> **来源：[研报客](https://pc.yanbaoke.cn)** # SaaS的解构与"智能即效用" (Intelligence as a Utility) 时代的创投机遇 行业深度报告 | Industry Deep Dive Report # 研究摘要 ABSTRACT 2026年标志着软件行业从传统SaaS向"智能即效用"(IaaS)的根本转型。本研究深度剖析这一范式转移的驱动力、商业模式重构及投资机遇。我们发现，AI原生公司在估值倍数(3.5倍)、人均收入效率(17.4倍)和增长速度(2.7倍)上全面超越传统SaaS。价值正从应用UI层向AI能力层迁移：API/模型层价值占比从 $10\%$ 跃升至 $40\%$ ，而UI层从 $40\%$ 骤降至 $10\%$ 。 我们识别出五大投资赛道——基础大模型开发商、AI编排平台、治理与安全层、高效AI API提供商及垂直领域AI应用，并提供详细的投资组合配置建议。对于企业决策者，订阅IaaS服务相比自建可节省 $62\%$ 成本并快10个月实现价值。本报告为投资者提供把握"拥抱效用、远离应用"这一结构性转变的战略框架。 作者 Vill Yu 日期 2026年2月16日 机构 Kyvill Institute 类型 趋势/主题研究 重要声明：本报告仅供专业投资者参考，不构成投资建议。报告所载信息和观点基于公开来源，Kyvill Institute不对其准确性做出保证。投资涉及风险，过往表现不代表未来结果。未经书面许可，不得以任何形式复制或分发。 # 一、执行摘要 (Executive Summary) # 核心观点 2026年被视为"AI原生"元年，标志着软件行业从"SaaS附带AI功能"向"AI原生架构"的根本转变。这一转变的核心是，软件的价值正在从其用户界面（UI）和捆绑功能，转移到其驱动的业务产出。传统以"坐席"为核心的捆绑型软件正在失效，市场正转向由自然语言驱动、高度个性化且按需获取的"智能即效用"（Intelligence as a Utility, IaaS）模式。 # 范式转移：应用程序的融化 我们正目睹一场"应用程序的融化"(The Melting of Apps)。个人AI助手和自主Agent正使用户能够通过自然语言构建超个性化的工作流，将功能单一的传统应用降级为后台API。AI不再仅仅是辅助人类的"副驾驶"(Copilot)，而是具备代理能力(Agency)、能够跨系统自主完成端到端流程的"数字员工"。 # 投资重点：价值迁移 价值正从应用UI层向更底层的核心能力迁移。我们识别出五大关键投资赛道： 1) 基础大模型开发商 2) AI编排与基础设施平台 3) AI治理与安全层 4) 高效率AI API提供商 5) 深耕垂直领域的AI原生应用 未来的赢家将是那些能够将智能作为"效用"提供、重构工作流而非仅仅提供工具的平台。 # 关键估值驱动因素 在IaaS时代，评估公司价值需关注六大核心指标： 1) AI推理成本效率 2) API调用量与定价模型 3) 专有数据与模型护城河 4) AI研发人才密度 5)ARR/人均效率 6) API客户留存率与生态系统粘性 # 行动结论 建议投资者重新评估仍固守坐席费模式的传统SaaS标的，它们面临增长停滞和估值逻辑崩塌的双重压力。投资策略应转向"拥抱效用，远离应用"，积极布局能够从"产出"中获益的新一代AI原生力量。 # 一、执行摘要(Executive Summary) 2 # 二、传统SaaS的基本面挑战 5 # 2.1"坐席计费"模式的终结 5 # 2.2水平市场的饱和与同质化 6 # 2.3传统架构的瓶颈 6 # 2.4市场数据验证 7 # 三、IaaS模式：自然语言驱动的软件重构 8 # 3.1"应用程序的融化" 8 # 3.2 从辅助到执行的跨越 8 # 3.3"无UI"趋势 9 # 3.4 交互范式的根本改变 9 # 四、价值链重构：核心竞争力向底层迁移 10 # 4.1价值分布的转变 10 # 4.2 集成层的新标准：MCP协议 11 # 4.3 智能层的中心化 12 # 4.4 边缘AI与端侧代理 12 # 五、商业模式的重塑：从订阅到产出 13 # 5.1定价模式演变时间线 13 # 5.2 混合定价与基于结果定价 13 # 5.3 成本结构的压力 13 # 六、竞争格局分析：AI原生公司的全面超越 14 # 6.1估值倍数：AI原生公司的显著溢价 14 # 6.2人均收入效率：AI驱动的组织变革 15 # 七、关键估值驱动因素 16 # 八、成本效益分析：构建 vs. 订阅 17 # 8.1总拥有成本(TCO)与投资回报(ROI) 17 # 8.2 不同规模企业的选择 18 # 8.3 成本构成与机会成本 18 # 九、投资建议与重点赛道 19 # 9.1赛道一：基础大模型开发商 19 # 9.2赛道二：AI编排与基础设施平台 19 # 9.3赛道三：AI治理与安全层 19 # 9.4赛道四：高效率AI API提供商 21 # 9.5赛道五：垂直领域AI原生应用 21 # 9.6投资组合建议 22 # 十、风险评估 23 # 十一、结论 24 # 参考文献 25 # 免责声明 26 传统SaaS的增长神话正面临前所未有的结构性挑战，其赖以生存的商业模式和技术架构正在被AI原生浪潮所侵蚀。 # 2.1"坐席计费"模式的终结 "按人头收费"的坐席模式是SaaS行业的基石，但随着AI Agent的崛起，这一模式已无法捕捉AI创造的巨大价值，甚至陷入了"掉落的尖刀"困境。 "掉落的尖刀"困境(The Falling Knife Dilemma): 传统SaaS公司每增加一个强大的AI功能，就可能减少一个甚至多个付费坐席的需求。例如，一个高效的AI客服Agent可以替代多个传统的人工坐席。这使得SaaS公司在拥抱AI时陷入两难：不采用AI将被市场淘汰，但采用AI又可能侵蚀自身的核心收入基础。 如下图所示，坐席模式的收入增长已显现疲态，而基于结果的定价模式则展现出指数级增长潜力，两者在3年内的收入轨迹形成了鲜明对比。 Pricing Model Revenue Trajectory Comparison (3-Year) 定价模式收入轨迹对比显示，结果定价模式（紫色线）在3年内呈现指数级增长，远超坐席模式（灰色线）。 # 2.2水平市场的饱和与同质化 通用型（水平）SaaS市场已极度拥挤，产品功能趋于同质化，差异化变得异常困难。在CRM、项目管理、人力资源等领域，领先者已经确立，后来者难以通过功能迭代实现超越。AI的出现进一步加剧了这一趋势，因为底层模型能力的通用性使得简单地增加一个"AI聊天框"无法构成真正的护城河。 # 2.3传统架构的瓶颈 传统SaaS架构是为人类交互设计的，遵循CRUD（创建、读取、更新、删除）原则，其特点是同步、线性和可预测的交互流程。然而，AI原生应用需要处理的是异步、非线性、高并发的推理负载，传统架构在以下方面存在明显瓶颈： ■ 高昂的推理成本：传统架构未对AI推理进行优化，导致每次调用成本高昂。 - 数据孤岛：数据被锁定在不同的SaaS应用中，AI Agent难以跨系统获取完整的上下文。 - 缺乏可扩展性：难以支持数千个Agent同时运行并与外部系统交互。 # 2.4市场数据验证：增长势头的分化 为了量化这一趋势，我们对比了传统SaaS市场与新兴的AI API及AI SaaS市场的增长潜力。数据显示，虽然传统SaaS市场依然庞大，但其增长已显疲态，而由AI驱动的市场则展现出惊人的爆发力。 Market Growth Rate Comparison (2024-2030) 市场增长率对比显示，AI API市场CAGR达到 $32.2\%$ ，AI SaaS市场达到 $38.3\%$ ，远超传统SaaS的 $14\%$ 。 ■传统SaaS市场：预计2024年至2030年的复合年增长率（CAGR）约为 $13 - 15\%$ [1,2]。市场虽然仍在增长，但增速已趋于平稳，显示出成熟市场的特征。 AI API市场：预计2025年至2030年的CAGR高达 $32.2\%$ [3]。这反映了企业越来越多地绕过传统应用，直接调用底层AI能力来构建自己的智能化解决方案。 ■ AI SaaS市场：作为SaaS与AI结合的过渡形态，其增速也达到了 $38.28\%$ [4]，远超传统SaaS。这表明集成AI功能已成为SaaS公司维持增长的必要手段。 结论：AI相关市场的增长速度是传统SaaS市场的2倍以上，这清晰地表明市场资金和需求正快速向IaaS模式倾斜。价值从应用层向能力层的转移已在宏观市场数据中得到验证。 # 三、IaaS模式：自然语言驱动的软件重构 IaaS模式的核心是软件的交互方式和价值载体发生了根本改变，从图形界面转向自然语言，从捆绑功能转向按需效用。 # 3.1 "应用程序的融化" (The Melting of Apps) 我们正在进入一个"无应用"或"应用融化"的时代。个人AI助手（如Moltbot, Clawdbot）和企业级AI Agent，允许用户通过自然语言直接描述需求，动态地组合多个工具和API来解决特定问题。例如，用户可以说："总结上周所有关于'Project Titan'的邮件和Slack消息，识别出关键风险，并为我起草一封给管理层的汇报邮件。"在这个过程中，邮件客户端、Slack和文档工具都退化为后台被调用的API，用户无需在多个应用之间切换。 # 3.2 从辅助到执行的跨越 AI正在从"副驾驶"(Copilot）进化为具备代理能力（Agency）的"执行者"(Agent)。Copilot模式下，AI提供建议，最终决策和执行仍由人类完成。而在Agent模式下，AI被授予权限，可以自主地、端到端地完成整个工作流，例如自动预订差旅、管理供应链库存、甚至执行代码调试和部署。 # 3.3 "无UI"趋势 (No-UI Paradigm) 随着AI Agent成为主要的交互入口，传统软件的用户界面（UI）的重要性被前所未有地削弱。用户将更多地与一个统一的"智能中心"通过自然语言互动，而非与数十个独立的SaaS应用界面打交道。 市场预测：我们预计，到2026年底，自主Agent将取代 $20\% - 30\%$ 的SaaS UI交互。这意味着企业和个人用户将大幅减少直接登录和操作传统SaaS界面的时间。 # 3.4 交互范式的根本改变 IaaSU的兴起正在推动软件交互范式从图形用户界面（GUI）向自然语言界面（LUI）的根本转变。这不仅改变了用户体验，更重塑了软件的开发和分发模式，极大地降低了使用门槛，并前所未有地提升了个性化水平。 在IaaS时代，软件的价值链正在被彻底重构。价值正从过去占据主导地位的应用UI层，向下沉淀到更底层的AI能力和基础设施层。 # 4.1 价值分布的转变 下图清晰地展示了从传统SaaS到IaaS时代的价值分布变化。在传统模式下，UI/UX层和应用逻辑层占据了超过 $75\%$ 的价值。而在IaaS时代，API/模型层和AI编排层合计占据了 $75\%$ 的价值，UI/UX的价值占比则从 $40\%$ 骤降至 $10\%$ Value Distribution Shift: Traditional SaaS vs IaaS Era 价值分布对比显示，IaaS时代API/模型层价值占比从传统SaaS的10%跃升至40%，成为新的价值高地。 # 4.2 集成层的新标准：MCP协议 Model Context Protocol (MCP) 正在成为AI时代的"USB-C"[5]。这个由Anthropic开源的协议，统一了AI Agent与外部工具和数据源的连接方式。过去，每个AI应用都需要为每个SaaS工具编写专门的接口（ $\mathrm{N} \times \mathrm{M}$ 的集成复杂度）。现在，通过MCP，AI应用（作为MCP客户端）和SaaS工具（作为MCP服务器）只需各实现一次协议，即可实现"即插即用"的万级连接（ $\mathrm{N} + \mathrm{M}$ 的集成复杂度）。MCP的普及将极大降低数据访问的壁垒，使AI Agent能够在不同SaaS工具间无缝流动上下文，这是实现真正自主工作流的关键前提。 Model Context & Prototyping Architecture MCP enables seamless, standardized connections between AI models and diverse data sources MCP协议架构图展示了其作为标准化连接层，如何简化AI应用与多样化数据源之间的交互。 # 4.3 智能层的中心化 过去，企业追求的是"单一管理平台"(SinglePaneofGlass），试图将所有应用的UI整合到一个仪表板中。未来，企业将转向"智能层的中心化"(SinglePaneofAI)。这意味着企业将构建一个统一的AI编排层，通过API聚合来自不同提供商（OpenAI,Anthropic,Google等）的模型能力，并根据任务需求动态调度最合适的模型。UI的集中化不再重要，智能的集中化和高效编排成为核心。 # 4.4 边缘AI与端侧代理（Edge AI） 出于对隐私、延迟和成本的考虑，AI推理正从云端向边缘和端侧设备迁移。拥有强大硬件和操作系统控制权的厂商（如苹果在其"Apple Intelligence"战略中展示的）具备天然优势。能够在本地设备上运行的、持久化的个人AI Agent，可以安全地访问用户的个人数据（邮件、日历、照片），提供高度个性化且无需将敏感信息上传云端的服务。这一趋势意味着，价值正部分地向掌握硬件入口的OS厂商和能够提供高效端侧推理方案的平台转移。 IaaS的兴起正迫使软件行业重新思考其商业模式，核心是从为"使用权"(坐席）付费，转向为"产出"(结果）付费。 # 5.1定价模式演变时间线 (2020-2026) 下图展示了SaaS定价模式的剧烈演变。坐席订阅模式的市场采纳率预计将从2020年的 $85\%$ 骤降至2026年的 $25\%$ 。与此同时，消费型定价和基于结果的定价模式则迅速崛起，合计占比将超过 $70\%$ 。 定价模式演变图显示，到2026年，消费型和基于结果的定价模式将主导市场，取代传统的坐席订阅模式。 # 5.2 混合定价与基于结果定价 我们观察到市场正广泛采用混合定价（订阅+消费）和基于结果（Outcome-based）的定价模式。一个典型的例子是Intercom的AI客服Agent Fin，其定价为每次成功解决0.99美元[6]。这种模式的革命性在于，它将供应商的收入与客户的成功直接挂钩，完美契合了AI Agent作为"执行者"的价值主张。Gartner预测，到2025年，超过 $30\%$ 的企业SaaS解决方案将包含某种形式的基于结果定价组件[7]。 # 5.3 成本结构的压力 AI原生SaaS的成本结构与传统SaaS截然不同。由于高昂的AI推理成本，AI原生公司的毛利率（普遍在 $50 - 60\%$ ）显著低于传统SaaS公司（通常为 $80 - 90\%$ ）。这对投资者提出了新的要求：必须关注那些具备高效推理成本控制和代币优化（Token Markup）能力，即能够以高于自身模型成本的价格向客户收费的提供商。 IaaS巨头，展现出截然不同的商业模式和增长潜力。 # 6.1 估值倍数：AI原生公司的显著溢价 资本市场已经对两种模式给出了截然不同的定价。AI原生公司的估值倍数远高于传统SaaS公司，反映了投资者对其未来增长潜力和颠覆性价值的高度认可。 Valuation Multiples: Traditional SaaS vs AI-Native Companies 估值倍数对比显示，AI原生公司（如OpenAI,Anthropic）享有39-41x的EV/Revenue倍数，是传统SaaS的3.5倍以上。 传统SaaS公司的EV/Revenue倍数稳定在7-16x区间[8,9]。 ■ AI原生公司如OpenAI和Anthropic，其估值倍数则高达39-41x[10,11]，溢价率达到惊人的2.4至5.8倍。这种巨大的估值差异是市场对IaaS模式长期价值的直接体现。 # 6.2 人均收入效率：AI驱动的组织变革 AI原生公司不仅在估值上领先，其组织效率也远超传统软件企业。通过AI自动化核心流程和API驱动的商业模式，它们能够以极少的人力创造巨大的收入。 传统SaaS公司的人均年收入通常在20-50万美元之间[12]。 ■ 顶级AI原生公司的平均人均年收入高达348万美元，是传统SaaS公司的17.4倍 [13]。这种指数级的效率提升是IaaS模式颠覆性潜力的核心证据之一，它意味着AI公司可以用更低的运营成本实现更快的规模扩张。 Revenue per Employee Efficiency: Traditional vs AI-Native SaaS 人均收入效率对比显示，AI原生公司人均创收达348万美元，相比传统SaaS实现17.4倍的效率提升。 传统SaaS vs AI原生公司关键指标综合对比 <table><tr><td>指标</td><td>传统SaaS (平均)</td><td>AI原生公司 (平均)</td><td>倍数差异</td></tr><tr><td>估值倍数 (EV/Revenue)</td><td>8.5x</td><td>29.5x</td><td>3.5x</td></tr><tr><td>人均收入 ($/员工)</td><td>$200K</td><td>$3,480K</td><td>17.4x</td></tr><tr><td>年增长率 (YoY)</td><td>14%</td><td>38%</td><td>2.7x</td></tr><tr><td>毛利率</td><td>75%</td><td>58%</td><td>0.77x</td></tr><tr><td>客户留存率 (NRR)</td><td>105%</td><td>130%</td><td>1.2x</td></tr><tr><td>销售效率 (Magic Number)</td><td>0.8</td><td>1.5</td><td>1.9x</td></tr></table> 绿色表示AI原生公司优势|橙色表示传统SaaS优势 关键指标综合对比表显示，AI原生公司在估值倍数(3.5x)、人均收入(17.4x)、年增长率(2.7x)等多项指标上全面超越传统SaaS。 # 七、关键估值驱动因素 在IaaS时代，评估一家公司的价值需要一套全新的框架。我们认为，以下六大因素是决定AI原生公司长期价值的关键： ■ AI推理成本效率：这是IaaS模式的"单位经济学"核心。能否在保证模型性能的同时，持续降低每次API调用的成本，直接决定了公司的毛利率和定价能力。拥有自研芯片、模型压缩技术或算力优化能力的公司将建立深厚的成本护城河。 - API调用量与定价模型：API的活跃调用量是衡量平台健康度的"日活用户"。灵活且能最大化价值的定价模型（如按token计费、按查询质量分级、按需提供算力）是实现商业化的关键。 - 专有数据与模型护城河：在基础模型能力趋同的背景下，独有的、高质量的专有数据集成为构建差异化优势的关键。通过在特定领域数据上进行微调（Fine-tuning），公司可以构建出性能远超通用模型的专业模型，形成难以逾越的竞争壁垒。 ■AI研发人才密度：顶级的AI研究员和工程师是推动创新的核心引擎。核心技术团队的质量、在前沿研究（如模型架构、算法优化）方面的突破能力，是公司保持长期领先的根本保障。 ARR/人均效率：如前文所述，远超行业平均的人均ARR是衡量AI原生公司运营效率和可扩展性的黄金标准。这一指标直接反映了AI对组织和业务流程的自动化改造程度。 ■ API客户留存率与生态系统粘性：高客户留存率（特别是Net Revenue Retention $>130\%$ ）表明客户对API服务的深度依赖[14]。通过提供丰富的工具、开发者社区和第三方集成，构建强大的生态系统，可以锁定客户，提升平台价值。 对于大多数企业而言，采纳AI能力面临一个关键决策：是投入巨资自建AI基础设施，还是直接订阅第三方IaaS服务？我们的财务模型显示，对于绝大多数企业，订阅是更具成本效益和战略优势的选择。 # 8.1总拥有成本（TCO）与投资回报（ROI） 我们的模型显示，在3年周期内，订阅方案的总成本远低于自建方案，并且能更快地产生业务价值。 3-Year Total Cost of Ownership (TCO) Comparison 3年期总拥有成本对比显示，订阅方案($2.93M)仅为构建方案($7.70M)的38%，可节省62%的成本。 成本节约：订阅方案的3年期TCO（约293万美元）仅为构建方案（约770万美元）的 $38\%$ ，可节省超过 $60\%$ 的成本。 - 价值实现速度：订阅方案在部署后第1个月即可开始产生业务价值，而自建方案需要至少6个月的开发周期，价值实现存在显著延迟。 Business Value Realization Timeline Comparison 业务价值实现时间对比显示，订阅方案从第1个月即可产生价值，而构建方案需要6个月开发期，订阅方案领先10个月。 # 8.2 不同规模企业的选择 成本效益比随企业规模而变化。对于中小型企业，订阅的成本优势极为明显。对于超大型企业，虽然成本差距缩小，但考虑到机会成本和维护复杂性，订阅通常仍是更优选。 3-Year Total Cost Comparison by Company Size 不同规模企业3年总成本对比显示，小型企业订阅模式节省 $90\%$ ，中型企业节省 $79\%$ ，大型企业节省 $67\%$ ，订阅模式对各规模企业均有显著成本优势。 # 8.3 成本构成与机会成本 自建方案的成本远不止初期的开发投入。人员维护和巨大的机会成本（核心人才被牵扯在非核心业务上）是隐藏的主要开销。 正如Doctolib的AI副总裁所言："构建我们的核心业务，购买那些会成为副业的项目。" [15] 将宝贵的工程资源投入到已被专业厂商解决的基础设施上，对大多数公司而言是严重的战略资源错配。 3-Year Cost Composition Comparison Subscription Model Total: $3.18M 成本构成对比显示，构建方案总成本1100万美元（人员维护 $49.1\%$ 、机会成本 $18.2\%$ 、初始开发 $13.6\%$ ），而订阅方案仅需318万美元（订阅费用 $90.6\%$ ），结构更简单透明。 传统SaaS的价值链正在被IaaS模式解构。投资者应将注意力从应用层转移到支撑企业完成"SaaS到IaaS"转型的基础设施和能力层。以下五大赛道代表了这一转型中最具投资价值的方向。 # 9.1赛道一：基础大模型开发商——IaaS生态的"发电厂" 在SaaS到IaaS转型中的角色：基础大模型是企业从"软件工具"向"智能效用"转型的核心引擎。它们为企业提供自然语言理解、推理和生成能力，使得传统SaaS的UI界面可以被对话式交互替代，工作流可以被AI Agent自动执行。 # 代表公司： - OpenAI（估值1570亿美元，ARR40亿美元+）—企业AI转型的首选基础设施，GPT-4在企业应用中的渗透率最高。企业客户包括Salesforce（Einstein GPT）、Stripe（支付欺诈检测）、Shopify（商家AI助手）。 - Anthropic（估值200亿美元，ARR70亿美元）一长上下文能力（200K tokens）使其成为企业知识库和文档处理的理想选择。企业客户包括Notion（AI写作助手）、Quora（Poe平台）、DuckDuckGo（AI搜索）。 # 好公司判断标准： - 企业级能力成熟度：是否支持私有部署、数据隔离、合规认证（SOC2、HIPAA等） 成本效率改进速度：每季度推理成本下降幅度（优秀公司应达到20-30%/季度） 企业客户留存率：NRR应超过 $130\%$ ，表明企业客户在持续扩大使用规模 生态系统活跃度：基于其模型构建的企业应用数量和质量 - 长上下文处理能力：支持的上下文窗口大小（企业场景通常需要100K+ tokens） # 9.2赛道二：AI编排与基础设施平台——多Agent时代的"操作系统" 在SaaS到IaaS转型中的角色：企业从SaaS转向IaaS的核心挑战是如何编排多个AI能力（模型、工具、数据源）来完成复杂业务流程。AI编排平台提供了连接、协调和管理多个AI Agent的基础设施，是企业构建"智能工作流"的关键。MCP协议的出现使得这一赛道从"开发者工具"升级为"企业级基础设施"。 # 代表公司： - LangChain（估值2-3亿美元，开发者社区100万+）—最成熟的AI应用开发框架，企业采纳率最高。企业产品包括LangSmith（企业级Agent监控和调试）、LangGraph（复杂工作流编排）。 - Dust.tt（企业AI工作流平台）—专注企业场景的AI编排，支持跨部门的Agent协作。核心能力是将企业内部的SaaS工具（Salesforce、Notion、Slack等）连接为统一的AI工作流。 # 9.3赛道三：AI治理与安全层——企业AI转型的"刚需" 在SaaS到IaaS转型中的角色：当企业从"人工操作SaaS"转向"AI Agent自主执行"时，安全和治理问题从"可选项"变为"必选项"。AI Agent拥有访问企业数据、调用API、执行操作的权限，一旦失控可能导致严重的数据泄露、合规违规或财务损失。AI治理平台是企业安全部署AI的前提条件。 # 9.3.1市场驱动力 随着AI Agent的自主权越来越大，其带来的安全风险也呈指数级增长。Gartner预测，到2026年， $40\%$ 的企业应用将嵌入AI Agent，相比2025年初的不足 $5\%$ 有8倍的增长[16]。这催生了一个全新的、需求刚性的市场：AI治理与安全。 AI Governance & Security Market Size Forecast (2024-2030) AI治理与安全市场规模预测显示，该领域将以91%的CAGR高速增长，成为新的投资热点。 # 代表公司： - Obsidian Security（估值10亿美元，SaaS安全领导者）—从SaaS安全扩展到AI安全，拥有最成熟的企业客户基础。核心能力包括AI Agent行为监控、异常检测、权限审计、合规报告。 - HiddenLayer（AI模型安全专家）—专注AI模型本身的安全（模型投毒、对抗攻击、Prompt注入等）。核心能力为模型扫描、威胁检测、安全加固。 # 好公司判断标准： ■ 威胁检测覆盖度：能够检测和防御的AI特有威胁类型数量（Token劫持、Prompt注入、影子AI等） ■ 合规标准支持：支持的行业合规标准数量 (SOC 2、ISO 27001、HIPAA、GDPR、AI Act等) 企业级部署能力：是否支持私有部署、混合云、多租户隔离 响应速度：从威胁检测到告警的平均时间（优秀公司应在秒级） 误报率控制：在保证高检测率的同时，误报率应低于 $5\%$ # 9.3.2 风险矩阵 风险矩阵图谱识别了AI Agent面临的主要安全威胁，其中数据泄露和权限滥用被列为高风险高影响区域。 # 9.4赛道四：高效率AI API提供商——成本敏感型企业的"优选" 在SaaS到IaaS转型中的角色：许多企业（尤其是中小企业）在SaaS到IaaS转型中面临的最大障碍是成本。高效率AI API提供商通过优化推理引擎、使用开源模型、自研硬件等方式，将AI使用成本降低80-95%，使得更多企业能够负担得起AI转型。它们是"AI民主化"的关键推动者。 # 代表公司： - Together AI（估值33亿美元，Series B 3.05亿美元）一开源模型商业化的领导者，成本优势明显（比OpenAI便宜91%）。企业客户包括Salesforce（Einstein Copilot后端）。 - Groq（AI推理加速芯片+云服务）—自研LPU芯片，推理速度比GPU快10倍，成本降低 $90\%+$ 。超低延迟适合实时对话、语音交互等场景。 # 9.5赛道五：垂直领域AI原生应用——专有数据的"护城河" 在SaaS到IaaS转型中的角色：通用型SaaS在IaaS时代面临"被个人AI助手替代"的风险，但垂直领域的AI原生应用通过积累专有数据、深度行业知识和合规认证，建立了难以逾越的护城河。它们代表了"SaaS到IaaS"转型的终极形态——从"工具"到"智能合作伙伴"。 # 代表公司： - Harvey AI（法律科技，估值50亿美元，ARR 1亿美元）一垂直领域AI应用的标杆，36个月达到1亿美元ARR（SaaS历史最快）。核心能力包括基于大型律所的专有案例数据训练，支持合同审查、法律研究、诉讼策略分 # 9.6 投资组合建议 (Portfolio Construction) 基于以上五大赛道的分析，我们建议投资者构建一个平衡风险与收益的IaaS主题投资组合。核心原则是：在确保基础设施层（模型+编排+安全）占据主导地位的同时，适度配置高成长的应用层标的。 # 核心持仓 (50-60%) ■ 基础大模型开发商（20-25%）：优先配置OpenAI和Anthropic等头部厂商。它们是整个IaaS生态的"发电厂”，具备最强的定价权和生态控制力。虽然估值较高（40x+ARR），但其技术领先性和企业客户粘性足以支撑溢价。 ■AI治理与安全层（15-20%）：随着AI Agent采纳率的爆发式增长（预计2026年达40%），安全与合规需求将成为刚需。Obsidian Security等公司将受益于监管趋严和企业风险意识提升，享有高估值倍数（50-60xARR）。 垂直领域AI原生应用（15-20%）：Harvey AI（法律）、Glean（企业知识）等深耕垂直领域的公司，通过专有数据建立了难以复制的护城河。它们的NRR通常超过150%，ACV超过10万美元，是高质量的长期持有标的。 # 成长持仓 (30-40%) ■ AI编排与基础设施平台（15-20%）：LangChain、Dust.tt等公司处于快速扩张期，受益于MCP协议的普及和企业对多Agent编排的需求激增。虽然估值倍数相对较低（30-40x ARR），但增长潜力巨大。 ■ 高效率AI API提供商（15-20%）：Together AI、Groq等公司通过成本优势（比OpenAI便宜80-90%）吸引成本敏感型客户，是"AI民主化"的推动者。它们的毛利率改善速度是关键看点，适合作为高风险高回报的配置。 估值参考区间 <table><tr><td>赛道类型</td><td>合理估值倍数 (EV/ARR)</td><td>核心关注指标</td></tr><tr><td>基础大模型</td><td>40-60x</td><td>API调用量增长、推理成本下降、NRR</td></tr><tr><td>AI编排平台</td><td>30-50x</td><td>活跃Agent数、任务执行量、集成数量</td></tr><tr><td>AI治理安全</td><td>50-70x</td><td>监控Agent数、威胁事件数、合规通过率</td></tr><tr><td>高效AI API</td><td>20-40x</td><td>成本优势、毛利率改善、企业客户占比</td></tr><tr><td>垂直AI应用</td><td>30-50x</td><td>市场渗透率、NRR、ACV、专有数据规模</td></tr></table> # 投资时机与退出策略 入场时机：当前（2026年初）正是IaaS转型的早期阶段，市场对传统SaaS的重新定价尚未完成。建议在未来12-18个月内完成核心持仓的建仓，重点关注完成B轮及以上融资、ARR超过5000万美元的标的。 退出信号：关注以下三个风险信号：1)基础大模型开源化加速，商业模型利润空间被严重压缩；2)传统SaaS巨头（Salesforce、ServiceNow）通过并购快速缩小技术差距；3)AI推理成本下降速度放缓（季度降幅低于 $10\%$ ），表明技术进步遇到瓶颈。 # 十、风险评估 (Risk Assessment) # 10.1 技术风险 ■ AI幻觉/可靠性风险：AI模型在生成内容或执行任务时可能出现的错误或不准确性，这会影响用户信任和在关键业务场景中的采纳。 开源模型快速迭代：Llama等强大的开源AI模型正在快速迭代，可能压缩商业模型的利润空间，加剧市场竞争。 # 10.2市场风险 ■ 监管政策不确定性：全球范围内对AI技术和应用的监管框架仍在发展中，可能带来业务中断风险和额外的合规成本。 - 现有SaaS巨头快速适应：传统SaaS公司（如Salesforce, ServiceNow）正通过内部整合、收购或快速转型，将其庞大的客户基础与AI能力结合，这可能减缓纯粹IaaS提供商的颠覆进程[17, 18]。 ■ 计算资源成本波动：GPU等关键AI算力资源的供应紧张和价格波动，直接影响AI服务的运营成本和盈利能力。 # 10.3 运营风险 ■影子AI与数据泄露风险：员工未经授权使用的AI Agent（如配置不当的Moltbot实例）可能成为严重的安全漏洞，导致企业凭证和敏感数据泄露[19]。 - "AI牛仔"引发的技术债：为了追求快速上线，企业可能采用缺乏长远规划的"快餐式"AI开发，导致底层架构混乱、难以扩展和治理，最终形成巨大的技术债务。 ■数据隐私与安全合规：严格的数据保护法规（如GDPR，PIPL）对AI模型训练和个人数据的使用构成潜在限制，合规成本高昂。 # 十一、结论 传统SaaS的无限增长模型已告一段落。一个以"智能即效用"为核心的新时代已经来临。未来的赢家将不再是提供最多功能的应用捆绑者，而是那些能够将智能作为"效用"、深度重构工作流、并从"业务产出"中获取价值的平台。 投资策略的核心应是"拥抱效用，远离应用"，重新评估仍固守坐席费模式的传统SaaS标的，积极布局掌握核心AI能力和API服务的公司，以捕捉这场范式转移带来的结构性增长机会。 1. Grand View Research. (2024). Software As A Service Market Size | Industry Report, 2030. 2. Statista. (2026). Software as a Service - Worldwide | Market Forecast. 3. MarketsandMarkets. (2025). AI API Market Size, Share and Global Forecast to 2030. 4. BetterCloud. (2025). The big list of 2025 SaaS statistics that you should know. 5. Anthropic. (2024). Introducing the Model Context Protocol. 6. Intercom. (2026). Fin AI Agent resolutions | Intercom Help. 7. Monetizely. (2025). Outcome-Based Pricing: The Next Frontier in SaaS?. 8. SaaS Capital. (2025). 2025 Private SaaS Company Valuations. 9. Eqvista. (2025). SaaS Index: Revenue Multiples, Valuations & Market Trends. 10. Acquinox. (2025). OpenAI vs Anthropic: Inside the $300B AI valuation gap. 11. Visual Capitalist. (2025). Charted: The Soaring Revenues of AI Companies (2023-2025). 12. SaaSTr. (2024). The New Rule: $500K ARR Per Employee is the New $200K. 13. Web-Strategist. (2025). AI Startups are Dominating Traditional Software in one Key Metric. 14. Pavilion. (2025). 7X Fewer Employees, 4X Faster Growth: What Makes AI Companies Different. 15. Dust.tt. (2025). Build vs. buy AI agents: What 1,000+ enterprise deployments taught us about the real costs. 16. Obsidian Security. (2025). The 2025 AI Agent Security Landscape: Players, Trends, and Risks. 17. Futurum Group. (2025). ServiceNow Q3 FY 2025 Earnings Raise Outlook on AI-Driven Demand. 18. Integrate.io. (2026). Salesforce Data Integration ROI Figures - 50 Statistics. 19. eSecurityPlanet. (2026). Shadow AI and the Growing Risk to Enterprise Security. 本报告由Kyvill Institute("Kyvill")编制，仅供参考，不构成任何投资建议或出售要约。本报告所载信息基于我们认为可靠的公开来源，但Kyvill不对其准确性或完整性做出任何明示或暗示的保证。 本报告中的观点、预测和估计仅代表发布日期的判断，可能会随时更改而无需通知。过往表现不代表未来结果。投资涉及风险，包括本金损失的可能。投资者在做出任何投资决策前，应自行进行尽职调查，并咨询专业财务、法律和税务顾问。 Kyvill Institute及其关联方、员工或代理人对因使用本报告或其内容而产生的任何直接或间接损失不承担任何责任。本报告的版权归Kyvill Institute所有，未经书面许可，不得以任何形式复制或分发。 Kyvill Institute Research www.kyvillinstitute.com