AI 投資故事，而非效率故事

資料來源#

摘要#

Emergence Capital 的 Beyond Benchmarks 2026 最反直覺的核心發現是：在每個營收區間中，非 AI 公司的人均營收（RPE）都高於 AI 公司——中位數約高 39%。「AI 讓你用更少的人做更多事」的效率敘事，目前尚未在大規模公司的財務數據中顯現。報告原話是：「AI 尚未成為通往一流效率的捷徑，而是處於投資階段」，以及「AI 更像投資故事，而不是效率故事。」

這與 vault 的 lean-10-person-unicorn 論點直接衝突；報告也將其描述為正是那種「讓你看出直覺錯在哪裡」的資料。它的調和方式是——差距是滯後，不是上限——但這個調和很重要：它表示效率紅利正在到來，而不是已經到來。

證據註記。 empirical，但要仔細閱讀其來源脈絡。Emergence Capital 是一家 VC，在結構上有動機講述樂觀的 AI 投資故事；「AI 公司」的分類與區間切分也由其自行定義。但資料來自合作夥伴資料，而非問卷：五組專有資料集（Carta cap tables、Standard Metrics portfolio financials、Stackpack vendor spend、Pave comp、Ashby hiring outcomes），涵蓋 50K+ 家營運中公司——是真實收據，不是情緒。關鍵是，這項特定發現與 AI 炒作背道而馳，這提高了它的可信度，而非降低：一家 VC 發表「AI 公司目前的人均效率較低」，並不是在替自己的持股說話。這些資料集是專有資料，無法由外部獨立重現，因此數字不能接受外部稽核——在資料承擔論證關鍵負荷的地方，務必保留這項限制。

數據#

**AI 與非 AI 的中位數 RPE：**非 AI 公司在每個區間都領先，整體約高 39%（Standard Metrics financial-benchmark cohort，Q4 2025）。

各區間前十百分位的 RPE（報告明確繪製的切分——Q4 2025 年化營收／FTE）：

區間	AI 公司	非 AI 公司	非 AI 領先幅度	AI 年增	非 AI 年增
$1–5M	$233K	$316K	+36%	+29%	+27%
$5–20M	$341K	$488K	+43%	+16%	+18%
$20–100M	$552K	$800K	+45%	+30%	+23%
$100M+	$960K	$1.3M	+35%	+58%	−6%

報告自身的解釋是：AI 公司處於超高速成長模式，正為未來 12–18 個月積極配置人力，在能支撐這些人力的營收出現之前就先行招聘；同等規模的非 AI 公司則更可能是在最佳化既有業務、追求效率。RPE 之所以受壓，是因為分母（員工數）先於未來營收被前置增加——這是投資階段的典型特徵，而非效率階段。

為什麼是滯後，而非上限#

同一份資料中的兩個訊號表示，效率差距正在縮小，而非結構性存在：

AI 原生 RPE 成長更快。在 $5–100M 區間，AI 公司的每位 FTE 營收成長速度高於非 AI 同業。在區間頂端，差異尤其明顯：$100M+ 前十百分位的 AI 公司 RPE 年增 +58%（Q4 2024 $606K → Q4 2025 $960K），而非 AI 對手則下降 −6%（$1.4M → $1.3M）。最大規模的差距在單一年內大幅縮小。
**效率在每個階段都會複利。**每個區間與百分位的 RPE 都年增；前十百分位的 $1–5M 公司已能產生 $167K/FTE，而 $100M+ 公司為 $827K（中位數 $394K）——報告將這 5 倍差距解讀為「複利式效率提升，而不只是規模效應」。

因此，AI cohort 在 RPE 曲線上處於較晚階段，是因為它先招聘、後賺取營收；但它爬升曲線的速度又比落後的既有公司更快。

機制：收益落後採用#

這是 Organizational Complements to AI 的一個清晰、外部且以公司財務為基礎的實例——通用技術的論點是：新技術的生產力收益，只有在工作流程、角色與組織結構完成互補性重新設計後才會出現，而不是工具一採用就出現（David 的電氣化、Brynjolfsson 的生產力悖論）。報告所說的「預期 AI 採用與可衡量的人均營收提升之間存在滯後，因為公司需要擴大使用並將能力轉化為產出」，幾乎逐字重述了互補要素滯後論點；只是現在測量的是 cap-table 與財務資料，而非使用遙測資料（Codex 研究的工具）。這也是 Acceleration Whiplash 在財務指標上的姊妹現象（SDLC 吞吐量上升，但已實現品質因吸收互補要素滯後而落後）——形狀相同，工具不同。

AWS 調查的反向對照——方向相反，工具不同#

第三筆 RPE 讀值在此進入 vault，而且方向相反。AWS 的 Engines of Growth（2026 年 6 月）是一項針對 20 個國家、3,413 位新創創辦人與高階主管的調查，由 Strand Partners 為 AWS 執行；它報告的 AI 原生 cohort 每人效率高於基準，而不是低於：

55% 的 AI 原生公司每位員工營收達到 400K 美元以上，全球新創為 34%，大型企業為 23%。
平均年營收成長 156%，全球新創為 65%，大型企業為 12%；達到每年 1M 美元以上營收的機率是全球新創的 5.2 倍。
AWS 將其描述為「以約一半的人力擴大產出」。

若照字面理解，這與 Emergence 的發現矛盾（AI 公司的人均營收比匹配的非 AI 同業約低 39%）。**標記工具分歧；不要將兩者平均。**它們的差異正好落在 Telemetry vs. Survey Measurement 所預測的軸線上：

Emergence 測量的是財務實際收款——Carta cap tables 加上 Standard Metrics financials，涵蓋 50K+ 家營運中公司；是真實營收／FTE，而非情緒。
**AWS 是由雲端供應商委託、以行銷內容形式產出的創辦人自我回報調查。**兩份原始文件名義上都帶有 empirical 層級，但 AWS 文件自身的註記說，應「將標題統計……視為自我回報的調查資料，而非經驗證的公司財務」。在特定 RPE 問題上，cap-table 工具更具權威性；當兩者衝突時，應以它的比較結果為權重。

仔細檢視後，衝突部分消解了——數值水準一致，只有比較對象不同。Emergence 的AI 公司中位數 RPE 是 $394K；AWS 表示 55% 的 AI 原生公司達到 $400K。兩種工具都把約一半 AI cohort 放在每人約 $400K 的位置——數字幾乎沒有分歧。真正不同的是參照類別：AWS 將 AI 原生公司與所有新創及大型企業比較（而其「AI 原生」是精選的前沿子集——以「最先進形式」使用 AI 的公司）；Emergence 則是在匹配營收區間內比較 AI 與非 AI 公司。因此，AWS 更接近描述本頁已隔離出的刻意精實尾部，而不是 Emergence 測量的整個母體；「AI 原生公司領先」的框架是選擇加自我回報的效果，而不是對匹配區間結果的反駁。vault 現在持有的四筆 RPE 讀值，依工具整齊排列，最後一筆最樂觀：cap-table 收據（AI 低於非 AI）→ 創辦人調查（AI 原生高於基準）→ 帶有前瞻預測的高階主管調查（ICONIQ，RPE 上升，如下）→ 實務工作者軼聞（Tan 的約每人 1M 美元尾部）。

ICONIQ 前瞻預測——第四種工具，也是唯一帶有時間軸的工具#

ICONIQ Growth 的 State of AI 2026: The Builder's Economy（2026 年第二季對約 305 位 AI 建構軟體公司的高階主管進行的調查，empirical）是 vault 的第四筆人均營收讀值。它是調查（如同 AWS），因此帶有相同的自我回報限制——但其獨特貢獻是其他三筆快照所沒有的時間軸：它向前預測兩年的 ARR／每位 FTE 營收（N=281，平均值）：

Cohort	2025（實際）	2026（預測）	2027（預測）
高成長公司¹	$272K	$369K	$496K
非高成長公司²	$270K	$346K	$448K

¹ 中位數營收約 $275M；² 中位數營收約 $200M。「高成長」＝若營收 <$25M，年增 100% 以上；若為 $25–250M，年增 50% 以上；若為 $250M+，年增 30% 以上。

閱讀時要將層級分開（見新的經濟學頁面之證據註記）：2025 年約 $270K 是自我回報的實際值；2026P／2027P 數字是自我回報的預測值——更接近 prediction 等級；而且這是在 VC 簡報中對自身業務所做的預測，因此限制更為明顯。可從中得到兩點，任何一點都不應單獨承擔論證關鍵負荷：

它自我回報了效率紅利正在到來.高成長公司的 RPE 預計在 2025→2027 年成長 +84%（$272K → $496K）；同業為 +66%。這正是本頁「滯後，而非上限——RPE 正快速攀升」的論點——但作為預測性的自我回報，它是支持該論點的最弱證據，而不是最強證據。它與 Emergence 在 $100M+ 前十百分位測得的 +58% 年增相呼應；只能將這種呼應視為方向上的佐證。
高成長公司與同業的差距很小（2027 年約 11%，$496K 對 $448K）——遠窄於 Emergence 匹配區間內 AI 與非 AI 的差距（35–45%），因為 ICONIQ 的切分依據是成長率，而非AI 與非 AI：其整個 cohort 都是建構 AI 軟體的公司，因此比較並非同一條軸線。不要跨 cohort 比較數值水準——ICONIQ 2025 年約 $270K 低於 Emergence 的 AI 公司 RPE 中位數 $394K，但定義不同（ICONIQ＝中位數營收約 $200–275M 的 AI-產品建構公司之 ARR 或營收／FTE；Emergence＝在 50K+ 公司及匹配區間內比較 AI 與非 AI）。工具排序仍成立；但不同調查之間的數字線並不對齊。同一份簡報中的利潤率、定價與成本經濟學，請見 AI Product Economics Maturation。

與精實獨角獸敘事的張力（已標記）#

vault 的 AI-native startup lifecycle 與 founder-as-orchestrator 頁面，建立在 Anthropic 的 Founder's Playbook 主張之上：AI 能讓公司極度精實、更加高效——將「精實 10 人獨角獸」作為刻意追求的目標。這項發現表示，平均而言，AI 公司目前的人均效率較低。這個矛盾確實存在，值得直白說明，而不是加以掩飾。它有三種解法，但沒有一種能完全挽救強版本的效率主張：

**平均值與尾部。**精實獨角獸是刻意精實的子集（單人創辦人／超高速成長尾部——Together AI 在不到 3 年內達到 1B ARR，Genspark 預計不到 2 年），不是資料顯示會積極配置人力的平均 AI 公司。Playbook 描述的是可達成的極端值；基準數據描述的是母體。兩者都可能為真。
滯後，而非上限（見上）：效率紅利是真實的，但被延後；AI 原生 RPE 成長速度超越既有公司，差距正由上而下縮小。
**投資 ≠ 無效率。**在營收前置 12–18 個月招聘，是充裕的 AI 時代資本所促成的選擇（2025 年創投資本中有 44% 流向 AI 公司），而非不精實的失敗。它會壓低 RPE 比率，但不代表公司若選擇精實經營就做不到。

誠實的解讀是：精實獨角獸在尾部是可達成且已有證明的；但「AI 讓公司更有效率」目前還不是整體性的經驗事實——它是一項前瞻賭注，而 RPE 成長趨勢正開始為其提供支持。

伴隨發現：AI 也尚未吞噬軟體利潤率#

同一份報告還有一項平行結果，顯示「破壞單位經濟學的效應尚未實現」：從 2023 年第一季到 2025 年第四季，每個區間的中位數毛利率都提升 3–5 個百分點，最終達到 68–72%——沒有廣泛的利潤率壓縮，因此 AI 推理成本目前尚未實質侵蝕整體軟體經濟學。主流的「推理成本將壓垮 SaaS 利潤率」敘事，與效率敘事一樣，截至目前都沒有資料支持。報告保留的限制是：成長最快的公司毛利率比較慢的同業低 6–16 個百分點，因此領先者可能正在吸收 AI 成本以追求成長——未解問題是，今天的 AI 基礎設施成本究竟是暫時現象，還是這個類別的新利潤率現實。

待解決的問題#

分類是否在驅動結果？「AI 公司」是 Emergence 的標籤。如果同一營收區間的 AI 公司大比例更年輕（更可能尚未走到營收拐點）而非 AI cohort，部分 RPE 差距可能是年齡／階段假象，而非 AI 效應。報告沒有發布階段匹配的比較。
**交叉點何時出現？**AI 原生 RPE 成長更快，且已在成長率上領先；在 $100M+ 前十百分位，它成長 +58%，對上 −6%。水準差距會在一兩年內收斂嗎？會反轉成 AI 公司人均效率更高嗎——也就是「效率故事」成真的時點？
**尾部與平均值的差距。**這裡沒有刻意精實的單人創辦人尾部之具體 RPE 資料——精實獨角獸主張存在於該尾部，而母體中位數無法將其隔離。（部分有資料支持：Emergent 這個備受讚譽的精實尾部案例，在 ARR 120M 美元時約每人 $600K——低於此 cohort 的 $100M+ 前十百分位 AI 數字（$960K），這表示尾部在擴大規模後的 RPE 沒有低人數快照所暗示的那麼異常。一個 vendor-claim 資料點，不是 cohort。）
**哪種工具適用於前沿 AI 原生子集？**兩個標記為 empirical 的來源在方向上不一致——cap-table 財務資料表示 AI 公司的人均營收低約 39%；創辦人調查則表示 55% 的 AI 原生公司達到每人 $400K，且成長 156%。這項分歧同時受到工具（測量值與自我回報）與參照類別（匹配區間的 AI 對非 AI 與 AI 原生對所有新創）的混淆。只有針對刻意精實的 AI 原生前沿、使用匹配區間財務資料的 RPE 研究——而非廣泛的「AI 公司」標籤——才能確定調查樂觀或 cap-table 悲觀哪一者描述了該尾部。（ICONIQ 的第四筆讀值加入了前瞻軌跡——預計到 2027 年 RPE +84%——但它同樣是自我回報且為預測，因此加深了調查方的樂觀，而沒有裁決爭議。）
利潤率問題（報告自身提出）：成長最快公司的毛利率低 6–16 個百分點，究竟是暫時吸收 AI 基礎設施成本，還是軟體經濟品質永久重新定價？

資料來源#

Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World — Emergence Capital，Beyond Benchmarks 2026（2026 年 6 月）：§「What the Data Actually Says」、§「Non-AI Companies Show Higher Revenue per FTE」（反直覺訊號與前十百分位 AI 對非 AI 表格）、§「Revenue Per Employee Is Up Across Every Stage」、§「The Growth-Margin Tradeoff Remains Intact at the Top」
Engines of Growth: Global Startup Trends Report — AWS Startups，Engines of Growth（2026 年 6 月，empirical 但為供應商自我回報調查）：§「What are AI-native startups achieving?」（55% 達到 $400K+ RPE，對上 34%／23%；成長 156%，對上 65%／12%；達到 $1M+ 的機率高 5.2 倍）——作為 Emergence cap-table RPE 發現的調查工具反例
State of AI 2026: The Builder's Economy — ICONIQ Growth，State of AI 2026: The Builder's Economy（2026-07-08，empirical 高階主管調查，含 prediction-grade 前瞻數字）：§「Talent & Organization」ARR／revenue-per-FTE 圖表（image_000059）——第四筆 RPE 讀值，也是唯一的前瞻預測（高成長公司 $272K→$369K→$496K；同業 $270K→$346K→$448K；N=281）

AI 投資故事，而非效率故事

資料來源#

摘要#

數據#

為什麼是滯後，而非上限#

機制：收益落後採用#

AWS 調查的反向對照——方向相反，工具不同#

ICONIQ 前瞻預測——第四種工具，也是唯一帶有時間軸的工具#

與精實獨角獸敘事的張力（已標記）#

伴隨發現：AI 也尚未吞噬軟體利潤率#

相關連結#

待解決的問題#

資料來源#