核心数据
2026 年 Q1 Counterpoint Research 全球 LLM 市场数据：
| 指标 | Anthropic | OpenAI |
|---|---|---|
| 收入份额 | 31.4% | 29% |
| 月活用户 | ~1.34 亿 | ~9 亿 |
关键信号：这不是流量排名变化，是企业预算迁移。
Ramp 2026 年 5 月 AI Index：
- 34.4% 参与企业为 Anthropic 付费
- 32.3% 为 OpenAI 付费
核心洞察
Anthropic 不是 SaaS，而是一台前沿智能生产机器。
它生产的不是一个软件模块，而是可以进入多个工作流的前沿智能能力。
旧软件框架为什么解释不了 Anthropic
传统 SaaS vs Frontier AI 对照
| 维度 | 传统 SaaS | Anthropic 这类 Frontier AI |
|---|---|---|
| 增长方式 | 席位扩张 | 真实工作流采用 |
| 续费逻辑 | 功能模块续费 | 模型能力能否进入任务链 |
| 成本结构 | 复制成本和毛利率 | 算力如何在训练/推理/内部效率之间分配 |
| 客户粘性 | 迁移成本 | 企业是否愿意把敏感任务交给模型 |
生产对象的变化
- 传统 SaaS：复制软件功能
- Frontier AI：持续生产智能能力
关键区别：模型不是产品发布后的升级包，而是公司能否继续留在前沿位置的根。
算力包络：CFO 看的第一张表
概念
算力包络（compute envelope）：一整包可以在训练、推理、产品、研究和内部效率之间迁移的资源。
- 早上服务企业客户
- 下午跑内部研发
- 晚上用于下一代模型训练
同一份算力在不同时间尺度上产生不同回报。
CFO 的排期视角
| 需求方 | 诉求 | 风险 |
|---|---|---|
| 客户服务 | 企业调用不能掉链子 | 收入损失 |
| 模型团队 | 下一代模型不能停 | 能力落后 |
| 产品团队 | Claude Code、财务分析工具要吃算力 | 产品延迟 |
CFO 看到的不是「服务器够不够」，而是这几条队伍怎么排。
多芯片平台策略
同时使用 Trainium、TPU、GPU——表面是多供应商采购，深层是建设算力操作系统。
- 不同芯片、代际、工作负载可被编排和迁移
- 不被单一供应链锁住
- 需求曲线突变时保持弹性
不确定性锥
AI 需求和模型能力变化太快，一两个月前的假设可能已过时。
- 买少了 → 收入和模型能力被卡住
- 买多了 → 资本开支压到公司身上
管理的不是确定订单，而是未来选择权。
算力回报的时间结构
算力去向与回报
| 去向 | 直接结果 | 长期回报 |
|---|---|---|
| 服务客户 | 当期收入 + 用户体验 | 企业工作流嵌入 |
| 模型研发 | 下一代能力 | 新任务边界 |
| 内部使用 | 研发/产品/财务提速 | 组织学习速度 |
| 客户反馈 | 产品信号 | 下一轮训练和产品方向 |
只盯着「每个 token 的毛利」会得到很粗的结论。
企业客户买的不是 benchmark 百分点
而是：
- 能不能完成更长任务
- 能不能调用工具
- 能不能写代码
- 能不能在真实业务环境保持可靠
- 能不能进入开发/财务/客服/合规/内部知识系统
能力每往前一步，打开的不是一个新功能，而是一批过去自动化不了的任务。
价格即采用基础设施
企业客户的核心恐惧
最怕成本不可预测。
- 不知道下个月调用模型花多少钱
- 不敢嵌进正式工作流
- 价格像拍卖 → 模型留在实验区
- 价格稳定 → 模型进入日常生产
价格的双重作用
| 作用 | 说明 |
|---|---|
| 利润率按钮 | 直接影响毛利 |
| 采用路径设计 | 决定客户是否敢把模型写进流程 |
一旦模型进入流程，使用从试用变成预算。
Claude Code 的战略意义
不是普通开发者工具，而是 Claude-led product：
- 先假设模型能力会到达某个位置
- 提前构建产品形态
- 让市场看到未来软件开发工作流可能是什么样
应用不只是收入端点，也是能力样板、需求雷达和平台反馈回路。
CFO 自己的团队就是证据
财务工作流变化
| 原来 | Claude 进入后 |
|---|---|
| 收集、整理、格式化数据 | 更快生成报表和复盘底稿 |
| 解释发生了什么 | 更快进入业务含义和资源判断 |
| 周报准备耗时数小时 | 压缩到更短时间，留出战略讨论空间 |
AI 的价值不只是把报告写快一点，而是改变人类在工作流里的位置。
安全即企业信任
安全层级的变化
| 模型用途 | 安全风险层级 |
|---|---|
| 写文案 | 内容层 |
| 代码仓库、财务数据、客户支持、合规流程、内部知识系统 | 企业核心风险 |
企业采购时的安全追问
- 能不能被控制
- 出了问题能不能解释
- 供应商是否愿意认真面对风险
- 产品发布是否有边界
Anthropic 长期投入可解释性、对齐和负责任发布——不只是使命叙事，也是企业客户的采购理由。
资本形成：不是烧钱续命
传统 SaaS 融资 vs Frontier AI 融资
| 传统 SaaS | Frontier AI | |
|---|---|---|
| 融资目的 | 买销售、扩团队、做市场 | 买未来智能能力的生产资料 |
| 产品状态 | 产品完成后再扩大销售 | 产品能力持续变化中重建供给 |
资本形成的意义
- 提前锁定算力
- 维持模型研发下限
- 客户需求上来时不被供给卡住
- 下一代模型未完全确定时继续往前推
文化也是分配机制
资源会场景
研究团队、客户服务团队、产品团队、内部团队——争的不是抽象预算，而是同一批稀缺算力。
- 组织文化不好 → 冲突变成部门政治
- 组织透明、严格辩论、使命对齐 → 冲突被表达为算力回报讨论
谦逊作为预测卫生
承认自己随时可能错 → 更快修正先验判断。
前沿 AI 公司发展越快，旧的季度计划和年度预算越容易失效，组织越需要快速更新假设。
三张表：重新看 Frontier AI 公司
Compute 表
| 关键问题 | 看错时会发生什么 |
|---|---|
| 算力能否持续获得、灵活调度、保住模型研发下限？ | 只看 GPU 账单，把生产资料看成烧钱 |
Adoption 表
| 关键问题 | 看错时会发生什么 |
|---|---|
| 模型是否进入真实工作流，而非停留在试用？ | 只看用户数，漏掉企业预算迁移 |
Trust 表
| 关键问题 | 看错时会发生什么 |
|---|---|
| 企业是否愿意交出敏感任务、数据和流程？ | 只看模型能力，忽略部署边界和采购信任 |
完整循环
算力 → 能力 → 产品采用 → 企业信任 → 资本形成 → 更大算力包络
↑_________________________________________________↓
这台机器一旦运转，就会对传统软件估值形成压力。
资源
- 作者：Bill_DO_A_BIT (@Bill_Do_A_Bit)
- 原文：https://x.com/Bill_Do_A_Bit/status/2055635228283301994
- 访谈来源：Invest Like the Best / Patrick O'Shaughnessy: Krishna Rao - Anthropic CFO on Compute Scaling to 30B ARR and Returns to Frontier Intelligence
- 数据参考：
- Counterpoint Research: Global LLM Adoption and Revenue Snapshot
- Ramp: AI Index May 2026
- The Register: Anthropic tops OpenAI in LLM revenue stakes
- TechCrunch: Anthropic now has more business customers than OpenAI