AI正在吞掉哪些SaaS：Ramp圖里的新贏家

（來自 Deedy: https://x.com/deedydas/status/2053303865269952513?s=20）

這張圖來自Ramp的Spring 2026 Business Spending Report（所以並沒有 5 月數據，Codex 的暴增我認為會改變 OpenAI 的格局）。

點擊閲讀原文，獲得整份報告。Ramp 這份報告基於 50,000+ 家企業、超過 1000 億美元年化商業支出的匿名交易數據，追蹤 AI 採用、軟件供應商遷移、SaaS 類目變化等。

更具體地説，這張圖看起來是 Ramp Rate 里的一個匯總可視化：

橫軸是某個 vendor 在其所屬軟件類目里的 Adoption Rate，即過去 12 個月內，在該類目有采購行為的公司里，有多少比例買了它；縱軸是這個 adoption rate 的同比變化；氣泡大小是 spend share。

需要注意一個背景：Ramp 自己也説明它的數據不是「全美國企業平均樣本」，而是更偏 高增長、技術前沿、願意使用現代財務系統的企業。所以這張圖更像是「未來軟件採購趨勢的領先指標」，而不是傳統市場份額報告。

這張圖的特別之處在於，不是問卷，也不是 VC 敍事，而是來自企業真實付款數據。Ramp 覆蓋 5 萬多家企業、超過 1000 億美元年化商業支出，因此它能看到一個很有意思的信號：

公司到底在把錢付給誰。

整體上，它把 69 家 adoption rate 超過 10% 的軟件公司放到一個二維矩陣里。這張圖不是告訴我們 Salesforce、Figma、GitHub 這些大公司仍然很大。真正有意思的是：

一些原本不那麼顯眼的新公司，正在從左上角、右上角冒出來。

左上角是Rising Challengers：採用率還不算最高，但增長很快。這里有 Clay、Granola、Decagon、Modal、Attention、Ahrefs、Vercel、Clerk、WorkOS 等公司。它們看起來分屬不同賽道：銷售、客服、會議記錄、AI infra、SEO、開發者工具。

但背后有一個共同點：它們不是簡單「給舊軟件加一個 AI 按鈕」，而是在重寫某個工作流。

右上角是Scaling Leaders：採用率已經不低，還在繼續增長。這里有 Anthropic、Profound、Prefect、PostHog 等。它們代表的是另一類信號：AI-native 工具不再只是實驗預算，而開始進入企業日常軟件棧。

AI 之后的軟件競爭，不是「誰用了模型」，而是「誰拿到了新工作流的控制點」。

傳統 SaaS 大多是 System of record，負責記錄數據、管理流程、生成報表。新一代 AI-native 軟件更像System of action：

它不只是告訴你發生了什麼，而是直接幫你完成下一步動作。

我們來詳細看看最有意思的幾個象限。

一、右上角：已經開始規模化的新贏家

右上角的公司，代表的是最理想的位置：已經有不低的採用率，同時還在增長。

這意味着它們不再只是被少數早期用户嚐鮮，而是開始進入企業的常規採購棧。這里面除了 Anthropic 這種大家熟悉的模型公司，我更想看幾個相對沒那麼大眾、但非常有代表性的公司：Profound、Prefect、PostHog。

Profound：AI 搜索時代的「新 SEO」

Profound 做的是 AI search visibility。簡單説，它幫品牌回答一個新問題：當用户不再去 Google 搜索，而是直接問 ChatGPT、Perplexity、Google AI Overviews 的時候，AI 會不會提到我？會怎麼描述我？會不會推薦我的競品？

這件事為什麼重要？

過去二十年，互聯網營銷的核心之一是 SEO。品牌花錢買 Ahrefs、Semrush、Moz，或者請 SEO agency，是爲了知道自己在 Google 里排第幾、關鍵詞覆蓋如何、外鏈質量如何。

但 AI 改變了搜索路徑。用户問一句：「最適合創業公司的 CRM 是什麼？」AI 可能直接給出答案。用户不一定再點十個網頁。於是，品牌在 AI 答案里的位置，變成了新的貨架。

Profound 抓住的就是這個變化。

它可能替代的傳統預算包括：SEO 工具、brand monitoring、content marketing analytics、PR monitoring，甚至一部分諮詢型 SEO agency。以前大家優化的是網頁排名，現在要優化的是模型答案里的存在感。

所以 Profound 的增長不是因為「它也是 AI 工具」，而是因為它站在了一個新入口上：AI answer 正在成為新的流量分發層。

以前 CMOs 問：「我們的 Google ranking 怎麼樣？」以后可能會問：「我們的 AI visibility share 怎麼樣？」

Prefect：AI 時代的數據和任務編排層

Prefect 看起來沒有 Profound 那麼「新鮮」，因為它不是 2023 年后才成立的公司。它做 workflow orchestration，主要面向數據工程和機器學習工程團隊。

你可以把它理解成：當一個公司有很多自動化任務，比如抓數據、清洗數據、更新數據庫、跑模型、生成報告、重試失敗任務、監控運行狀態，Prefect 幫你把這些流程編排起來。

這聽起來像傳統數據工程工具，但 AI 之后，這個市場變得更大了。因為 AI 應用背后有大量新的 pipeline：

• RAG 系統要定期抓新文檔、切分、embedding、更新向量庫；
• 模型應用要跑 evaluation，看新 prompt 是否變差；
• 客服 agent 要同步知識庫、業務系統、工單狀態；
• 銷售 agent 要抓公司數據、補全聯繫人、生成個性化內容；
• 內部 AI 工具要跑批量總結、分類、抽取、檢查。

這些流程不再是傳統 BI 時代那種穩定、可預測、結構化的 ETL。它們更動態、更實驗性，也更依賴 Python 和 API。

Prefect 做對的一點是：它從一開始就更 Python-native，更適合現代數據/AI 團隊的開發方式。相比 Airflow 這類更重、更偏傳統 DAG 的系統，Prefect 對「快速搭建、快速修改、可觀測、可恢復」的需求更友好。

所以 Prefect 的增長，本質上來自 AI 應用帶來的后臺複雜度。每一個看起來簡單的 AI 產品背后，可能都有一堆數據同步、模型調用、失敗重試、批處理任務。Prefect 卡住的是這些 AI workflow 的運行層。

它可能吃掉的是 Airflow、Dagster、cron、自建 pipeline、雲廠商 workflow 服務的一部分份額。

PostHog：產品團隊的「一體化操作系統」

PostHog 是我覺得這張圖里最值得細看的公司之一。

它原本是 product analytics 工具，類似 Mixpanel、Amplitude。但它沒有停在「看數據報表」這個層面，而是不斷把產品團隊需要的其他能力往里收：session replay、feature flags、A/B testing、surveys、data warehouse integration。

這件事很關鍵。傳統 SaaS 市場是高度拆分的：

• 產品分析買 Mixpanel；
• 用户錄屏買 FullStory 或 Hotjar；
• feature flag 買 LaunchDarkly；
• 實驗平臺買 Optimizely；
• 用户反饋買 Typeform 或 Delighted。

PostHog 的邏輯是：這些其實都是產品團隊每天圍繞「理解用户、發佈功能、驗證假設」做的事情，為什麼要拆成五個工具？

AI 產品讓這個需求更強了。因為 AI 產品的不確定性比傳統軟件更高：

• 模型輸出不可控；
• 用户路徑更發散；
• 失敗案例更難復現；
• prompt 和模型版本會影響體驗；
• 一個新功能可能需要快速灰度、回滾、觀察、實驗。

所以 AI 產品團隊天然需要一個「觀察 + 實驗 + 發佈控制」的閉環。

PostHog 的 winning reason 不只是便宜或開源，而是它抓住了產品團隊從「分析報表」到「產品操作系統」的遷移。

它吃掉的可能是 Mixpanel、Amplitude、Hotjar、FullStory、LaunchDarkly、Optimizely 的組合預算。

二、左上角：Rising Challengers 里的新公司

左上角是這張圖里最有想象力的區域。

這些公司的採用率還沒有特別高，但增長很快。換句話説，它們還沒完全進入主流，但已經被一批增長型公司快速採用。

Decagon：客服軟件從「記錄工單」變成「自動解決問題」

Decagon 做企業客服 AI agent。

它和上一代客服機器人最大的區別是：過去的 bot 通常只能回答 FAQ，遇到複雜問題就轉人工。Decagon 想做的是能夠真正處理業務流程的客服 agent：理解用户問題，查詢訂單、賬號、退款、訂閲、物流等系統，然后直接給出解決方案。

這代表了客服軟件的一個巨大變化。

傳統客服 SaaS，比如 Zendesk、Intercom、Kustomer，本質上是 system of record 和 workflow system：記錄工單、分配工單、管理客服團隊、統計響應時間。

但 Decagon 這類公司想做的是 system of action：不是幫人管理工單，而是直接解決一部分工單。

它替代的對象就不只是客服軟件，還包括一部分客服人力和外包 BPO。對企業來説，如果一個 AI agent 能可靠處理 30%-50% 的低複雜度問題，這個 ROI 很容易算。

所以 Decagon 的增長來自一個很硬的商業邏輯：客服是成本中心，AI 如果能替代人工處理，就不是 nice-to-have，而是直接降本。

Granola：會議紀要變成個人和組織的工作記憶

Granola 做 AI meeting notepad。

表面上看，它和 Otter、Fireflies、Fathom 都是會議記錄工具。但它的產品思路有點不一樣。很多會議 AI 工具是「機器人進會議，然后生成總結」。

Granola 更像一個個人筆記本：你可以自己寫一些關鍵詞或碎片筆記，它再結合會議轉錄，幫你生成更有上下文、更貼近你關注點的 notes。

真正有價值的會議紀要，不是完整轉錄，也不是模板化總結，而是「對我有用的會議記憶」。同一場會議，銷售、產品、創始人、投資人關心的重點都不同。

Granola 抓住的是：AI 不只是記錄會議，而是把會議變成可查詢、可整理、可行動的知識資產。

它可能替代 Otter、Fireflies、Fathom，也會吃掉 Notion、Google Docs、手動 meeting notes 的一部分使用場景。更進一步，它可能進入 CRM、招聘、客户成功、項目管理等場景，因為很多業務信息最早都是在會議里出現的。

Granola 的增長，説明 AI 在知識工作里的一個高頻入口不是「寫文章」，而是「幫我保留上下文」。

Harmonic：AI 的下一階段是可驗證

Harmonic 是一個更底層、更硬核的公司。它做數學推理和可驗證 AI，核心產品 Aristotle，目標是讓 AI 在數學、代碼、科學、工程等場景里給出更可靠的答案。

過去兩年，大模型證明了自己很會生成，但也暴露了一個問題：它會一本正經地胡說。對於寫營銷文案，這個問題可以人工改；但對於數學證明、代碼驗證、芯片設計、金融模型、科學研究，這個問題就很嚴重。

所以 AI 的下一階段很可能不是「更會聊天」，而是「更可信、更可驗證」。

Harmonic 押的就是這個方向。它不一定替代某個傳統 SaaS，而是可能替代一部分高可靠推理、formal verification、coding agent、quant research、EDA/芯片設計輔助工具里的需求。

這類公司有點像 AI 時代的「可信計算層」：當企業不再滿足於模型給一個聽起來合理的答案，就需要一種機制證明它是真的。

三、左上角：它們為什麼還能增長？

更有意思的是，左上角並不全是新公司。很多公司其實成立很早，甚至是傳統 SaaS 或開發者工具公司。但它們沒有被 AI 淘汰，反而重新站穩了。

原因通常不是「它們加了一個 AI 功能」，而是它們原本的資產在 AI 時代變得更值錢。

Clay：從銷售數據庫變成 GTM 工作流平臺

Clay 雖然不是 2023 后成立的 AI Native 新公司。它早期更像數據 enrichment 和 outbound 工具，但 AI 之后，它的定位變得更清晰：GTM workflow platform。

以前銷售團隊買 ZoomInfo、Clearbit、Apollo，是爲了拿到聯繫人和公司數據。但數據本身不是終點。銷售真正想要的是：找到合適客户、判斷是否匹配、補全信息、生成個性化觸達、同步 CRM、啟動郵件序列。

Clay 把這些動作放到一個類似 spreadsheet 的工作流里，再接入 AI research 和各種數據源。於是它不再只是數據庫，而像一個 GTM 操作系統。

它可能吃掉 ZoomInfo、Clearbit、Apollo、Salesloft、Outreach，甚至一部分 SDR 手工 research 的預算。

Clay 做對的是：它沒有把 AI 當成「幫你寫郵件」的小功能，而是把 AI 放進整個銷售工作流里，讓數據直接變成動作。

Modal：讓 AI infra 從雲架構問題變成函數調用

Modal 做 AI infra。它讓開發者用 Python 定義和運行 GPU/CPU 任務，不需要自己管理 Kubernetes、Docker、autoscaling、GPU 調度等複雜基礎設施。

AI 之前，這類平臺可能只是少數 ML 工程團隊需要。但 AI 之后，很多公司都開始跑 embedding、batch inference、fine-tuning、evaluation、agent jobs。突然之間，大量軟件團隊都有了 AI workload。

傳統雲當然能做這些事，但複雜。Modal 的價值就是把複雜基礎設施抽象掉，讓開發者更快把 AI workload 跑起來。

它吃的是 AWS/GCP/Azure 里一部分 ML infra、自建 Kubernetes、SageMaker、RunPod、Replicate 等預算。

Modal 做對的是：它沒有試圖成為「大而全雲平臺」，而是專注在 AI workload 的開發者體驗上。

Vercel：從前端雲到 AI app 雲

Vercel 原來是 Next.js 和前端部署平臺。AI 之后，它抓住了一個新機會：大量 AI 應用本質上是前端交互 + streaming response + serverless function + model API + auth + data layer 的組合。

Vercel 的優勢是它已經擁有開發者心智。很多前端/全棧開發者天然會用 Next.js 和 Vercel 部署應用。AI SDK、v0、streaming UI、agentic web 這些能力，讓 Vercel 從「部署網站」升級成「構建 AI 應用」的平臺。

它吃 Netlify、Cloudflare Pages/Workers、AWS Amplify、傳統前端部署的一部分份額。

Vercel 做對的是：它抓住了 AI 應用開發入口，而不是隻做雲資源。

Clerk 和 WorkOS：AI 公司進入正式商業化時的基礎設施

Clerk 做 auth，WorkOS 做 enterprise readiness。它們都不是 AI 公司，但都被 AI 應用浪潮帶起來了。

一個 AI app 從 demo 變成真正產品，很快就會遇到兩個問題：

用户系統怎麼做？登錄、註冊、組織、權限、用户管理、billing 怎麼接？這就是 Clerk 的機會。

賣給企業客户時，SSO、SCIM、RBAC、audit logs、admin portal 怎麼做？這就是 WorkOS 的機會。

所以它們的增長來自 AI startup 和現代 SaaS 公司的爆發。大量新應用被快速創建，也需要快速補齊商業化和企業採購能力。

Clerk 吃 Auth0、Firebase Auth、Cognito、自建 auth。WorkOS 吃 Okta/Auth0 的開發者入口，以及內部工程團隊自建 enterprise feature 的成本。

它們做對的是：把複雜但標準化的基礎設施模塊化，讓產品團隊不用重複造輪子。

Ahrefs：老 SEO 公司把自己升級成 AI visibility 平臺

Ahrefs 是老公司。它本來是 SEO 工具，幫助用户看關鍵詞、外鏈、競爭對手、搜索流量。

但它為什麼會出現在左上角？我認為不是因為它突然變成了 AI-native 公司，而是它及時把原來的數據資產遷移到了 AI 搜索時代。

AI 搜索來了以后，SEO 沒有消失，而是變形了。品牌仍然需要知道用户在問什麼、哪些內容影響答案、哪些來源被模型引用、競品在哪里出現。

Ahrefs 有多年積累的網頁、關鍵詞、外鏈、SERP 數據，這些資產在 AI visibility 時代仍然有價值。它推出 Brand Radar、AI Content Helper 等產品，本質上是在告訴市場：我不只是 SEO 工具，我也能幫你看 AI answer 里的品牌位置。

它可能吃 Semrush、Moz、SurferSEO、Clearscope，也會和 Profound 這類新公司競爭。

Ahrefs 做對的是：把舊市場的核心資產轉譯成新市場的語言。

看完這些公司，會發現 AI-native 公司絕對不再是調用「GPT API」或「販賣」 Token，他們在「執行」和「完成」。

第一，贏家都在從 record 走向 action。

傳統 SaaS 記錄信息：CRM 記錄客户，客服系統記錄工單，analytics 記錄用户行為，SEO 工具記錄排名。新公司更強調直接完成動作：Decagon 解決客服問題，Clay 生成並執行銷售 workflow，Granola 生成會議后續動作，PostHog 直接連接實驗和發佈。

第二，贏家都在佔據工作流的控制點。

AI 時代，單點功能會變得更容易被複制。真正值錢的是誰控制了完整工作流。Clay 控制 GTM workflow，PostHog 控制產品迭代 workflow，Prefect 控制數據和 AI pipeline，Vercel 控制 AI app 構建和部署 workflow。

第三，老公司能贏，往往是因為原有資產被 AI 重新放大。

Ahrefs 有搜索數據，Vercel 有開發者生態，Prefect 有 Python workflow，Heap 有用户行為數據，Groq 有推理硬件。它們不是憑空轉型，而是把舊資產放進了新需求里。

第四，很多新公司吃掉的不是一個 SaaS，而是一組工具和一段人工流程。

比如 Clay 不是隻替代 ZoomInfo，而是替代數據源、research、個性化寫作、CRM 更新、SDR 手工操作的一整段流程。Decagon 不是隻替代 Zendesk，而是替代部分工單系統、客服流程和人力成本。PostHog 不是隻替代 Mixpanel，而是替代 analytics、replay、feature flag、experiment 的組合。

第五，AI-native 的本質不是「生成內容」，而是「把判斷接進業務系統」。

真正有價值的 AI 軟件，不是生成一段文字停在那里，而是能讀業務上下文、做判斷、調用工具、寫回系統、觸發下一步。也就是從 content generation 走向 workflow execution。

Agent 元年已到，我們進入到「下一代工作流」時代，無關 Agent 或人。

本文來自微信公眾號「我思鍋我在」，作者：我思鍋我在GN，36氪經授權發佈。