MAU 時代的終結，MRR 也再也無法相信了？
AI 公司所炫耀的「年營收」，不過是本月營收乘以 12 的數字罷了。
本文並非對所有 SaaS 的泛論，而是聚焦於 AI 推論成本直接反映在產品成本與利潤中的 AI 商業模式所提出的問題。
前言
各位讀者，大家好。我是 Oswald。今天想聊一個稍微偏向 GTM 策略的話題。
今年二月，Anthropic 宣布 Series G 融資時，亮出了一組數字：年化營收（ARR）140 億美元，企業估值 3,800 億美元。「史上成長最快的 B2B 企業」這個稱號也隨之而來。
然而僅一個月後，同一家公司的 CFO Krishna Rao 在美國國防部訴訟中向法院提交的宣誓陳述書上，寫著完全不同的數字。「截至目前累計營收超過 50 億美元。」這是創業以來賺到的全部金額加總。
140 億美元與 50 億美元。同一家公司、相隔一個月、同一批管理層給出的兩個數字。這道裂縫的本質，正是今天要談的主題。科技產業的「通用指標」正迎來又一次世代交替。
📐 指標的世代史：從 DAU 到 ARR，再到……
科技產業每個時代都有 「只看這個數字就夠了」的指標。而當這個指標開始與現實脫節時，新的時代便揭開序幕。
第一代：DAU/MAU 的時代（約 2007～2015 年）。 智慧型手機與社群媒體爆發的時期，整個產業被一個問題所主宰：「用戶多久來一次？」 Facebook、Twitter、Instagram 的價值，以日活躍用戶（DAU）1和月活躍用戶（MAU）來衡量。投資人、媒體、管理層都盯著這個數字。原因很簡單：那個時代，只要用戶聚攏了，不管是廣告營收還是什麼，都會跟著來。
但問題出現了。DAU 一億的服務和 DAU 一億的另一個服務，商業品質可能天差地遠。機器人帳號混雜其中、「活躍」的定義各家公司不同，更重要的是，用戶數量與營收之間沒有直接關聯的服務越來越多了。DAU/MAU 能很好地衡量關注度，卻無法反映商業的健康狀態。
第二代：ARR/MRR 的時代（約 2015～2024 年）。 隨著雲端與 SaaS2成為主流，產業的問題變了。「能多穩定地賺錢？」 月經常性營收（MRR）乘以 12 得到的年化經常性營收（ARR）成了新的通用語言。
ARR 之所以奏效，要歸功於 SaaS 的三個特性。毛利率3高達 80～90%，多服務一個客戶的邊際成本幾乎為零，合約確實是「年度」的、確實是「經常性」的。在這三個條件下，本月營收 × 12 幾乎等於實際年度營收。董事會看得懂、CFO 能預測、投資人也能用來做企業間比較。15 年來沒有人認真質疑過，因為根本沒有質疑的理由。
而現在，AI 同時打破了這三個前提。
🔥 AI 打破的 ARR 三大前提
前提一：邊際成本幾乎為零 → 被打破了。在 AI 產品中，每一次推論（inference）4呼叫都是真實的成本。用戶每次生成複雜程式碼或分析長文件，GPU 成本就會出現在帳單上。根據科技記者 Ed Zitron 的報導，Anthropic 在 2025 年 1 月至 9 月僅 AWS 運算就支出了約 26.6 億美元，而同期估計營收約 25.5 億美元。換言之，營收的 100% 以上都花在了雲端成本上。
前提二：客戶之間的成本差異微乎其微 → 被打破了。想像兩個每月都付 2,000 美元的客戶。A 客戶只做輕量任務，毛利率 78%。B 客戶每天執行大量模型密集任務，毛利率 31%。ARR 儀表板上，兩者都顯示為相同的年 24,000 美元。B 客戶正在摧毀單位經濟學5這件事，ARR 根本無從體現。 前 5% 的客戶消耗了 75% 的整體運算成本，卻與其餘客戶支付相同的固定費用——這是 AI 訂閱制產品的常態。
前提三：「經常性」是有保障的 → 正在動搖。在 SaaS 中，轉換成本很高。資料遷移、員工再培訓、工作流程重新設計……但 AI 工具的轉換幾小時就能完成。換個 API key 就夠了。「經常性（Recurring）」這個前提本身就很樂觀。 不過，這部分並非對所有 AI 產品都同樣適用。與工作流程和資料深度結合的產品，轉換成本依然很高。而 API 導向或抽象化使用層面的產品，轉換摩擦可能比 SaaS 低得多。
當這三個前提開始動搖，ARR 就變成了一個難以單獨解讀的指標。特別是當 AI 推論成本直接反映在成本中的商業模式更是如此。這與 DAU 無法說明商業品質的時刻，結構如出一轍。最近是不是很少看到成長行銷、績效行銷這些詞了？上述三個前提被打破後，主導第一、二代的那套玩法開始不再奏效了。現在需要新的語法了。
📊 數字背後：Anthropic 與 OpenAI
這並非抽象的討論，目前最受矚目的兩家 AI 公司正在證明這一點。
Anthropic 從 2024 年 12 月的 ARR 10 億美元起步，2025 年 7 月 40 億、12 月 90 億，到 2026 年 2 月宣布達到 140 億美元。14 個月成長 10 倍。史上沒有任何 B2B 軟體公司達到過這個速度。然而同年 3 月 9 日，CFO 向美國法院提交的宣誓陳述書上寫著，創業以來累計營收 「超過 50 億美元」。Ed Zitron 將 Anthropic 公布的 ARR 數字逆向推算累計營收，結果至少是 66.6 億美元。這個數字既對不上 50 億，也對不上 140 億。而且推論和訓練的投入成本超過了 100 億美元。
OpenAI 也是如此。CFO Sarah Friar 在 2026 年 1 月宣布「2025 年 ARR 超過 200 億美元」。但 2025 年 9 月公開的半年度財報顯示，上半年實際營收約 43 億美元，現金消耗 25 億美元。年化約 130 億美元的營收節奏，與 200 億美元的 ARR 之間有相當大的差距。
就像 DAU/MAU 時代「活躍用戶」的定義各家公司不同一樣，ARR 時代「年化」這個詞也被用來表達與實際年度業績不同的含義。而且那道裂縫是以數十億美元為單位的。也就是說，不是「經常性營收」這個概念消失了，而是僅靠它已經難以說明商業品質了。
🔄 第三代指標的候選者
那麼 ARR 之後，AI 時代的通用語言會是什麼？目前還沒有共識，但業界有兩個正在浮現的有力候選。
第一，每美元支出產出（Productivity per Dollar Spent）。 SaaS 時代，「ARR ÷ 員工數」是衡量企業效率的代表指標。因為員工是主要成本。但如果 AI 代理正在處理相當於每週 40 小時的工作流程，那就不只是軟體訂閱，而是勞動力成本了。
GTM 策略師 Kyle Poyar 的提議很精確：分母不只包含人事成本，還要納入 AI 代理的成本。也就是「ARR ÷（人事成本 + AI 支出）」。 有些企業第一次計算這個數字時發現，原本用「ARR ÷ 員工數」看起來還算健康的效率指標，實際上已經連續兩年下滑了。
風險投資人 Tomasz Tunguz 走得更遠，分析了 6 家 AI 公司的每 token 毛利。結果令人印象深刻。每 token 毛利與企業估值的相关性為 0.70，而單純的 token 吞吐量與企業估值的相关性僅為 0.47。這意味著投資人已經在看 「能留下多少」，而不是「做了多少」。
第二，首年價值（First Year Value）。SaaS 中 LTV/CAC6 比率是投資效率的核心指標。 即客戶終身價值除以客戶獲取成本。但 CFO 出身的 CJ Gustafson 認為，將這套套用到 AI 創業公司上，「不過是數字遊戲」。
原因很簡單。AI 客戶的「終身」有多長，沒有人知道。 轉換摩擦是歷史上任何軟體都最低的，能取代我的工具幾小時就能部署。LTV 假設的是低流失率、可預測的擴展、長期的留存——AI 產品這三項都還沒有被證明。
首年價值提出了更尖銳的問題：「這個客戶在前 12 個月內，是否獲得了足以證明續約合理的價值？」如果要到第二年、第三年才能說「是」，那即使 LTV 看起來很美，其實只是在掩蓋留存問題。
Oz 的視角
回顧指標的世代交替，可以看到一個模式。指標是商業模式的影子。廣告模式主導時，DAU/MAU 是王；訂閱模式主導時，ARR 是王。 而當商業模式改變了，指標卻沒跟著變，那道裂縫就會製造出數十億美元規模的錯覺。
從制定 GTM 策略的經驗來看，指標不只是測量工具，而是決定組織行為的激勵結構。以 ARR 為 KPI 的公司，銷售團隊優化的是營收規模，而非客戶別的可獲利性。Anthropic 宣布 140 億美元 ARR 並獲得 3,800 億美元估值的案例，很好地展示了這個結構的運作方式。
但我認為這個結構不會持續太久。在法院宣誓陳述書中累計營收被揭露、獨立記者追蹤 AWS 支出並報導的時代，ARR 這層妝正在加速脫落。創業者、消費者、投資人都越來越精明。這也意味著，用指標玩弄把戲的時代正在走向終結。
- 引入 AI 並不意味著所有商業模式中的 ARR 都失去意義。只是當 AI 推論成本直接反映在成本中、客戶別使用強度導致利潤差異加大、部分領域的轉換摩擦也降低時，情況就不同了。在這種情況下，ARR 仍然是重要的成長指標，但單獨已難以說明商業品質。我想表達的不是廢除 ARR，而是 AI 時代需要在 ARR 之上，搭配成本結構與留存結構一起解讀的新框架。
不過老實說，新指標最大的瓶頸不是認知，而是基礎設施。要按客戶別即時追蹤每 token 毛利，計費系統、基礎設施成本報告、財務團隊的試算表必須串聯在一起。大多數 AI 公司中，這三套系統彼此不對話。第三代指標的導入，本質上也是計費架構的問題。
結語
總結來說：DAU/MAU 是廣告模式的語言，ARR 是訂閱模式的語言——AI 時代需要一種反映成本結構的新語言。 每美元支出產出和首年價值，就是這種語言的初稿。
無論您是投資 AI 公司、導入 AI 產品、還是經營 AI 商業——別問營收，問毛利；別問成長率，問第一年留下了多少。現在需要的，是讀懂數字結構而非數字規模的眼光。
參考資料 & 延伸閱讀
- Ed Zitron, “Why Are We Still Doing This?”, Where’s Your Ed At, 2026 年 3 月 17 日。：分析 Anthropic 的 ARR 公告與法院宣誓陳述書之間的數字落差。
- Ed Zitron, “How Much Money Do OpenAI And Anthropic Actually Make?”, Where’s Your Ed At, 2025 年 10 月 17 日。：分析 Anthropic 的 ARR 公告與法院宣誓陳述書之間的數字落差。
- Tomasz Tunguz, “Gross Profit per Token”, 2025 年 12 月 30 日。：分析 6 家 AI 公司的每 token 毛利與企業估值相關性的文章。用數據展示投資人實際在看什麼。
- Shanaka Anslem Perera, “The Growth Miracle and the Six Fractures: Anthropic at $380 Billion”, Substack, 2026 年 2 月 18 日。：深入分析 Anthropic 成長敘事背後的 6 個結構性風險。
- Kyle Poyar & CJ Gustafson, Mostly Growth 播客。：以實務角度探討 SaaS/AI 公司貨幣化策略與指標的播客。具體討論每美元支出產出、LTV 的侷限等。
각주
-
DAU/MAU（Daily/Monthly Active Users）：一天或一個月內實際使用服務的人數。是 2010 年代初期社群媒體與行動 App 時代的核心指標。侷限在於「活躍」的定義各家公司不同，難以比較。 ↩
-
SaaS（Software as a Service）：不需安裝軟體，以訂閱方式從雲端使用的模式。Slack、Notion、Salesforce 等服務是典型代表。 ↩
-
毛利率（Gross Margin）：營收扣除直接成本（原價）後的比率。賺了 100 元但服務提供花了 20 元，就是 80%。SaaS 中 80～90% 是常態，但 AI 公司常降至 40～60%。 ↩
-
推論（Inference）：已訓練好的 AI 模型實際生成回答的過程。訓練（Training）是建立模型的過程，推論是使用已建立模型的過程。AI 服務的營運成本大部分產生於此。 ↩
-
單位經濟學（Unit Economics）：以單一客戶或單一交易為單位分析可獲利性的方法。即使整體營收在成長，如果每位客戶都在虧損，就代表成長越大虧損越大的結構。 ↩
-
LTV/CAC 比率：客戶終身價值（Lifetime Value）除以客戶獲取成本（Customer Acquisition Cost）的比率。通常 3 倍以上視為健康的商業模式。AI 時代因為「終身」難以預測，可信度下降。 ↩
