付费的只有 4.5%，而顶部 1% 每月自掏 903 美元：消费级 AI 的 power user 经济，以及"订阅其实是错的商业模式"（a16z / Top 100 第七版，2026-10-05）¶

分析者: Olivia Moore（a16z 投资合伙人，Top 100 Consumer AI Apps 报告作者）、Josh Elman（a16z 投资合伙人，消费团队；⚠️ 本库新建条目；期内自述"几个月前加入 a16z"）
主持: Elena Burger（a16z editorial partner）
来源: YouTube · 50 分钟
转录稿: sources/a16z/20261005-aCvrzhwUxg0
被讨论的报告: a16z《Top 100 Consumer AI Apps》第七版（期内给了链接，⚠️ 本库未读原报告，页内所有数字均来自期内口述）

说话人认定：自动字幕，只有 >> 换轮标记、无姓名标签。身份取自视频简介。分工极清晰：所有榜单数字、面板口径、报告结论为 Moore（"我们这次第一次加了收入数据"、"我和 David Pawlan 一直在合作"、"我写过一篇叫 The Great Expansion 的文章"）；所有消费互联网史对照与"我最近用 ChatGPT 买东西"的一手体验为 Elman；提问与串场为 Burger。⚠️ 有一处反向佐证：Burger 在 [00:26:19] 自称"我是 pro / enterprise 所以看不到广告"，而 Elman 紧接着讲他看到的广告——与简介中的主持 / 嘉宾分工一致。

⚠️⚠️ 本页必须先处理一处数字矛盾，因为它关系到本期的核心数据：转录稿在 [00:00:00] 和 [00:15:09] 两处都写成 "$93 per month"，⚠️ 但 Elman 在 [00:16:11] 和 [00:19:14] 两次独立说成 "900 美元一个月"，而视频简介的章节标题写的是 "4.5% pay, $903/month at the top"。✅ 本库据两处独立口述 + 官方简介判定真实数字是约 903 美元/月，并判"$93"为自动字幕漏字（903 → 93）。本页一律写 903，并在此标注依据。

⚠️ 其它术语还原（自动字幕）：ChatGPT（全程作 "Chachi BT" / "chatbt" / "Chach"）、OpenClaw（"openclaw" / "open cloud" / "open claw"）、Grokbot（"Grockbot" / "Crockbot"）、YipitData（"the EBIT data" / "our Yepit panel"，本库据上下文判为同一家消费刷卡数据面板）、n8n（"NADN"）、Higgsfield（"Higsfield"）、Manus（"Manis"）、Suno（"Sunno"）、ElevenLabs（"11 labs"）、Krea（"crea"）、Superhuman（"Superhum"）、Plaud（"Plaude"，AI 录音笔设备）、ossifying（"oifying"）、prosumer（"proumer"）、endogenous / exogenous（讲述者自己当场说"我可能把这两个搞反了"）、David Pawlan（"David Pollon"，本库已有人物页）、Jev（"Jeb from Typesafe"，本库据公司名判为 Jev）。 ⚠️ 四处本库无法确定还原，不做解读：① 一个被称作 "Tommo" 的 agent 产品（"有很大的受众、做得非常好"）；② 音频类里与 ElevenLabs 并列的 "inso"；③ Moore 引用的那位被投 CEO "Eugenia" 及其公司 "Wabby"（她自己说"我大概会把这句话讲坏"）；④ Elena 说拿来对打的 "5.5" 是哪个模型。

⚠️ 本页的利益相关声明：这是投资方自己的榜单、由榜单作者在自己的频道上讲述。 Moore 在期内自陈立场——"我投消费 AI 产品，我是一个消费 AI 最大主义者"（[00:20:15]）；期内提到的 Wabby、Town、Lassie 等至少数家为 a16z 被投或相关公司。⚠️ 所有榜单口径（谁入榜、怎么排）由 a16z 自定，本库未核实。 ✅ 但本页认为本期的价值恰恰在数据本身的形状，而不在它的结论：这是本库第一份有"消费者个人刷卡"口径的 AI 支出分布。

✅ 本页认为它最该被长期引用的三处：① ⚠️⚠️ 一条由榜单作者亲口说出、方向与自身利益相反的判断——"我其实并不希望那 4.5% 扩大"，理由是订阅主导在消费互联网史上是一次"很不自然的倒置"；② ⚠️ "不是在省时间，而是在找怎么花时间"——这条把消费级 AI 当前全部产品形态归为同一类，并指出最大的公司历来出在另一类；③ ⚠️ Claude 的付费订阅数超过了 Gemini，而这是在 Gemini 装机量与 Google 分发优势都远大的前提下发生的。

概要¶

⚠️ 报告口径本身的变化是本期最该先记的一件事（[00:01:01]–[00:02:02]）：第一版只按全球网站流量（访问量）排 AI 原生网站，因为当时"几乎所有人用 AI 的方式都是浏览器里的一个 prompt 框产品"。⚠️ 第七版第一次加入收入数据——与 YipitData 合作拿"消费者刷卡支出"数据，明确不含企业与中小企业，按消费者实际在付什么钱来排产品。
⚠️⚠️ 而新口径立刻暴露了旧口径漏掉的东西，本页认为这是本期最硬的一条方法论发现（[00:02:02]）：流量上看，产品格局在"安定下来"——网页榜与移动榜合计只有 11 个新产品，是本系列历来最少的一次。 ⚠️ 但支出数据引入了大量新变量：在支出榜上的 50 个里，有 29 个不在任何一张流量榜上。 ✅ 本页标注：这意味着按流量看到的"格局固化"与按付费看到的"格局未定"是同一市场的两张不同照片，而此前本库只有前一张。
⚠️ "power user 游戏"是本期的总结论，而它在 a16z 内部与企业侧的观察对上了（[00:02:02]–[00:03:02]）：Burger 引同事 Sarah Wang 在 state of markets 那期的直接评论——"现在发生的是一场幂律游戏，在企业层面发生，也在消费层面发生"（⚠️ 本库已收录那一期：25 张图讲 2026 的市场）。
⚠️⚠️ 本期的核心数字分布，本页按原话完整记下（[00:14:09]–[00:16:11]）：
使用面：约一半美国人报告在用 AI；约 25% 的美国人认为自己大概每天都在与 AI 交互。
⚠️ 付费面：他们的 YipitData 面板显示约 4.5%（"低于 5%"）的美国消费者在为某个 AI 产品付订阅费；⚠️ 她主动给了口径区间——"有些来源低到 2% 或 2.5%，也许有的更高一点"；而这个数字比一年前翻了一倍。
⚠️⚠️ 集中度（全部在那 4.5% 之内）：前 10% 的人占了一半以上的收入；前 1% 占 20% 的收入；后 50% 只占约 16%。落点："是前 10% 的用户在驱动这个市场。"
⚠️⚠️ 人均：前 1% 的用户每月用个人信用卡花约 903 美元在 AI 上；中位数是 25 美元（⚠️ 再次强调：这是在付费的那 4.5% 里的中位数，不是全体消费者的中位数）。
⚠️ 钱花在哪：答案把"消费级 AI"的真实面目说清楚了（[00:16:11]）：主要是开发者工具、生产力工具、创意工具——"用来建、做、卖的东西"。 ⚠️ 在顶部支出者里被显著超额代表的四个具体产品：n8n、Granola、Higgsfield、Manus。
⚠️⚠️ 而本页认为本期最该被长期引用的，是榜单作者自己给出的那条反方向判断（[00:20:15]–[00:21:16]）：

⚠️ "我其实并不一定希望那 4.5% 直接付费的人扩大——这也许有争议，因为我投消费 AI 产品、我是一个消费 AI 最大主义者。"
⚠️ 她的理由是结构性的，并且带着榜单自己的分布数据：到目前为止，消费 AI 收入几乎全部来自直接订阅——"网页榜上大约 85% 通过订阅变现，另有 62% 通过额度或 token 超额使用付费变现，只有约 13% 有广告或者其它'你是产品而不是付钱买产品'的选项。"
⚠️⚠️ 她对这件事的定性是本页认为全期最锋利的一句："如果你回看消费互联网的历史，这是一次相当不自然的倒置。我们现在拥有的那些真正巨大的消费科技公司，绝大部分收入来自广告或交易费，而不是订阅。"
⚠️ 她给的佐证走的是榜单之外的对照：看全球前 20 的消费订阅产品，ChatGPT 已经在上面了——"三年半的增长就做到这个，很疯狂"；⚠️ "而其它几乎全是媒体公司，或者 Amazon、Uber 这类有非常高频购买行为的大平台。"
⚠️ 落点是一句很明确的立场："我其实很相信我们需要转向。我们已经超越了'每个人都得买一份 AI 订阅'这个需求，我们需要看到那些别的商业模式回来。"
⚠️ Elman 给这条配了成本侧的时间条件，本页认为这使它从立场变成了可跟踪的判断（[00:21:16]–[00:22:16]）："我们还处在推理成本下降的早期，还处在人们找到用更低成本模型造好产品的早期。等他们做到了，互联网上一直存在的那些别的商业模式——交易费、广告——才会终于开始奏效。但我们需要这件事发生。" ⚠️ 他对当下默认做法的归因："'如果服务我要花很多钱，那至少让我直接收费吧'——这成了一种早期的默认。"
⚠️⚠️ 而他给出的那条消费投资范式反转，本页认为是本期对商业模式这条线最有价值的一段（[00:22:16]–[00:23:18]）：旧规则是"先把用户密度堆起来，因为服务成本接近零，之后再靠广告变现、或者等有了流动性和密度再开始收交易费"——⚠️ Moore 的原话是"至少对我这个消费投资人来说，以前如果一家公司在头五年就在赚钱，那是'哇，发生什么了'"。 ⚠️ "而鉴于现在 COGS 这么高，那套就是不成立了。"
⚠️ Elman 补的那条经营后果很具体："公司会害怕长得太快。如果它们长得太快、而收费又没有计量，你真的会有失控的支出，而那会非常非常难管。"
⚠️⚠️ "不是在省时间，而是在找怎么花时间"——本页认为这是全期最该被接到主题页上的一条框架（[00:18:14]）：Moore 引一位被投 CEO 的话（人名与公司名本库无法确定还原，见页首）——"大多数人不是在找怎么省时间，他们是在找怎么花时间。"
⚠️ 她给的佐证是现有消费产品的排序："这就是为什么社交媒体、娱乐、Netflix、TikTok、YouTube 是我们拥有的最被使用的消费产品。"
⚠️ 而她对 AI 现状的定性是一句判决："我们目前在 AI 里看到的大部分，都是'我怎么把这件事做得快一点、容易一点、更让人印象深刻一点'。而对大多数人来说，这不是一个特别有说服力的每日或每小时活跃价值主张。"
⚠️ 收尾时她把这条和白地图连起来（[00:48:33]）："消费 AI 里我们看到的几乎一切都是省时间，而花时间那一类往往是最大的公司——如果不是最大的那个。"
⚠️⚠️ "为什么服务一个用户要花几百上千美元"——本期给了一条本库此前没有的归因，而它来自一个有观察平台的第三方（[00:11:06]–[00:13:08]）：Moore 说她自己也被这个数字难住了（"我也卡住了"），于是去问 David Pawlan（Assistant Benchmark）。
Pawlan 侧的规模（⚠️ 本库已有那期横评，可对读其口径变化）："我觉得他们在跟踪 170 多个 agent，我昨晚看的时候——今天早上大概已经 200 多了。" 他还主持早期采用者的群聊与社群，有 1500 多名用户。
⚠️⚠️ 而他拉给她的数据给出了答案："绝大多数情况下，第一名的用例仍然是 coding 和技术自动化——即使对 Muse、Instinct 这类消费助理产品也是。" ⚠️ Moore 的结论："在这个框架下就是：哦，当然要花那么多钱。"
⚠️⚠️ 而她给的对照数字是本页认为这一段真正的硬结论："我们和一些面向更主流消费者的 agent / 助理产品聊，它们看到的成本是几十美元，不是几千美元一个月。" ✅ 本页标注：这把"个人 agent 服务成本高到不可持续"这条流传很广的判断局部否定了——高的是 power user 的 coding 负载，不是消费级用法本身。本库认为这是本期最该被单独引用的一条纠偏。
⚠️ OpenClaw 的一次完整起落，本页认为值得单记，因为本库此前只记到它的上升段（[00:03:02]–[00:05:03]）：上一版报告的统计截止恰好在 OpenClaw 流量进来之前，她们当时做过回溯，发现它本来会排得很高；⚠️ 而这一次"OpenClaw 在榜单上完全没有位置，因为流量已经完全下滑了"。她给的归因是"我想团队被 OpenAI 收购了"（⚠️ 她自己用了"I think"，本库记为未确证），"他们大概在那边做 agent 助理产品"；⚠️ 同时"它也被其它一些 prosumer agent 的尝试盖过去了——Grokbot、Town（有几个非常好的 agent）、以及 OpenAI 新出的 Dots"。
⚠️ Elman 对 OpenClaw 那一段的回顾给了一条本库此前没有的现象描述（[00:04:03]–[00:05:03]）："AI 从一个我们用来增强生产力、帮我们搜得更快的工具，变成了真的会替我们把事办成的东西。" ⚠️ 而他记下的用户行为很具体："我们看到人们在买 Mac mini，看到人们用自己本地的 OpenClaw 跑自己的全部数据，那阵有一次很大的抢购。"
⚠️ Muse 与 Instinct 的发布数字（均为公司公开宣称，本库未核实）（[00:05:03]–[00:07:04]）：
Instinct：宣称 10 万用户、日环比增长 10%；⚠️ "前三周有 40% 的用户绑了信用卡"；"第一个月平均花超过 1000 美元"。
Muse：前 12 天左右约 50 万次下载、25 万活跃用户。
⚠️⚠️ 而本页认为本期最有说服力的一次对照是她们自己做的下载量同口径比较：Muse 目前只在美国与加拿大，所以她们只取 Threads 的美加下载量——"Threads 头 22 天左右约 1600 万次下载，而 Muse 在同一时间段还停在 500 万左右。" ⚠️ Moore 的落点："对不在科技行业工作的普通人的吸引力，它仍然相形见绌。"
⚠️ 而两人对"为什么不更激进地推"给了两条互补解释（[00:07:04]）：Moore——"确实没那么激进，部分原因是服务这些用户的成本高得多，所以他们不想让它太快变得太大"；⚠️ Elman——"Threads 非常依赖临界质量效应：如果不让很多人迅速上来互相沟通，你根本到不了一个新网络开始成形的那个杠杆点。而 Muse 仍然是一个非常个人的工具。"
⚠️ 平台生态"两头都在切"是本期对 agent 可用性最具体的一条一手观察（[00:08:04]–[00:09:04]）：⚠️ "Amazon 说：我们不会允许 Muse 在我们站上浏览和购买商品"；⚠️ "但 Muse 也已经有好几百个别的合作，可以在 Shopify 上买东西。" ✅ 本页标注：这是本库第一次看到"agent 能不能办事"被明确写成一个由平台逐家决定的权限问题，而不是一个模型能力问题。
⚠️⚠️ "没有一个助理产品解开了人与人之间的网络效应"——而她给的原因是隐私，本页认为这条机制说得比本库此前任何材料都清楚（[00:09:04]）：

⚠️ "这个软件比历史上任何产品都更亲密地了解我们……而我发现我自己会跟我的 AI 讲极其私人的事情。所以这里有一种天然的张力：产品对你这个消费者越有用，它就越了解你——那你真的想把这个带进和别人的其它语境里吗？"
她给的现成类比："这和很多人有一个单独的 ChatGPT 工作账号和个人账号是同一件事，而还没有人把这件事解开。"
⚠️ Elman 把它推到了社会规范层面，本页认为这是本期最好的一句旁观（[00:10:05]）："我们作为人其实非常擅长这件事——我们很清楚什么信息自己愿意分享、别人给我们的信息里哪些是我们被信任可以传出去的、哪些该保护好留在自己这里。而我们突然就期待软件也能做到这件事。"
⚠️ 他对风险的落点很直接："如果你不信任那个你交出最私密访问权的东西——你的邮箱、你的生活、你的信用卡——而它可能做出你预料不到的越界行为、或者跟你预料不到的人分享东西，那这将是这些东西真正长成大众消费应用的最大障碍。"
⚠️ "平台能力 vs 消费者意愿，哪一侧先解决"——Moore 给了明确答案（[00:11:06]）："我认为平台能做到的事，改善得比消费者真正的使用意愿更快。而这一点在 AI 到目前为止一直是这样。"
⚠️ "空白盒子"问题是本期对主流化障碍最具体的一条描述（[00:13:08]–[00:14:09]）：Elman 指出一直在写代码、一直在用 AI 的人"有了关于生活里其它一切事情的好点子"，⚠️ "但当你把这个交给一个新人，它感觉像一个空白的盒子，感觉是'我该拿它做什么'。"
⚠️⚠️ 而他给的机制解释本页认为是全期最该被接到传播这条线上的一条："我们作为人做的事里很大一部分是向他人学习——我们得到这些好点子，然后去试别人告诉我们的东西。社交媒体很大程度上就是这么运作的：人们把东西发上去，别人看到就去试同一件事，然后它催生出这些效应……而 AI 因为太个人化，我们连这种东西都还没看到任何繁荣。"
⚠️ 广告：OpenAI 的运行率数字与两条结构性判断（[00:23:18]–[00:25:19]）：
⚠️ "他们现在在广告上达到了 10 亿美元的年化运行率"（⚠️ Moore 注明"这个数字来自八月，所以一个月后很可能已经相当更高了"）。⚠️ 她对这个速度的定性："这在以前，一家公司哪怕在发布广告产品之后，也要花很多很多年才能达到。"
她给的第一条解释是密度："最后报的数字是几天前的 12 亿周活用户，那是真正的密度。"（⚠️ 本库未核实。）
⚠️ 第二条是她真正感兴趣的演进方向："理论上他们应该能收更高的价、拿到更高的转化率，因为他们对你这个用户知道得多太多了"；配套的产品信号是 "login with ChatGPT"已经上了、"我觉得钱包也要来了"。⚠️ 她自己留了口："但我们再看吧，那边还非常早期。"
⚠️ Moore 的推论（[00:28:21]）："我觉得随着他们往里投，OpenAI 会能做到疯狂好的定向——甚至比 Meta 更好，而 Meta 此前在这件事上是同类最佳，就因为它对你知道得太多了。但你现在是在和他们进行一场实时对话。"
⚠️ Elman 关于"广告怎么才不毁掉信任"的那段，本页认为比数字更该被记住（[00:25:19]–[00:26:19]）：
⚠️ 他先给了反面例子："如果你在跟这个极其私人的东西说话，然后它来一句'让我跟你讲讲健康，让我给你介绍这个能帮你快速减肥的疯狂产品'——那不是在和 AI 建立信任。"
⚠️ 他对 OpenAI 的实际投放给了一句正面评价，并自标为个人观感："我其实对 OpenAI 的广告投放挺惊讶的……它标得非常清楚，而且确实感觉像是我正在进行的那场对话里一个自然的广告。"
⚠️ 他给的查询结构变化是这一段的论证核心："以前可能是查个事实、讲讲这东西的历史、帮我做作业——不见得是解决问题和能打广告的东西。但现在人们是带着真正的建议需求、购物、或者想搞清楚到底要去哪、要做什么去找它。而那些正是你处在发现模式里的时候——广告往往是帮你解决那件事的好答案。"
⚠️ 他的一手案例（本页认为值得照录，因为它说明了"商业意图查询"具体长什么样）（[00:27:21]）：他在找一个能很方便把代客泊车钥匙单独分离出来的特制钥匙扣，在 Google 上一直找不到，于是去问 ChatGPT，来回描述需求后拿到了很好的例子；⚠️ 他又加了一条"我还希望是美国制造"，结果它找到了底特律一家常做各种金属件的工厂做的一个方案。⚠️ 而他对广告的结论恰恰来自那次没有广告："那次对话里没有任何广告被呈现，但它完全是对广告开放的——那些广告本来会帮我找到东西。而我最后去了一个我从没听说过的公司的网站，体验很棒。"
⚠️ 他对边界的重申："但这必须做得非常非常灵巧，而不是把广告硬塞进我正在进行的这个很私人的体验里。"
⚠️ 垂直广告的一条数字，本页记为本期最被低估的材料（[00:28:21]）：OpenEvidence（给医生用的 AI 产品）在广告上已见早期成效——⚠️ "最近的数字我想是全美医生的 50% 到 60% 的密度在这个产品上。" ⚠️ Moore 的推论："当你有那种量级的、真正有价值的受众密度，而且它是一个定向受众（因为你知道他们是医生），你就能非常有效地打广告。这类东西会有、也该有更多。"（⚠️ 本库未核实那个密度数字。）
⚠️⚠️ 三大助理的分化，本页认为这是本期信息密度最高的一段（[00:29:21]–[00:31:22]）：
流量：ChatGPT 在网页上领先 Claude 约 6 倍、领先 Gemini 约 2 倍。
⚠️⚠️ 而她自称本期最大惊讶的一条：在他们拿到的美国支出者面板里，Claude 的付费订阅数已经超过了 Gemini——"这挺疯狂的，因为 Gemini 的装机量和整体用户基数大得多，而且它还有 Google 这种天然分发机制。"
⚠️ 她给的两条归因：过去几个月一批很成功的产品发布（她点名 Claude Design）；以及 ⚠️ "多得多的媒体曝光，从 department of war 那件事开始，一直回溯到我想是二月。"（⚠️ 本库对后一条不作解读，照录。）
变现侧的总量：ChatGPT 在美国的付费消费者订阅数约为 Gemini 和 Claude 各自的 3 倍。
⚠️⚠️ 而本页认为这一段最该被引用的是那组高价档比例，因为它把"无广告"这个承诺的代价量化了：Anthropic 很有名地说过"不做广告"，所以它在订阅上激进得多——⚠️ "它大约有 7.5% 的订阅者在 100 美元以上的档位，也就是 max plan。而 ChatGPT 和 Gemini 这个比例都是大约 1%。" ⚠️ Moore 的落点："所以即便是在付费用户基数里，这些用户看起来也天然不同、在产品上做的事也不同。"
⚠️ 创意工具的三段分布，本页认为这是本期结构最清楚的一节（[00:32:24]–[00:35:24]）：
⚠️ ① 音频：实验室没投入，于是垂直玩家跑掉了。ElevenLabs 等已稳定接近流量榜顶部、支出榜排名也很高。 ⚠️ 而她对实验室为什么不进来的解释带着一个很具体的成本项："实验室要做的事太多了，他们在建 coding agent、在建 AGI。在这个时点上，让他们去处理 Suno 不得不走过的那一整套 IP 麻烦、再发一个竞争性的音乐模型，这说得通吗？我不知道。而在这期间，Suno 已经跑出了一个非常强的领先。"
⚠️ ② 图像：实验室确实进来了，而后果是分层。OpenAI 在图像上投入很成功（images 2.0 在生成与编辑上都很好），Google 的 Nano Banana 各代与 VO 也是；⚠️ "我觉得他们坦率说把此前流向这些独立图像生成器的高层级消费流量拿走了很多。"
⚠️⚠️ 而 Midjourney 的那条双榜反差是本页认为全期最漂亮的一个数据形状："Midjourney 在我们最早那一版排得相当高，现在它已经完全从流量榜上掉下去了——但按你的说法，在 power user 那边：如果你看收入榜，Midjourney 回来了。" ⚠️ 归因："人们——power user——仍然想要那个他们觉得有品味、有审美判断、而且能被他们以非常具体的方式调校的模型。"
⚠️ ③ 视频："狂野的前沿"，而她给的结构性判断是本页在中美对照上最该记的一条（[00:34:24]–[00:35:24]）："能在任何数据上训练的中国公司有真正的优势。视频生成实在太复杂了——视觉、声音、视觉与声音同步、还要看起来是特定的样子。我觉得数据越多训得越好。它们到目前为止在那里很成功。" ⚠️ 本页照录并标注：这是一条关于数据获取约束差异的论断，本库未核实，记为立场。
⚠️ "agent 友好"将成为创意工具的新顺风，而这条带着她自己的一手使用（[00:35:24]）："我最近一直在让 Astra 和其它很强的模型替我生成或编辑创意素材，它做得非常非常好，而且它会 tool call 到互联网上别的地方去。" ⚠️ 推论："所以我觉得那些对 agent 友好、agent 可访问的创意工具，会越来越看到真正有说服力的顺风。"（Burger 补了一条一手对照：她让 Astra 和另一个模型头对头给她做动画，"它就是确切知道该干什么"。）
⚠️ Elman 的"修修补补的人在前面开路"是本期对产品化节奏最有用的一句（[00:36:24]）："这是那些修修补补的人、在边缘上的人在摸清这些能力，而我们接下来一年会造出那些会出现在这些榜单上的产品——因为它们会把你能做的这一整套复杂度打包成真正容易用的东西。" ⚠️ 他把这件事直接等同于本榜单的意义："你想想'所有 AI'和'消费 AI'之间那道落差，正好就是这个动作：把这些打包起来、建出很好的产品体验。"
⚠️ "The Great Expansion"：消费公司为什么这么快变成企业公司（[00:37:24]–[00:38:24]）：Moore 说她六到九个月前写过一篇叫这个名字的文章。⚠️ 机制：这些产品通过 PLG 非常成功地增长（她点名 Krea、Replit、ElevenLabs、Gamma，以及 WhisperFlow 和 Granola）→ 因为与工作生产力相关，被拉进企业 → 创始人发现"我们得加隐私、安全和团队版了"。 ⚠️ 对照的历史速度："Canva 花了六年以上才有真正的团队与企业收入。" 她的定性："非常有效、非常低成本的分发。"
⚠️⚠️ 而她接着给的那条在位者判断，本页认为是本期最该被交叉链接的一条，因为它把矛头也指向了实验室（[00:38:24]）："WhisperFlow、Granola、Superhuman 这类产品是另一个好例子，说明我们普遍看到的那个趋势：在位者不愿或不能蚕食自己已有的界面。"
经典例子是 Google："我们并没有真正看到他们为 AI 时代重新发明 Docs、Gmail 或日历。"
⚠️⚠️ 而她把同一条规律加到了 OpenAI 和 Anthropic 头上："我觉得这甚至正发生在 OpenAI 和 Anthropic 身上——它们在任何不是发布在已有的 ChatGPT、Codex、Claude 或 Claude Code 界面之内的东西上，成功得少得多。" ⚠️ 她补了一条观察："我知道它们很多都尝试过孵化这些创业公司的'杀手'。" 归因："从产品角度这对它们很难，特别是当它们盘子里还有那么多别的事。" ✅ 本页标注：这把 Amble 的"在位者被按住"论证从企业软件扩展到了前沿实验室自身，而本库此前没有这一条。
⚠️ Elman 的"水涨船高"反论，本页与上一条并记（[00:39:25]–[00:40:26]）：他的论证是模型变好的收益流向了界面层——"那些花时间做易用、自然、容易分享、容易把一整个团队拉上来的界面的人（WhisperFlow 和 Granola 起步就非常容易用），然后会说：天哪，随着模型变好，产品的效用也变得好太多了。" ⚠️ 他的落点是对集中化叙事的直接反驳："所以认为只有一两家公司能造出那个体验层——我觉得这份报告差不多就是在推翻这件事。" ⚠️ 但他自己把基础设施层的归属留白："基础设施的价值可能仍然归模型供应商，或者归那些做推理服务的，那是另一场完全不同的对话。"
⚠️ "大船难掉头"的一个具体反例（[00:40:26]–[00:41:27]）：⚠️ Moore 指出 OpenAI 和 Anthropic"在很多方面也是创业公司，但它们太成功了，已经变成有数千人的大公司"。她举的榜单例子是 Plaud（一个 AI 录音笔设备，"算是从中国、从东方起步，现在来到美国"，买设备 + 可买订阅）——⚠️ "OpenAI 能做也会做硬件设备，但正如我们看到的，当你是一家大公司，一切都要更久：你可能得和别的已有产品集成，要过更多的检查与制衡。" 落点："所以我确实认为大实验室会继续非常非常成功，而创业公司会继续能找到这些相当大的机会窗口。"
⚠️⚠️ Burger 把这一整段压成了一个判据，本页认为这是本期最好用的一句提问（[00:41:27]）：

⚠️ "那么对创业公司来说问题就是：你怎么造一个随着模型变好而变好、但不会随着模型变好而被蚕食掉的产品？"
⚠️ Elman 对这条的回答点明了他加入 a16z 的理由（[00:41:27]–[00:42:29]）："价值现在真的在往软件层回移。" ⚠️ 他把 Jev 点名为一项使这件事成立的新能力："像 TypeSafe 的 Jev 这样的新创新，让开发者能用全新的方式造东西……当你能用上这样一个又快、又容易集成、而且给你结构化答案的模型时，那些了不起的新想法我们还完全没看到。" ⚠️ 他的落点："创造力回到了体验、回到了你能建的网络、回到你能怎么服务很多人并把他们聚起来——但上下文和社群才是真正的资产。"
⚠️⚠️ 而 Moore 给了"上下文即护城河"一条可量化的表述，本页认为这是全期最该被引用的一条产品论证（[00:42:29]–[00:43:30]）：她举 Town（prosumer 端的 agent 助理，可连 Slack、邮箱、Google Drive，理解你和你组织的上下文并替你办事；⚠️ 她自述"我用它写我很多邮件，这份报告也帮了很多忙"）。
⚠️ 她先承认那个标签："我知道人们很容易把这类东西一笔带过：哦，这只是个 harness——我猜这是现在比'套壳'略不那么贬义的说法。"
⚠️⚠️ 然后给出那条量化："但 Town 已经建起了关于我是谁、我说话什么调子的那些 playbook，而没有别的产品有这些，我也没法轻易把它们搬到明天出现的某个东西上。因为一封 99.9% 像我写的邮件和一封 85% 像我写的邮件之间的差别，就是花 10 秒钟改一下和花 10 分钟以上的差别。"
✅ 本页标注：这条把"上下文护城河"从一个定性说法变成了一个关于边际修正成本的论证——而本库认为它的形状与 Lio 的"例外处理就是护城河" 一致：价值不在那 85%，在最后那段把它变成可直接用的距离。
⚠️ Elman 对"harness / wrapper"这两个词的明确拒绝，本页记为一次用词层面的立场（[00:43:30]–[00:44:30]）："我尽量避免用 harness 和 wrapper 这类词，因为现实是人们现在是在造软件，在造这些真的很丰富的产品。他们可能在用 agent 写其中一部分代码，但当他们把这整套体验交付给一个用户时，它远不只是模型上的一个薄垫片、或者一个给模型带点上下文的 harness。它其实是一个非常丰富的产品和体验，只是恰好现在用一个模型作为让他们能交付这件事的一部分。"
⚠️⚠️ 白地图（white space）：本页认为这是本期最该被当成待办清单保存下来的一段（[00:45:31]–[00:47:33]）：
当下实况："绝大多数纯消费者基本还在把 AI 当作搜索产品（比如 Google）的替代品。" 另外两类是教育用例（孩子用它写文章、作业帮助）和职场写邮件。
⚠️ 而她对现有创业成功区的总结是一句分类："迄今为止我们看到创业公司成功的几乎所有领域，都在'把事办成'这个主题周围——生产力、照片和视频的设计与编辑、搜索与答案。"
⚠️⚠️ 没人做的那些，她按网络性质分了组：
- ⚠️ 需要多人产品的"网络类"：约会（"榜单上现在没有任何人在做约会"）、招聘——⚠️ "我其实把约会和招聘看成在做匹配这件事上有点相似的网络。"
- ⚠️ 社交 AI："我们真的没看到任何东西起来。" ⚠️ 她对现状的描述很锋利："社交 AI 的大部分，是人们把 AI 生成的内容发到已有的社交平台上。"
- 更像市场（marketplace）的那些：购物、买房、零售。⚠️ 而她把形态问题留成开放题："我们得看看这些最后是活在 Instinct、Muse 这类 agent 里，还是活成独立产品（接下来还会有很多），或者两者的混合——也许是你的 agent 在呼叫那个 AI 原生的市场。"
- ⚠️ 游戏与娱乐："模型一直还不够好，产不出普通人爱看的内容"——⚠️ 唯一的例外她点得很具体："AI 微短剧，那个正在爆。" 她的判断是"但我觉得那个也快来了"。
⚠️ Elman 对"为什么对话不是购物的正确形态"给了本页认为最具体的一条产品批评（[00:47:33]）："我们被 ChatGPT 把一切变成对话这件事激动过，现在这些 agent 又能进到我们的消息应用里、把它们变成更多对话。这是了不起的范式——但当你在购物时，你是想在视觉上看到选项、去探索、让东西为你定制，并且能说'我真的很喜欢那个，但我希望它领子上有点嵌边'，然后让 AI 既帮你意识到这件事、甚至可能帮你把它做出来。"
⚠️ 他对娱乐的那条判断是关于供给侧的（[00:48:33]）："我觉得我们在'讲更好的故事'这件事上才刚刚开始刮到表面，在'赋能人们成为更好的故事讲述者'这件事上也是——而那会创造出这些了不起的、消费故事的人的网络。" ⚠️ 他把 TikTok 当作尚未完成的版本："TikTok 是一个了不起的地方，人们聚在一起做小视频……但人们脑子里仍然有太多东西被困住了，只要他们能把想法表达得更好一点。"

核心观点¶

一、⚠️⚠️ 本期的数字骨架：使用很宽、付费很窄、而付费内部极度集中¶

来源：a16z / Top 100 Consumer AI Apps 第七版

⚠️ 本节所有数字均来自期内口述，报告原文本库未读。 ⚠️ "903 美元"一项的判定依据见页首标注。

指标	数值	出处
报告使用 AI 的美国人	约一半	[00:14:09]
自认"接近每天"与 AI 交互的美国人	约 25%	[00:14:09]
为 AI 付订阅费的美国消费者（YipitData 面板）	⚠️ 约 4.5%（"低于 5%"）	[00:14:09]
同一指标的其它来源区间	低到 2%–2.5%，也有更高的	[00:14:09]
该比例的同比变化	比一年前翻了一倍	[00:15:09]
付费者内部：前 10% 占收入	⚠️ 一半以上	[00:15:09]
付费者内部：前 1% 占收入	⚠️ 20%	[00:15:09]
付费者内部：后 50% 占收入	约 16%	[00:15:09]
前 1% 用户的个人月支出	⚠️⚠️ 约 903 美元（个人信用卡）	[00:15:09]、[00:16:11]、[00:19:14]
付费者的月支出中位数	25 美元	[00:15:09]
网页榜新产品数（网页 + 移动合计）	⚠️ 11 个，系列历来最少	[00:02:02]
支出榜上不在任何流量榜的产品	⚠️ 50 个里有 29 个	[00:02:02]
网页榜中靠订阅变现的比例	约 85%	[00:20:15]
靠额度 / token 超额使用变现的比例	62%	[00:20:15]
有广告或其它非付费模式的比例	⚠️ 只有约 13%	[00:20:15]

⚠️⚠️ 本页认为这张表里最该被反复引用的不是任何单个数字，而是"4.5%"与"903 美元"的并置：几乎所有美国人在用，而几乎所有钱来自极少数人，✅ 而本页在下一节记下的是：报告作者本人认为这个形状不该靠扩大付费人数来修正。
⚠️ 与本库已有数字的对照，本页必须说清楚口径差异，否则会被误读：本库在 2026-09-30 那期记下的是"只有略超 2% 的美国家庭有付费 AI 订阅"。⚠️ 两者并不矛盾：分母不同（家庭 vs 消费者）、面板不同，✅ 而 Moore 在本期主动给出了 2%–2.5% 这个区间下界，正好覆盖了那个数字。本页据此认为两期数据可以并用，但不能相减或比较增速。
⚠️ 钱花在哪的那条分类，本页认为比比例更有信息量（[00:16:11]）：开发者工具、生产力工具、创意工具——"用来建、做、卖的东西"；⚠️ 被显著超额代表的四个具体产品是 n8n、Granola、Higgsfield、Manus。
⚠️ Elman 对这组数据给了一个正面读法，本页与 Moore 的反面读法并记（[00:16:11]–[00:17:12]）："这其实真的很酷。即便这些数字还不是所有人，我们正在让整整一代新的'造物者'出现——他们不只是把这个用在工作上，而是真的在用个人信用卡去写他们从没写过的代码、去做艺术、做视频、做内容。" ⚠️ 他的推论："如果你一个月在一套 AI 工具上花 900 美元，你真的是在用它更快更好地做东西、让脑子里的想法比以往任何时候都更多地落地。"
⚠️ Burger 补的那条是对"为什么只有少数人"的一个解释，本页认为它同时也是这条数据的局限（[00:17:12]）："开发者和写代码的人，是天然会去问'我怎么在这件事上拿到杠杆'的人……但这是一种特定的心智、一种特定的世界观。而我对这些数字的部分理解是：这仍然是一种只在一小群人里被反映出来的世界观。"

二、⚠️⚠️ "我其实并不希望那 4.5% 扩大"：订阅主导被定性为一次不自然的倒置¶

来源：a16z / Top 100 Consumer AI Apps 第七版（[00:20:15]–[00:23:18]）

✅ 本页认为这是全期最该被长期引用的一段，理由有两条：① 它由榜单作者亲口说出，而方向与她自身利益相反（她自陈"我投消费 AI 产品、我是消费 AI 最大主义者"）；② 它带着榜单自己的变现结构分布作为证据，而不只是一个判断。

⚠️⚠️ 主张："我其实并不一定希望那 4.5% 直接付费的人扩大。"
⚠️ 证据是变现结构的分布（见上节表格）：约 85% 靠订阅、62% 靠额度 / token 超额、只有约 13% 有广告或其它"你是产品"的模式。
⚠️⚠️ 定性："如果你回看消费互联网的历史，这是一次相当不自然的倒置。我们现在拥有的那些真正巨大的消费科技公司，绝大部分收入来自广告或交易费，而不是订阅。"
⚠️ 她给的解释回到了需求结构，而这条与本页第四节的"省时间 vs 花时间"是同一条："大多数人并不是在找一个 coding 工具来帮自己开公司、或者创造并卖一个产品。大多数人没有那笔钱、或者不想把钱花在软件上。"
⚠️ 榜单之外的对照：全球前 20 消费订阅产品里 ChatGPT 已经在列（"三年半增长就做到，很疯狂"），⚠️ "而其它几乎全是媒体公司，或者 Amazon、Uber 这类有非常高频购买行为的大平台。"
⚠️ 立场："我们已经超越了'每个人都得买一份 AI 订阅'这个需求，我们需要看到那些别的商业模式回来。"
⚠️⚠️ Elman 给这条配的时间条件，本页认为使它从立场变成了可跟踪的判断："我们还处在推理成本下降的早期……等他们做到了，互联网上一直存在的那些别的商业模式——交易费、广告——才会终于开始奏效。但我们需要这件事发生。" ⚠️ 他对现状的归因很坦白："'如果服务我要花很多钱，那至少让我直接收费吧'——这成了一种早期的默认。"
⚠️⚠️ 而那条消费投资范式反转，本页认为是本期对商业模式这条线最具体的贡献：
旧规则（Moore 自述）："至少对我这个消费投资人来说，以前如果一家公司在头五年就在赚钱，那是'哇，发生什么了'。规则是：先把用户密度堆起来，因为服务成本接近零，然后我们可以等，等有了流动性和密度再靠广告变现、或者开始收交易费。"
⚠️ "而鉴于现在 COGS 这么高，那套就是不成立了。"
⚠️ Elman 的经营后果："公司会害怕长得太快。如果它们长得太快、而收费又没有计量，你真的会有失控的支出，而那会非常非常难管。" ✅ 本页标注：这条与本期 Muse"不想让它太快变得太大"那条解释互为注脚——即"增长节奏被单位成本反向约束"在本期出现了两次，一次是一般论、一次是具体案例。
⚠️ Elman 留了一条反向可能，本页一并记下以免本节被读成单向预测（[00:23:18]）："顺便说，如果真的是我们订阅这些我们喜爱的服务、而那确实是我们持续获得价值的来源，那也很棒。"

三、⚠️⚠️ "为什么服务一个用户要上千美元"：一条本库此前缺失的归因，以及它带来的纠偏¶

来源：a16z / Top 100 Consumer AI Apps 第七版（[00:11:06]–[00:13:08]）

⚠️ 问题的来源是公开的创始人发帖："很多人看到这些助理产品的创始人发的数字——服务一个用户一个月要几百甚至几千美元——然后问这怎么可能。" ⚠️ Moore 自陈"我也卡住了"。
她的求解路径是去问一个有观察平台的第三方：David Pawlan（Assistant Benchmark）。
规模：⚠️ "我觉得他们在跟踪 170 多个 agent，我昨晚看的时候——今天早上大概已经 200 多了"（✅ 本页标注：本库在 2026-09-29 那期记下的是 122 个。两周内从 122 到 200 出头，本页记为这个品类扩张速度的一个粗略刻度，并提醒两处口径可能不同。）
方法：用户去用这些 agent，然后在不同任务上给成功率打分；⚠️ 另外他主持早期采用者的群聊与社群，有 1500 多名用户。
⚠️⚠️ 而他拉出来的数据给了答案："绝大多数情况下，第一名的用例仍然是 coding 和技术自动化——即使对 Muse、Instinct 这类消费助理产品也是。" ⚠️ Moore 的反应："在这个框架下就是：哦，当然要花那么多钱。"
⚠️⚠️ 本页认为这一段真正的硬结论在对照数字上："我们和一些面向更主流消费者的 agent / 助理产品聊，它们看到的成本是几十美元，不是几千美元一个月。"
✅ 本页标注这条为什么重要：它把"个人 agent 的服务成本高到不可持续"这条流传很广的判断局部否定了——高的是 power user 的 coding 负载，不是消费级用法本身。 ⚠️ 而这同时意味着：那些被引用得最多的单位成本数字，描述的是一个与"主流消费者"几乎无关的人群。
⚠️ Moore 自己从这条里读出的结论是负面的："所以我觉得这也许正说明，在让消费者对这些产品感到自在这件事上，我们还有很长的路要走。"

四、⚠️⚠️ "大多数人不是在找怎么省时间，而是在找怎么花时间"¶

来源：a16z / Top 100 Consumer AI Apps 第七版

✅ 本页认为这是本期最该被接到主题页上的一条框架，因为它用一句话把消费级 AI 当前的全部产品形态归成了同一类，并指出历史上最大的公司出在另一类。

⚠️ 引用来源（[00:18:14]）：Moore 引一位 a16z 被投 CEO 的话（⚠️ 人名与公司名本库无法从字幕确定还原，见页首；她自己也说"我大概会把这句话讲坏"）——"大多数人不是在找怎么省时间，他们是在找怎么花时间。"
⚠️ 她给的佐证是现有消费产品的排序："这就是为什么社交媒体、娱乐、Netflix、TikTok、YouTube 是我们拥有的最被使用的消费产品。"
⚠️⚠️ 而她对 AI 现状的定性是一句判决："我们目前在 AI 里看到的大部分，都是'我怎么把这件事做得快一点、容易一点、更让人印象深刻一点'。而对大多数人来说，这不是一个特别有说服力的每日或每小时活跃价值主张。"
⚠️ Elman 的部分异议，本页并记（[00:18:14]–[00:19:14]）：他同意省时间仍然属于"超高生产力、聚焦工作或创作的人"，⚠️ 但他指出有一批人正在从"省时间"穿到另一侧："曾经是写代码的人、或者想做视频但从没真正掌握 Pro Tools 或 Adobe Premiere 的人，突然就能注册这些东西、把脑子里的想法变成现实。" ⚠️ 他的框架是"不是省时间，是花掉那种把这个东西意志性地带进现实的快乐"，并把当前数据当作先兆："我把这些看成将要到来的东西的先兆。"
⚠️ 他给的那个一手现象，本页认为是这条论证最有画面感的证据（[00:19:14]）："在所有人第一次用 OpenClaw、用自己的 agent 的那个高峰期，有过一堆玩笑——人们抱着电脑到处走，必须让它们一直开着，他们说：我不睡了，我在写代码、在做东西，比我以往任何时候都多。"
⚠️ 收尾时 Moore 把这条和白地图连上（[00:48:33]）："消费 AI 里我们看到的几乎一切都是省时间，而花时间那一类往往是最大的公司——如果不是最大的那个。所以我们需要那一类存在，而我确信有很多很多建造者正在那上面修修补补。"
✅ 本页标注这条与本库已有材料的关系：Pawlan 那期横评的核心发现是"省钱胜过省时"——⚠️ 而本期这条把刻度再往外推了一格：省钱和省时同属"省"，而最大的消费公司历来卖的是"花"。本页认为三者（省时、省钱、花时间）构成一条完整的刻度，而消费 AI 目前只占住了前两格。

五、⚠️ 个人 agent 的两道墙：平台许可，与隐私导致的"网络效应解不开"¶

来源：a16z / Top 100 Consumer AI Apps 第七版

⚠️ 第一道墙是平台逐家许可，而本期给了两头的具体事实（[00:08:04]–[00:09:04]）：⚠️ "Amazon 说：我们不会允许 Muse 在我们站上浏览和购买商品"；⚠️ "但 Muse 也已经有好几百个别的合作，可以在 Shopify 上买东西。"
Moore 对这个结构的定性（[00:08:04]）：消费 agent 与助理"正在获得某种建平台的复合效应，至少看起来是——在那些对 agent 可用、且更容易被 agent 使用的其它 app 生态上"；⚠️ "而我们已经看到它两头都在切。"
✅ 本页标注：这是本库第一次看到"agent 能不能办事"被明确写成一个由平台逐家决定的权限问题，而不是一个模型能力问题。 ⚠️ 本页认为它的后果是：个人 agent 的能力边界在相当程度上不由做 agent 的人决定。
⚠️ Elman 把这条接到了长期留存上（[00:08:04]）："让这些东西长期留下来的，会是网络效应、市场，以及你能用这些 agent 去交互的所有那些生意。那也会非常有变革性。"
⚠️⚠️ 第二道墙是隐私，而 Moore 给的机制本页认为说得比本库此前任何材料都清楚（[00:09:04]）："我还是不觉得任何助理产品解开了人与人之间的网络效应。"

⚠️ "这个软件比历史上任何产品都更亲密地了解我们……而我发现我自己会跟我的 AI 讲极其私人的事情。所以这里有一种天然的张力：产品对你这个消费者越有用，它就越了解你——那你真的想把这个带进和别人的其它语境里吗？"
现成类比："这和很多人有一个单独的 ChatGPT 工作账号和个人账号是同一件事，而还没有人把这件事解开。"
✅ 本页标注这条的结构后果：如果"更有用"与"更难引入多人语境"是同一个变量的两端，那么消费 agent 的个人价值与网络价值之间存在内生冲突——⚠️ 而这恰好解释了本期白地图里"需要多人产品的那些类别全是空的"。本页认为这两段应该连起来读。
⚠️ Elman 把它推到社会规范层面（[00:10:05]）："我们作为人其实非常擅长这件事——我们很清楚什么信息自己愿意分享、别人给我们的信息里哪些是我们被信任可以传出去的、哪些该保护好留在自己这里。而我们突然就期待软件也能做到这件事。" ⚠️ 他对风险的落点："如果你不信任那个你交出最私密访问权的东西——你的邮箱、你的生活、你的信用卡——而它可能做出你预料不到的越界行为、或者跟你预料不到的人分享东西，那这将是这些东西真正长成大众消费应用的最大障碍。"
⚠️ "哪一侧先解决"——Moore 的答案很明确（[00:11:06]）："我认为平台能做到的事，改善得比消费者真正的使用意愿更快。而这一点在 AI 到目前为止一直是这样。" ✅ 本页标注：这条把瓶颈明确放在了需求侧，而本库在企业侧收录的材料（追踪率 2%、Lio 的例外处理）都把瓶颈放在供给侧的覆盖度上。本页记为一处值得注意的方向差异。
⚠️ "空白盒子"问题与传播机制的缺失（[00:13:08]–[00:14:09]）：Elman 指出已经在写代码的人"有了关于生活里其它一切事情的好点子"，⚠️ "但当你把这个交给一个新人，它感觉像一个空白的盒子。" 他列了两个标准示范（订餐厅、订机票），⚠️ 但自己指出它们不成立："如果你不是正好在找餐厅或订机票，就很难想出怎么把它个人化。"
⚠️⚠️ 而他给的机制解释本页认为是全期最该被接到传播这条线上的一条："我们作为人做的事里很大一部分是向他人学习……社交媒体很大程度上就是这么运作的：人们把东西发上去，别人看到就去试同一件事，然后它催生出这些效应。我试一下，他们做点变奏，那些变奏又变成滚雪球。而 AI 因为太个人化，我们连这种东西都还没看到任何繁荣。"
⚠️ 他指出的唯一例外是创意："除了 coding 和生产力这些领域之外，还有所有的创意工作——'我做了这个超棒的视频''你怎么做的''我用了 AI'。"

六、⚠️⚠️ 三大助理的分化：Claude 的付费订阅数超过了 Gemini¶

来源：a16z / Top 100 Consumer AI Apps 第七版（[00:29:21]–[00:31:22]）

⚠️ 本节全部数字来自 a16z 自有面板（美国支出者），本库未核实。

对照	数值
ChatGPT 领先 Claude（网页流量）	约 6 倍
ChatGPT 领先 Gemini（网页流量）	约 2 倍
付费订阅数（美国）	⚠️⚠️ Claude 已超过 Gemini
ChatGPT 的美国付费消费者订阅数	约为 Gemini 和 Claude 各自的 3 倍
100 美元以上档位（max plan）的订阅者占比	⚠️ Anthropic 约 7.5%；ChatGPT 与 Gemini 均约 1%

⚠️ 第一版至今不变的那条结论："ChatGPT 在消费侧按使用量和收入都是全球主导者。" ⚠️ 而变化全在它之下："ChatGPT 之下的一切，我觉得有更多的移动和更多的洗牌。"
⚠️⚠️ Moore 自称本期最大惊讶的一条："Claude 在付费订阅者数量上其实已经超过了 Gemini——这挺疯狂的，因为 Gemini 的装机量和整体用户基数大得多，而且它还有 Google 这种天然分发机制。"
⚠️ 她给的两条归因：过去几个月一批很成功的产品发布（点名 Claude Design）；⚠️ "多得多的媒体曝光，从 department of war 那件事开始，一直回溯到我想是二月。"（⚠️ 本页对后一条不作解读，照录。）
✅ 本页标注这条为什么重要：它是本库收录的材料里，第一次有"天然分发优势"在消费付费侧明确失效的证据。 ⚠️ 而本库此前恰好记过相反方向的一条：Midha 的"DeepMind 训完按个按钮就能一夜部署到十亿台设备"。✅ 本页认为两条并不互相否证，但合起来给出一个更准的形状：分发优势决定触达，不决定付费转化。
⚠️⚠️ 而本页认为本节最该被引用的是那组高价档比例，因为它把"不做广告"这个承诺的代价量化了：Anthropic 很有名地说过"不做广告"，所以在订阅上激进得多——7.5% 的订阅者在 100 美元以上档位，而 ChatGPT 和 Gemini 都是约 1%。
⚠️ Moore 的落点："所以即便是在付费用户基数里，这些用户看起来也天然不同、在产品上做的事也不同。"
✅ 本页标注：7.5 倍的高价档密度差，是本库目前对"拒绝广告 → 必须向 power user 收更多钱"这条因果链最具体的一组数字。 ⚠️ 而它恰好与本页第二节那条"订阅主导是不自然的倒置"构成张力：Anthropic 正是那条倒置最极端的执行者。本页记为未解张力，不裁决。
⚠️ 一条顺带的产品观察，本页认为值得单记（[00:31:22]）：Burger 指出所有大实验室在创意工具上都变得很强，而⚠️ "Anthropic 很有名地回避了做图像模型或视频模型，但不知怎么还是达到了同样的效果——因为 coding 在生成图像和视频这件事上太好了。" ⚠️ 她的定性："所以很有意思，他们还没建扩散模型，却仍然能做图像生成。" ✅ 本页标注：这是一条"能力从一条路径溢出到另一条"的具体例子，本库认为它对"要不要自己训某个模态"这个决策有参考价值。

七、创意工具的三段分布：实验室进来了哪一段、没进来哪一段¶

来源：a16z / Top 100 Consumer AI Apps 第七版（[00:32:24]–[00:36:24]）

⚠️ ① 音频——实验室没投入，垂直玩家跑掉了：ElevenLabs 等已稳定接近流量榜顶部、支出榜排名也很高。
⚠️ 而她对实验室为什么不进来的解释带着一个很具体的成本项，本页认为这是本节最有信息量的一句："实验室要做的事太多了，他们在建 coding agent、在建 AGI。在这个时点上，让他们去处理 Suno 不得不走过的那一整套 IP 麻烦、再发一个竞争性的音乐模型，这说得通吗？我不知道。而在这期间，Suno 已经跑出了一个非常强的领先。" ✅ 本页标注：这把"法律风险"写成了一条可以为垂直公司创造窗口的竞争变量，而本库此前的版权材料都只把它当成风险。
⚠️ Elman 对垂直产品的护城河给了界面层的解释（[00:33:24]）："在这么多市场里，你看到的是真正专门化的产品，它们非常清楚自己的受众是谁、在做什么，所以能造出真正定制的东西。" 他举 Suno（"从你开始用的那一刻到最后它都在对你说话"）、ElevenLabs、以及 Figma 这类设计工具——⚠️ "它们被设计成让你为了表达某件事而深度使用，它对设计师说话，而不是对那些只想跳过这一步的人说话。" ⚠️ 落点："我觉得我们会从这些非常定制的界面里看到多得多的价值——软件层里你能做的全部事情、你保存的东西、你与它交互的方式，会成为价值真正所在的地方，而不只是模型。"
⚠️ ② 图像——实验室进来了，后果是分层：OpenAI 在图像上投入很成功（images 2.0 在生成与编辑上都很好），Google 的 Nano Banana 各代与 VO 也是；⚠️ "我觉得他们坦率说把此前流向这些独立图像生成器的高层级消费流量拿走了很多。"
⚠️⚠️ 而 Midjourney 的双榜反差是本页认为全期最漂亮的一个数据形状："Midjourney 在我们最早那一版排得相当高，现在它已经完全从流量榜上掉下去了——但在 power user 那边：如果你看收入榜，Midjourney 回来了。"
⚠️ 归因："人们——power user——仍然想要那个他们觉得有品味、有审美判断、而且能被他们以非常具体的方式调校的模型。"
✅ 本页标注：这是本期"流量榜与支出榜是两张不同照片"这条方法论发现最干净的一个单点案例——同一个产品在两张榜上的位置完全相反。
⚠️ ③ 视频——"狂野的前沿"，而她给了一条关于数据获取约束的结构性判断（[00:34:24]–[00:35:24]）："能在任何数据上训练的中国公司有真正的优势。视频生成实在太复杂了——视觉、声音、视觉与声音同步、还要看起来是特定的样子。我觉得数据越多训得越好。它们到目前为止在那里很成功。"
⚠️ 本页照录并标注：这是一条关于中美数据获取约束差异的论断，本库未核实，记为立场。 ✅ 本页同时注明它与本库中美对照线上已有材料的关系：此前的材料多把中方优势归在工程效率与成本上，而这条归在"可训练数据的法律边界"上——本库认为这是一条此前较少被明说的归因。详见中美 AI 对照。
⚠️ "agent 友好"将成为新顺风（[00:35:24]）：Moore 的一手使用——"我最近一直在让 Astra 和其它很强的模型替我生成或编辑创意素材，它做得非常非常好，而且它会 tool call 到互联网上别的地方去。" ⚠️ 推论："那些对 agent 友好、agent 可访问的创意工具，会越来越看到真正有说服力的顺风。"
Burger 的一手对照（[00:35:24]）：她让 Astra 和另一个模型头对头给她做动画——"它就是确切知道该干什么。"（⚠️ 对打的另一个模型字幕作 "5.5"，本库无法确定还原。）
⚠️ Elman 的"修修补补的人在前面开路"（[00:36:24]）："这是那些修修补补的人、在边缘上的人在摸清这些能力，而我们接下来一年会造出那些会出现在这些榜单上的产品——因为它们会把你能做的这一整套复杂度打包成真正容易用的东西。" ⚠️ 他把这件事直接等同于本榜单的意义："你想想'所有 AI'和'消费 AI'之间那道落差，正好就是这个动作。"

八、⚠️⚠️ 在位者不愿蚕食自己的界面——而这条规律现在也指向实验室¶

来源：a16z / Top 100 Consumer AI Apps 第七版（[00:37:24]–[00:42:29]）

⚠️ 先是"The Great Expansion"：消费公司为什么这么快变成企业公司（[00:37:24]–[00:38:24]）。Moore 说她六到九个月前写过一篇叫这个名字的文章。
⚠️ 机制三步：通过 PLG 非常成功地增长（点名 Krea、Replit、ElevenLabs、Gamma，以及 WhisperFlow 和 Granola）→ 因为与工作生产力相关，被拉进企业 → 创始人发现"我们得加隐私、安全和团队版了"。
⚠️ 历史速度对照："Canva 花了六年以上才有真正的团队与企业收入。"
她的定性："非常有效、非常低成本的分发"，⚠️ 并给了适用边界："对这些能个人使用、但又与工作相邻的工具效果特别好。"
⚠️⚠️ 然后是那条在位者判断，而本页认为它最该被交叉链接的地方是它也指向了实验室（[00:38:24]）："WhisperFlow、Granola、Superhuman 这类产品是另一个好例子，说明我们普遍看到的那个趋势：在位者不愿或不能蚕食自己已有的界面。"
经典例子："Google。我们并没有真正看到他们为 AI 时代重新发明 Docs、Gmail 或日历。"
⚠️⚠️ 而她把同一条规律加到了前沿实验室头上："我觉得这甚至正发生在 OpenAI 和 Anthropic 身上——它们在任何不是发布在已有的 ChatGPT、Codex、Claude 或 Claude Code 界面之内的东西上，成功得少得多。" ⚠️ 补充观察："我知道它们很多都尝试过孵化这些创业公司的'杀手'。" 归因："从产品角度这对它们很难，特别是当它们盘子里还有那么多别的事。"
✅ 本页标注：这把 Amble 的"在位者不是在收手，是被按住了" 从企业软件扩展到了前沿实验室自身，而本库此前没有这一条。 ⚠️ 而两条的机制并不相同：Amble 给的是内部激励冲突（两个 VP、两条产品线）；Moore 给的是界面蚕食 + 注意力有限。本页认为后者对实验室更贴合，因为实验室并没有一条"被解掉的旧产品线"。
⚠️ Elman 的"水涨船高"反论，本页与上一条并记（[00:39:25]–[00:40:26]）：
他的论证是模型变好的收益流向界面层："那些花时间做易用、自然、容易分享、容易把一整个团队拉上来的界面的人（WhisperFlow 和 Granola 起步就非常容易用），然后会说：天哪，随着模型变好，产品的效用也变得好太多了。"
⚠️ 他给的因果顺序很具体："你造了个很好的东西，但它可能还做不到你想要的全部，因为模型能力还没到。然后模型变好，你的产品在需求和效用上都爆发。"
⚠️⚠️ 落点是对集中化叙事的直接反驳："所以认为只有一两家公司能造出那个体验层——我觉得这份报告差不多就是在推翻这件事。"
⚠️ 但他自己把基础设施层的归属留白，本页认为这是一处值得注意的诚实："基础设施的价值可能仍然归模型供应商，或者归那些做推理服务的，那是另一场完全不同的对话。"
⚠️ "大船难掉头"的一个具体反例（[00:40:26]–[00:41:27]）：Plaud（AI 录音笔设备，"算是从中国、从东方起步，现在来到美国"，买设备 + 可买订阅）出现在本次收入榜上。⚠️ Moore 的论证："OpenAI 能做也会做硬件设备，但正如我们看到的，当你是一家大公司，一切都要更久：你可能得和别的已有产品集成，要过更多的检查与制衡。" 落点："所以大实验室会继续非常非常成功，而创业公司会继续能找到这些相当大的机会窗口。"
⚠️ 她对实验室身份的那句限定本页认为很有用："OpenAI 和 Anthropic 在很多方面也是创业公司，但它们太成功了，已经变成有数千人的大公司。"
⚠️⚠️ Burger 把这一整段压成了一个判据，本页认为这是本期最好用的一句提问（[00:41:27]）：

⚠️ "那么对创业公司来说问题就是：你怎么造一个随着模型变好而变好、但不会随着模型变好而被蚕食掉的产品？"
⚠️ Elman 的回答点明了他加入 a16z 的理由（[00:41:27]–[00:42:29]）："价值现在真的在往软件层回移。" ⚠️ 他点名 Jev 为使这件事成立的新能力："像 TypeSafe 的 Jev 这样的新创新，让开发者能用全新的方式造东西……当你能用上这样一个又快、又容易集成、而且给你结构化答案的模型时，那些了不起的新想法我们还完全没看到。" ⚠️ 落点："创造力回到了体验、回到了你能建的网络、回到你能怎么服务很多人并把他们聚起来——但上下文和社群才是真正的资产。"
✅ 本页标注：这是本库第一次看到 Jev 被一位消费侧投资人当作消费产品的赋能项提到，而此前的三份材料都在企业与基础设施语境里。 详见 AI 的商业模式与价值捕获。
⚠️⚠️ 而 Moore 给了"上下文即护城河"一条可量化的表述，本页认为这是全期最该被引用的一条产品论证（[00:42:29]–[00:43:30]）：她举 Town（prosumer 端的 agent 助理，可连 Slack、邮箱、Google Drive，理解你和你组织的上下文并替你办事；⚠️ 她自述"我用它写我很多邮件，这份报告也帮了很多忙"；⚠️ 本页标注这是她作为投资人对一个使用中产品的评价，记为立场）。
⚠️ 她先承认那个标签，而这句本身是本期最有意思的一个用词观察："我知道人们很容易把这类东西一笔带过：哦，这只是个 harness——我猜这是现在比'套壳'略不那么贬义的说法。"
⚠️⚠️ 然后给出那条量化： > "但 Town 已经建起了关于我是谁、我说话什么调子的那些 playbook，而没有别的产品有这些，我也没法轻易把它们搬到明天出现的某个东西上。因为一封 99.9% 像我写的邮件和一封 85% 像我写的邮件之间的差别，就是花 10 秒钟改一下和花 10 分钟以上的差别。"
✅ 本页标注：这条把"上下文护城河"从定性说法变成了一个关于边际修正成本的论证——⚠️ 而本页认为它的形状与 Lio 的"发票软件只是问题的 20%" 一致：价值不在那 85%，在最后那段把它变成可直接用的距离。两处来自完全不同的品类（消费邮件 vs 企业采购），本库记为一次独立汇合。
⚠️ 她的落点是一条可跟踪的预测："我觉得我们会看到更多像 Town 这样、在收集上下文并基于上下文行动、围绕你建 playbook 这件事上做得很好的产品继续成功。"
⚠️ Elman 对"harness / wrapper"的明确拒绝，本页记为一次用词层面的立场（[00:43:30]–[00:44:30]）："我尽量避免用 harness 和 wrapper 这类词，因为现实是人们现在是在造软件，在造这些真的很丰富的产品。他们可能在用 agent 写其中一部分代码，但当他们把这整套体验交付给一个用户时，它远不只是模型上的一个薄垫片、或者一个给模型带点上下文的 harness。"
✅ 本页标注一处本库值得记的张力：⚠️ 本库在 Alex Zhang 那期刚刚收录了一条相反方向的用法——那里 "harness" 被当作一个严肃的研究对象来定义（"一个关于你想让语言模型如何被贴合到某个问题上的、非常非常有主张的程序"）。 ⚠️ 即：同一个词在研究侧正在被抬升为术语，在消费投资侧正在被当作贬义词回避。本页记录这一现象，不裁决。

九、⚠️⚠️ 白地图：没人做的那些类别，以及为什么它们恰好都是多人产品¶

来源：a16z / Top 100 Consumer AI Apps 第七版（[00:45:31]–[00:48:33]）

✅ 本页认为这一段该被当成待办清单保存下来，而不只是一段讨论。

当下纯消费者在用 AI 做什么：⚠️ "绝大多数纯消费者基本还在把 AI 当作搜索产品（比如 Google）的替代品。" 另外两类是教育（孩子写文章、作业帮助）与职场写邮件。
⚠️ 创业公司成功区的总结："迄今为止我们看到创业公司成功的几乎所有领域，都在'把事办成'这个主题周围——生产力、照片和视频的设计与编辑、搜索与答案。"
⚠️⚠️ 没人做的那些，按她的分组：
⚠️ 网络类（需要多人产品）：约会——"榜单上现在没有任何人在做约会"（她说有创业公司，希望也相信会上未来的版本）；招聘——⚠️ "我其实把约会和招聘看成在做匹配这件事上有点相似的网络。"
⚠️ 社交 AI："我们真的没看到任何东西起来。" ⚠️ 她对现状的描述很锋利："社交 AI 的大部分，是人们把 AI 生成的内容发到已有的社交平台上。"
市场类：购物、买房、零售。⚠️ 形态是开放题："我们得看看这些最后是活在 Instinct、Muse 这类 agent 里，还是活成独立产品，或者两者的混合——也许是你的 agent 在呼叫那个 AI 原生的市场。"
⚠️ 游戏与娱乐："模型一直还不够好，产不出普通人爱看的内容"——⚠️ 唯一的例外点得很具体："AI 微短剧，那个正在爆。" 她的判断："但我觉得那个也快来了。"
⚠️⚠️ 本页标注这段里最该被记住的那条结构性观察，而它是本页自己接出来的：✅ 她列的空白类别——约会、招聘、社交、市场——几乎全是多人产品；而本页第五节记下的那条隐私张力（"产品对你越有用，它就越了解你，你就越不想把它带进和别人的语境"）恰好是多人产品的前置障碍。本页认为这两段应该连起来读：白地图之所以是这个形状，可能不是因为还没人去做，而是因为那道隐私墙还立在那里。 ⚠️ 期内没有把这两段连起来，本页的连接是本库的判断，不是讲述者的。
⚠️ Elman 对"为什么对话不是购物的正确形态"给了本页认为最具体的一条产品批评（[00:47:33]）："我们被 ChatGPT 把一切变成对话这件事激动过，现在这些 agent 又能进到我们的消息应用里、把它们变成更多对话。这是了不起的范式——但当你在购物时，你是想在视觉上看到选项、去探索、让东西为你定制，并且能说'我真的很喜欢那个，但我希望它领子上有点嵌边'，然后让 AI 既帮你意识到这件事、甚至可能帮你把它做出来。"
✅ 本页标注：这是本库第一条明确指出"对话界面对某些消费场景是退步"的材料，而它来自一个消费侧投资人。 本页认为它与第七节 Elman 那条"非常定制的界面才是价值所在"是同一条论证的两个方向。
⚠️ 他对娱乐的判断是关于供给侧的（[00:48:33]）："我觉得我们在'讲更好的故事'这件事上才刚刚开始刮到表面，在'赋能人们成为更好的故事讲述者'这件事上也是——而那会创造出这些了不起的、消费故事的人的网络。" ⚠️ 他把 TikTok 当作尚未完成的版本："TikTok 是一个了不起的地方，人们聚在一起做小视频……但人们脑子里仍然有太多东西被困住了，只要他们能把想法表达得更好一点。"

本页与本库已有材料的关系¶

⚠️⚠️ 本页认为本期最该被接出去的一条，是"两张榜是同一市场的两张不同照片"这条方法论发现。 流量榜说格局在固化（11 个新产品，历来最少）；支出榜说格局未定（50 个里 29 个不在流量榜上）。 ✅ 而最干净的单点证据是 Midjourney：流量榜上完全消失，收入榜上回来了。 ⚠️ 本页标注一条对本库自身的提醒：本库此前关于"消费 AI 格局"的材料几乎全部基于使用量口径，因此都只看到了那张"正在固化"的照片。
⚠️ "4.5% vs 2%"这组数字不能相减：本库 2026-09-30 记的是"略超 2% 的美国家庭"，本期是"约 4.5% 的美国消费者"，⚠️ 分母与面板都不同；✅ 而 Moore 主动给出的 2%–2.5% 区间下界正好覆盖了前者。本页认为两期可以并用，但不能用来算增长。
⚠️⚠️ "省时间 / 省钱 / 花时间"这条刻度，本页认为是本期对本库框架的实质增补：Pawlan 那期的发现是"省钱胜过省时"，⚠️ 而本期指出省钱与省时同属"省"，历史上最大的消费公司卖的是"花"。 ✅ 三格合起来才是完整刻度，而消费 AI 目前只占住了前两格。
⚠️ "在位者被按住"这条线在本期扩了一次边界：Amble 的版本讲的是企业软件在位者，⚠️ 本期 Moore 把同一条规律加到了 OpenAI 和 Anthropic 身上（"在任何不是发布在已有界面之内的东西上，成功得少得多"）。✅ 但本页标注两者机制不同：Amble 的是内部激励冲突，Moore 的是界面蚕食 + 注意力有限。
⚠️ "上下文即护城河"在本期第一次有了量化形式（99.9% vs 85% → 10 秒 vs 10 分钟），✅ 而本页认为它与 Lio 的 20/80 是一次跨品类的独立汇合：价值不在大头，在最后那段把结果变成可直接用的距离。
⚠️ 一处本库此前没有的纠偏："个人 agent 服务成本上千美元"这个被广泛引用的数字，来自 power user 的 coding 负载；面向主流消费者的同类产品"看到的成本是几十美元"。 ✅ 本页认为此后引用任何 agent 单位成本数字时都该先问它描述的是哪一群人。
⚠️ 一处本库记录但不裁决的用词现象："harness" 在研究侧正被抬升为术语（Alex Zhang 那期的正面定义），在本期的消费投资侧却被当作"比套壳略不那么贬义的说法"而主动回避。 本页认为这个分叉本身说明这个词正在同时承担两种互不兼容的功能。