十年垂直软件研发经验：我对行业抛售潮的看法
小微
（原标题：十年垂直软件研发经验：我对行业抛售潮的看法）
图片来源于网络，如有侵权，请联系删除
过去几周，软件和服务类股票的市值蒸发了近1万亿美元。飞世尔（FactSet）市值从200亿美元的峰值跌至80亿美元以下，标普全球（S&P Global）数周内市值缩水30%，汤森路透（Thomson Reuters）一年内市值几乎腰斩。涵盖140家企业的标普500软件与服务指数，今年以来跌幅达20%。 上周，Anthropic公司为Claude办公助手推出了行业专属插件。这款人工智能助手专为知识工作者打造，能自主处理复杂的研究、分析及文档处理工作流。 华尔街将此次市场暴跌称为恐慌性抛售。而我拥有十年垂直软件即服务（SaaS）领域的研发经验：先是打造了欧洲最大的法律信息平台Doctrine，与律商联讯（LexisNexis）、威科先行（Westlaw）等行业巨头展开竞争；如今又在美国推出了人工智能驱动的股票研究平台Fintool，直面彭博（Bloomberg）、飞世尔和标普全球的竞争。 我曾打造的软件，正面临大语言模型（LLM）的冲击；而我如今研发的产品，正是这场颠覆的发起者。我亲历了这场行业变革的正反两面，也因此看清了背后的本质：大语言模型正在系统性地瓦解垂直软件赖以建立的竞争壁垒，但并非所有壁垒都会消失。其结果是，垂直软件的价值核心和合理估值倍数被重新定义。 本文将围绕以下核心内容展开： 1. 支撑垂直软件的十大竞争壁垒，以及大语言模型对每一项壁垒的冲击 2. 为何此次市场抛售具有结构性合理性，却在时间维度上被过度放大 3. 行业真正的威胁所在（并非大众所想） 4. 什么将取代传统垂直软件 5. 垂直软件行业的未来发展方向 垂直软件的十大竞争壁垒（及大语言模型的冲击）
垂直软件是为特定行业量身打造的软件产品：彭博服务于金融行业，律商联讯深耕法律领域，Epic系统聚焦医疗健康，Procore专注建筑行业，Veeva则赋能生命科学领域，诸如此类。 这类企业有一个鲜明特征：定价高昂，且客户留存率极高。飞世尔的单用户年收费超1.5万美元，彭博终端的单席位年费达2.5万美元，律商联讯向律所的月收费高达数千美元，而这些企业的客户留存率均稳定在95%左右。 在我看来，垂直软件的竞争壁垒共有十大类，大语言模型正对其中一部分发起冲击，同时让另一部分得以保留。看清二者的边界，才是理解这场行业变革的关键。 1. 经验型操作界面――彻底瓦解 彭博终端的用户需要花费数年时间，学习海量的快捷键、功能代码和操作导航逻辑，比如GP、FLDS、GIP、FA、BQ等。这些操作方式毫无直观性可言，更像是一门专属语言――一旦熟练掌握，切换到其他平台就意味着重新变成“门外汉”。 我无数次听到这样的说法：“我们公司只用飞世尔”“我们律所是律商联讯的忠实用户”“我们团队全靠彭博终端”。这些话无关数据质量或功能设置，而是关于软件使用的“肌肉记忆”。员工为掌握一款工具投入了十年时间，这份投入无法转移到其他平台。 这是最被低估的一项竞争壁垒。知识工作者愿意为“不必重新学习十年间熟练掌握的工作流”买单，操作界面本身就是核心价值之一。 我在打造Doctrine时深有体会：我们组建了专业的设计团队，还配备了大批客户成功经理，他们的核心工作就是帮助律师熟悉平台操作。每一次界面调整都是一项大工程：用户调研、设计冲刺、分阶段上线、全程一对一指导。就连一个多维度搜索筛选功能的重新设计，我们都要花费数周时间，只因律师们早已对旧版本形成了操作肌肉记忆。对我们而言，界面从来不是一个附属功能，而是产品本身，维护界面更是我们最大的成本中心之一。 而在Fintool，我们完全没有上线指导环节，也没有客户成功经理教用户操作产品。用户用自然语言输入需求，就能得到答案。基于纯聊天的交互形式，让产品彻底摆脱了“需要学习的操作界面”这一概念。设计、客户成功、界面变更管理等一系列成本中心，在这里都不复存在――聊天界面包揽了所有配套支撑工作。 大语言模型将所有专属操作界面，统一成了简单的聊天窗口。 试想一下，如今的金融分析师使用彭博终端的流程：先进入股票筛选功能，用专业语法设置参数，导出结果；再切换到现金流折现（DCF）模型构建工具，输入假设条件，进行敏感性分析，再导出到Excel，最后制作演示文稿。 每一个步骤都需要掌握专属的界面操作知识，每一个步骤都在强化用户的转换成本。 而使用大语言模型助手的分析师，只需做一件事： “帮我筛选出市值超10亿美元、市盈率低于30、年收入增长率超20%的所有软件企业，为排名前五的企业构建现金流折现模型，并针对折现率和终值增长率进行敏感性分析。” 三句话，无需快捷键，无需功能代码，无需界面导航。用户甚至不用知道大语言模型调用了哪个数据提供商，也根本不在意。 当操作界面变成自然语言对话，数年积累的操作肌肉记忆变得一文不值，那些支撑2.5万美元单席位年费的转换成本，也随之烟消云散。对许多垂直软件企业而言，界面曾是其核心价值，而底层数据大多是授权获取、公开可得或半商品化的，溢价定价的核心依据是基于数据搭建的工作流――但这一切，都结束了。 2. 定制化工作流与业务逻辑――化为乌有 垂直软件的核心，是将行业的实际运营逻辑编码进产品。一款法律研究平台不只是存储判例，更要构建引用网络、谢泼德法律引用检索信号、标题注释分类体系，还要还原诉讼律师撰写辩护状的完整流程。 这些业务逻辑的搭建耗时数年，凝聚了与数千名行业专家的沟通成果。我打造Doctrine时发现，最难的并非技术本身，而是理解律师的实际工作方式：他们如何研究判例、如何起草法律文书、如何从案件受理到庭审构建完整的诉讼策略。将这些行业认知转化为可运行的软件，是垂直软件实现价值和构建壁垒的关键。 而大语言模型，让这一切变成了一份简单的标记语言（markdown）文档。 这是最被忽视的行业变革，也是长期来看最具毁灭性的变化。 传统垂直软件的业务逻辑，由工程师通过代码编写实现：成千上万的条件分支、验证规则、合规检查、审批流程，耗时数年完成开发。而且胜任这项工作的并非普通工程师，必须是懂行业的专业工程师――这类人才凤毛麟角。想要找到既会编写生产级代码，又懂诉讼工作流或现金流折现模型构建逻辑的工程师，难度极大。而修改这些业务逻辑，还需要经历开发、测试、部署等完整流程。 我用自己的亲身经历举一个具体例子： 在Doctrine，我们搭建了一套法律研究工作流，帮助律师针对特定法律问题找到相关判例。这套系统需要理解法律领域分类（民事、刑事、行政）、将法律问题解析为可搜索的核心概念、跨多个法院数据库检索、按相关性和法律效力排序结果，并附上规范的引用背景。打造这套系统，工程师和法律专家团队耗时数年，业务逻辑分散在数千行Python代码、定制化排序算法和人工调优的相关性模型中。每一次修改，都需要经历工程师冲刺开发、代码评审、测试、部署等环节。 而在Fintool，我们有一项现金流折现估值功能。我们只需告诉大语言模型助手如何进行现金流折现分析：需要收集哪些数据、如何按行业计算加权平均资本成本（WACC）、验证哪些假设条件、如何开展敏感性分析、何时加回基于股票的薪酬支出。这些规则只需写成一份标记语言文档，撰写耗时一周，更新仅需几分钟。即便是一名做过500次现金流折现估值的投资组合经理，也能不用写一行代码，就将自己的全套分析方法编码进系统。 数年的工程师开发工作，如今一周就能完成――这就是行业的变化。 而且这不仅是效率的提升，这份标记语言文档在多个关键维度上表现更优：任何人都能读懂，可审计，能根据用户需求定制（我们的客户会自己编写这类功能文档），还能随着底层大语言模型的迭代自动优化，无需我们修改任何代码。 业务逻辑的载体，正从专业工程师编写的代码，转向任何拥有行业经验的人都能撰写的标记语言文档。垂直软件企业耗时十年积累的业务逻辑，如今几周就能被复制，基于工作流构建的竞争壁垒，正在快速瓦解。 3. 公共数据获取――彻底商品化 垂直软件的一大核心价值，是让难以获取的公共数据变得易于检索。飞世尔让美国证券交易委员会（SEC）的备案文件可被精准搜索，律商联讯让判例可被快速查询，这些都是实打实的服务。SEC备案文件虽属公共信息，但想要直接阅读200页的原始超文本标记语言（HTML）格式10-K报告，难度极大：不同企业的文件结构千差万别，会计术语晦涩难懂，想要提取所需数据，需要解析嵌套表格、追踪脚注引用、核对重述数据。 在大语言模型出现之前，获取这些公共数据需要专业软件和大量的工程支撑。飞世尔这样的企业为每一种备案文件类型开发了数千个解析程序，适配不同企业的独特格式，还安排大批工程师在文件格式变更时维护这些程序。将原始SEC备案文件转化为可检索数据的代码，曾是实打实的竞争优势。 在Doctrine，我们也为此投入了大量精力：为不同判例搭建自然语言处理流水线，通过命名实体识别提取法官、法院、法律概念信息；开发专用机器学习模型，按法律领域对判决结果分类；为每个法院开发定制化解析程序，适配其独特的格式特点。我们有工程师数年专注于搭建和维护这些支撑体系，这一技术成果令人称道，也成为了难以复制的竞争壁垒――毕竟复刻这一体系需要数年时间。 而在Fintool，我们完全没有做这些工作：零命名实体识别、零定制化解析程序、零行业专属分类器。原因很简单：前沿大语言模型早已具备解读10-K报告的能力。它们知道家得宝的股票代码是HD，理解美国通用会计原则（GAAP）与非通用会计原则下营收的区别，能无需学习数据结构就解析分部披露的嵌套表格。Doctrine耗时数年搭建的解析体系，如今成了大语言模型自带的商品化能力，免费可用。 大语言模型让这一切变得轻而易举。前沿模型从训练数据中已经学会了解析SEC备案文件，理解10-K报告的结构，知道在哪里找到收入确认政策，如何核对通用会计原则与非通用会计原则下的财务数据。企业无需再开发解析程序，因为模型本身就是最好的解析工具――将10-K报告输入模型，它就能回答任何相关问题；将所有联邦判例输入模型，它就能找到相关的先例。 垂直软件企业耗时数十年搭建的解析、结构化、检索体系，如今成了基础大语言模型自带的商品化能力。数据本身并非一文不值，但曾承载大量价值和定价权的“数据检索层”，正在崩塌。 4. 人才稀缺性――彻底反转 打造垂直软件，需要既懂行业又懂技术的复合型人才。想要找到既会编写生产级代码，又懂信用衍生品结构的工程师，难度极高。这种人才稀缺性形成了天然的行业准入壁垒，也让每个垂直领域的主要竞争者数量始终有限。 而大语言模型，彻底反转了这一壁垒。 在Doctrine，招聘工作堪称煎熬。我们需要的不只是优秀的工程师，更是能理解法律推理的专业人才――懂先例原则、懂司法管辖区的互动逻辑、懂向最高法院上诉的理由。这类人才本就寥寥无几，因此我们只能自己培养：每周开展内部讲座，由律师为工程师讲解法律体系的实际运作方式。一名新工程师需要数月时间，才能真正胜任工作。人才稀缺性不仅是我们的发展壁垒，也是所有试图进入该领域的竞争者的共同难题。 而在Fintool，我们完全无需这样做。我们的行业专家（投资组合经理、分析师）直接将自己的分析方法写入标记语言功能文档，不用学Python，不用懂应用程序编程接口（API），只需用自然语言描述一份优质的现金流折现分析该如何做，大语言模型就能执行。工程层面的工作由模型包揽，而原本就数量充足的行业经验，如今无需经过工程师的转化，就能直接转化为软件功能。 大语言模型让工程开发变得触手可及，这意味着原本稀缺的行业经验，突然拥有了转化为软件的无限可能――行业准入壁垒也因此轰然倒塌。 5. 功能捆绑――大幅弱化 垂直软件企业的扩张逻辑，是捆绑相邻功能。彭博从市场数据起家，逐步增加了即时通讯、新闻、分析、交易、合规等功能。每增加一个新模块，用户的转换成本就会提高一分，因为客户如今依赖的是整个生态系统，而非单一产品。标普全球以440亿美元收购IHS Markit，正是这一战略的体现――功能捆绑本身，就成了竞争壁垒。 在Doctrine，功能捆绑也是我们的核心增长战略。我们从判例搜索起步，逐步增加了法规、法律新闻、预警、文档分析等功能。每个模块都有独立的界面、独立的上线指导、独立的客户工作流。我们打造了复杂的仪表盘，让律师能配置监控清单、设置特定法律主题的自动预警、管理研究文件夹。每增加一个功能，就意味着更多的设计工作、更多的工程开发、更大的界面操作面。功能捆绑让客户难以离开，因为他们的整个工作流都建立在我们的生态之上。 而大语言模型助手打破了这一捆绑壁垒，因为助手本身就是一个“全能捆绑体”。在Fintool，预警是一个指令，监控清单是一个指令，投资组合筛选也是一个指令，无需为每个功能设置独立模块，也无需维护独立界面。客户只需说一句“当我投资组合中的任何企业在财报电话会议中提及关税风险时，及时提醒我”，功能就能直接实现。大语言模型助手能在单一工作流中协调十多种专业工具：从一个数据源获取市场数据，从另一个数据源获取新闻，通过第三个工具开展分析，最后整合所有结果。用户完全不知道、也不在意背后调用了多少个服务。 当功能整合层从软件供应商转移到人工智能助手，客户购买捆绑套餐的动机就会消失。既然人工智能助手能为每个功能挑选最优（或最便宜）的供应商，为何还要为彭博的全套套餐支付溢价？ 这并非意味着功能捆绑会一夜消亡――毕竟管理十个供应商的运营复杂度，远高于管理一个。但行业趋势已然明确：人工智能助手让功能拆分变得可行，这在过去是完全无法实现的。 6. 私有及专属数据――壁垒强化 部分垂直软件企业拥有或授权使用独有的数据资源，这些数据在其他地方无法获取。彭博从全球交易台收集实时定价数据，标普全球拥有信用评级和专属分析数据，邓白氏为5亿多家企业维护商业信用档案。这些数据耗时数十年收集，往往源于独家合作关系，无法通过爬虫抓取，也无法重新创造。 如果企业拥有真正无法复制的数据，大语言模型不仅不会冲击，反而会让这些数据的价值进一步提升。 彭博从交易台获取的实时定价数据？无法抓取、无法合成、无法从第三方授权获取。在大语言模型时代，这些数据成了所有人工智能助手都需要的稀缺输入资源，彭博对这类专属数据的定价权甚至可能进一步提高。 标普全球的信用评级也是如此。信用评级不只是数据，更是基于受监管方法和数十年违约数据形成的专业观点――大语言模型无法发布信用评级，而标普可以。 判断这一壁垒是否稳固的标准很简单：这些数据能否被其他人获取、授权或合成？答案若为否，壁垒则屹立不倒；答案若为是，企业则面临危机。 我在两家企业的运营中都见证了这一点。Doctrine创立之初，核心价值是通过行业专属支撑体系（分类体系、引用网络、相关性排序）整合公共判例。但团队很早就意识到，仅靠公共数据远远不够。 大约五年前，Doctrine开始搭建独家内容库：包含专属的法律注释、编辑分析、精选评论，这些内容在其他地方完全无法获取。如今，这座内容库已成为真正难以复制的核心壁垒。加之全面向大语言模型转型，Doctrine的发展如今蒸蒸日上。 能在这场变革中存活的企业，都实现了从“我们更擅长整合公共数据”到“我们拥有你在别处无法获取的独家数据”的转型。 行业的变化在于：过去，这份智能整合层需要数年的工程开发；如今，它成了大语言模型自带的能力，就连数据获取本身也在变得商品化。 模型上下文协议（MCP）正让所有数据提供商变成可插拔的插件，已有数十家企业将金融数据封装为模型上下文协议服务器，供任何人工智能助手调用。当企业的数据能作为Claude的插件使用时，因“数据可访问性”产生的溢价就会消失。 颇具讽刺意味的是，大语言模型正在加速行业的两极分化：拥有专属数据的企业，会获得更大的竞争优势；没有专属数据的企业，将失去一切。 如果企业的数据并非真正独一无二――能被获取、授权或合成，那么企业就毫无安全可言，面临被商品化的风险。人工智能助手将掌控与客户的关系，成为用户交互的界面、信任的品牌、付费的产品，而企业则会沦为人工智能助手的供应商，而非客户的直接服务商。 这正是聚合理论的现实落地：聚合者（人工智能助手）掌握用户关系和利润，而供应商（数据提供商）只能通过价格竞争争夺合作机会。如果彭博、飞世尔和十几家小型提供商都能提供类似的市场数据，人工智能助手会选择报价最低的那一个――企业的定价权将消失，利润率将被压缩，最终沦为他人产品的商品化输入资源。 7. 监管与合规锁定――结构性限制 在医疗健康领域，Epic系统的行业主导地位，不仅源于产品质量，更源于《健康保险流通与责任法案》（HIPAA）合规要求、美国食品药品监督管理局（FDA）认证，以及医院长达18个月的产品实施周期。更换电子健康记录（EHR）供应商，是一项耗时数年、耗资数百万美元的工程，甚至可能危及患者安全。在金融服务领域，合规要求也形成了类似的客户锁定效应：审计追踪、监管报告、数据留存政策，都深度嵌入软件产品中。 《健康保险流通与责任法案》不会因大语言模型而失效，美国食品药品监督管理局的认证不会因GPT-5的出现而变得简单，《萨班斯-奥克斯利法案》（SOX）的合规要求，也不会因Anthropic推出新插件而改变。 Epic系统在医疗健康电子健康记录领域的主导地位，本质上是基于监管的竞争壁垒。18个月的实施周期、合规认证、与医院计费系统的深度集成，这些都不会受到大语言模型的影响。 事实上，监管要求可能会在合规锁定效应最强的垂直领域，延缓大语言模型的落地速度。医院无法用大语言模型助手取代Epic系统，只因大语言模型助手尚未通过《健康保险流通与责任法案》合规认证，不具备所需的审计追踪功能，也未被美国食品药品监督管理局验证可用于临床决策支持。 8. 网络效应――粘性依旧 部分垂直软件的价值，会随着行业参与者的增加而提升。彭博的即时通讯功能（IB聊天）是华尔街的事实通信层，若所有交易对手都在使用彭博，你就不得不使用――原因不在于数据，而在于网络。 大语言模型不会打破网络效应，甚至可能让通信网络的价值进一步提升。网络中流动的信息，会成为大语言模型的训练数据、上下文和有效信号。 这一规律适用于所有成为行业内部通信层的垂直软件：Veeva在制药企业间形成的网络效应、Procore在建筑行业利益相关方间的网络效应，这些壁垒的粘性极强，因为其价值源于平台上的使用者，而非产品界面。 9. 交易嵌入――壁垒持久 部分垂直软件直接嵌入资金流环节：餐饮行业的支付处理、银行业的贷款发放、保险业的理赔处理。当软件嵌入交易环节，更换供应商就意味着中断营收，没有企业会主动选择这样做。 如果企业的软件用于支付处理、贷款发放或交易结算，大语言模型不会对其产生替代效应，充其量只是在其之上搭建一个更优的操作界面，而交易的底层支撑体系始终不可或缺。 条纹支付（Stripe）不会受到大语言模型的威胁，富达国民信息服务公司（FIS）和菲舍尔金融服务公司（Fiserv）也是如此。交易处理层属于基础设施，而非简单的操作界面。 10. 记录系统地位――长期受胁 当企业的软件成为关键业务数据的权威真实来源，更换供应商就不仅是不便，更是关乎企业生存的风险：数据迁移过程中是否会损坏？历史记录是否会丢失？审计追踪是否会中断？ Epic系统是患者数据的记录系统，赛富时（Salesforce）是客户关系的记录系统。这些企业的定价优势，源于“留存成本（高昂费用）”与“退出成本（潜在的数据丢失、运营中断）”的不对称性。 如今，大语言模型尚未直接威胁到记录系统的地位，但人工智能助手正在悄然搭建属于自己的记录系统。 真实的行业变化是：人工智能助手不仅能查询现有系统，还能读取企业的SharePoint、Outlook、Slack等所有平台的数据，收集用户相关信息，撰写跨会话留存的详细记忆文件，还会在执行关键操作时存储上下文。久而久之，人工智能助手对用户工作的了解，会比任何单一记录系统都更全面、更深入。 人工智能助手的记忆，正成为新的真实信息来源。这并非人为设计的结果，而是因为人工智能助手是唯一能覆盖所有数据维度的层级：赛富时只能看到客户关系管理（CRM）数据，Outlook只能看到邮件，SharePoint只能看到文档，而人工智能助手能看到这一切，并且能记住。 这一变化不会一夜发生，但行业趋势已然明确：人工智能助手正在从零开始，搭建属于自己的记录系统。随着人工智能助手上下文记忆的不断丰富，传统记录系统的竞争壁垒会逐渐弱化。 整体影响：行业准入壁垒轰然倒塌
图片来源于网络，如有侵权，请联系删除
综合来看，十大壁垒中有五项被瓦解或弱化，五项得以保留。但被打破的五项，正是此前阻挡竞争者进入的核心壁垒；而得以保留的五项，只有部分行业头部企业具备。 在大语言模型出现之前，打造一个能与彭博或律商联讯抗衡的产品，需要数百名懂行业的工程师、数年的开发时间、巨额的数据授权费用、能向保守型企业销售产品的团队，以及相关的监管认证。这也导致：大多数垂直领域只有2-3家主要竞争者。 而在大语言模型时代，一个小型团队凭借前沿模型的应用程序编程接口、行业经验和优质的数据管道，就能在数月内打造出一款能实现传统垂直软件80%功能的产品。我亲身验证了这一点：Fintool的研发团队仅有6人，却服务着此前完全依赖彭博和飞世尔的对冲基金。我们的优势并非数据更好，而是人工智能助手能比需要数年学习才能掌握的终端/工作站，更快、更直观地为用户提供答案。 核心认知是：行业竞争不会线性增加，而是会呈组合式爆发。竞争者不会从3家变成4家，而是会从3家变成300家――这也是企业定价权崩塌的根本原因。此前，每个垂直领域的2-3家主导企业能凭借难以逾越的准入壁垒获得溢价定价，而当50家人工智能原生初创企业能以20%的价格，提供80%的功能时，这一定价逻辑将彻底改变。
关键细节： 这是一场数年的转型，而非一夜的崩塌
我认为，市场对此次行业变革的方向判断正确，但对时间维度的判断存在偏差。 企业收入不会一夜消失。 飞世尔的客户签订的是多年期合同，彭博终端的合同通常至少为2年。不会因为Anthropic推出了一款插件，这些合同就立刻失效。 企业的采购周期以季度和年为单位，而非天。一家市值500亿美元的对冲基金，不会因为Claude能查询SEC备案文件，就立刻弃用标普全球的资本智商平台（CapIQ）。他们会用12-18个月评估替代方案、开展试点项目、协商合同条款，等待现有合同到期。 行业收入的下滑是真实的，但这是一个缓慢的斜坡，而非陡峭的悬崖。企业当前的收入，在未来12-24个月内基本是锁定的。 但市场早已看清一点：股价暴跌无需以收入下滑为前提，估值倍数的压缩就足够了。一家金融数据企业，在拥有定价权和95%留存率时，估值倍数可达15倍市销率；而当市场认为其定价权和留存率都在下滑时，估值倍数可能跌至6倍市销率。收入保持不变，股价却会暴跌60%――这正是如今部分企业正在经历的事情。 市场并非在为收入崩塌定价，而是在为溢价估值倍数的终结定价，因为支撑这一倍数的竞争壁垒，正在消失。 行业真正的威胁
行业真正的威胁，并非大语言模型本身，而是垂直软件头部企业未曾预见的“双面夹击”。 从底层来看，有数百家专注于人工智能的初创企业进入各个领域。 过去，打造一款有竞争力的金融数据产品，需要200名工程师和5000万美元的数据授权费用，市场自然会走向集中，形成3-4家主导企业。而如今，只需10名工程师和前沿模型的应用程序编程接口就能实现，市场会迅速碎片化。行业竞争从3家变成300家。
来自上方的冲击：通用平台首次深度切入垂直领域 微软Excel中的Copilot助手，如今已能实现人工智能驱动的现金流折现建模和财务报表解析；Word中的Copilot助手能完成合同审核和判例研究。通用工具无需通过工程开发，只需借助人工智能，就能实现垂直领域的功能覆盖。 Anthropic正从另一个方向做着同样的事。作为Anthropic投资的企业，我对此有着最直观的感受：Claude正全力布局垂直领域，而其策略简单到令人心惊：一个通用人工智能助手的开发工具包（SDK）、可插拔的数据访问层（模型上下文协议）、行业专属的功能文档（标记语言文件）。仅此而已，这就是从通用平台切入垂直领域的全套技术栈――无需懂行业的工程师，无需数年的开发时间。 软件正朝着“无界面”方向发展，操作界面消失，一切都通过人工智能助手流转。如今，重要的不再是软件本身，而是掌控与客户的关系和核心使用场景――这意味着，掌控人工智能助手本身，才是关键。 让通用平台具备垂直领域服务能力的技术（大语言模型+功能文档+模型上下文协议），也让通用平台终于能切入此前无法触及的垂直领域。这或许是垂直软件行业面临的最致命威胁：微软这类通用企业级To B平台，如今不再是浅尝辄止地涉足垂直领域，而是大举进军――因为这一过程如今变得前所未有的简单，也因为在人工智能优先的时代，它们需要掌控核心使用场景和工作流，才能保持行业相关性。 行业风险评估框架 并非所有垂直软件企业都面临同等的风险，我总结了一套判断企业能否存活的框架。 高风险：纯检索层企业 如果企业的核心价值是通过专业界面实现数据的检索和访问，且底层数据为公共数据或可授权获取，那么企业将面临严重危机。这类企业包括：基于授权交易所数据搭建的金融数据终端、基于公共判例的法律研究平台、专利检索工具，以及所有核心产品本质是“为行业数据打造更优搜索引擎”的垂直软件企业。 这些企业此前凭借界面锁定和有限竞争，获得了15-20倍的市销率估值，而如今这两大支撑都在消失。想想那些过去一年市值缩水40%-60%的金融数据提供商，市场对其重新定价，是完全合理的。 中风险：业务组合混合型企业 许多垂直软件企业的业务线中，既有具备防御性的板块，也有暴露在风险中的板块。比如，一家企业可能同时拥有真正的专属评级业务，和主要靠重新包装公共信息的数据分析业务；或者同时拥有嵌入交易环节、防御性极强的指数授权业务，和属于纯检索层、风险极高的研究平台业务。 这类企业的股价通常下跌20%-30%，反映出市场对其估值核心的不确定性。判断这类企业风险的关键问题是：企业有多少收入，来自大语言模型无法冲击的竞争壁垒？ 低风险：监管壁垒型企业 如果企业的竞争壁垒是监管认证、合规基础设施，以及与关键工作流的深度集成，那么中期来看，大语言模型对其竞争地位几乎没有影响。这类企业包括：拥有《健康保险流通与责任法案》合规认证和美国食品药品监督管理局验证的医疗健康电子健康记录系统、具备监管锁定效应的生命科学平台、金融合规与报告基础设施提供商。 这类企业甚至可能从其他领域的人工智能变革中受益：当客户在信息检索领域更换供应商时，会更倾向于将合规相关的工作流集中在自己信任的供应商手中。 核心检验标准 判断任何一家垂直软件企业的风险，只需问三个问题： 1. 企业是否拥有专属数据？若是，壁垒稳固；若否，数据访问层正在崩塌。 2. 企业是否具备监管锁定效应？若是，大语言模型不会改变转换成本的逻辑；若否，转换成本主要由界面驱动，且正在消失。 3. 企业的软件是否嵌入交易环节？若是，大语言模型只会成为其上层界面，而非替代者；若否，企业面临被替代的风险。 三个问题的答案均为“否”：高风险； 一个答案为“是”：中风险； 两个及以上答案为“是”：企业基本无虞。 亲历行业变革的感悟 2016年我开始打造Doctrine时，操作界面是核心竞争壁垒之一。我们为判例和法规打造了体验极佳的检索功能，律师们青睐这款产品，只因它比市场上的其他产品更快、更直观。彼时，我们的核心数据虽为公共数据，但界面和检索功能让其具备了独特的访问价值。如果如今从零开始打造Doctrine，其面临的竞争环境将截然不同――大语言模型助手查询判例的能力，已能与我们当年的界面媲美。 垂直软件即服务行业的这场变革，并非意味着所有垂直软件都会消亡，而是市场终于开始区分：哪些企业拥有真正稀缺、不会被大语言模型助手冲击的核心资产。（X Corp.） #软件 #大数据 #AI #大语言模型
