本文为 SVTR Thesis 系列第 001 篇：我们只讨论那些会改变行业利润池与估值锚点的底层变量。
过去一年，SaaS 市场的“寒气”不仅来自宏观经济，更来自技术底层的剧烈震颤。当 FactSet 和汤森路透的市值在数周内大幅缩水，华尔街将其归咎于“恐慌”，但身处一线的创业者看到了更本质的危机。
本文作者Nicolas Bustamante是罕见的“双栖”创业者——他曾创立欧洲最大的法律 SaaS 平台 Doctrine，亲手构建了那些传统的护城河；而今，他又创立了 AI Native 的金融研究平台 Fintool，致力于用 LLM 拆除这些壁垒。
他的视角冷静而残酷：LLM 并不是在无差别地毁灭 SaaS，而是在进行一场精准的“去伪存真”。 那些依靠复杂的交互界面（Interface）和工作流锁定客户的公司，正在失去定价权；而那些拥有独家数据和监管牌照的堡垒，却在变得更加坚固。
这是一篇关于“SaaS 终局”的深度推演。无论你是 SaaS 从业者还是投资人，文中的“十条护城河”测试，都值得你逐一检视手中的资产。
过去几周，软件与服务板块经历了至暗时刻，近 1 万亿美元市值凭空蒸发。
数据触目惊心：FactSet 市值从 200 亿美元高点腰斩至不足 80 亿美元；S&P Global 在数周内跌去 30%；汤森路透（Thomson Reuters）一年内市值缩水近半。涵盖 140 家公司的标普 500 软件与服务指数，年初至今已重挫 20%。
这不仅仅是市场的周期性调整。上周，Anthropic 为其 AI Agent 产品 "Claude's Cowork" 推出了行业专用插件。这是一款专为知识工作者打造的工具，它不再仅仅是辅助，而是能够自主处理复杂的研究、分析与文档工作流。
华尔街将其定义为一场“恐慌”。
过去十年，我一直深耕于垂直 SaaS 领域，对此感触颇深。我曾创立 Doctrine，将其打造成了欧洲最大的法律信息平台（直接对标 LexisNexis 和 Westlaw）；随后我又创立了 Fintool，一个基于 AI 的美股研报平台，如今正与彭博（Bloomberg）、FactSet 和 S&P Global 正面竞争。
可以说，我曾亲手构建了如今正被 LLM 威胁的那类软件；而现在，我正在构建那个发起威胁的新物种。
我亲历了这场颠覆性变革的攻守两端。基于此，我的判断是：
大语言模型（LLM）正在系统性地瓦解让垂直软件具备防御性的护城河。
但这并非无差别的毁灭。真相是，市场正在重新划定垂直软件的价值边界，并重估其应得的估值倍数（Multiple）。
在本文中，我们将探讨：
- 垂直软件曾经仰赖的十条护城河，以及 LLM 是如何逐一攻破它们的；
- 为什么市场的抛售在结构逻辑上是合理的，但在时间维度上被非理性放大了；
- 行业面临的真正威胁到底是什么（并不是你以为的那样）；
- 谁将取代垂直软件；
- 垂直软件行业的终局与未来。
一、垂直软件的十大护城河
所谓的“垂直软件”，即专为特定行业打造的操作系统。金融界的 Bloomberg，法律界的 LexisNexis，医疗界的 Epic，建筑界的 Procore，以及生命科学界的 Veeva。
这些公司共享一个显著特征：收费极高，且客户极难流失。
FactSet 的单用户年费超过 1.5 万美元；Bloomberg 终端每个席位高达 2.5 万美元；LexisNexis 每月向律所收取数千美元。而它们的客户留存率，常年维持在 95% 左右。
在我看来，这类软件构筑了十条截然不同的护城河。LLM 正在摧毁其中的一部分，却也让另一部分变得坚不可摧。 看懂这其中的区别，就是这场游戏的全部。
习得性交互界面 (Learned Interfaces) → [被摧毁]
一个 Bloomberg 终端的熟练用户，往往花费了数年时间去记忆快捷键、功能代码和导航路径。GP、FLDS、GIP、FA、BQ——这些代码并不直观，它们本质上是一门语言。一旦你能流利地使用这门语言，切换到另一个平台就意味着瞬间沦为“文盲”。
我听过无数次这样的说法：“我们是 FactSet 的阵地”、“我们是 Lexis 的律所”、“我们是用 Bloomberg 的”。这些表述无关数据质量或功能集，它们谈论的是软件的肌肉记忆。人们投入十年去学习一种工具，这种沉没成本是无法转移的。
这是最被低估的护城河。知识工作者付费，是为了避免重新学习那些他们已经耗费十年才精通的工作流。交互界面（Interface）本身就是核心价值主张。
我在创立 Doctrine 时对此深有体会。我们曾拥有一支设计师团队和一整支客户成功（CSM）军团，他们的全部工作就是“培训”律师使用我们的界面。每一次 UI 的微调都是一个大工程：用户调研、设计冲刺、灰度发布、手把手教学。我们曾花数周时间重新设计一个分面搜索过滤器，仅仅是因为律师们已经对旧版形成了肌肉记忆。界面不再是功能，它就是产品本身。而维护它，曾是我们最大的成本中心之一。
但在 Fintool（我的 AI 创业项目），我们没有用户培训。没有 CSM 教你怎么用。用户只需用大白话输入需求，就能得到答案。因为全是对话，所以没有界面需要学习。那些设计师、CSM、UI 变更管理的成本中心，通通消失了。对话框吞噬了所有的交互脚手架。
LLM 将所有专有的交互界面坍缩为一个简单的对话框 (Chat)。
试想一下今天金融分析师在 Bloomberg 终端上的操作：进入股票筛选功能 -> 使用特定语法设置参数 -> 导出结果 -> 切换到 DCF 模型构建器 -> 输入假设 -> 运行敏感性分析 -> 导出到 Excel -> 制作 PPT。
——每一步都需要习得性的界面知识，每一步都在强化切换成本。
现在看看同一位分析师如何使用 LLM Agent：
“帮我找出市值超 10 亿美元、市盈率低于 30 且营收同比增长超 20% 的软件公司。为前五名建立 DCF 模型，并基于折现率和终值增长率进行敏感性分析。”
三句话。没有快捷键，没有功能代码，没有导航。用户甚至不知道 LLM 查询了哪家数据供应商，他们也不在乎。
当交互界面变成了自然语言对话，多年的肌肉记忆瞬间贬值。支撑每年 2.5 万美元席位费的切换成本随之瓦解。对于许多垂直软件公司而言，界面承载了大部分价值。底层数据往往是授权的、公开的或半商品化的，支撑高溢价的其实是建立在数据之上的工作流。
现在，这个时代结束了。
自定义工作流与业务逻辑 (Custom Workflows) → [灰飞烟灭]
垂直软件将一个行业的实际运作方式进行了代码化。一个法律研究平台不仅仅存储判例法，它还编码了引用网络、Shepardize 信号、摘要分类体系，以及诉讼律师撰写案情摘要的具体逻辑。
这种业务逻辑是数千次与行业专家对话的结晶。在 Doctrine，最难的不是技术，而是理解律师如何工作：从立案到庭审，他们如何制定策略？将这种理解“翻译”成可运行的软件，曾是垂直软件的核心护城河。
LLM 将这一切变成了一个 Markdown 文件。
这是最被低估的转变，也是我认为长期来看最具破坏性的。
传统的垂直软件通过代码来固化业务逻辑：成千上万个 if/then 分支、验证规则、合规检查。这需要工程师耗费数年时间硬编码——而且得是懂行业的稀缺工程师。修改这些逻辑需要漫长的开发、测试、部署周期。
在 Fintool，我们开发了一个“DCF 估值技能”。它告诉 AI Agent 如何进行现金流折现分析：收集哪些数据、如何按行业计算 WACC、验证哪些假设。这只是一个 Markdown 文件。写它花了一周，更新它只需几分钟。 一个做过 500 次估值的基金经理，无需写一行代码，就能将其完整的方法论“教”给 AI。
数年的工程开发 vs 一周的文档撰写。这就是变革。
而且，Markdown 形式的技能更优越：它可读、可审计、可由用户自定义，并且随着底层模型的进化自动变强。曾经需要十年积累的业务逻辑护城河，现在几周内就能被复制。
公共数据访问能力 (Public Data Access) → [商品化]
垂直软件的一大价值主张是“让难以获取的数据变得易于查询”。SEC（美国证监会）文件虽然技术上是公开的，但阅读一份 200 页的 HTML 格式 10-K 年报极其痛苦。FactSet 和 LexisNexis 为此构建了数千个解析器，将非结构化数据转化为结构化查询服务。
LLM 让这一切变得微不足道。
前沿模型（Frontier Models）在训练阶段就已经读懂了 10-K 的结构。它们知道 Home Depot 的股票代码是 HD，理解 GAAP 与 非 GAAP 收入的区别，甚至能解析嵌套的表格。
在 Fintool，我们没有构建任何传统的 NLP 管道或自定义解析器。为什么？因为模型本身就是解析器。投喂一份 10-K，它就能回答任何问题。垂直软件公司花费几十年构建的“解析与结构化”层——这曾是其定价权的核心——现在成了模型自带的免费能力。
人才稀缺性 (Talent Scarcity) → [反转]
过去，你需要既懂金融衍生品结构又懂 Python 的稀缺工程师。这种双重能力的稀缺性构成了天然的进入壁垒。
LLM 彻底翻转了这条护城河。
在 Fintool，我们的领域专家（基金经理、分析师）直接将方法论写入 Markdown。工程部分由模型接管。领域专业知识（Domain Expertise）曾经是无法直接转化为软件的资源，现在却没有了工程瓶颈。
原本稀缺的资源（懂行业的工程师）不再是瓶颈，原本充裕的资源（纯粹的行业认知）现在可以直接转化为软件产品。进入门槛因此轰然倒塌。
功能捆绑 (Bundling) → [削弱]
垂直软件通过“捆绑”相邻功能来扩张。Bloomberg 从市场数据起家，随后捆绑了消息、新闻、交易、合规。S&P Global 以 440 亿美元收购 IHS Markit 也是此意。捆绑包本身就是护城河。
AI Agent 打破了捆绑，因为 Agent 本身就是那个超级捆绑包。
在 Fintool，我们没有独立的“预警模块”或“筛选模块”。一切都是 Prompt（提示词）。Agent 可以在单一工作流中调度十种不同的工具：从源 A 提取数据，从源 B 获取新闻，用工具 C 进行分析。
当集成层从软件供应商转移到 AI Agent 手中，购买昂贵“全家桶”的动力消失了。Agent 可以为每一项任务挑选性价比最高的供应商。这正是聚合理论 (Aggregation Theory) 的实时演绎。
私有与专有数据 (Private Data) → [强化]
这是关键的分水岭。
如果你的数据是 Bloomberg 的实时交易数据、S&P 的信用评级，或者 Dun & Bradstreet 的企业信用档案——这些数据无法被抓取、无法被合成、无法在别处获得。
在 LLM 时代，专有数据的价值不降反升。
它们成为了 AI Agent 极度渴求的稀缺原料。
测试标准很简单： 你的数据能被其他人获取、授权或合成吗？
- 如果能（比如仅仅是整理得更好的公开数据），你面临商品化风险。
- 如果不能，你的护城河将更加坚固。
那些幸存下来的公司，将是那些从“我们能更好地组织公共数据”转型为“我们拥有你无法在别处获得的数据”的公司。具有讽刺意味的是，LLM 加速了两极分化：拥有专有数据的赢家通吃，没有数据的公司将失去一切定价权，沦为 Agent 的廉价供应商。
监管与合规锁定 (Regulatory Lock-in) → [结构性留存]
Epic 在医疗领域的统治地位，源于 HIPAA 合规、FDA 认证以及医院长达 18 个月的实施周期。
HIPAA 不在乎 LLM；FDA 的认证门槛不会因为 GPT-5 而降低。
在合规锁定最强的行业，监管要求甚至会延缓 LLM 的渗透。医院不敢用 AI Agent 替换 Epic，因为 Agent 没有合规背书，也无法承担医疗事故的责任。这条护城河依然稳固。
网络效应 (Network Effects) → [高粘性]
Bloomberg 的聊天功能（IB Chat）是华尔街的通信层。如果你的交易对手都在用，你也必须用。
LLM 很难打破网络效应。 相反，流经这些网络的信息将成为极具价值的训练数据和信号。
交易嵌入 (Transaction Embedding) → [持久]
如果你的软件直接处理资金流（如 Stripe、餐厅支付系统、银行核心系统），LLM 无法让你“去中介化”。它可能会覆盖在你之上成为新的界面，但底层的支付轨道（Rails）依然不可或缺。
核心记录系统地位 (System of Record) → [长期受威胁]
Salesforce 是客户关系的单一事实来源（Source of Truth）。这种地位带来了巨大的不对称优势：留下的成本很高，但离开的风险（数据丢失、业务中断）更高。
LLM 目前并不直接威胁这一点，但 Agent 正在悄悄建立自己的“记录系统”。
Agent 可以读取你的 Slack、Outlook、SharePoint。它会收集用户数据，建立跨会话的记忆文件。随着时间推移，Agent 对用户工作的理解将比任何单一的 CRM 或 ERP 都更全面。
Agent 的记忆将成为新的事实来源。 这不是一夜之间发生的，但随着 Agent 上下文记忆的增长，传统记录系统的护城河正在被慢慢瓦解。
二、最终效应：进入壁垒的全面崩塌
让我们来算一笔总账。
十条护城河中，有五条被摧毁或严重削弱，仅剩五条尚存。 但关键在于：那些被摧毁的，恰恰是过去阻挡新进入者的通用壁垒；而那些幸存的（如独家数据、监管牌照），往往只掌握在极少数巨头手中。
在 LLM 出现之前，想要打造一个能与 Bloomberg 或 LexisNexis 抗衡的产品，你需要数百名既懂技术又懂行业的工程师、数年的研发周期、昂贵的数据授权协议、一支能搞定保守大企业的销售铁军，以及一堆监管认证。 结果就是：大多数垂直领域最终只剩下 2-3 个头部玩家形成的寡头垄断。
而在 LLM 时代，一个拥有前沿模型 API、深厚领域认知和优质数据管道的小型团队，只需几个月就能构建出覆盖垂直软件 80% 核心功能的产品。
我对此深信不疑，因为我正是这么做的。 Fintool 的团队只有 6 个人。我们的客户是那些过去唯 Bloomberg 和 FactSet 马首是瞻的对冲基金。 我们能赢，并不是因为我们有更好的数据，而是因为我们的 AI Agent 能比那些需要多年培训才能精通的终端工作站，更直观、更快速地提供答案。
这里的核心洞察在于：竞争的加剧不是线性的，而是呈现“组合式爆炸”（Combinatorial Explosion）。
这一行不会从“3 个巨头”变成“4 个巨头”，而是会从 3 个变成 300 个。
这正是定价权被彻底击穿的原因。 在 LLM 之前，每个垂直领域的 2-3 个主导者之所以能维持高溢价，是因为进入壁垒高不可攀。 但当 50 家 AI Native 初创公司能以 20% 的价格提供 80% 的能力时，这套估值逻辑就被彻底改写了。
三、深层逻辑：这是一场漫长的迁徙，而非一夜之间的崩塌
尽管大方向没错，但我认为市场对“时机”的判断出现了偏差。
1. 企业级收入不会在一夜之间蒸发
FactSet 的客户签的都是多年期长约；Bloomberg 终端的合同期通常至少两年起步。这些白纸黑字的合同，不会仅仅因为 Anthropic 发布了一个新插件就自动作废。
企业的采购周期是以“季度”和“年”为单位的，而非“天”。 一家管理着 500 亿美元资产的对冲基金，绝不会仅仅因为 Claude 能查询 SEC 文件，就在明天早上切断 S&P Global CapIQ 的服务。 他们需要 12-18 个月的评估期，需要运行试点项目（Pilot Programs），需要重新谈判条款，更需要等待现有合同自然到期。
所谓的“收入悬崖”确实存在，但它更像是一个缓坡，而非垂直的坠落。 在未来的 12-24 个月内，大部分存量收入依然是被锁定的。
2. 致命的“杀估值”逻辑
但这里有一个残酷的金融常识，市场其实早已心知肚明： 股价崩盘并不需要收入即刻下跌，只需要“估值倍数”（Multiple）发生压缩。
一家拥有绝对定价权和 95% 留存率的金融数据公司，过去可能享受 15 倍的市销率（15x Revenue）；但当市场认定这两大支柱（定价权与留存率）都在被侵蚀时，它的估值可能瞬间跌至 6 倍。
即便收入持平，股价也会因此暴跌 60%。 这正是当下许多 SaaS 公司正在经历的惨剧。
市场此刻计入定价（Pricing in）的，并不是“收入的崩塌”，而是“高溢价时代的终结”。 因为支撑那个高倍数的护城河，正在我们眼前溶解。
四、真正的威胁：一场始料未及的“钳形攻势”
真正的威胁不在于 LLM 技术本身，而在于垂直软件巨头们遭遇了一场未曾预料到的“钳形攻势”（Pincer Movement）。
1. 自下而上（From Below）：市场的剧烈碎片化
数以百计的 AI Native 初创公司正在通过 API 渗透进每一个垂直细分领域。 以前，构建一个可信的金融数据产品，需要 200 名工程师和 5000 万美元的数据授权费，高昂的门槛让市场自然垄断在 3-4 家巨头手中。 而现在，当入场券只需 10 名工程师加一个前沿模型 API 时，市场结构瞬间剧烈碎片化。 竞争者不是从 3 家变成 4 家，而是从 3 家变成了 300 家。
2. 自上而下（From Above）：通用巨头的降维打击
通用型（Horizontal）平台正首次大规模入侵垂直领域。 Excel 中的 Microsoft Copilot 现在可以直接进行 AI 驱动的 DCF 建模和财报解析；Word 中的 Copilot 开始接手合同审查和判例研究。 通用工具正在通过 AI（而非传统的工程开发）实现垂直化。
Anthropic 也在从另一个方向做同样的事。作为 Fintool（Anthropic 投资的公司）的创始人，我在近距离观察这一切。 Claude 正全押注于垂直领域。这套打法（Playbook）简单得令人发指：
一个通用的 Agent 框架（SDK）+ 可插拔的数据访问（MCP）+ 领域特定的技能（Markdown 文件）。
仅此而已。这就是从通用走向垂直所需的全部技术栈。不需要领域工程师，不需要数年的开发周期。
五、软件的“无头化”时代
软件正在变得“无头化”（Headless）。 图形界面（GUI）正在消失，一切交互都流经 Agent。 软件本身不再重要。 关键在于谁拥有客户关系和使用场景（Use Cases）——这意味着你必须拥有 Agent 本身。
这正是最讽刺的地方：赋予初创公司垂直深度的技术（LLM + Skills + MCP），恰恰也是让微软等通用平台攻入它们从未涉足领地的利器。
这或许是垂直软件面临的终极生存危机： 像微软这样的 B2B 通用巨头，不再只是“涉足”垂直领域，而是正在激进扩张。 因为这在技术上变得前所未有的简单，更因为在“AI First”的世界里，他们必须掌握工作流和场景，才能避免被边缘化。
六、风险评估框架：谁生，谁死？
并非所有垂直软件的风险敞口都是一样的。以下是我对哪些类别能幸存、哪些将被淘汰的判断框架：
🔴 高风险区：搜索层 (The Search Layer)
如果你的核心价值仅仅是“通过专业界面让数据变得可搜索”，而底层数据本身是公开的或可授权的，那么你现在的处境极其危险。 这包括：基于交易所授权数据构建的金融终端、基于公开判例法的法律检索平台、专利搜索工具，以及任何本质上是“我们为你行业的公开数据做了一个更好的搜索引擎”的产品。
这类公司过去之所以能享受 15-20 倍的市销率，全靠界面锁定和有限的竞争。如今，这两大支柱都在蒸发。 看看那些在过去一年里市值缩水 40%-60% 的金融数据提供商吧。市场的重新定价是完全正确的。
🟡 中风险区：混合投资组合 (The Mixed Portfolio)
许多垂直软件公司兼具防御性业务和高风险业务。 一家公司可能拥有一块真正的专有评级业务（护城河深），同时还有一块主要靠重新包装公开信息的数据分析业务（护城河浅）。 或者拥有一块嵌入交易流的指数授权业务（极具防御性），同时搭配一个纯粹的研究平台（搜索层，极度暴露）。
这类公司股价的下跌（通常在 20%-30%）反映了市场对其估值构成的不确定性。 关键问题是：你的收入中有多少比例来自 LLM 无法触及的护城河？
🟢 低风险区：监管堡垒 (Regulatory Fortresses)
如果你的护城河建立在监管认证、合规基础设施以及与关键任务工作流的深度集成之上，那么在中期内，LLM 对你的竞争地位几乎没有影响。 例如：具备 HIPAA 合规和 FDA 验证的医疗 EHR 系统；拥有监管锁定的生命科学平台；财务合规与报告基础设施。
这些公司甚至可能从 AI 的颠覆浪潮中受益。因为客户会更加依赖那些值得信赖的、能处理受监管工作流的供应商，而把那些仅用于信息检索的供应商替换掉。
终极测试：三个灵魂拷问
对于任何一家垂直软件公司，请问自己三个问题：
数据是独家专有的吗？
- 是 → 护城河稳固。
- 否 → “可访问性”这一层价值正在崩塌。
是否存在监管锁定？
- 是 → LLM 无法改变切换成本的计算公式。
- 否 → 切换成本主要由界面驱动，而界面壁垒正在消融。
软件是否嵌入了交易流？
- 是 → LLM 只是叠加在你之上的新界面，而非替代品。
- 否 → 你随时可能被取代。
七、游走于新旧世界边缘的实战复盘
回望 2016 年我创立 Doctrine 之初，交互界面（Interface） 曾是我们最坚实的护城河之一。
我们针对判例法和立法数据，打造了极其优雅的搜索体验。律师们之所以买单，是因为它比市场上任何竞品都更快、更直观。 尽管底层数据大多是公开的，但正是我们的界面和搜索引擎赋予了这些数据“可访问性”。
但如果今天让我从零开始重做 Doctrine，我将面临一个截然不同的竞争格局： 一个 LLM Agent 查询判例法的效率，已经可以与我们当年精心打磨的界面平分秋色。
垂直 SaaS 正在经历的这场“大洗牌”（Reckoning），并不意味着整个行业的终结。
这是一次价值的拨乱反正。 市场终于开始学会区分： 谁只是披着软件外衣的“搜索壳”，谁才真正拥有 LLM Agent 无法撼动且真正稀缺的资产。
更多互动
作者认为“交互界面”作为护城河已死，但在中国市场，复杂的业务流和独特的客户服务体系（Service）往往也是护城河的一部分。你认为 LLM 在中国 SaaS 环境下，会更快地摧毁界面壁垒，还是会遭遇“水土不服”？欢迎在评论区分享你的看法。