186: Anthropic招股书丨“银行也有百亿预算”,与Fusion Fund张璐聊大企业在想什么
本篇先锋
张璐
摘要
- Anthropic 的企业客户支出,显示其产品正在成为工作流中的基础设施。 张璐凭记忆提到,年消费超过10万美元的客户约有1.1万至1.2万家,其中约2000家超过100万美元;程曼祺补充,招股书披露的净收入留存率达到900%。张璐看重的是这些客户能否持续增购:“模型性能”决定是否尝试,能否嵌入现有流程才决定长期留存。
- 上市可能重定价 AI 资产,但估值回调与真实需求增长是两件事。 张璐更倾向于约1.5万亿美元的讨论区间,最终仍取决于路演与认购;程曼祺则关注十月 run rate 能否支持年末约1000亿美元的预期。相比上市价格,张璐更谨慎地看待收入增长与资本投入的关系,重点是经营利润率、现金流、训练投入及长期算力合同。她不认为上市本身会逆转 AI 趋势:“价格虚高和 AI 的真实需求增长是两回事。”
- 大企业正在储备巨额 AI 预算,但预算规模尚不等于回报已经兑现。 张璐从一家美国知名银行的首席 AI 官处听到,其当年预算已超过100亿美元;她调研的全球前20家药企中,六七成把 AI 列为战略第一优先级。但面对程曼祺对 ROI 的追问,她明确回答:“现在还是在试用的过程。”企业先嵌入现有流程、再优化业务,仅第一步可能就需要三五年。
- coding 之后的增长,可能分散在企业智能体平台与大量垂直场景。 张璐不确定还会出现一个增长速度、强度都媲美 coding 的单项产品,更看重 Cowork 通过 MCP 连接软件、成为企业工作流入口的可能。与此同时,医疗、金融等领域对本地数据、监管和定制的要求,为创业公司留下空间;模型巨头能否、是否值得逐个深做这些场景,仍是问题。
- 开源正在改变企业采购组合,闭源厂商必须回应成本压力。 张璐援引 AT&T 的公开表态,其内部 AI 预算的六七成会投向开源;她也转述过企业单月 Claude 账单接近5亿美元的匿名案例,强调这种支出不可持续。不过,她并不认为开源崛起就意味着闭源一定受损:AI 正从科技业走向更多产业,“整体的蛋糕还是越来越大”。
- 算力消耗增长,可以与旧 GPU 的租金、资产价格下跌同时发生。 张璐转述的方向是,过去约80%的算力消耗在训练,未来约80%可能转向推理,基础设施的重点随之转向每个任务的成本、本地部署与分布式计算。H100 有供应,不代表需要 B300、H200 或特定集群架构的客户就能使用;因此,闲置与短缺可以共存,旧卡转售商也未必分享到需求增长。
- 创业空间更偏向行业门槛、数据信任与治理能力,消费端则面临巨头的分发优势。 张璐判断,美国消费 AI 市场最终八九成的大头可能由模型公司或科技巨头占据,但强调这不等于创业公司做不出好产品。高监管行业愿意把数据分享给自己认为有办法控制合作关系的初创公司,却可能警惕模型供应商反过来竞争。physical AI 也让治理成为大规模部署前必须回答的问题:产业龙头 CTO 正急切询问,是否必须先做好 AI 监管的技术解决方案,才能大规模部署。
精读
1. 企业客户的深度,比单看收入增速更能说明 Anthropic 的位置
- 张璐最看好的数字是客户支出分布。按她的记忆,年消费超过10万美元的客户约有1.1万至1.2万家,其中约2000家超过100万美元;这与早期客户相对集中的情况不同,意味着产品已深入企业内部,“有点像企业内部的基础设施”。
- 她的逻辑是,模型性能决定企业是否尝试,长期留存则取决于能否融入现有工作流程。嵌入越深,后续 upsell 的空间和影响范围可能越大。程曼祺补充,招股书披露的净收入留存率为900%,对应客户持续增购的情况。
- 更令张璐谨慎的是收入增长与资本投入的关系:现金多、融资能力强,也伴随着很强的消耗能力。她会继续看经营利润率、现金流、训练投入与未来算力合同。程曼祺另提示,录制后公司已更新三季度官方收入及长期算力合同总额,相关讨论须按录制时口径理解。
2. IPO 会检验定价,但不必然逆转 AI 趋势
- 对“上市是否导致 AI 行情从盛转衰”的问题,张璐明确说不认为上市本身会造成反转。她承认市场“当然有泡沫”,但区分热钱推高的估值与产业需求:“价格虚高和 AI 的真实需求增长是两回事。”
- 她把当前看作两个阶段的交界:过去五年优先投入资源、算力,追逐最强模型;接下来更重要的是低成本、大范围、高效率地嵌入产业。“模型能力不再是最重要的因素”,成本与整合的优先级上升。
- 对市场先后讨论的2万亿、1.5万亿美元估值,张璐更倾向于约1.5万亿美元的讨论区间,认为可能更有利于上市后的健康反馈,但仍取决于路演与认购。若股价表现不佳,其他模型公司、基础设施及高估值独角兽也可能被重新评估;她认为理性回调对创业生态反而有益。
- 程曼祺提供了二级市场的另一种观察:一些投资者等待尚未披露的十月 run rate,以判断年末能否达到年中预期的约1000亿美元。若低于预期,上市定价也可能低于1.5万亿美元,而非必然落在当前讨论区间。
3. 抢先上市争夺有限资金,员工解禁同时考验内部信心
- 张璐认为,Anthropic 与 OpenAI 都想成为先上市的一家。对于 OpenAI 推迟至2027年,她不确定其内部准备和财务状况是否支持当年上市,因此不能把推迟全部理解为主动选择;Anthropic 则可能希望趁自身增长和市场热度仍高时完成上市。
- 先发优势也在资金端。万亿美元级公司需要巨额承接资金,先上市者可能先吸收希望配置 AI 的资本,后上市者未必还有同样充裕的资金池。“市场上的钱也不是取之不尽、用之不竭的”,这是她认为 OpenAI 会面临更多不确定性的原因。
- 招股书允许非核心员工在上市当天解禁10%的期权。张璐承认潜在抛压,但认为公司较年轻,给员工部分提前变现的灵活度,也可能支持长期持有。程曼祺补充,5300多名员工的价值观较一致,实际出售人数可能较少;双方都把员工持有意愿视为可能的信心信号。
- IPO 的影响也会传导到其他公司。张璐转述纳斯达克西海岸负责人的说法,Anthropic 上市使一些公司延后计划,Oura Ring 更在约24小时前撤回;按该负责人的说法,类似临近上市突然取消的情形,在纳斯达克历史上只发生过约两次。
4. Anthropic 的市场共识,经过了非共识投资与 coding 验证
- 程曼祺指出,Spark Capital 在2023年5月、约45亿美元估值时投资 Anthropic,当时 ChatGPT 刚引发全球热潮。张璐回忆,市场尚未形成“还容得下第二家前沿模型公司”的共识,AI 安全也不是最受关注的优先项,Anthropic 更早期融资并不顺利。
- 张璐认为,Google、Amazon 等战略资本在2023年的支持,既是模型布局,也是不希望市场只有 OpenAI 一家。到2024、2025年,Claude 的代码、复杂推理、上下文能力获得认可,安全优先的定位又帮助它赢得企业部署的信任,To B 路线逐渐清晰。
- 今年一月的 coding 商业化,是她眼中更重要的转折:前沿模型开始直接参与高价值生产,而不只是搜索信息、回答问题。程曼祺补充,Dario 曾说 Spark 的 Yasmin 推动团队把 coding 作为重点;这类战略支持,比单纯投中高速增长公司更值得看。
- 对 Spark 在招股书中频繁出现,张璐提醒不能据此排名投资人的贡献。Yasmin 是董事,身份本身就带来披露要求;她肯定 Spark 的早期认可、长期持有与持续加注,但强调文件里的提及次数不等于实际贡献大小。
5. To B 聚焦的优势,是反馈结构、付费能力与数据循环
- 张璐先说明自己的偏向:过去11年只投 To B,因此一直更倾向 Anthropic。她认为,作为第二家模型公司,集中有限资源服务高价值企业需求是合理选择;消费需求发散、反馈不一致,企业流程更结构化,更容易得到高质量、可用于迭代的信息。
- 企业还同时具备三类数据优势:高质量训练数据、使用过程中的反馈,以及使用中持续生成的新数据。付费也更明确;她上次看到的 ChatGPT 北美付费用户比例约5%、应该不超过10%,而企业使用强度更高。coding 又容易衡量 ROI,因此商业定价更清楚。
- 她不认为 Anthropic 必须进入所有消费市场,但承认 personal agent 可能提高消费者入口的重要性,OpenAI、Google、Apple 都在强化这一优势。Anthropic 仍可通过企业 API 和第三方触达用户,只是入口优势较弱;她的判断是市场足够大,能够容纳多家、不同路径的公司。
6. coding 之后未必再有一个 coding,企业平台值得先做深
- 面对程曼祺追问“下一个 coding 是什么”,张璐没有给出同等爆发力的新单品。她认为未必再有一个单项产品增长得同样强,更应强化企业级平台,让 Anthropic 成为智能体工作流程的重要基础设施供应商。
- Cowork 是她举出的探索,Fusion Fund 内部也在使用。若通过 MCP 连接各类软件,形成中台,工作流入口都从 Cowork 经过,就可能强化企业平台的位置,而不只是继续销售模型能力。
- 程曼祺拆解招股书:2026年上半年,按量收入同比增长1200%,订阅收入增长1690%,可能意味着更多非程序员知识工作者使用 Claude。但她保留另一种解释:此前订阅更划算,也可能推高增速;新政策又要求超过150人的企业按量付费。目前没有官方编程、非编程用户比例,不能仅凭收入分类下结论。
7. 百亿美元预算是备战信号,尚不能视为 ROI 证明
- 张璐的观察来自2018年起建立的 Fusion CXO 网络,其中有40多位、接近50位五百强企业技术负责人。过去半年,更多企业设置首席 AI 官;2026年成员找她交流的频次明显提高,从季度聚会扩展到董事会、管理层讨论企业的 AI 战略与数据战略。
- 她近期调研全球前20家药企,发现六七成将 AI 列为内部战略第一优先级。她举出礼来与英伟达数十亿美元合作、Merck 与 Google Gemini 合作,说明竞争者会快速跟进:“只要一个行业里有一家企业开始行动,剩下几家追上的速度就很快。”
- 一家未具名美国知名银行的首席 AI 官告诉她,当年 AI 预算已超过100亿美元。程曼祺追问,这是否源于已经看到降本或增收回报;张璐的回答很直接:“现在还是在试用的过程。”预算与战略共识,不能直接等同于财务收益已经落地。
- 企业真正担忧的往往是同行,而不只是初创公司的挑战。张璐设想,过去由30家公司占据80%的市场,未来可能由五家、七家公司占据,因为 AI 放大了产品与服务能力。每家公司都想成为留下来的少数,这推动了行业内的跟随部署。
8. 企业先接受自动化,再逐步进入业务优化
- 张璐区分 business automation 与 business optimization。前者提高效率、降低成本、改善流程,但不一定马上反映在财务报表;后者才进一步涉及增加收入、重构业务。不同部门处于不同阶段,看到的 ROI 自然不同。
- 她用保险公司的 CRM 解释阻力:科技行业习惯“先打破旧流程,再重新建立”,保险公司却不想重新开发 CRM,“不想,只想继续用现在的”。它们可以接受智能体,但希望智能体继续使用已有软件,因此大规模落地首先要嵌入现有工作流程。
- 常见路径是从一个部门、团队或特定业务试点,扩展到全公司,再从个人工具走向企业智能体平台。张璐估计,仅第一步可能需要三五年,后面的优化可能更久;不能预期明年一年,整个经济体就突然完成 AI 赋能。
9. coding 的爆发速度,不能直接外推到其他知识工作
- 程曼祺的追问是节奏:coding 从2025年至2026年快速普及,金融、法律、医疗能否同速扩散?如果不够快,未来几年是否会有起伏?张璐认可这个风险,强调要有合理、理性的预估,而不是只相信最终市场很大。
- coding 同时具备科技行业接受新技术快、高频、高任务价值、直接产出产品、结果验证快等特点。张璐引用李开复老师的一个定义:AI 能做90%的工作,并且比90%的人做得好。她进一步把范围缩小到具体应用场景,认为智能体接近 AGI 的标准是能完成该场景90%以上的工作,而且做得比90%以上的人好;目前只有 AI coding 达到。法律、医疗、金融许多任务则只能提供意见,不能立即验证结果。
- 相比寻找另一个 coding,张璐认为企业后台智能体可能更快落地,因为跨企业需求较一致、标准化较强。财务从数据收集、整合到报告,就是适合 AI 自动化的完整例子;合规、采购、库存管理也有相似机会。
- 数据战略是另一条主线。她回忆2019年在 FII 就提出,企业最重要的资产将是数据;如今大企业开始清洗、整合原本不可用的数据,建立可供 AI 使用的高质量数据库。模型公司花钱购买数据,而大量高价值企业数据仍在传统产业手里。
10. 开源正在分流采购,闭源需求仍可能随市场扩大
- 张璐转述约两周前看到的一份报告:大企业使用闭源或前沿模型的比例从57%降至14%,更多企业希望部署开源模型。她也理解二级投资者为什么想看 Anthropic 十月的数据,而不是延续对过去增速的推算。
- AT&T 是她给出的公开案例:公司内部 AI 预算的六七成会放在开源。她同时观察到英伟达积极帮助企业客户部署开源,认为美国开源生态自七月后发展很快,中国也已有很强的开源生态,企业采购因此拥有更多选择。
- 成本是重要驱动力。她援引一家咨询公司的匿名客户案例:某大企业单月 Claude 账单达到数亿美元、接近5亿美元,令 CFO 震惊,也显然不可持续。科技公司的态度亦在变化,从鼓励多用 token,转向限制过量使用,开始追问如何控制成本。
- 她仍不认为开源崛起必然让闭源公司受损。科技业在美国 GDP 中占比不到10%,AI 正进入涉及30%、50%经济活动的更多产业;“整体的蛋糕还是越来越大”,只是未来不会一两家独大,而是开源、闭源、大企业与初创公司共同分配。
11. 医疗机会来自标准流程、本地部署与数据信任
- 张璐尤其看好医疗:它接近美国 GDP 的20%,数据量大、质量高,很多流程标准化程度也较高。她估计行业 AI 渗透率可能还不到5%—6%,并强调一定不到10%;若处理好数据敏感性、监管和特定功能,推进速度可能比外界想象快。
- 她举出自己担任董事的 CommonSpirit Health Foundation:今年五月,CTO 告诉她,上千家医院、诊所可能开始部署智能体。这样体量的机构一旦进入真实使用和反馈循环,她认为仍有快速增长空间。她还补充说,医疗行业已有不少机构使用初创企业的方案,部分大机构则可能在内部部署本地化开源模型。
- 高监管行业的一些数据必须留在本地,不能直接上传云端,因此本地小模型、开源部署、隐私与监管功能形成实际需求。张璐强调,这不只是企业愿不愿意采用通用模型的问题,还涉及法律风险;她投资的多家医疗 AI 公司都把这些能力直接做进产品。
- 初创公司也可能得到一种信任优势:企业觉得自己有办法控制合作关系,愿意向初创企业分享数据,以建立符合工作流程和应用场景的 AI 应用。相反,Anthropic 开始建设 wet lab,让一些药企担忧:“你用了我的所有数据,现在反过来和我竞争。”这种顾虑也可能传到其他行业。
12. 新基础设施要围绕推理成本与 physical AI 重做
- 张璐认为,过去的基础设施围绕“训练最强模型”优化,现在应转向降低推理成本,尤其是“降低每个任务的推理成本”。她描述的转移方向是:过去约80%的算力消耗在训练,未来约80%会在推理;推理又与企业本地部署密切相关,形成新的创业机会。
- 使用方式也从被动转向主动:过去用户提问,产品回答;agent 会主动调用资源并完成工作。程曼祺补充,Fusion Fund 已投资推理层异构芯片公司,说明应用、模型的变化,也可能改变底层需要什么样的计算架构。
- physical AI 从一开始就需要讨论 specialized models,因为设备算力、电量有限,大模型未必运行得起来。张璐认可 world model 强大,但强调运行 world model 的算力和电力消耗都非常巨大;在讲究实际成本的阶段,怎样低成本、大规模部署,本身就是基础设施创新方向。
13. AI for science 能训练推理,短期收入贡献仍不确定
- 对前沿模型公司投入数学、理论科学的做法,张璐首先从技术解释:数学证明可以形式化验证,比开放式自然语言任务更容易判定对错,对强化学习、推理训练、自动评估都重要。她最近聊到的一群数学家自行生成数据,并被 OpenAI 等模型公司高价购买。
- 更长远的目标是让 AI 从总结已有知识走向产生新知识:模型能够提出问题,并提出新的、可以验证的科学结果,意味着它开始产生新知识。程曼祺追问商业回报时,张璐保留判断:这些研究不一定能在短期贡献收入,长期则可能提升推理、科研能力,并探索新的技术路径。
14. 制药的瓶颈不只在发现靶点,更在临床成本与成功率
- 张璐对过度聚焦 drug discovery 提出不同看法:从过去发现两三个靶点,变成发现几百个,并不等于得到药物;后面仍要做临床,而临床才是药物研发的大成本。“难道现在要把这几百个都拿去做临床吗?”更多候选可能反而意味着更大支出,成功率也未必更高。
- 她更看重 AI 辅助 clinical trial,Fusion Fund 也投资了相关公司。她设想,从三五百个靶点中挑出两三个临床成功率最高的,再进入实验,争取把成功率提高到五六成以上;这是她描述的价值方向,并非已经实现的结果。
- 另一个被投案例是 cell therapy 垂直模型,通过人体细胞数字孪生研究不同疾病。张璐说,该公司近期与哥本哈根的 Novo Nordisk 达成较大合作,针对帕金森适应症。她把医疗视为 AI for good 的重要方向:既有经济价值,也能创造人类福祉。
15. 算力总需求增长与旧 GPU 降价可以同时发生
- 程曼祺提出,中腰部独角兽签下三至五年算力长约后,可能因业务不及预期而折价转租。张璐确认现在个别存在,但不认为已构成整体过剩;她称 Together AI、Cohere 等当年的算力基本已排满,需要等明年,训练、预训练与后训练仍缺资源。
- 她回忆,去年底也曾突然出现较多算力,但今年年初很快又紧缺,存在周期性。价格设计还会推动公司签长约:她听到的 SpaceX 报价中,一年合约“好像”要翻倍,使公司觉得还不如签更长时间;这种诱因又会放大后续承诺压力。
- GPU 并非同质商品:H100 订得到,但很多客户要 B300、H200;训练需要大规模、高带宽、低延迟集群,推理则更分散。不同 GPU、网络架构和机房位置对应不同工作负载,因此一家释放的闲置资源,不能自动填补另一家的缺口。
- 张璐的区分是:“算力需求增长和算力资产价格下跌可以同时发生。”新增计算量可以上升,某代 GPU 租价仍可能持续下跌,旧卡转售商可能被迫降价。程曼祺在结尾转述另一位嘉宾 Rob 的底线:如果需求接不上,供给侧债务才会成为问题。
16. 模型即产品正在压缩套壳应用,消费端更考验分发能力
- 张璐认为,在 Anthropic 已做强的 coding 等领域,初创公司再直接竞争会很难;单纯在现有模型外“套一个壳”的科技应用,也越来越难抵抗模型公司。她更关注横向基础设施,以及高监管行业的纵向应用,因为监管本身构成准入门槛。
- 张璐几年前就公开提出,美国消费 AI 市场最终八九成的大头可能被模型公司或科技巨头占据。Google 的优势不仅是高质量用户数据,还有 Chrome 等分发渠道;Gemini Flash 借此获得大量真实使用反馈,再反过来优化产品,一般初创公司很难匹敌这一体量和速度。
- 程曼祺用近期走红的 personal agent 创业产品追问,张璐承认体感“现在还可以”,用户仍不少,但热度能否延续要继续观察。Meta 等巨头入场带来的不只是产品竞争,还有直接触达大量用户的能力。她保留例外:消费 AI 仍会有好产品,而且美国与中国市场不同。
17. physical AI 把治理方案放到了大规模部署之前
- 张璐最近最重视、却仍没有清晰答案的问题是 AI 监管。语言模型答错,用户可能一笑而过;physical AI 出错则可能伤人,甚至造成重大事故。她接触的产业龙头 CTO 正急切询问,是否必须先做好 AI 监管的技术解决方案,才能大规模部署 physical AI;医疗也是如此。
- 治理甚至要先从可见性开始。她反问企业 CEO,是否知道员工使用多少 AI 工具、这些工具接触了哪些核心数据;如果连基本认知都没有,她说就更不要谈 AI 安全。这使工具、数据、权限的透明度成为企业落地必须补上的一层。
- 她所在的 AI for Good Commission 最近用两个多小时讨论这一议题。难点包括兼顾未来技术、跨地区与跨产业协作,以及究竟采用行业独立监管,还是跨行业标准。张璐把它同时视为机会与挑战,呼吁创业者、企业和资本关注,而没有给出已经定型的答案。