AREXOpen in Viewpoints

AREX Viewpoint Article

⚡️Anthropic: Know Before You IPO — Tanay Jaipuria, Wing VC

November 19, 2026View primary source

导读

11月19日,Claude背后的Anthropic将在纳斯达克挂牌交易。公司把IPO定价区间设在每股70至78美元,计划发售8.25亿股,按区间上限计算,完全稀释后估值约1.4万亿美元,即便按下限也超过1.26万亿美元。路透社把这场发行称为对华尔街AI热情的一次检验,多家机构的测算也将其列为史上规模最大的IPO之一。

把如此体量的公司推向公开市场,本身就需要一个解释:支撑万亿美元估值的,究竟是扎实的基本面,还是对AI的集体乐观?按节目引述的口径,这一估值约相当于过去12个月收入的38倍,远高于以往任何大型IPO。要判断这个倍数能否站住,市场需要的不只是价格区间,而是拆开招股书后的经营细节——这正是本期节目在定价前夜试图提供的。

节目上线的时点,本身就是它值得此刻观看的理由。主体访谈录制于11月6日,开场更新录制于11月18日、即最终定价前夕,明确以“定价前”为坐标。嘉宾Tanay Jaipuria是Wing Venture Capital的合伙人,他带来的不是对价格区间的复述,而是对S-1的逐项拆解,讨论这家公司究竟凭什么撑起这样的估值。

节目给出的第一条判断标准是资本效率。贾伊普里亚指出,Anthropic上市前实际烧掉的钱不到100亿美元;按IPO时每美元年化收入所消耗的现金衡量,过去五到七年上市的大型公司里几乎没有能接近的,只有Airbnb勉强可比。从绝对金额看,它上市前烧掉的钱甚至少于Uber当年,这为高倍数提供了一个不同于“烧钱换增长”的解释框架。

第二条标准指向算力成本的结构。节目称Anthropic约一半收入来自渠道合作伙伴,这一比例现略降至44%,且需向对方支付约30%至35%的分成;与此同时,其免费用户的推理仅占算力支出约5%至6%,大部分算力投向训练、研究与付费用户。理解这些成本流向,读者才能判断万亿美元估值背后的利润率究竟是厚是薄。

第三条标准关乎收入的可持续性。节目提到,前沿模型的“货架期”大约只有六个月,约80%的使用量来自最近六个月发布的模型,且多数收入按用量计费——这意味着一旦在几个月的竞争中落后,API层客户可以轻易切换,收入可能迅速流失。节目还提醒,编程token消耗的季度增速已从翻倍以上放缓至40%至45%,而安全、生命科学等可能的接棒场景,能否达到同等规模仍是未知数。

于是,IPO给出的是一张价格标签,而节目补上的是衡量这张标签的尺子:资本效率有多高、算力成本压在哪里、收入又能保鲜多久。当11月19日的开盘价最终落定,决定它能否站稳的,恐怕不是首日的热情,而是这几个被逐条摊开的变量。节目没有替投资者下结论,却把该问的问题摆到了台面上。

核心结论

  • 高估值有基本面支撑,但依赖持续的超高速增长:IPO定价对应约38倍过去12个月收入,远高于历史大型IPO,但Anthropic同时展现强劲收入增长、客户扩张和盈利迹象,使高倍数并非纯粹乐观预期。然而,这一估值逻辑高度依赖增长持续,任何增速放缓都可能引发重估。
  • 资本效率是Anthropic最被低估的竞争优势:Anthropic仅消耗不到100亿美元现金就达到数百亿美元收入规模,资本效率远超Uber、Airbnb等历史IPO公司,甚至低于Meta Reality Labs的年度亏损。这一效率源于聚焦企业和编程市场,避免了免费用户带来的算力负担,使其利润率结构显著优于同行。
  • 收入高度依赖前沿模型保鲜期,落后即意味着快速流失:约80%收入来自最近六个月发布的模型,且大部分基于API用量计费,客户切换成本低。一旦模型性能落后几个月,收入可能迅速流失,这构成Anthropic商业模式的核心风险,要求其必须在每个性价比点上持续保持竞争力。
  • 编程之后的下一个大规模工作负载尚不明确,增长持续性存疑:编程token消耗季度增速已从超过100%放缓至40%至45%,先发红利消退,开源模型追赶和多模型路由趋势加剧压力。安全与生命科学被视为潜在接棒领域,但能否达到编程级别的token规模仍是未知数,这直接影响Anthropic未来增长的持续性。
  • IPO宜早不宜迟,流动性对AI生态循环至关重要:延迟上市可能引发更多不确定性,适度估值折让可换取确定性。更重要的是,IPO为风投生态提供关键流动性,支撑下一轮AI投资,形成良性循环。趁增长仍然强劲时上市,可避免增速放缓引发市场恐慌。

观点拆解

1. Anthropic的IPO定价极高,但增长与盈利故事支撑其估值 00:49

  • IPO定价对应1.3至1.6万亿美元估值,约为过去12个月收入的38倍:节目披露Anthropic的IPO价格区间为每股7至78美元,对应估值1.3至1.4万亿美元,最终可能落在1.5至1.6万亿美元,相当于过去12个月收入的约38倍、当前收入的20倍。这一倍数远高于以往任何大规模IPO,是理解其高估值争议的起点。

    “我们有了Anthropic的定价,大概在7到78美元之间,对应估值1.3到1.4万亿美元。” 00:49

    “就算1.5到1.6万亿美元吧,这大约相当于过去12个月收入的38倍、当前收入的20倍。” 01:29

  • 收入增长与客户扩张数据为高倍数提供基本面支撑:尽管估值倍数极高,但Anthropic披露的运营数据展示了强劲增长:10月年化收入达810亿美元,预计年底达到1000亿美元;同时约有1.1至1.2万客户年支出至少10万美元,且客户在落地后未来几年还会扩张9倍。这些数据是投资者愿意为远期收入支付溢价的关键依据。

    “10月运行率是810亿美元,这也是新披露的数据。仍预计年底达到1000亿美元。” 01:49

    “大约有1.1到1.2万客户每年每客户支出至少10万美元,但一旦进入一家公司,未来几年还会扩张9倍。” 02:38

  • 增长伴随盈利,使高估值故事区别于单纯烧钱扩张:节目明确指出Anthropic呈现出“有利润的增长”,这在高速增长的科技公司中极为罕见。盈利迹象与前述收入增长结合,共同支撑了IPO高倍数并非纯粹基于乐观预期,而是有基本面改善作为基础。

    “这很好。我的意思是这是有利润的增长,这从来不会发生。” 05:27

2. Anthropic的资本效率远超同行,烧钱少而增长快 12:18

  • Anthropic以不足100亿美元的现金消耗撑起数百亿美元收入规模,资本效率远超市场预期:Tanay Jaipuria指出,Anthropic累计融资约1400亿美元,但资产负债表上仍留有约1320亿美元,实际烧掉的钱不到100亿美元。这一数字远低于外界基于亏损和利润率预期的想象,说明其增长并非靠巨额现金堆砌,而是以极高的资本效率实现。

    “他们融资了大约1400亿美元,账上还 literally 剩着约1320亿美元。所以他们烧掉的钱不到100亿美元就达到了现在的规模。” 12:26

    “这实际上是一个非常非常高效的生意。” 12:59

  • 按IPO时每美元收入消耗的现金衡量,Anthropic的资本效率在近年大型IPO中几乎无出其右,仅Airbnb接近:Jaipuria以IPO时年化收入运行率(约700亿美元)为基准,计算每美元收入所消耗的现金,发现过去五到七年内上市的大型公司中几乎没有能接近Anthropic的,只有Airbnb在收入运行率基础上勉强可比。这凸显了Anthropic在超大规模下仍保持罕见的现金效率。

    “按IPO时每美元收入运行率所消耗的现金来算,过去五到七年里上市的有规模的公司中,几乎没有哪家能接近。我觉得Airbnb可能是唯一在收入运行率的现金效率上勉强接近的。” 13:15

  • Anthropic的绝对烧钱额甚至低于Uber上市时,也少于Meta Reality Labs的年度亏损,进一步印证其资本效率优势:Jaipuria强调,从绝对金额看,Anthropic上市前烧掉的钱比Uber上市时还少;而Meta仅Reality Labs每年就烧掉约80亿至160亿美元,远超Anthropic的总消耗。这一对比直观说明Anthropic以更少的资本创造了更大的业务规模,其效率在科技公司IPO史上相当罕见。

    “从绝对金额看,Anthropic上市前烧掉的钱实际上比Uber上市时还少,考虑到他们创造的东西,这相当了不起。” 13:41

    “Meta每两个季度左右还在Reality Labs上烧掉100亿美元,现在降到每年160亿美元,可能每年烧80亿,但他们每年还在烧,比这夸张多了。” 14:00

3. 聚焦企业与编程市场使Anthropic避免了免费用户的算力负担 17:23

  • 聚焦编程与企业市场,使Anthropic无需承担庞大免费用户群的推理成本:Tanay Jaipuria指出,Anthropic的战略重心是编程与企业客户,而非消费级市场,因此没有像OpenAI那样需要支撑海量免费用户的推理负担。这种定位让其在服务付费用户时拥有非常正面的经济性,是理解其利润率结构优于同行的关键。

    “因为他们没有试图做消费者业务,所以他们并没有一个庞大的消费者基础需要用大量免费推理来支撑。对他们来说,支持付费用户的经济效益是非常非常正面的。” 17:48

  • 免费用户推理仅占算力支出约4%至6%,远低于OpenAI的预期水平:Jaipuria给出量化对比:Anthropic只有约4%的利润率点数或5%至6%的算力支出用于免费用户推理,而OpenAI因用户基数庞大,这一比例预计会显著更高。这说明Anthropic的算力更多投向训练、研究及付费用户,而非被免费流量稀释。

    “他们只花大约4%的利润率点数,或者说大约5%到6%的算力支出用于免费用户推理。我想当OpenAI的数据出来时,鉴于其用户基础规模,这个数字会显著更高。” 19:16

  • 免费层通常被计入营销费用,Anthropic的算力因此集中于训练与付费用户:对话进一步解释,行业惯例是把免费层推理视为营销支出,而Anthropic的免费用户并未消耗大量算力。其算力主要流向训练、研究或支持付费用户,这从成本结构上强化了其相对优势。

    “他们并没有在服务这些免费用户上消耗大量算力。因此大部分算力要么用于训练和研究,要么用于支持这些付费用户。” 20:01

4. 模型迭代速度极快,收入高度依赖持续保持前沿 05:32

  • 前沿模型约六个月保鲜期,模型发布节奏直接决定收入存续:Tanay Jaipuria 指出,前沿模型的“货架期”大约只有六个月,若不能持续推出处于前沿的新模型,用户使用量就不会流向该实验室。这解释了为何模型发布对前沿实验室的生存能力至关重要,也构成 Anthropic 收入高度依赖持续迭代的根本原因。

    “前沿模型的货架期大约只有六个月,如果你不发布下一个处于前沿的模型,那么使用量显然就不会流向你。” 05:44

  • 约80%收入来自近六个月发布的模型,且以用量计费为主,落后即意味着收入快速流失:Anthropic 披露约80%的使用量或收入来自最近六个月发布的模型,而大部分收入又来自按用量计费而非订阅。Tanay 认为这种结构意味着公司“完全不能落后”,一旦在几个月内被 Gemini 或 OpenAI 的新模型超越,API 层用户可轻易切换,份额和收入可能迅速流失。

    “他们披露大约80%的使用量来自最近六个月发布的模型。而大多数收入来自按用量计费的计划或定价,而非订阅,这意味着你完全不能落后,否则就把很大一部分收入置于风险之中。” 34:21

    “因为人们只是在 API 层使用你,而在某个系统中他们可以轻易把你换掉,你可能突然失去大量份额和大量收入。” 35:19

  • 应用层粘性可缓冲落后风险,但API驱动收入更脆弱,必须覆盖整个性价比前沿:Tanay 指出,若用户深度使用 Claude 应用(如定时任务),即使模型落后几个月也不易整体迁移;但越是 API 驱动的用量,收入消失得越快。因此 Anthropic 不仅要保持绝对前沿,还必须在每个对使用和工作负载有意义的性价比点上保持竞争力。

    “如果你在使用 Claude,你不会因为它在几个月内落后就把所有东西都切换到别处,你可能有一堆定时任务;但越是 API 驱动的用量,收入就越可能更快消失。” 35:38

    “你身处这场游戏中,就必须始终保持在——不一定是绝对前沿,而是每一个对使用和工作负载有意义的性价比点上。” 36:03

5. 渠道合作伙伴贡献近半收入,但API层使用存在被替换风险 31:53

  • 渠道合作伙伴贡献近半收入,且需支付高额分成费用:Tanay Jaipuria 指出,Anthropic 约一半收入来自渠道合作伙伴,目前占比略降至 44%,且需向这些合作伙伴支付约 30% 至 35% 的收入分成。这意味着渠道收入虽规模可观,但实际留存比例较低,收入质量与利润率受到侵蚀。

    “我们知道,大约一半的收入来自渠道合作伙伴,这个比例现在略有下降,降到了44%,来自这些渠道合作伙伴。” 33:32

    “这些渠道合作伙伴获得的费用约占收入的30%到35%。” 34:10

  • 收入高度依赖近期模型与按量付费,API 层使用易被替换:Anthropic 约 80% 的模型使用来自近六个月发布的模型,且大部分收入来自按量付费而非订阅。这种结构意味着客户主要在 API 层调用模型,切换成本较低;一旦模型性能暂时落后,收入可能迅速流失。

    “他们披露,约80%的使用量来自过去六个月内发布的模型。” 34:21

    “大部分收入来自按量付费计划,而非订阅制,这意味着你不能落后,否则很大一部分收入就面临风险。” 34:39

    “因为人们只是在 API 层使用你,在某个系统中可以轻易把你换掉,你可能突然失去大量份额和收入。” 35:19

  • 第一方应用提升粘性,是降低收入可替换性的战略方向:Tanay 认为,若用户通过 Claude 等第一方应用使用产品,切换成本更高,不会因模型短暂落后几个月就整体迁移;而纯 API 驱动的用量则更容易流失。因此,推动用户使用自有应用是降低收入风险的关键策略。

    “如果你在使用 Claude,你不会因为它在几个月内落后就全部切换到其他产品,你可能有很多定时任务,不会轻易切换。” 35:38

    “但越是纯 API 驱动的用量,风险就越大,收入可能消失得更快。” 35:50

6. 编程之后的下一个大规模token工作负载尚不明确 21:43

  • 编程token消耗的季度增速已从翻倍以上骤降至40%至45%,增长引擎出现明显减速:Tanay Jaipuria指出,Anthropic在Q2经历了一个“代际级”季度,年化营收增加约250亿美元,但Q3环比增速已从超过100%放缓至40%至45%。这一减速表明,编程作为当前最大token工作负载的爆发期可能正在过去,市场需要新的工作负载来维持增长。

    “Q2对你们来说是一个代际级的季度,年化运行收入增加了约250亿美元,而到了Q3你已经看到明显放缓,环比增速从超过100%降到了40%到45%左右。” 21:44

  • 编程市场的先发红利正在消退,开源模型追赶与多模型路由趋势加剧增长压力:Jaipuria认为,Anthropic此前在编程和长程推理模型上几乎没有对手,因而捕获了几乎全部可及市场;如今开源模型变强、token maxing时代结束、企业开始跨模型路由,Anthropic若找不到下一个同等规模的工作负载,增长将承压。

    “那只是token maxing达到顶峰、Anthropic份额达到峰值的季度,因为当时没有其他人在编程和长程推理模型上追上来,你基本捕获了所有可及市场;现在大家都追上来了,开源模型很强,token maxing正在结束,所有人都在谈论跨模型路由,所以如果没有下一个(大规模工作负载),你就会受损。” 22:08

  • 安全与生命科学被视为潜在接棒领域,但能否达到编程级别的token规模仍是未知数:Jaipuria提出,编程之后的下一个大token工作负载尚不明确:安全领域因攻击者获得模型能力而可能催生防御需求,生命科学和药物发现则是长期方向,但能否出现大量用户每月花费8000至10000美元购买token的场景,目前无法确定。

    “确实存在一个大问题:编程之后会不会出现下一个东西,规模真的能达到编程这么大,可以想象有一大批人每月花8000到10000美元购买token用于那种用例。” 22:48

    “我认为下一个可能到来的是安全领域,关于明年token使用中有多大比例会围绕安全有很多讨论。我认为那可能是另一个方向,某种程度上这些实验室制造了问题,但也提供了解决方案,现在攻击者可以使用所有这些模型并大肆攻击。” 23:25

    “但他们长期谈论很多的是科学和生命科学,也许用这些来开始做药物发现之类的事情,他们也提到了自己拥有的一些湿实验室空间。” 24:10

7. 数据支出近期大幅攀升,RL环境范式正在奏效 25:56

  • 数据支出从约10亿美元年化跃升至20至25亿美元,近期大幅加码:Tanay Jaipuria根据修订版S-1估算,Anthropic此前数据年化支出仅约9至10亿美元,但最近一个季度单季支出约6亿美元,使年化run rate升至约20至25亿美元。这一跳升表明公司正在显著加大对数据获取的投入,而非维持原有水平。

    “我最好的估计是,数据方面的年化支出大约在9亿到10亿美元,我其实觉得这相当小。” 26:12

    “他们最近大幅提高了这项支出,所以今天可以说他们在数据上的年化支出已接近20到25亿美元。” 26:44

  • RL环境与后训练范式正在奏效,推动数据投入持续扩大:Jaipuria将数据支出激增解读为强化学习环境范式有效的信号:Anthropic在多个领域通过RL和后训练持续扩展模型能力,并看到良好结果,因此继续加大对外部运营数据和数据经纪商数据的采购。这说明数据支出不是被动成本,而是scaling策略的主动投入。

    “对我来说,这表明我们一直所处的这种RL环境范式,以及通过后训练和RL在每个领域持续扩展,正在奏效,他们从中看到了好结果,并继续加大在这方面的支出。” 27:08

  • 数据支出占算力比重从约4%升至6%,且未计入内部合成数据投入:数据支出长期约占Anthropic算力支出的5%至6%,上季度从约4%跳升至6%,是值得关注的边际变化。同时,S-1披露的仅是外部供应商支出,公司内部还有可观的合成数据努力被计入训练与研究算力,这意味着数据相关投入的实际规模可能被低估。

    “数据支出长期以来或多或少占他们算力支出的5%到6%,尽管如我提到的,上季度确实出现了跳升,从约4%的算力占比升至6%。” 27:28

    “这里没有体现的是,这是对外部供应商的支出;我猜测公司内部也有相当规模的合成数据工作,很可能被计入训练与研究算力。” 28:06

8. IPO时机宜早不宜迟,流动性对AI生态至关重要 36:53

  • 尽早上市优于等待:适度估值折让可换取确定性:Tanay 认为 Anthropic 应尽早上市,即使这意味着估值降低 10% 至 30%。他指出无限期推迟上市可能引发更多恐惧和不确定性,因此以略低估值(如 1.25 而非 1.5)上市反而更优。

    “我认为,对他们来说,尽早上市肯定比推迟更好,即使这意味着估值降低10%、20%或30%。因为无限期推迟实际上可能引发比以1.25而非1.5(或最终无论多少)的估值上市更多的恐惧和不确定性。” 36:53

  • IPO为风投生态提供关键流动性,支撑下一轮AI投资:Tanay 强调,生态系统中大量流动性依赖于这类公司的 IPO。上市为风投社区和有限合伙人(LP)提供流动性,使他们能够回投下一期基金,进而投资下一批公司,形成AI投资的良性循环。

    “另一个原因,也是这件事最终重要的领域,就是生态系统中如此多的流动性依赖于这些公司的IPO。我认为,这些超大轮融资的持续资金——无论是新实验室还是计算建设等生态项目——也依赖于这些公司真正上市,为风投社区提供流动性,然后流向有限合伙人,再让他们回投风投的下一期基金,从而投资下一批公司。” 37:20

  • 在增长仍然强劲时上市,避免增速放缓引发市场恐慌:Tanay 指出,Anthropic 应趁同比大幅增长时上市,因为风险在于某个月出现环比负增长可能让市场极度恐慌。尽管增长在放缓,但绝对增速仍惊人,因此应抓住当前窗口上市。

    “如果你站在Anthropic的立场,你可能仍想在今年上市,因为你仍在以同比巨大的幅度增长。我认为他们的风险在于,可能会出现某个月环比负增长,那实际上会让人们非常恐慌。所以你想趁仍在增长时上市。” 38:44

    “趁你仍以每月5%、10%、8%的速度增长时上市。人们不会只看到你从10到100,虽然那也会发生,但过去三四五个月增长在放缓。不过对于其规模而言,增速仍然惊人,所以你还是想在那个时期上市。” 39:11

总结

Anthropic的IPO故事揭示了一个核心悖论:极高的资本效率和盈利增长支撑了天价估值,但收入对前沿模型的短暂保鲜期和API用量的可替换性,使其必须持续奔跑才能留在原地。编程工作负载增速放缓,下一个大规模场景尚未明朗,而IPO本身既是融资,也是为AI生态注入流动性的关键一步。对投资者而言,真正的考验不在于当前估值高低,而在于Anthropic能否在模型迭代的竞赛中持续领先,并找到接棒编程的下一个增长引擎。

信息源

视频来源

  • ⚡️Anthropic: Know Before You IPO — Tanay Jaipuria, Wing VC:https://www.youtube.com/watch?v=wX8nDtGIfYA

外部资料

  • Anthropic IPO guide: Everything you need to know:https://www.cnbc.com/2026/11/16/anthropic-ipo-date-price-range.html
  • Anthropic eyes $1.4 trillion IPO valuation in test of Wall Street's AI fervor:https://www.reuters.com/business/anthropic-ipo-raise-much-644-billion-latest-draft-prospectus-shows-2026-11-10/
  • Anthropic IPO: Stock price revealed tomorrow, will begin trading Nov. 19:https://finance.yahoo.com/technology/article/anthropic-ipo-stock-price-revealed-tomorrow-will-begin-trading-nov-19-195110850.html
  • Anthropic IPO 2026 Guide: Price Predictions, Dates, and Everything ...:https://www.zacks.com/featured-articles/761/anthropic-ipo
  • TradeGATEHub:https://x.com/TradeGateHub/status/2123199990608925049