（来自 Deedy: https://x.com/deedydas/status/2053303865269952513?s=20）
这张图来自Ramp的Spring 2026 Business Spending Report（所以并没有 5 月数据，Codex 的暴增我认为会改变 OpenAI 的格局）。
点击阅读原文，获得整份报告。Ramp 这份报告基于 50,000+ 家企业、超过 1000 亿美元年化商业支出的匿名交易数据，追踪 AI 采用、软件供应商迁移、SaaS 类目变化等。
更具体地说，这张图看起来是 Ramp Rate 里的一个汇总可视化：
横轴是某个 vendor 在其所属软件类目里的 Adoption Rate，即过去 12 个月内，在该类目有采购行为的公司里，有多少比例买了它；纵轴是这个 adoption rate 的同比变化；气泡大小是 spend share。
需要注意一个背景：Ramp 自己也说明它的数据不是“全美国企业平均样本”，而是更偏 高增长、技术前沿、愿意使用现代财务系统的企业。所以这张图更像是“未来软件采购趋势的领先指标”，而不是传统市场份额报告。
这张图的特别之处在于，不是问卷，也不是 VC 叙事，而是来自企业真实付款数据。Ramp 覆盖 5 万多家企业、超过 1000 亿美元年化商业支出，因此它能看到一个很有意思的信号：
公司到底在把钱付给谁。
整体上，它把 69 家 adoption rate 超过 10% 的软件公司放到一个二维矩阵里。这张图不是告诉我们 Salesforce、Figma、GitHub 这些大公司仍然很大。真正有意思的是：
一些原本不那么显眼的新公司，正在从左上角、右上角冒出来。
左上角是Rising Challengers：采用率还不算最高，但增长很快。这里有 Clay、Granola、Decagon、Modal、Attention、Ahrefs、Vercel、Clerk、WorkOS 等公司。它们看起来分属不同赛道：销售、客服、会议记录、AI infra、SEO、开发者工具。
但背后有一个共同点：它们不是简单“给旧软件加一个 AI 按钮”，而是在重写某个工作流。
右上角是Scaling Leaders：采用率已经不低，还在继续增长。这里有 Anthropic、Profound、Prefect、PostHog 等。它们代表的是另一类信号：AI-native 工具不再只是实验预算，而开始进入企业日常软件栈。
AI 之后的软件竞争，不是“谁用了模型”，而是“谁拿到了新工作流的控制点”。
传统 SaaS 大多是 System of record，负责记录数据、管理流程、生成报表。新一代 AI-native 软件更像System of action：
它不只是告诉你发生了什么，而是直接帮你完成下一步动作。
我们来详细看看最有意思的几个象限。
一、右上角：已经开始规模化的新赢家
右上角的公司，代表的是最理想的位置：已经有不低的采用率，同时还在增长。
这意味着它们不再只是被少数早期用户尝鲜，而是开始进入企业的常规采购栈。这里面除了 Anthropic 这种大家熟悉的模型公司，我更想看几个相对没那么大众、但非常有代表性的公司：Profound、Prefect、PostHog。
Profound：AI 搜索时代的“新 SEO”
Profound 做的是 AI search visibility。简单说，它帮品牌回答一个新问题：当用户不再去 Google 搜索，而是直接问 ChatGPT、Perplexity、Google AI Overviews 的时候，AI 会不会提到我？会怎么描述我？会不会推荐我的竞品？
这件事为什么重要？
过去二十年，互联网营销的核心之一是 SEO。品牌花钱买 Ahrefs、Semrush、Moz，或者请 SEO agency，是为了知道自己在 Google 里排第几、关键词覆盖如何、外链质量如何。
但 AI 改变了搜索路径。用户问一句：“最适合创业公司的 CRM 是什么？”AI 可能直接给出答案。用户不一定再点十个网页。于是，品牌在 AI 答案里的位置，变成了新的货架。
Profound 抓住的就是这个变化。
它可能替代的传统预算包括：SEO 工具、brand monitoring、content marketing analytics、PR monitoring，甚至一部分咨询型 SEO agency。以前大家优化的是网页排名，现在要优化的是模型答案里的存在感。
所以 Profound 的增长不是因为“它也是 AI 工具”，而是因为它站在了一个新入口上：AI answer 正在成为新的流量分发层。
以前 CMOs 问：“我们的 Google ranking 怎么样？”以后可能会问：“我们的 AI visibility share 怎么样？”
Prefect：AI 时代的数据和任务编排层
Prefect 看起来没有 Profound 那么“新鲜”，因为它不是 2023 年后才成立的公司。它做 workflow orchestration，主要面向数据工程和机器学习工程团队。
你可以把它理解成：当一个公司有很多自动化任务，比如抓数据、清洗数据、更新数据库、跑模型、生成报告、重试失败任务、监控运行状态，Prefect 帮你把这些流程编排起来。
这听起来像传统数据工程工具，但 AI 之后，这个市场变得更大了。因为 AI 应用背后有大量新的 pipeline：
- RAG 系统要定期抓新文档、切分、embedding、更新向量库；
- 模型应用要跑 evaluation，看新 prompt 是否变差；
- 客服 agent 要同步知识库、业务系统、工单状态；
- 销售 agent 要抓公司数据、补全联系人、生成个性化内容；
- 内部 AI 工具要跑批量总结、分类、抽取、检查。
这些流程不再是传统 BI 时代那种稳定、可预测、结构化的 ETL。它们更动态、更实验性，也更依赖 Python 和 API。
Prefect 做对的一点是：它从一开始就更 Python-native，更适合现代数据/AI 团队的开发方式。相比 Airflow 这类更重、更偏传统 DAG 的系统，Prefect 对“快速搭建、快速修改、可观测、可恢复”的需求更友好。
所以 Prefect 的增长，本质上来自 AI 应用带来的后台复杂度。每一个看起来简单的 AI 产品背后，可能都有一堆数据同步、模型调用、失败重试、批处理任务。Prefect 卡住的是这些 AI workflow 的运行层。
它可能吃掉的是 Airflow、Dagster、cron、自建 pipeline、云厂商 workflow 服务的一部分份额。
PostHog：产品团队的“一体化操作系统”
PostHog 是我觉得这张图里最值得细看的公司之一。
它原本是 product analytics 工具，类似 Mixpanel、Amplitude。但它没有停在“看数据报表”这个层面，而是不断把产品团队需要的其他能力往里收：session replay、feature flags、A/B testing、surveys、data warehouse integration。
这件事很关键。传统 SaaS 市场是高度拆分的：
- 产品分析买 Mixpanel；
- 用户录屏买 FullStory 或 Hotjar；
- feature flag 买 LaunchDarkly；
- 实验平台买 Optimizely；
- 用户反馈买 Typeform 或 Delighted。
PostHog 的逻辑是：这些其实都是产品团队每天围绕“理解用户、发布功能、验证假设”做的事情，为什么要拆成五个工具？
AI 产品让这个需求更强了。因为 AI 产品的不确定性比传统软件更高：
- 模型输出不可控；
- 用户路径更发散；
- 失败案例更难复现；
- prompt 和模型版本会影响体验；
- 一个新功能可能需要快速灰度、回滚、观察、实验。
所以 AI 产品团队天然需要一个“观察 + 实验 + 发布控制”的闭环。
PostHog 的 winning reason 不只是便宜或开源，而是它抓住了产品团队从“分析报表”到“产品操作系统”的迁移。
它吃掉的可能是 Mixpanel、Amplitude、Hotjar、FullStory、LaunchDarkly、Optimizely 的组合预算。
二、左上角：Rising Challengers 里的新公司
左上角是这张图里最有想象力的区域。
这些公司的采用率还没有特别高，但增长很快。换句话说，它们还没完全进入主流，但已经被一批增长型公司快速采用。
Decagon：客服软件从“记录工单”变成“自动解决问题”
Decagon 做企业客服 AI agent。
它和上一代客服机器人最大的区别是：过去的 bot 通常只能回答 FAQ，遇到复杂问题就转人工。Decagon 想做的是能够真正处理业务流程的客服 agent：理解用户问题，查询订单、账号、退款、订阅、物流等系统，然后直接给出解决方案。
这代表了客服软件的一个巨大变化。
传统客服 SaaS，比如 Zendesk、Intercom、Kustomer，本质上是 system of record 和 workflow system：记录工单、分配工单、管理客服团队、统计响应时间。
但 Decagon 这类公司想做的是 system of action：不是帮人管理工单，而是直接解决一部分工单。
它替代的对象就不只是客服软件，还包括一部分客服人力和外包 BPO。对企业来说，如果一个 AI agent 能可靠处理 30%-50% 的低复杂度问题，这个 ROI 很容易算。
所以 Decagon 的增长来自一个很硬的商业逻辑：客服是成本中心，AI 如果能替代人工处理，就不是 nice-to-have，而是直接降本。
Granola：会议纪要变成个人和组织的工作记忆
Granola 做 AI meeting notepad。
表面上看，它和 Otter、Fireflies、Fathom 都是会议记录工具。但它的产品思路有点不一样。很多会议 AI 工具是“机器人进会议，然后生成总结”。
Granola 更像一个个人笔记本：你可以自己写一些关键词或碎片笔记，它再结合会议转录，帮你生成更有上下文、更贴近你关注点的 notes。
真正有价值的会议纪要，不是完整转录，也不是模板化总结，而是“对我有用的会议记忆”。同一场会议，销售、产品、创始人、投资人关心的重点都不同。
Granola 抓住的是：AI 不只是记录会议，而是把会议变成可查询、可整理、可行动的知识资产。
它可能替代 Otter、Fireflies、Fathom，也会吃掉 Notion、Google Docs、手动 meeting notes 的一部分使用场景。更进一步，它可能进入 CRM、招聘、客户成功、项目管理等场景，因为很多业务信息最早都是在会议里出现的。
Granola 的增长，说明 AI 在知识工作里的一个高频入口不是“写文章”，而是“帮我保留上下文”。
Harmonic：AI 的下一阶段是可验证
Harmonic 是一个更底层、更硬核的公司。它做数学推理和可验证 AI，核心产品 Aristotle，目标是让 AI 在数学、代码、科学、工程等场景里给出更可靠的答案。
过去两年，大模型证明了自己很会生成，但也暴露了一个问题：它会一本正经地胡说。对于写营销文案，这个问题可以人工改；但对于数学证明、代码验证、芯片设计、金融模型、科学研究，这个问题就很严重。
所以 AI 的下一阶段很可能不是“更会聊天”，而是“更可信、更可验证”。
Harmonic 押的就是这个方向。它不一定替代某个传统 SaaS，而是可能替代一部分高可靠推理、formal verification、coding agent、quant research、EDA/芯片设计辅助工具里的需求。
这类公司有点像 AI 时代的“可信计算层”：当企业不再满足于模型给一个听起来合理的答案，就需要一种机制证明它是真的。
三、左上角：它们为什么还能增长？
更有意思的是，左上角并不全是新公司。很多公司其实成立很早，甚至是传统 SaaS 或开发者工具公司。但它们没有被 AI 淘汰，反而重新站稳了。
原因通常不是“它们加了一个 AI 功能”，而是它们原本的资产在 AI 时代变得更值钱。
Clay：从销售数据库变成 GTM 工作流平台
Clay 虽然不是 2023 后成立的 AI Native 新公司。它早期更像数据 enrichment 和 outbound 工具，但 AI 之后，它的定位变得更清晰：GTM workflow platform。
以前销售团队买 ZoomInfo、Clearbit、Apollo，是为了拿到联系人和公司数据。但数据本身不是终点。销售真正想要的是：找到合适客户、判断是否匹配、补全信息、生成个性化触达、同步 CRM、启动邮件序列。
Clay 把这些动作放到一个类似 spreadsheet 的工作流里，再接入 AI research 和各种数据源。于是它不再只是数据库，而像一个 GTM 操作系统。
它可能吃掉 ZoomInfo、Clearbit、Apollo、Salesloft、Outreach，甚至一部分 SDR 手工 research 的预算。
Clay 做对的是：它没有把 AI 当成“帮你写邮件”的小功能，而是把 AI 放进整个销售工作流里，让数据直接变成动作。
Modal：让 AI infra 从云架构问题变成函数调用
Modal 做 AI infra。它让开发者用 Python 定义和运行 GPU/CPU 任务，不需要自己管理 Kubernetes、Docker、autoscaling、GPU 调度等复杂基础设施。
AI 之前，这类平台可能只是少数 ML 工程团队需要。但 AI 之后，很多公司都开始跑 embedding、batch inference、fine-tuning、evaluation、agent jobs。突然之间，大量软件团队都有了 AI workload。
传统云当然能做这些事，但复杂。Modal 的价值就是把复杂基础设施抽象掉，让开发者更快把 AI workload 跑起来。
它吃的是 AWS/GCP/Azure 里一部分 ML infra、自建 Kubernetes、SageMaker、RunPod、Replicate 等预算。
Modal 做对的是：它没有试图成为“大而全云平台”，而是专注在 AI workload 的开发者体验上。
Vercel：从前端云到 AI app 云
Vercel 原来是 Next.js 和前端部署平台。AI 之后，它抓住了一个新机会：大量 AI 应用本质上是前端交互 + streaming response + serverless function + model API + auth + data layer 的组合。
Vercel 的优势是它已经拥有开发者心智。很多前端/全栈开发者天然会用 Next.js 和 Vercel 部署应用。AI SDK、v0、streaming UI、agentic web 这些能力，让 Vercel 从“部署网站”升级成“构建 AI 应用”的平台。
它吃 Netlify、Cloudflare Pages/Workers、AWS Amplify、传统前端部署的一部分份额。
Vercel 做对的是：它抓住了 AI 应用开发入口，而不是只做云资源。
Clerk 和 WorkOS：AI 公司进入正式商业化时的基础设施
Clerk 做 auth，WorkOS 做 enterprise readiness。它们都不是 AI 公司，但都被 AI 应用浪潮带起来了。
一个 AI app 从 demo 变成真正产品，很快就会遇到两个问题：
用户系统怎么做？登录、注册、组织、权限、用户管理、billing 怎么接？这就是 Clerk 的机会。
卖给企业客户时，SSO、SCIM、RBAC、audit logs、admin portal 怎么做？这就是 WorkOS 的机会。
所以它们的增长来自 AI startup 和现代 SaaS 公司的爆发。大量新应用被快速创建，也需要快速补齐商业化和企业采购能力。
Clerk 吃 Auth0、Firebase Auth、Cognito、自建 auth。WorkOS 吃 Okta/Auth0 的开发者入口，以及内部工程团队自建 enterprise feature 的成本。
它们做对的是：把复杂但标准化的基础设施模块化，让产品团队不用重复造轮子。
Ahrefs：老 SEO 公司把自己升级成 AI visibility 平台
Ahrefs 是老公司。它本来是 SEO 工具，帮助用户看关键词、外链、竞争对手、搜索流量。
但它为什么会出现在左上角？我认为不是因为它突然变成了 AI-native 公司，而是它及时把原来的数据资产迁移到了 AI 搜索时代。
AI 搜索来了以后，SEO 没有消失，而是变形了。品牌仍然需要知道用户在问什么、哪些内容影响答案、哪些来源被模型引用、竞品在哪里出现。
Ahrefs 有多年积累的网页、关键词、外链、SERP 数据，这些资产在 AI visibility 时代仍然有价值。它推出 Brand Radar、AI Content Helper 等产品，本质上是在告诉市场：我不只是 SEO 工具，我也能帮你看 AI answer 里的品牌位置。
它可能吃 Semrush、Moz、SurferSEO、Clearscope，也会和 Profound 这类新公司竞争。
Ahrefs 做对的是：把旧市场的核心资产转译成新市场的语言。
看完这些公司，会发现 AI-native 公司绝对不再是调用“GPT API”或“贩卖” Token，他们在“执行”和“完成”。
第一，赢家都在从 record 走向 action。
传统 SaaS 记录信息：CRM 记录客户，客服系统记录工单，analytics 记录用户行为，SEO 工具记录排名。新公司更强调直接完成动作：Decagon 解决客服问题，Clay 生成并执行销售 workflow，Granola 生成会议后续动作，PostHog 直接连接实验和发布。
第二，赢家都在占据工作流的控制点。
AI 时代，单点功能会变得更容易被复制。真正值钱的是谁控制了完整工作流。Clay 控制 GTM workflow，PostHog 控制产品迭代 workflow，Prefect 控制数据和 AI pipeline，Vercel 控制 AI app 构建和部署 workflow。
第三，老公司能赢，往往是因为原有资产被 AI 重新放大。
Ahrefs 有搜索数据，Vercel 有开发者生态，Prefect 有 Python workflow，Heap 有用户行为数据，Groq 有推理硬件。它们不是凭空转型，而是把旧资产放进了新需求里。
第四，很多新公司吃掉的不是一个 SaaS，而是一组工具和一段人工流程。
比如 Clay 不是只替代 ZoomInfo，而是替代数据源、research、个性化写作、CRM 更新、SDR 手工操作的一整段流程。Decagon 不是只替代 Zendesk，而是替代部分工单系统、客服流程和人力成本。PostHog 不是只替代 Mixpanel，而是替代 analytics、replay、feature flag、experiment 的组合。
第五，AI-native 的本质不是“生成内容”，而是“把判断接进业务系统”。
真正有价值的 AI 软件，不是生成一段文字停在那里，而是能读业务上下文、做判断、调用工具、写回系统、触发下一步。也就是从 content generation 走向 workflow execution。
Agent 元年已到，我们进入到“下一代工作流”时代，无关 Agent 或人。
本文来自微信公众号“我思锅我在”，作者：我思锅我在GN，36氪经授权发布。
