仓价值的投资。他区分了这一目标与公司以 10 亿美元退出，并承认职业早期自己会采用不同的门槛。

Stebbings 质疑这一前提：许多投资人说，他们低估过最成功投资的最终市场和结果。Lemkin 回答，他无法预知最终规模，但可以排除那些在他看来团队或雄心存在明显障碍、难以达到所需上行空间的机会。

O’Driscoll 纠正说，他的基金规模是 9 亿美元，并问市场中现实存在多少能形成 10 亿美元持仓的机会。他更倾向于评估可信的基准情景，同时明确一个有说服力且不设上限的上行情景。他说，较小退出带来的丰厚回报仍可能对基金很重要。

Stebbings 说，只要一项投资有可能、而非一定会带来巨大结果，他就更愿意承担风险。O’Driscoll 回忆了互联网泡沫破裂时的投资经历，提醒人们经过长期上涨后可能变得格外大胆。他的回忆是风险提示，并非预测某次具体崩盘。

Lemkin 担心，高预期会让经营扎实但不那么惊人的公司的创始人更难获得会面机会。O’Driscoll 同意，异常巨大的结果可能锚定市场预期，但他认为公开披露最终可能减少一家知名公司的神秘感。

嘉宾讨论有关 Anthropic 和 OpenAI 寻求上市的报道，同时承认对文件的确切表述和顺序并不确定。O’Driscoll 认为，AI 基础设施需求巨大的公司有动力更早寻求资金。节目并未独立证实两家公司的申报状态或上市日期。

O’Driscoll 还引用有关 Google 融资的报道，估计几家大型公司合计可能寻求数千亿美元资金。他把这描述为企业争相为资本密集型 AI 获取资金。拟议金额、投资者和时间安排是他对报道的转述，并非已经核实的交易。

在股权与债务融资的选择上，O’Driscoll 认为公司可能两者并用，为不确定的未来支出保留资产负债表灵活性。Lemkin 则问，如果投资回本很快，管理层为何要接受股权稀释。嘉宾并不知道公司的内部计划或最终回报。

O’Driscoll 认为，从轻资产现金产生模式转向高额资本支出，可能改变科技公司的投资特征。他说回本周期并不确定；他举出的基础设施经济模型只是示例，不能证明任何具体交易已实现相应结果。

Stebbings 问，Snowflake、MongoDB 和 Salesforce 据报业绩走强，是否意味着软件行业低迷结束。O’Driscoll 说，部分公司恢复可能是增长重新加速，或投资者看到了它们与 AI 支出的联系，但他把各公司的业绩和估值视为不同情况。

O’Driscoll 披露，他在云软件基金下跌后买入，并描述了随后的反弹。他说，从超卖水平恢复并不能证明同样的回报会再次出现。表现数字是他对录制期间的个人描述，并非当前价格。

Lemkin 同意恐慌可能有所缓和，但根本问题依然存在。他指出按席位收费的软件面临压力，AI 预算增加也可能与其他支出争夺资金。他引用的统计和估值倍数属于个人或报道中的估计，预算之间的取舍也不是普遍规律。

嘉宾区分了两类软件：一类可能随着 AI 智能体带来更多活动而受益，另一类主要按人类用户席位销售。Lemkin 举出他认为已经受益的 Twilio、Okta 和 Datadog，但节目没有独立核实他所述的增长和股票回报。

Lemkin 认为，一些买家可能减少未使用的席位，为 token 消耗腾出预算。O’Driscoll 补充说，公司需要审慎制定产品决策，才能把现有产品与新需求联系起来。两人作为投资者给出解读，并没有确定每家软件公司的未来走势。

Stebbings 引述报道说，Cognition 以 260 亿美元估值融资 10 亿美元，Devin 的年度经常性收入约为 4.92 亿美元。这些数字来自节目讨论，字幕没有提供交易文件或经过审计的业绩支持。

Lemkin 回忆，自己投资组合中两位能力很强的技术负责人早期曾试用 Devin。他认为自主软件工程师的愿景很有吸引力：开发者可以分配任务，再收到拟议代码修改。他承认早期版本并不完善，也没有提供对当前能力的受控评估。

Lemkin 希望自主智能体能处理人类工程师不愿做的工作，同时保留优秀工程师。O’Driscoll 强调市场竞争激烈，大公司可能挑战专业供应商。他们的预测不能证明任何职位能够安全或完全自动化。

Stebbings 把不受控制的 token 支出比作给每位员工一张没有限额的公司信用卡。O’Driscoll 推测，近期模型改进与定价变化鼓励了大量使用，而财务团队后来才意识到成本。他对企业普遍支出的描述是推断，并非调查结果。

O’Driscoll 引述 Uber 据报为每位工程师每月设置 1,500 美元预算，作为可能的限额示例。他把这个数称为合适后又纠正说，它只是略高于他看到过的平均水平。报道和比较都未在讨论中独立证实。

他预计，随着更新的前沿模型出现，旧模型会变便宜，尽管他认为前沿模型使用本身未必会降价。如果生成的代码有用，他认为企业可能放缓支出增长，而非放弃 AI。价格曲线和采用路径都是他的预测。

Lemkin 说，他投资组合中两家增长迅速的公司已经用完 token 预算，而增长较慢的公司没有向他这样反映。他明确表示不知道这是否存在因果关系。他预计组织会更审慎地考虑测试、功能开发和浪费。

Lemkin 描述 Replit 如何在复杂工作中结合不同模型，让一个模型构建、另一个模型检查。他认为面向消费者的产品面临成本管理压力，因为小幅涨价也可能导致客户流失。这是他对产品行为的描述，并非独立测试的比较。

Lemkin 说，多智能体工作流可能在团队试图控制成本时反而增加需求。他认为开发者往往偏好能力最强的模型，而非更便宜的旧模型，这可能限制降价带来的节省。他承认不同用途可能需要不同模型。

O’Driscoll 把预算审查的出现解读为 AI 已成为一项重要支出的迹象，并推测其潜在市场规模。他问企业是否会将简单工作转交更便宜的模型或开放模型，而不是对所有任务都使用最昂贵的系统。

Lemkin 区分用于客户应用的模型与开发者使用的模型。他认为，大量应用请求可能更容易优化成本，而承受压力的开发者可能抵制对偏好工具的限制。这是他对行为的判断，并非限制无效的证据。

Lemkin 预测，一些负责人会选择增加 token 预算，而不是增加工程或产品人员。他描述了一个固定预算的假设情景：管理者决定如何在人力与 AI 之间分配支出。这是他的预测和偏好的管理方式，并非 AI 已导致特定裁员的结论。

他推测质量保证和客户成功等岗位可能特别容易受到此类决策影响。O’Driscoll 要求他把工程成本与应用支出分开量化，并问缩小后的团队能否交付完整、可靠的产品，而不只是产生更多代码。

嘉宾演算一个假设：在 400 人的组织中替换 100 个岗位，把等额预算转给 token。O’Driscoll 计算，这可能意味着给剩余员工分配相当高的 token 预算，并与据报的较低人均上限比较。这些数字都不能衡量实际节省或已经证实的生产率。

O’Driscoll 说，模型支出与工程薪酬之比，是估算市场规模的关键未知数。他对较高情景并不信服，也承认自己不了解当前最先进的实践。他描述的较大市场规模和估值结果取决于假设，而非已经观察到的未来业绩。

Lemkin 认为，人均上限可能只是暂时做法，并预测部门负责人最终会在人手和 token 支出之间做选择。O’Driscoll 同意，负责人面临艰难取舍：个人员工从更多算力中受益，财务团队则必须管理总成本。

O’Driscoll 认为，市场可能需要既让工程师高效工作、又能让财务团队放心控制支出的工具。随着产品和模型改进，合适预算可能变化。他把这视为机会和尚未解决的管理问题，而非固定公式。

Lemkin 描述了一个假设：如果较小团队能够交付多得多的成果，他作为管理者会如何应对。Stebbings 说，Lemkin 这么快就能想到裁减对象，令他感到不安。O’Driscoll 追问，工程负责人是否真的能在减少人员后承诺更高的端到端产出。

Lemkin 说他认识相信这可行的负责人，尤其是在快速增长的创业公司。O’Driscoll 接受小型创业团队能以较少人员完成很多工作，但质疑大型公司能否复制。他们都认为，所声称的生产率提升仍需证明。

Stebbings 转述一位高管的说法：一家公司在 token 上的支出超过工程师薪酬，但参与者不确定其工程团队人数。O’Driscoll 说，只有了解团队规模和产出，这样的例子才有意义。他提醒不要把单个轶事当作普遍规律。

Lemkin 补充了一个相反的可能性：如果团队能够推出更多产品，即使每个产品需要的工程师更少，也可能需要更多人员进行管理和销售。因此他预计一些组织会再次增长，但最终规模和产品数量仍不确定。

O’Driscoll 同意，编码加快不一定自动转化为全公司生产率提升。产品还需要包装、定价、营销、销售和培训。他引用一种观点：组织中最慢的环节可能限制其他环节加速带来的收益；他对 GDP 的预测仍只是个人观点。

Stebbings 提到一则报道，称律师事务所 Kirkland & Ellis 计划在五年内投入 5 亿美元构建 AI 工具，可能使用专有数据和工作流。字幕没有提供独立的预算文件。他问，据报的计划可能对专业法律 AI 供应商意味着什么。

Lemkin 说，应结合律所规模看待据报的年度支出，而且自建工具并不排除同时购买外部产品。他认为组织应在看到价值的地方尝试自建，供应商则必须证明自身产品的价值。他引用的收入比较和评估属于估计。

O’Driscoll 说，即使宣布计划能吸引关注，在合伙制组织内部构建复杂技术也可能很困难。他区分了试验内部工具和证明它能替代专业产品；他说，结果仍有待观察。

O’Driscoll 探讨更广泛的自建还是购买问题。一家公司可能乐于购买通用管理工具，却不愿分享它视为竞争优势核心的工作流。他说自己不知道具体供应商的意图，也不知道任何律所如何处理机密信息。

嘉宾还考虑，AI 供应商是否可能最终通过提供完整服务与客户竞争。O’Driscoll 把这当作战略顾虑，并明确表示，他并没有声称提及的法律软件供应商计划成为律师事务所。

O’Driscoll 预测，AI 可能让负担不起传统服务的个人和小企业更容易获得部分法律信息与服务。他也预计，高风险交易仍需要值得信赖的人类判断。这些只是可能性，并非 AI 系统在特定案件中能提供可靠法律建议的证据。

嘉宾讨论高价值法律工作为何仍可能收取高额费用：当错误后果重大时，客户希望有人负责并拥有经验。O’Driscoll 回忆一次评估，一名律师即使面对据估计 98% 准确的工具仍拒绝使用，因为剩余错误对她的工作不可接受。这是轶事，并非基准测试。

Lemkin 转向 AI 智能体协助个人管理财务的可能性。他设想一种服务，收集个人情况、目标和风险承受能力，帮助用户理解选择。这是他希望出现的产品，并非智能体能够提供适当建议或保护所有用户免受损失的证据。

O’Driscoll 披露，他投资了从事财务规划的 Range。他区分了评估客户整体资产配置和目标，与挑选个股跑赢市场这两项任务。他认为 AI 在前者有潜力，但表示稳定超额交易回报的记录尚未确立。

Lemkin 认为，应用应通过教育或智能体行动，帮助客户理解相关领域和决策。Stebbings 问用户应委托多少控制权。O’Driscoll 重申，解释投资组合与承诺智能体能够稳定跑赢市场指数，是不同的事情。

圆桌讨论一种智能体：它能在用户交易前解释风险和历史比较。Lemkin 喜欢让取舍更加清楚的想法；O’Driscoll 同意信息可能有帮助，同时质疑预测是否能胜过更简单的方法。他们的例子并非个性化财务建议。

Stebbings 引述据称来自 Apollo 的警告，称私募股权软件投资回报可能不佳，并提到有关 Harvard 私募资产配置比例的报道。O’Driscoll 讨论软件估值下降和杠杆如何可能在偿债后损害股权价值。节目没有独立核实该警告和配置比例。

O’Driscoll 用一个假设公司说明其中的计算：公司以高收入倍数、借助债务买入，随后增长放缓，市场估值倍数下降。这个例子并非实际收购 Salesforce。他说，持有人可能需要多年经营或收购才能恢复价值，但不能保证特定回报。

嘉宾对如何应对表现艰难的基金意见不同。Lemkin 认为，在其他地方获得巨大收益的有限合伙人可能选择向前看；O’Driscoll 说管理人仍有责任处理受挑战的资产。他认为，管理人的激励和投入的个人资本可能影响这项工作。

Stebbings 问，潜在的异常大额分配可能如何影响风险投资机构留人。他提到的业绩报酬数字只是预测，并非已经确认的支付。Lemkin 和 O’Driscoll 说，有些人可能因为热爱继续投资，另一些人则可能选择不同生活或退休。

O’Driscoll 说，即使假设获得非常大的一笔收益，他也会继续工作，同时承认其他人可能追求不同目标。Lemkin 描述了自己继续投资的门槛，认为机构不必永远存在。他们的说法反映个人偏好，而非对其他机构决策的核实细节。

嘉宾讨论，一位希望获得更多经济敞口的成功投资人是否可以在基金之外共同投入个人资本。这是关于激励和风险的假设性讨论；举出的例子不能证明任何投资者的持仓或未来回报。

Stebbings 转向“996”工作文化，描述据报 Corgi 工作强度很高，并问领先公司是否比以往周期工作得更不同。他引用估值作为背景，但对话没有证明长工时与公司成功之间存在因果关系。

Lemkin 回忆职业早期及当创始人时的周末工作经历。他认为高强度工作并不新鲜，重要问题是这种期待在组织内延伸多深、持续多久。他说，被要求作出这种取舍的早期员工应获得有意义的薪酬或股权上行空间。

O’Driscoll 同意高要求的工作由来已久，但说这种强度不可能持续一生。他区分了创始人自愿投入，与要求更大规模的员工都遵循同样作息。这是嘉宾的观点，并非说极端工时对每个员工都必要或合适。

O’Driscoll 回忆自己曾在一个最终失败的创业项目中高强度工作，却没有赚到钱，并提醒努力并不保证巨额回报。Lemkin 说，获许诺巨大收益的员工至少应有切实分享成功的机会。他们的例子不能确定个人薪酬的可能水平。

O’Driscoll 警告，持续压力即使增加了工作时间，也可能损害判断力。对于依赖判断的工作，退一步并维护心理健康，可能比表现得忙碌更重要。Lemkin 同意创业是一场马拉松，但他仍预测会出现艰难的人员决策。

圆桌注意到一个矛盾：预测广泛自动化的人，也表示自己工作极其辛苦，招聘很困难。O’Driscoll 对近期大规模失业的预测持怀疑态度；Lemkin 对他认为不那么出色的员工的未来则较不确定。两人提出的是有争议的预测，而非已经核实的就业结果。

O’Driscoll 最后讲述一则个人轶事，认为从高薪科技岗位离开的人可能找到其他工作，即使薪酬或条件不同。Lemkin 仍不确定。讨论没有解决 AI 将如何影响整体就业、工资或工作质量。