#模型时代# “作为十年垂直软件创业者，我怎么看这场软件股大抛售”

作者：Nicolas Bustamante（Doctrine联合创始人、Fintool CEO）

先写个备注：Anthropic的桌面智能体Cowork发布行业插件后，软件股遭遇近万亿美元市值蒸发，被称为"软件行业的DeepSeek时刻"。华尔街知名投资人Patrick O'Shaughnessy（Invest Like the Best播客主理人，投资界最有影响力的声音之一，30万+Twitter粉丝）转发评价："我读过的关于AI时代软件护城河最好的文章。"

我整理了一个中文版，并补充了国内可能不熟悉的产业背景。最近国内软件业，也是被受冲击。即使大家不是这个领域的，也可以看看，因为作者对护城河理论非常精通。不过原文很长，一万多字字，所以接下来只能是一个缩写版……

原文：x.com/nicbstme/status/2023501562480644501

—— 正文 ——

过去几周，FactSet（美国头部金融数据平台，年费1.5万美元/用户）从200亿美元峰值跌破80亿，标普全球市值缩水30%，汤森路透近一年腰斩，标普500软件与服务指数（140家公司）年初至今跌20%。

华尔街说这是恐慌。我过去十年一直做垂直SaaS。先创办了Doctrine（2016年成立于巴黎，现为欧洲最大法律AI平台，服务2.7万+法律专业人士，与LexisNexis、Westlaw竞争），然后创办Fintool（YC W23，AI股权研究平台，服务对冲基金，直接与Bloomberg、FactSet竞争）。我做过的软件正是LLM威胁的对象，我现在做的正是发起威胁的一方。

我的判断：LLM正在系统性拆除垂直软件的护城河，但不是全部。理解哪些被攻破、哪些不会——这就是全部关键。

【垂直软件的十条护城河，以及LLM对每条做了什么】

垂直软件为特定行业而建：Bloomberg之于金融，LexisNexis之于法律，Epic之于医疗，Procore之于建筑，Veeva之于生命科学。共同特征：收费极高，客户极少离开。Bloomberg Terminal每席位年费2.5万美元，留存率约95%。

我认为共有十条护城河，LLM正在攻击其中一些，同时对另一些毫无影响。

一、 习得性界面（Learned Interfaces）→ 摧毁

Bloomberg用户花数年学快捷键和功能代码GP、FLDS、GIP。"我们是FactSet派的""我们是Bloomberg行"——这不是评价数据质量，是描述肌肉记忆。

在Doctrine，我们养着一整个团队帮律师适应界面。每次UI改动都是大项目：调研、设计冲刺、手把手辅导。一个分面搜索过滤器的重设计就要好几周。在Fintool，零培训。用户用自然语言提问，直接得答案。LLM把所有专有界面折叠成一个Chat。

想想金融分析师在Bloomberg上做什么：导航到筛选功能、设专用语法、导出、切到DCF构建器、输入假设、跑敏感性分析、导出Excel。每一步都需要习得的界面知识。现在用LLM agent，三句自然语言搞定同样的事。用户甚至不知道查了哪个数据源。当界面变成对话，支撑2.5万美元年费的切换成本就消融了。

二、 业务逻辑 → 蒸发

垂直软件把行业知识编码为成千上万行代码中的if/then分支、校验规则、审批流。需要既懂代码又懂行业的稀缺工程师，每次修改都要开发-测试-部署周期。

在Doctrine，法律研究工作流要理解法律领域、解析问题为可搜索概念、跨多个法院数据库查询、按相关性和权威性排序——分散在数千行Python和手工调优的排序算法中，工程师和法律专家团队做了好几年。

在Fintool，DCF估值逻辑是一个Markdown文件：告诉LLM agent收集哪些数据、怎么算WACC、怎么跑敏感性分析。写了一周，更新要几分钟。基金经理不写代码就能编码整套方法论。而且Markdown文件谁都能读、可审计、可按用户定制，还随模型升级自动变好。数年工程 vs 一周写作。

三、 公开数据访问 → 商品化

FactSet和LexisNexis的核心价值是让公开数据可搜索。过去这需要大量定制解析器——FactSet为每种文件类型、每家公司的格式建解析器。在Doctrine我们为每个法院建NLP管道：命名实体识别提取法官和法律概念、专用ML模型分类判决、每个法院一个定制解析器。花了好几年。

在Fintool，零NER、零定制解析器、零行业分类器。前沿模型已经知道怎么解析10-K年报、理解GAAP和non-GAAP区别、解析嵌套表格。模型本身就是解析器。"让数据可搜索"这层价值正在崩塌。

四、 人才稀缺 → 反转

在Doctrine，招聘极难——需要能理解法律推理的工程师，几乎不存在，只能自己培养，每周内部讲座由律师教工程师。在Fintool，领域专家直接把方法论写进Markdown，不需要学Python。工程由模型处理，领域知识直接变软件。瓶颈消失，进入壁垒崩塌。

五、 捆绑销售 → 削弱

Bloomberg从数据扩展到通讯、新闻、交易、合规，S&P Global以440亿美元收购IHS Markit，捆绑本身成为护城河。但LLM agent本身就是捆绑——提醒是一个prompt，筛选是一个prompt，agent一个工作流调度十种工具。用户说"当持仓公司在财报电话会提到关税风险时提醒我"就搞定了。当集成层从软件商转移到agent，买套件的动力消失。

六、 私有数据 → 更强

Bloomberg交易台实时数据不能爬取、合成或第三方授权。数据真正独占，LLM让它更值钱——在agent时代，这种数据成为每个agent都需要的稀缺输入，定价权可能反而增强。S&P的信用评级也是——它不仅是数据，更是受监管方法论和数十年违约数据支撑的专业意见，LLM不能发行评级。

测试很简单：这个数据能否被其他人获取、授权或合成？如果不能，护城河成立。如果能，你有大麻烦。

MCP（模型上下文协议，Anthropic开发的开放标准，让AI agent即插即用连接外部数据源，月下载量超1亿次）正把每个数据商变成插件，agent会路由到最便宜的。这是聚合理论实时上演：agent捕获用户关系和利润，供应商竞相压价。你不再是客户的供应商，而是agent的供应商——定价权蒸发，利润率被压缩。

Doctrine五年前就认识到这一点，开始建独占内容库——专有法律注释、编辑分析、独家评论。今天这成了真正的护城河。讽刺的是，LLM加速了分化：拥有专有数据的赢更大，没有的失去一切。

七、 监管锁定 → 结构性护城河

Epic的主导地位靠HIPAA合规、FDA认证和18个月实施周期。更换电子病历供应商耗时数年、耗资千万美元，关乎患者安全。HIPAA不在乎LLM，FDA认证不因GPT-5变简单。监管要求反而可能减缓LLM在这些领域的采用。

八、 网络效应 → 依然粘性

Bloomberg的IB chat是华尔街事实上的通讯层。每个交易对手都用，你就必须用——价值来自"谁在平台上"而非界面。LLM不打破网络效应。

九、 嵌入交易环节 → 持久

软件嵌在资金流中——支付处理、贷款发放、理赔处理。切换意味着中断收入。LLM可能叠加其上做更好界面，但底层交易轨道不可替代。Stripe不受威胁。

十、 记录系统 → 长期受威胁

AI agent不只查询现有系统，它读取SharePoint、Outlook、Slack，编写跨会话记忆文件。Salesforce看CRM，Outlook看邮件，SharePoint看文档。Agent三样全看到且记住。Agent的记忆正在成为新的信源——不是有人计划的，而是它天然是唯一看到一切的那一层。

【净效应：进入壁垒崩塌】

五条被摧毁或削弱，五条稳固——但被击穿的恰是挡住竞争者的那些，稳固的那些只有部分在位者拥有。

LLM之前，挑战Bloomberg需要数百名懂行业的工程师、数年开发、大规模数据授权、能向保守企业销售的团队——每个垂直领域只有2-3个严肃竞争者。LLM之后，一个有前沿模型API、领域专业知识和数据管道的小团队，数月内可建出覆盖80%功能的产品。我知道这一点，因为Fintool就是6人团队建的，服务的对冲基金此前完全依赖Bloomberg。

关键洞察：竞争不是线性增长——而是组合爆炸。不是从3变4，是从3变300。当50个AI原生创业公司能以20%价格提供80%能力时，定价权被碾碎。

【市场判对了方向，搞错了节奏】

企业客户签的是多年合同，Bloomberg合同通常至少两年。采购周期以季和年计。一家500亿美元的对冲基金不会因为Claude能查SEC文件就明天拆掉CapIQ，它们会花12-18个月评估替代方案、跑试点、等合同到期。收入悬崖是斜坡不是悬崖，当前收入在未来12-24个月基本锁定。

但股价不需要收入下降就能崩——只需估值倍数压缩。一家以15倍营收交易的金融数据公司，当市场认为其定价权和95%留存率都在消融时，可能以6倍营收交易。收入不变，股价跌60%。市场定价的不是收入崩塌，而是溢价倍数的终结——因为支撑那个倍数的护城河正在瓦解。

【真正的威胁：钳形攻击】

从下方：数百AI原生创业公司涌入。从上方：微软Copilot在Excel里做DCF建模，在Word里做合同审查——水平工具通过AI首次深入垂直领域。Anthropic同理：通用agent框架+MCP+Markdown技能文件=从水平到垂直的全部技术栈。不需要领域工程师，不需要数年开发。

软件正在变得无头化（headless）。界面消失，一切通过agent流转。重要的不再是软件本身，而是拥有agent和客户关系。微软这样的水平巨头正积极向垂直延伸——因为现在比以往更容易，而且它们必须拥有使用场景才能在AI优先的世界中保持相关性。

【风险分级】

高风险——搜索层：核心价值是让公开或可授权数据可搜索的公司。金融数据终端、法律研究平台、专利搜索工具。曾以15-20倍营收交易，靠的是界面锁定和有限竞争，两者都在蒸发。过去一年市值缩水40-60%的金融数据商，市场重定价是合理的。

中等风险——混合组合：既有独占评级业务，又有重新包装公开信息的分析板块。或既有指数授权（嵌入交易，可防御），又有研究平台（纯搜索层，暴露）。关键问题：收入中多大比例来自LLM无法触及的护城河？

较低风险——监管堡垒：拥有HIPAA合规和FDA验证的医疗EHR系统、有监管锁定的生命科学平台、金融合规基础设施。这些公司甚至可能受益于其他地方的AI颠覆——客户把受监管工作流集中在信任的供应商周围，同时从信息检索供应商那里切走。

【三个检验问题】

对任何垂直软件公司，问：①数据是否独占？如果不是，"让数据可访问"这层价值正在崩塌。②是否有监管锁定？如果没有，切换成本靠界面维持，正在瓦解。③是否嵌入交易？如果是，LLM叠加其上而非取代。

零个"是"=高风险。一个=中等。两到三个=大概没事。

垂直SaaS的清算时刻，不是所有垂直软件都会消亡——而是市场终于开始区分：谁拥有LLM agent无法触及的稀缺资产，谁没有。

2016年我开始做Doctrine时，护城河之一就是界面——我们在公开判例法之上构建了漂亮的搜索体验。如果今天从零开始，这门生意将面对根本不同的竞争格局：一个LLM agent可以像我们的界面一样有效地查询判例法。好在Doctrine及时转向了独占数据和LLM原生架构。不是每家垂直软件公司都有这个机会。

（全文完。原文链接见评论区）