MAU时代的终结，MRR现在也不可信了？

这篇文章并非对所有SaaS的一般性论述，而是围绕AI推理成本直接反映在产品成本与利润率中的AI业务所提出的问题。

开篇

订阅者朋友，您好，我是Oswarld。今天想聊一个略带GTM战略色彩的话题。

今年2月，Anthropic在宣布G轮融资时抛出了一组数字：年化经常性收入（ARR）140亿美元，企业估值3800亿美元，还被冠以“史上增长最快的B2B企业”之名。

然而仅仅一个月后，同一家公司的CFO Krishna Rao在美国国防部的一起诉讼中向法庭提交的宣誓陈述书里，写的却是完全不同的数字：“截至目前累计营收超过50亿美元。”这是公司创立以来赚到的所有钱加在一起的数字。

140亿美元和50亿美元。同一家公司，间隔一个月，出自同一批管理层的两个数字。这个落差的真相，正是今天要讲的主题。科技行业的“通用指标”，又一次面临世代更替。

📐 指标的世代史：从DAU到ARR，再到新的更替

科技行业每个时代都有一个“只要看这个数字就够了”的指标。而当这个指标开始与现实脱节时，新的时代便随之开启。

第一代：DAU/MAU的时代（约2007年～2015年）。 在智能手机和社交媒体爆发式增长的时期，整个行业都被同一个问题主导着：“用户来的频率有多高？” Facebook、Twitter、Instagram的价值，都是用日活跃用户数（DAU）¹和月活跃用户数（MAU）来衡量的。投资者看这个数字，媒体看这个数字，管理层也看这个数字。原因很简单，那是一个只要用户聚集起来，广告收入之类的东西自然就会随之而来的时代。

但问题出现了。DAU都是1亿的两个服务，其业务质量可能完全不同。里面混杂着机器人账号，“活跃”的定义各家公司也不一样，更重要的是，用户数与营收不直接挂钩的服务越来越多。DAU/MAU很好地衡量了关注度的大小，却无法呈现业务的健康状况。

第二代：ARR/MRR的时代（约2015年～2024年）。 随着云计算和SaaS²成为主流，行业的问题变成了：“赚钱的可预测性有多高？” 月度经常性收入（MRR）乘以12得到的年化经常性收入（ARR），成了新的通用语言。

ARR之所以行得通，得益于SaaS的三个特性：毛利率³高达80%至90%，多服务一个客户的边际成本几乎为零，合同真正是“按年”签订、也真正会“重复”发生。在这三个条件下，本月营收×12几乎等于实际的年度营收。董事会能理解它，CFO能预测它，投资者也能用它来做企业间比较。15年来无人认真质疑过它，因为根本没有质疑的理由。

而现在，AI正在同时打破这三个前提。

🔥 AI打破的ARR三大前提

前提1：边际成本几乎为零 → 被打破了。在AI产品中，每一次推理（inference）⁴调用都是实实在在的成本。 用户每生成一段复杂代码、每分析一份长文档，GPU费用就会计入账单。据科技记者Ed Zitron报道，Anthropic在2025年1月至9月期间，仅AWS计算费用就支出了约26.6亿美元，而同期估计营收约为25.5亿美元。也就是说，营收的100%以上都花在了云计算费用上。

前提2：客户之间的成本差异微不足道 → 被打破了。想象两位每月支付2,000美元的客户。A客户跑的是轻量任务，毛利率为78%。B客户每天都在运行大规模、模型密集型任务，毛利率只有31%。在ARR仪表盘上，两者都同样显示为年24,000美元。B客户正在拖垮单位经济学⁵这一事实，ARR根本无从展现。 前5%的客户消耗了整体计算成本的75%，却和其他客户支付同样的固定费用——这正是AI包月定价产品的常态。

前提3：“经常性”得到保证 → 正在动摇。在SaaS里，转换成本很高：数据迁移、员工再培训、工作流重新设计，样样都得来。但AI工具的迁移几小时就能搞定，换个API密钥就行。“经常性（Recurring）”这个前提本身，就是一种乐观假设。 不过，这一点并非在所有AI产品中都同样适用。与工作流、数据深度绑定的产品，转换成本依然很高；反之，以API为中心或使用层被抽象化的产品，转换摩擦可能远低于SaaS。

一旦这三大前提开始动摇，ARR就变成一个难以单独解读的指标。尤其在AI推理成本直接计入产品成本的业务中更是如此。这与DAU不再能说明业务质量时的结构如出一辙。你最近是不是也感觉“增长营销”“效果营销”这些词不太常见了？随着上述三大前提被打破，主导第一代到第二代的那套打法已经不再奏效了。现在需要一套新的语法。

📊 数字的另一面：Anthropic与OpenAI

这不是一个抽象的话题，眼下最受瞩目的两家AI企业正在用实例说明这一点。

Anthropic的ARR从2024年12月的10亿美元起步，宣布在2025年7月达到40亿美元、12月达到90亿美元，再到2026年2月达到140亿美元。14个月增长10倍——这是任何一家B2B软件企业都未曾达到过的速度。然而就在同一年3月9日，CFO向美国法院提交的宣誓陈述书中却写着，公司创立以来的累计营收**“超过50亿美元”**。Ed Zitron根据Anthropic公布的ARR数据反推累计营收，得出的结果至少是66.6亿美元——这个数字既和50亿美元对不上，也和140亿美元对不上。更何况，投入推理与训练的成本已超过100亿美元。

OpenAI也一样。CFO Sarah Friar在2026年1月宣布“2025年ARR已突破200亿美元”。但从2025年9月公布的半年业绩来看，上半年实际营收约为43亿美元，现金消耗为25亿美元，按此推算年度营收节奏约为130亿美元左右，与200亿美元的ARR相距甚远。

正如DAU/MAU时代里“活跃用户”的定义各家不同，ARR时代的“年化”一词，也在以一种与实际年度业绩不同的含义被使用着。而且，这个落差是以数十亿美元为单位计算的。换句话说，与其说“经常性收入”这个概念正在消失，不如说仅凭它已经难以说明业务的质量了。

🔄 第三代指标的候选者

那么，在ARR之后，AI时代的通用语言会是什么呢？目前还没有共识性的答案，但业界正在有力兴起的候选者有两个。

第一，单位支出产出效率（Productivity per Dollar Spent）。 在SaaS时代，“ARR÷员工人数”是衡量企业效率的代表性指标，因为员工是主要成本。但如果AI代理正在处理相当于每周40小时的工作量，那这就不再是软件订阅费，而是劳动力成本。

GTM战略专家Kyle Poyar的建议很明确：分母里不应只有人工成本，还应把AI代理成本一并纳入，即“ARR÷（人工成本+AI支出）”。 一些企业第一次算出这个数字后发现，原本用“ARR÷员工人数”看起来还算健康的效率指标，实际上已经连续下滑了两年。

风险投资人Tomasz Tunguz更进一步，分析了6家AI企业每token的毛利。结果颇为引人注目：每token毛利与企业估值的相关性为0.70，而单纯的token处理量与企业估值的相关性仅为0.47。这说明投资者已经不再关注“做了多少”，而是关注**“留下了多少”**。

第二，第一年价值（First Year Value）。在SaaS领域，LTV/CAC⁶比率是衡量投资效率的核心指标——即客户终身价值除以客户获取成本的比率。但出身CFO的CJ Gustafson表示，把这个指标套用在AI创业公司身上，近乎是一种**“数字游戏”**。

理由很简单：没人知道AI客户的“生命周期”到底有多长。 转换摩擦比历史上任何软件都要低，能替代你的工具几个小时就能部署上线。LTV这个指标假设的是低流失率、可预测的扩张、以及较长的留存期，而AI产品在这三点上都还没有得到验证。

“第一年价值”提出了一个更尖锐的问题：“这个客户是否在头12个月内获得了足以让续约合理化的价值？”如果要等到第二年、第三年才能得出“是”的答案，那么即便LTV数字好看，实际上也可能掩盖着留存问题。

Oswarld视角

回顾指标的世代更替，可以看出一种模式：指标是商业模式的影子。广告模式主导时，DAU/MAU就是王；订阅模式主导时，ARR就是王。 而当商业模式改变、指标却没有随之改变时，这道裂缝中就会产生数十亿美元规模的错觉。

从我制定GTM战略的经验来看，指标从来不只是简单的测量工具，它是决定组织行为的激励结构。以ARR作为KPI的公司，其销售团队会去优化营收规模，而不是优化每位客户的盈利能力。Anthropic宣布140亿美元ARR并获得3800亿美元估值的案例，正好说明了这套结构是如何运作的。

但我认为，这套结构不会长久维持下去。如今，法院宣誓陈述书会曝光累计营收的真实情况，独立记者也在追踪并报道AWS支出。ARR这层“妆容”被卸下的速度正在加快。创业者、消费者、投资者都在变得越来越精明。这也意味着，靠指标玩花样的时代正在走向终结。

• 并不是说只要涉及AI，ARR在所有业务中都会失去意义。但如果是AI推理成本直接计入产品成本、不同客户的使用强度导致利润率差异巨大、且在部分领域转换摩擦也随之降低的商业模式，那情况就不一样了。在这种情况下，ARR仍是一项重要的增长指标，但仅凭它已难以说明业务的质量。我想表达的不是要废弃ARR，而是在AI时代，需要在ARR之上建立一套同时读取成本结构与留存结构的新解读框架。

不过说句实话，新指标最大的瓶颈不在于认知，而在于基础设施。要按客户实时追踪每token毛利，就必须把计费系统、基础设施成本报告、财务团队的电子表格连接为一体。而在大多数AI企业里，这三套系统彼此并不“对话”。第三代指标的引入，归根结底也是一个计费架构的问题。

结语

总结一下：正如DAU/MAU曾是广告模式的语言，ARR曾是订阅模式的语言——在AI时代，我们需要一套能反映成本结构的新语言。 单位支出产出效率和第一年价值，正是这门新语言的初稿。

如果您正在投资AI企业、引入AI产品，或经营AI业务——请不要只问营收，要问毛利；不要只问增长率，要问第一年留下了多少。现在需要的，是一双能读懂数字背后结构、而不只是数字大小的眼睛。

参考资料与延伸阅读

• Ed Zitron，“Why Are We Still Doing This?”，Where’s Your Ed At，2026年3月17日。：反推分析了Anthropic公布的ARR与法院宣誓陈述书之间数字落差的报道。
• Ed Zitron，“How Much Money Do OpenAI And Anthropic Actually Make?”，Where’s Your Ed At，2025年10月17日。：反推分析了Anthropic公布的ARR与法院宣誓陈述书之间数字落差的报道。
• Tomasz Tunguz，“Gross Profit per Token”，2025年12月30日。：分析6家AI企业每token毛利与企业估值相关性的文章，用数据展示了投资者实际在关注什么。
• Shanaka Anslem Perera，“The Growth Miracle and the Six Fractures: Anthropic at $380 Billion”，Substack，2026年2月18日。：深入剖析Anthropic增长叙事背后六大结构性风险的分析文章。
• Kyle Poyar & CJ Gustafson，Mostly Growth播客。：从实务角度探讨SaaS/AI企业变现策略与指标的播客，具体讨论了单位支出产出效率、LTV的局限性等话题。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. DAU/MAU（Daily/Monthly Active Users）：指一天或一个月内实际使用某项服务的人数。这是2010年代初社交媒体、移动应用时代的核心指标。其局限在于，“活跃”的定义各公司不同，导致横向比较困难。 ↩

2. SaaS（Software as a Service）：无需安装软件、以订阅形式在云端使用的方式。Slack、Notion、Salesforce等都是代表性服务。 ↩

3. 毛利率（Gross Margin）：营收减去直接成本（成本价）后所占的比例。如果赚了100元、提供服务花了20元，那毛利率就是80%。SaaS通常在80%至90%之间，而AI企业往往会降到40%至60%区间。 ↩

4. 推理（Inference）：已训练完成的AI模型实际生成答案的过程。训练（Training）是构建模型的过程，推理则是使用已构建模型的过程。AI服务的大部分运营成本都产生于此。 ↩

5. 单位经济学（Unit Economics）：以每位客户或每笔交易为单位来核算盈利能力的分析方法。即使整体营收在增长，如果每位客户仍是亏损的，那就说明是一种规模越大、亏损越多的结构。 ↩

6. LTV/CAC比率：客户终身价值（Lifetime Value）除以客户获取成本（Customer Acquisition Cost）得到的比率。通常认为达到3倍以上属于健康业务。在AI时代，由于难以预测“生命周期”，这一指标的可信度正在下降。 ↩