好文分享 -〈深耕垂直軟體十年：我如何看待這波拋售〉
Dr. J
點評：
這篇文章分析了軟體產品（尤其是 SaaS）傳統的 10 大護城河，以及 AI 出現對軟體的影響和展望。
對於近期我在規劃開發軟體產品與傳統大公司的軟體與系統競爭，以及未來開發軟體產品的趨勢（有了 AI 加入後），這篇文章給了我許多 insight，也和我感受到的趨勢大致相同。所以我將原文翻譯成繁體中文，並花了一些時間校對和編修，給有興趣的讀者可以更方便的閱讀。
未來我會再寫一篇我對於這 10 個護城河衝擊的觀點，以及面向正在開發軟體系統或是產品的工程師們，要怎麼去因應。
以下原文：
在過去幾週內，軟體與服務類股市值蒸發了將近 1 兆美元。
FactSet 從 200 億美元高點跌到不到 80 億。
S&P Global 在短短幾週內 下跌 30%。
Thomson Reuters 在一年內 市值幾乎腰斬。
由 140 家公司組成的 S&P 500 軟體與服務指數，今年以來下跌 20%。
上週，Anthropic 發布了 Claude 的 Cowork 產業專用插件。Cowork 是一個專為知識工作者打造的 AI Agent，可以自主處理複雜的研究、分析與文件工作流程。
華爾街稱這一切為「恐慌」。而我，在過去十年都在打造 垂直型 SaaS。
先是 Doctrine——如今歐洲最大的法律資訊平台（與 LexisNexis、Westlaw 競爭），接著是 Fintool——一個美國的 AI 股票研究平台，現在正與 Bloomberg、FactSet、S&P Global 正面競爭。
我打造過 現在正被 LLM 威脅的那種軟體，也正在打造 正在發動這場威脅的那種軟體。我站過這場顛覆的兩側。
這是我看到的現實：
LLM 正在系統性地拆解讓垂直軟體具有防禦力的護城河——但不是全部。結果不是毀滅，而是重新定義：
什麼樣的垂直軟體仍然有價值，以及它們配得上什麼樣的估值倍數。
這篇文章將討論：
- 讓垂直軟體具備防禦力的十道護城河，以及 LLM 對它們各自造成的影響
- 為什麼市場的拋售在結構上是合理的，但在時間點上被誇大了
- 真正的威脅是什麼（不是你以為的那個）
- 什麼將取代傳統垂直軟體
- 以及這個 5000 億美元以上的垂直軟體產業 接下來會發生什麼事
垂直軟體的十道護城河（以及 LLM 對它們做了什麼）
垂直軟體，是為特定產業打造的軟體。金融有 Bloomberg，法律有 LexisNexis，醫療有 Epic，營建有 Procore，生命科學有 Veeva...
這些公司有一個共同點：收費很高，而且客戶幾乎不會流失。
FactSet 每位使用者每年收費 1.5 萬美元以上。
Bloomberg Terminal 每席 2.5 萬美元。
LexisNexis 對律師事務所每月收取數千美元。
而留存率通常都在 95% 左右。
我認為，這背後有 十種不同的護城河。
LLM 正在攻擊其中一些，同時對另一些幾乎沒有影響。
搞清楚哪些會倒、哪些會撐住，是整場博弈的關鍵。
1. 學習成本極高的介面 → 被摧毀
Bloomberg Terminal 的使用者，花了多年學習鍵盤快捷鍵、功能代碼與操作邏輯。GP、FLDS、GIP、FA、BQ。這些不是直覺操作，而是一種「語言」。
一旦你能流利使用，改用其他平台就等於重新變成文盲。
我聽過無數次：「我們是 FactSet 派。」「我們整間事務所用 Lexis。」「我們是 Bloomberg 家族。」
這些話不是在談資料品質，而是在談肌肉記憶。人們花了十年學會一套工具，而這份投資是無法轉移的。
這是最被低估的護城河。知識工作者付費，是為了不要重學一套工作流程。
我在 Doctrine 親身經歷過這件事。我們有設計師團隊，還有一整支客戶成功團隊，專門負責教律師怎麼用介面。每一次 UI 調整都是專案：使用者研究、設計衝刺、分批上線、手把手教學。光是一個分面搜尋的改版，就能花上好幾週，因為律師已經對舊操作產生肌肉記憶。
介面不是功能；介面本身就是產品。
而在 Fintool，我們完全沒有 onboarding。沒有 CSM 教你怎麼用。使用者直接用自然語言輸入問題，然後得到答案。沒有要學的介面。
那整個成本中心——設計師、CSM、UI 變更管理——直接消失。Chat 介面吸收了所有這些結構。
LLM 把所有專有介面，壓縮成一個 Chat。
想像一位金融分析師今天在 Bloomberg Terminal 上的工作流程：
他進入股票篩選功能，用專用語法設定條件，匯出結果。切換到 DCF 模型工具，輸入假設，跑敏感度分析。匯出 Excel，製作簡報。
每一步都需要學習過的介面知識、每一步都在加深轉換成本。
現在換成 LLM agent：
「列出市值超過 10 億美元、本益比低於 30、年營收成長超過 20% 的軟體公司。對前五名建立 DCF 模型，並針對折現率與終值成長率做敏感度分析。」
三句話。沒有快捷鍵、沒有功能代碼、沒有導航。
使用者甚至不知道資料來自哪個供應商。也完全不在乎。
當介面變成自然語言對話，多年累積的肌肉記憶就變得一文不值。支撐每位人 2.5 萬美元年費的轉換成本消失了。
對許多垂直軟體公司而言，介面本身就是主要價值。
底層資料多半是授權的、公開的、或半商品化的。真正支撐高價的，是建在資料之上的工作流程。那個時代結束了。
2. 客製化工作流程與商業邏輯 → 化為烏有
垂直軟體承載著一個產業實際運作的方式。一個法律研究平台不只是存放案例法，它還編碼了引用網絡（citational networks）、Shepardize 信號、重點摘要分類，以及訴訟助理撰寫訴訟書狀的具體流程。
這些商業邏輯的建立花了多年時間，反映了與無數領域專家的對話經驗。當我打造 Doctrine 時，最困難的不是技術本身，而是理解律師實際的工作方式：他們如何研究案例法、如何起草文件、如何從案件接收到審判建立訴訟策略。將這種理解編碼進可運作的軟體，是垂直軟體有價值且可防禦的關鍵。
大型語言模型（LLM）則把這一切轉化成一個 Markdown 檔案。
這是最被低估的變化，也是我認為最具毀滅性的長期影響。
傳統垂直軟體將商業邏輯寫進程式碼中。成千上萬的 if/then 條件、驗證規則、合規檢查、審批流程……這些都是由多年經驗的工程師硬寫而成。這不只是一般工程師就能做到的，你需要既懂程式碼又了解領域的工程師，這種人才極為稀缺。修改這些商業邏輯需要開發週期、品質測試、部署。
舉我自己的經驗做例子：
在 Doctrine，我們建立了一個法律研究工作流程，幫助律師找到針對特定法律問題的相關案例。系統必須理解法律領域（民事、刑事、行政）、將問題解析成可搜尋概念、跨多個法院資料庫查詢、依相關性與權威性排序結果，並呈現正確的引用脈絡。這一切花了工程師與法律專家數年的努力。商業邏輯散布在成千上萬行 Python 程式碼、自訂排名算法和手調的相關性模型中，每次修改都需要工程衝刺、程式碼審查、測試與部署。
在 Fintool，我們有一個 DCF（折現現金流）估值技能，它告訴 LLM 代理如何做折現現金流分析：要收集哪些資料、如何按行業計算 WACC、哪些假設需要驗證、如何進行敏感度分析、何時加回股票報酬。這只是一個 Markdown 檔案。撰寫它花了一週時間，更新只需幾分鐘。一位做過 500 次 DCF 估值的投資組合經理，可以在不寫一行程式碼的情況下，把整套方法學編碼完成。
而且不只是速度：Markdown skill 有更為重要的面向。任何人都能讀懂、可審計、可按使用者自訂（我們的客戶也能自己寫 Skill），而且隨著底層模型進步，它會自動變得更好，而我們不需要碰一行程式碼。
商業邏輯正從專業工程師撰寫的程式碼，遷移到任何領域專家都能撰寫的 Markdown 檔案。垂直軟體公司十年累積的商業邏輯，如今可以在數週內複製完成。工作流程的護城河正在迅速消退。
3. 公開資料存取 → 商品化
垂直軟體很大一部分的價值主張，在於讓原本難以存取的資料變得容易查詢。FactSet 讓 SEC 文件可以被搜尋；LexisNexis 讓判例法可以被搜尋。這些都是真正有價值的服務。
SEC 文件在法律上確實是公開的，但試著直接用原始 HTML 去讀一份 200 頁的 10-K 就知道有多痛苦。不同公司之間的結構不一致，會計用語高度密集，而要抽取真正需要的數字，往往必須解析巢狀表格、追蹤註腳、並對重編（restated）的數據進行對帳。
在 LLM 出現之前，存取這類公開資料需要高度專用的軟體與龐大的工程基礎建設。像 FactSet 這樣的公司，為每一種申報文件、甚至每一家公司的格式差異，建立了成千上萬個解析器。隨著格式變動，還得動用大量工程師持續維護。把原始 SEC 文件轉換成可查詢資料的那套程式碼，本身就是實實在在的競爭優勢。
在 Doctrine，這同樣是大量工程投入的結果。我們為不同法域的判例建立 NLP pipeline：用命名實體辨識抽取法官、法院與法律概念；用專門的機器學習模型依法律領域分類判決；為每個法院打造客製化解析器，因為每個法院都有自己的格式怪癖。我們有工程師花了好幾年時間打造並維護這整套基礎設施。這在技術上確實非常了不起，也是真正的護城河，因為要複製它意味著多年投入。
但在 Fintool，我們什麼都沒做。沒有 NER、沒有自訂解析器、沒有任何產業專用分類模型。為什麼？因為前沿模型本來就懂。它們知道 Home Depot 的股票代號是 HD；知道 GAAP 與 non-GAAP 營收的差異；能在沒有人教結構的情況下，解析事業別揭露的巢狀表格。
Doctrine 花了好幾年打造的解析基礎設施，如今成了模型免費附帶的商品化能力。
LLM 讓這一切變得極其容易。前沿模型在訓練資料中早已學會如何解析 SEC 文件：它們理解 10-K 的結構，知道去哪裡找營收認列政策，也知道如何調和 GAAP 與 non-GAAP 的數字。你不需要再建解析器——模型本身就是解析器。把一份 10-K 丟給它，它就能回答任何相關問題；把整個聯邦判例法資料庫交給它，它就能找出相關先例。
垂直軟體花了數十年打造的「解析、結構化與查詢」能力，如今已經內建在基礎模型中，成為商品化能力。資料本身並沒有變得沒有價值；但那一層「讓資料可以被搜尋」的能力——也正是過去大量價值與定價權所在——正在迅速崩解。
4. 人才稀缺 → 被反轉
打造垂直軟體，需要同時理解產業領域與技術的人才。能夠撰寫可上線的生產級程式碼，同時又真正理解信用衍生性商品是如何結構化的工程師，極其稀有。這種稀缺性，歷史上自然形成了進入門檻，使得任何一個垂直領域中，真正有競爭力的玩家數量受到嚴格限制。
LLM 徹底顛覆了這道護城河。
在 Doctrine，招募幾乎是一場硬仗。我們不只需要好工程師，還需要能理解法律推理的工程師：判例如何運作、不同司法管轄區如何互動、向最高法院上訴的法律基礎是什麼。這樣的人幾乎不存在，所以我們只能自己培養。每週，我們都舉辦內部講座，由律師親自教工程師法律體系實際如何運作。一名新工程師往往要花上好幾個月，才能真正產生生產力。這種人才稀缺是真實存在的護城河，不只對我們如此，對任何想與我們競爭的人都是一樣。
但在 Fintool，我們完全不需要這樣做。我們的領域專家（投資組合經理、分析師）直接把自己的方法論寫進 markdown Skill 檔中。他們不需要學 Python，也不需要理解 API。他們只要用白話文字描述「一個好的 DCF 分析應該長什麼樣子」，LLM 就會負責執行。工程層由模型處理，而領域知識——那個原本一直都很充沛的資源——如今可以在沒有工程瓶頸的情況下，直接轉化為軟體。
LLM 讓工程變得極度容易取得，結果就是：原本稀缺的資源（領域專家），突然在「能被轉化為軟體」這件事上變得極度充沛。這正是為什麼進入門檻會如此劇烈地崩塌。
5. 綁定式產品組合 → 被削弱
垂直型軟體公司常透過捆綁相鄰能力來擴張。Bloomberg 一開始提供市場數據，接著加入即時通訊、新聞、分析、交易與合規工具。每新增一個模組，就提高一次轉換成本，因為客戶依賴的不再是單一產品，而是整個生態系。S&P Global 以 440 億美元收購 IHS Markit，正是這種策略的體現。捆綁本身成了護城河。
在 Doctrine，捆綁就是成長策略。我們從判例搜尋起家，接著加入法規、法律新聞、提醒通知、文件分析。每個模組都有自己的 UI、自己的新手導入流程、自己的使用情境。我們打造了複雜的儀表板，讓律師能設定追蹤清單、針對特定法律主題建立自動提醒、管理研究資料夾。每多一個功能，就意味著更多設計成本、更多工程工作、更多 UI 表面積。捆綁之所以能鎖住客戶，是因為他們已經把整個工作流程建立在我們的生態系之上。
但 LLM 代理讓功能綁定失去意義，因為代理自己就是全部的集合。在 Fintool，提醒是一個 prompt，追蹤清單是一個 prompt，投資組合篩選也是一個 prompt。沒有為每個功能獨立存在的模組，也沒有需要維護的 UI。使用者只要說：「當我投資組合中的任何公司在財報電話會議提到關稅風險時提醒我」，事情就會自動完成。Agent 會在單一工作流程中協調十多個專用工具：從某個來源拉市場數據，從另一個來源抓新聞，透過第三個跑分析，最後整理成結果。使用者既不知道、也不在乎背後其實查詢了五種不同的服務。
當整合層從軟體供應商轉移到 AI 代理時，購買整套產品的動機就此消失。既然 Agent 可以為每個能力挑選最好的（或最便宜的）供應商，為什麼還要付 Bloomberg 的高額費用，買下整個套裝？
這並不代表 bundling 會在一夕之間消失。相較於只管理一個供應商，同時協調十個供應商的營運複雜度是真實存在的。但趨勢方向已經非常清楚：AI 代理讓「去綁定」在許多過去不可能的情境下成為可行選項。
6. 私有與專有資料 → 更強
有些垂直型軟體公司擁有或授權使用那些「其他地方不存在」的資料。
Bloomberg 從全球各地的交易桌蒐集即時價格資料。S&P Global 擁有信用評等與專有分析。Dun & Bradstreet 維護超過 5 億家企業的商業信用檔案。
這些資料往往花了數十年累積，且建立在排他性的合作關係之上。你無法直接爬取，也無法重新打造。
如果你的資料真的無法被複製，那 LLM 只會讓它「更有價值」，而不是貶值。
Bloomberg 來自交易桌的即時價格資料？無法爬取、無法合成、也無法從第三方授權取得。在 LLM 的世界裡，這種資料會成為每一個 agent 都需要的稀缺投入。Bloomberg 對其專有資料的定價能力，甚至可能因此提升。
S&P Global 的信用評等也是同樣的道理。信用評等不只是資料，而是一種觀點——背後有受監管的方法論，以及數十年的違約歷史資料支撐。LLM 不能發出信用評等，S&P 可以。
判斷標準其實很簡單：這份資料能不能被其他人取得、授權，或合成？
如果不能，護城河還在；如果可以，那就麻煩了。
我在這兩家公司都親眼看過這個過程。當我們創立 Doctrine 時，核心價值是把法國的公開判例資料，透過產業化的結構重新組織：分類法、引用網路、關聯性排序。但團隊很早就意識到，單靠公開資料不夠。大約五年前，我們開始建立一個「獨家內容庫」：專有的法律註解、編輯分析、精選評論——這些內容在其他地方都不存在。今天，這個內容庫真的很難被複製，也成了真正的護城河。能撐過這次轉變的公司，都是那些從「我們把公開資料整理得比較好」，進化到「我們擁有你在任何地方都拿不到的資料」的公司。
真正改變的是這一點：過去，建立這種智慧層需要多年工程投入；現在，這幾乎是模型內建的能力。甚至連「資料存取」本身都在被商品化。MCP（Model Context Protocol）正在把每一個資料供應商變成一個外掛。已經有數十家公司把金融資料做成 MCP server，任何 AI agent 都能直接查詢。當你的資料可以直接作為 Claude 的 plugin 使用時，「讓資料變得好用」這件事本身，就不再有溢價。
諷刺的是，LLM 正在加速分化：擁有專有資料的公司，贏得更大；沒有專有資料的公司，輸掉一切。
這裡有一個令人不舒服的結論：
如果你的資料並不真正獨特——如果它能在別處被取得、授權或合成——那你並不安全。你正面臨商品化的風險。AI agent 會掌握與客戶的關係：它是使用者互動的介面、信任的品牌、付費的產品。你只會成為 agent 的供應商，而不是客戶的供應商。
這正是聚合理論（aggregation theory）的表現：聚合者（agent）掌握使用者關係與利潤，供應商（資料提供者）則為了餵養平台而彼此削價競爭。
如果 Bloomberg、FactSet，以及十多家小型供應商都提供相似的市場資料，agent 就會把請求導向最便宜的那一個。你的定價能力消失、毛利被壓縮，最終只剩下「別人產品裡的一個商品化輸入」。
7. 法規與合規所造成的鎖定 → 結構性因素
在醫療產業中，Epic 的主導地位不只是因為產品做得好，而是因為合規。HIPAA 規範、FDA 認證，以及醫院必須承受的 18 個月導入週期。更換 EHR 供應商是一個動輒好幾年、數百萬美元的專案，而且真的會影響病人安全。在金融服務業也有類似的情況：合規要求造成高度黏著性——稽核軌跡、監管申報、資料保存政策，全都已經深度內建在軟體之中。
HIPAA 不會因為有了 LLM 就改變。
FDA 認證不會因為 GPT-5 出現而變得比較容易。
SOX 的合規要求，也不會因為 Anthropic 推出新插件而鬆動。
Epic 在醫療 EHR 領域的優勢，本質上是一道監管護城河。18 個月的導入期、各種合規與認證、與醫院計費系統的深度整合——這些幾乎都不會受到 LLM 的影響。
事實上，在那些「合規鎖定最強」的垂直領域，監管要求反而可能放慢 LLM 的導入速度。醫院不可能用一個 LLM agent 直接取代 Epic，因為 LLM agent 沒有 HIPAA 認證、沒有符合要求的稽核軌跡，也沒有經過 FDA 對臨床決策支援的驗證。
8. 網路效應 → 黏著度
有些垂直型軟體，會隨著產業內使用者越多而變得越有價值。
Bloomberg 的即時通訊功能（IB chat）就是華爾街事實上的溝通層。如果你的每一個交易對手都在用 Bloomberg，你就非用不可。原因不在資料，而在網路本身。
LLM 並不會破壞網路效應。甚至可以說，它們可能讓通訊型網路變得更有價值。因為在這些網路中流動的資訊，會成為訓練資料、上下文與訊號。
這個邏輯同樣適用於任何在產業中扮演「溝通層」角色的垂直軟體。
Veeva 在製藥產業之間的網路效應，Procore 在建築產業各方利害關係人之間的網路效應。
它們之所以黏著，不是因為介面多漂亮，而是因為平台上有哪些人。價值來自網路，而不是 UI。
9. 深度嵌入交易本身 → 具備持久護城河
有些垂直型軟體直接坐落在金流之中。
餐廳的支付處理、銀行的放款起案（loan origination）、保險公司的理賠處理——當你的系統深度嵌入交易本身，切換系統就等於中斷營收。沒有人會自願這麼做。
如果你的軟體負責處理付款、發放貸款、或完成交易結算，LLM 並不會把你排除在外。它頂多成為疊在你上方的更好介面，但底層的「交易軌道」仍然不可或缺。
Stripe 不會因為 LLM 而受到威脅，FIS 也不會，Fiserv 同樣如此。
交易處理層是基礎設施，不是介面；LLM 可能改變你怎麼「使用」它，但不會讓它消失。
10. 系統紀錄地位 → 長期受威脅
當你的軟體成為關鍵商業資料的權威事實來源（canonical source of truth）時，轉換系統就不只是麻煩，而是攸關生存的風險。
如果在遷移過程中資料被破壞怎麼辦？
如果歷史紀錄遺失怎麼辦？
如果稽核軌跡斷裂怎麼辦？
Epic 是病患資料的系統紀錄來源；Salesforce 是客戶關係的系統紀錄來源。
這些公司受益於一種不對稱性：留下來的成本很高（昂貴的費用），離開的成本更高（潛在的資料流失與營運中斷）。
大型語言模型（LLMs）目前尚未直接威脅到「系統紀錄來源」的地位，但 AI agent 正在悄悄建立屬於自己的系統紀錄來源。
事情正在這樣發生：AI agent 不只是查詢既有系統。
它們會讀取你的 SharePoint、你的 Outlook、你的 Slack；它們蒐集關於使用者的資料；它們撰寫可跨 session 持續存在的詳細記憶檔案。而在執行關鍵行動時，它們會把相關脈絡一併保存下來。
久而久之，agent 累積的，會是一個比任何單一系統紀錄來源都更完整、更豐富的使用者工作全貌。
Agent 的記憶，逐漸成為新的事實來源。不是因為有人刻意設計如此，而是因為 agent 是唯一能「看到一切」的那一層。
Salesforce 只看到你的 CRM 資料。
Outlook 只看到你的電子郵件。
SharePoint 只看到你的文件。
Agent 同時看到三者，而且會記住。
這不會一夕之間發生。但從趨勢上來看，agent 正在從零開始，建立自己的系統紀錄來源，而隨著 agent 的情境記憶持續成長。
傳統系統紀錄來源的護城河，正在被一點一滴削弱。
淨效應：進入門檻崩塌
把所有因素加總起來。五個護城河被摧毀或削弱了，五個護城河仍然存在。但關鍵在於，那些被打破的護城河正是阻擋競爭者的障礙；而仍然存在的護城河，只有部分既有公司才擁有。
在大型語言模型（LLM）出現之前，要建立一個像 Bloomberg 或 LexisNexis 這樣可信的競爭產品，需要數百名熟悉該領域的工程師、數年的開發時間、龐大的資料授權合約、能夠銷售給保守企業的業務團隊，以及各種監管認證。結果是，大多數垂直領域最多只有 2-3 個真正的競爭者。
LLM 出現之後，一個小團隊只要有前沿模型 API、領域專業知識，以及良好的資料管道，就能在數月內打造出能完成垂直軟體 80% 功能的產品。我之所以知道，是因為我做過。Fintool 由六人團隊建立，我們的客戶是過去完全依賴 Bloomberg 和 FactSet 的對沖基金。原因不是我們有更好的資料，而是我們的 AI 代理能比需要多年訓練才能掌握的終端/工作站更快、更直覺地提供答案。
關鍵洞察在於，競爭並非線性增加——它是組合式爆炸的。你不會從 3 個既有玩家變成 4 個，而是從 3 個變成 300 個。這正是摧毀定價權的原因。在 LLM 出現之前，每個垂直領域都有 2-3 個主導玩家，能收取高額費用，因為進入門檻幾乎無法逾越。這個數學完全改變了：當 50 家 AI 原生的新創公司能以原價 20% 提供 80% 的能力時，市場格局完全不同。
細節分析：這是一個多年過渡，而非一夜崩塌
我認為市場在時間點上判斷錯誤，即使方向是對的。
企業收入不會一夕消失
FactSet 的客戶簽的是多年合約。Bloomberg Terminal 的合約通常至少 2 年。這些合約不會因為 Anthropic 推出一個插件就瞬間消失。
企業採購週期是以季度和年份計算的，而不是以天計算。一個 500 億美元的對沖基金不會因為 Claude 可以查詢 SEC 文件就明天就把 S&P Global CapIQ 換掉。他們會花 12–18 個月評估替代方案，進行試點計畫，談判合約條款，並等現有合約到期。
收入下滑的「懸崖」是真實存在，但它更像是一個坡，而不是懸崖。現有收入在未來 12–24 個月基本上是鎖定的。
但事情是這樣的，市場已經理解：你不需要收入下滑，股價也可能崩跌。你只需要「倍數收縮」。一間財經數據公司，當它擁有定價權且客戶留存率 95% 時，可能以 15 倍收入交易；但當市場認為這些護城河正在消失，它可能只值 6 倍收入。收入保持平穩，股價卻下跌 60%。這正是目前部分公司的情況。
市場不是在預期收入崩塌，而是在預期「高價倍數的結束」，因為支撐這個倍數的護城河正在消失。
真正的威脅
真正的威脅不是大型語言模型（LLM）本身，而是一個縱橫夾擊，傳統垂直軟體公司沒料到的局面。
從下方來看，數百家 AI 原生的新創公司正在進入各個垂直領域。過去，要建立一個可信的金融數據產品，需要 200 位工程師和 5000 萬美元的數據授權費，市場自然集中在 3–4 家玩家手中。但當只需要 10 位工程師和最前沿的模型 API，市場就會劇烈分散。競爭從 3 家變成 300 家。
從上方來看，水平平台首次深入垂直領域。Microsoft Copilot 在 Excel 中已經能做 AI 驅動的 DCF 模型與財務報表解析；在 Word 中則能進行合約審查與案例法研究。水平工具透過 AI 變成垂直工具，而不是靠工程規模。
Anthropic 正從另一個方向做同樣的事。我特別關注，因為 Fintool 是 Anthropic 支持的公司。Claude 正全面進攻垂直領域，其操作手冊極其簡單：通用代理工具（SDK）、可插拔的數據存取（MCP）、以及特定領域 Skill（Markdown 文件）。就這些，這整個堆疊就足以把水平平台轉成垂直平台。無需領域工程師，無需多年開發。
軟體正在變得「無頭化」。介面消失，一切都透過代理流動。重要的已不再是軟體本身，而是掌握客戶關係與使用場景，也就是掌握代理本身。
能夠實現垂直深度的技術（LLM + skills + MCP），同時也是讓水平平台能夠進入以往無法觸及領域的技術。這也許是對垂直軟體最具生存威脅的地方：像 Microsoft 這樣的水平 B2B 玩家已經不再只是涉獵垂直領域，而是積極擴張，因為現在比以往任何時候都容易做到，而且他們必須掌握使用場景與工作流程，才能在 AI 為先的世界中保持競爭力。
風險評估框架
並非所有垂直型軟體面臨的風險都一樣。以下是我用來判斷哪些類別能存活、哪些可能出局的思考方式。
高風險：搜尋層（Search Layer）
如果你的核心價值在於，透過一個專門化的介面，讓資料更容易被搜尋與存取，而底層資料本身是公開的或可授權取得的，那你正身處險境。這包括：建立在授權交易所資料上的金融資料終端、建立在公開判例法上的法律研究平台、專利搜尋工具，以及任何本質上等於「我們為你這個產業做了一個更好的搜尋引擎」的產品。
這類公司過去能以 15–20 倍營收估值交易，靠的是介面鎖定效應與有限競爭。但這兩者正在迅速蒸發。看看那些在過去一年市值下跌 40–60% 的金融資料供應商，市場重新定價是合理的。
中度風險：混合型投資組合
許多垂直軟體公司同時擁有具防禦性與高度曝險的業務線。一家公司可能一方面有真正專有的評級業務，另一方面卻有主要只是重新包裝公開資訊的資料分析部門；或者同時擁有指數授權業務（嵌入交易流程中、極具防禦性）與研究平台（純搜尋層、高度曝險）。
這一類公司股價下跌 20–30%，反映的是市場對於「究竟哪個部門主導整體估值」的不確定性。關鍵問題在於：有多少營收來自 LLM 無法觸及的護城河？
較低風險：法規堡壘
如果你的護城河來自法規認證、合規基礎設施，以及與關鍵任務工作流程的深度整合，那在中期內，LLM 幾乎不會動搖你的競爭地位。像是具備 HIPAA 合規與 FDA 驗證的醫療 EHR 系統、有法規鎖定效應的生命科學平台、金融合規與申報基礎設施。
這些公司甚至可能因其他領域的 AI 顛覆而受益，因為客戶會在受管制的工作流程上，集中選擇他們信任的供應商，同時捨棄僅用於資訊檢索的工具型廠商。
檢驗方式
對任何一家垂直軟體公司，問三個問題：
- 資料是否為專有？如果是，護城河仍在；如果不是，存取層正在崩解。
- 是否存在法規鎖定？如果是，LLM 不會改變轉換成本；如果不是，轉換成本主要來自介面，且正在消散。
- 軟體是否嵌入在交易流程中？如果是，LLM 只會疊加在你之上，而非取代你；如果不是，你是可被替換的。
零個「是」：高風險。一個：中度風險。兩個或三個：大致安全。
我在兩種極端產品開發中的心得
當我從 2016 年開始建立 Doctrine 時，其中一個護城河是介面。我們打造了漂亮的案例法搜尋體驗，律師們很喜歡，因為比市面上任何產品都更快速、更直覺。大部分資料是公開的，但我們的介面和搜尋方式讓資料變得易於存取。如果今天我要從零開始重建 Doctrine，這個業務將面臨根本不同的競爭環境。LLM 代理能像我們的介面一樣有效地查詢案例法。
這個體悟正是我建立 Fintool 的原因不同。我們不靠介面競爭，而是靠 AI 代理的輸出品質、我們建構的專屬技能與數據管線，以及我們與專業投資人建立的信任——這些投資人依賴我們的準確度做出百萬美元的決策。當介面變成對話時，產品本身就是其背後的智慧。
垂直 SaaS 的洗牌，不是說所有垂直軟體都會消失，而是市場終於開始分辨：哪些公司擁有真正稀缺的資源，哪些只是把別人的資料包裝成漂亮的介面。
Dr. J
喜歡這篇文章嗎？
訂閱電子報，不錯過最新內容！