事件本身

2025-2026 年三家基礎模型供應商在 GTM 上做出方向一致的動作：

• OpenAI 開 140 億美元獨立 DeployCo 派工程師駐點
• Anthropic 跟 Blackstone 做 15 億美元合資、跟高盛合資
• Google 把 FDE 納編進 Cloud 體系

三種組織結構不同、做的事一樣：把工程師塞進客戶辦公室。Palantir 過去獨佔的 FDE 模式現在被多家供應商大規模採用。三家共同的選擇背後是 SaaS 商業模式的三個核心前提同時鬆動—這是本篇主體要拆的結構性原因。

SaaS 支柱怎麼鬆動

SaaS 過去能跑出極高 毛利 跟 PLG 自助上手、靠三個前提同時成立。三個前提在 AI 時代各自鬆動、合起來就是 PLG 模式不可行的結構原因。

第一支柱：接近零的邊際成本

傳統軟體寫一次賣無數次、多服務一個客戶幾乎沒成本。免費試用、口碑擴散、產品內建分享機制都成本可控、不會吃掉公司賺到的錢。

AI 時代這個前提鬆動：每次 AI 回答用戶問題（推論）都要燒一次 GPU 算力、是真實的成本支出。具體算式是：

• 傳統 SaaS 賣 100 元、扣掉伺服器費用後剩 70-80 元（毛利 70-80%）
• AI 應用賣 100 元、要付給上游模型供應商的 token 費後只剩 50 元出頭（毛利 50% 出頭、COGS 從 20% 推到 40-50%）
• 中間 30 個百分點的差距、不是定價漲價能補回的差距—漲價會直接擠掉客戶

這個毛利下移會讓兩件事連動發生。

第一、免費試用變成燒錢。傳統 SaaS 的免費試用幾乎零成本（多開個帳號伺服器頂多多用一點）、AI 應用每次免費試用都在燒 GPU 算力、是真實成本。靠免費試用吸引用戶上來的 PLG（Product-Led Growth、靠產品自己吸引用戶上來、不靠業務推銷）模式、在毛利 50% 的成本結構下跑不下去。

第二、改回更貴的銷售模式。PLG 不能用、要改回業務面對面賣（Sales-led）、或派工程師駐點客戶辦公室（FDE、Forward Deployed Engineer）。兩條路都讓 CAC（Customer Acquisition Cost、獲取一個新客戶的所有成本）從 PLG 的幾十美元跳到 Sales-led 的幾千美元、再到 FDE 的幾萬美元。

第二支柱：非短暫性價值

傳統 SaaS 產品壽命長—Salesforce 用了 20 年、Slack 用了 10 年、客戶用越久越熟悉、切換成本 跟著累積。

AI 時代鬆動：工具迭代太快、產品壽命被壓縮。AI 模型 6 個月一代、產品介面跟工作流可能隔半年就被新一代功能取代。SaaS 賴以為生的「客戶用了 10 年捨不得換」假設不成立—客戶可能 6 個月就重新評估技術棧。

短壽命意味著：Retention 假設不能用傳統數字、LTV 計算更保守。

第三支柱：高切換成本

傳統 SaaS 把客戶綁住的方式有四種：資料存在你的系統裡（客戶要搬資料要花幾個月）、員工流程在你的介面上學會（重新訓練成本高）、IT 部門花時間做了權限管理（重新設定要重新規劃）、跟其他系統的整合都接好了（要重做整合）。整個換掉動作對中大型客戶要花幾個月到幾年、所以實際上客戶就不換了。

AI 時代這個前提鬆動：使用者越來越多是 AI agent（自動化程式、不是人類）。Agent 用 AI 不需要學介面、不需要 IT 整合、只需要把 API（Application Programming Interface、應用程式之間溝通的介面）規格搞清楚。AI 模型供應商之間的 API 越來越標準化、prompt（給 AI 的指令）也可以稍微改一改就跨模型用、客戶換 backend（後端服務）的成本變低。

切換成本下降意味著 Lock-in（客戶離不開的結構）沒那麼牢、客戶可能 6 個月就重新評估技術棧、SaaS 賴以為生的「客戶用了 10 年捨不得換」假設崩。對應的 retention（客戶留存率、簽下來的客戶 N 期後還繼續付費的比例）要用更保守的數字、估值也要打折。

支柱鬆動的綜合結果

三件事疊起來、傳統 SaaS 的 70-80% 毛利目標跟 AI 產品商 2026 年的 50% 預估之間差距、就是 估值 倍數結構性受壓的根因。三家基礎模型供應商共同放棄 PLG 路徑、改押 FDE / Enterprise License、是這套結構鬆動下的合理 GTM 選擇—不是個別公司的策略偏好、是 unit economics 算式倒推的結論。

為什麼必須派人到現場：Tacit Knowledge 萃取

三支柱鬆動只解釋「為什麼不能走 PLG」、不解釋「為什麼必須是 FDE 而不是傳統 Sales-led」。下一塊拼圖是需求探索方法。

傳統 SaaS 開發流程依賴一件事：「需求可以用語言或圖描述清楚」。PRD 寫得清楚、Wireframe 畫得清楚、跑使用者測試、就可以遠端做產品。這流程在 CRM、文件、會議、CI/CD 等功能型軟體都成立。

AI native 應用不一樣。客戶說「我要一個自動處理理賠的 agent」這句話資訊量極低—你必須現場生成第一版、餵真實 case 進去、跟業務人員一起看輸出。然後業務人員會說：「這個 case 處理錯了、因為我們公司的潛規則是某某某」。這層藏在資深員工腦袋裡、寫不進 SOP 的 Tacit Knowledge、只有人坐在客戶端才能萃取出來、編碼進該客戶的 Evaluation Set。

這就是 FDE 不只是「重 GTM」、而是結構性被迫的根因。傳統 Sales-led 還能遠端做產品；FDE 必須長駐客戶辦公室。

Vibe Code 怎麼改變 FDE 經濟學

FDE 模式過去只有 Palantir 玩得起。為什麼？因為 單位經濟（每個客戶能不能帶來足夠收入回本獲客成本）算不過來：

• 一個 FDE 工程師年薪假設 20 萬美元
• 一年只能服務 1-2 個大客戶（要長駐客戶辦公室、產能極限）
• 每個客戶的合約金額至少要幾百萬美元、才能讓「人力成本 ÷ 服務客戶數 = 單位人力成本」對得起合約收入
• 用 LTV（Lifetime Value、客戶整個生命週期帶來的總收入）跟 CAC 對比、要 LTV/CAC ≥ 3 才算健康

只有政府、Fortune 500 這類客戶的合約規模能撐起這套經濟、所以 Palantir 才能玩。一般中型企業合約金額不夠、塞不進這個算式。

Vibe Code（用 AI 編程工具邊聊邊寫代碼的開發模式）改變了這個。Cursor、Claude Code、Windsurf 這些工具把「從需求到可跑原型」的週期從幾週壓到幾小時。FDE 在客戶會議室就能當場跟 AI 一起寫出第一版、跟業務人員當場迭代。工程師產能因此變成過去的 3-5 倍—原本一年服務 1-2 個大客戶、現在能服務 5-10 個中型企業。

單位經濟算得過去之後、FDE 模式從「只有 Palantir 玩得起」變成「可以 scale 到幾百個中型企業」。Anthropic 鎖定 PE（Private Equity、私募基金）旗下中型企業、背後就是這個轉變—一個 PE 巨頭背後的投資組合公司數量可達 Fortune 500 規模、Anthropic 跟 PE 巨頭簽一個合約就能拿到幾十家中型企業作為客戶。

三家不同押注的世界觀

三家共同押 FDE 模式、但在「AI 商業化最終護城河在哪」這個問題上押注不同：

OpenAI（140 億美元 DeployCo）押 Frontier 能力 差距會繼續拉開—模型能力足以覆蓋大多數行業 know-how 的差異化價值、Tacit Knowledge 萃取的權重會下降。

Anthropic（15 億美元合資）押行業 know-how 比模型能力重要—模型差距會收斂、真正的差異在 Tacit Knowledge 萃取深度。

Google（內部 Cloud FDE）押 分發優勢 勝過一切—它有 Cloud、Workspace、Android、既有客戶基礎大、轉化既有客戶比拉新更有效率。

三家押注互斥度高、預期至少有一條會在 5-10 年顯著勝出、但全部成功或全部失敗的機率都不高。差異化押注不影響本篇主論—三家在 FDE / Enterprise GTM 這層共識下做不同的長期賭。

長期影響

長期看 5-10 年：

對 AI 商業化整體：FDE 跟 enterprise license 會是這波 AI 進企業的主要 GTM、不會回到 PLG。即使開源模型追上 Frontier、Tacit Knowledge 萃取的需求仍在、所以 FDE 不會消失—但可能會被更便宜的「半 FDE」（遠端 + 短期駐點）取代。

對 SaaS 業者：純軟體輕資產的舊路長期回不來。任何想做 AI 應用的 SaaS 公司、都得學派人駐點、做服務、跟客戶綁深。這是商業模式本質改變、不是暫時轉折。

對 Palantir：過去獨佔 FDE 模式的差異化會被稀釋—因為 vibe code 讓 FDE 可規模化、其他公司也能做。Palantir 的優勢轉到「累積最久的 fat skill + 最深的客戶整合」。

對中型企業：享受到 AI 進企業的好處—過去 FDE 服務不到的中段、現在 Anthropic / OpenAI 開始服務。

預警訊號：何時要重新評估這個分析

關鍵假設要監控：

假設一：AI 推論成本不會崩盤、毛利擠壓持續。 監控訊號：GPU 價格走勢、新硬體（TPU、自研晶片）的成熟、推論優化技術突破。如果推論成本崩盤、邊際成本回到接近零、PLG 數學重新成立、FDE 模式可能被棄。

假設二：Tacit Knowledge 萃取的需求不會被工具取代。 監控訊號：客戶能不能用標準化工具自己編碼 evaluation set 而不用 FDE。如果工具夠成熟、FDE 從「結構性被迫」回到「可選 GTM」。

假設三：三家押注勝出可預測。 機會成本：選錯邊（押 Frontier 但行業 know-how 勝、押 distribution 但 Frontier 勝）會有大量沉沒成本。

下面任一具體訊號出現、要重新評估這套分析：

FDE 是過渡還是長期結構

回到開放問題：FDE 是過渡狀態還是長期結構？目前沒有答案、但兩種劇本對應完全不同的戰略意涵。

如果是過渡狀態：派人駐點只是因為產品還不夠成熟、等 AI 更強、工具更標準化、還是會回到 SaaS 低成本獲客模式。中期 SaaS 老路會復活、現有 PLG 工具有機會回來。對純軟體業者來說是「忍幾年回到老日子」。

如果是長期結構：AI 商業化本質上就是要貼著客戶做、SaaS 那套輕資產打法永遠回不來。整個軟體業形態被改寫。對純軟體業者來說是「商業模式本質改變、要學會做服務」。

兩種劇本的判讀分水嶺：Tacit Knowledge 萃取能不能被工具標準化。能標準化、FDE 是過渡；不能標準化、FDE 是長期。兩種劇本目前都有持續訊號、無法給出可靠判斷—建議每 6-12 個月重新評估、看哪個劇本的訊號更強。

判讀框架

這個框架不只用在 AI 議題—當任何新興行業面對「自助上手 vs 高接觸服務」的 GTM 選擇時、都可以套這個三支柱問：邊際成本、產品壽命、切換成本三者是否成立？

延伸閱讀

• Claude for Legal 之後：應用層、新創、知識工作者的三層擠壓 — 拆 vertical SaaS 與知識工作者衝擊
• CoreWeave 收購 Bufstream：整併週期下的賽道判讀 — AI 基礎設施重組
• FDE、PLG、Tacit Knowledge 卡片

概念位置

GTM 是商業模式的執行層。同一個產品可以走不同 GTM—例如 PLG（產品自助）、Sales-led（業務驅動）、Channel（通路夥伴）、FDE（前線駐點）、Enterprise License（企業合約）。GTM 選擇直接影響 CAC、銷售週期、客戶輪廓。

可觀察訊號與例子

判讀一家公司的 GTM：看它的銷售團隊比例（PLG 銷售很少，Enterprise 銷售人數比工程師多）、客戶簽約週期（PLG 幾分鐘，Enterprise 幾個月）、定價公開程度（PLG 全公開，Enterprise 需要 contact sales）。同一家公司在不同產品線可能走不同 GTM。

判讀方式

讀「重新設計 GTM」「FDE 是新的 GTM」這類論述時，意味著該公司認為原本的進市場路徑不可行，需要結構性換打法。AI Labs 共同的 GTM 轉向就是從「賣 API 給開發者」變成「派工程師進企業」—這是 GTM 層的重大判斷，不只是業務團隊增員，而是商業模式的重新定位。

概念位置

PLG 跟 Sales-led（業務驅動）相對。PLG 依賴極低的 CAC、接近零的 邊際成本、產品本身有自帶傳播力（同事看到就會用）。三者中任何一個鬆動，PLG 數學就難跑—這是 AI 時代 PLG 不再萬靈丹的結構原因。

可觀察訊號與例子

判斷一個產品走 PLG：免費試用無需信用卡、註冊到啟用只要幾分鐘、定價公開且自助購買、產品內建分享機制（邀請同事、共用文件）。Calendly 的 PLG 經典—被約會的人看到別人用就會自己去註冊，產品本身就是行銷管道。

判讀方式

PLG 的數學前提是「毛利 夠高 + 邊際成本夠低」—這樣免費使用者也不傷成本，付費轉化能彌補。AI 產品因為推論成本真實存在，免費試用會直接燒錢，PLG 就難跑—這就是為什麼 AI Labs 都在從 PLG 轉向 Enterprise License 與 FDE。

概念位置

FDE 的成立條件是客戶有大量 隱性知識 寫不進 SOP，產品需要現場萃取這些知識才能落地。Palantir 過去獨佔 FDE 模式是因為 unit economics 算不過來—現在 AI 編程工具改變了這個前提，FDE 可以下沉到中型企業市場。

可觀察訊號與例子

FDE 模式的訊號：客戶簽約後工程師長駐客戶辦公室幾週到幾個月、產品高度客製化、合約金額大、續約率極高。Palantir 一個 FDE 一年原本只能服務一兩個大客戶；Vibe Code 工具把原型開發時間從幾週壓到幾小時後，FDE 產能變成過去三到五倍。

判讀方式

讀到「某家公司轉向 FDE」時，意味著該行業的需求不能靠語言描述清楚—客戶說「我要一個 agent」這句資訊量太低，必須現場跟業務人員一起跑真實案例。FDE 是這波 AI 商業化的 enabler，因為它能把客戶的 隱性知識 編碼進 evaluation set。是長期結構還是過渡狀態目前無解。

概念位置

JV 適用於需要對方的客戶基礎、行業知識或法律授權，但又不想被完全併購的場景。相對於自建（greenfield）或併購（acquisition），JV 共擔風險、共享資源，但決策複雜度高。常跟 FDE 一起出現—JV 提供客戶基礎、FDE 提供現場落地能力。

可觀察訊號與例子

JV 常見訊號：合作雙方有互補資源（A 有技術、B 有客戶）、新公司有獨立董事會與管理層、股權比例與決策權設計複雜。Anthropic + Blackstone 的 JV—Anthropic 出 AI 技術，Blackstone 出 PE 投資組合公司當客戶基礎。

判讀方式

看到 AI Labs 大規模做 JV，意味著它們判斷單靠自己進企業市場效率太低，需要借力行業既有玩家。這跟 FDE 一起出現的訊號是「PLG 模式不適合 AI 進企業」—得用更重、更貼客戶的方式做 GTM。JV 的潛在風險是文化衝突、決策慢、利益分配難算清楚。

概念位置

CAC 跟 LTV 一起構成 單位經濟 的兩端。LTV/CAC > 3 通常被視為健康，意思是一個客戶帶來的總收入要至少是獲取成本的三倍。CAC 由 GTM 選擇決定—不同 GTM 對應不同 CAC 量級。

可觀察訊號與例子

不同 GTM 的 CAC 差異極大：PLG 的 CAC 可以很低（幾十美金，靠口碑），Sales-led 的 CAC 從幾百到幾千美金，Enterprise / FDE 的 CAC 可達幾萬到幾十萬美金（要派工程師駐點）。

判讀方式

讀到「CAC 上升」「PLG 數學算不過來」時，通常指該行業面臨 毛利 下滑或 LTV 下降，導致原本能撐的 CAC 變成負擔。AI 時代許多新創要把 GTM 從 PLG 改成 Sales-led 或 FDE，意味著 CAC 會大幅上升—這直接擠壓 P&L 與 估值。