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

概览

本期以Anthropic招股书为起点，从一级市场和企业需求端分析其上市时机、估值逻辑、客户结构与长期风险。讨论认为，Anthropic的优势不只在模型性能，更在于已经进入大量企业的工作流程，并通过Coding建立了较强的商业化基础。

节目提出，AI产业正在经历关键转折：过去的核心是投入更多算力、训练更强模型；接下来更重要的是以可控成本把AI嵌入各行业。企业客户的关注点将从单纯追求能力，转向整合、可靠性、数据安全、监管和可量化回报。

Coding之后未必会立刻出现另一个同等规模的单一应用。更可能的增长路径，是企业后台自动化、医疗等高监管行业、企业级Agent平台，以及围绕推理降本、本地部署和专用模型形成的一系列机会。

讨论同时强调，AI的长期需求空间较为明确，但落地节奏仍有很大不确定性。非科技行业需要先把AI接入既有流程，再逐步重构和优化业务，这一过程可能持续多年，并伴随成本、监管和算力结构的反复调整。

分段落总结

[01:19] 从企业需求端解读Anthropic招股书

[事实] 本期邀请长期投资企业科技的Fusion Fund创始合伙人张璐，从大企业CIO、CTO及首席AI官的视角讨论Anthropic的招股书。

[事实] 节目关注企业客户如何使用AI、是否已经验证回报，以及Coding之外还有哪些增长机会。

[事实] 主持人说明录制后Anthropic更新了部分收入和长期算力合同数据，因此节目重点放在行业判断而非最新数字核对。

[03:42] 客户结构是Anthropic的重要优势

[事实] 嘉宾认为，Anthropic拥有大量年消费超过10万美元的客户，其中还有相当数量的百万美元级客户，这表明其产品已经深入企业内部。

[事实] 模型性能可以促使企业尝试产品，但长期留存更取决于产品能否与既有工作流程和基础设施整合。

[推测] 一旦Anthropic成为企业工作流中的基础设施，其持续增购和扩展空间可能比单纯依赖模型领先更稳定。

[05:05] 高增长背后的资本与盈利压力

[事实] 嘉宾最谨慎的问题，是Anthropic收入增长与资本投入之间的关系。

[事实] 她关注公司的经营利润率、现金流、模型训练投入和长期算力合同，因为这些因素决定高速增长能否转化为可持续盈利。

[推测] 即使企业需求继续扩大，过高的训练和推理成本仍可能压缩Anthropic的长期商业回报。

[05:52] AI进入从“堆能力”到“做整合”的转折点

[事实] 嘉宾不认为Anthropic上市本身会逆转AI大趋势，因为AI进入各行业已经被视为不可逆的方向。

[事实] 过去五年的优先事项是增加算力和基础设施投入、追求最强模型；下一阶段则是把AI低成本、高效率地嵌入工作流程。

[事实] 模型能力将不再是唯一核心指标，成本、整合能力和实际应用价值会变得更重要。

[推测] Anthropic上市可能促使市场降低对纯技术叙事的关注，转而用收入质量、客户留存和部署效率重新评估AI公司。

[07:16] 市场泡沫、上市定价与先发优势

[事实] 嘉宾承认AI市场存在泡沫，但认为估值虚高和真实需求增长是两件不同的事情。

[事实] 如果Anthropic上市后表现不佳，投资者可能重新评估其他模型公司、AI基础设施和高估值独角兽。

[事实] 节目讨论的市场预期更偏向约1.5万亿美元的估值区间，并认为较克制的定价可能有利于上市后的价格表现。

[事实] Anthropic抢先OpenAI上市，可以优先吸引希望配置AI资产的资金，也可能增加OpenAI后续融资和上市的不确定性。

[推测] 更理性的定价和资本投入虽然会带来短期调整，却可能改善长期创业生态。

[10:08] 开源模型正在改变企业采购结构

[事实] 嘉宾提到，大企业对闭源前沿模型的使用比例出现下降，越来越多预算转向开源模型。

[事实] AT&T被举为例子，其内部AI预算有相当比例计划投入开源部分；英伟达也在推动企业部署开源生态。

[事实] 开源模型的成本、本地部署和数据控制优势，会影响Anthropic、OpenAI等闭源模型公司的市场份额。

[事实] 嘉宾同时认为，AI正在进入更广泛的经济部门，整体市场仍在扩大，未来会由开源、闭源、大公司和初创企业共同参与。

[推测] 开源崛起未必意味着闭源公司收入下降，但可能终结少数模型公司独占企业市场的预期。

[13:07] 锁定期设计与上市时机

[事实] 招股书披露，部分非核心员工在上市当天即可解禁10%的期权，这可能给股价带来一定抛售压力。

[事实] 嘉宾认为，Anthropic成立时间相对较短，允许员工小比例提前变现，既提供流动性，也保留了长期持有空间。

[事实] Anthropic选择尽快上市，既可能是为了抢在OpenAI之前，也与当前市场热度、融资需求和未来增速的不确定性有关。

[推测] 如果员工实际出售比例较低，市场可能把它解读为内部人士对公司前景有信心。

[16:47] 值得持续观察的经营指标

[事实] 嘉宾重点关注企业客户留存率、增购空间，以及Anthropic能否把Coding的成功扩展到更多企业工作流程。

[事实] 节目提到招股书披露的净收入留存率约为900%，显示既有客户支出增长较快。

[事实] Coding仍是Anthropic的核心产品方向，但非Coding业务对收入的贡献正在增加。

[推测] 如果非Coding收入无法形成规模，Anthropic的增长可能仍然高度依赖单一高景气场景。

[18:02] Spark Capital的早期投资与战略影响

[事实] Spark Capital是招股书中频繁出现的投资机构，其合伙人也是董事会里的VC代表。

[事实] Spark在Anthropic尚未成为市场共识时投资，并长期持有、持续加注。

[事实] 主持人提到，该机构可能还推动了Anthropic把Coding确立为战略重点。

[事实] 嘉宾提醒，Spark在文件中出现较多也与董事身份和披露要求有关，不能仅凭提及次数判断贡献大小。

[21:31] Anthropic如何从非共识走向主流

[事实] Anthropic早期曾获得FTX相关资本支持，FTX破产后其持有的Anthropic股权被用于清算和偿债。

[事实] 2023年前后，市场仍不确定是否容得下第二家前沿模型公司，但Google、Amazon等战略投资者开始支持Anthropic。

[事实] 到2024年至2025年，其代码、复杂推理、长上下文和企业安全能力逐渐得到认可。

[事实] Coding证明前沿模型可以直接完成高价值任务，而不仅是提供信息或回答问题，成为Anthropic商业化的重要转折。

[24:49] 聚焦企业市场的战略价值

[事实] 与OpenAI相比，Anthropic没有大规模投入消费端，而是集中资源服务企业客户。

[事实] 嘉宾认为，企业需求比个人需求更结构化，反馈质量更高，付费能力和使用强度也更强。

[事实] 企业场景可以提供训练数据、使用反馈数据和持续生成的新数据，有利于产品进一步优化。

[事实] Coding的结果容易验证，ROI也较容易衡量，因此更适合率先实现规模化商业落地。

[推测] Anthropic缺少消费端入口会削弱其个人Agent分发能力，但通过企业API和第三方产品仍可间接覆盖部分终端用户。

[29:13] Coding之后应建设企业级Agent平台

[事实] 嘉宾认为，Coding之后未必会立即出现另一个同等规模、同等速度的单一产品。

[事实] Anthropic更应该强化企业级平台定位，从模型供应商升级为Agent工作流的基础设施提供者。

[事实] Cowork与MCP等连接机制被视为一种探索：如果企业工作都从统一入口调用其他软件，平台就可能形成中台效应。

[事实] 招股书显示订阅收入增速高于按量收入，但节目也指出，这既可能代表非程序员用户增长，也可能受定价政策影响。

[推测] 判断非Coding增长是否成立，仍需官方披露编程用户与其他知识工作者的具体比例。

[32:34] 企业AI落地分为自动化与优化两步

[事实] 嘉宾将企业AI价值分为业务自动化和业务优化：前者主要改善效率、流程和成本，后者更可能直接提升收入。

[事实] 越来越多大型企业设立首席AI官，或由CTO承担相关职能，AI和数据战略也更频繁地进入董事会议程。

[事实] 在受访的头部制药企业中，许多公司把AI列为最高战略优先级；节目还提到一家大型银行的年度AI预算已超过百亿美元。

[事实] 大企业通常从一个部门或场景试点，再扩展到全公司，并从个人工具逐步升级为企业级Agent平台。

[推测] 当前巨额预算更多反映企业竞争压力和战略试验，而不完全代表AI回报已经被充分验证。

[36:45] 传统企业不会立即重构全部流程

[事实] 非科技企业通常希望AI接入现有软件和工作流程，而不是立刻推翻原有系统、重新建设一套AI原生架构。

[事实] 嘉宾预计，先完成自动化可能需要三至五年，之后才进入更深层的业务优化。

[事实] 企业部署还面临工具透明度、数据接触范围、安全管理和成本控制等问题。

[事实] 节目举例称，某大企业的Claude账单曾在一个月内快速增长至数亿美元规模，促使管理层追查使用原因并加强限制。

[推测] AI企业化不会在一年内完成，市场增长可能伴随预算收紧、技术替换和阶段性波动。

[39:09] 竞争压力正在推动企业增加AI预算

[事实] 嘉宾认为，企业目前仍处于扩大试验阶段，但各行业已经形成“AI是未来”的基本共识。

[事实] 大企业担心的并不只是AI初创公司，而是同行率先使用AI后获得成本、效率和市场份额优势。

[事实] 一个行业中的领先企业开始大规模部署AI后，竞争对手往往会迅速跟进。

[事实] 非上市大型企业因为现金充裕、董事会较小且无需担忧短期股价，可能拥有更灵活的AI投资能力。

[推测] AI可能提高行业集中度，使少数率先完成转型的企业获得更大的市场份额。

[42:03] 其他知识工作不会复制Coding的爆发速度

[事实] Coding具备高频、高价值、结果易验证和可以直接完成任务等特点，科技行业采用新工具的速度也较快。

[事实] 法律、金融和医疗任务往往难以及时验证结果，且不能轻易取消专业人员的最终责任。

[事实] 财务、合规、运营、销售、采购和库存管理等企业后台工作，仍有较强的自动化潜力。

[事实] 企业开始把内部数据视为核心资产，并着手清洗、整合和建设可用于AI训练的高质量数据库。

[推测] Coding之外的AI需求可能由多个中等规模场景共同推动，而不是由一个超级应用集中爆发。

[45:30] 医疗与企业后台是重要的垂直机会

[事实] 企业后台需求相对标准化，适合较快部署Agent。

[事实] 医疗约占美国GDP的重要比例，拥有大量高质量数据和较标准化的工作流程，因此被嘉宾视为潜力较大的领域。

[事实] 医疗机构已经开始筹备在大量医院和诊所部署AI智能体。

[事实] 医疗和金融的数据具有法律与隐私限制，部分数据必须留在本地，因此本地化小模型和开源模型具有现实需求。

[推测] 高监管行业的复杂要求会减慢部署，却也为具备行业知识、安全能力和合规产品的初创企业建立了门槛。

[49:37] 创业机会转向推理降本、专用模型与本地部署

[事实] AI基础设施过去主要围绕训练最强模型建设，未来重点将转向降低推理成本和单任务成本。

[事实] 节目判断，未来更多算力消耗可能发生在推理阶段，而推理又更适合分布式和企业本地化部署。

[事实] Agent使AI从被动回答转向主动调用工具、完成任务，对基础设施提出了新的要求。

[事实] Physical AI受到设备算力和电力约束，更需要专用小模型，而高成本的世界模型难以直接大规模部署。

[推测] 推理芯片、分布式计算、端侧模型、安全治理和垂直应用，可能成为新一代AI创业的重要方向。

[52:17] 模型巨头进入垂直行业的信任难题

[事实] Anthropic和OpenAI若直接进入医疗、制药等行业，需要与能够针对特定场景优化产品的初创企业竞争。

[事实] 大企业愿意向初创公司分享内部数据，以共同建设面向具体工作流程的AI应用。

[事实] 如果模型公司使用客户数据后进入同一业务领域，客户可能担心其从供应商转变为竞争者。

[推测] 数据控制和利益冲突可能限制通用模型公司在垂直行业的扩张，为中立的专业服务商保留空间。

[54:43] AI for Science的长期价值与短期局限

[事实] 数学问题具有明确、可验证的答案，适合用于强化学习、推理训练和自动评估。

[事实] 模型公司购买高质量数学数据，也是在提升模型的推理能力。

[事实] AI for Science的更高目标，是让AI不仅总结已有知识，还能提出问题并产生可验证的新知识。

[事实] 嘉宾认为，这类研究短期内未必贡献显著收入，但长期可能提升模型推理和科研能力。

[57:02] 药物研发的瓶颈不只在发现靶点

[事实] AI可以发现更多药物靶点，但药物最终仍需进入成本高昂的临床试验。

[事实] 如果无法筛选出成功率更高的候选靶点，发现数量增加反而可能提高后续试验成本。

[事实] 嘉宾更看好利用AI提升临床试验成功率，以及面向细胞治疗等领域建立垂直模型和数字孪生。

[推测] AI医疗最有价值的方向，可能不是单纯增加候选发现数量，而是优化完整研发链条中最昂贵、失败率最高的环节。

[59:29] 算力长约、错配与周期性过剩

[事实] 部分中腰部AI公司签订了三至五年的算力长约，但实际需求不及预期后，需要折价转租算力。

[事实] 嘉宾认为这种情况已经个别存在，但当前模型训练和后训练需求总体仍然缺乏算力。

[事实] 算力市场可能周期性地出现短期释放和重新紧缺。

[事实] GPU并非完全同质化商品，不同芯片、网络架构、数据中心位置和工作负载之间不能直接替换。

[推测] 市场可能同时存在部分旧GPU闲置和新一代GPU短缺，局部过剩不等于总体AI算力需求逆转。

[63:18] 算力需求增长与旧资产贬值可以并存

[事实] 企业持续追求新一代GPU，而旧型号的计算价值和租赁价格可能快速下降。

[事实] AI产业消耗的总计算量可以不断增加，同时某一代GPU的资产价格持续下跌。

[事实] 这对芯片供应商可能仍是利好，但对依赖GPU转售或租赁差价的企业未必有利。

[推测] 评估算力产业不能只看总需求，还需区分芯片代际、工作负载和资产折旧风险。

[64:43] 哪些AI创业方向可能受到挤压

[事实] 在Anthropic已经建立优势的Coding领域，新的创业公司很难正面竞争。

[事实] 仅在通用模型外套一层产品界面的“套壳”应用，会随着模型原生能力增强而越来越难形成壁垒。

[事实] 嘉宾更关注高监管行业的AI应用，因为监管要求本身构成准入门槛。

[事实] 在低监管、通用科技场景中，模型公司能够直接打通模型和产品，初创企业的竞争空间相对较小。

[推测] AI应用公司的长期壁垒需要来自专有数据、行业流程、合规能力或独特分发渠道，而不能只依赖底层模型调用。

[65:42] 消费端AI可能由科技巨头主导

[事实] 嘉宾判断，美国消费端AI市场的大部分份额最终可能被大型模型公司和科技平台占据。

[事实] Google等公司拥有大量用户数据、成熟分发渠道和真实使用反馈，可以快速迭代产品。

[事实] 消费级AI产品可能迅速获得热度，但能否保持留存并抵御巨头竞争仍需长期观察。

[推测] 消费端初创企业并非没有机会，但其获客、数据积累和产品分发成本可能显著高于企业垂直应用。

[68:08] AI监管成为Physical AI规模化的前置条件

[事实] 嘉宾当前重点思考的问题是AI监管，因为AI正从语言模型扩展到Physical AI。

[事实] 语言模型的错误可能只是输出错误答案，但Physical AI失误可能造成人身伤害或重大事故。

[事实] 一些产业龙头的CTO希望先建立监管和安全技术，再大规模部署Physical AI。

[事实] AI监管需要同时考虑未来技术、跨地区协作、行业差异，以及行业独立监管与统一标准之间的选择。

[推测] 监管既可能延缓部分AI部署，也会创造安全评估、可观测性、审计和合规基础设施的新市场。

[70:36] 需求空间确定，增长节奏仍不确定

[事实] 节目总结认为，两位投资人都把需求端视为判断AI产业前景的关键。

[事实] AI未来可以进入编程、企业流程、垂直行业和个人经济活动，长期价值空间较大。

[事实] AI深入大型企业需要经历业务自动化和业务优化两个阶段，不太可能像Coding一样在一年内全面爆发。

[事实] 应用层和模型层的变化，还会推动推理芯片、分布式计算和端侧计算等算力形态发生变化。

[推测] AI需求前景整体中性偏积极，但实际增长过程可能比资本市场当前预期更漫长、更分散，也更容易出现阶段性波动。

播客点评/总结

本期的主要价值，是把Anthropic上市从单一的估值事件扩展为对整个AI产业阶段转换的观察。讨论没有把模型能力等同于商业成功，而是持续追问企业留存、付费能力、工作流整合、推理成本和监管条件，提供了较完整的需求端框架。

节目最突出的亮点，是对“Coding之后有什么”给出了分层回答：对Anthropic而言，机会可能是企业级Agent平台；对初创公司而言，机会更多存在于高监管垂直应用、本地化小模型、推理基础设施和AI治理。它也清楚地区分了长期需求空间与短期落地节奏。

局限在于，部分市场规模、企业预算和模型使用比例来自嘉宾转述或非公开交流，节目本身没有逐一提供可核验来源；一些关于估值、市场份额和行业集中度的判断也具有较强预测性质。[推测] 这些内容更适合作为投资与战略思考的线索，而不宜直接当作确定结论。

本期适合关注AI企业服务、模型公司商业化、一级市场投资、算力基础设施及行业数字化的人群。对创业者而言，最有参考价值的结论是：通用能力正在被模型巨头吸收，真正可持续的机会将越来越依赖行业知识、专有数据、合规能力和深入工作流程的产品设计。