1萬億美元蒸發背后：垂直軟件的護城河，正在被大模型重寫

Fintool 創始人 Nicolas Bustamante 最近在 X 平臺上發了一篇“殺人誅心”的深度長文，直接點破了最近軟件股萬億市值蒸發背后的殘酷真相。

作為一位曾經打造過歐洲最大法律科技平臺（Doctrine）、現在又投身 AI 金融（Fintool）的“雙棲”創業者，他站在新舊時代的交界點上，詳細拆解了垂直 SaaS 行業賴以生存的十大護城河是如何被大模型一一瓦解的。

Nicolas認為，LLM（大語言模型）正在系統性地拆除垂直軟件過去賴以生存的護城河，以前靠“軟件難用”和“流程復雜”賺取高昂溢價的日子結束了，市場正在經歷一場殘酷的價值重估。

我們給大家簡單劃了下稿件重點：

• “難用”不再是護城河
  以前像彭博終端這種軟件，最牛的護城河其實是「難用」，用戶花了很長時間學會了那些復雜的快捷鍵和代碼，學會了就不想換。但現在，LLM把所有復雜的界面都坍縮成了一個聊天框，用戶只要會說人話就能調取數據、調模型，那個讓華爾街為此買單的「熟練度壁壘」瞬間歸零。

• 業務邏輯從“百萬行代碼”變成了“一個Markdown文件”
  這是最顛覆的一點。以前要復刻一個法律或金融工作流，需要懂行業的工程師寫幾年代碼；現在，一個懂行的基金經理只要寫一個Markdown文檔（提示詞技能），告訴AI怎么做DCF估值，AI就能執行得很好。核心壁壘從“稀缺的工程師”變成了“廉價的文檔”，競爭對手復制你的時間從幾年縮短到了幾周。

• 靠整理公開數據賺錢的公司很危險
  以前把亂七八糟的財報（SEC文件）整理成可搜索的數據很值錢，但現在大模型天生就能讀懂這些文檔，前沿模型（如Claude或GPT）天生就讀得懂10-K年報和法律文檔，它們自己就是最好的解析器。靠“信息不對稱”和“整理公開數據”賺錢的模式，正在被AI無情商品化。

• 「既懂代碼又懂業務」的稀缺人才不再是瓶頸
  現在懂業務的基金經理不需要學Python，直接用大白話就能指揮AI干活，這意味著原本稀缺的行業經驗能迅速轉化為軟件產品，競爭對手會越來越多。

• 獨家數據成了唯一的“免死金牌”
  反過來說，如果你手里有無法被抓取、無法被合成的“私有數據”（比如彭博的實時交易臺數據、標普的私有信貸評級），LLM反而會讓你的價值倍增。因為在AI時代，這些數據是所有智能體都渴求的“稀缺燃料”，擁有獨家數據的公司將掌握絕對的定價權。

• “合規”和“交易”是AI啃不動的硬骨頭
  別太焦慮，有些護城河AI也無可奈何。比如醫療軟件Epic，它的壁壘是HIPAA合規和FDA認證；比如Stripe，它的壁壘是資金處理的牌照和通道。AI再聰明也過不了監管這一關，也無法在沒有銀行軌道的情況下挪動資金。只要你的軟件“嵌入在交易里”或者“長在監管上”，你暫時是安全的。

• 競爭格局從“三國殺”變成“百團大戰”
  以前做一個垂直SaaS需要200個工程師和5000萬數據預算，所以每個行業通常只有2-3個巨頭壟斷。現在靠API和幾個工程師就能做到巨頭80%的功能，競爭對手會瞬間從3個變成300個。這會導致價格體系崩塌，SaaS公司的高估值倍數將被徹底打回原形。

• 真正的威脅是“上下夾擊”
  垂直SaaS現在腹背受敵：下面是數百個AI原生創業公司在瘋狂撕咬，上面是微軟、Anthropic這樣的巨頭通過“通用Agent+插件”的方式直接殺入垂直領域。軟件正在變得“無頭化”（Headless），未來用戶可能根本不打開你的軟件，而是通過AI Agent直接調用你的服務——如果你淪為單純的“數據供應商”，利潤將被平臺徹底榨干。

以下為原文部分：

深耕垂直軟件十年：我對此次拋售潮的看法

在過去的幾周里，軟件和服務類股票的市值蒸發了近1萬億美元。FactSet的市值從200億美元的巔峰跌至不足80億美元。標普全球（S&P Global）在幾周內下跌了30%。湯森路透（Thomson Reuters）在一年內市值縮水近半。由140家公司組成的標普500軟件與服務指數，今年迄今已下跌20%。

上周，Anthropic發布了針對Claude Cowork的行業特定插件。Claude Cowork是一款專為知識工作者設計的AI智能體（AI Agent），能夠自主處理復雜的研究、分析和文檔工作流。

華爾街稱之為恐慌。而在過去十年里，我一直致力于構建垂直SaaS（Vertical SaaS）。首先是 @Doctrine，現在是歐洲最大的法律信息平臺（與LexisNexis、Westlaw等競爭）；然后是 @fintool，一個在美國與彭博（Bloomberg）、FactSet和標普全球競爭的AI驅動型股票研究平臺。

我曾構建過那種如今正受到大語言模型（LLM）威脅的軟件。而我現在正在構建的，正是那種發起威脅的軟件。我身處這場顛覆性變革的兩端。

以下是我所看到的真相：LLM正在系統性地瓦解讓垂直軟件具備防御性的護城河。但并非全部瓦解。結果是，垂直軟件的價值構成及其應得的估值倍數正在被重新定義。

在這篇文章中：

• 讓垂直軟件具備防御性的十大護城河，以及LLM對每一條護城河的影響

• 為什么市場拋售在結構上是合理的，但在時間上被夸大了

• 真正的威脅究竟是什么（并非你所想的那樣）

• 什么將取代垂直軟件

• 垂直軟件行業的下一步走向

垂直軟件是為特定行業構建的軟件。比如金融界的彭博（Bloomberg），法律界的LexisNexis，醫療界的Epic，建筑界的Procore，生命科學界的Veeva等。

這些公司有一個共同的定義性特征：收費高昂且客戶極少流失。FactSet每位用戶每年的費用超過15,000美元。彭博終端（Bloomberg Terminal）每個席位成本為25,000美元。LexisNexis每月向律師事務所收取數千美元。而它們的客戶留存率徘徊在95%左右。

我認為存在十條截然不同的護城河。LLM正在攻擊其中的一部分，同時保留了另一部分。理解哪些被攻擊、哪些被保留，就是這場游戲的全部。

1. 習得性界面（Learned Interfaces）→ 被摧毀

一個彭博終端用戶花費數年時間學習鍵盤快捷鍵、功能代碼和導航模式。GP、FLDS、GIP、FA、BQ。這些不是直觀的操作，它們是一門語言。一旦你流利地掌握了它，切換到另一個平臺就意味著重新變成文盲。

我聽過無數次這樣的話：“我們是FactSet店。”“我們是Lexis律所。”“我們是彭博之家。”這些聲明無關數據質量或功能集。它們是關于軟件肌肉記憶的聲明。人們花了十年時間學習這個工具。這種投資是不可轉移的。

這是最被低估的護城河。知識工作者付費是為了不重新學習他們已經掌握了十年的工作流。界面本身就是價值主張的一大部分。

我在Doctrine親歷了這一點。我們擁有一支設計師團隊和一支龐大的客戶成功經理（CSM）隊伍，他們的全部工作就是引導律師使用我們的界面。每一個UI（用戶界面）的改動都是一個項目：用戶研究、設計沖刺、謹慎的發布、手把手的指導。我們會花幾周時間重新設計一個分面搜索過濾器（faceted search filter），因為律師們已經圍繞舊過濾器建立了肌肉記憶。界面不是一個功能，它就是產品。維護它是我們最大的成本中心之一。

在Fintool，我們沒有入職培訓。沒有CSM教人們如何瀏覽產品。我們的用戶用簡單的英語輸入他們想要的內容，然后得到答案。沒有界面需要學習，因為一切都是對話。整個成本中心——設計師、CSM、UI變更管理——根本不存在。聊天界面吸收了所有的這些支撐結構。

LLM將所有專有界面坍縮為一個聊天窗口。

試想一下金融分析師今天在彭博終端上做什么。他們導航到股票篩選功能。使用專門的語法設置參數。導出結果。切換到DCF（現金流折現）模型構建器。輸入假設。運行敏感性分析。導出到Excel。制作演示文稿。

每一步都需要習得的界面知識。每一步都加強了切換成本。

現在考慮同一位分析師使用LLM智能體做什么：

“向我展示所有市值超過10億美元、市盈率低于30且收入同比增長超過20%的軟件公司。為前5名建立DCF模型。對折現率和終值增長率進行敏感性分析。”

三句話。沒有鍵盤快捷鍵。沒有功能代碼。沒有導航。用戶甚至不知道LLM查詢了哪個數據提供商。他們不在乎。

當界面變成自然語言對話時，多年的肌肉記憶變得一文不值。那個證明每年2.5萬美元席位費合理的切換成本瞬間消解。對于許多垂直軟件公司來說，界面曾是價值的大部分。底層數據通常是授權的、公開的或半商品化的。支撐溢價定價的是建立在數據之上的工作流。那已經結束了。

2. 自定義工作流和業務邏輯（Custom Workflows and Business Logic）→ 蒸發

垂直軟件編碼了一個行業的實際運作方式。一個法律研究平臺不僅僅存儲判例法。它編碼了引證網絡、謝潑德引證信號（Shepardize signals）、判例要旨分類體系（headnote taxonomies），以及訴訟律師撰寫摘要的具體方式。

這種業務邏輯的構建耗時數年。它反映了與領域專家進行的數千次對話。當我構建Doctrine時，最難的部分不是技術。而是理解律師實際上是如何工作的：他們如何研究判例法，如何起草文件，如何從立案到審判構建訴訟策略。將這種理解編碼進可運行的軟件中，是垂直軟件之所以有價值——且具備防御性——的巨大原因。

LLM將所有這一切轉化為一個Markdown文件。

這是最被低估的轉變，我認為也是長期最具破壞性的。

傳統的垂直軟件用代碼編碼業務邏輯。成千上萬個if/then分支、驗證規則、合規檢查、審批工作流。由工程師經年累月硬編碼而成……而且不是普通的工程師。你需要真正理解該領域的軟件工程師，這很罕見。找到一個既能寫生產級代碼又能理解訴訟工作流如何運作，或者DCF模型應如何構建的人，極其困難。修改這種業務邏輯需要開發周期、QA（質量保證）、部署。

讓我用我自己的經歷舉一個具體的例子。

在Doctrine，我們構建了一個法律研究工作流，幫助律師針對給定的法律問題找到相關的判例法。系統需要理解法律領域（民事與刑事與行政），將問題解析為可搜索的概念，跨多個法院數據庫進行查詢，按相關性和權威性對結果進行排序，并呈現正確的引證上下文。構建這個系統需要一個工程師和法律專家團隊花費數年時間。業務邏輯分散在數千行Python代碼、自定義排序算法和手動調整的相關性模型中。每一次修改都需要工程沖刺、代碼審查、測試和部署。

在Fintool，我們有一個DCF估值技能（Skill）。它告訴LLM智能體如何進行現金流折現分析：收集哪些數據，如何按行業計算WACC（加權平均資本成本），驗證哪些假設，如何運行敏感性分析，何時加回基于股票的薪酬。這是一個Markdown文件。編寫它花了一周時間。更新它只需幾分鐘。一位做過500次DCF估值的投資組合經理可以在不寫一行代碼的情況下編碼他們的整個方法論。

多年的工程開發對決一周的寫作。這就是轉變。

而且不僅僅是速度。Markdown技能在重要方面表現更好。任何人都可以閱讀它。它是可審計的。它可以針對每個用戶進行定制（我們的客戶編寫他們自己的技能）。隨著底層模型的改進，它會自動變得更好，而無需我們觸碰一行代碼。

業務邏輯正在從由專業工程師編寫的代碼遷移到任何具有領域專業知識的人都可以編寫的Markdown文件。垂直軟件公司花費十年建立的積累業務邏輯現在可以在幾周內被復制。工作流護城河正在極快地受到侵蝕。

3. 公共數據訪問（Public Data Access）→ 商品化

垂直軟件價值主張的很大一部分是讓難以獲取的數據變得易于查詢。FactSet讓SEC（美國證券交易委員會）備案文件可搜索。LexisNexis讓判例法可搜索。這些是真正的服務。SEC備案文件在技術上是公開的，但試著閱讀一份原始HTML格式的200頁10-K年報看看。各公司的結構不一致。會計術語晦澀難懂。提取你需要的實際數字需要解析嵌套表格、跟蹤腳注引用、調節重述的數據。

在LLM之前，訪問這些公共數據需要專門的軟件和大量的工程支撐結構。像FactSet這樣的公司構建了數千個解析器，針對每種備案類型、每家公司獨特的格式。隨著格式的變化，成群的工程師維護著這些解析器。將原始SEC備案文件轉化為可查詢數據的代碼曾是真正的競爭優勢。

在Doctrine，這也是大量的工作。我們為不同的判例法構建了NLP（自然語言處理）管道：用于提取法官、法院、法律概念的命名實體識別（NER）。專門的機器學習模型按法律領域對判決進行分類。為每個法院定制解析器，每個都有自己的格式怪癖。我們有工程師花了數年時間構建和維護這個支撐結構。這是真正令人印象深刻的技術，也是真正的護城河，因為復制它意味著數年的工作。

在Fintool，我們沒有構建任何這些東西。零NER。零自定義解析器。零行業特定分類器。為什么？因為前沿模型已經知道如何瀏覽10-K年報。它們知道家得寶（Home Depot）的股票代碼是HD。它們理解GAAP（公認會計準則）和非GAAP收入的區別。它們可以在不被教導模式的情況下解析分部披露的嵌套表格。Doctrine花費數年構建的解析基礎設施現在是一種商品能力，隨模型免費提供。

LLM讓這一切變得微不足道。前沿模型已經從它們的訓練數據中知道如何解析SEC備案文件。它們理解10-K的結構，在哪里找到收入確認政策，如何調節GAAP和非GAAP數據。你不需要構建解析器。模型就是解析器。喂給它一份10-K，它可以回答關于它的任何問題。喂給它聯邦判例法的整個語料庫，它可以找到相關的先例。

垂直軟件花費數十年構建的解析、結構化和查詢現在是基礎模型本身內置的商品能力。數據并非一文不值。但是“使其可搜索”這一層——這曾是大量價值和定價權所在的地方——正在崩潰。

4. 人才稀缺性（Talent Scarcity）→ 倒置

構建垂直軟件需要既懂領域又懂技術的人。找到一個既能寫生產級代碼又能理解信用衍生品結構如何運作的工程師極其罕見。這種稀缺性造成了天然的進入壁壘，歷史上限制了任何垂直領域的有力競爭者數量。

LLM完全翻轉了這條護城河。

在Doctrine，招聘是殘酷的。我們不僅需要優秀的工程師。我們需要能理解法律推理的工程師：先例如何運作，管轄權如何相互作用，向最高法院上訴的理由是什么樣子的。這些人幾乎不存在。所以我們自己培養。每周，我們舉行內部講座，由律師教工程師法律體系實際上是如何運作的。一名新工程師需要幾個月才能具備生產力。人才稀缺是真正的障礙，不僅對我們，對任何試圖與我們競爭的人也是如此。

在Fintool，我們不做任何這些事。我們的領域專家（投資組合經理、分析師）直接將他們的方法論寫入Markdown技能文件。他們不需要學習Python。他們不需要理解API。他們用簡單的英語寫下一個好的DCF分析是什么樣子的，LLM就會執行它。工程部分由模型處理。領域專業知識，這個曾經豐富的資源，現在可以直接轉化為軟件，而沒有工程瓶頸。

LLM使工程變得唾手可得，這意味著稀缺資源（領域專業知識）在轉化為軟件的能力上突然變得豐富了。這就是為什么進入壁壘崩潰得如此劇烈。

5. 捆綁銷售（Bundling）→ 削弱

垂直軟件公司通過捆綁相鄰能力來擴張。彭博從市場數據開始，然后增加了消息傳遞、新聞、分析、交易和合規。每一個新模塊都增加了切換成本，因為客戶現在依賴整個生態系統，而不僅僅是一個產品。標普全球以440億美元收購IHS Markit正是這種策略。捆綁包變成了護城河。

在Doctrine，捆綁是增長策略。我們從判例法搜索開始，然后增加了立法、法律新聞、警報，然后是文檔分析。每個模塊都有自己的UI，自己的入職流程，自己的客戶工作流。我們構建了精心制作的儀表板，律師可以在其中配置觀察列表，設置特定法律主題的自動警報，管理他們的研究文件夾。每個功能都意味著更多的設計工作、更多的工程、更多的UI表面積。捆綁包將客戶鎖定，因為他們已經圍繞我們的生態系統建立了整個工作流。

LLM智能體打破了捆綁護城河，因為智能體本身就是捆綁包。在Fintool，警報是一個提示詞（prompt）。觀察列表是一個提示詞。投資組合篩選是一個提示詞。每個功能沒有單獨的模塊。沒有需要維護的UI。客戶說“當我的投資組合中的任何公司在財報電話會議中提到關稅風險時提醒我”，它就能工作。智能體在一個單一工作流中協調十個不同的專用工具。它可以從一個來源提取市場數據，從另一個來源提取新聞，通過第三個來源運行分析，并編譯結果。用戶從不知道也不在乎查詢了五個不同的服務。

當集成層從軟件供應商轉移到AI智能體時，購買捆綁包的動力就蒸發了。當智能體可以為每種能力挑選最好（或最便宜）的提供商時，為什么要為整個套件支付彭博的溢價？

這并不意味著捆綁銷售一夜之間消亡。管理十個供應商關系與一個相比，其運營復雜性是真實的。但方向性的壓力是明確的：智能體使“解綁”（unbundling）以以前不可能的方式變得可行。

6. 私有和專有數據（Private and Proprietary Data）→ 更強

一些垂直軟件公司擁有或許可其他任何地方都不存在的數據。彭博收集全球交易臺的實時定價數據。標普全球擁有信用評級和專有分析。鄧白氏（Dun & Bradstreet）維護著5億多個實體的商業信用檔案。這些數據是幾十年來收集的，通常通過排他性關系。你不能抓取它。你不能重建它。

如果你的數據真的無法被復制，LLM會讓它更有價值，而不是更少。

彭博來自交易臺的實時定價數據？無法被抓取。無法被合成。無法從第三方獲得許可。在LLM世界中，這些數據成為每個智能體都需要的稀缺輸入。彭博在專有數據上的定價權實際上可能會增加。

標普全球的信用評級也是類似的。信用評級不僅僅是數據。它是由受監管的方法論和數十年的違約數據支持的意見。LLM無法發布信用評級。標普可以。

測試很簡單：這些數據能被其他人獲取、許可或合成嗎？如果不能，護城河依然存在。如果能，你就麻煩了。

我在兩家公司都看到了這一點的演變。當我們創辦Doctrine時，核心價值是用行業特定的支撐結構層組織公共判例法：分類法、引證網絡、相關性排名。但團隊很早就意識到，僅靠公共數據是不夠的。

大約五年前，Doctrine開始構建一個獨家內容庫：專有的法律注釋、編輯分析、其他任何地方都不存在的精選評論。今天，這個庫真的很難復制，它已成為真正的護城河。再加上全面轉向LLM，Doctrine現在發展得如火如荼！

能在這種轉變中生存下來的公司，是那些從“我們更好地組織公共數據”轉向“我們擁有你在別處無法獲得的數據”的公司。

變化在于：那個智能層過去需要多年的工程開發。現在它是隨模型而來的一種能力。甚至數據訪問本身也正在被商品化。

MCP（模型上下文協議）正在將每個數據提供商變成一個插件。數十家公司已經作為MCP服務器提供金融數據，任何AI智能體都可以查詢。當你的數據可以作為Claude插件使用時，“使其可訪問”的溢價就消失了。

諷刺的是，LLM加速了這種分化（bifurcation）。擁有專有數據的公司贏得更大。沒有專有數據的公司失去一切。

如果你的數據不是真正獨特的——比如它可以被獲取、許可或在別處合成——你就不安全。你面臨商品化的風險。AI智能體將擁有與客戶的關系。它是用戶交互的界面，是他們信任的品牌，是他們付費的產品。你變成了智能體的供應商，而不是客戶的供應商。

這就是聚合理論（Aggregation Theory）的實時上演：聚合者（智能體）捕獲用戶關系和利潤，而供應商（數據供應商）為了喂養平臺而在價格上競爭。如果彭博、FactSet和十幾個較小的提供商都提供類似的市場數據，智能體將路由到最便宜的那個。你的定價權蒸發了。你的利潤率被壓縮。你變成了別人產品的商品化輸入。

7. 監管和合規鎖定（Regulatory and Compliance Lock-in）→ 結構性穩固

在醫療領域，Epic的主導地位不僅僅關乎產品質量。它關乎HIPAA（健康保險流通與責任法案）合規性、FDA（食品藥品監督管理局）認證，以及醫院必須忍受的18個月實施周期。更換EHR（電子病歷）供應商是一個耗時多年、耗資數百萬美元的項目，實際上會危及患者安全。在金融服務領域，合規要求創造了類似的鎖定。審計追蹤、監管報告、數據保留政策。所有這些都烘焙在軟件中。

HIPAA不在乎LLM。FDA認證不會因為GPT-5的存在而變得更容易。SOX（薩班斯-奧克斯利法案）合規要求不會因為Anthropic發布了一個新插件而改變。

Epic在醫療EHR領域的主導地位從根本上說是一個監管護城河。18個月的實施周期，合規認證，與醫院計費系統的集成。這些都不會受到LLM的影響。

事實上，監管要求可能會恰恰在合規鎖定最強的垂直領域減緩LLM的采用。醫院不能用LLM智能體替換Epic，因為LLM智能體沒有通過HIPAA認證，沒有所需的審計追蹤，也沒有經過FDA驗證用于臨床決策支持。

8. 網絡效應（Network Effects）→ 粘性

一些垂直軟件隨著更多行業參與者的使用而變得更有價值。彭博的消息功能（IB chat）是華爾街事實上的通信層。如果每個交易對手都使用彭博，你就必須使用彭博。不是因為數據。是因為網絡。

LLM不會打破網絡效應。如果有的話，它們可能會使通信網絡更有價值。流經這些網絡的信息變成了訓練數據、上下文、信號。

這同樣適用于任何在行業內充當通信層的垂直軟件。Veeva在制藥公司之間的網絡效應。Procore在建筑利益相關者之間的網絡效應。這些具有粘性，因為價值來自于平臺上還有誰，而不是來自于界面。

9. 交易嵌入（Transaction Embedding）→ 持久

一些垂直軟件直接位于資金流中。餐館的支付處理。銀行的貸款發放。保險公司的索賠處理。當你嵌入交易中時，切換意味著中斷收入。沒有人會自愿那樣做。

如果你的軟件處理支付、發放貸款或結算交易，LLM不會去中介化（disintermediate）你。它可能會作為一個更好的界面位于你之上，但軌道本身仍然至關重要。

Stripe并未受到LLM的威脅。FIS或Fiserv也沒有。交易處理層是基礎設施，不是界面。

10. 記錄系統地位（System of Record Status）→ 長期受威脅

當你的軟件是關鍵業務數據的權威真相來源（canonical source of truth）時，切換不僅僅是不便。它是存在性風險。如果數據在遷移過程中損壞怎么辦？如果歷史記錄丟失怎么辦？如果審計追蹤中斷怎么辦？

Epic是患者數據的記錄系統。Salesforce是客戶關系的記錄系統。這些公司受益于留下的成本（高額費用）與離開的成本（潛在的數據丟失、運營中斷）之間的不對稱。

LLM今天并不直接威脅記錄系統的地位。但智能體正在悄悄地建立它們自己的記錄系統。

正在發生的事情是：AI智能體不僅僅查詢現有系統。它們讀取你的SharePoint、你的Outlook、你的Slack。它們收集關于用戶的數據。它們編寫詳細的記憶文件，這些文件在會話之間持久存在。當它們執行關鍵操作時，它們存儲該上下文。隨著時間的推移，智能體積累的用戶工作圖景比任何單一記錄系統都更豐富、更完整。

智能體的記憶變成了新的真相來源。不是因為任何人計劃這樣做，而是因為智能體是看到一切的那一層。Salesforce看到你的CRM數據。Outlook看到你的郵件。SharePoint看到你的文檔。智能體看到這三者，并且記得。

這不會一夜之間發生。但在方向上，智能體正在從頭開始構建它們自己的記錄系統。隨著智能體上下文記憶的增長，傳統記錄系統的護城河在減弱。

最終結果：準入門檻降低

把所有這些加起來。五個護城河被摧毀或削弱。五個保持穩固。但那些破裂的護城河正是將競爭對手拒之門外的那些。那些保持穩固的護城河是只有部分現有巨頭才擁有的。

在LLM之前，建立一個彭博或LexisNexis的可靠競爭對手需要數百名懂領域的工程師、數年的開發時間、大規模的數據許可交易、能向保守企業銷售的銷售團隊以及監管認證。結果：大多數垂直領域只有2-3個真正的競爭對手。

在LLM之后，一個小團隊利用前沿模型API、領域專業知識和良好的數據管道，可以在幾個月內構建出一個能處理垂直軟件80%功能的產品。我知道這一點，因為我已經做到了。Fintool是由一個六人團隊建立的。我們服務于以前完全依賴彭博和FactSet的對沖基金。不是因為我們有更好的數據。而是因為我們的AI智能體比那個需要多年培訓才能掌握的終端/工作站能更快、更直觀地提供答案。

關鍵的洞察是，競爭不是線性增加的——它是組合式爆發（explodes combinatorially）。你不是從3個現有者變成4個。你是從3個變成300個。這就是摧毀定價權的原因。在LLM之前，每個垂直領域有2-3個主導玩家，因為進入壁壘不可逾越，所以它們擁有溢價能力。當50家AI原生初創公司能以20%的價格提供80%的能力時，這個數學邏輯完全改變了。

關鍵：這是一個多年的過渡，而非一夜之間的崩潰

這就是我認為市場在時間判斷上出錯的地方，即使方向是對的。

企業收入不會一夜之間消失

FactSet的客戶簽訂的是多年合同。彭博終端合同通常至少2年。這些合同不會因為Anthropic發布了一個插件就蒸發。

企業采購周期是以季度和年來衡量的，而不是天。一家500億美元的對沖基金不會因為Claude可以查詢SEC備案文件就明天拆除標普全球CapIQ。他們會在12-18個月內評估替代方案。他們會運行試點項目。他們會談判合同條款。他們會等待現有合同到期。

收入懸崖是真實的，但它是一個斜坡，而不是懸崖。當前的收入在未來12-24個月內大部分已被鎖定。

但市場已經理解的一點是：你不需要收入下降才會導致股價崩盤。你需要的是估值倍數（multiple）壓縮。一家金融數據公司在擁有定價權和95%留存率時可能以15倍營收交易，而當市場認為這兩者都在受到侵蝕時，可能以6倍營收交易。收入持平。股價下跌60%。這正是目前發生在一些公司身上的事情。

市場并不是在為收入崩潰定價。它是在為溢價倍數的終結定價，因為證明該倍數合理的護城河正在溶解。

真正的威脅

真正的威脅不是LLM本身。它是垂直軟件現有巨頭沒有預見到的鉗形攻勢（pincer movement）。

從下看，數百家AI原生初創公司正在進入每一個垂直領域。當構建一個可靠的金融數據產品需要200名工程師和5000萬美元的數據許可時，市場自然整合成3-4個玩家。當它需要10名工程師和前沿模型API時，市場劇烈碎片化。競爭從3變成300。

從上看，橫向平臺（Horizontal platforms）正首次深入垂直領域。Excel內部的Microsoft Copilot現在可以進行AI驅動的DCF建模和財務報表解析。Word內部的Copilot可以進行合同審查和判例法研究。橫向工具通過AI變得垂直化，而不是通過工程。

Anthropic正從另一個方向做同樣的事情。我正在近距離觀察，因為Fintool是一家Anthropic支持的公司。Claude正在全力投入垂直領域。劇本簡單得可怕：一個通用的智能體線束（SDK），可插拔的數據訪問（MCP），以及領域特定的技能（Markdown文件）。就是這樣。這就是你從橫向走向垂直所需的整個技術棧。沒有領域工程師。沒有多年的開發。

軟件正在變得無頭化（headless）。界面消失了。一切都流經智能體。重要的不再是軟件。而是擁有客戶關系和用例，這意味著擁有智能體本身。

實現垂直深度（LLMs + Skills + MCP）的技術，正是讓橫向平臺終于能夠在它們以前無法觸及的領域競爭的技術。這或許是垂直軟件面臨的最具存在性的威脅：像微軟這樣的橫向B2B玩家不再只是涉足垂直領域，它們正在積極地擴展進入，因為現在比以往任何時候都更容易，而且因為它們需要擁有用例和工作流，以在AI優先的世界中保持相關性。

風險評估框架

并非所有垂直軟件都面臨同樣的風險。以下是我如何思考哪些類別能生存，哪些不能。

高風險：搜索層（The Search Layer）

如果你的主要價值是通過專門的界面使數據可搜索和可訪問，且底層數據是公開的或可許可的，你就處于嚴重的麻煩中。這包括建立在許可交易所數據之上的金融數據終端、建立在公共判例法之上的法律研究平臺、專利搜索工具，以及任何產品本質上是“我們為你行業的數據建立了一個更好的搜索引擎”的垂直領域。

這些公司曾以15-20倍的營收交易，因為界面鎖定和有限的競爭。這兩者都在蒸發。想想那些在過去一年中市值損失了40-60%的金融數據提供商。市場重新給它們定價是對的。

中等風險：混合投資組合（The Mixed Portfolio）

許多垂直軟件公司擁有防御性和暴露性業務線的混合體。一家公司可能擁有真正專有的評級業務，同時也擁有一個主要重新包裝公共信息的數據分析部門。或者一個指數許可業務（嵌入交易中，非常具有防御性）旁邊有一個研究平臺（純搜索層，非常暴露）。

這一類別的股價下跌（20-30%）反映了市場對哪部分業務主導估值的不確定性。關鍵問題是：有多少百分比的收入來自LLM無法觸及的護城河？

低風險：監管堡壘（Regulatory Fortresses）

如果你的護城河是監管認證、合規基礎設施以及與關鍵任務工作流的深度集成，LLM在中期內幾乎與你的競爭地位無關。擁有HIPAA合規和FDA驗證的醫療EHR系統。具有監管鎖定的生命科學平臺。金融合規和報告基礎設施。

這些公司甚至可能受益于其他地方的AI顛覆，因為客戶會圍繞他們信任的受監管工作流供應商進行整合，同時從他們用于信息檢索的供應商那里轉出。

測試

對于任何垂直軟件公司，問三個問題：

1. 數據是專有的嗎？如果是，護城河穩固。如果不是，可訪問性層正在崩潰。

2. 有監管鎖定嗎？如果有，LLM不會改變切換成本方程。如果無，切換成本主要是界面驅動的，并且正在溶解。

3. 軟件嵌入在交易中嗎？如果是，LLM位于你之上，而不是取代你。如果不是，你是可替換的。

零個“是”：高風險。一個：中等風險。兩個或三個：你可能沒事。

我在兩端建設中學到了什么

當我從2016年開始構建Doctrine時，護城河之一是界面。我們在判例法和立法之上構建了漂亮的搜索體驗。律師們喜歡它，因為它比市場上的任何其他東西都更快、更直觀。大部分數據是公開的，但我們的界面和搜索使其可訪問。如果我今天從頭開始構建Doctrine，該業務將面臨根本不同的競爭格局。LLM智能體可以像我們的界面一樣有效地查詢判例法。

垂直SaaS的清算并不是關于所有垂直軟件的消亡。它是關于市場終于開始區分那些擁有真正稀缺資源的公司，和那些在LLM智能體面前無險可守的公司。