LLM 正在系統性地拆除垂直軟體過去賴以為生的護城河，以前靠「軟體難用」和「流程複雜」賺取高昂溢價的日子結束了，市場正在經歷一場殘酷的價值重估。
作者 | Kozmon
編輯 | 硬 AI
Fintool 創辦人 Nicolas Bustamante 最近在 X 平台上發了一篇「殺人誅心」的深度長文，直接點破了最近軟體股市值蒸發背後的殘酷真相。
作為一位曾經打造過歐洲最大法律科技平台，現在又投身 AI 金融的「雙棲」創業者，他站在新舊時代的交界點上，詳細拆解了垂直 SaaS 產業賴以為生的十大護城河是如何被大型模型一一瓦解的。
Nicolas 認為，LLM（大型語言模型）正在系統性地拆除垂直軟體過去賴以為生的護城河，以前靠「軟體難用」和「流程複雜」賺取高昂溢價的日子結束了，市場正在經歷一場殘酷的價值重估。
我們為大家簡單整理了這篇文章的重點：
1. 「難用」不再是護城河
以前像彭博終端這種軟體，最強的護城河其實是「難用」，使用者花了很長時間學會了那些複雜的快速鍵和代碼，學會了就不想換。但現在，LLM 把所有複雜的介面都收斂成一個聊天框，使用者只要會說人話就能調取資料、調模型，那個讓華爾街為此買單的「熟練度壁壘」瞬間歸零。
2. 業務邏輯從「百萬行程式碼」變成了「一個 Markdown 檔案」
這是最顛覆的一點。以前要複製一個法律或金融工作流，需要懂產業的工程師寫幾年代碼；現在，一個懂行的基金經理人只要寫一個 Markdown 文件（提示詞技能），告訴 AI 怎麼做 DCF 評價，AI 就能執行得很好。核心壁壘從「稀缺的工程師」變成了「廉價的文件」，競爭對手複製你的時間從幾年縮短到了幾週。
3. 靠整理公開資料賺錢的公司很危險
以前把亂七八糟的財報（SEC 文件）整理成可搜尋的資料很值錢，但現在大型模型天生就能讀懂這些文件，前沿模型（如 Claude 或 GPT）天生就讀得懂 10-K 年報和法律文件，它們自己就是最好的解析器。靠「資訊不對稱」和「整理公開資料」賺錢的模式，正在被 AI 無情商品化。「既懂程式碼又懂業務」的稀缺人才不再是瓶頸
現在懂業務的基金經理人不需要學 Python，直接用大白話就能指揮 AI 幹活，這意味著原本稀缺的行業經驗能迅速轉化為軟體產品，競爭對手會越來越多。
4. 獨家資料成了唯一的「免死金牌」
反過來說，如果你手裡有無法被爬取、無法被合成的「私有資料」（比如彭博的即時交易台資料、標普的私有信貸評級），LLM 反而會讓你的價值倍增。因為在 AI 時代，這些資料是所有智慧代理都渴求的「稀缺燃料」，擁有獨家資料的公司將掌握絕對的定價權。
5. 「合規」和「交易」是 AI 啃不動的硬骨頭
別太焦慮，有些護城河 AI 也無可奈何。比如醫療軟體 Epic，它的壁壘是 HIPAA 合規和 FDA 認證；比如 Stripe，它的壁壘是資金處理的牌照和通道。AI 再聰明也過不了監管這一關，也無法在沒有銀行軌道的情況下挪動資金。只要你的軟體「嵌入在交易裡」或者「長在監管上」，你暫時是安全的。
6. 競爭格局從「三國殺」變成「百團大戰」
以前做一個垂直 SaaS 需要 200 個工程師和 5000 萬資料預算，所以每個行業通常只有 2-3 個巨頭壟斷。現在靠 API 和幾個工程師就能做到巨頭 80% 的功能，競爭對手會瞬間從 3 個變成 300 個。這會導致價格體系崩塌，SaaS 公司的高評價倍數將被徹底打回原形。
7. 真正的威脅是「上下夾擊」
垂直 SaaS 現在腹背受敵：下面是數百個 AI 原生新創公司在瘋狂撕咬，上面是微軟、Anthropic 這樣的巨頭透過「通用 Agent + 外掛」的方式直接殺入垂直領域。軟體正在變得「無頭化」，未來使用者可能根本不打開你的軟體，而是透過 AI Agent 直接調用你的服務——如果你淪為單純的「資料供應商」，利潤將被平台徹底榨乾。
以下為原文部分：
深耕垂直軟體十年：我對此次拋售潮的看法
在過去的幾週裡，軟體和服務類股票的市值蒸發了近 1 兆美元。FactSet 的市值從 200 億美元的巔峰跌至不足 80 億美元。標普全球在幾週內下跌了 30%。湯森路透在一年內市值縮水近半。由 140 家公司組成的標普 500 軟體與服務指數，今年迄今已下跌 20%。
上週，Anthropic 發布了針對 Claude Cowork 的行業特定外掛。Claude Cowork 是一款專為知識工作者設計的 AI 智慧代理，能夠自主處理複雜的研究、分析和文件工作流。
華爾街稱之為恐慌。而在過去十年裡，我一直致力於構建垂直 SaaS（Vertical SaaS）。首先是 @Doctrine，現在是歐洲最大的法律資訊平台（與 LexisNexis、Westlaw 等競爭）；然後是 @fintool，一個在美國與彭博、FactSet 和標普全球競爭的 AI 驅動型股票研究平台。
「我曾構建過那種如今正受到大型語言模型（LLM）威脅的軟體。而我現在正在構建的，正是那種發起威脅的軟體。我身處這場顛覆性變革的兩端。」
以下是我所看到的真相：LLM 正在系統性地瓦解讓垂直軟體具備防禦性的護城河。但並非全部瓦解。結果是，垂直軟體的價值構成及其應得的評價倍數正在被重新定義。
在這篇文章中：
讓垂直軟體具備防禦性的十大護城河，以及 LLM 對每一條護城河的影響
為什麼市場拋售在結構上是合理的，但在時間上被誇大了
真正的威脅究竟是是什麼（並非你所想的那樣）
什麼將取代垂直軟體
垂直軟體產業的下一步走向
01
垂直軟體的十大護城河（及 LLM 對每一條的影響）
垂直軟體是為特定行業構建的軟體。比如金融界的彭博，法律界的 LexisNexis，醫療界的 Epic，建築界的 Procore，生命科學界的 Veeva 等。
這些公司有一個共同的定義性特徵：收費高昂且客戶極少流失。FactSet 每位使用者每年的費用超過 15,000 美元。彭博終端每個席位成本為 25,000 美元。LexisNexis 每月向律師事務所收取數千美元。而它們的客戶留存率徘徊在 95% 左右。
我認為存在十條截然不同的護城河。LLM 正在攻擊其中的一部分，同時保留了另一部分。理解哪些被攻擊、哪些被保留，就是這場遊戲的全部。
1. 習得性介面→ 被摧毀
一個彭博終端使用者花費數年時間學習鍵盤快速鍵、功能代碼和導航模式。GP、FLDS、GIP、FA、BQ。這些不是直觀的操作，它們是一門語言。一旦你流利地掌握了它，切換到另一個平台就意味著重新變成文盲。
我聽過無數次這樣的話：「我們是 FactSet 店。」「我們是 Lexis 律所。」「我們是彭博之家。」這些聲明無關資料品質或功能集。它們是關於軟體肌肉記憶的聲明。人們花了十年時間學習這個工具。這種投資是不可轉移的。
這是最被低估的護城河。知識工作者付費是為了不重新學習他們已經掌握了十年的工作流。介面本身就是價值主張的一大部分。
我在 Doctrine 親歷了這一點。我們擁有一支設計師團隊和一支龐大的客戶成功經理（CSM）隊伍，他們的全部工作就是引導律師使用我們的介面。每一個 UI（使用者介面）的改動都是一個專案：使用者研究、設計衝刺、謹慎的發布、手把手的指導。我們會花幾週時間重新設計一個分面搜尋過濾器，因為律師們已經圍繞舊過濾器建立了肌肉記憶。介面不是一個功能，它就是產品。維護它是我們最大的成本中心之一。
在 Fintool，我們沒有入職培訓。沒有 CSM 教人們如何瀏覽產品。我們的使用者用簡單的英語輸入他們想要的內容，然後得到答案。沒有介面需要學習，因為一切都是對話。整個成本中心——設計師、CSM、UI 變更管理——根本不存在。聊天介面吸收了所有的這些支撐結構。
「LLM 將所有專有介面收斂為一個聊天視窗。」
試想一下金融分析師今天在彭博終端上做什麼。他們導航到股票篩選功能。使用專門的語法設置參數。匯出結果。切換到 DCF（現金流折現）模型構建器。輸入假設。運行敏感性分析。匯出到 Excel。製作簡報。
每一步都需要習得的介面知識。每一步都加強了切換成本。
現在考慮同一位分析師使用 LLM 智慧代理做什麼：
「向我展示所有市值超過 10 億美元、本益比低於 30 且營收年增率超過 20% 的軟體公司。為前 5 名建立 DCF 模型。對折現率和終值成長率進行敏感性分析。」
三句話。沒有鍵盤快速鍵。沒有功能代碼。沒有導航。使用者甚至不知道 LLM 查詢了哪個資料提供商。他們不在乎。
當介面變成自然語言對話時，多年的肌肉記憶變得一文不值。那個證明每年 2.5 萬美元席位費合理的切換成本瞬間消解。對於許多垂直軟體公司來說，介面曾是價值的大部分。底層資料通常是授權的、公開的或半商品化的。支撐溢價定價的是建立在資料之上的工作流。那已經結束了。
2. 自定義工作流和業務邏輯→ 蒸發
垂直軟體編碼了一個行業的實際運作方式。一個法律研究平台不僅僅儲存判例法。它編碼了引證網絡、謝潑德引證信號、判例要旨分類體系，以及訴訟律師撰寫摘要的具體方式。
這種業務邏輯的構建耗時數年。它反映了與領域專家進行的數千次對話。當我構建 Doctrine 時，最難的部分不是技術。而是理解律師實際上是怎麼工作的：他們如何研究判例法，如何起草文件，如何從立案到審判構建訴訟策略。將這種理解編碼進可運行的軟體中，是垂直軟體之所以有價值——且具備防禦性——的巨大原因。
LLM 將所有這一切轉化為一個 Markdown 檔案。
這是最被低估的轉變，我認為也是長期最具破壞性的。
傳統的垂直軟體用程式碼編碼業務邏輯。成千上萬個 if/then 分支、驗證規則、合規檢查、審批工作流。由工程師經年累月硬編碼而成……而且不是普通的工程師。你需要真正理解該領域的軟體工程師，這很罕見。找到一個既能寫生產級程式碼又能理解訴訟工作流如何運作，或者 DCF 模型應如何構建的人，極其困難。修改這種業務邏輯需要開發週期、QA（品質保證）、部署。
讓我用我自己的經歷舉一個具體的例子。
在 Doctrine，我們構建了一個法律研究工作流，幫助律師針對給定的法律問題找到相關的判例法。系統需要理解法律領域（民事與刑事與行政），將問題解析為可搜尋的概念，跨多個法院資料庫進行查詢，按相關性和權威性對結果進行排序，並呈現正確的引證上下文。構建這個系統需要一個工程師和法律專家團隊花費數年時間。業務邏輯分散在數千行 Python 程式碼、自定義排序演算法和手動調整的相關性模型中。每一次修改都需要工程衝刺、程式碼審查、測試和部署。
在 Fintool，我們有一個 DCF 評價技能。它告訴 LLM 智慧代理如何進行現金流折現分析：收集哪些資料，如何按行業計算 WACC（加權平均資金成本），驗證哪些假設，如何運行敏感性分析，何時加回基於股票的薪酬。這是一個 Markdown 檔案。編寫它花了一週時間。更新它只需幾分鐘。一位做過 500 次 DCF 評價的投資組合經理可以在不寫一行程式碼的情況下編碼他們的整個方法論。
「多年的工程開發對決一週的寫作。這就是轉變。」
而且不僅僅是速度。Markdown 技能在重要方面表現更好。任何人都可以閱讀它。它是可稽核的。它可以針對每個使用者進行定製（我們的客戶編寫他們自己的技能）。隨著底層模型的改進，它會自動變得更好，而無需我們觸碰一行程式碼。
業務邏輯正在從由專業工程師編寫的程式碼遷移到任何具有領域專業知識的人都可以編寫的 Markdown 檔案。垂直軟體公司花費十年建立的積累業務邏輯現在可以在幾週內被複製。工作流護城河正在極快地受到侵蝕。
3. 公共資料存取→ 商品化
垂直軟體價值主張的很大一部分是讓難以獲取的資料變得易於查詢。FactSet 讓 SEC（美國證券交易委員會）備案文件可搜尋。LexisNexis 讓判例法可搜尋。這些是真正的服務。SEC 備案文件在技術上是公開的，但試著閱讀一份原始 HTML 格式的 200 頁 10-K 年報看看。各公司的結構不一致。會計術語晦澀難懂。提取你需要的實際數字需要解析巢狀表格、追蹤註腳引用、調節重述的資料。
在 LLM 之前，存取這些公共資料需要專門的軟體和大量的工程支撐結構。像 FactSet 這樣的公司構建了數千個解析器，針對每種備案類型、每家公司獨特的格式。隨著格式的變化，成群的工程師維護著這些解析器。將原始 SEC 備案文件轉化為可查詢資料的程式碼曾是真正的競爭優勢。
在 Doctrine，這也是大量的工作。我們為不同的判例法構建了 NLP（自然語言處理）管線：用於提取法官、法院、法律概念的命名實體識別（NER）。專門的機器學習模型按法律領域對判決進行分類。為每個法院定製解析器，每個都有自己的格式怪癖。我們有工程師花了數年時間構建和維護這個支撐結構。這是真正令人印象深刻的技術，也是真正的護城河，因為複製它意味著數年的工作。
在 Fintool，我們沒有構建任何這些東西。零 NER。零自定義解析器。零行業特定分類器。為什麼？因為前沿模型已經知道如何瀏覽 10-K 年報。它們知道家得寶的股票代碼是 HD。它們理解 GAAP（公認會計原則）和非 GAAP 營收的區別。它們可以在不被教導模式的情況下解析部門別揭露的巢狀表格。Doctrine 花費數年構建的解析基礎設施現在是一種商品能力，隨模型免費提供。
LLM 讓這一切變得微不足道。前沿模型已經從它們的訓練資料中知道如何解析 SEC 備案文件。它們理解 10-K 的結構，在哪裡找到營收確認政策，如何調節 GAAP 和非 GAAP 資料。你不需要構建解析器。模型就是解析器。餵給它一份 10-K，它可以回答關於它的任何問題。餵給它聯邦判例法的整個語料庫，它可以找到相關的先例。
垂直軟體花費數十年構建的解析、結構化和查詢現在是基礎模型本身內建的商品能力。資料並非一文不值。但是「使其可搜尋」這一層——這曾是大量價值和定價權所在的地方——正在崩潰。
4. 人才稀缺性→ 翻轉
構建垂直軟體需要既懂領域又懂技術的人。找到一個既能寫生產級程式碼又能理解信用衍生品結構如何運作的工程師極其罕見。這種稀缺性造成了天然的進入壁壘，歷史上限制了任何垂直領域的有力競爭者數量。
LLM 完全翻轉了這條護城河。
在 Doctrine，招聘是殘酷的。我們不僅需要優秀的工程師。我們需要能理解法律推理的工程師：先例如何運作，管轄權如何相互作用，向最高法院上訴的理由是什麼樣子的。這些人幾乎不存在。所以我們自己培養。每週，我們舉行內部講座，由律師教工程師法律體系實際上是如何運作的。一名新工程師需要幾個月才能具備生產力。人才稀缺是真正的障礙，不僅對我們，對任何試圖與我們競爭的人也是如此。
在 Fintool，我們不做任何這些事。我們的領域專家（投資組合經理、分析師）直接將他們的方法論寫入 Markdown 技能檔案。他們不需要學習 Python。他們不需要理解 API。他們用簡單的英語寫下一個好的 DCF 分析是什麼樣子的，LLM 就會執行它。工程部分由模型處理。領域專業知識，這個曾經稀缺的資源，現在可以直接轉化為軟體，而沒有工程瓶頸。
LLM 使工程變得唾手可得，這意味著稀缺資源（領域專業知識）在轉化為軟體的能力上突然變得豐富了。這就是為什麼進入壁壘崩潰得如此劇烈。
5. 捆綁銷售→ 削弱
垂直軟體公司透過捆綁相鄰能力來擴張。彭博從市場資料開始，然後增加了訊息傳遞、新聞、分析、交易和合規。每一個新模組都增加了切換成本，因為客戶現在依賴整個生態系統，而不僅僅是一個產品。標普全球以 440 億美元收購 IHS Markit 正是這種策略。捆綁包變成了護城河。
在 Doctrine，捆綁是成長策略。我們從判例法搜尋開始，然後增加了立法、法律新聞、警報，然後是文件分析。每個模組都有自己的 UI，自己的入職流程，自己的客戶工作流。我們構建了精心製作的儀表板，律師可以在其中配置觀察列表，設置特定法律主題的自動警報，管理他們的研究資料夾。每個功能都意味著更多的設計工作、更多的工程、更多的 UI 表面積。捆綁包將客戶鎖定，因為他們已經圍繞我們的生態系統建立了整個工作流。
LLM 智慧代理打破了捆綁護城河，因為代理本身就是捆綁包。在 Fintool，警報是一個提示詞。觀察列表是一個提示詞。投資組合篩選是一個提示詞。每個功能沒有單獨的模組。沒有需要維護的 UI。客戶說「當我的投資組合中的任何公司在財報電話會議中提到關稅風險時提醒我」，它就能工作。智慧代理在一個單一工作流中協調十個不同的專用工具。它可以從一個來源提取市場資料，從另一個來源提取新聞，透過第三個來源運行分析，並編譯結果。使用者從不知道也不在乎查詢了五個不同的服務。
當整合層從軟體供應商轉移到 AI 智慧代理時，購買捆綁包的動力就蒸發了。當代理可以為每種能力挑選最好（或最便宜）的提供商時，為什麼要為整個套件支付彭博的溢價？
這並不意味著捆綁銷售一夜之間消亡。管理十個供應商關係與一個相比，其營運複雜性是真實的。但方向性的壓力是明確的：代理使「解綁」以以前不可能的方式變得可行。
6. 私有和專有資料→ 更強
一些垂直軟體公司擁有或許可其他任何地方都不存在的資料。彭博收集全球交易台的即時定價資料。標普全球擁有信用評級和專有分析。鄧白氏維護著 5 億多個實體的商業信用檔案。這些資料是幾十年來收集的，通常透過排他性關係。你不能爬取它。你不能重建它。
如果你的資料真的無法被複製，LLM 會讓它更有價值，而不是更少。
彭博來自交易台的即時定價資料？無法被爬取。無法被合成。無法從第三方獲得許可。在 LLM 世界裡，這些資料成為每個智慧代理都需要的稀缺輸入。彭博在專有資料上的定價權實際上可能會增加。
標普全球的信用評級也是類似的。信用評級不僅僅是資料。它是由受監管的方法論和數十年的違約資料支持的意見。LLM 無法發布信用評級。標普可以。
測試很簡單：這些資料能被其他人獲取、許可或合成嗎？如果不能，護城河依然存在。如果能，你就麻煩了。
我在兩家公司都看到了這一點的演變。當我們創辦 Doctrine 時，核心價值是用行業特定的支撐結構層組織公共判例法：分類法、引證網絡、相關性排名。但團隊很早就意識到，僅靠公共資料是不夠的。
大約五年前，Doctrine 開始構建一個獨家內容庫：專有的法律註釋、編輯分析、其他任何地方都不存在的精選評論。今天，這個庫真的很難複製，它已成為真正的護城河。再加上全面轉向 LLM，Doctrine 現在發展得如火如荼！
能在這種轉變中生存下來的公司，是那些從「我們更好地組織公共資料」轉向「我們擁有你在別處無法獲得的資料」的公司。
變化在於：那個智慧層過去需要多年的工程開發。現在它是隨模型而來的一種能力。甚至資料存取本身也正在被商品化。
MCP（模型上下文協議）正在將每個資料提供商變成一個外掛。數十家公司已經作為 MCP 伺服器提供金融資料，任何 AI 智慧代理都可以查詢。當你的資料可以作為 Claude 外掛使用時，「使其可存取」的溢價就消失了。
諷刺的是，LLM 加速了這種分化。擁有專有資料的公司贏得更大。沒有專有資料的公司失去一切。
如果你的資料不是真正獨特的——比如它可以被獲取、許可或在別處合成——你就不安全。你面臨商品化的風險。AI 智慧代理將擁有與客戶的關係。它是使用者互動的介面，是他們信任的品牌，是他們付費的產品。你變成了智慧代理的供應商，而不是客戶的供應商。
這就是聚合理論的即時上演：聚合者（智慧代理）捕獲使用者關係和利潤，而供應商（資料供應商）為了餵養平台而在價格上競爭。如果彭博、FactSet 和十幾個較小的提供商都提供類似的市場資料，智慧代理將路由到最便宜的那個。你的定價權蒸發了。你的利潤率被壓縮。你變成了別人產品的商品化輸入。
7. 監管和合規鎖定→ 結構性穩固
在醫療領域，Epic 的主導地位不僅僅關乎產品品質。它關乎 HIPAA（健康保險流通與責任法案）合規性、FDA（食品藥物管理局）認證，以及醫院必須忍受的 18 個月實施週期。更換 EHR（電子病歷）供應商是一個耗時多年、耗資數百萬美元的專案，實際上會危及患者安全。在金融服務領域，合規要求創造了類似的鎖定。稽核追蹤、監管報告、資料保留政策。所有這些都內建在軟體中。
HIPAA 不在乎 LLM。FDA 認證不會因為 GPT-5 的存在而變得更容易。SOX（沙賓法案）合規要求不會因為 Anthropic 發布了一個新外掛而改變。
Epic 在醫療 EHR 領域的主導地位從根本上說是一個監管護城河。18 個月的實施週期，合規認證，與醫院計費系統的整合。這些都不會受到 LLM 的影響。
事實上，監管要求可能會恰恰在合規鎖定最強的垂直領域減緩 LLM 的採用。醫院不能用 LLM 智慧代理替換 Epic，因為 LLM 智慧代理沒有通過 HIPAA 認證，沒有所需的稽核追蹤，也沒有經過 FDA 驗證用於臨床決策支援。
8. 網路效應→ 粘性
一些垂直軟體隨著更多行業參與者的使用而變得更有價值。彭博的訊息功能是華爾街事實上的通信層。如果每個交易對手都使用彭博，你就必須使用彭博。不是因為資料。是因為網路。
LLM 不會打破網路效應。如果有的話，它們可能會使通信網路更有價值。流經這些網路的資訊變成了訓練資料、上下文、信號。
這同樣適用於任何在行業內充當通信層的垂直軟體。Veeva 在製藥公司之間的網路效應。Procore 在建築利益相關者之間的網路效應。這些具有粘性，因為價值來自於平台上還有誰，而不是來自於介面。
9. 交易嵌入→ 持久
一些垂直軟體直接位於資金流中。餐廳的支付處理。銀行的貸款發放。保險公司的理賠處理。當你嵌入交易中時，切換意味著中斷營收。沒有人會自願那樣做。
如果你的軟體處理支付、發放貸款或結算交易，LLM 不會去仲介化你。它可能會作為一個更好的介面位於你之上，但軌道本身仍然至關重要。
Stripe 並未受到 LLM 的威脅。FIS 或 Fiserv 也沒有。交易處理層是基礎設施，不是介面。
10. 記錄系統地位→ 長期受威脅
當你的軟體是關鍵業務資料的權威真相來源時，切換不僅僅是不便。它是存在性風險。如果資料在遷移過程中損壞怎麼辦？如果歷史記錄丟失怎麼辦？如果稽核追蹤中斷怎麼辦？
Epic 是患者資料的記錄系統。Salesforce 是客戶關係的記錄系統。這些公司受益於留下的成本（高額費用）與離開的成本（潛在的資料丟失、營運中斷）之間的不對稱。
LLM 今天並不直接威脅記錄系統的地位。但智慧代理正在悄悄地建立它們自己的記錄系統。
正在發生的事情是：AI 智慧代理不僅僅查詢現有系統。它們讀取你的 SharePoint、你的 Outlook、你的 Slack。它們收集關於使用者的資料。它們編寫詳細的記憶檔案，這些檔案在工作階段之間持久存在。當它們執行關鍵操作時，它們儲存該上下文。隨著時間的推移，智慧代理累積的使用者工作圖景比任何單一記錄系統都更豐富、更完整。
智慧代理的記憶變成了新的真相來源。不是因為任何人計劃這樣做，而是因為智慧代理是看到一切的那一層。Salesforce 看到你的 CRM 資料。Outlook 看到你的郵件。SharePoint 看到你的文件。智慧代理看到這三者，並且記得。
這不會一夜之間發生。但在方向上，智慧代理正在從頭開始構建它們自己的記錄系統。隨著智慧代理上下文記憶的增長，傳統記錄系統的護城河在減弱。
02
最終結果：進入門檻降低
把所有這些加起來。五個護城河被摧毀或削弱。五個保持穩固。但那些破裂的護城河正是將競爭對手拒之門外的那些。那些保持穩固的護城河是只有部分現有巨頭才擁有的。
在 LLM 之前，建立一個彭博或 LexisNexis 的可靠競爭對手需要數百名懂領域的工程師、數年的開發時間、大規模的資料許可交易、能向保守企業銷售的銷售團隊以及監管認證。結果：大多數垂直領域只有 2-3 個真正的競爭對手。
在 LLM 之後，一個小團隊利用前沿模型 API、領域專業知識和良好的資料管線，可以在幾個月內構建出一個能處理垂直軟體 80% 功能的產品。我知道這一點，因為我已經做到了。Fintool 是由一個六人團隊建立的。我們服務於以前完全依賴彭博和 FactSet 的對沖基金。不是因為我們有更好的資料。而是因為我們的 AI 智慧代理比那個需要多年培訓才能掌握的終端/工作站能更快、更直觀地提供答案。
關鍵的洞察是，競爭不是線性增加的——它是組合式爆發。你不是從 3 個現有者變成 4 個。你是從 3 個變成 300 個。這就是摧毀定價權的原因。在 LLM 之前，每個垂直領域有 2-3 個主導玩家，因為進入壁壘不可逾越，所以它們擁有溢價能力。當 50 家 AI 原生新創公司能以 20% 的價格提供 80% 的能力時，這個數學邏輯完全改變了。
03
關鍵：這是一個多年的過渡，而非一夜之間的崩潰
這就是我認為市場在時間判斷上出錯的地方，即使方向是對的。
「企業收入不會一夜之間消失。」
FactSet 的客戶簽訂的是多年合約。彭博終端合約通常至少 2 年。這些合約不會因為 Anthropic 發布了一個外掛就蒸發。
企業採購週期是以季度和年來衡量的，而不是天。一家 500 億美元的對沖基金不會因為 Claude 可以查詢 SEC 備案文件就明天拆除標普全球 CapIQ。他們會在 12-18 個月內評估替代方案。他們會運行試點專案。他們會談判合約條款。他們會等待現有合約到期。
「收入懸崖是真實的，但它是一個斜坡，而不是懸崖。當前的收入在未來 12-24 個月內大部分已被鎖定。」
但市場已經理解的一點是：你不需要收入下降才會導致股價崩盤。你需要的是評價倍數壓縮。一家金融資料公司在擁有定價權和 95% 留存率時可能以 15 倍營收交易，而當市場認為這兩者都在受到侵蝕時，可能以 6 倍營收交易。收入持平。股價下跌 60%。這正是目前發生在一些公司身上的事情。
市場並不是在為收入崩潰定價。它是在為溢價倍數的終結定價，因為證明該倍數合理的護城河正在溶解。
04
真正的威脅
真正的威脅不是 LLM 本身。它是垂直軟體現有巨頭沒有預見到的鉗形攻勢。
從下看，數百家 AI 原生新創公司正在進入每一個垂直領域。當構建一個可靠的金融資料產品需要 200 名工程師和 5000 萬美元的資料許可時，市場自然整合成 3-4 個玩家。當它需要 10 名工程師和前沿模型 API 時，市場劇烈碎片化。競爭從 3 變成 300。
從上看，水平平台正首次深入垂直領域。Excel 內部的 Microsoft Copilot 現在可以進行 AI 驅動的 DCF 建模和財務報表解析。Word 內部的 Copilot 可以進行合同審查和判例法研究。水平工具透過 AI 變得垂直化，而不是透過工程。
Anthropic 正從另一個方向做同樣的事情。我正在近距離觀察，因為 Fintool 是一家 Anthropic 支持的公司。Claude 正在全力投入垂直領域。劇本簡單得可怕：一個通用的代理線束（SDK），可插拔的資料存取（MCP），以及領域特定的技能（Markdown 檔案）。就是這樣。這就是你從水平走向垂直所需的整個技術棧。沒有領域工程師。沒有多年的開發。
軟體正在變得無頭化。介面消失了。一切都流經智慧代理。重要的不再是軟體。而是擁有客戶關係和用例，這意味著擁有智慧代理本身。
實現垂直深度的技術，正是讓水平平台終於能夠在它們以前無法觸及的領域競爭的技術。這或许是垂直軟體面臨的最具存在性的威脅：像微軟這樣的水平 B2B 玩家不再只是涉足垂直領域，它們正在積極地擴展進入，因為現在比以往任何時候都更容易，而且因為它們需要擁有用例和工作流，以在 AI 優先的世界中保持相關性。
05
風險評估框架
並非所有垂直軟體都面臨同樣的風險。以下是我如何思考哪些類別能生存，哪些不能。
高風險：搜尋層
如果你的主要價值是透過專門的介面使資料可搜尋和可存取，且底層資料是公開的或可許可的，你就處於嚴重的麻煩中。這包括建立在許可交易所資料之上的金融資料終端、建立在公共判例法之上的法律研究平台、專利搜尋工具，以及任何產品本質上是「我們為你行業的資料建立了一個更好的搜尋引擎」的垂直領域。
這些公司曾以 15-20 倍的營收交易，因為介面鎖定和有限的競爭。兩者都在蒸發。想想那些在過去一年中市值損失了 40-60% 的金融資料提供商。市場重新給它們定價是對的。
中等風險：混合投資組合
許多垂直軟體公司擁有防禦性和暴露性業務線的混合體。一家公司可能擁有真正專有的評級業務，同時也擁有一個主要重新包裝公共資訊的資料分析部門。或者一個指數許可業務（嵌入交易中，非常具有防禦性）旁邊有一個研究平台（純搜尋層，非常暴露）。
這一類別的股價下跌（20-30%）反映了市場對哪部分業務主導評價的不確定性。關鍵問題是：有多少百分比的收入來自 LLM 無法觸及的護城河？
低風險：監管堡壘
如果你的護城河是監管認證、合規基礎設施以及與關鍵任務工作流的深度整合，LLM 在中期內幾乎與你的競爭地位無關。擁有 HIPAA 合規和 FDA 驗證的醫療 EHR 系統。具有監管鎖定的生命科學平台。金融合規和報告基礎設施。
這些公司甚至可能受益於其他地方的 AI 顛覆，因為客戶會圍繞他們信任的受監管工作流供應商進行整合，同時從他們用於資訊檢索的供應商那裡轉出。
06
測試
對於任何垂直軟體公司，問三個問題：
資料是專有的嗎？如果是，護城河穩固。如果不是，可存取性層正在崩潰。
有監管鎖定嗎？如果有，LLM 不會改變切換成本方程。如果無，切換成本主要是介面驅動的，並且正在溶解。
軟體嵌入在交易中嗎？如果是，LLM 位於你之上，而不是取代你。如果不是，你是可替換的。
零個「是」：高風險。一個：中等風險。兩個或三個：你可能沒事。
07
我在兩端建設中學到了什麼
當我從 2016 年開始構建 Doctrine 時，護城河之一是介面。我們在判例法和立法之上構建了漂亮的搜尋體驗。
律師們喜歡它，因為它比市場上的任何其他東西都更快、更直觀。大部分資料是公開的，但我們的介面和搜尋使其可存取。
如果我今天從頭開始構建 Doctrine，該業務將面臨根本不同的競爭格局。LLM 智慧代理可以像我們的介面一樣有效地查詢判例法。
垂直 SaaS 的清算並不是關於所有垂直軟體的消亡。它是關於市場終於開始區分那些擁有真正稀缺資源的公司，和那些在 LLM 智慧代理面前無險可守的公司。