深度长文｜别再被AI的“Vibe Revenue”骗了！红杉教你一招看穿虚假繁荣

强化学习曾小健

于 2025-05-26 17:26:28 发布

阅读量1k

点赞数 13

文章标签：人工智能

本文链接：https://blog.csdn.net/sinat_37574187/article/details/148234834

版权

深度长文｜别再被AI的“Vibe Revenue”骗了！红杉教你一招看穿虚假繁荣

原创 chouti 涌现聚点 2025年05月23日 09:28 浙江

AI 的浪潮汹涌而至，裹挟着前所未有的热度、海量的资本和无数充满想象力的概念。仿佛一夜之间，人人都在谈论 AI，追逐 AI，生怕错过这场“泼天的富贵”。估值火箭般蹿升，新公司如雨季的竹笋，媒体头条被“AI 颠覆一切”的论调占据。然而，在这片由算法和算力构建的“繁荣景象”之下，一个冷静而尖锐的问题正浮现出来：有多少是真正的价值创造，又有多少是昙花一现的“虚假繁荣”？

在这个关键时刻，全球最顶尖的风险投资机构之一——红杉资本（Sequoia Capital）[1]，在其 AI Ascent 2025 大会[2]上，为我们带来了一场意义非凡的“硬核”课程。他们以历经多个技术周期的深刻洞察，剖析了在当前 AI 狂热中，究竟该如何辨别“真金白银”，以及构建真正能穿越周期、创造长期价值的 AI 公司需要具备哪些“硬核”指标。这场课，或许能为正身处迷局中的创业者、投资人和科技爱好者提供一张清醒的地图。

红杉合伙人 Packer Radio 在大会开场演讲[3]中直言不讳，在 AI 时代构建一家成功的公司，“95% 依然是老生常谈——解决重要问题、吸引优秀人才、打造卓越产品”，但正如他随后强调的那样[4]，剩下的 “5% 具有 AI 特异性”，却是决定成败的关键分野。这 5% 不是技术有多酷炫，而是它如何在商业和价值创造层面体现与众不同。这堂“硬核课”，聚焦的正是这至关重要的 5%。

第一讲：不只看收入，更看“有效使用”：如何识别 AI 的“Vibe Revenue”陷阱

在 AI 领域，有一种收入被 Sequoia 称为 “Vibe Revenue”（情绪收入）。Packer Radio 描述这种初期收入“感觉很好[5]”，因为它来得快，让早期公司的数据看起来异常亮眼，仿佛一夜之间就实现了用户增长或商业化突破。

然而，这是一种危险的“虚假繁荣”。想象一下，一个 AI 应用凭借某个新奇功能或搭上最新的模型热度，迅速在社交媒体上传播，用户出于好奇下载试用，短时间内带来了大量新增和看似不错的收入数据。比如某个一键生成搞怪视频的 AI 小工具，或者一个能生成各种风格头像的 AI 绘画 App。它们在初期用户激增，数据曲线呈指数级上涨，让创业者心潮澎湃，投资者争相追捧。但这繁荣往往是脆弱的，一旦新奇感消退，用户发现它并不能真正解决日常问题，或者有新的、更酷的应用出现，留存率便会断崖式下跌。

LinkedIn 上一项对 2024 年失败 AI 初创公司的分析[6]证实了这种现象。许多公司在快速增长后遭遇了参与度困境，因为用户尝试产品是出于好奇而非解决实际问题的需求。报告显示，即使是科技巨头推出的产品，也可能面临这一挑战。例如，微软 Copilot 拥有 4.4 亿的潜在用户基础，但采用了某些版本后，采用率仅为 0.1%[7]，这表明巨大的用户基数和资源并不能保证 AI 产品能够自然转化为用户的持续、深度使用。再如，曾获得大量投资的旅行规划公司 Utrip[8]，尽管技术不错，最终却因用户不愿为 AI 生成的旅行计划付费而失败，这生动地展示了技术酷炫与市场真实需求脱节的危险。

真正有价值的收入，必须反映用户对产品的“持久行为改变[9]”（Durable Behavior Change）。 这意味着用户不是一时兴起，而是真正将你的产品融入了他们的工作流或日常生活，他们愿意持续地使用、依赖它，甚至付费。

Sequoia 强调，衡量“有效使用”的硬指标不是总用户数，而是 采用率（Adoption）、参与度（Engagement）和留存率（Retention）。Packer Radio 指出这些指标能够反映产品的真实粘性[10]。

数据能更直观地揭示这一差距。对于移动应用，DAU/MAU（日活/月活）比率是衡量粘性的重要指标：大于 20% 被视为良好，超过 50% 则是卓越表现[11]。社交媒体应用通常具有很高的 DAU/MAU 比率，因为它们深度融入了用户的日常交流习惯。而在 AI 原生应用领域，Sequoia 在 Keynote[12] 中提到 Chat GPT 的 DAU/MAU 比率正在爬升，逐渐接近 Reddit 等社交媒体的粘性水平[13]，这有力地证明了它正在从一个尝鲜工具变成用户高频使用的应用，为持续价值创造奠定基础。相比之下，一项研究显示，53% 的用户在下载应用后 30 天内卸载，近 40% 的用户仅打开一次就消失[14]，这些冰冷的数据是“Vibe Revenue”脆弱性的最好证明。许多初创公司常常过度关注绝对用户数量，而忽视 DAU/MAU 等关键粘性指标的警示作用[15]，陷入自我欺骗。

作为创业者或投资人，必须穿透表面的数字，追问用户究竟在使用你的 AI 产品做什么？ 他们是在核心工作流中解决了一个痛点，还是仅仅出于好奇进行了一次短暂的尝试？正如 Sequoia Capital 的判断[16]：“别自欺欺人地认为你有真正的收入，当那只是情绪收入时，它会反咬你一口。”

思考： 你自己在工作中或生活中，有哪些 AI 应用是你真正离不开的？它们具备哪些特征？欢迎在评论区分享你的“高粘性 AI”名单。

第二讲：毛利不是结局，而是过程：如何看清 AI 公司的“价值链攀升”潜力图

在传统软件或互联网行业，毛利率通常是衡量商业模式健康度的重要指标。但在 AI 领域，早期或特定阶段的毛利率可能并不出色，甚至可能因为高昂的计算成本而显得“不好看”。但这并不意味着这家公司没有价值。Sequoia 提出，关键在于要看这家公司是否具备清晰的“价值链攀升”路径，能否从简单的“卖工具”走向“卖结果”，甚至最终实现“卖工作”。

为什么毛利不是唯一的判断标准？一方面，AI 模型的推理和计算成本正以惊人的速度下降。Sequoia Keynote[17] 中引用的数据显示，“过去 12 到 18 个月，每 token 的成本下降了 99%[18]”。这意味着即使早期成本较高，随着技术进步，成本端存在巨大的优化空间。

另一方面，真正的价值捕获体现在你能在多大程度上解决用户的核心问题，并因此获取溢价。Sequoia 认为，AI 公司可以沿着一条价值链向上移动：

卖工具 (Selling a tool): 这是最基础的层面，你的产品是一个赋能工具，被整合进用户的软件预算中。
卖结果 (Selling an outcome): 在这个阶段，你的 AI 不仅提供功能，更能帮助用户达成某个具体的结果。
卖工作 (Selling work): 这是最高阶的价值捕获。你的 AI 能够替代一部分人工劳动，直接进入用户的“劳动预算”。

这个过程可以用简单的图例表示：

Sequoia 认为，价值正沿着这条链向上移动[19]。越靠近用户的核心痛点、解决越复杂的端到端问题、提供的价值越直接体现在业务结果或替代人工劳动上，其潜在价值和定价权越高。

成功的垂直市场 AI 公司能够收取溢价，正是因为它们实现了这种价值链的攀升。 它们不只是提供通用的 AI 能力，而是深入特定行业，理解其复杂的业务流程、非结构化数据和严格的合规要求（正如一篇关于垂直 AI 的分析所指出的[20]，其核心在于深厚的领域专业知识）。

例如，Sequoia Keynote[21] 中提到 Harvey[22] 在法律领域和 Open Evidence[23] 在医疗领域，它们并非只是简单的文档分析或信息检索工具，而是通过深度整合行业知识、理解专业语言，提供能够辅助甚至部分替代律师或医生工作的复杂解决方案。大会上提到，Harvey 会派遣律师与律师事务所沟通[24]，这正是深入行业、赢得信任的体现。通过解决这些行业的具体痛点，它们能够从提供“AI 助手”转变为解决“法律/医疗工作”的有效方案，从而捕获更高的价值。

补充信息[25]提供了更多垂直行业的案例，印证了这一趋势：

在金融服务业，Salient 将 AI 深度融入贷款流程，整合多渠道沟通，使处理时间减少 60%[26] 并处理了数亿美元的交易量，这已是从沟通工具到流程自动化成果的转变。而 Feedzai 则从简单的反欺诈工具，扩展为覆盖开户、欺诈预防、反洗钱的全方位金融犯罪防御平台[27]，保护数十亿消费者和万亿美元交易，其价值远超单个工具。
在软件开发领域，GitHub Copilot 已发展出数亿美元的收入规模，企业采用率过半[28]，这表明开发者已将其视为核心开发伙伴。类似 Codeium[29] 和 Cursor[30] 等工具也在快速增长。

这些案例表明，垂直 AI 公司之所以能收取溢价，是因为它们能够证明投资回报（ROI）——通过提高效率、降低成本、增强合规性或创造新收入流。它们具备行业专业知识、能处理复杂非结构化数据、确保合规、自动化完整工作流程，并能与现有系统无缝集成（正如另一篇关于垂直 AI 的文章所言[31]，垂直 AI 能够处理传统软件无法有效管理的非结构化数据）。一些公司甚至开始尝试结果关联定价，例如根据 AI 解决的客户工单数量收费[32]，或根据 AI 驱动的销售增长提成，这直接将自身价值与客户的业务成果挂钩。

因此，评估一家 AI 公司的商业模式，不能只盯着眼前的毛利数字，更要看它在多大程度上深入特定行业，解决了多大粒度、多大复杂度的“真问题”，以及它具备多少从“卖工具”向“卖结果”甚至“卖工作”攀升的潜力。这考验的不是技术本身的酷炫，而是技术与行业需求的深度耦合能力。

思考： 在你所在的行业，你认为哪些具体的业务流程最有可能被 AI 深度自动化，实现从“工具”到“工作”的转变？欢迎在评论区留下你的看法。

第三讲：真假“数据飞轮”：你的数据能“转动”哪个业务指标？

“数据飞轮”（Data Flywheel）是 AI 时代构建竞争优势（moat）的高频词汇。其核心逻辑是：用户使用产品 -> 产生数据 -> 这些数据用于优化 AI 模型或产品功能 -> 更好的产品/模型吸引更多用户 -> 产生更多数据 -> ...形成一个自我强化的良性循环（正如英伟达对数据飞轮的定义[33]）。

这个概念听起来很美妙，几乎所有 AI 公司都会声称自己有数据飞轮。然而，Sequoia 对数据飞轮提出一个灵魂拷问：“那个数据飞轮转动了哪个业务指标[34]（What business metric does that data flywheel move?）？” 如果答不上来，或者数据无法显著影响核心业务指标，那么 Sequoia 的判断是：“它就无关紧要[35]”（it just doesn't matter）。

换句话说，不是收集了数据就叫数据飞轮，更不是收集的数据越多越好。一个“有效”的数据飞轮必须能够驱动业务的内生增长或效率提升，并在数据上形成真正的竞争优势。

数据飞轮的简化模型如下：

只有当这个循环能够有效传导，并在用户行为和业务成果上体现出来，数据飞轮才算真正运转起来。

如何构建并验证一个“有效飞轮”？

关注数据质量和相关性： 收集的数据必须是高质量的、结构化的，并与产品的核心价值创造紧密相关。正如一项分析所强调的[36]，低质量数据输入导致低质量结果。
打通“数据-改进”闭环： 确保收集到的用户数据（如交互行为、编辑修改、采纳率、失败反馈等）能够及时、有效地被用于优化模型、迭代产品功能或改进用户体验。
量化业务影响： 这是关键中的关键。必须能够清晰地衡量数据飞轮运转后，对核心业务指标产生的正面影响。这些指标可能是：用户留存率（Retention Rate）提升、单用户平均收入（ARPU）增长、特定任务完成率提高、客户支持工单减少、内容生成采纳率提升、人工审核成本降低等。

补充信息[37]提供了一些成功的案例，展示了企业如何利用用户交互数据并量化其影响：

例如，一家名为 Incident.io 的公司[38]开发了一个 AI 事件摘要功能，并在用户界面设计了明确的“接受/编辑/拒绝”按钮来收集用户反馈。通过分析这些数据，他们发现 63% 的 AI 摘要被用户完全接受[39]。这一量化结果不仅证明了 AI 摘要的准确性，更重要是指导了产品决策：基于用户的反馈，他们决定维持人工确认流程，避免因不够准确而导致用户对 AI 功能的全面排斥，从而维护了用户信任和采纳率。

再比如 Atom Bank[40]，他们将客户投诉与具体用户行为相关联，深入分析后发现客户旅程中的痛点，并基于这些发现改进服务流程，结果使支持电话减少了 69%[41]。这直接将用户反馈转化为运营效率的巨大提升，这是数据飞轮驱动业务指标的有力证明。

这些案例的共同点是：它们不仅收集数据，更能从数据中提取可操作的洞察，并将其有效地转化为产品改进，最重要的是，这些改进能够带来可衡量的业务指标变化。

然而，很多公司的数据飞轮是无效的。原因多种多样，正如一项分析所指出的陷阱[42]：组织割裂导致团队孤岛，数据工程师、分析师和业务方可能在不同的飞轮上工作，无法完成任何一个[43]；缺乏清晰的商业目标，导致技术团队开发出在技术上很酷，但在商业上无关紧要的功能；反馈机制不畅，可观察性缺失，没有中央化系统很难跟踪和分析系统性能[44]。

真正的挑战不在于收集数据，而在于如何将原始数据转化为可执行的智能，并将这些智能有效地注入到产品或运营流程中，最终带来可衡量的业务价值。数据飞轮越转动，它积累的动力越大，但没有控制和明确方向的动力是危险的（没有控制的力量是有风险的[45]）。

思考： 你所在的团队或公司，是否真的有在用用户数据“转动”某个具体的业务指标？这个指标是什么？如果没有，是卡在了哪个环节？

特别加一课：比产品更重要——AI 时代的“信任资产”

在技术飞速发展、功能不断涌现的 AI 时代，Sequoia 在 Keynote[46] 中提出了一个至关重要的观点：“在周期的当前阶段，信任比你的产品本身更重要[47]（Trust is more important than your product at this point in time...）”。他们认为，“产品会变得更好。如果客户信任你会把它做得更好，你就处于有利地位[48]。”

为什么信任在 AI 时代如此突出？

AI 并非完美无瑕，它会犯错，会产生“幻觉”（虚构不存在的信息），可能带有偏见，其决策过程往往是个“黑箱”。用户将数据、任务，甚至部分决策权交给 AI，需要极高的信任度。尤其是当 AI 开始深入医疗、金融、法律等敏感领域，或处理大量个人隐私数据时，信任更是生命线。

这些惨痛的案例告诉我们，AI 的失误有多容易侵蚀信任：

麦当劳的 AI 点餐系统曾出现故障，无限量增加顾客的麦乐鸡订单[49]，最终导致项目终止，成为 AI“不靠谱”的笑柄。
加拿大航空的聊天机器人提供错误的丧亲机票折扣信息，导致公司面临诉讼并被迫赔款[50]。
纽约市政府的 AI 聊天机器人甚至向企业主提供非法经营建议[51]，直接打击了公众对政府官方 AI 工具的信任。
科技巨头也不例外，Google 的 Bard 曾在演示中给出错误信息导致市值大跌[52]，Google Photos 的种族歧视标签[53]、Gemini 扭曲历史图像[54]都引发了广泛批评。微软的 Tay 聊天机器人因学习不良信息迅速“黑化”被紧急叫停[55]。
在自动驾驶领域，特斯拉 Autopilot 导致的多起致命事故[56]（据 NHTSA 数据，已造成至少 17 人死亡）严重动摇了公众对自动驾驶安全性的信任。
商业应用中的隐私担忧，如 Target 通过购物数据预测顾客怀孕[57]，则敲响了 AI 侵犯个人隐私的警钟。

这些案例表明，AI 的每一次失误，尤其是在公共领域或涉及人身安全、财产、隐私的场景，都会放大其不可靠的印象，加剧不信任感。

因此，对于 AI 公司而言，构建和维护信任资产至关重要。这需要系统性的努力，正如负责任的 AI 数据隐私指南[58]和AI 透明度指南[59]等强调的最佳实践：

透明度：从设计之初就融入透明原则[60]，公开告知用户数据如何被收集、使用和存储，模型的局限性。使用户了解 AI 系统的能力、局限性和风险[61]。
负责任的数据处理：坚持数据最小化原则[62]，只收集必要数据；建立健全的数据治理机制，对敏感数据进行分类和保护[63]；定义明确的数据保留政策，并在必要时安全删除数据。尽可能避免在不必要时使用个人数据，以规避数据保护法的约束（正如一项关于负责任 AI 的指南建议[64]，如果避免使用个人数据，您的 AI 实践就不会受到数据保护法的影响）。
安全功能与保障： 实施强大的安全协议保护数据，通过过滤机制和持续监控来防止 AI 输出有害内容。分享系统中嵌入的保障措施，如过滤机制、监控工具和使用指南（明确的保障措施是关键一步[65]）。
清晰的沟通与教育： 用通俗易懂的语言解释 AI 的工作原理、风险和能力。提供可理解的隐私政策[66]。
伦理与合规：定期评估识别并消除 AI 软件中的偏见[67]。明确内部问责制。人类监督在 AI 流程中不可或缺，它是确保 AI 合规和负责任的关键保障[68]。

构建信任是一项长期投资。正如 Integral Ad Science (IAS) 在数字广告中设立负责任 AI 标准[69]的案例所示，优先考虑透明度，可以显著增强利益相关者中的信任。在当今高度竞争的 AI 市场中，透明度、安全性和负责任的数据处理不仅是合规性问题，更是关键的竞争优势。

思考： 你认为哪些 AI 领域的“最佳实践”或“最差实践”给你留下了深刻印象，影响了你对 AI 的信任？

结语：AI 马拉松：跑得快更要跑得“硬核”

AI 浪潮的列车已经启动，并且以远超过去任何技术周期的速度狂飙。Sequoia 形容这种速度是“物理定律变了”[70]，分发和采纳速度极快，“自然界厌恶真空[71]”（Nature hates a vacuum），如果你不快速行动，别人就会填补空白。因此，他们给创业者的建议是：“现在是全力以赴、最大速度前进[72]的时候了。”（run like heck, maximum velocity）。

速度固然重要，但 Sequoia 这堂“硬核课”的核心并非只有“快”，而是要在“快”的同时，扎扎实实地构建能够经得起时间考验的真实价值。无数高开低走的 AI 公司已经证明，仅仅依靠概念、短期流量或“Vibe Revenue”是无法在激烈的市场竞争中长久立足的。一份分析显示，AI 初创公司的失败速度是普通科技公司的两倍[73]。

这场 AI 马拉松的赢家，不会是那些泡沫最大、估值最高的公司，而是那些真正做到：

提供能带来“持久行为改变”的“有效使用”，而非短暂的“情绪体验”。
具备从“卖工具”向“卖结果/工作”攀升的“价值链潜力”，能在解决用户核心痛点中捕获不断增长的价值。
构建能够切实“转动核心业务指标”的“有效数据飞轮”，让数据成为驱动自身成长的核心动力。
将“信任”作为最宝贵的资产，通过透明、安全、负责任的实践赢得用户的长期信赖。

理解并践行这些“硬核”标准，是穿越当前 AI 狂热、辨别“真金白银”的关键。这需要清醒的头脑、务实的态度和长期的毅力。无论你是身处其中的创业者、寻求机会的投资人，还是关注科技未来的普通人，用 Sequoia 的尺子衡量这个行业，都能让你看得更远、更清晰。正如高盛和红杉资本等主要投资机构[74]也开始质疑 AI 技术能否产生足够的利润来证明其高昂投入的合理性一样，市场正从盲目热情转向务实。

AI 确实有改变一切的巨大潜力，但这种潜力能否转化为可持续的商业成功和社会进步，取决于我们能否穿透表面的“虚假繁荣”，聚焦那些真正“硬核”的价值基石。

这场“硬核课”听完了，你的思考是什么？你认为还有哪些指标是衡量 AI 公司价值不可或缺的？欢迎在评论区分享你的见解，一起保持清醒，跑赢这场 AI 马拉松。

参考资料

[1]

红杉资本（Sequoia Capital）: https://www.sequoiacap.com/

[2]

AI Ascent 2025 大会: https://www.youtube.com/watch?v=v9JBMnxuPX8

[3]

大会开场演讲: https://www.youtube.com/watch?v=v9JBMnxuPX8

[4]

他随后强调的那样: https://www.youtube.com/watch?v=v9JBMnxuPX8

[5]

感觉很好: https://www.youtube.com/watch?v=v9JBMnxuPX8

[6]

LinkedIn 上一项对 2024 年失败 AI 初创公司的分析: https://www.linkedin.com/pulse/i-analyzed-100-ai-startups-failed-2024-heres-what-one-williams-50g0e

[7]

微软 Copilot 拥有 4.4 亿的潜在用户基础，但采用了某些版本后，采用率仅为 0.1%: https://www.linkedin.com/pulse/i-analyzed-100-ai-startups-failed-2024-heres-what-one-williams-50g0e

[8]

曾获得大量投资的旅行规划公司 Utrip: https://www.linkedin.com/pulse/i-analyzed-100-ai-startups-failed-2024-heres-what-one-williams-50g0e

[9]

持久行为改变: https://www.youtube.com/watch?v=v9JBMnxuPX8

[10]

这些指标能够反映产品的真实粘性: https://www.youtube.com/watch?v=v9JBMnxuPX8

[11]

DAU/MAU（日活/月活）比率是衡量粘性的重要指标：大于 20% 被视为良好，超过 50% 则是卓越表现: https://www.velaris.io/articles/dau-mau-ratio-understanding-metric

[12]

Sequoia 在 Keynote: https://www.youtube.com/watch?v=v9JBMnxuPX8

[13]

Chat GPT 的 DAU/MAU 比率正在爬升，逐渐接近 Reddit 等社交媒体的粘性水平: https://www.youtube.com/watch?v=v9JBMnxuPX8

[14]

一项研究显示，53% 的用户在下载应用后 30 天内卸载，近 40% 的用户仅打开一次就消失: https://www.linkedin.com/pulse/silent-killers-startups-why-your-app-retention-andrew-mikhatskiy-bxb1e

[15]

常常过度关注绝对用户数量，而忽视 DAU/MAU 等关键粘性指标的警示作用: https://pilot.com/blog/ai-metrics-fundraising-startups

[16]

Sequoia Capital 的判断: https://www.youtube.com/watch?v=v9JBMnxuPX8

[17]

Sequoia Keynote: https://www.youtube.com/watch?v=v9JBMnxuPX8

[18]

过去 12 到 18 个月，每 token 的成本下降了 99%: https://www.youtube.com/watch?v=v9JBMnxuPX8

[19]

价值正沿着这条链向上移动: https://www.youtube.com/watch?v=v9JBMnxuPX8

[20]

一篇关于垂直 AI 的分析所指出的: https://www.multimodal.dev/post/meet-vertical-ai