专栏名称: 共识粉碎机

寻找与共识的不同

共识粉碎机的2024年时间线

共识粉碎机 · 公众号 · · 2025-01-06 12:06

正文

打赏我们一本AI应用百科全书

2024年对于我们来说是非常特别的一年：

我们从一个普通的公众号和AI科技社群走向机构化。
我们与国内领先的咨询机构久谦建立了合作关系，并且幸运地和几位非常优秀分析师同学Rachel、Hongjun、Jiahao、Lantian、Yangwan、Zhonghua一起工作。
我们迎来了Andy的加入，补充了我们对于最前沿技术的理解。
我们出版了第一本书《大模型启示录》，并且第一批印刷已经全部售罄，加印第二批。

2025年开始我们有了很多新的规划， 这些规划可能会在这周后半部分详细和大家沟通。

今天我们先回顾下2024的情况，方便我们的读者和客户都了解我们都做了什么，也对过去的内容进行回顾点评。

1 月

1月我们发表了长文 《大模型未来三年的十个假设》 ，这也是我们2023年初 AI 应用长文 《AI如何颠覆软件：你能为AI打工吗？》 的第二篇。

大模型未来 三年的十个假设

AI如何颠覆软件 ：你能为 AI 打工吗？（全网首篇 AI +SaaS万字深度长文）

回顾这篇文章，2024年的实际路径非常曲折，堪称地狱模式。

软件行业完整地经历了 “过热→没有业绩→被GPU挤占预算→被大模型替代→开始有公司出业绩→仍然贡献很小可能还会过热” 的几次叙事改变。

我们不得不接受对于除了AdTech、AI咨询/定制化领域的少数软件公司外，所有公司的影响都是非常渐变的。

如果我们考虑 AI业绩的影响=今年续签客户占比*客户购买AI渗透率*AI Price Uplift ，那对于大多数公司都是类似30%*30%*20%的年化帮助。

所以又回到了关键问题，compound 2%贡献在软件行业是个非常玄学的数字。

他既可以代表了很多公司的长期增速斜率上移，以5年维度来看可能能贡献10%以上增长和更高的估值重估。

但也说明了，至少在现在的定价模式上就这么点贡献。

所以市场难免在“过热”→“冷却”→“重估”几个环节来回横跳。

成功跑出来的软件公司有几个特征：

行业格局变化，并且AI不仅对ROI有帮助，还可以提高 更敏感弹性更大的TakeRate →APP。
行业格局变化，AI含量高，并且 通过Bootcamp方式占领了制高点 →PLTR。
估值稳定，预算趋势稳定，市场接受了compound 2%贡献，并对 估值重估 →CRM、NOW。
估值不稳定，预算趋势不稳定，但Consumption-based特点让他们的 AI占比跑得更快 ，也让这个行业的 持股体验非常糟糕 →DDOG、CFLT>SNOW。

在经历了第一波热情的冷却后，也开始讨论哪些公司会成为AI Loser：

ADBE已经经历了几次反复横跳，在AI Price Uplift的同时，也看到了设计师数量减少与行业竞争加剧，比如最近在炒的可口可乐的AI广告居然都没用到ADBE。
客服企业也有类似的现状，NICE、FIVN代表的客服公司虽然处于AI改变行业的最前沿，但就像战国七雄里的魏国，前有创业公司，后有MSFT、GOOG、CRM、NOW等横向拓展的大企业，稍微慢点就有丢Seat、丢份额的风险。
RPA代表的自动化行业，开始被视为典型的被AI替代行业，类似UiPath管理层明确表达了 “GenAI给客户带来困惑，客户正在评估哪些任务适合GenAI，哪些任务适合UiPath代表的RPA” 。
到了今年我们很可能还会看到更多的行业，除了设计师、客服、邮件销售，今年有可能程序员会成为更大的重灾区。

在1月我们还有一期很重要的讨论会 《EP14 到了颠覆AI客服的时候了吗？》

EP14 到了颠覆 AI客服的时候了吗？

这其中的产品思路后面看起来是最像 Salesforce Agentforce的思路 。

2 月

2月我们做了一次影响深远的讨论会， 《EP15 RAG带来蓬勃应用生态》 ，以及后续回应的文章 《EP19 长文本与RAG》 。

EP15 RAG带来蓬勃应用生态

EP19 长文本vsRAG(月之暗面对谈 Zilliz)

RAG是个非常纠结的领域，新的技术趋势总让我们很兴奋会带来新的机会。

但实际角度，新的技术趋势也会始终与旧趋势，和更新的技术趋势，来回Debate。

受制于应用场景的基数效应（从很小变成小，然后才会从小变成大），以及场景规模不大的情况下怎么省都行的普遍做法。

创业公司增长很快，但对于Elastic这类大体量上市公司的贡献，也处于听着有道理，实际又看不到贡献的阶段。

甚至属于同一个行业的Data Engineering。听起来没那么Sexy，但贡献却明显大得多。

3 月

3月我们我们写了一篇Data Infra的长文 《Data Infra：大模型决战前夜》 。

Data Infra ：大模型决战前夜

后来发现这个领域更纠结。

Data Infra公司虽然很想做AI，除了Databricks以外的公司，属于卡位很好、先天畸形，理想远大、推进困难。

最后所有人都要回答一个问题， “为什么不选CSP，要选你们？” 。CSP更便宜，GPU容器也不需要转售，有一站式全家桶，有大模型能力，还有OpenAI这样的大客户背书。

过了大半年才发现，Infra公司能够把手头的事情做好就很了不起了，SNOW好好做做Data Engineering和Data Lake，DDOG好好做做Infra Monitor，CFLT 好好做做Kafka 和Flink，MDB好好做做OLTP和文本数据库，这些虽然不是AI行业最Fancy的主线，但确实有需求。

4 月

4月开始，我们正式机构化，将精力放在制作更深入的专题报告，今天也第一次在公众号里提起我们的Key Findings。

4月，我们发布了第一篇投研报告 《算力需求空间》。

这篇报告主要是为了和我们客户讨论 GPU是不是个持续需求：

我们详细拆解了训练场景分年的用卡量。
并将推理场景分到了推荐系统、搜索、文生图、Chatbot、客服电销和各类软件场景，每一类场景我们都提供了详细的参数计算Excel底表，并补上了各个场景的算力消耗典型案例。
从最后的结果来看，可能总数是对的，但进度比我们计算的更快，在25年几乎是一次CAPEX跃升，而不是平滑地增长到2027年。

同期我们发布了第二篇投研报告 《AI与GPU在META中的应用》。

在这篇报告里我们是全行业第一个详细地阐述了：

AI与GPU如何改变了大企业的推荐算法 ，并通过调研计算展示了GPU在推荐系统中取得了什么样的ROI，以及是否向其他平台有推广的意义。
可能是第一个也是唯一一个将META CAPI标签体系搬上研究报告 ，CAPI的影响可能比上面的AI影响更加深远。
为大家计算了Advantage+的分行业产品渗透率，分行业收入弹性。
为大家计算了Sandbox产品（文生图/文生视频在META素材应用）对收入的弹性， 这在后面成为了重要的Advantage+ Creative产品 。
以及AI客服/销售会如何改变未来的Click-to-message产品形态，这个故事直到今天小札才开始讲。

5 月

5月我们发布了 《微软Copilot进展、GenAI售卖场景以及如何影响公有云选择》 报告。

在这篇报告中，我们第一次提出了：

Copilot落地主要受制于数据权限和数据资产梳理 ，大公司往往需要6-9个月时间进行准备，并且准备成本昂贵。
激活率与活跃率是产品体验的直接反映 ，这在上半年也影响了Copilot的销售，并有望在年底解决。
同时我们拆解了API的场景，并且第一次提到模型降本以及生成数据规模减小，直接影响到了API环比增速。

同期我们发布了 《算力租赁与算力平衡》 报告。

在这篇报告中我们提到：

看算力租赁价格要关注长租，和长租/短租比， 市面上充斥的各种短租爬虫价格对于追踪算力租赁的供需紧缺问题几乎完全没有帮助 ，不能被这类数据误导算力已经不再紧缺。
从当时我们跟踪到的排队等待时间来看，算力租赁业务也处于健康状态。
同时我 们拆解了不同算力租赁厂商的UE和毛利情况，其毛利率情况也很健康，都能算过来ROI。