十年垂直软件创业老兵，我对软件股大抛售的5点判断
2026年1月30日，AI巨头Anthropic为Claude Cowork推出了11个开源插件，涵盖销售、财务、法律、数据、市场营销等多个领域。
通过接入这些插件，Claude即可化身销售专家、财务专家、法律顾问或数据分析师。过去需要一整套软件与流程才能完成的工作，如今可以直接打包交给AI处理。
华尔街随即高呼「SaaS末日」来临，软件股遭遇大规模抛售。
针对这一现象，垂直软件创业者Nicolas Bustamant于2月17日发表了一篇题为《十年构建垂直软件：我对抛售的看法》的文章，迅速引发广泛讨论。
这篇文章讨论了五个主题，无论你是软件从业者、投资者，抑或是使用者，本文都值得一看。
以下为正文。
过去几周，软件与服务类股票市值蒸发了近1万亿美元。FactSet（慧甚｜美国金融数据与软件提供商）从200亿美元的峰值跌破80亿美元。S&P Global（标普全球｜全球金融市场信息供应商）在几周内缩水了30%。Thomson Reuters（汤森路透｜全球专业信息服务提供商）在近一年几乎腰斩。涵盖140家公司的标普500软件与服务指数，年初至今下跌了20%。
上周，Anthropic发布了针对 Claude's Cowork 的行业专用插件。Cowork是一款专为知识工作者设计的AI agent，能够自主处理复杂的研究、分析和文档工作流。
华尔街称此为恐慌。过去十年，我一直在做垂直软件。先是创立了Doctrine，现在是欧洲最大的法律信息平台，然后创立了Fintool，一个在美国与彭博、FactSet和标普全球竞争的、由AI驱动的股票研究平台。
我曾打造过大语言模型（LLM）如今正在威胁的那类软件。我现在又在打造发起这种威胁的那类软件。我亲身经历过这场颠覆的两边。
我的看法是：LLM正在系统性地瓦解曾经让垂直软件固若金汤的护城河，但并非全部。结果是，我们需要重新定义什么能让垂直软件具备价值，以及它应得的估值倍数。
本文内容：
垂直软件的十大护城河，以及LLM对每条护城河的影响
为何市场抛售在结构上是合理的，但在时间上被夸大了
真正的威胁究竟是什么（并非你想的那样）
什么将取代垂直软件
垂直软件行业未来何去何从
一、垂直软件的十大护城河
垂直软件是为特定行业构建的软件。例如，金融业的彭博，法律界的LexisNexis，医疗保健领域的Epic，建筑行业的Procore，生命科学领域的Veeva等。
这些公司都有一个共同特征：收费高昂，且客户极少流失。FactSet每个用户年费超过1.5万美元。彭博终端每个席位收费2.5万美元。LexisNexis每月向律所收取数千美元费用。客户留存率普遍在95%左右。
我认为存在十条不同的护城河。LLM正在攻击其中一些，同时保留另一些。理解哪些被攻击、哪些不会，是这场游戏的关键。
1. 习得性界面 → 被摧毁
彭博终端的用户花了数年时间学习键盘快捷键、功能代码和导航模式。GP、FLDS、GIP、FA、BQ——这些并非直观易用，而是一门语言。一旦你熟练掌握，切换到另一个平台就意味着你要重新变回"文盲"。
我听过无数次这样的说法："我们是一家FactSet商店"、"我们是Lexis律所"、"我们是彭博社"。这些说法并非关乎数据质量或功能集，而是关于软件肌肉记忆的陈述。人们花了十年时间学习使用某个工具，这种投资是无法迁移的。
这是最被低估的护城河。知识工作者愿意付费，就是为了不必重新学习他们已经花了十年时间精通的工作流。界面本身就是价值主张的重要组成部分。
我在Doctrine亲身体验过这一点。我们有一支设计师团队和一小队客户成功经理（CSM），他们的全部工作就是引导律师熟悉我们的界面。每一次UI改动都是一个项目：用户研究、设计冲刺、谨慎发布、手把手指导。我们可能会花数周时间重新设计一个分面搜索筛选器，因为律师们已经对旧版本形成了肌肉记忆。界面不仅仅是一个功能，它就是产品本身。维护它也是我们最大的成本中心之一。
而在Fintool，我们完全没有新手引导，没有客户成功经理教人们如何使用产品。用户只需用简单直白的英语输入自己想要什么，就能得到答案。没有需要学习的界面，因为一切都是对话。整个成本中心——设计师、CSM、UI变更管理——都不复存在了。聊天界面吸收了所有这些支撑结构。
LLM将所有专属界面整合到一个Chat。
想想今天一个金融分析师在彭博终端上做什么。他们导航到股票筛选功能，使用专门语法设置参数，导出结果，切换到DCF模型构建器，输入假设条件，运行敏感性分析，导出到Excel，制作演示文稿。
每一步都需要学习界面知识，每一步都在强化转换成本。
现在再想想，同样的分析师用LLM agent做这件事：
“找出所有市值超过10亿美元、市盈率低于30、年营收增长超过20%的软件公司。为前五名构建DCF模型。对折现率和终值增长率进行敏感性分析。"
三句话。没有快捷键，没有功能代码，没有导航。用户甚至不知道LLM查询了哪个数据提供商，他们也不在乎。
当界面变成自然语言对话时，多年的肌肉记忆变得一文不值。每年每席位2.5万美元的转换成本消融了。
对许多垂直软件公司来说，界面构成了大部分价值。底层数据是授权的、公开的或半商品化的。高定价的合理性是建立在数据之上的工作流。这个时代结束了。
2. 定制化工作流和业务逻辑 → 被蒸发
垂直软件将行业的实际运作方式编码进软件。一个法律研究平台不仅仅存储判例法，它编码了引文网络、Shepardize信号、判例摘要分类体系，以及诉讼律师撰写案情摘要的特定方式。
这种业务逻辑花了多年时间才建立起来，它反映了与领域专家成千上万次的对话。
当我创建Doctrine时，最困难的部分不是技术，而是理解律师的实际工作方式：他们如何研究判例法，如何起草文书，如何从立案到庭审构建诉讼策略。将这种理解编码成可工作的软件，是垂直软件有价值，也是其防御能力的来源。
LLM将所有这一切变成了一份Markdown文件。
这是最未被充分认识到的转变，我认为也是长期来看最具破坏性的。
传统的垂直软件将业务逻辑编码在代码中。成千上万个if/then分支、校验规则、合规检查、审批工作流。由工程师们经过多年硬编码而成，而且不是随便什么工程师都行。你需要真正理解该领域的软件工程师，这种人凤毛麟角。找到一个既能编写生产级代码，又懂得诉讼工作流如何运作，或者DCF模型应如何构建的人，是极其困难的。每次修改业务逻辑都需要开发周期、QA和部署。
让我从我自己的经历中举一个具体的例子。
在Doctrine，我们构建了一个法律研究工作流，用来帮助律师针对特定法律问题查找相关判例。系统需要区分法律领域（民事vs刑事vs行政），将问题解析为可搜索的概念，跨多个法院数据库查询，按相关性和权威性排序，并附上规范的引用上下文。构建这个系统花费了一个由工程师和法律专家组成的团队数年时间。业务逻辑分布在数千行Python代码、自定义排序算法和手动调优的相关性模型中。每一次修改都需要工程冲刺、代码审查、测试和部署。
在Fintool，我们有一个DCF估值技能。它告诉LLM agent如何进行贴现现金流分析：需要收集哪些数据，如何按行业计算WACC，需要验证哪些假设，如何运行敏感性分析，何时加回股权激励。这是一个Markdown文件。写这个文件花了一周时间，更新它只需几分钟。一个做过500次DCF估值的投资经理，可以在不写一行代码的情况下，将他们整个方法论编码进去。
数年的工程VS一周的写作。这就是转变。
而且不仅仅是速度问题。Markdown技能在很多重要方面都更胜一筹。任何人都能读懂，可审计，可为每个用户定制，并且随着底层模型的改进，它能自动变得更好，而我们无需碰一行代码。
业务逻辑正从由专业工程师编写的代码，迁移到任何拥有领域专业知识的人都能编写的Markdown文件。垂直软件公司花十年积累的业务逻辑，现在可以在几周内复制出来。工作流护城河正在迅速消融。
3. 公共数据访问 → 被商品化
垂直软件价值的很大一部分在于，让难以获取的数据变得易于查询。FactSet让SEC文件可搜索，LexisNexis让判例法可搜索。这些都是实打实的服务。SEC文件在技术上是公开的，但你可以试试阅读原始HTML格式的200页10-K报表。不同公司间的结构不一致，会计术语晦涩难懂。要提取你真正需要的数据，必须解析嵌套的表格、追踪脚注引用、核对调整后的数据。
在LLM出现之前，访问这些公共数据需要专门的软件和大量的工程架构支持。像FactSet这样的公司构建了成千上万个解析器，每种文件类型一个，应对每家公司特有的格式。随着格式变化，成群的工程师维护着这些解析器。将原始SEC文件转化为可查询数据的代码，曾经是一个真正的竞争优势。
在 Doctrine，这同样是极其繁重的工作。我们为不同判例法搭建了NLP 流水线：用命名实体识别（自然语言处理中识别人名、地名、机构名等特定意义实体的技术）来提取法官、法院、法律概念；用专用机器学习模型按法律领域分类判决；为每家格式各异的法院开发定制解析器。我们有工程师花费数年时间搭建并维护这套底层架构。这确实是令人印象深刻的技术，也是一条真正的护城河，因为复制它意味着数年的工作。
而在Fintool，我们完全没有构建这些。零命名实体识别，零定制解析器，零行业专用分类器。为什么？因为前沿模型已经知道如何解析10-K报表。它们知道家得宝的股票代码是HD，理解GAAP和非GAAP营收之间的区别。它们无需被教导就能解析分段披露的嵌套表格。Doctrine花费数年构建的解析架构，现在已成为模型免费提供的商品化能力。
LLM让这变得轻而易举。前沿模型已经从训练数据中学会了如何解析SEC文件。它们理解10-K报表的结构，知道在哪里找到收入确认政策，如何调节GAAP和非GAAP数据。你不需要构建解析器，模型本身就是解析器。输入一份10-K报表，它能回答关于它的任何问题。输入整个联邦判例法库，它能找到相关的先例。
垂直软件花费数十年构建的解析、结构化和查询能力，现在已成为基础模型本身自带的通用功能。数据本身并非一文不值，但「让数据可搜索」这一层（大量价值和定价权所在）正在崩塌。
4. 人才稀缺性 → 被逆转
构建垂直软件需要既懂领域又懂技术的人。既能写生产代码又懂信用衍生品结构的工程师，极为稀有。这种稀缺性创造了天然的进入壁垒，历史上限制了任何垂直领域内真正有实力的竞争者数量。
LLM完全颠覆了这条护城河。
在 Doctrine，招聘非常严苛。我们要的不只是优秀的工程师，而是能真正理解法律推理的工程师：先例如何运作，司法管辖区如何相互作用，以及向最高法院上诉的理由是什么样的。这种人几乎不存在。所以我们只能自己培养。每周我们都会举办内部讲座，由律师向工程师讲解法律系统的实际运作方式。一个新工程师，往往要过好几个月才能有产出。人才稀缺是真正的壁垒，不仅对我们，对任何试图与我们竞争的人也是如此。
在Fintool，我们完全不需要做这些。我们的领域专家（投资组合经理、分析师）直接将自己的方法写进Markdown技能文件。他们不需要学习Python，不需要理解API。他们用日常语言描述一个好的DCF分析是什么样的，LLM去执行它。工程部分由模型处理。领域专业知识，这一直是丰富的资源，现在可以直接转化为软件，而不再受制于工程瓶颈。
LLM让工程部分变得唾手可得，这意味着稀缺资源（领域专业知识）突然间在转化为软件的能力上变得充裕。这就是进入壁垒如此急剧崩塌的原因。
5. 捆绑销售 → 被削弱
垂直软件公司通过捆绑相邻功能来拓展业务。彭博从市场数据起步，然后增加了消息、新闻、分析、交易和合规模块。每新增一个模块，都会提高客户的转换成本，因为客户现在依赖的是整个生态系统，而不仅仅是一个产品。标普全球以440亿美元收购IHS Markit正是这种策略。捆绑本身成了护城河。
在Doctrine，捆绑是我们的增长策略。我们从判例法搜索起步，然后增加了法规、法律新闻、动态提醒、文档分析。每个模块都有自己的界面、自己的新手引导、自己的客户工作流。我们构建了复杂的仪表盘，律师可以在上面配置监控列表，设置特定法律主题的自动提醒，管理他们的研究文件夹。每一个功能都意味着更多的设计工作、更多的工程投入、更多的界面体量。这些捆绑锁定了客户，因为他们整个工作流都围绕我们的生态系统构建。
LLM agents打破了捆绑护城河，因为agents本身就是捆绑。在Fintool，提醒就是一个提示词，监控列表是一个提示词，投资组合筛选是一个提示词。没有为每个功能单独设置模块，没有需要维护的界面。客户说"当我的投资组合中有任何公司在财报电话中提到关税风险时提醒我"，它就能自动运行。agents在一个工作流程中协调十个不同的专门工具。它可以从一个来源获取市场数据，从另一个来源获取新闻，通过第三个来源运行分析，并汇总结果。用户永远不知道也不关心背后查询了五个不同的服务。
当集成层从软件供应商转移到AI agent时，购买捆绑包的动机就消失了。当一个agent可以为每个功能挑选最好（或最便宜）的提供商时，为什么还要为彭博的全套服务支付溢价？
这并不意味着捆绑模式会一夜消失。毕竟，管理十家供应商与只管理一家，在运营复杂度上的差异是真实存在的。但趋势是明确的：agents使"解绑"变得可行，这在以前是不可能的。
6. 私有和专有数据 → 变得更强
一些垂直软件公司拥有或授权了别处不存在的数据。彭博从全球交易台采集实时定价数据。S&P Global拥有信用评级和专有分析。邓白氏维护着超过5亿家实体的商业信用档案。这些数据通常是经过数十年，通过独家关系收集而来的。你无法简单地抓取，也无法重新创造。
如果你的数据确实无法复制，LLM会让它更有价值，而不是降低。
彭博从交易台获得的实时定价数据？无法爬取，无法合成，也无法从第三方授权。在LLM的世界里，这种数据成为每个agent都需要的稀缺输入。彭博在专有数据上的定价能力实际上可能会增强。
S&P Global的信用评级也类似。信用评级不仅仅是数据，它是一种观点，背后有受监管的方法论和数十年的违约数据支持。LLM无法发布信用评级，但标普可以。
测试方法很简单：这些数据能否被其他人获取、授权或合成？如果不能，护城河保持。如果能，你就有麻烦了。
我在两家公司都见证过这种情况。当我们创办Doctrine时，核心价值是用行业特定的架构（分类法、引用网络、相关性排名）来梳理公开判例法。但团队很早就意识到，仅靠公开数据是不够的。
大约五年前，我们开始建立一个独家内容库：专有的法律注释、编辑分析、精心策划的评论。如今，这个库确实难以复制，它已成为真正的护城河。
能在这场转型中幸存下来的公司，正是那些从"我们更好地组织公开数据"转向"我们拥有你在别处无法获取的数据"的公司。
变化在于：那个智能层过去需要多年的工程投入，现在已成为模型自带的能力。甚至数据访问本身也在被商品化。MCP（模型上下文协议｜一种数据标准化协议）正在将每个数据提供商变成一个插件。已经有数十家公司以MCP服务器的形式提供金融数据，任何AI agent都可以查询。当你的数据作为Claude插件可用时，“让数据可访问”的溢价就消失了。
讽刺的是，LLM加速了两极分化。拥有专有数据的公司赢得更多，没有的公司将失去一切。
如果你的数据不是真正独特的，如果它可以在别处获取、授权或合成，你就不安全，你面临被商品化的风险。AI agent将拥有与客户的关系，它将成为用户交互的界面、他们信任的品牌、他们付费的产品。你变成了agent的供应商，而不是客户的供应商。
这是聚合理论在实时上演：聚合者（agent）捕获用户关系和利润，而供应商（数据提供商）为了接入平台而竞相压价。如果彭博、FactSet和十几家小型提供商都提供类似的市场数据，agent将选择最便宜的那个。你的定价权消失了，利润被压缩，你最终只能沦为别人产品里一个廉价的原料供应商。
7. 监管与合规锁定 → 结构性的
在医疗领域，Epic的主导地位不仅仅在于产品质量，还在于HIPAA合规性、FDA认证以及医院需要忍受的18个月实施周期。更换电子病历（EHR）供应商是一个长达数年、耗资数百万美元的项目，甚至可能危及患者安全。在金融服务领域，合规要求也造成了类似的锁定：审计追踪、监管报告、数据保留政策，全都内嵌在软件中。
HIPAA不关心LLM。FDA认证不会因为GPT-5的存在而变得更容易。SOX合规要求不会因为Anthropic发布了新插件而改变。
Epic在医疗EHR领域的主导地位本质上是一种监管护城河。那18个月的实施周期、合规认证、与医院计费系统的集成，所有这些都不受LLM的影响。
事实上，监管要求可能会在合规锁定最强的垂直领域减缓LLM的采用。医院不能用LLM agent取代Epic，因为LLM agent未获得HIPAA认证，没有所需的审计追踪，也未获得FDA对临床决策支持的验证。
8. 网络效应 → 具有粘性
一些垂直软件随着行业内更多参与者使用而变得更有价值。彭博的即时通讯功能（IB chat），是华尔街事实上的通讯层。如果每个交易对手都使用彭博，你就必须使用彭博。不是因为数据，而是因为网络。
LLM不会摧毁网络效应。如果有什么影响的话，它们可能会让通讯网络变得更有价值。流经这些网络的信息变成了训练数据、上下文和信号。
同样的情况也适用于任何作为行业内通讯层的垂直软件。Veeva在制药公司间的网络效应，Procore 在建筑行业各参与方之间形成的网络效应，这些都是具有粘性的，因为价值来自于平台上的其他用户，而不是来自于界面。
9. 交易嵌入 → 持久
一些垂直软件直接嵌入资金流中。餐厅的支付处理，银行的贷款发放，保险公司的理赔处理。当你嵌入交易时，转换意味着中断收入。没人会自愿这么做。
如果你的软件处理支付、发放贷款或结算交易，LLM无法绕开你。它可能为你提供更好的前端界面，但底层交易系统仍然是必不可少的。
Stripe不受LLM威胁，FIS或Fiserv也是如此。交易处理层是基础设施，而非界面。
10. 记录系统地位 → 长期受威胁
当你的软件是关键业务数据的权威来源时，转换不仅不方便，还存在生存风险。如果迁移过程中数据损坏了怎么办？如果历史记录丢失了怎么办？如果审计追踪中断了怎么办？
Epic是患者数据的记录系统，Salesforce是客户关系的记录系统。这些公司受益于留下成本与离开成本的不对称性：留下，只需支付高昂费用；离开，却要承担数据丢失、业务中断的巨大风险。
LLM目前并不会直接威胁记录系统的地位。但agent正在悄悄构建自己的记录系统。
情况是这样的：AI agent不仅查询现有系统，它们h还会读取你的SharePoint、Outlook、Slack。它们收集用户数据，编写跨会话持久的详细记忆文件。当它们执行关键操作时，会存储这些上下文。久而久之，agent积累的用户工作画像，会比任何单一记录系统都要更丰富、更完整。
agent的记忆成为新的信息源。不是有人刻意安排，而是因为agent是唯一能看到一切的层级。Salesforce看到你的CRM数据，Outlook看到你的邮件，SharePoint看到你的文档。agent三者都能看到，并记住。
这不会一蹴而就。但从方向上讲，agents 正从零开始建立自己的记录系统。随着agent上下文记忆的增长，传统的记录系统的护城河会逐渐削弱。
二、对抛售的看法
净效应：进入壁垒崩塌
综合来看，五条护城河被摧毁或削弱，五条能稳住。但被摧毁的五条正是阻止竞争者进入的那些。而得以保留的，只有部分现有企业才拥有。
LLM出现之前，构建一个能与彭博匹敌的有力竞争者，需要数百名懂行的工程师、数年的开发时间、大规模的数据授权协议、能攻克保守企业的销售团队，以及监管认证。结果就是：大多数垂直领域只有 2-3 个有力竞争者。
LLM出现之后，一个小团队，利用前沿模型API、领域专业知识和良好的数据管道，就能在数月内构建一个能完成垂直软件80%功能的产品。我亲身经历过，因为Fintool就是由一个六人团队构建的。我们服务的对冲基金，以前只依赖彭博和FactSet。不是因为我们有更好的数据，而是因为我们的AI agent比需要多年训练才能掌握的终端/工作站，能更快速、更直观地提供答案。
关键洞见在于，竞争不是线性增长——而是组合式爆发。行业不是从3家现有企业增加到4家，而是从3家直接跳到300家。这正是定价权崩溃的原因。在LLM之前，每个垂直领域都只有2-3家主导企业，因为进入壁垒高不可攀，它们能收取高价。当50家AI原生初创公司能以20%的价格提供80%的功能时，这种局面就彻底改变了。
微妙之处：这是一个多年的转型，而非一夜崩塌
我认为市场在时机判断上可能错了，即使方向是正确的。
企业收入不会一夜消失。
FactSet的客户签的是多年合同。彭博终端的合同通常至少两年。这些合同不会因为Anthropic发布了一个插件就蒸发。
企业采购周期以季和年计，而非以天计。一个500亿美元的对冲基金不会因为Claude能查询SEC文件，明天就撤掉标普全球的CapIQ（标普旗下的一个研究平台）。他们会用12-18个月评估替代方案，运行试点项目，谈判合同条款，等待现有合同到期。
收入悬崖是真实存在的，但它是一个斜坡，而不是峭壁。当前收入在未来12-24个月内基本上是锁定的。
但市场已经明白的是：不需要收入下降股票才会崩盘，只需要估值倍数压缩。一家金融数据公司，当它拥有定价权和95%的留存率时，交易倍数是收入的15倍；当市场认为这两者都在被侵蚀时，可能只值6倍。收入保持不变，股价却跌了60%。而这，正是当下部分企业正在经历的现实。
市场不是在为收入崩溃定价，而是在为溢价倍数的终结定价，因为支撑那个倍数的护城河正在消融。
三、真正的威胁
真正的威胁不是LLM本身，而是一个垂直软件现有企业未能预见的钳形攻势。
从下方看，数百家AI原生初创公司正涌入各个垂直领域。当构建一个可信的金融数据产品需要200名工程师和5000万美元的数据授权费用时，市场自然整合到3～4个玩家。而当它只需要10名工程师和前沿模型API时，市场就会剧烈碎片化，竞争者从3家直接飙升至300家。
从上方看，水平平台首次深入垂直领域。微软Copilot在Excel内部进行AI驱动的DCF建模和财务报表解析。Copilot在Word内部进行合同审查和判例法研究。水平工具通过AI，而非通过工程，变得垂直化。
Anthropic正从另一个方向做着同样的事情。我之所以近距离观察着这一切，因为Fintool是一家Anthropic投资的公司。Claude正在全力进军垂直领域。其策略简单得可怕：一个通用agent工具包（SDK），可插拔的数据访问层（MCP），以及特定领域的技能（Markdown文件）。就这些。这就是你从水平走向垂直所需的全部技术栈。不需要领域工程师，不需要多年的开发。
软件正在变得"无头化"。界面消失了。一切都通过agent流动。重要的不再是软件本身，而是拥有客户关系和使用场景，这意味着拥有agent本身。
实现垂直深度的技术（LLMs + 技能 + MCP），正是让水平平台最终能够进入它们以前从未能触及的领域的技术。这或许是垂直软件最根本的生存威胁：像微软这样的水平B2B巨头，不再只是浅尝辄止地涉足垂直领域 —— 它们正强势大举进军。原因很简单：如今切入垂直领域比以往任何时候都容易，更重要的是，在这个 AI 优先的时代，它们必须掌控核心应用场景和工作流，才能保持自身的竞争力。
四、风险评估框架
并非所有垂直软件都面临同等风险。以下是我对哪些类别能够存活、哪些不能的思考框架。
高风险：搜索层
如果你的核心价值只是通过专业界面让数据可搜索和访问，而底层数据是公开或可授权的，那你就麻烦大了。这包括基于持牌交易所数据构建的金融数据终端、基于公开判例法的法律研究平台、专利检索工具，以及任何本质上只是“我们为你的行业打造了一个更好的数据搜索引擎”的垂直产品。
这些公司之所以能有15-20倍收入的估值，靠的是界面锁定和有限的竞争。这两者都在消失。看看过去一年市值蒸发40-60%的金融数据提供商。市场对它们重新定价是正确的。
中等风险：混合组合
许多垂直软件公司，同时拥有可防御和易受攻击的业务线。一家公司可能有一个真正专有的评级业务，同时也有一个主要是重新包装公开信息的数据分析板块。或者有一个嵌入交易的指数授权业务（非常可防御），同时也有一个纯粹搜索层的研究平台（非常易受攻击）。
该类股票下跌（20-30%），反映了市场对哪些细分板块主导估值的不确定性。关键问题是：收入中有多大比例来自LLM无法触及的护城河？
较低风险：监管堡垒
如果你的护城河是监管认证、合规基础设施以及与关键任务工作流的深度集成，那么中期内，LLM基本不会影响你的竞争地位。比如，具备HIPAA 合规和 FDA 认证的医疗电子病例系统，具有监管锁定的生命科学平台、财务合规和报告基础设施。
这些公司甚至可能从其他地方的AI颠覆中受益，因为客户会围绕他们信任的供应商进行受监管的工作流，同时从他们过去用于信息检索的供应商转出。
五、测试方法
对于任何垂直软件公司，只需问三个问题：
1. 数据是专有的吗？
是 → 护城河依然稳固
否 → “让数据可访问”这层壁垒正在崩塌
2. 是否存在监管锁定？
是 → LLM不会改变切换成本的计算公式
否 → 转换成本主要由界面驱动，且正在消融
3. 软件是否嵌入交易？
是 → LLM只会叠加在你之上，而非取代你
否 → 你是可替代的。
零个"是"：高风险。
一个"是"：中等风险。
两个或三个"是"：你大概没问题。
我在两边都学到的经验
当我从2016年开始创建Doctrine时，护城河之一就是界面。我们在判例法和成文法上构建了漂亮的搜索体验。律师们喜欢它，因为它比市场上的任何产品都更快、更直观。大部分数据是公开的，但我们的界面和搜索使其易于获取。如果今天从零开始创建Doctrine，将面临一个完全不同的竞争格局。一个LLM agent就可以像我们的界面一样高效地查询判例法。
垂直SaaS的这场清算，并非意味着所有垂直软件都会消亡。而是市场终于开始区分：谁真正拥有LLM agent无法撼动、真正稀缺的核心壁垒。