Freda从AI时代的新计量单位切入，指出当前行业流行的Dollar Per Token指标虽被广泛使用，但本质上极易误导。核心论点是：Token和Token不是一回事。
同一个任务，不同模型消耗的Token可以差几十倍甚至上百倍。Freda给出三个原因：
Freda举了一个开发者圈子广泛讨论的例子：Cursor这个Coding模型问同一个问题会消耗更多Token，并不是效果更好，而是同样效果下能效更低。但从CFO视角看到的只是"使用量暴增"和"员工生产效率提升"，得出的结论是"继续加单"。
Freda对有些投资人以Token消耗量作为项目判断依据持批评态度："这是一个阶段的产物。就好像在工业时代你不会真的炫耀说我一个灯耗电特别多，反而你会去购买可能贵一点的LED。"她认为行业会逐步认识到模型的性价比才是核心。
Freda提出了一个学术化的AI总投入拆解公式，并用它解释了当前Tokenmaxxing现象中看似矛盾实则并存的两个事实。
AI Total Spend = 用户数 x 每用户任务数 x Token/Task x Dollar/Token
Freda认为在这个时代，很多事情是"既对又对"的：
Uber的CFO上月公开表示，公司在三个月内光Coding一项就花掉了原计划一整年的AI Budget。Freda算下来大概是几千万美元量级。但把头部公司汇总后发现，当前AI Spend大概只对应1-2%的EBITDA——"比我想象的要好，我以为已经是一个更大的数字了。"这意味着Tokenmaxxing虽然引人注目，但整体仍在可控范围内。
Freda对Token定价模式的判断非常明确：行业逐渐会从按Token收费转向按效果付费。
| 可量化场景（先转型） | 难量化场景（后转型） |
|---|---|
| 客服解决率 | 写作、创意 |
| 销售转化率 | 研究分析 |
| 催收贷款 | 战略咨询 |
| 保险理赔 | 设计审美 |
Freda指出，模型层的商业模式不是SaaS（subscription、按人头、价格封顶），而是usage-based、token-based。这意味着客户作为CFO做的选择不再是"今年选哪个vendor"，而是"每一个query用哪个模型"。这种商业模式天然鼓励同时使用多个vendor，随时比较、随时切换。因此OpenAI和Anthropic的关系不是传统意义上的竞争。
Freda提出了一个对行业共识的重大质疑：过去两年大家默认SOTA模型"没几个月就会换手"——Gemini、OpenAI、Anthropic轮流领先。但她认为这个假设可能正在失效。
当Coding Agent成熟后，出现了一个关键loop：更好的AI才能训练出下一代更好的AI。这个循环一旦跑起来，就有了Recursive Self-Improvement的味道。如果真的过了某个临界点，曲线会变得非常陡峭，后面追赶的人可能真的就没有意义了。
Total Factor Productivity提升约5%
提升约15-20%
提升幅度"肯定更高"，模型大厂出新模型的速度从大几个月缩短到一个月一个新版本
Freda的判断简洁而深刻："任何时候两个产品之间有非常多的争论，通常说明它们实际的效果差不了太多。"她观察到Codex在打价格战——做了非常大的补贴，凡是Cloud Code不让用的地方Codex都欢迎。作为后来者，这是正确策略。
Freda坦言"这两年花了太多时间在比较OpenAI和Anthropic"。她认为更重要的逻辑是知道这两个都会非常大。模型层本身会占compute stack更大的比例，今年底两家加起来看个2000亿的收入体量也不是特别奇怪。"在锻炼自己的脑子去习惯更大的数字。"
Freda详解了Dario（Anthropic CEO）提出的"负向滚雪球"概念，并提出了新的破局路径。
去年训练模型成本为1，产生约3-4倍收入，毛利约50%即不到2的毛利。但今年训练成本至少涨到3，加上销售和人员，利润为负。只要训练成本每年还是几倍增长，生意就会越滚越负。
Freda指出媒体报道的"ARR"既不是Annual，也不是Recurring。不同口径差异极大：有的用过去四周收入乘以13，更激进的用一周乘以53。Anthropic报的是Gross Revenue（需扣除约40%的第三方API），OpenAI报的是Net Revenue（需加5-10%还原Gross）。"浪费了很多时间在算这个数字上面。"
Freda以Coding市场的TAM（Total Addressable Market）估算失误为例，复盘了AI投资中最大的认知偏差之一。
这个逻辑是：我们每天做的很多事情都有一点点"如果我会写代码我应该让电脑自动去做"。所以Coding的真实TAM不是"程序员工具"，而是任何可以被计算机操作的事情。随着世界越来越数字化，这个范围持续扩张。
Freda认为应该在Cursor的Coding收入很快飙到10亿美元（已占原估TAM的10%）时就立刻反思投资框架。"投资做判断经常错的，作为投资人能做的事情就是发现框架错了之后非常快速地意识到并及时改。"
Freda对Anthropic的Cowork产品（给非程序员普通人使用的AI工具）感到震撼：在同等规模量级下，Cowork的增长斜率实际上比Cloud Code还要陡峭得多。而且这个产品只有两个人做出来——"每次想到都觉得真的是挺震撼的一件事情。"
Freda对软件行业的判断简洁而残酷："投资人是在抛弃软件公司吗？简单说，是。"
Anthropic 80%是企业用户，却没有正经销售团队。它的产品（Cowork、Skills、Projects）普通人并不容易上手，但大家还在疯狂地学习使用。
Freda提出两个维度判断软件公司的脆弱程度：
| 脆弱性因素 | 更脆弱 | 相对安全 |
|---|---|---|
| UI占比 | 核心价值就是精美UI的Point Solution（电子签、项目管理、BI工具） | 核心价值在底层数据处理 |
| 数据结构化程度 | 高度结构化（如Monday每行一个任务对象）→ 最容易被Agent取代 | 混乱的数据结构（如Excel每个格子语义不同）→ 难被直接替代 |
推特上大家热炒Office已死、直接用HTML即可。Freda之前也这么觉得，但最近改变了看法：AI生成网页版PPT虽然很快，但只要你需要手动改一改，直接在PowerPoint里拉一下拽一下还是更快更精准。把整个Office想成一条流水线——只要流水线上有一个人需要手动修改，Office就还有价值。
二级市场软件股已经跌了50%不止，但一级市场很多公司还停留在AI之前的估值逻辑里。SBC（Stock-Based Compensation）问题更加雪上加霜：股价跌50%，要给员工同样的股票赔偿就要发两倍的股票。
Freda认为真正的机会不在"AI CRM"或"AI ERP"这种简单替换，而在于让软件处理以前企业决策过程中没有被记录的部分。比如CRM记录了"25%折扣"，但不会记录为什么是25%而不是30%、谁否决了什么方案、CFO有什么concern。AI时代可以直接处理这些非结构化的原始信息。
Freda研究AI时代组织架构的原因出人意料："我也不是HR也不是CEO，但研究下来觉得比想象的重要很多。"核心框架来自Dario区分的两个概念。
Technology Diffusion：模型能力本身的进步，曲线非常陡峭。Economic Diffusion：模型能力被企业和经济真正吸收落地的速度——可能落后几年甚至十几年。研究组织架构本质上就是在判断Economic Diffusion。
电机很快就被发明了，但并没有真正提升效率。
大家只是把蒸汽机拆掉、把电机塞到同样的位置。工厂还是像原来那样垂直设计。新技术被嵌入旧架构。
工厂围绕电力重新设计，变成水平流水线。生产率一飞冲天。
Freda指出：新技术出现不等同于经济价值。电力用了40年、计算机用了15年才真正转化为生产率。AI的Economic Diffusion速度会更快，但组织架构的重新设计是不可跳过的一步。这是为什么"AI什么时候变成收入"是一个组织问题，而不仅仅是技术问题。
Freda认为大家通常把公司层级理解为权力结构——谁向谁汇报、谁比谁更senior。但层级的更深层功能是信息传递：组织变大后没人看到全貌，需要一层层的manager综合提炼信息，向上翻译向下拆解。我们开的会、同步进度、季度对齐——全都是信息搬运机制。
Freda引述一个founder的观察：AI先打击了开发时间（从2-3个月压缩到2周vibe code），然后QA成了瓶颈被裁掉，然后PM设计成了新瓶颈，改完后Go to Market又成了最新瓶颈。整个流程需要重新设计，而不是一个个修补。
Freda对大公司员工数的反思非常尖锐：Meta八万员工，每人对应约$300万收入，已经比软件公司好很多。但这是一家2C公司，也没有新的获客需求。"AI来了之后，我再看这个八万员工，还是觉得很神奇。"她认为Anthropic Cowork这样两个人做出来的成功产品，是对现有组织架构假设的根本性挑战。
Freda认为投资行业"真的是一个非常非常低效的行业"，大量时间花在找信息、清理数据、比较预期、判断positioning上。
财务数据听上去标准化，实际上"非常非常非常细碎"。Freda在用Agent接财务数据时发现需要十几二十个financial data vendors才能拼凑起平时使用的数据。
| 玩家类型 | 交易量占比 | 特征 |
|---|---|---|
| 量化交易 | 60-70%+ | 高频更像momentum加强器，不下方向性判断 |
| 散户 | ~30% | 真正影响方向的力量之一 |
| 传统机构 | 极小 | "我们觉得很大，但实际上根本不占什么交易量" |
| 平台型机构（Citadel等） | 个位数% | 影响方向的另一个力量 |
Freda认为市场越来越风格化（thematic）、越来越narrative driven。散户本来就是价格形成的一部分。AI时代散户行为会更加机构化、更复杂，散户和机构的信息差会非常快地收敛。真正的alpha将从"我比你早发现一点"变为"我比你更能理解大趋势"。
以前OpenAI宣布和某公司合作，市场可能要花几天理解、投资人互相打电话对数字。以后给Agent所有信息，可能一秒钟就能达到那个合理价位。Event-driven交易和财报分析都会被AI系统化。市场会同时变得更波动和更有效率——大家反应更快放大同一个signal，但信息也更快进入价格。
| 领域 | 代表公司 | 收入量级 |
|---|---|---|
| Coding | Cursor等 | 数十亿美元（最大赛道，断档领先） |
| Healthcare | Abridge, Open Evidence | ~20亿 |
| Legal | Harvey, Nagora | >10亿 |
| Customer Service | Sierra等 | ~10亿 |
| Video Generation | - | 数亿 |
| AI推理基础设施 | Together, Fireworks | 行业数十亿 |
| AI芯片 | Cerebras, Groq | 大头 |
大家管应用公司叫"AI Wrapper"或"模型Wrapper"，很担心模型公司吃掉一切。
应用公司收入增长快、有退出案例，大家不再说模型吃一切了。
Freda重新开始非常担心模型公司的竞争。模型变得非常stable，有Skills、Connector、记忆——应用层和模型层的边界又一次被推向应用层。
硅谷最近能有100家Neo Labs（从AI Lab出来的研究员创立的新Lab）。Freda分析背后逻辑：OpenAI和Anthropic接近万亿估值，投资人想"我拿着它还能赚多少？但如果Neo Labs能博到几倍收益就非常值得"。加上Acqui-hire退出路径极好——你优秀就总会被大Lab招回去。
云厂商不是没有回报——谷歌今年约$2000亿CapEx、云收入约$1000亿，大概两年回本。但云生意本身在变差：竞争变多（NeoCloud如xAI的数据中心）、价值链被分走（以前卖上层软件margin很高，现在那部分价值被模型公司拿走了）。
Freda测算过纯市场容量是撑得住的。但更大的问题是资金轮动：新IPO进来大家想拿，现有Mag7会承压。"原来你是七巨头，之后很多都会被稀释。"
节目最后一段从"干的内容"切换到了"很感性的东西"——Freda坦诚地分享了在硅谷做AI投资的真实心理状态。
Freda描述了焦虑之外的另一面："还有一种莫名的激动"——突然好像什么事情都可以做了，变化过程中机会最多，投资也是最有机会的时候。
Freda分享了一个深层变化：她以前非常喜欢约行业专家聊天，30分钟内从顶尖人士那里拿到高浓度知识。但现在——
她举了一个具体的例子：前段时间在跑步时偶遇一个朋友坐下来聊，本来没有准备聊什么大事。话题跑到了做事情的勇气、人生的遗憾、在乎什么、什么东西会让人有spark的感觉。"那个可能是我一长段时间里面最有内容的一次对话。他没有给我任何信息上的增量，但就是比较有人味。"
Freda说她在心里"明显画了一条线"：跟信息、知识、分析有关的事情交给AI；见人这件事情反而变得更单纯了——去观察别人、聊心路历程、聊一些真诚甚至以前大家都不会聊的东西。
Freda花了很多时间让AI回顾几百年的技术革命对就业的影响——英国动力织布机、美国农业人口从40%降到1%、电话接线员从大几十万人到全部被替代、铁锈带的衰落。她的感受是：
Freda认为在高度不确定的时代，有几件事情是确定的：更高的智能和效率提升长期肯定是好的事情；智能本质上是非常平权的——小镇上的孩子和硅谷工程师能用的工具没有本质区别。但这种平权会以非常painful的方式在社会中实现。
"不要听我上面任何分析。"Freda说前面的分析都是关于大公司和已有商业模式的。早期创业没有护城河、没有大厂做不出来的东西。"不能去想终局的概念。有一点要脑子一热，然后好好准备，好好努力，想做就做。"
Freda的分析揭示了一个行业盲点：Token消耗量被当作价值指标使用，但同一个任务不同模型的Token消耗可以差几十到上百倍。这意味着当前所有基于Token量的分析——从公司估值到投资判断——都可能存在系统性偏差。真正有意义的指标是Dollar per Task（每完成一个任务的成本），而非Dollar per Token。行业从Token计价向效果计价的转变是不可避免的，Sierra的模式可能是先兆。
这是本集最具争议性的判断。如果Coding Agent真的让"更好的AI训练下一代更好的AI"形成了自我强化循环，那么过去两年"SOTA每几个月换手一次"的行业常识可能失效。Freda用马车和汽车的比喻——汽车早期经常抛锚时快马还能追，一旦稳定跑起来就没有意义了——暗示这个拐点可能已经非常接近。这对投资组合的集中度有重大含义。
从"越做越亏"到"突然暴利"，关键变量不是训练成本放缓（Dario的原始路径），而是收入斜率陡于训练成本斜率（新发现的路径）。Freda指出Anthropic年初需求爆发导致更多算力被分配到推理端，推理有正毛利，公司因此突然盈利。这个逻辑链暗示：模型公司的盈利不取决于自身成本控制，而取决于需求端的爆发力——这是一个完全外生的变量。
电力革命用了40年、计算机用了15年才真正转化为生产率提升。共同原因是新技术被嵌入旧架构（电机塞进蒸汽机工厂的垂直结构、电脑放进传统办公流程）。AI时代的"接力赛变篮球赛"不是一个比喻，而是一个组织设计命题。Freda的分析暗示：当前绝大多数公司的AI使用都处于"把电机塞进蒸汽机"阶段——个人效率提升但宏观生产率未必提升。真正的价值释放需要从组织根部重新设计。
Freda说"以信息交换为目的的对话，意义在快速地被掏空"——这不只是个人感受，而是一个社会结构性变化的信号。如果90-95%的信息性对话可以由AI替代，那么行业会议、专家访谈、分析师研讨等社交基础设施的价值将被重新定义。剩下的"有人味"的情感连接，可能成为人际互动中最稀缺、最有价值的部分。这对知识经济和服务业的组织形态有深远影响。
到2027年大厂自由现金流全部转负、行业CapEx超万亿、表外支出和长协只会上修——Freda描述的是一个不可逆的资本支出承诺。叠加三个万亿级IPO带来的资金轮动压力，Mag7的估值支撑可能面临双重压力。更深层的问题是：Anthropic的收入虽然增长惊人，但并非来自end customer——市场到年底会追问"因AI带来的终端收入在哪里"。
Freda全程做了极为详尽的行业分析，最后却告诉创业者"不要听我上面任何分析"。这个矛盾揭示了AI时代投资的根本困境：分析框架的半衰期极短（Coding TAM从100亿到数千亿的估算偏差就是证据），任何基于当前数据的判断都可能在几个月内被证伪。投资人能做的不是预测正确，而是在发现框架错误时快速修正——这才是Freda反复强调的核心能力。