今年一季度，伴随anthropic的模型性能提升与企业端业务的频繁更新，市场上最悲观的主流叙事是AI将吞噬一切软件，在这样的大背景下，微软股票都创下了08年金融危机以来的最大的季度跌幅，作为全球2B软件的绝对霸主，壁垒高如微软也没有逃脱掉AI吞噬叙事的困扰。

一季度软件股被杀，尤其连微软这种全球 2B 软件霸主都出现极端季度跌幅，说明市场当时交易的不是单一公司基本面，而是一个宏大 terminal-risk 叙事：AI Agent 会绕过传统软件界面、压缩 seat、压缩 NRR、压缩 terminal multiple。

关于叙事对于股价的影响，我前期已经有很多文章来讨论，具体参见前期的系列文章AI、叙事与反身性投资等。

AI带来的同质化解读与二元倾向，市场变得越来越被叙事与注意力主导，一旦一个板块或者公司有负面叙事，一定会被放大，股价波动的幅度会大幅度偏离历史均值，一季度所有的美股软件公司基本上就处在这样的宏大恢弘的叙事中，anthropic吞噬一切几乎成为传播度最高最高的叙事标签，也基本上成为了市场的一致共识，那就是软件行业的terminal value没了，杀估值、杀逻辑、杀事实。这一点在港股也体现得很明显，被认为AI落后字节的腾讯与阿里股价今年以来就一直十分疲弱。

但是叙事与共识不一定是事情的原貌与真相，也不一定是真理。抱团、共识与真相。

但这不是 “AI kill software” 结束，而是进入AI 分层定价阶段的分岔点。

过去一年半市场的交易逻辑是：

AI agent 出现

→ SaaS terminal value 被怀疑

→ 卖方模型还没下修，价格先杀估值

→ “软件”被一刀切降权

→ SaaS 从 compounder 变成 terminal-risk asset

最近的变化是：AI吞噬软件，将变成AI将软件分层。也就是说，市场不再简单问：软件会不会被 AI 吞噬？

而是开始问：这个软件到底是 AI agent 的替代对象，还是 AI agent 必须依赖的系统、数据、流程、权限、治理和基础设施？近期软件抛售更多是投资者情绪快速迁移，而不是所有公司基本面同时恶化。

1. “SaaS 区别对待” 是真正的后验更新

过去市场的粗暴定价是：SaaS = seat-based software = AI 替代风险 = terminal multiple 下修。

现在开始细分为：

应用层里，agent orchestration 可能改变 engagement 和 value capture，尤其是依赖 seat/user license 的产品；但在 platform 和 infrastructure 层，AI agent 通常会增加对数据管理、工作负载编排、安全、恢复等能力的需求，这些能力在 UI 之下，不容易被绕过。

AI 不一定 kill software，但会 kill 掉“只靠人类点击 UI + seat 扩张 + 弱系统地位”的旧 SaaS 估值宪法。

2. 为什么 2B 业务流 SaaS 可能被错杀？

agent 擅长的是：

语言生成
代码生成
信息检索
多步推理
低风险自动化

但企业 2B 业务流的核心不是“生成答案”，而是：

高可靠
低错误率
低合规风险
低权限风险
低运维成本
可审计
可回滚
可追责
可接入既有系统

这就是为什么 HR、ERP、ITSM、财务、合规、数据库、监控、安全、备份、数据治理、施工管理、医疗合规等流程，并不会因为一个通用 agent 出现就被轻易替代。

真正的企业任务函数是：

Task Completion

= 正确结果

× 权限合规

× 数据一致性

× 可审计性

× 异常处理

× 成本可控

× SLA

而不是：Task Completion = agent 生成一段看似正确的文本。

这就是 SaaS 被错杀的核心区域：市场一开始把所有 SaaS 都当成“可被 agent 绕过的 UI”，但有一批 SaaS 其实是 agent 运行所需要的状态机、数据库、权限系统、流程控制层和审计层。

3. agent 成本问题，是这轮重估最被低估的变量

agent 跑业务流面临的token 成本可能是人工一步步对话的N倍。因为企业真实 agent 成本不是：model token price

而是：

agent total cost

= token cost

+ tool call cost

+ context retrieval cost

+ retry cost

+ verification cost

+ permission cost

+ integration cost

+ monitoring cost

+ human override cost

+ mistake/liability cost

+ maintenance cost

企业自研agent 的问题在于：看起来模型调用便宜，但把它变成可靠企业流程很贵。所以企业最后大概率不是每家公司从零自建 agent，而是采购：专业软件公司提供的 agentic workflow。

原因很简单：

专业 SaaS 公司能摊薄研发成本
一个 agent workflow 可以卖给几千个客户。
它们已经拥有数据结构和 workflow 状态
agent 不需要重新理解企业流程。
它们已经接入权限、审计、合规和历史记录
它们可以把 agent 变成产品功能，而不是企业内部实验项目
它们可以用 deterministic workflow 降低 token path length，不是纯 LLM 自由漫游。

所以Agent 不会消灭所有 SaaS；agent 会消灭“没有 workflow ownership 的 SaaS”，但会强化“能够把 agent 产品化、流程化、低成本化、合规化的平台型 SaaS”。这就是为什么专业 SaaS 公司仍然可能有价值：它们可以把 agent 产品化、流程化、低成本化、合规化，而不是让企业自己用通用模型拼装一堆脆弱 workflow。

4. “AI kill software” 的真正受害者是谁？

我会把高风险软件分成四类。

4.1 人力外包型软件 / 服务

这是最直接受损的区域：

低端代码外包
简单网页/应用开发服务
重复性 IT 服务
弱差异化实施服务
模板化内容/设计/测试服务

这里 AI coding agent 的替代逻辑最直接。

4.2 轻量 UI wrapper

如果一个产品只是：

前端 UI

+ 少量 workflow

+ 没有 system-of-record

+ 没有强数据闭环

+ 没有合规责任

那么 agent 很容易绕过它。

4.3 seat-based productivity SaaS

最危险的是：

收入 = 人数 × seat price。如果 AI 让企业少雇人、少开 seat，或者用 agent 完成多人工作，那么原来的 NRR/seat expansion 逻辑会被破坏。

4.4 没有 AI product conversion 的旧 SaaS

如果公司只是说 “我们也有 AI”，但没有体现为：

付费 attach rate
ARPU 提升
retention 改善
workflow 自动化收入
gross margin 可控

那就是叙事型 AI，不是收入型 AI。

5. 谁可能从这轮 “SaaS 区别对待” 中受益？

第一类：多业务线 workflow platform，比如微软或者NOW等;

第二类：Datadog / observability / infrastructure control plane；

DDOG 这类公司的核心逻辑是：

AI workload 增加

→ 系统复杂度增加

→ logs / metrics / traces / security events 增加

→ observability 和 reliability 需求增加

这类不是 “AI 替代软件”，而是：AI 让软件系统更复杂，所以更需要监控、治理、安全、成本控制和故障定位。

以datadog为例，本季度几乎各个业务线都全面提速，电话会表示AI-native 客户增长显著快于整体；AI-native 中有 22 个年化消费 > $1M、5 个年化消费 > $10M 的客户；并且本季度签下两个全球最大科技公司 AI research divisions 的大单，一个是 7 位数 annualized deal，一个是 8 位数 annualized deal，用于 hyperscale AI training workloads 和 GPU Monitoring。

相当于openai跟anthropic是datadog的前两大AI客户，如果说底层软件可以轻松通过vibe coding来实现，当今执牛耳的两个AI巨头也不会把底层监控的业务交给datadog来做，所以anthropic dario天天鼓吹的AI吞噬论，当前营销叙事的成分更大，很多领域vibe coding无法很好解决。

DDOG 的核心不是前端界面，而是长期生产系统能力。

可以 vibe coding 出来的东西：log dashboard、metrics chart、trace viewer、GPU utilization panel、alert UI、简单 anomaly detector。

但 Datadog 真正的壁垒是：

高吞吐 telemetry ingestion
高基数 logs / metrics / traces 存储与查询
低延迟实时分析
跨云、容器、数据库、网络、GPU、LLM、security 的 integration graph
APM + RUM + Logs + Security + LLM Observability 的统一上下文
RBAC / audit / compliance
incident response workflow
on-call 体系
SLO / alerting
成本控制
历史数据沉淀
全球 SaaS 可用性
大量生产事故 edge cases

vibe coding 可以生成 Datadog-like UI，但至少现阶段还完全生成不了 Datadog-like operational trust。

这就是 AI 吞噬软件的边界。

第三类：数据库 / 数据平台 / data infrastructure

Snowflake、Databricks 这类逻辑在于：agent 没有企业数据就无法完成任务；企业数据越复杂，越需要数据库、治理、向量检索、权限、数据质量和 lineage。

第四类：垂直 system-of-record

例如：

建筑管理
医疗合规
生命科学
财务审批
人力资本管理
供应链执行
保险理赔
法律合规

这些领域的问题不是 agent 能不能写文本，而是能不能在复杂规则下可靠执行。

6. 可以开始看多部分 SaaS？

AI吞噬的风险消失了吗？我认为还远没有，不是 “AI 风险消失”，而是市场进入了三阶段后验修复。

第一阶段：Negative Attention Saturation

过去一年半，SaaS 的负叙事已经非常充分：

AI kill software
AI agent bypasses apps
seat compression
terminal multiple collapse

当一个叙事过度拥挤后，边际坏消息杀伤力下降。

第二阶段：Taxonomy Repair

市场开始意识到：

不是所有 SaaS 都是 UI wrapper；
不是所有 SaaS 都靠 seat；
不是所有 SaaS 都会被 agent 绕过；
有些 SaaS 是 agent 的底层运行基础。

这就是 “区别对待”。

第三阶段：Short Cover + Multiple Repair

如果某些软件已经跌了 50%–60%，但基本面没有同步恶化，那么只要卖方叙事从AI kills all software变成AI hurts some, helps some，就足以触发明显反弹。软件板块在 2026 年 Q1 出现了极端相对下跌，IGV 当季跌幅超过 24%，个股做空量处于 2016 年以来高位，说明此前已经存在较强 capitulation 状态。