---
schemaVersion: 1
slug: mp-90-20260217-nicbstme-vertical-saas-selloff
ticketId: MP-90
lang: zh-tw
title: 十年 Vertical SaaS 老兵的自白：$1 兆蒸發不冤枉，但時間點太早了
summary: Fintool 創辦人、前 Doctrine（歐洲最大法律資訊平台）創辦人 Nicolas Bustamante 用十年實戰經驗拆解 SaaS 崩盤。他拆出 10 條護城河，逐一分析 LLM 摧毀了哪些、留下了哪些。結論：5 條被摧毀的正好是擋住競爭者的那些，5 條存活的只有少數公司才有。他還提出一個 3 問題快篩框架，讓你 30 秒判斷一家 SaaS 公司能不能活。Patrick O'Shaughnessy 說這是他讀過最好的 AI 時代軟體護城河分析。
originalDate: 2026-02-16
translatedDate: 2026-02-17
source: Nicolas Bustamante (@nicbstme)
sourceUrl: https://x.com/nicbstme/status/2023501562480644501
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/mp-90-20260217-nicbstme-vertical-saas-selloff
status: deprecated
replacementTicketId: GP-71
replacementUrl: https://gu-log.vercel.app/posts/gp-71-20260217-nicbstme-vertical-saas-selloff
---

# 十年 Vertical SaaS 老兵的自白：$1 兆蒸發不冤枉，但時間點太早了

> **狀態：deprecated。** 替代文章：[GP-71](https://gu-log.vercel.app/posts/gp-71-20260217-nicbstme-vertical-saas-selloff)

> **來源:** [Nicolas Bustamante (@nicbstme)](https://x.com/nicbstme/status/2023501562480644501)

## 前情提要：一兆美元人間蒸發

想像你開了一間鹹酥雞店，生意超好，每天排隊排到巷口。突然有一天，隔壁開了一台自動炸雞機，不用排隊、不用等、價格還便宜三成。你的客人沒有馬上走光，但所有人都在偷偷觀望那台機器。

過去幾週，軟體和服務類股票就是那間鹹酥雞店。蒸發了將近 **$1 兆美元**。

FactSet 從 $200 億高峰跌到 $80 億以下。S&P Global 幾週內跌了 30%。Thomson Reuters 一年內市值砍了快一半。S&P 500 軟體與服務指數（140 家公司）今年以來跌了 20%。

然後上週 Anthropic 發布了 Claude [Cowork](https://gu-log.vercel.app/glossary#cowork) 的產業專用 plugin —— 一個 AI agent 可以自主完成研究、分析、文件處理。

華爾街叫它「恐慌」。

但 Nicolas Bustamante 不這麼看。他有資格不這麼看。

> **Mogu 畫重點：**
>
> Nicolas Bustamante 是誰？他先創了 Doctrine —— 歐洲最大的法律資訊平台，跟 LexisNexis、Westlaw 對打。然後又創了 Fintool —— 一個 AI 驅動的股票研究平台，跟 Bloomberg、FactSet、S&P Global 搶生意。而且 Fintool 是 Anthropic 投資的公司 (╯°□°)╯
>
> 所以這人同時站在「被 LLM 威脅的那一邊」和「用 LLM 去威脅別人的那一邊」。他看到的東西，跟你在推特上看到的分析師 take 完全不一樣。

> _I built the kind of software that LLMs are now threatening. And I’m now building the kind of software that’s doing the threatening. I’ve been on both sides of this disruption._

他說得很直白：**這次崩盤的方向是對的，但時間點太早了。**

---

## Vertical Software 到底是什麼？為什麼那麼貴？

先科普一下。Vertical Software（垂直軟體）就是為特定產業量身打造的軟體。你可以把它想成是「那個產業的注音輸入法」—— 大家都在用，不是因為它最好，而是因為換掉它的成本大到你根本不想面對：

- Bloomberg Terminal（金融）—— 每年 $25,000 / 席
- LexisNexis（法律）—— 每月數千美元
- Epic（醫療 EHR）—— 不敢問價格
- FactSet（金融數據）—— 每年 $15,000+ / 人

這些公司有個共同特徵：**收費貴到爆，客戶幾乎不走**。留存率 95% 起跳。就像你家附近唯一的便利商店 —— 東西貴你也得去，因為最近的第二家要走 20 分鐘。

為什麼？因為護城河。Nicolas 歸納出 **10 條護城河**。然後逐條分析 LLM 對它們做了什麼。

---

## 十條護城河：被摧毀的 vs 存活的

### 🔴 第 1 條：學習成本介面 → 被摧毀

Bloomberg Terminal 使用者花了好幾年學鍵盤快捷鍵：`GP`, `FLDS`, `GIP`, `FA`, `BQ`。這不是直覺操作，這是一門語言。就像你花三年學會了日文，突然有人跟你說「其實 Google 翻譯已經比你準了」—— 你那三年的沉沒成本瞬間歸零。

> _「我們是 FactSet shop。」「我們是 Lexis firm。」「我們是 Bloomberg house。」_
>
> 這些不是在講資料品質或功能，這是在講**軟體肌肉記憶**。

Nicolas 在 Doctrine 時期親身體會過：他們有一整個 team 的設計師和客戶成功經理，就為了幫律師 onboard 到介面上。每次 UI 改版都是大工程 —— 因為律師已經把舊介面刻進肌肉裡了。

但在 Fintool？**零 onboarding。零 CSM。** 使用者打字輸入問題，得到答案。就這樣。

> **Mogu 碎碎念：**
>
> 這就是為什麼 LLM 對 SaaS 的威脅被低估了。大家都在看「AI 寫 code 會不會搶工程師的工作」，但其實 AI 最先殺的是「介面複雜度」這個護城河 ┐(￣ヘ￣)┌
>
> 你花 3 年學會的 Bloomberg Terminal，現在一句 “Show me all software companies with P/E under 30” 就能搞定。年費 $25,000 的介面學習成本 → 價值歸零。這就像你苦練了十年的手排車技術，結果自排車普及了。

> **LLM 把所有專有介面塌縮成一個 Chat。**

---

### 🔴 第 2 條：客製化工作流程 & 商業邏輯 → 蒸發

傳統垂直軟體把商業邏輯寫在 code 裡 —— 幾千個 if/then 分支、驗證規則、合規檢查、審批流程。由那種「既會寫 production code 又懂法律/金融」的稀有工程師花好幾年硬刻出來的。

Nicolas 在 Doctrine 建了一套法律研究工作流程：理解法律領域、解析問題、跨法院查詢、排名結果、附上引用脈絡。花了一整個團隊好幾年。

在 Fintool 呢？他們有一個 DCF（現金流折現）分析的 **skill**。告訴 LLM agent 怎麼做 DCF：要抓哪些資料、WACC 怎麼算、假設怎麼驗證、敏感度分析怎麼跑。

**那是一個 markdown 檔案。花一週寫完。更新花幾分鐘。**

> _Years of engineering versus one week of writing. That’s the shift._

> **Mogu 認真說：**
>
> 等等，你說商業邏輯變成 markdown 檔案？對，就是 Skills / AGENTS.md 那一套 (◕‿◕) 如果你有在用 [OpenClaw](https://gu-log.vercel.app/glossary#openclaw) 或 [Claude Code](https://gu-log.vercel.app/glossary#claude-code)，你已經在做同樣的事了 —— 把你的專業知識寫成 markdown，讓 AI 執行。
>
> Vertical SaaS 花十年寫的 code = 你花一週寫的 AGENTS.md。這就像你花十年手抄百科全書，結果隔壁小孩打開 Wikipedia 就查到了。歷史的諷刺。

---

### 🔴 第 3 條：公開資料存取 → 商品化

很大一部分垂直軟體的價值是「把難取得的資料變得容易查詢」。FactSet 讓 SEC filing 可搜尋，LexisNexis 讓判例法可搜尋。你可以把它們想成是「專業版的 Google」—— 同一堆公開資料，但你要付錢才能「方便地」搜到。

Nicolas 在 Doctrine 花了大量心力：NLP pipeline、NER（命名實體辨識）、每個法院的客製化 parser、法律領域分類器⋯⋯

在 Fintool？**零 NER。零客製 parser。零產業分類器。**

因為 frontier model 已經從訓練資料裡學會了怎麼讀 10-K。它知道 Home Depot 的 ticker 是 HD，它能分辨 GAAP 和 non-GAAP revenue，它能解析巢狀的 segment disclosure 表格 —— 不需要你教它 schema。就像你不需要教小朋友「這是蘋果」，因為他已經在 YouTube 上看過一萬次了。

> **Model 本身就是 parser。**

---

### 🔴 第 4 條：人才稀缺性 → 反轉

以前做垂直軟體需要「既懂技術又懂產業」的人。找到一個會寫 production code 又懂信用衍生品結構的工程師？比在夜市抽到 Switch 還難。

LLM 直接翻轉這件事。

在 Fintool，他們不搞內部培訓了。Domain expert（投資組合經理、分析師）直接把方法論寫成 markdown skill，LLM 負責執行。**工程變成 model 搞定的事，domain expertise 才是真正的稀缺資源。**

> **Mogu 補個刀：**
>
> 這段讓我想到之前講過的 GenAI App Engineer 概念。你不需要是 10x engineer，你需要是「懂得怎麼把 domain knowledge 餵給 AI」的人 (๑•̀ㅂ•́)و✧
>
> 以前：找不到「懂金融又會寫 code」的人 → 護城河。現在：金融人直接寫 markdown → 護城河消失。
>
> 人才稀缺性沒有消失，只是搬家了。從「工程 + domain」的交集，變成單純的 domain expertise。就像以前你要會開車才能送外賣，現在你只要會做菜就好，車子的事 Uber Eats 幫你搞定。

---

### 🔴 第 5 條：Bundling（功能捆綁）→ 弱化

Bloomberg 從市場數據起家，慢慢加上通訊、新聞、分析、交易、合規⋯⋯ 每多一個模組，switching cost 就更高。像極了你的手機生態系 —— 你用了 iCloud、AirDrop、Apple Watch，然後你就永遠離不開 iPhone 了。S&P Global 花 $440 億收購 IHS Markit 就是這個策略。

但 LLM agent **本身就是 bundle**。

在 Fintool：alert 是一個 prompt，watchlist 是一個 prompt，portfolio screening 是一個 prompt。[Agent](https://gu-log.vercel.app/glossary#agent) 在一次工作流程裡橫跨十個專業工具，從這個來源抓市場數據、那個來源抓新聞、跑分析、彙整結果。使用者根本不知道、也不在乎背後查了五個不同的服務。

> **當整合層從軟體商轉移到 AI agent，購買整套 bundle 的動機就消失了。**

> **Mogu OS：**
>
> 這個 unbundling 太精彩了。以前你為了用 Bloomberg 的聊天功能，得連帶買下它的新聞、分析、數據全家桶。現在 agent 可以自己去不同的最佳來源各拿一點，自己組裝 ヽ(°〇°)ﾉ
>
> 就像以前你為了看一部 Netflix 獨家的韓劇，得訂一整年 Netflix。現在⋯⋯好吧，其實現在還是這樣。但軟體界的 unbundling 已經開始了。

---

### 🟢 第 6 條：私有 & 專有資料 → 更強

好，接下來是好消息。如果你的資料真的無法複製 —— Bloomberg 從交易台蒐集的即時定價數據、S&P Global 的信用評等 —— **LLM 反而讓它更值錢**。

為什麼？因為在 LLM 的世界裡，每個 agent 都需要餵資料才能工作。公開資料大家都有，但你家的獨家配方？那就是每個 agent 都想要但只有你有的東西。就像所有的拉麵店都能買到同一牌的麵條，但那鍋熬了 48 小時的豚骨湯底 —— 那是你的命。

> **測試很簡單：這個資料能不能被其他人取得、授權、或合成？如果不能，護城河存在。如果可以，你有麻煩了。**

> **Mogu 偷偷說：**
>
> Nicolas 講到一個關鍵轉折：[MCP](https://gu-log.vercel.app/glossary#mcp)（Model Context Protocol）正在把每個資料提供商變成 plug-in。當你的資料可以當 Claude plugin 用，「讓它可存取」的溢價就消失了 ┐(￣ヘ￣)┌
>
> 這就是 Ben Thompson 的 Aggregation Theory 在眼前上演：aggregator（agent）拿走用戶關係和利潤，supplier（資料商）只能在價格上互相競爭來餵平台。你的獨家湯底突然被要求在 Uber Eats 上架，平台抽 30% —— 味道還是你的，但利潤不全是了。

---

### 🟢 第 7 條：法規合規鎖定 → 結構性

這條護城河可能是十條裡最無聊但最堅固的。就像你家大樓的地基 —— 你從來不會注意它，但它就是搬不走。

HIPAA 不在乎你的 LLM 有多厲害。FDA 認證不會因為 GPT-5 存在就變簡單。SOX 合規要求不會因為 Anthropic 發了新 plugin 就改變。這些法規不是用 markdown 寫的，是用律師費和審計報告堆出來的。

Epic 在醫療 EHR 的統治地位就是最好的例子。你以為醫院用 Epic 是因為它好用嗎？不是。是因為換掉它等於重新走一次 18 個月的導入流程、重新拿一次合規認證、重新跟計費系統做整合。那個 18 個月裡面，醫生要一邊看診一邊學新系統，護理師要在新舊系統之間切換，IT 部門要 24/7 待命。

沒有任何 CEO 會在董事會上說「我們來花 18 個月換系統吧，因為 AI 很酷」。

> **法規護城河的本質是：改變的成本不是金錢，是風險。而醫療、金融這些產業最怕的就是風險。**

---

### 🟢 第 8 條：網路效應 → 黏著

你知道為什麼大家都用 LINE 嗎？不是因為 LINE 的功能最好，是因為你媽在上面。你的同事在上面。你的外送員在上面。你一個人換到 Telegram，你就是自己跟自己聊天。

Bloomberg 的 IB Chat 就是華爾街的 LINE。它是那個產業的事實標準通訊層。如果你的每個交易對手、每個 broker、每個 analyst 都用 Bloomberg 聊天，你就得用 Bloomberg。不是因為數據多好，不是因為介面多漂亮，純粹是因為 —— 大家都在那裡。

LLM 破壞不了這個。你可以用 AI 幫你寫訊息、幫你分析對話、幫你自動回覆，但你還是得在那個所有人都在的平台上發送。AI 可能反而讓通訊網路更有價值 —— 因為 agent 可以幫你從 IB Chat 的對話裡即時萃取市場情緒和交易意圖。

> **網路效應是社交契約，不是技術問題。AI 解決不了「你媽在 LINE 上面」這件事。**

---

### 🟢 第 9 條：交易嵌入 → 耐久

這條護城河最好理解。想像你是一家餐廳，你的 POS 系統直接連著信用卡刷卡機、連著你的記帳軟體、連著你的進貨系統。每天晚上打烊，它自動幫你對帳、算利潤、下明天的食材訂單。

現在有人跟你說：「嘿，這邊有個新的 AI POS 系統，介面超美、速度超快。」

你會換嗎？

不會。因為換的那一天，你的刷卡機不能用、你的帳對不起來、你的食材訂單斷掉。你寧願繼續用那個醜到爆的舊系統，也不要冒一天營收歸零的風險。

Stripe 就是這個道理。FIS、Fiserv 也是。當你的軟體直接卡在金流裡 —— 餐廳支付處理、銀行貸款撥發、保險理賠 —— 切換就等於中斷營收。**沒有人會為了「AI 很潮」而讓自己的收銀機停擺一天。**

LLM 可以坐在 Stripe 上面幫你分析交易數據、偵測異常、優化定價。但它取代不了 Stripe 本身，因為那是水管，不是水龍頭。你可以換漂亮的水龍頭，但你不會去動牆壁裡的水管。

---

### 🟡 第 10 條：System of Record 地位 → 長期受威脅

當你的軟體是關鍵商業資料的標準真相來源，切換不只不方便 —— 是存在性風險。就像你把所有照片都存在 Google Photos 裡，理論上你可以搬到 iCloud，但你敢嗎？十年的照片、自動分類的相簿、臉部辨識的標籤 —— 遷移的時候少了一張都是災難。

LLM 今天不會直接威脅 System of Record。但 agent 正在悄悄建立自己的。

> _Agent 讀你的 SharePoint、Outlook、Slack。它寫 memory file。隨著時間累積，agent 對使用者工作的理解比任何單一 System of Record 都完整 —— 因為它是唯一「什麼都看得到」的那一層。_

> **Mogu 溫馨提示：**
>
> 嘿，這不就是 OpenClaw 的 MEMORY.md 嗎？你的 AI agent 隨時在累積 context，跨越所有工具和平台。它記得你上週跟誰開會、你的專案狀態、你的偏好⋯⋯ (¬‿¬)
>
> Nicolas 說的「agent 的記憶成為新的真相來源」—— 我們已經在做了。每天的 memory file 就是。傳統 SOR 是「大家把資料寫進同一個地方」，agent 的 SOR 是「一個東西在所有地方讀資料然後自己記住」。前者是圖書館，後者是一個讀遍所有圖書館的人。

---

## 計分板：5 條摧毀 vs 5 條存活

|  | 被摧毀 / 弱化 | 存活 / 更強 |
| --- | --- | --- |
| 1 | 🔴 學習成本介面 | 🟢 私有資料 |
| 2 | 🔴 客製化工作流程 | 🟢 法規合規 |
| 3 | 🔴 公開資料存取 | 🟢 網路效應 |
| 4 | 🔴 人才稀缺性 | 🟢 交易嵌入 |
| 5 | 🔴 Bundling | 🟡 System of Record |

關鍵洞察：**被摧毀的 5 條正好是擋住競爭者的那些。存活的 5 條只有少數公司才擁有。**

這就像一場期末考，你的護城河有十題。AI 直接幫你把五題變成送分題 —— 但偏偏那五題是你唯一會的。

---

## 真正的威脅：上下夾擊

Nicolas 說真正的威脅不是 LLM 本身，是一個**鉗形攻勢**（pincer movement）。

**從下方**：上百個 AI-native 新創湧入每個垂直領域。以前建一個像樣的 Bloomberg 競爭者需要 200 個工程師和 $5000 萬授權費。現在只需要 10 個工程師和 frontier model API。就像以前開一家蛋糕店要花一百萬裝潢加買設備，現在有人在家用氣炸鍋就能做出差不多的東西，然後用 IG 賣。競爭者從 3 個暴增到 300 個。

**從上方**：水平平台首次深入垂直領域。Microsoft Copilot 在 Excel 裡做 AI DCF 建模，在 Word 裡做合約審查和判例研究。Anthropic 從另一個方向做同樣的事 —— Claude SDK + MCP + Skills（markdown 檔案）。**就這樣。這就是從水平跨到垂直的全部技術 stack。**

> _Software is becoming headless. The interface disappears. Everything flows through the agent._

---

## 30 秒快篩框架

Nicolas 提出三個問題，讓你快速判斷一家垂直軟體公司的風險。就像醫生量血壓、體溫、心跳 —— 三個數字就能告訴你這個病人的狀況：

**1. 資料是專有的嗎？**

- Yes → 護城河存在
- No → 存取層正在崩塌

**2. 有法規鎖定嗎？**

- Yes → LLM 不改變 switching cost
- No → switching cost 主要靠介面，正在消融

**3. 軟體嵌入在交易裡嗎？**

- Yes → LLM 坐在你上面，不是取代你
- No → 你是可替換的

**零個 Yes** → 高風險（你是那個只會被 AI 送分的五題的學生） **一個 Yes** → 中風險 **兩到三個 Yes** → 你大概沒事

> **Mogu 內心戲：**
>
> 我拿這個框架掃了一遍，結果跟實際市場走勢吻合到有點可怕 (⌐■\_■)
>
> - **FactSet** (0 Yes) → 高風險。市值確實從 $200 億跌到 $80 億。框架精準命中。
> - **Bloomberg** (2 Yes: 專有交易台數據 + IB Chat 網路效應) → 低風險。華爾街的 LINE 不是你想取代就能取代的。
> - **Epic** (2 Yes: 法規 + 交易嵌入) → 低風險。那 18 個月的導入地獄不是浪得虛名。
> - **Salesforce** (1 Yes: System of Record，但正被 agent 侵蝕) → 中風險。
>
> 下次有人問你「XX 公司會不會被 AI 幹掉」，你用這三個問題回答就好，30 秒搞定。比那些寫 50 頁報告的分析師有效率多了。

---

## 方向對，時間點錯

Nicolas 最後講了一個重要的 nuance：

> **你不需要營收下降，股價就能崩。你只需要 multiple 壓縮。**

一家以前因為定價權和 95% 留存率而拿 15x 營收 multiple 的金融數據公司，當市場相信這兩個指標都在惡化，可能只值 6x。營收不變，股價跌 60%。

這就像你的房子還是那間房子，但隔壁開始蓋捷運了 —— 你的屋況沒變，但市場對你這區的預期改變了，房價就先動了。

但企業營收不會一夜消失 —— FactSet 客戶簽的是多年合約，Bloomberg Terminal 至少 2 年約。這些合約不會因為 Anthropic 發了一個 plugin 就蒸發。

企業採購週期用季和年來算，不是用天。一個 $500 億避險基金不會明天就因為 Claude 能查 SEC filing 而拔掉 CapIQ。他們會花 12-18 個月評估。跑 pilot。談合約條件。等現有合約到期。

**營收懸崖是真的，但它是一個斜坡，不是懸崖。現有營收在未來 12-24 個月基本是鎖定的。**

---

## 結語：站在兩邊的人

Nicolas 說得最有力的一段話：

> _When I built Doctrine starting in 2016, one of the moat was the interface. We built beautiful search experiences over case law and legislation. If I were building Doctrine today from scratch, that business would face a fundamentally different competitive landscape._

他不是在唱衰。他是在講一個他親手建造、又親手目睹被顛覆的世界。**如果你是投資人，搞清楚你投的公司有哪幾條護城河是 LLM-proof 的。如果你是 SaaS 創業者，要嘛你擁有不可複製的資料，要嘛你就是那個在做威脅的人。**

中間地帶正在消失。而站在兩邊看過風景的人，說的話值得聽。

> **Mogu 歪樓一下：**
>
> Patrick O’Shaughnessy（知名投資 podcast 主持人）說這是他讀過「AI 時代軟體護城河分析中最好的一篇」。3,100+ likes、349 RTs。連 Matt Turck（FirstMark Capital）都說 “super interesting piece”。
>
> 我自己的 take：這篇最有價值的不是「SaaS 要完了」這種聳動標題（我們之前 MP-48 已經講過概念了），而是那個 10 條護城河的拆解框架 + 3 問題快篩。這是可以真的拿來用的東西，不是又一篇「AI 要改變世界」的空話 (￣▽￣)／
>
> 另外，Nicolas 講 “Business logic is migrating from code to markdown” 這句話應該刻在每個 SaaS CTO 的辦公桌上。因為你花十年寫的 if/else，現在是別人一週寫的 AGENTS.md。歡迎來到 markdown 統治世界的時代。

---

**原文**：[10 Years Building Vertical Software: My Perspective on the Selloff](https://x.com/nicbstme/status/2023501562480644501) — Nicolas Bustamante (@nicbstme)

**延伸閱讀**：

- [MP-48: SaaS 的護城河正在崩塌](https://gu-log.vercel.app/posts/mp-48-20260209-nicbstme-crumbling-workflow-moat)（同一作者的前作，概念版）
- [MP-65: LLM Context Tax 避稅指南](https://gu-log.vercel.app/posts/mp-65-20260211-nicbstme-context-tax)（同一作者，context 優化） (•̀ᴗ•́)و