AI 支出、裁员与 IPO 猜测：Jason Lemkin 和 Rory O’Driscoll 谈智能体经济

Harry Stebbings 与 SaaStr 的 Jason Lemkin、Scale Venture Partners 的 Rory O’Driscoll 举办圆桌，讨论 AI 热潮背后的经济逻辑。话题从芯片支出和裁员，延伸到据称提交的 IPO 文件、AI 基础设施初创公司，以及购买 token 与雇用员工之间的权衡。许多财务数据和潜在交易是以报道或估算的形式讨论，并非经过独立核实的事实。

Stebbings 说，Nvidia 报告季度营收 816 亿美元，对下一季度的营收指引为 910 亿美元，并宣布 800 亿美元的回购，但股价几乎没有变化。O’Driscoll 强调他所说的、与营收相伴的更大数额利润，同时提醒其中有些项目不可持续。他认为，若投资者已经将异常高的增长计入股价，强劲业绩也未必让股价大幅变动。

O’Driscoll 回忆，随着投资者理解潜在 AI 资本开支的规模，他们早已重新给 Nvidia 定价。Lemkin 说，在市场期待公司超预期、上调指引并加速增长时，业绩公布后股价仅保持平稳本身也可能算是不错的结果。两人都强调，市场反应取决于预期，而不仅是公布数字的大小。

嘉宾粗略计算超大规模云服务商的资本预算、GPU 支出占比与 Nvidia 年化营收之间的关系。Stebbings 引述 Jensen Huang 的预测：到 2030 年，AI 基础设施支出将达到 3 万亿至 4 万亿美元。O’Driscoll 认为这种推算有可能成立，但并不确定：核心问题是后续新增投资能否产生足够的经济回报。

Lemkin 引用据称出自 Uber 首席运营官的言论，以及有关 Microsoft 重新考虑昂贵模型的报道，作为客户质疑边际回报的例子。他将这些说法与“AI 没有价值”的证据区分开：公司可能确实获得了收益，同时又发现额外成本难以证明合理或难以衡量。

嘉宾再次谈到有关 Uber 四个月就用完全年 AI 预算的报道。眼下的问题不是员工是否使用了工具，而是管理层能否识别生产力收益，以及未来支出的合理水平。Stebbings 反对把衡量困难当成生产力收益为零的确凿证据。

O’Driscoll 认为，企业必须依据完成一项任务的价值评估 AI，而不只是看单个 token 的价格。如果一个模型每个 token 更便宜，却需要更多推理或失败更频繁，最终结果未必更便宜。有意义的计算应把完成工作的总成本和质量与其他选择进行比较。

参与者讨论，随着更便宜的替代方案改进，客户是否会继续为前沿模型支付溢价。Lemkin 担心模型成本侵蚀软件利润率，尤其是当客户期待 AI 功能，却不愿为此支付足够额外费用时。O’Driscoll 认为，随着模型能力提高，投入成本下降与客户为更复杂任务花费更多都可能发生。

O’Driscoll 提到有关 AI 模型价格和性能变化的研究。他的理解是，用户选择能力更强、计算密集度更高的系统，可能抵消单位价格下降的影响。因此，每个 token 的价格下降本身并不能决定一家公司应该花多少钱，或者会承担多少工作。

Stebbings 询问模型供应商自身的经济状况如何与需求相匹配。参与者引用他们听说或在报道中看到的 OpenAI 和 Anthropic 数据，并对两家公司的增长及潜在盈利能力进行前瞻性比较。这些数字和预测并未在节目中得到证实，嘉宾也承认外界对非上市公司财务状况的了解有限。

圆桌讨论企业的人力预算与 AI token 预算是否开始相互竞争。Lemkin 担心，在高端模型上大量支出并不会自动提高企业效率；领导者必须弄清客户和员工从支出中获得了什么。O’Driscoll 将问题视为在人类工作、工具，以及产出质量或数量之间分配资源。

讨论从模型成本转向使用模型的公司的经济效益。一个工具可能产生令人印象深刻的大量活动，却没有创造足够可衡量的商业价值；而更昂贵的系统如果能可靠地完成任务，也可能值得使用。嘉宾对组织能多快区分这些情况看法不一。

Stebbings 和嘉宾讨论，前沿 AI 的强劲需求是否足以支持正在建设的基础设施。他们的回答仍取决于可持续的客户价值、定价和利润率，而不只是模型采用速度。当前使用量强劲只是计算中的一个因素，并不保证未来回报。

Lemkin 再次谈到软件公司面临的压力：既要支付推理费用，又要维持毛利率。公司可以将部分成本转嫁给客户、把任务路由到更便宜的模型，或重新设计任务，但每种选择都会影响体验。圆桌将模型选择视为经济决策，而不仅是基准测试成绩的竞争。

话题转向有关 ClickUp 和 Cloudflare 裁员的报道及对缩减人员的解释。Stebbings 询问其中有多少应归因于 AI。嘉宾将公司声明和自己的解读，与经过证实的成因分解区分开来；疫情期间招聘、组织重组和 AI 采用可能同时发挥作用。

Lemkin 认为，随着软件和智能体承担部分工作，高管正在重新考虑需要多少员工。O’Driscoll 对把每一次裁员都归因于 AI 更为谨慎，他指出此前过度招聘和其他管理决策也有影响。单凭裁员公告不能确定 AI 系统实际上替代了多少工作。

嘉宾讨论人的处境：对于失业者而言，公司层面的效率叙事看起来截然不同。他们探讨正常人员流失是否能在不大规模裁员的情况下减少员工人数，但他们的算术只是说明时间推移后可能发生什么，并不能证明任何特定公司走了这条路。

Lemkin 描述自己对小团队的偏好，并讨论把薪酬集中给能够创造特别高价值的人员。这是他的管理观点，并不是对已被裁员工的普遍结论。嘉宾也认识到，劳动者面临为不断变化的岗位学习技能的现实挑战。

问题不仅是 AI 能否完成任务，还有谁能获得收益。嘉宾讨论给人数较少、生产力高的员工支付更高薪酬、其他员工的处境，以及将人员配置当成抽象优化问题的局限。他们的预测存在不确定性，不能确定整个经济将会发生什么。

Stebbings 提到有关 OpenAI 已秘密提交 IPO 申请的报道，并询问这对 Anthropic 可能意味着什么。嘉宾讨论了可能的时间表、估值和融资需求，但秘密提交申请的说法未在此处得到独立证实，即使提交也不保证公开上市。他们讨论的任何交易细节都不应视为已经确认。

O’Driscoll 比较有关两家公司的流传数字，勾画增长和盈利的不同情景。他明确承认外界无法看到完整数据。他预测 Anthropic 可能超过 OpenAI 或实现盈利，这是根据不完整信息作出的预测，而非经过核实的财务结果。

Lemkin 说，他希望投资两家公司；嘉宾则讨论市场可能愿意为一家领先模型供应商支付多少。讨论将快速增长企业的吸引力与投资者在潜在上市中承担的估值风险区分开来。时间、定价和公司的未来经济状况仍然未知。

嘉宾考虑为何一家公司在仍大量投资时可能选择上市，以及一家供应商的 IPO 是否会增加另一家的压力。获得资本和接受公众监督都可能重要，但参与者并未声称知道这些公司的实际计划。他们的比较依赖报道中的或推测性的财务数据。

话题转向嘉宾所说的 SpaceX 文件及涉及 xAI 的拟议交易。他们讨论据称的营收、可能的估值和与 AI 有关的承诺，包括据称涉及 Anthropic 的按月安排。字幕没有独立证实文件、收购、合同或条款；接下来的估值讨论以这些说法为前提。

发言者审视相对于过去营收而言，一项极高的拟议估值意味着什么。Lemkin 警告，即使一家企业拥有引人注目的技术，如果买入价格过高，也可能成为糟糕的投资。O’Driscoll 说，他欣赏这一设想的雄心，但怀疑自己是否会按讨论中的估值买入。

嘉宾讨论，将太空、连接服务和 AI 结合的业务能否支撑他们归因于据称文件的乐观假设。他们把这种情况与过去高价科技交易作比较，并强调投资者对业务的看法与对价格的判断可能不同。

轨道数据中心成为一项思想实验。嘉宾考虑能源、发射成本、冷却、连接，以及在太空建设基础设施的难度。他们对最终可行性和经济效益存在分歧；这些猜测并不能证明拟议系统可行或能够与地面设施竞争。

Starlink 可能发挥的作用引出更广泛的讨论：一家太空业务可能构建怎样的网络和 AI 基础设施。嘉宾看到潜在的战略联系，同时也看到重大的技术、融资和执行问题。他们对未来规模与回报的估计是观点，而非已确定的结果。

Stebbings 请嘉宾权衡雄心与价格。Lemkin 说，他可以支持一位创始人的长期愿景，同时质疑以当前营收极高倍数计算出的估值。O’Driscoll 同样区分了欣赏乐观叙事与决定以拟议价格持有股票。

嘉宾再次讨论 AI 支出预计规模，以及不同公司可能争夺同一有限算力供给的情况。有关未来合同、产能和市场规模的说法被视作情景：无论需求预测还是据称存在的招股文件，都不能确定一家企业最终会赚多少钱。

参与者将基础设施投资视为对 AI 需求持续增长的押注，并提醒惊人的预测可能早在利润兑现前就已反映在价格中。即使底层技术成功，特定投资者的回报仍取决于买入估值、稀释、竞争和执行情况。

讨论转向 Polsia。Stebbings 将它描述为一家只有一位创始人的 AI 初创公司，因未经请求的电子邮件和一轮融资受到关注。他说自己在融资过程中见过创始人，并引用了约 2.5 亿美元的报道估值，同时不确定确切融资额。这些数字是他的说法，节目并未独立证实。

Lemkin 拿估值开玩笑，并将该产品周围的热潮与其他 AI 现象比较，但承认自己对公司了解不够，无法下定论。随后他在录制期间试用入门流程，说它在研究他的业务和拟定入站销售工具需求方面做得不错。

他的热情止于付款页面：他说，产品在展示最终价值前就要求每月支付 49 美元。Lemkin 的经验是，他长期使用的工具会先让他看到价值，即便这要求公司先花一点 token 成本。这只是他的个人测试和购买偏好，并非对所有客户体验的结论。

Stebbings 提到有关 Exa 和 OpenRouter 融资的报道，以及可能涉及 Manus 创始人的交易；嘉宾没有独立证实这些交易条款。O’Driscoll 将前两者视为基础模型层之下正在建设的基础设施的例子：开发者需要搜索、模型接入等组件，才能让智能体发挥作用。

O’Driscoll 解释，为什么智能体除了模型中已有的材料外，还可能需要最新网页信息。他将 Exa 和 Parallel 描述为结构化搜索工具，把 OpenRouter 描述为模型选择方式。在他看来，路由可以帮助客户判断何时较便宜的模型已经足够，而不必为每次查询都支付最昂贵模型的费用。

Lemkin 披露自己是 Exa 的小额投资人，并说他在投资前就使用了该产品。他认为智能体原生搜索尤其有意思，因为自主工作流需要专为机器检索最新信息设计的工具，不一定需要人与之交互的相同界面。他对未来需求的判断是投资论点，并不保证市场增长。

Stebbings 询问，按照报道中的 Exa 估值，还有多大的上涨空间，以及是否会有一家公司占据主导。O’Driscoll 认为开发者工具市场可能容纳不止一家重要供应商，因为选择由开发者个人作出，而这个市场缺少消费者广告领域的一些网络效应。他提出的是一种可能性，而非已经确定的市场格局。

对 O’Driscoll 而言，投资逻辑取决于大量智能体频繁访问结构化信息。他推测搜索可能扩展到经过筛选的信息或内部信息，并用假设的营收倍数推算估值。机会大小取决于采用率和定价，而嘉宾无法提前知道这些结果。

嘉宾称赞 Benchmark 的投资，并讨论 AI 公司估值快速上调。Lemkin 披露自己是 Monaco 的小股东，并描述了有关估值上涨的报道。他认为，最佳投资时点可能是早期增长势头刚变得明显时，尽管账面估值上涨并不等于实现了回报。

O’Driscoll 反对轻视种子轮投资人，并说与没有营收的公司相比，早期产品市场契合能大幅降低风险。他观察到，一些 AI 公司似乎在数周或数月而非数年内，就从早期增长发展到规模显著。这种速度使投资者面临在证据更少的情况下作决定的压力。

Lemkin 指出缺失的数据：年轻公司可能几乎没有续约历史，强大的现有企业也可能进入其市场。O’Driscoll 同意，如果投资者想早期参与，可能不得不在信息更少的情况下付出更高价格。两人描述的是速度与不确定性之间的权衡，而非可靠的投资公式。

嘉宾询问，智能体基础设施能否用大得多的使用量弥补每次使用收入较低的问题。Lemkin 引述一个他归因于 Databricks 的 Neon 的数字：超过 90% 的数据库由智能体创建；他认为，这一模式要成功，工具就需要广泛而反复的使用。这个数字和预测是他的说法，访谈没有独立核实。

O’Driscoll 认为，开发者最终可能会选定少数广泛需要的组件，例如数据库、搜索和可观测性工具。只有少数智能体需要的产品，即使早期采用表现出色，市场也可能小得多。在他看来，搜索和模型路由可能成为其中的基础组件，但他表示自己也可能判断错误。

最后一轮，Stebbings 转述一位未具名 CEO 的说法：一个定制 CRM 在三周内替代了一份 60 万美元的 Salesforce 合同；该公司预计将淘汰 80% 的 SaaS；即使 Anthropic 价格翻倍，公司也不会改变使用量。这些是一家公司提出的说法，没有经过独立核实，也不是普遍预测。

Lemkin 认为 CRM 的故事很有挑衅性，但实际比较必须包含维护、集成、协作，以及成熟生态系统的价值。他自己的组织在无界面模式下使用 Salesforce，并在上面运行自有智能体。他说，小型且高度专业化的公司自建系统可能是合理的，但他不认为这个例子是成熟 CRM 供应商面临的主要威胁。

O’Driscoll 从另一个角度质疑定价说法：如果价格翻倍后 AI 项目的回报仍然有吸引力，管理层可能还有其他值得投入的任务。这是边际回报方面的论点，并不能证明 AI 支出翻倍总是有利可图。Lemkin 指出，按照对话中引用的数据，Stebbings 所说的公司效率异常高。

Lemkin 说，他团队的智能体产生的想法多于员工能够审查和落实的数量。对他而言，限制因素不只是增加 token 的成本，还有人的注意力和判断力。即使有用的建议也会排队等待处理：有人必须决定哪些重要，并将其付诸实施。

O’Driscoll 提出一个乐观的可能性：如果 AI 产生的真正有价值的想法多于一名员工能够处理的数量，增加一人可能提高人力工作的回报。Lemkin 原则上同意，但说自己的特定需求需要能力格外突出的人。他们最后回到贯穿全场的问题：企业应该如何在人力与 AI 之间分配资源，这种选择又会带来什么后果？

参与者最后轻松地聊起各自不同的个性和社交习惯。实质问题仍没有定论：成本、能力和工作岗位因公司而异，智能体或员工的价值都需要结合具体情境评估。