把 AI 公司从故事还原成账本
本节学什么
本节只讲 Tanay Jaipuria 的总入口：怎样把 AI 公司从故事还原成账本。深研把他定义为“AI 真账本”型分析者，不是因为他悲观，而是因为他习惯先问收入质量、毛利主权和公开披露。这个视角来自三段经历的叠加：哥伦比亚计算机本科让他能理解模型、基础设施与产品体验之间的约束；麦肯锡和哈佛商学院训练让他习惯拆收入、成本、渠道和组织效率；Meta 产品经理经历让他对信息流排序、广告体验和 Instagram 创作者变现这类分发机制很敏感。进入 Wing Venture Capital 后，他站在私有市场最容易被 ARR、run-rate、AI-native 话术包装的位置，于是形成一个研究本能：先把漂亮增长词拆回会计口径，再判断这是不是可持续的软件收入。
核心框架
这一节的核心不是某个单项指标，而是三道闸门。第一道闸门是收入质量：一笔钱是不是年度承诺、是不是结构性续费、是不是公司净收入。第二道闸门是毛利主权：公司成本是由自己产品设计控制，还是“骑在别人价目表上”，被云厂、模型厂或重度用户牵着走。第三道闸门是公开披露：有没有财报电话会、S-1、官方定价页、审计数据或至少带日期的媒体口径可以校准。三道闸门合在一起，才把“AI 会创造巨大应用层机会”与“所有 AI 增长故事都值得相信”区分开。Tanay 的底层世界观可以压缩成一句话：AI 应用机会很大，但只有收入质量、毛利主权和公开披露能把机会和幻觉分开。
他怎么用(具体案例+数据+原话)
深研里最适合作为总入口的案例，是他在 2024-09-30 写《OpenAI and Anthropic Revenue Breakdown》。他没有只比较两家公司谁收入更大，而是把公开碎片拆成收入结构：OpenAI 更偏消费订阅，Anthropic 更偏 API、渠道和企业。这种拆法的价值在于，它把“模型公司增长很快”变成了可分析的问题：消费订阅意味着分发强、用户面广，但付费转化和推理成本要承压；API 与渠道收入意味着企业需求清楚，但客户所有权、渠道集中度和毛利归属要被追问。深研还记录了他 2025 年继续写 AI 全栈毛利、ARR 打假、agentic workforce、TAM 扩张，2026 年写护城河、S-1、AI 应用垂直整合与持续学习。标志性原话包括“Revenue quality ultimately decides who endures”，以及“ARR 有时既不 annual、不 recurring，也不是 revenue”。这些话不是修辞，而是他的账本入口。
常见误区
第一个误区是把 Tanay 理解成单纯看空 AI 应用。他其实相信 AI 会创造巨大应用层机会，只是不接受用模糊收入词替代商业质量。第二个误区是把融资新闻稿当披露。私有公司常用 run-rate、GMV、签约额、试点额或 annualized MRR 讲增长，不能自动等同收入。第三个误区是忽略他的身份折扣。Tanay 是 Wing 合伙人，关注 AI 应用与数据/AI 基础设施；当他论证应用层机会时，读者必须标注 VC 组合利益同向。第四个误区是把他当公开市场基金经理。他没有公开持仓净值，不能用“跟单”方式使用，只能学习其研究框架。
可迁移方法
拿到任何 AI 公司故事，先写一页“真账本卡”。第一行写公司声称的增长词，第二行拆成收入、成本、毛利、渠道、客户所有权五栏。收入栏问 annual、recurring、revenue；成本栏问推理、训练、云、模型 API、人工服务分别谁承担；毛利栏问是否有模型路由、定价分层、企业托管或非 token 收入；渠道栏问直销、平台、云市场、API aggregator 各占多少；客户所有权栏问续费关系在公司手里还是渠道手里。最后加一行证据等级：审计披露最高，S-1 和财报电话会次之，官方定价页再次，媒体泄露必须标日期和未经审计。这样做不是为了得出买卖结论，而是防止被增长语言带走。
小结
本节的核心是总方法：不要先问 AI 故事多兴奋，先问它的账本长什么样。Tanay 的价值在于把产品乐观主义和会计怀疑主义放在同一张桌上：他相信 AI 应用会打开新工作流，也坚持收入质量、毛利主权和公开披露必须经得起复核。合规使用这套框架，只做研究判断，不给具体点位、不荐股。
ARR 三问：Annual/Recurring/Revenue
本节学什么
本节只讲 ARR 三问：Annual、Recurring、Revenue。Tanay 最有传播力的一篇代表作是 2025-10-28《When ARR is not ARR》，深研把它列为他的“封神之战”之一。AI 私有市场喜欢用“几天到几百万 ARR”“三个月翻数倍”讲速度，但 ARR 这个词一旦被滥用，就会把完全不同质量的收入混在一起：有的是年度合同，有的是月收入年化；有的是结构性续费，有的是一次性试点；有的是净收入，有的是 GMV、签约额或渠道流水。本节学的不是背一个反 AI 口号，而是用三个英文词拆穿增长标题里的口径偷换。
核心框架
ARR 三问要按顺序问。第一问 Annual：所谓 annual 是客户签了年度承诺，还是公司把某个月 MRR 乘以 12。前者有合同约束，后者只是把当前速度投影到未来。第二问 Recurring：收入是否会在没有重新销售、重新实施、重新验收的情况下重复发生。AI 应用很容易把 PoC、一次性服务、集成项目和试点预算塞进“经常性”叙事。第三问 Revenue：公司拿到的是自己的净收入，还是客户交易额、用量流水、渠道转售额、预期合同额。只有三问都过关，ARR 才接近 SaaS 语境中的高质量收入。任一环节站不住，增长速度仍可记录，但估值、留存和毛利解释都要降权。
他怎么用(具体案例+数据+原话)
深研写得很直接：Tanay 借“神圣罗马帝国既不神圣、不罗马、也不帝国”的句式，批判很多 AI 创业公司的 ARR 既不 annual、不 recurring，有时甚至不是 revenue。这个案例专属本节，因为它针对的是收入命名权，而不是毛利或渠道。他真正追问的是：一家 AI 公司宣布 ARR 破某个里程碑时，里面有没有月付用户被年化，有没有试点和项目制实施费，有没有把 GMV 或签约额说成收入，有没有把渠道 API 通过量说成自己可留存的客户关系。深研还把这篇文章的价值概括为“把 AI 私有市场最流行的增长战报重新拉回收入质量”。可引用的原话式表达是：“ARR 有时既不 annual、不 recurring，也不是 revenue”；另一句更底层的是“Revenue quality ultimately decides who endures”。数据层面，本节最重要的不是某家公司金额，而是三个口径标签：annualized MRR、run-rate revenue、net revenue。Tanay 要求把这些标签分开，而不是让它们共享 ARR 这个光环。
常见误区
第一个误区是把 ARR 当现金收入。年度承诺、已开票收入、已收现金、当前月收入年化，是四件事。第二个误区是把增长速度当收入质量。一个月内冲上去的用量可能来自补贴、免费额度、一次性试用或单个大客户实验，未必代表续费基础。第三个误区是把 recurring 误解为“客户下个月可能还会用”。真正的经常性要看合同、工作流嵌入、续费惯性和替换成本。第四个误区是把 Revenue 和 GMV 混同。平台撮合、市场抽佣、渠道转售都可能有很大的流水，但公司实际收入只是一部分。第五个误区是只质疑别人喜欢的公司，而对自己看好的 AI 应用放宽口径。
可迁移方法
建立一张 ARR 审计表。每看到一个 ARR 新闻，填六栏：披露日期、原文用词、计量周期、是否年度承诺、是否结构性重复、是否净收入。然后给每栏打标签：合同 ARR、年化 MRR、run-rate、bookings、GMV、pilot、services。若公司没有披露，不能替它补全，只能写“未知”。再加两条复核：第一，问这笔收入是否需要大量人工交付才能续上；第二，问重度用户成本是否已经被定价覆盖。输出时也要保留合规边界：这张表只能判断收入说法的可信度，不能直接推出买卖建议或估值结论。
小结
本节的核心是收入命名权。Tanay 的 ARR 三问让研究者在看到 AI 增长战报时先慢下来：Annual 是年度承诺吗，Recurring 是结构性续费吗，Revenue 是公司净收入吗。三问不是为了否定增长，而是为了把不同质量的增长分层。只有口径清楚，后续讨论毛利、留存、TAM 和估值才有地基。
收入混合：订阅/API/渠道/企业/广告
本节学什么
本节只讲收入混合：订阅、API、渠道、企业、广告。Tanay 在 2024-09-30 的 OpenAI 与 Anthropic 拆解里展示了为什么“收入规模”不是唯一问题。两家公司都在大模型层，但收入结构不同，导致分发能力、客户所有权、毛利压力和未来商业化路径也不同。学这一节，是学会把“某家公司收入很高”拆成“谁付钱、为什么付钱、通过谁付钱、成本由谁承担、未来还能卖什么”。同样的 1 美元收入，来自消费者订阅、开发者 API、云渠道企业合同或广告联盟，质量完全不同。
核心框架
收入混合要看五个维度。第一是付费主体：消费者、开发者、企业部门、云平台客户、广告主，不同主体的留存逻辑不同。第二是销售路径：直销订阅掌握用户关系，渠道 API 可能让云厂掌握客户入口，企业合同则依赖销售和部署能力。第三是成本触发方式：订阅收入在重度用户上可能亏损，API 收入按量收费更容易把成本传导出去，但客户对价格敏感。第四是毛利和议价权：渠道越强，分发越快，但抽成、折扣和客户所有权越要被审。第五是可扩展收入：广告、联盟、托管、治理、市场抽佣能否在主产品之外形成非 token 收入。本节只讨论结构，不评价哪家公司值得投资。
他怎么用(具体案例+数据+原话)
深研明确写道，Tanay 用公开碎片拆出 OpenAI 与 Anthropic 的镜像收入结构：OpenAI 更偏消费订阅，Anthropic 更偏 API/渠道。这个判断后来成为市场理解两家公司商业模式差异的标准语言之一。深研里的 persona 进一步给出口径示例：2024 年 OpenAI 收入结构可拆为约 73% 订阅、27% API；Anthropic 则由 API 主导，其中 AWS 渠道约 60-75%，订阅约 15%。这些数字必须标注为公开研究与媒体估算口径、未经审计、会过期；但结构启发很强。OpenAI 的消费订阅强，说明产品分发和用户心智强，也意味着要关注付费转化率、个人用户流失和推理成本。Anthropic 的 API/企业/渠道强，说明开发者与企业需求明确，也意味着要关注渠道集中、AWS 客户关系和大客户依赖。Tanay 的关键不是说谁赢，而是用收入混合解释为什么两家公司不能只按总收入排序。
常见误区
第一个误区是用收入规模遮住结构差异。消费订阅和渠道 API 都能贡献收入，但一个考验用户习惯和转化，一个考验开发者嵌入和平台分发。第二个误区是把渠道收入当完全等同于直客收入。云市场或战略伙伴能放大分发，却可能牺牲客户数据、定价权和续约控制。第三个误区是忽略广告和联盟的潜在路径。聊天机器人或 AI 浏览器如果进入广告，收入性质会再次变化，毛利和激励也会变化。第四个误区是拿单一收入占比做静态结论。模型公司商业化仍在演化，订阅、API、企业、广告之间可能迁移。第五个误区是忘记所有私有公司数字都不是审计披露。
可迁移方法
做收入混合图时，不要只画饼图。先列收入科目：消费订阅、专业版席位、API、云渠道 API、企业合同、托管治理、广告、联盟、市场抽佣。每个科目后面补四列：客户是谁、入口是谁、成本如何触发、续费由谁控制。再写一段结构判断：如果订阅占比高，就重点测重度用户成本、付费转化和流失；如果 API 占比高，就重点测价格弹性、模型替代和开发者锁定；如果渠道占比高，就重点测客户所有权和渠道集中；如果企业占比高，就重点测销售周期、部署成本和合规要求。所有数字加日期和来源，避免把旧口径当现状。
小结
本节的核心是收入结构决定商业含义。Tanay 拆 OpenAI 与 Anthropic，不是为了做排行榜，而是说明消费订阅、API、渠道和企业收入会带来不同的毛利、分发和客户所有权。研究 AI 公司时，先把收入混合拆清楚，再谈增长质量。私有数字要标口径，不能把估算当审计事实。
