高盛软件行业研究报告《重新审视护城河第一部分：探讨AI钢铁人论点》关键要点总结 一、 行业与公司概述 * 行业：美洲科技行业，具体为软件行业，重点关注应用软件、基础设施/安全软件以及超大规模资本支出的投资回报率[1] * 公司：报告提及了多家软件公司，包括SAP、Salesforce、Oracle、Workday、Microsoft、HubSpot、Datadog、Palantir、Intuit、ServiceNow、Figma、Guidewire、Via Transportation、AIG、Anthropic、OpenAI、Google DeepMind、Meta、Cloudflare等[11][14][26][27][42][52][53][66][72][74] * 报告覆盖的买入评级公司：CRWD、GWRE、KVYO、MDB、NET、NOW、RBRK、SHOP、SNOW[1] 二、 核心观点与论据 1. 市场背景与核心议题 * 2026年年初至今的软件行业调整主要围绕终值辩论展开，市场质疑软件护城河和商业模式，而非短期需求趋势变化或高利率的数学影响[1] * 辩论焦点主要在应用软件公司，投资者也在一定程度上质疑基础设施/安全堆栈是否可能受到影响，以及与超大规模资本支出相关的投资回报率[1] * 报告旨在探讨关于软件的七个主要看跌论点，并按风险评分1（低）到5（高）进行排序，排列在从狭义定义到应用软件与广义定义的轴线上[1] * 关键观察：过去四周代理技术生态系统的快速演变，使得评估终值并从而为估值设定底线具有挑战性[1] 2. 七大看跌论点分析 A. 记录系统“彻底更换” – 风险评分 1 * **看跌论点**：新竞争者提出解决存储基础业务数据的记录系统问题的新方法，催化“彻底更换”运动，使当今以记录系统为中心的软件公司过时[8] * **高盛观点**：发生风险相对较低，因为生成式AI被设计为分析和生成引擎，而非交易引擎，风险评分为“1”[9] * **论据**： * AI技术主要作为一个强大的智能层而非基础替代品运行：它们依赖记录系统来最大化自身价值[11] * 现有记录系统公司（如SAP、Salesforce、Oracle、Workday）花费数十年建立了强大的数据验证、治理和合规流程[11] * 数据在现有记录系统中的积累吸引了应用程序和服务，这可能进一步需要该系统的功能性支持：这是数据引力现象的一个例子[11] * AI技术目前被设计为分析和生成引擎，而非交易引擎[11] * 智能层的价值越来越取决于底层记录层的引力[12] * **风险与防御**： * 风险：新公司可能因财务利益（更低的总拥有成本和更强的投资回报率）和技术优势（更现代、可扩展的架构）而重新发明记录系统层[13] * 防御：现有公司从主要专注于存储数据的被动分类账演变为支持自动化和更智能、实时操作的活动平台[14] * 从被动记录保存转向主动推理[15] * AI赋能与AI原生架构的区别：AI原生架构从开始就围绕智能和自动化设计，数据访问和决策嵌入核心平台[15] * 数据可访问性是未来技术堆栈的关键决定因素[17] * **关键问题**：记录系统在堆栈中的价值是什么？如果图表2在合理的看跌情景中成立，技术堆栈中应用软件的价值将有效压缩为记录系统的价值，而记录系统之外的利润池可能主要由新竞争者获取[10] B. 价值从记录系统转移至代理操作系统 – 风险评分 4 * **看跌论点**：新的AI工具位于现有软件堆栈之上并捕获增量价值，记录系统作为数据存储和合规的必要组件，日益充当基础设施而非主要价值创造者，当今的应用软件领导者对增长的暴露有限，而对席位减少或商品化的暴露过大[20] * **高盛观点**：AI带来的风险更多在于价值抽象而非彻底更换，现有公司最大的优势是其领域经验和背景，风险评分为“4”[21] * **论据**： * 随着代理系统成熟，智能移出记录系统并进入一个可以跨多个系统推理、调用API并自主执行工作流的编排层[22] * 代理结合模型、工作流和API直接执行任务，价值越来越集中在处理数据和协调操作的平台层[22] * 记录系统的角色是可靠地存储和暴露数据，而决策、优先级排序和工作流逻辑则位于其他地方[22] * 新赢家是控制代理平台、编排层和位于记录系统之上的领域特定AI系统的公司[22] * 记录系统成为更广泛AI堆栈中商品化的组件，并日益在可靠性、合规性和成本上竞争[22] * **客户服务软件TAM演变**：图表显示，从SaaS到代理的转变，由于实现了生产力收益，总可寻址市场最终变得更大[24] * SaaS TAM与代理TAM对比图表（2025-2030年）[25] * **现有公司的领域经验优势**： * 微软观点：客户拥有自己的数据，但留在微软生态系统中可减少延迟、确保数据最新并为LLM提供更多背景，从而实现差异化[26] * HubSpot观点：AI在业务用例中表现不佳是因为缺乏背景，记录系统有助于聚合背景，内置这些应用程序的AI将允许人类与代理并肩工作[26] * Datadog观点：其联合创始人优雅地展示了背景的重要性：在其内部数据上训练的SLM能够以更低的成本提供比前沿模型更好的准确性，因为其领域经验[27] * **竞争格局**：应用层有大量新竞争者涌入，现有公司最大的优势是领域经验[33] C. 横向吞噬纵向 – 风险评分 2 * **看跌论点**：横向提供商将使用其AI赋能工具，使客户能够在横向平台内构建纵向特定的工作流，历史上为纵向软件现有公司带来显著定价能力的竞争护城河的长期可持续性受到质疑[36] * **高盛观点**：纵向软件的特征及其各自终端市场，使这些企业能够从AI技术采用率增加中受益，风险评分为“2”[37] * **纵向软件的原始价值主张**：解决通用横向应用程序无法有效解决的行业特定问题，如独特的工作流、监管要求和/或特定行业的运营挑战[38] * **纵向软件当前的防御护城河**： 1. 访问专有、行业特定的数据[39] 2. 作为记录系统的集中模式，工作流深度嵌入日常运营[39] 3. 在特定行业长期的成功记录，创造了品牌参考性和短期内无法制造的信任[39] 4. 高度监管行业的法规合规性[39] * **具体论据**： * 专有数据：访问非公开、行业特定的数据集是当今隔离纵向软件的最重要障碍，例如Guidewire产品在全球管理着约7750亿美元的财产和意外险直接承保保费，其客户群超过500家保险公司，产生了大量历史数据[40] * 深度工作流集成：纵向软件通常深度嵌入业务的日常运营，使其成为各自行业中关键任务的记录系统[40] * 品牌参考性：在终端市场如医院和卫生系统、公共部门、金融机构和财产意外险中，品牌参考性通常是客户购买决策的关键因素[41] * 合规要求：复杂的监管环境可以成为阻止AI新进入者轻易颠覆纵向现有公司的障碍，例如Via Transportation引用了约10个月的平均销售周期长度，部分原因是供应商必须清除大量监管障碍才能参与公共部门RFP[41] * **横向对纵向软件的威胁**：生成式AI的快速进步使得AI原生公司能够进入历史上由传统SaaS提供商主导的纵向市场[42] * **关键问题**：“足够好”的功能是否足以从纵向现有公司吸引客户？历史上，只有当AI工具明显优于现有应用程序和/或价格显著更低时，采用率才会发生有意义转变[43] D. 代码成本降低 – 风险评分 2 * **看跌论点**：AI编码工具使开发人员更高效，并使更广泛的人群能够开发软件，降低软件开发成本和进入壁垒[47] * **高盛观点**：同意代码成本是构建软件应用程序成本的关键输入，并且生产代码的成本正在下降，这将导致新进入者，但开发产品与将产品发展成公司之间存在实质性差异，风险评分为“2”[47] * **论据**： 1. 软件工程不仅仅是编写代码，软件工程师已经将大量时间花在非编码任务上[48] 2. 软件公司不仅仅是代码的集合，成功涉及接口、数据、任务准确性、安全、维护、工作流程编排等多个方面[48] 3. 生成的代码可能仍然需要人工参与，例如Faros对去年中期10，000名开发人员的研究显示：AI采用率高的团队完成了21%更多的任务并合并了98%更多的拉取请求，但拉取请求审查时间增加了91%[48] E. 软件的未来是定制的 – 风险评分 3 * **看跌论点**：随着代码成本下降，更多企业将选择构建针对特定工作流、数据和目标定制的应用程序，而不是从软件供应商处购买软件，这个机会要么归于基础设施软件供应商（如Databricks和Snowflake）、LLM模型提供商，要么归于Palantir[49] * **高盛观点**：代码成本下降不会普遍改变构建与购买的考量，尽管预计会看到企业定制软件占据一些份额，风险评分为“3”[50] * **历史背景**：SaaS供应商通过将用户界面、工作流逻辑、权限、报告和数据模型捆绑到单一标准化产品中来创造价值[51] * **AI可能挑战这种主导地位**： * 历史上，软件颠覆需要既显著更好又显著更便宜的解决方案[52] * Palantir是实践中这种模式最清晰的例子，其美国商业业务在2025年增长了109%，公司预计在2026年将加速至超过115%[53] * **定制软件的挑战与现状**： * 可能接近企业选择构建定制的局部最大值，因为打包软件生态系统正在成熟[54] * 许多企业仍然重视嵌入法规合规性、安全性、正常运行时间和跨行业最佳实践的标准化应用程序[54] * 定制构建的系统将维护、治理和可靠性的长期所有权转移回客户，这可能抵消前期开发节省[56] * 领先的SaaS现有公司正在将AI代理和可扩展性直接嵌入现有平台[56] F. 毛利率压力与“LLM税” – 风险评分 3 * **看跌论点**：软件的高毛利率（70–90%）在AI中心化格局中在结构上是不可持续的，新进入者可能以更低的公司成本结构交付可比或更优的结果，同时现有提供商的边际生产成本从10-20%（基于CPU的托管成本）上升到更高（基于GPU的推理成本）[57] * **高盛观点**：预计整体将出现12-24个月的适度毛利率压力期，因为许多公司将专注于客户采用而非货币化，并选择吸收GPU推理和LLM API的成本，风险评分为“3”[58] * **历史毛利率**：SaaS供应商实现了70-90%的毛利率，业务模式本质上是轻资产和IP驱动的[59] * **当前毛利率压力**： * AI功能带来两个新成本：GPU推理成本和使用第三方模型提供商的成本[60] * 根据Bessemer Venture Partners的数据，增长最快的AI原生初创公司的毛利率约为25%，更成熟的AI原生公司毛利率接近60%，仍低于传统SaaS[60][61] * **成本下降趋势**： * 推理成本应随时间推移而下降，LLM推理成本每年已下降9倍至900倍（Epoch AI）[62] * 例如，以类似MMLU分数实现GPT-4性能的价格每年下降了40倍[62] * **定价权与产品差异化**： * 历史上，软件捕获了其所创造价值的约10–25%[66] * 维持软件毛利率最终取决于定价权，而定价权又取决于产品差异化[66] * 软件公司优先考虑采用而非货币化，将AI功能捆绑到现有产品中，提供免费/低价层级，并优化使用而非即时收入[66] * 积极的抵消因素是软件可能从服务和劳动力池中夺取份额[67] G. 创新步伐增加不确定性 – 风险评分 5 * **看跌论点**：技术正在快速变化，意味着最终状态难以预测，扩展定律仍然成立，年初至今，Anthropic、OpenAI、Google DeepMind和Meta都有显著更新，这给未来知识工作、软件行业的经济结构以及公司的终值带来了巨大的不确定性[70] * **高盛观点**：这种风险最难规划，不确定性评分为“5”[71] * **论据**： * AI在性能和新方向上都在继续进步[72] * 扩展定律仍然成立，最先进技术持续改进，例如GPT-5.2、Gemini 3 Pro和Opus 4.6在GPQA Diamond上的研究生级推理得分均>90%[72] * 现有技术的新应用也推动创新，例如ChatGPT、Claude Cowork、OpenClaw[72][73] * 不确定性可能创造新机会，例如微软的医疗超级智能在NEJM案例挑战中达到85%的通过率，TAM计算为每年500-1000亿美元[74] * 未知的未知因素：将会有突破从根本上改变可能的事情，从而改变行业的最终状态[74] * 1993年的观察者很难预测Web 2.0的样子，2022年12月的观察者可能很少有人预测到Claude Cowork/Clawdbot及其对行业叙事的影响[75] 三、 其他重要内容 * **报告目的**：重新审视护城河主题，以更好地理解进入壁垒、产品差异化和定价权[1] * **稳定信号**：寻找证明领域经验驱动更高质量代理结果的证据，以及通过盈利实现稳定或改善的基本面[1] * **推荐业务模式**：突出具有超越应用层的清晰架构护城河的业务模式[1] * **数据引用**： * 财产和意外险直接承保保费：约7750亿美元由Guidewire产品管理[40] * SAP S/4HANA云升级周期：大型企业的迁移通常被描述为多阶段工作，可能持续18-36个月[13] * Via Transportation销售周期：约10个月[41] * Faros开发人员研究：AI采用率高的团队完成任务增加21%，合并拉取请求增加98%，但拉取请求审查时间增加91%[48] * Palantir美国商业增长：2025年增长109%，预计2026年加速至超过115%[53] * AI初创公司毛利率：最快增长的初创公司约为25%，更成熟的接近60%[60][61] * LLM推理成本下降：每年9倍至900倍[62] * 实现GPT-4性能的成本下降：每年40倍[62] * 微软医疗AI通过率：NEJM案例挑战达到85%[74] * **相关报告**：报告中引用了多份高盛先前发布的关于生成式AI、软件行业覆盖、纵向软件、稳定信号、AI颠覆辩论和关键辩论的报告[5]