Bending Spoons: 94% of code written by AI, leverage ratio 2.4x

Luca Ferrari 的公司叫 Bending Spoons，现在值 200 亿美元。他做的事听起来一点也不新潮：买下别人已经做不动的软件，修一修，让它多产现金，再拿多出来的钱加杠杆买更大的。Airtable、AOL、Vimeo、Eventbrite、Komoot、WeTransfer，前后五十多家。而这家公司现在 94% 的代码由 AI 写，数据分析九成以上交给 AI，客服工单基本不再由自己人回。一边是极高的人效，一边是 2.4 倍杠杆，这两件事摆在一起，正常人第一反应是要出事。

他专挑那些没人想再修的东西

a16z 的 Anish Acharya 开场说，这家公司的气质像麦肯锡的智力多样性加上 Google 的技术感。Luca 用三十秒把生意讲完：买下有改善空间的技术公司，塞进自己那套平台，同一套底层技术，同一个核心团队，按十年的尺度把它变成一台更会吐现金的机器。做对了，多出来的利润加杠杆，去买更大的公司，再来一遍。

这事的定位很特殊。Marc Andreessen 有个说法，世界上没有股票这回事，每家公司要么是债券，要么是期权。Luca 评价这句有点标题党，方向没错。Apple 靠 iPhone、NVIDIA 撞上 AI，都是发明，但把那段历史重跑十次，有八次不会发生，别人早一步做了，或者干脆没成。他说得很直：激进发明能让人爬到很高的地方，可它不可靠，中位数结果是血本无归。

所以他要选边。做激进发明的团队和做极致优化的团队，气质、心态、文化都不一样，两头都要的公司通常哪头都做不好。他自己站优化这边。举的例子是 Google，三十年了，搜索还贡献着八成，中间砸了几百亿美元做别的事，也没能改变这个比例。Anish 补了一句，那篇 Transformer 论文也是 Google 出来的。Luca 说，他甚至算过一笔账，如果当年把多余的钱全投回搜索，股东回报可能更好。

一百的利润做成两百，再乘三倍杠杆

这套模型最容易翻车的地方是债。Luca 的规矩很硬：杠杆率压在自己划的 3 倍上限以下，现在 2.4，历史上更接近 2。每一到两年再融资一次，把到期日推到五年以后。利率百分之百对冲，未来要付多少利息是确定的。哪怕在极端不利的情形下，也要保证在到期前能还清全部债务。

他主动加了一条免责声明，说得很不客气：那些最后爆掉的公司，出事之前你去问，个个都对用债很乐观。他把偏执当纪律，没把过去几年的顺利当能力。

杠杆放大的是什么，他给了一组很具体的算术。一家公司挣 100 的 EBITDA，你把它做到 200，乘上三倍杠杆，再去买下一家，这个循环滚二十年，可能就是 100 倍。他还点了 Broadcom 和 TransDigm，说这两家几十年就是这么干的，不这么干做不到今天的规模。至于分散化，他提醒别太信，你以为不相关的资产，碰上同一个现象时可能一起塌。

AI 写掉九成四的代码，人改去设计流程

两年前，他们公司由 AI 写的代码还是 0。他上次查的时候是 94%。数据分析里取数、清洗、画图这些活，他估至少九成由 AI 完成。客服更彻底，工单要么给 AI，要么给外部供应商，基本没有自己人一条条回了。客服经理现在干的活更像产品经理，设计应答规则、设计用户遇到问题时的体验。他说下一步是把电话和 WhatsApp 也接进来。

留下来的活是什么？架构、流程设计、给预算和看板搭工具。他给了条判断线：现在已经没有哪家像样的公司应该低于 70%，低于这个数就是在浪费。Anish 接过话，说大家都该往 100 收敛。

他们把内部工具全自己写，五十多件，从 A/B 测试、营销自动化、用户生命周期预测到凭证管理、招聘，只留 Gmail、Slack 这种通用件买现成的。省下的供应商费用他说不算什么，真正值钱的是两点：每件工具都贴着自家流程长，而且互相天生打通。收购一家公司之后，整套换进去比一件件替换更快。

SaaS 跌掉四成那年，他没有跟着恐慌

一年前那波 SaaSpocalypse，Anish 说相关公司普遍跌了 40%。Luca 的看法是，那些估值本来就不成立，因为它们假设 12% 的有机增长能撑十五年。他的原话很冲：有机增长几乎从不往上走，通常是往下走，所以那套假设根本讲不通。AI 只是给了大家一个回去改模型的借口，跌完之后的价格才勉强算合理。

他不买另一套叙事，就是写代码变便宜了所以 SaaS 要完。理由是他认为复制一个产品的技术成本，五年前就已经相对「赢得这个市场」的价值可以忽略。一家十亿美元级的公司，你当年可能只需要二十个好工程师就能抄，可抄完拿不到客户，一样白搭。他举了个很小的例子：哪怕你只投 0.2 个工程师的工时去自建，成本也比直接付钱给 Airtable 高，理性的人不会这么干。

真正会受伤的是边缘。新客户以后可能由 agent 去挑，agent 的筛选标准和人类不一样，原来选 A 的现在选 B。这会疼，但不会让一家公司一夜之间化掉。Anish 补了个数，企业总支出里软件占 8 到 10%，把 token 预算砸去重写工资系统，下行大上行小。

数据不是一个越攒越值钱的仓库

很多人说，一些公司的市值已经低于它们手里数据的价值。Luca 说自己没想透这件事，但这个说法有点误导。他的论据是增量数据的价值跌得极快。今天你在网上写一篇新博客，没人会付你钱。可如果把时间倒回模型刚开始抓数据的年代，第一篇能被拿到的博客，可能值一千美元。现在值零，因为它对语料池没有增量。

这个逻辑往下推，结论对数据护城河不太友好。某个细分领域的数据，最早拿出来卖的人能赚钱，之后会一路趋向于零，因为拿新数据去训练模型的边际回报在衰减。他没敢下更重的判断，说自己没资格断定公司能不能靠卖数据超过自己的估值。

他上一次创业，是被税务局关掉的

Anish 问他，创始人怎么判断该坚持还是该撤。Luca 的回答是，他大概是最没资格回答的人。Bending Spoons 之前那家叫 Evertale，做了三年，想用 AI 帮人自动写日记，太早了，用户不用，更不付钱。他们一直 pivot，一直撑，撑到账上只剩 25 万到 30 万美元，其中大部分还指望着丹麦政府的一笔退税。后来政府来信，说这笔退税要么不成立，要么得等十二个月。公司就这么没了。他说，也可以讲是繁文缛节替我们做了决定。

他给下一代创业者的建议只有三条，都很朴素。志向要高，因为人一辈子做不了几件事，挑大的做回报概率更高。决策要用逻辑和一阶原理，数据是输入，直觉也是输入，但最后不能因为「我觉得这很酷」就拍板。还有人才密度，起步时招得松，后面几乎补不回来，这一条他讲得最重。

他的效率数字漂亮到不真实，可整场对话里他反复回到的是杠杆上限、极端情形下还得起多少债、还有招人时那一次松懈要多久才能补回来。执行成本被 AI 压到接近零之后，难的部分全在资本结构和人身上。

更多硬核播客内容：Podwise