喝点VC｜a16z最新90页报告解读：AI的钱正流向哪里，利润留给谁

一家科技公司赚到的钱，越来越多地变成了另一家公司的设备订单。按照a16z在2026年9月市场报告中引用的预测，Alphabet、亚马逊、Meta、微软和甲骨文当年的合计资本开支将接近7770亿美元。资金从广告、电商、软件和云服务业务流出，进入芯片、内存、机房、电力设备和冷却系统。这些世界上最赚钱的企业，正在为下一阶段的增长承担一笔前所未有的建设成本。

过去十几年，资本市场偏爱能够用较少投入服务更多客户的科技公司。软件可以反复销售，平台可以承接更多交易，规模扩大往往伴随着利润率改善。AI仍然拥有这种扩张潜力，但在它带来足够多的收入之前，企业必须先买设备、建机房、获得供电，并等待客户把新能力用进日常经营。利润、投入与回报之间的距离被拉长了，供应链上的机会则随之增加。

a16z近日发布最新90页报告《STATE OF MARKETS》，试图把这些变化放进同一个解释框架：科技正在驱动更广泛的经济活动，AI正在形成新一代计算平台，资本开支开始转化为订单和收入，软件与硬件的价值需要重新评估，而一部分最重要的企业和经营数据，仍留在公开市场之外。以下为报告的核心8个观点：

• 科技公司的投资，开始成为宏观经济的问题
  
• 平台级变化，首先表现为一张不断加大的采购单
  
• 资本开支正在兑现，回报的兑现却有先后
  
• 模型越便宜，使用量可能越大
  
• 从软件到实体资产，科技重新遇到工业约束
  
• 软件进入“证明自己”的阶段
  
• 最有价值的公司，更晚进入公开市场
  
• 私人公司的数据，开始成为经济变化的提前信号

作为深度参与科技投资的机构，a16z显然希望证明这轮建设有足够的需求支撑。但即使暂时放下报告的乐观立场，仍能看到一个值得认真讨论的问题：当科技巨头的现金流开始影响工厂、电网、就业和债券市场，AI的成败，已经牵动了科技行业以外的许多生意。

01 科技公司的投资，开始成为宏观经济的问题

a16z开篇将当前阶段定义为 “Tech Is the Everything Cycle”，即“科技无处不在的周期”。报告认为，科技已经从过去相对独立的“cottage industry（小众/独立产业）”，变成全球经济的主要驱动力；当前科技尤其是AI，正在同时影响投资、研发、盈利增长、利润率、基础设施和劳动力市场。

这一说法听起来夸张，却对应着一种清晰的变化：科技企业的规模、盈利能力和投资支出，已经大到能够影响其他行业的经营。

在报告主要观察的美国市场，科技公司承担了过去至少十年中很大一部分价值创造和盈利增长，利润率扩张也较突出。报告称，按其划定的科技公司范围，板块年内上涨超过20%，估值倍数却比五年平均水平低约20%。它强调，盈利增长是股价上涨的重要支撑。科技公司的分类口径会影响这些结果，但数据至少提醒人们，讨论市场热度时，不能跳过企业实际赚到的钱。

如今，这些利润的去向开始改变。巨头增加投资，工程承包商获得项目，设备厂商扩充产能，电力企业安排建设，融资机构提供资金。供应商面对的订单，并不取决于某个聊天应用今天增加了多少用户，而取决于大型客户是否继续采购、项目能否按期推进。科技需求通过资本开支，变成了其他行业可以确认的收入。

报告甚至把AI基础设施建设视为当前经济中格外重要的一股扩张力量，并将其与新增建筑支出、熟练劳动需求和债务融资联系起来。这样的判断不能直接推广到所有国家和所有行业，却提供了一种观察宏观经济的方法：少数大型企业的投资计划，正在成为更多企业安排生产和招聘的依据。

当投入集中于少数买方，风险也会沿着同一条链条传递。巨头如果上调预算，供应链可能共同受益；如果延后建设，影响则会扩散到设备、工程和融资。这使AI逐渐具有宏观变量的特征。它带来的变化已经超出产品竞争，而总量投资有多强、资金如何分配、哪些地区真正受益，仍要具体分析。

02 平台级变化，首先表现为一张不断加大的采购单

报告引用的数据显示，五家大型科技公司的合计资本开支从2024年的2410亿美元，增加到2025年的4160亿美元，2026年预测接近7770亿美元，2027年起预计每年超过一万亿美元。不同图表采用的预测略有差别，但方向一致：市场不断上调建设规模，几年前对这轮投入的估算，已经明显偏低。

a16z认为，这反映了平台级变化。企业采购的计算能力，要支撑的业务正从搜索、存储和传统云服务，扩展到代码生成、内容生产、分析以及自动执行任务。用户购买的是软件能力，背后却可能产生持续的计算消耗。模型被接入越来越多流程以后，生产能力需要提前准备，基础设施建设也就可能延续多年。

这是一种带有竞争压力的投资。大型客户要求更多算力，云厂商担心供应不足会把客户推向竞争者；模型公司希望提高能力和使用规模，也需要更稳定的资源。等待能减少错误投资的概率，却可能丢掉市场位置，因此企业会在需求完全清晰之前行动。

代价已经出现在现金流上。报告预计，资本开支对巨头自由现金流的挤压将延续至2028年前后，并引用市场预测，认为此后现金流会恢复。这是对未来的判断。公司可以维持较高利润，同时因为建设支出而留下更少现金；新项目最终能否贡献足够回报，还要看利用率、客户付费和设备更新成本。

内部现金之外，债务融资也在增加。巨头拥有成熟业务和较强信用，比多数创业公司更有条件支持长期项目，但既有业务的高回报不会自动成为新增AI项目的回报。多年建设周期意味着机会可以持续，也意味着一旦判断失误，调整成本可能很高。平台级变化的规模已经显现，平台级利润仍在形成。

03 资本开支正在兑现，回报的兑现却有先后

资本开支是否有效，取决于站在产业链的哪一端看。对设备供应商而言，巨头下单和完成交付，就可能带来收入；对云服务商而言，还要把这些设备转化为客户愿意购买的服务；对最终客户而言，则需要证明采购之后的业务收益能够覆盖成本。

a16z用云订单、模型收入和企业应用案例，说明这轮建设已有需求支撑。报告称，主要云服务商的收入积压订单同比翻倍，新的算力供应商也在快速增长。这些信号说明客户愿意承诺采购，但积压订单仍需要交付，收入增长也要与成本一起看。上游获得订单，并不等于整条产业链已经取得相同质量的利润。

更接近最终经营结果的，是报告收录的企业披露。Meta报告了AI广告工具带来的转化提升；ServiceNow称，AI产品在2026年第二季度的年度合同价值超过10亿美元。AI已经进入广告效果、合同价值和服务成本等具体指标，而这些指标会直接影响企业下一年的预算安排。

零售领域也有类似信号。报告引用亚马逊和沃尔玛的披露，使用其购物助手的客户，平均每单消费额高出约40%或以上。但高消费用户可能更愿意使用新工具，因此这种差异不能全部归因于AI。应用价值需要通过可比实验、持续使用和复购来验证，企业披露则为进一步观察提供了起点。

建设带来的实体影响更加直接。机房需要施工和维护，供电设施需要安装，供应商需要安排生产，熟练技工的需求和薪酬因此受到影响。AI既可能减少某些任务所需的人力，也可能增加工程、运营和新业务岗位，具体变化取决于企业怎样使用技术，不能仅从模型能力推导总就业结果。

“资本开支正在兑现”因而包含两层意思：采购已经转化为部分企业的收入和劳动需求，而整轮投资是否划算，还要等待更多客户收益。前一层已经发生，后一层尚在验证。把两者分开，才能理解为什么供应链可以很繁荣，市场却仍然争论投资回报。

04 模型越便宜，使用量可能越大

AI降价带来一个容易误判的结果。单次调用成本下降，直觉上似乎意味着整个行业的支出减少；但价格降低也会让更多任务进入使用范围，原本偶尔发生的调用可以变成持续运行的流程，总需求反而可能增长。

报告用杰文斯效应解释这种变化。企业过去觉得不值得用模型处理的资料、客服请求或内部检索，在成本下降后开始具备经济可行性；已经使用AI的企业，也能让系统完成更多检查和尝试。单位成本与使用规模同时变化，最终支出取决于两者共同作用。

智能体尤其如此。完成一个任务，往往需要规划、检索、调用工具、检查和重试，多次模型调用才能交付一次结果。降低调用成本，会使这类流程更容易被企业接受。不过，消耗更多token也可能来自低效重试，商业价值仍要回到任务完成率、交付质量和人工复核成本上。

报告提供的另一个解释是，AI采用范围很广，深度却仍有限。少数高强度用户把模型接入复杂流程，需求远高于偶尔用工具写邮件的人。用户数量因此不能完整说明市场规模，企业是否把AI纳入持续经营，可能比注册和试用更有意义。

价格分层也给不同模型留下空间。简单任务使用低成本模型，复杂任务使用更强的模型，路由和缓存帮助企业控制成本。开放权重模型与闭源模型可以在同一套业务里承担不同工作，模型选择由能力、价格和部署要求共同决定。

这能够解释降价与算力需求增长为什么同时出现，却不能保证所有供应商的收入都增长。token使用量、底层计算消耗、GPU租赁价格和客户总支出之间，并非固定比例。效率提升释放多少新需求、供应扩张有多快，将共同决定算力市场的规模和利润。

05 从软件到实体资产，科技重新遇到工业约束

需求增长需要落在物理设施上。模型可以通过网络快速分发，芯片制造、机房建设和电网接入却有各自的周期。AI扩大了对计算能力的需求，也增加了对那些难以迅速复制的资源的需求。

a16z把这一变化称为从“Bits”转向“Atoms”。GPU之外，高带宽内存、光互联、冷却系统、电力设备乃至铜和熟练劳动力，都进入扩张所需的清单。部分传统周期行业获得强劲的订单和利润增长，科技公司的投资也因此成为工业企业的重要需求来源。

报告指出，建设推进约三年后，供应链仍有较长交付周期，拿到芯片也不代表马上能够通电。机房空间、网络、散热和供电缺一不可，某一个环节迟延，就可能影响整套设备的利用率。算力是一套系统的产出，芯片数量只能解释其中一部分。

这一轮实体投资还包括电气化、制造业重建、机器人、航天和国防。它们分别受到能源转型、人口结构、政策和安全需求推动，AI则在自动化与产品能力上提供新的可能。报告引用到2040年全球基础设施投资需求约90万亿美元的估算，其范围远大于AI，反映的是更广泛的建设需求。

资本市场需要重新评估这些企业，但也不能把工业周期简单改写成永续增长。供应紧张时，收入、价格和利润可能同时上升；扩产完成后，竞争和利用率又会改变收益。报告提出部分半导体公司或许仍便宜，同时承认其需求高度依赖巨头资本开支，低估值可能包含对周期回落的担忧。

企业的长期价值，仍取决于工艺、认证、客户关系、替代难度和成本控制。AI提供了新的需求来源，建造时间、折旧、产能利用率和现金回收这些工业问题依然存在。科技投资由此多了一类需要耐心的生意：有订单以后，还要把产品按时造出来，并在扩张结束后留下利润。

06 软件进入“证明自己”的阶段

硬件表现强劲的另一面，是软件估值承压。AI让编程变得更容易，市场开始怀疑企业是否还需要购买那么多现成软件。一项功能过去需要团队开发，现在可以更快完成，这确实会影响客户的选择，也会增加供应商面对的竞争。

但企业购买软件，还包含权限、安全、维护、合规和系统连接。一个演示程序与一套长期运行的生产系统，承担的责任不同。开发成本下降以后，某些通用功能会更难收费；已经深入核心流程的软件，则可能借助AI提升价值。

a16z把行业变化概括为进入“Prove-It Era”。报告认为，软件股调整并不均匀，网络安全和可观测性表现相对突出，垂直软件受到的估值压缩小于横向软件，行业收入增长和经营杠杆也没有普遍恶化。客户是否仍依赖产品、AI能否增强其地位，比软件这一身份本身更有解释力。

估值变化也与行业成熟有关。报告指出，高增长、低盈利公司的占比下降，较慢增长和更高盈利成为常态。企业经营可以更加稳健，市场给予的增长溢价却可能降低。把所有调整都归因于AI，会遗漏原先估值与增长速度之间的关系。

收费模式同样面临检验。按席位收费，建立在员工数量与使用规模相联系的基础上；智能体可能让较少的人完成更多工作，也可能让软件直接承担过去由人工交付的任务。客户愿意支付多少，因而越来越取决于产品完成了什么，而不只是有多少人能够登录。

与此同时，AI功能会增加推理和服务成本。使用越多不一定意味着毛利越高，按结果收费也需要解决效果衡量和责任归属。软件公司必须同时证明客户获益和自身盈利：客户持续付费，供应商在交付之后仍能留下利润。增长、盈利和可持续的竞争优势，开始被放到一起检查。

07 最有价值的公司，更晚进入公开市场

科技企业可以在上市之前获得越来越多资金，一部分价值增长因此留在私募阶段。报告所选的五家大型未上市科技公司，最新披露估值合计约2.2万亿美元，超过其统计的2015年至2025年科技公司上市时累计估值约1.73万亿美元。两者不是相同的估值口径，但足以显示大型私营企业的体量。

过去，公开市场投资者更有机会从一家公司的较早阶段参与增长；企业延后上市以后，公开市场可能在它已经很大时才接触到它。上市成为资本结构调整和流动性安排的一部分，企业能否获得发展资金，也越来越少地只取决于IPO窗口。

价值增长的机会，也没有均匀分配。报告强调，更少的基金以更大的金额投资更少的企业，基金管理人之间的回报差距扩大。AI降低了产品开发门槛，能够获取客户、形成规模并保持优势的企业依然稀缺，资金因此向少数表现突出的公司集中。

一级与二级市场的边界在变化，退出和回报的问题却更加重要。账面估值增长，需要通过股权出售、分红或上市等方式兑现。企业留在私募市场越久，投资者越需要理解自己的资金期限和退出条件。行业创造了多少价值，与投资者最终拿回多少现金，仍是不同的账。

08 私人公司的数据，开始成为经济变化的提前信号

企业长期留在私募市场，也改变了外界观察经济的方式。许多新业务尚未充分进入传统统计，却已经在模型调用、支付流水和基础设施交易中留下记录。报告把OpenRouter、Stripe、Kalshi和Databricks等公司，视为观察这些变化的重要窗口。

OpenRouter连接不同模型，它的数据可以反映平台上的调用规模与模型选择。报告展示，2026年9月其周度token处理量约为一年前的27倍。这个数字不能代表整个AI市场，但在需求快速变化的阶段，调用记录提供了比单纯用户数量更接近使用强度的信号。

Stripe则从支付端观察软件企业。报告引用其样本，指出部分SaaS企业的收入增速在2026年出现回升，与软件市场全面衰退的叙事并不一致。支付数据让研究者更早看见经营变化，但结论仍受到平台客户构成、企业年龄和统计方法影响，不能直接等同于全行业表现。

Databricks提供的是另一类证据。报告介绍其模型路由研究，说明企业如何在特定任务中平衡完成效果与成本。这类数据有助于理解，哪些应用正在接近经济可行的门槛。Kalshi围绕GPU算力价格的预测市场，则呈现参与者对未来成本的预期；它反映的是预期，实际供需仍要由交易和使用验证。

这些来源各自只能看到一部分市场。平台份额增长会影响调用量，客户结构变化会影响支付增速，交易参与者的判断也可能偏离实际结果。报告本身承认，私营企业在提供信号的同时，往往也在讲述自己的商业故事。数据越及时，越需要检查口径和代表性。

传统统计有覆盖面和可比性的价值，平台数据有更新速度和业务细节的价值。将它们与上市公司财报、资本开支和设备交付相互印证，才更容易判断变化发生在哪里。AI改变了经济活动，也让观察者需要调整工具：等到所有变化都进入季度或年度统计，企业可能已经作出了下一轮投资决定。

总结

这八个观点最终汇集到同一个问题上：AI正在怎样把技术能力转化为经济活动，又由谁承担过程中的成本。

科技巨头用既有业务的利润建设新的生产能力，供应商获得订单，云服务商等待交付，软件公司调整产品和收费，创业企业争取客户与融资。市场的热度可以同时出现在很多环节，但每一层的收入，都需要有人在下一层持续支付。最终客户能否从AI中获得足够收益，将决定这些资金往来能否长期维持。

a16z相信市场仍处在早期，需求还有很大扩张空间。报告中的订单、调用量和应用案例，为这一判断提供了依据；它所引用的未来现金流恢复和投资规模预测，则需要更多经营结果支撑。建设已经产生收入和就业，与整轮投资获得足够回报之间，还隔着设备利用率、服务成本和客户续费。

未来几年，最有分量的变化，可能会出现在不那么醒目的记录里：一个项目按时接入电网，一批设备保持较高利用率，一个智能体减少了人工复核，一家软件公司在增加AI功能后保住了毛利。它们没有模型发布会那样容易传播，却能说明企业投入的资金有没有变成可持续的生意。

过去，科技行业最受推崇的能力，是用较少资本获得更多收入。如今，它正尝试用巨额投入开拓更大的需求。这场变化会让一部分企业获得新机会，也会暴露一部分项目的成本和判断错误。等设备建成、合同交付、客户续费之后，新的利润分配才会逐渐清楚。

AI已经开始改写整个经济的账本，接下来要看的，是这些账如何一笔笔结清。

文章来自于微信公众号 “Z Potentials”，作者 “Z Potentials”