a16z报告深度解读:AI使用为何广而不深,重度用户如何拉开差距

目录导航

先看结论:AI的第一批真买家找到了,但大众市场还没打透

a16z的核心判断是:AI已经用得很广,却还没有用得很深。当前最明确的付费市场,是用AI写代码、做产品、搞创作、完成工作的专业型个人;下一波增长,不能只靠更强的模型和更贵的订阅,而要让普通人也能轻松办成事。

最值得记住的六个判断

  1. 大众付费仍少,但不是没人买单。三大助手个人订阅覆盖率在美国消费者样本中,从2.1%升至4.5%,一年翻倍以上。低渗透与高增长同时成立,既不能说AI没市场,也不能把剩下95.5%当成待转化客户。
  2. 最肯花钱的人买的是产出,不只是聊天。个人付费者中,最高消费的1%贡献19.5%的支出,超过最低50%的合计;他们更偏好自动化、编程和创作工具。对产品而言,可衡量的工作价值比新鲜感更容易支撑持续付费。
  3. 领先者的优势,正在从会提问转向会组织工作流。PDF中,领先企业组的Skills采用率为19%,典型企业组为3%;领先组的输出Token增长也明显更快。值得借鉴的是连接资料、工具与执行流程,而不是鼓励员工多聊天。相关性不等于因果,Token更多也不等于生产率更高。
  4. AI部署很多,收益证据还不够。69%的标普500企业披露已有部署,只有2%披露持续跟踪指标。不能说其他企业没有收益,但买账号、上功能远不是终点:必须追踪质量、返工和每个成功任务的完整成本。
  5. 模型越便宜,任务可能越多,总需求未必下降。代理会反复规划、调用工具和检查结果,少数用户也能带动大量模型调用。下一阶段应盯住任务成功率与成本,而不是把Token增长直接当成商业成功。
  6. 订阅不会消失,但未必能独自撑起大众市场。a16z认为广告与交易收费可能扩大覆盖。这是机会判断,不是已验证答案;能否可靠完成任务、赢得信任并覆盖成本,才是关键。

对读者最有用的行动结论

  • 做AI产品:先找一个用户会反复使用、愿意为结果付费的场景,再扩功能;别把模型升级当成续费理由。
  • 做企业落地:先跑通一个高频、可验证、可回滚的工作流,用净收益决定扩张,不用账号数和调用量自我庆祝。
  • 个人使用AI:把时间投入可复用的资料、工具和任务流程,而不是不停换模型、囤订阅。

一句话:别再拿“大家都试过”和“演示很惊艳”当成熟市场的证据。让用户稳定做成事,才是AI下一阶段的真增长。

来源提示:4.5%与个人消费集中度来自消费AI应用榜第七版;企业部署、Skills与代理数据来自9月PDF,统计对象不同。下面展开证据与边界。

AI 的普及,正在出现一个容易被热度掩盖的分岔:越来越多人接触它,少数人却把它用得越来越深。对前者,AI 是偶尔打开的问答工具;对后者,它已经进入代码、资料、业务系统和日常交付流程。

这也解释了为什么两种看似矛盾的观察可以同时成立:个人付费覆盖仍然不高,AI 支出与算力需求却快速增长。增长不只来自更多用户,也来自少数用户把更多任务交给 AI。

本文以 a16z《State of Markets:2026 年 9 月》PDF 为主,重点解读第 27、33—38、79 页的使用与支出数据,并以 10 月发布的消费 AI 应用榜第七版补充个人付费信息。两份材料不是同一份报告,各图表也不是同一套样本。下文明确区分原始观察与分析判断,不把消费者、家庭、企业和 Token 数据拼成一个虚假的转化漏斗。

一、先解释 4.5%:它是市场信号,不是所有 AI 的付费率

三大助手的个人订阅,覆盖仍小但增长很快

消费 AI 应用榜第七版写明:2026 年 8 月,YipitData 美国电子收据样本中的合资格消费者,有 4.5% 持有 ChatGPT、Gemini、Claude 至少一款的有效个人付费订阅,一年前为 2.1%。

一年增加 2.4 个百分点,相对增长约 114%。因此,“付费覆盖低”和“增长很快”并不矛盾。

但这个数字不意味着其余 95.5% 都没用过 AI,或者都没有为任何 AI 花钱。它不涵盖所有专业工具,也不是企业提供账号的覆盖率,更不是三款产品自身的免费转付费比例。

PDF 的 2.2% 与应用榜的 4.5%,不能直接比较

PDF 第 38 页另有一张家庭付费图:在 PNC Research 的内部数据中,美国拥有付费 AI 订阅的家庭占比,2026 年 4 月标注为 2.2%。同页的另一张图显示,订阅家庭的平均每月 AI 订阅支出,在 2026 年 5 月标注为 31 美元。

这些数字与 4.5% 不构成可直接计算的时间序列:它们来自不同机构、不同样本,统计单位分别涉及家庭与消费者,覆盖产品和支付识别方式也未在材料中充分展开。不能因此得出“四个月内付费率翻倍”。

数字 所属材料与口径 不能混淆成什么
2.2% PDF 第 38 页,PNC 内部数据,2026 年 4 月家庭付费 AI 订阅占比 全美国消费者个人订阅率
31 美元 PDF 第 38 页,2026 年 5 月订阅家庭的平均月支出 每个美国人的平均支出
4.5% 应用榜第七版,2026 年 8 月 YipitData 合资格消费者样本,三大助手个人订阅 所有 AI 工具的总付费渗透率

a16z PDF 第38页:家庭订阅、平均月支出、桌面留存与观察到的订阅数量

图 1:a16z《State of Markets:2026 年 9 月》第 38 页。左侧来源为 PNC Research 内部数据,右侧为 YipitData;四幅图的口径不能互换。

二、AI 使用的真正分水岭,不是有没有账号,而是有没有进入工作流

企业部署普及,不等于收益被持续验证

PDF 第 27 页展示了一个很有启发性的反差。右侧图比较标普 500 企业在 2026 年一、二季度的披露:

披露维度 一季度 二季度
提出 AI 计划或目标 68% 74%
已部署,并有使用或采用数据 64% 69%
披露量化成果 26% 29%
披露持续跟踪指标 1% 2%
单独拆分并持续跟踪 0% 0%

第二季度,69% 企业指向实际部署,只有 29% 披露量化成果,2% 披露持续跟踪指标。

这并不是说其余企业没有收益,也不是说只有 2% 的部署有效。图表研究的是公开披露,企业内部可能有数据但未公开。它真正揭示的是:外部观察者能看见“已经上线”,却很难持续验证“究竟产生了多少价值”。

a16z PDF 第27页:AI部署与可量化、可持续跟踪成果的差距

图 2:PDF 第 27 页。右图来源为 Apollo Daily Spark,日期为 2026 年 9 月 11 日;左图另引 AlphaWise、Morgan Stanley Research。

从“功能上线”到“结果改善”,中间还有一条长链

一个客服团队买了 AI,并不能立即证明客户问题解决得更好。需要继续观察:员工是否真的使用,答案是否准确,返工是否减少,升级人工的比例是否变化,最终服务成本是否降低。

同样,开发团队生成更多代码,不等于交付更多可靠功能。测试失败、代码审查、缺陷回归与维护成本,可能吞掉部分生成效率。

因此,判断 AI 采用深度,至少应分开四件事:

  • 可用性:是否接入真实数据、工具与业务系统。
  • 使用行为:是否由目标岗位持续使用,而非仅培训或演示。
  • 任务结果:是否减少时间、返工和错误,或者增加有效产出。
  • 经济结果:扣除模型、集成、审核和治理成本后,是否仍有净收益。

PDF 支持“部署广泛而验证有限”的观察;上述四层是据此提出的管理框架,并非报告原有的统一评分体系。

三、重度用户正在拉开差距,但企业数据不能套到个人身上

支出分层与 Token 增长都指向集中化

PDF 第 33 页左上图标题称,最高 1% 群体的支出约为最高 10% 群体的 8 倍。图中比较的是分组支出中位数,不是“1% 贡献了多少总收入”。左下图又使用 Ramp 企业支付数据,展示不同分位企业的每员工月度 AI 支出趋势。

右侧则来自 OAI Signals,比较企业中领先组与典型组的输出 Token 增长。图表以 2025 年 4 月作指数基准,在 2026 年 6 月的标注为:

行业 领先组增长指数 典型组增长指数 图中标注的相对差距
全行业 17.1 倍 2.1 倍 8.3 倍
信息行业 32.5 倍 2.8 倍 11.7 倍
金融与保险 12.9 倍 1.9 倍 6.7 倍
专业、科学与技术服务 16.0 倍 2.1 倍 7.7 倍

这里的 17.1 倍是图表定义下的增长指数,不是企业生产率提高 17.1 倍。由于指数、四舍五入与底层值的差异,也不宜用显示值重新计算后替代图中标注。

a16z PDF 第33页:支出集中与领先企业输出Token增长分化

图 3:PDF 第 33 页,同页使用 YipitData、Ramp 与 OAI Signals 三种来源。企业支出、每员工支出和输出 Token 指数是不同指标。

个人消费也集中,但这是另一组证据

应用榜第七版从美国消费者支付样本观察到:最高消费的 10% 付费者贡献约一半支出,最高 1% 贡献 19.5%,最低 50% 合计贡献 16.6%。最高 1% 平均每月合计消费 903 美元,全体付费者的月消费中位数为 25 美元。

不能把 PDF 中的企业最高 1%,与应用榜中的个人最高 1%,当成同一群人。但两组独立观察都提醒读者:平均值很容易掩盖市场结构。

对于产品经营,重要的不是设计一个“平均用户”,而是识别两种需求。轻度用户需要低门槛、明确用途与可控价格;专业用户更在乎上下文、批量处理、稳定性、权限和交付质量。若只围绕高消费用户优化,也可能进一步抬高普通用户的进入门槛。

四、为什么领先者用得更深?工具连接可能比多聊几轮更重要

Plugins 与 Skills 的采用率出现明显差异

PDF 第 79 页把插件和 Skills 的采用情况分组展示。纵轴是企业每周活跃用户中的采用比例:

工具类型 OpenAI 组 领先企业组:企业前10% 典型企业组:企业中间10%
Plugins 95% 21% 9%
Skills 93% 19% 3%

图中 OpenAI 是单列参照组,不能理解成“95% 的所有 ChatGPT 用户使用插件”。Skills 也应按该研究的产品定义理解,不能泛指任何学习技能或所有厂商同名功能。

a16z PDF 第79页:不同企业组的Plugins与Skills采用情况

图 4:PDF 第 79 页,来源为 OAI Signals《What Frontier Firms are doing differently》,2026 年 8 月 12 日。

相关性提示了方向,却还不能证明因果

一种合理解释是,领先企业不仅让员工提问,还让 AI 获得任务所需的资料、工具和流程。插件连接系统,Skills 固化执行方法,使“每次重新解释”变成“复用已有能力”。

例如,处理售后问题时,单独聊天只能给出建议;连接订单、库存和知识库之后,AI 才能核对事实、生成具体处理方案。涉及退款或修改订单时,还需要权限与人工确认。

但报告没有证明“多用 Skills 就一定成为领先企业”。技术能力更强、管理支持更多的企业,可能本来就更愿意采用这些工具。二者也可能同时由其他因素推动。

可以借鉴的不是一个简单因果口号,而是一项实践原则:优先把高频任务做成有上下文、有工具、有验证、有失败出口的流程,而不是把使用次数当作成熟度。

五、代理正在改变需求结构:少数用户,也能产生大量 Token

人数增长已经无法完整解释模型调用增长

PDF 第 35 页引用 OpenRouter 数据,展示按代理、人类和混合类型分类的七日平均 Token 使用。图中标注,代理类 Token 在 2026 年 2 月 6 日超过人类类 Token;曲线后段标注约 7.3 万亿 Token、14 倍增长。

这只代表该平台及其分类体系中的观察,不代表全球所有模型调用,也不能把七日平均读成全行业月总量。

a16z PDF 第35页:代理Token增长与缓存使用

图 5:PDF 第 35 页。左侧引用 OpenRouter 排名数据,右侧覆盖 2026 年 1 月 5 日至 8 月 16 日;代理类别与人类类别按该来源划分。

一个用户手动提问,通常只触发少量交互。一个代理处理任务,却可能反复规划、搜索、调用工具、检查结果和重试。于是,一个活跃用户可以带动比传统聊天多得多的调用。

这解释了为什么“付费用户占比低”和“算力需求很高”可以共存,也提醒产品团队:Token 增长并不全是好消息。它可能来自更复杂的有效任务,也可能来自冗余上下文、循环执行或无效重试。

缓存让高调用成为可能,但 Token 不等于等额成本

同页右图显示,代理类缓存比例在后段标注为 86%,人类类为 29%。图表标题指出,代理的 Token 消耗中超过 85% 来自缓存提示。

重复任务通常反复使用系统指令、工具说明和已有上下文,缓存可以减少部分重复处理成本。因此,不能把所有 Token 按同一单价直接相乘,更不能只看总量就推断收入或毛利。

真正需要管理的是每个成功任务的完整成本:模型调用、工具调用、失败重试、人工复核,以及错误执行带来的损失。缓存比例改善只是其中一环。

六、便宜的模型为什么没有让总需求下降?

报告用杰文斯悖论解释“效率提升、总量扩张”

PDF 第 34 页把模型价格下降与 GPU 租赁价格放在一起观察,并提出“更便宜的智能带来更多需求”的论点。第 36—37 页进一步讨论开放模型、前沿模型与旧模型并存,以及需求扩张对算力的影响。

逻辑是:单位任务成本下降后,原本不值得自动化的任务变得可行;更多产品上线,也更多采用多步代理。使用量的增长可能超过单位成本的下降,总支出与资源需求仍然增加。

但图中价格走势只能支持这种解释,不能单独证明因果。GPU 供给、供需预期、模型结构和部署方式,同样会影响租赁价格。把“杰文斯悖论”写成算力价格必然上涨的定律,会超过材料证据。

对应用团队,更重要的是模型分层而非追逐最强模型

简单分类、格式整理与低风险提取,可以尝试低成本模型;复杂推理和高风险决策,再使用能力更强的模型,并设置复核。能确定性处理的步骤,不一定需要模型。

这是根据报告价格与代理趋势提出的工程建议,不是对任何具体模型的性能保证。关键评价标准应是任务正确率、成本、延迟和可恢复性,而非只看模型排行榜。

七、付费、留存和收入,应该怎样一起看?

第38页的“微笑留存”不是付费续订率

PDF 第 38 页右上图展示桌面提供商的分 cohort 平均留存,曲线先下降、随后上升。作者将其称为“微笑”形留存。

这种形状与用户回流、用途增加等解释相容,却不能自动证明付费续订改善。图中观察的是桌面使用,聚合 cohort 的组成、长期样本覆盖也会影响曲线。不能把末端高度当成所有新用户长期留存的承诺。

右下图标题称,2025 年以来观察到的美国活跃消费者订阅约增长五倍。纵轴注明“Total Observable Subs”,属于样本中观察到的订阅数量,不是公司公布的全球用户总数。一个人同时订多款产品,也可能对应多个订阅。

“有人买单”不等于“商业模式已经跑通”

应用榜第七版统计的 44 款网页榜 AI 原生产品中,84% 提供订阅,64% 有按量收费或额外点数,14% 有广告,2% 有交易或平台手续费。同一产品可采用多种方式,这些是产品采用比例,不是收入构成。

作者认为,广告和交易收费可能帮助消费 AI 扩大覆盖。不过,个人付费少不等于改用广告就能解决问题;交易额也不等于平台收入。新的收费模式仍要面对成本、信任和利益冲突。

订阅适合持续、可感知的工作价值;广告可能支持低门槛的信息服务;交易收费则依赖实际促成购买和商业合作。真正的约束,是产品有没有稳定价值,以及这种价值能否覆盖完整交付成本。

八、把报告变成行动:不要只统计账号和调用量

企业应同时管理采用深度与收益证据

PDF 第 27 页的披露差距、第 33 页的使用分化与第 79 页的工具采用差异,共同指向一个问题:买了多少账号,并不能解释企业获得了多少收益。

建议选择一个高频、可验证、失败可恢复的场景试点,先记录旧流程基线,再观察:

  • 效率:单任务总耗时,包括人工复核与返工。
  • 质量:正确率、缺陷、投诉或业务差错。
  • 使用:目标岗位是否持续使用,是否依赖少数熟练人员。
  • 经济性:每个成功任务的完整成本与净收益。
  • 安全:敏感数据、工具权限、越权操作和回滚能力。

不应把“更多输出 Token”设为员工绩效目标,也不应为了提高采用率,把高风险操作直接交给代理。

产品团队应区分轻度入口与专业工作流

对轻度用户,先证明一个具体用途,而不是展示所有能力。对重度用户,提供连接、批量处理、结果校验与可预测成本。两类需求可以共存,但不宜用同一套假想的平均用户来设计。

如果用户每周回来完成同一项任务,并愿意为可靠结果续费,通常比一次惊艳的演示更有经营价值。衡量代理时,也应把任务成功率和重复委托放在下载量、消息量与交易总额之前。

结语:AI的下一道门槛,是从试用走向可验证的产出

这份 PDF 的重点,不是证明所有人马上都会成为重度 AI 用户,而是揭示一种分层:部署正在扩展,量化验证仍然不足;用户都在增加使用,领先群体却以更快速度进入工具和流程;模型价格下降,代理又把新的需求带进来。

结合应用榜的个人付费数据,可以得到一个更稳妥的判断:AI 已经建立了真实但分化的需求。大众化尚未完成,专业化使用也远未触顶。

对企业,下一步不是让每个人多聊几轮,而是让关键任务产生可持续、可追踪的净收益。对产品,下一步不是追求更多调用,而是让更多用户可靠地完成原本难以完成的事。

资料来源与阅读边界

  • 主要材料:a16z《State of Markets:September 2026》,重点页码为 27、33—38、79。本文保存并展示第 27、33、35、38、79 页截图,版权归原作者所有,仅作研究评论与图表核对。
  • 补充材料:Olivia Moore《The Top 100 Gen AI Consumer Apps — 7th Edition》,2026 年 10 月 5 日;4.5%、个人消费集中度与商业模式比例来自该文,不来自上述 PDF。
  • PDF 汇集 PNC、YipitData、Ramp、OAI Signals、OpenRouter 等不同来源,样本、统计对象与时间窗口不统一。不可直接拼接成全球人口或同一人群的转化漏斗。
  • 企业披露、样本支出、输出 Token、桌面留存、收入与利润分别衡量不同事情。本文未独立审计底层数据,相关关系不等于因果关系,分析框架与建议也不是报告已经证实的结论。
  • a16z 是投资机构,材料具有投资研究视角;其 PDF 免责声明说明,第三方信息未由 a16z 独立核实。本文为研究解读,不构成投资建议。

报告原文下载(付费可见)

本文分析与图表仍免费阅读,原文下载链接支付 0.19 元 后可见。原报告由 a16z 公开发布,版权归原作者所有;本站收费不代表报告官方收费或独家授权。 这 0.19 元,就节省你搜索查找的几分钟时间。

部分内容未显示,为付费阅读

需支付 ¥0.19 元观看完整内容

每月三次七天无理由退款,不满意可随时退款

关联文章推荐

关联问答推荐

文章评论

登录后才能发布评论哦
立即登录/注册
还没有评论,快来抢沙发吧~
满银网 消息提醒
Hello, world! This is a toast message.