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

來源

Defender Pressure

Control Gap

控制缺口的核心是 SaaS 資料平台的 credential lifecycle 與 network boundary 屬於客戶責任範圍,但平台缺少強制基線。沒有 MFA、沒有 allow list、credential 長期未輪替,是同類事件重複出現的共通結構。

Detection Route

Exercise Hook

本案例可支撐 Low-frequency exfiltration tabletop 的 SaaS 資料平台變體。演練重點是確認 credential、MFA、network boundary 與通報流程是否能在共享責任邊界內快速協作。

Write-back Target

• 7.4 資料保護與遮罩治理
• 7.2 身分與授權邊界
• Detection lifecycle pattern
• Evidence chain pattern