①世界观与思想根基
AI 乐观主义必须经过账本审计
Tanay Jaipuria 的世界观不是“AI 应用一定暴富”，而是更锋利的一句：AI 会创造巨大的应用层机会，但只有收入质量、毛利主权和公开披露能把机会与幻觉区分开（来源：深研_TanayJaipuria.md §2）。这个根基来自他的职业路径：哥伦比亚大学计算机本科让他能理解模型、基础设施、产品体验之间的技术约束；麦肯锡和哈佛商学院训练让他习惯把公司拆成收入、成本、毛利、渠道和组织效率；Meta 产品经理经历又把他带进 Facebook 信息流排序、广告体验、Instagram 创作者变现这些高度依赖分发和货币化的系统。后来进入 Wing Venture Capital，站在 AI 应用和 data/AI infrastructure 的早期投资场域，他每天看到的不是审计后报表，而是融资材料、run-rate、ARR、AI-native 叙事和媒体披露，所以自然形成“先验算口径”的反射。
他相信增长，但不相信增长词
深研把他称为“AI 真账本”型分析者，这个词很准。他不是反 AI，也不是只会泼冷水的会计怀疑派；他的底层判断恰恰包含产品乐观主义：AI 应用确实可能产生新工作流、新 TAM、新消费入口、新企业自动化预算。但他拒绝让 TAM、GMV、run-rate、ARR 这些词自动等同于高质量收入。对他来说，一个 AI 公司说自己从 0 到数千万 ARR，并不比一个模型发布会更接近事实；事实要继续问 annual 是年度承诺还是 MRR 年化，recurring 是结构性续费还是试点延续，revenue 是公司净收入还是把 GMV、签约额、渠道过账也算进来了（来源：§6、§15）。
产品经理和会计师同时在场
Tanay 的思想有两个看似冲突的部分：一边是 Meta 产品经理训练留下的增长/分发敏感度，一边是咨询和 MBA 训练留下的损益表纪律。他看 OpenAI、Anthropic、Perplexity、Replit、Bolt、Cursor、Claude Code 等案例时，不会只问“产品是不是酷”，也不会只问“成本是不是高”。他会把用户入口、渠道所有权、推理成本、模型路由、企业合同、订阅留存放在同一张表里。比如 2024-09-30《OpenAI and Anthropic Revenue Breakdown》把 OpenAI 更偏消费订阅、Anthropic 更偏 API/渠道的差异讲成“镜像商业模式”，这不是单纯估收入规模，而是把客户关系、毛利压力、分发优势和渠道依赖一起纳入判断（来源：§9）。
公开披露是他抵抗幻觉的制度锚
他的思想根基还有一个关键点：公开文件比融资叙事更接近真相。深研写到，他的信息优势不是供应链线人，而是“公开文件工程”：把媒体泄露、官方披露、财报电话会、S-1、定价页和增长里程碑拼成可比较账本（来源：§8、§15）。这让他的世界观带有强烈的制度感：只要 AI 公司长期不上市，私有市场就会充满口径混乱；一旦 S-1、财报、审计数据出现，很多漂亮词会被迫回到收入科目、毛利、客户集中度和服务成本。本文只复盘研究框架，不构成投资建议，不给具体点位。
②核心信念逐条详解
信念一：ARR 不是一个可以直接相信的词
Tanay 最出圈的信念来自 2025-10-28《When ARR is not ARR》。深研记录他借“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：有时既不 annual、不 recurring，甚至不是 revenue（来源：§9、§16）。这不是文字游戏，而是私有 AI 市场最核心的信用问题。若 annual 只是把一个月收入乘以十二，用户没有年度承诺；若 recurring 只是一个企业试点下月继续买，缺少结构性续费机制；若 revenue 把 GMV、渠道过账、签约额或未履约合同混进来，那么增长速度越快，误导性反而越强。他的第一条信念就是：增长标题必须先被拆成收入质量问题。
信念二：收入结构比收入规模更能解释公司命运
2024-09-30《OpenAI and Anthropic Revenue Breakdown》是第二条信念的代表作。Tanay 用公开碎片拆出 OpenAI 与 Anthropic 的不同收入混合：OpenAI 更偏消费订阅，Anthropic 更偏 API、企业与渠道（来源：§9、§13）。这类分析的价值不在“谁收入更大”这么浅，而在于收入结构决定后续经济学。消费订阅强意味着 OpenAI 有直接用户、品牌入口、未来广告或联盟想象，但也可能承担更高的推理服务成本和免费/低价用户压力；API/渠道强意味着 Anthropic 更靠开发者、企业和云伙伴分发，可能拥有不同客户黏性，却也会面对渠道客户所有权和毛利分配问题。Tanay 因此反复强调，模型公司竞争不能只看排行榜或融资估值，要看钱从哪里来、经过谁、最后留给谁。
信念三：应用层赢家要有毛利主权
深研把他的关键判断概括为：应用层赢家不是调用最强模型的人，而是拥有毛利主权的人（来源：§13）。所谓毛利主权，指应用公司不能永远让自己的 COGS “骑在别人价目表上”。如果产品每一次用户操作都必须调用最贵前沿模型，且无法控制验收标准、缓存、路由、细分任务、BYOK、credits、托管、治理费或抽佣收入，那么收入越增长，毛利越可能被模型层吞掉。反过来，若应用能把简单任务交给便宜模型，把复杂任务留给高端模型，用工作流深度和企业治理收入增加非 token 收入，就有机会从项目制/服务化收入进化到更像软件的收入。
信念四：低毛利可以接受，但必须能用 cohort 证明改善
Tanay 并不把低毛利一概视为坏事。早期 AI 公司为增长牺牲毛利，或为了拿到关键用户先承担推理成本，都可能合理。但深研提到他的判断目标是“成熟 cohort 的健康净利率画像”，低毛利到底是换增长，还是结构性烧钱，必须用后续 cohort 毛利、留存、重度用户重新定价和非 token 收入改善来证明（来源：§6、§16）。这条信念让他比纯粹看空者更实用：他允许早期不完美，但要求公司展示从烧 token 到留利润的路径。
信念五：AI 护城河会被重新映射
在《Moats in the Age of AI》中，他把 Hamilton Helmer 七力框架放到 AI 时代重新审视，认为传统 switching cost 可能被 agent 削弱，专有数据、网络效应、AI-native workflow 和信任网络更重要（来源：§10、§13）。这不是说所有企业软件锁定明天消失，而是提醒读者：如果 agent 真能迁移 schema、重写集成、生成培训材料，过去依赖切换痛苦形成的护城河会被打折。反证也很清楚：若 agent 长期不可靠，传统集成、流程和合规切换成本仍会维持更久。
