写这篇文章是希望有人可以提出反对观点。希望可以狠狠挑战我……这样如果我发现了自己的盲点，就可以卖掉已经买的CSU。可以避免我亏钱。感谢各位。$CONSTELLATION(CNSWF)$
论点
CSU 是一家持续收购垂类软件的控股公司。它通过将所有利润再投入到低估值的收购中，预计可以做到每年16%-20%的增长（过去10年历史记录应该是19%）。这个持续增长期可以持续很长时间，比如10年或更久。
这样的公司通常估值会比较高。最近的估值倍数却只有18倍归母盈利。我认为合理的估值在大概30-40倍。也就是说有翻倍的空间。
我和市场核心的意见分歧在于AI对软件的影响。市场认为GenAI会影响软件公司的前景。我认为不会。接下来我会简单解释一下CSU的模式，以及我对GenAI的判断。
公司介绍
CSU在价值投资界已经不算陌生了。CFO自己也说最近几年已经没有遇到哪个投资人是第一次发现它的存在了。这个由Mark Leonard/马克伦纳德创立的公司早已经家喻户晓，也导致一直没有太多赚alpha机会。直到最近。
伦纳德是个非传统的CEO。他留着甘道夫那样的大胡子。年轻的时候干过很多活儿，比如保安，掘墓人，除草，刷围栏，杂货店店员，工匠，仓库工人之类的。他说年轻的时候生计所迫，必须得打几份工。到处零散打工的七年时间里他完成了本科和MBA的学位。最后进入了风投行业。
在风投行业的他看到了互联网的机会，但是同时又不喜欢传统VC的购买高增长，并且追求几年内退出的风格。所以他找到了他的朋友，说要创业。他的朋友当时在OMERS任职，所以可以给他提供一笔资金。他当时应该是在1995年拿到了2500万美元。
他很快收购了一家公司。这家公司叫Trapeze，是由另外一个马克（马克米勒）于1988年创办的。米勒就一直经营着这家公司（后来演化为Volaris Group）。米勒也一直是伦纳德的左膀右臂。2025年的夏天，米勒接过了伦纳德的位置，成为了掌舵人。
在早期的时候，伦纳德犯过两个错误，一个无伤大雅，一个给他造成了严重的经济损失。无伤大雅的错误是他们在很早期卖掉了一个公司。我印象中是他们买入了不久就有了可以卖出赚一笔的机会。他们很想来一个开门红，所以就卖掉了那家公司。至今为止CSU已经收购了上千家公司，而只卖过那一家公司。伦纳德说他很后悔卖掉了那家公司，不然的话他们就可以和未来要收购的公司的创始人说他们从来没有卖过公司。了解伯克希尔的大家都知道，对于公司的卖家来说，能找到一个永久的归宿是很重要的。因为公司的卖家大多是小公司的创始人，团队里的30人50人是创始人眼中一起共事了几十年的战友。这个时候创始人很难主动在有了CSU出价的情况下去找PE货比三家。
这里顺便讲一句，CSU内部有一个数据库。记载了很多可能可以收购的公司。他们负责收购的人就会去早早联系这些公司的老板，然后很多年一直保持联系。到了老板退休卖公司的时候就理所应当地先告诉了CSU。我没有任何证据，但是我听说CSU的大部分收购案例，CSU都是唯一的一个买家（不用竞价）。CSU在业内也有着“cheap bastard”（吝啬鬼）的名号。他们的出价永远都很低。
另一个严重的错误是伦纳德在不需要钱的时候进入了一笔注资，给他们造成了比较严重的稀释。我记得伦纳德现在占股可能只有4%左右了。当时的稀释就是罪魁祸首。不然伦纳德可能身价要比现在多得多。引入新投资人的原因也不复杂。当时伦纳德从OMERS拿到投资以后，他的朋友离职了。新来的负责人和伦纳德不是很和睦。所以伦纳德就引入了新的投资人作为平衡。这个决定让他一直挺惋惜的。
CSU的早期就是在寻找增长缓慢但是估值便宜垂类软件公司中度过。所谓垂类软件，就是某个特定行业使用的软件，出了这个行业就用不到。比如地铁的运营软件。只有地铁需要，其他公司都不需要。这样的软件市场规模很有限。而且作为整个业务中的极其微小的一环，它的出错会造成整个业务的停摆。所以很少会有外来竞争者。软件就有很强的提价能力和很稳的护城河。CSU通常都是细分市场的第一或者第二名。垂类里有很高的市占率。
CSU会收购这样的公司，然后让管理者自己运营（去中心化运营）。最多就是大家聚在一起讨论一下经营心得（早期好像叫Constellation Academy？）。管理人员的绩效考核也很简单，大家把赚到的利润上交给母公司。让母公司去继续投资。然后绩效由利润率（资本回报率ROIC）和内部增长决定。这个绩效很妙。因为ROIC代表着利润相对于母公司投入的回报（也就是市盈率），但是内部增长率又保证了管理人员不会竭泽而渔。管理人员每年都要仔细平衡增长率和开支投入（主要是营销和开发成本，本质是投资，但是会作为当期开支）。后期ROIC这个指标有点失真（比如2000年1000万买的公司，成本随着分红降到100万，现在每年利润100万，回报率就是每年100%），他们也做了一些调整。
在差不多十年以后，伦纳德感觉自己没有办法去看每一家公司的运营了。也没有办法仔细审查每一家公司的收购了。所以他这里做了一个很神奇的决定，他决定去中心化收购。这里非常有趣，因为当我们说去中心化管理的时候，我们脑海中浮现出的是伯克希尔那种，子公司每年把利润给母公司。然后母公司不插手运营，但是会统一进行新的投资的模式。母公司每年负责收购的精力是有限的，不可能仔细考察太多项目。所以到最后我们会发现大部分公司的收购数会卡在每年10家左右。但是在CSU，母公司不仅不插手运营，也不插手收购。能做到这一点是有一个很重要的原因的，那就是大部分垂类软件的经营在本质上是差不多的。他们有差不多的成本结构，差不多的客户特征。以至于在看过了一些公司以后，套模版去收购其他的公司其实不太容易出错。所以其实并不需要负责收购的人有很多经验或者很聪明。而在利益一致性上，CSU没有股权激励，但是要求管理人员去拿自己的现金奖金去买CSU的股票。所以在一定程度上达到了利益一致。到了最近，因为CSU已经变得很大了。他们内部也在思考有没有更好的让中高层管理人员可以只为自己相关的事儿负责的可能性。
这样的去中心化导致母公司旗下出现了几个迷你CSU。它旗下有了6个运营集团，其中包括了马克米勒的Volaris/Trapeze。这些运营集团和早期的CSU一样，负责自己旗下公司的运营，还有做新的收购。CSU母公司只需要审批特别大的收购案（所以母公司到现在也只有二十来个人）。后来，随着规模变大，运营集团们也没办法看完所有的收购了。他们又创造了一层新的层级，叫Portfolio Manager（投资组合经理）。PM们会去看所有的投资，也会全球飞，买新公司的时候也和自己的旗下公司交流。我印象中这样的PM大概有三四十来个吧。在未来，可能还会出现新的层级。所以CSU是少见的能极大量地去收购其他公司的公司。一般来说，收购增长的公司一年收购十几个很不错了。CSU有一年我记得是收购了250-300家公司。
这样的分形结构让我一直惊叹不已。不只是思路的巧妙，也很惊讶这样模式可以这么多年一直运作得挺好。毕竟理论设计和实际操作是两码事儿。这样的结构也来自于伦纳德的设计哲学，他认为人类合作的团队是有一个上限的。大概是30-50人我记得。超过这个规模，人类原始的大脑就会进入另外一个工作模式。然后很多大公司病就会出现。
这里我额外再讲一下TOI和LMN。很多人会觉得这两家公司因为更小，所以成长前景更大，值得更高的估值倍数。我感觉提出这个思路的人可能是有一点小样本偏见或者没有完全理解CSU的去中心化收购策略。因为CSU本身就是由几十个TOI和LMN这样组织组成的。分拆出来上市与否其实并不影响未来的增长潜力。单买TOI和LMN这样的小公司可能会有极端的结果。但是期望上来说并不会因为单独上市就更好。当然了，也有很多其他角度的分析，比如LMN的管理层更年期。或者TOI专注欧洲，那边的市场整合度更低。这些角度大概都有他们的道理。我对这两家公司研究不深，不好说。
后来CSU又出现了新的模式，非常有趣。通常来说，他们收购企业的时候，都用一倍或者更低的市销率（考虑到大概20%的利润率，就是5倍市盈率）。但是当他们随着规模增长想去收购大企业的时候，一倍市销率就太低了。卖家可能想要五倍市销率。但是CSU内部对投资回报率有非常高的要求（并且绝对不会降低，他们曾经实验过，降低回报率要求虽然可以带来稍微更多一点的收购数量，但是会拉低所有收购的回报率。我个人觉得是因为回报率要求低了，所以负责收购的人也给了更高的开价，毕竟不是自己的钱）。为了达成交易，Topicus这家运营集团做了一个蛮有趣的设计。他们低价收购了一家大公司，但是同时也IPO了自己，然后让大公司的卖家拿到了一部分的上市公司的股份。这样从Topicus/CSU的角度看，他们投出去了一大笔钱，而且是用2倍市销率投出去的。从卖家的角度看，他的业务2倍市销率卖掉了一部分，然后剩下的部分被市场以7倍市销率估值。所以他平均的估值也有4-5倍。这里做的其实是一个标准的multiple arbitrage（估值倍数套利）。所以我其实不太喜欢，因为当市场不好的时候，他们就没办法继续这样做，大额投资能力就会下降。有很强的反身性。不过还好，只有Topicus和Lumine两家公司采用了这样的策略。这样的策略好的一部分就是这些运营集团或者子公司可以要求员工买自己的股票，而不是CSU的股票，利益会更加一致。
有的时候，有些公司被收购则是因为自己希望变得更好。比如Topicus收购了Asseco 25%的股票。Asseco是一家思路和CSU很类似的公司（他们底下也是子公司嵌套子公司，通过收购增长）。他们希望可以从CSU那里学习到软件公司的运营。到了现在，CSU有上千家子公司。他们每年都会搞一个大会，上千家子公司的管理层会飞到一个酒店。他们会把酒店包下来，然后让上千人在一个周末进行非常密集的会议，比如天8场会，一场一个小时。米勒自己的风格是让大家都带上一个名牌，然后绩效的好坏在这些会议上一览无余。让强者帮助弱者。这些运营思路的分享非常重要。比如CSU常做的事是把公司买下来以后，把软件提价20% - 30%。但是这个提价过程中怎么样和客户沟通，怎么样筛选掉低价值的客户，怎么样让高价值的客户心甘情愿留下来。这些都有学问。
我以前问过CFO，为什么他们会愿意把这些运营思路分享给Asseco。因为CSU对Topicus的拥有权只有30%，Topicus又只有25%的Assecco。那相当于CSU只有7%的Assecco。CSU不怕Asseco把这些运营知识偷走吗？CFO说这个思路没错的，但是他们认为他们投出去了很大一笔的金额。他们觉得这个是划算的。我后来仔细想了想，如果把所有的运营思路当作一个数据库。这个数据库其实是存在一千个子公司管理者的脑子里的。而且数据库每年只开放两天，读写的速度基本就是人类说话的速度。还会每年有小的变化。所以其实很难偷走。另外一方面，可能也说明这个运营思路并不是什么非常重要的东西。并不是泄露了就会影响自己未来的绝密配方。
这边另外再讲一下增长的历史。CSU喜欢看稳定重复的营收，所以他们并不太在乎硬件销售，一次性的永久使用许可销售之类的。他们更在乎每年收的许可费和支持/维护费用。如果我们看总营收，内生增长率是2%（也就是说剔除掉收购新公司带来的营收，增长率是2%）。如果我们看重复营收，内生增长率是4%。我曾经很担心一个事儿，就是如果他们收购一家公司，然后未来一两年大幅提价，那这批新公司的内生增长率会很高。类似于超市如果开店扩张快，同店营收增长率会被新店拉高（新店头两年的同店营收增长速度会很快，然后成熟以后会停滞）。CFO说他们做过内部研究，如果去掉收购的新公司，内生增长率反而会更高。这一点我其实保持健康的怀疑。但是至少我和CFO开的几次会里看，他是个相对保守的人。
我和他看法唯一不同的是他认为他们有4%的市占率，我认为有8%。这个是我一直没解开的问题。我也没被他说服。我是用他们的营收和Gartner全球垂类软件市场规模算的。他是用他们自己内部跟踪全球软件公司的数据库算的。我觉得目前市占率4%可能过于乐观了（虽然我也同意是长坡厚雪，但是我觉得坡没那么长）。
他们公司的文化就是很保守的。这里不得不提回一句伦纳德。他坚持不给薪酬激励，应该是和巴菲特学的。他们在股东大会上也经常讲到巴菲特。这让他们2010年左右在加拿大的价值投资者圈子就很出名。Edgepoint的明星基金经理帕斯特好像就在2012年左右给伦纳德写过邮件，伦纳德说从价值投资的角度来，CSU的公司的估值已经不像以前那么便宜了。那时候的CSU的股价是100块一股。现在2026年，CSU的股价是2500块一股。
顺便一说，帕斯特2018年来我所在的大学俱乐部演讲。也是第一次让我知道了CSU这家公司。帕斯特在一两年后加入了CSU的董事会。最近也成为了Computer Modelling Group（CMG）的董事会主席。有兴趣的小伙伴也可以看看CMG。他在董事会这件事情，让我对CSU相对更有信心了一点，虽然他也不会去做审计，但是在一定程度上降低了财务造假的可能性。CSU IPO的时候就只是为了投资人退出，自己没有募资（除了借债）。中途还发过几亿的分红，收购的也有不少大的上市公司。但是这么多的子公司，其实结构非常适合造假。所以还是要多留一个心眼。
伦纳德的人品让我佩服的是他说过的一句话。他说他不会回购股票，只会分红，因为这里有一个利益冲突。拥有公司大量股票的管理层完全可以通过释放悲观消息来打压股价，然后低价回购，让自己的股权增多。我觉得这样激进的观点很难被一个伪君子发自内心地说出来。我从来没有在其他任何管理层那里听到过这样的思路。我自己看到以后也不理解，是把自己放在他的位置上，过了好久才明白的。
伦纳德在2010年代后期就进入半退休的状态。他不拿工资。只是为了自己的股权增值而工作。他主要做的是三个部分的工作。第一个是研究CSU变大以后的新的激励机制。第二个是研究垂类软件之外有没有可以进入的行业。第三个是利用一千多个公司做科学实验（更改一批公司操作流程，看看有没有显著的经济效益）。第三点的效果怎么样不知道。但是可惜的是前两个没有什么结果。好在也没有什么损失，就是伦纳德带着两三个年轻人在那儿研究。好像后来那些年轻人走了，自己创业去了。
其实这里就显示了一个很大的问题，就是有越来越多的模仿者。在CSU干收购，赚得肯定没有自己单干赚得多。现在CSU做大了，里面的人出来单干也不难。所以其实能看到很多这种模仿者。这也是每个行业都会遇到的情况。这里面有两个问题，第一个是在持续整合的时候，会出现更多的竞争对手，收购估值会上升，回报率会下降。CSU必须降低对回报率的要求，或者减少投资的数量（现在是利润100%可以拿去收购）。这种竞争是无法回避的。
那么CSU未来的增长还有多久呢？我做了一点简单的跨行业研究，其实这种“低价购买零增长小垄断企业”的整合经常出现。具体来说，我看了Thomson （小镇报纸整合），SCI（墓地整合），Airgas（工业气体整合），Waste Management（工业和居民垃圾处理），Caliber（修车店整合），Lamar（户外广告牌整合）。它们的整合程度其实会随着时间的推移提高。根据我看到的数据，我的预测是垂类软件在2035年的时候的整合会基本结束。CSU在这个期间会保持18% 的增长。（行业本身保持8%的增长）。这个假设其实就是2025年股价5000的时候的市场的假设。所以其实这个研究的本身也没有什么和市场不同的洞见。
2025年的夏天，GenAI取代软件的论调开始被更多人提起（即使很早就出现了）。CSU决定举行一个问答会来回答大家的问题。投资人和行业分析师都挺期待的，因为CSU从来没举行过问答会。也没有季度业绩会。一般就是股东大会和大家聊聊。所以金融界的大家还是有点期待的。后来问答会上其实还是老生常谈。说没看到AI具体的影响，我们在努力尝试，没办法预测未来之类的。所以其实当时股价就跌了。一周之后，伦纳德突然卸任。大家多少都觉得和AI有关系。所以股价跌了很多。虽然大家知道是健康问题（传言说得比较具体但是我这里就不复述了），但是多少会觉得和AI有关系（毕竟隔壁NFI的CEO得了动脉瘤还在努力工作）。
到了2026年，软件公司又因为AI出现了一次大跌。这一波里可能出现了很多机会，但是我想挑CSU下手。毕竟关注了8年，股东信读了又读，有点白月光哈哈。学习成本比较少，也不需要买到最便宜的公司（类似我2024年买百度。所有中概股都很便宜，但是我最了解百度，就买了百度。过后看阿里果然涨得更好。但是没办法，我又看不懂阿里。）
AI的影响
这是敢逆着市场判断买软件的根本。但是我先明确一点，我不认为有任何人可以有确定性地预测科技发展的未来。如果我能够预测AI可以在2028年达到AGI。那我就必须知道AGI的运行机制和达成机制的前置条件，那我其实在2026年就已经发明了AGI。这个来源于波普尔对历史决定论的批判。但是在实际应用中，放弃对历史的归纳等于闭上眼睛走路。所以只能说我一切的推演和预判都不一定对。
最早当业界说AI取代软件的时候，大部分人脑子里的画面是无限充裕的智能取代了人类员工，而软件是按使用者卖的（比如一个使用者每年5000美金）。那客户那边员工人头数的减少就会降低软件公司的营收。随着时间的演变，多模态的成熟，在2024年变成了这个业务用ChatGPT能不能做。拿大家比较熟悉的交易软件来说，有没有可能让ChatGPT自动帮我交易，我只需要给一个大概的方向，然后它可以自动交易所有的账户（机构投资者可能要独立管理几十个账号），做所有的杠杆/合规管理，处理月末报告？这样的想法在2025年逐渐变成了对AI颠覆现有软件逻辑速度的顾虑。假如说有一个新的创业公司，它用AI写软件非常快，并且它的软件还有更好的AI功能（比如用AI帮忙做更多的自动化），那这种更便宜，更好的软件会不会取代前一代的软件？
我认为会，但是这种取代会是在漫长时间里渐渐完成的。这种取代的核心驱动力是公司体系对企业家精神的剥削。首先，所有的成果的产出都是需要人力资本的。如果你是一个有能力的人，在公司内部创业的奖励不及自己创业的百分之一。但是失败的后果可能同样严重。所以这种不对称的机制会让有风险承担能力的人和有新点子的人出来自己单干。那么大公司面临流失的人力资本，能做到的创新自然会变少。但是这种取代的过程会很漫长，这个漫长的时间会给好公司适应和保持领先的机会。也会额外给CSU学习GenAI主导的软件公司的机会。CSU本质上是一个投资公司，所以只要他能保持20%的投资回报率，那么其实它今天有什么公司并不重要，我们买的是它十年以后的投资组合，而不是今天的（今天组合的和十年后的组合只能说因为路径依赖的原因，是强相关的）。
所以我们要讨论的就是这个革新的过程为什么是漫长的。认为有以下两个角度：
第一是工作量并不因AI编程大幅减少。本质上来说一个软件的编写需要软件开发的时间和客户的时间。AI编程只能减少软件开发的时间，不能减少客户的时间。
目前来看，所有商用软件的本质都是通过逻辑进行硬编码，从而自动化一部分的工作流，提高员工的工作效率。大家都能明白这一点，但是非业内人士很难理解其中庞大的复杂程度。有一个广为流传的梗：“鲍勃是当年写这段代码的人，只有鲍勃知道这段代码是为什么要这样工作的，现在鲍勃离职了，所以整个公司没一个人能解释清楚了。”
我可以举一个我以前见到的例子。有关于一个股票交易系统，算是垂类软件的一种。这个软件每次买完股票以后会分配给所有参与购买的账号。然后用户发现一个问题，有一个账号总是比别的账号先交易完。别的账号今天只交易完了10%的股票，但是这个账号总是第一天就完成了它100%的单。这个在合规上明显是有问题的。在用户联系了交易系统的软件开发公司后，他们发现了以下问题。
首先，即便是同一个投资人，管理的不同的账号体量差距很大，有的账户要买10000股，有的账户只要买10股。那么买10000股的账号的买卖单位就可以使用默认的100股一手。而买10股的账号就只能1股1股买（国外市场允许这样）。这个是每个账户最小交易单位在交易软件里的设定。
其次，当日购买的股票是统一交易，然后在收盘后进行分配。分配逻辑如下：首先计算每个账户应该按比例分配到的总股数。在我们的例子里，假如我们只有两个账户，一个要买10000股（交易单位100），另一个要买10股（交易单位1股），总共就是10010股。我们在市场上假如今天买了1000股。那么总订单完成了1000/10010=9.99%。那么第一个账户应该得到10000股*9.99%=999股。第二个账户应该得到10股*9.99%=0.999股。
系统具体的计算过程为分配999股给大账户。因为交易单位为100股，所以向下取整为900股。分配0.999股给小账户，因为交易单位为1股，所以向下取整为0股。剩余未分配股票为100股。系统处理剩余未分配股票的逻辑为：找到完成比例和目标比例相差最大的账户，并且将所有未分配股票分配给这个账户，如果还有结余，就把剩下的结余全部分给相差第二大的账户，以此类推。
此时大账户目标完成度9.99%，实际完成度900/10000=9%。小账户目标完成度9.99%，实际完成度0/10=0%。所以100股会全部分配给小账户。小账户只需要10股，所以剩下的90股全部给大账户。这样一来，本来应该小账户拿1股，大账户拿999股，结果变成了小账户拿10股，大账户拿990股。
其实设计的思路是完全没有问题的，向下取整是为了避免股票不够分的情况。而全部把结余股票给一个账户，则是假设在所有账户分完自己的份额以后，结余的股票只是一个非常小的数字。这样做可以避免复杂的计算带来其他的漏洞。
但是在实际的应用中，有很多大小迥异的账号，每个账号还会为了照顾审批人员设置不同的交易单位。所以看似合理的设计就有了意想不到结果。这种被称为边缘案例。金融业很多人可能会认为软件就是硬逻辑堆出来的不同的功能。但是其实软件很大一部分则是在十多年的时间里和很多顾客沟通。每年解决大量的这种边缘案例/特殊情况。通过微调逻辑的方式去保证软件在正常情况下和已经发现的边缘案例/特殊情况下都能达到预期的效果。不仅要做对，而且要高效低延迟地做对，要安全地做对，要稳定地做对。而且要和其他复杂的IT系统合作（比如会计系统，库存管理系统，营销系统等等），并且符合监管者对业务流程的规定。这是一个软件公司和客户在过去几十年里共同投入大量时间资源做到的事情。对于标准化的软件来说，一个改动会惠及所有客户。
这个问题在其他很多场景都会出现。本质上也是一个有一定哲学性质的问题。硬逻辑编码的问题在与它永远不完美契合现实世界的情况。永远会有边缘案例/特殊情况。所以我们不仅在软件行业看到这个问题，我们也会在其他行业看到。比如法律的明文规定永远有漏洞，或者生物分类学的分类永远不完美（因为离散系统很难解释连续系统）。
所以其实可以把软件想成一本笔记。是软件公司和客户多年来共同打磨的，尽可能记载和模拟现实工作流的笔记。大量问题的答案被高度抽象地记录在了代码里。但是问题本身并没有被记录。所以看到代码的人只知道这样做是对的，而不知道不这样做为什么是错的。所以除非直接照抄代码，不然没有办法做出好的软件。
这是一个巨大的工作量，而且同时需要软件公司和客户的时间。这是一个双边的网络效应。AI代码只解决软件公司的开发成本（目前只节省大概20%的人效，以后可能会进步更多）。但是并不会让客户愿意放下手中的工作来打磨一款新产品。具体体现出来，就是新产品用不了，不好用，容易出错。容易因为省小钱丢了大生意。这也是传统上软件公司定价权的来源。AI写代码并不能解决这个问题。
第二个角度是AI处理自然语言的能力可以做到传统硬逻辑做不到的事情。这个角度非常正确。比如人工客服这种事情，基本没有办法用硬逻辑处理（因为全是边缘案例）。传统的软件最多帮客服分流一下致电客户的需求，然后记录一下客服的表现指标。但是现在有了AI就可以做到从头到尾没有人类参与解决相当一部分的电话。
这个过程里，因为之前没有类似的产品，所以客户无论如何都需要花这个时间和某一个软件公司沟通讨论现实里具体的实施细节，所以老牌软件公司在这一块并没有太多的护城河。
但是我们要明确一个问题，就是这个部分只适用于和传统业务关系不大的增量市场。打个比方，一个供应链管理软件目前可能只是根据需求预测去调配生产原料的采购，仓储和运输。有了AI，可能会想用AI来代替人类处理供应链中的意外情况（比如仓库起火，运输延误等等）。但是这一块的新业务及其依赖供应链管理软件在需求预测，仓储管理，运输管理本身的数据。如果有一个新的，第三方的软件公司想进来只做AI管理突发供应链事件，那应该如何获取这些数据？理论上客户拥有自己的数据。但是怎么具体实施呢？总不能让原有的供应链管理软件直接开放客户的云端数据库实例给其他第三方软件吧？还是说每次都手动下载数据到一个excel表里，然后手动上传到第三方软件。（顺便，大部分人可能会惊讶于供应链管理的落后，相当多的公司还在用excel来管理供应链。）
另外从个人的角度来看。假如你是一个公司的供应链管理领导（CSCO）。你应该每年都会被你现在的软件销售带出去吃喝玩乐。现在他要推一个看起来不错的服务，然后另外一个创业公司也在推荐一样的服务。你会买谁的？假如你想买创业公司的，好的。那先给你们公司的首席信息官CIO仔细解释一下为什么要增加系统复杂度，买一个额外的软件再整合到现有架构里。再给CFO计算投资回报率。再上董事会和给CEO解释为什么需要买一个新的软件（他们完全听不懂你在说什么，而且只给你十分钟时间，你还要去做市场调研做调查或者招标）。最后通过了，你要让你手下（包括十年内就要退休的中年人）花很多s时间来学会使用这个新系统（有全新UI和设计理念）。如果你买原公司的附加功能。这里面有很多麻烦都可以省掉。
至于AI取代硬编码。我觉得是很难的。所以适合硬编码的需求也会持续带动硬编码增长。比如我用硬编码的程序去买股票，我可以99.9999999999999999%保证我输入100股我就会买入100股（有0.0000000000000001%的概率我因为宇宙射线影响硬件买入1024股）。但是用GenAI，短期内还很难看到有达到一样准确率的概率。而且换成AI对于整个过程毫无提升，反而打一大堆字让效率更低。直接用图形用户界面更好。而且现在很多问题哪怕给AI，AI也是调用工具利用硬编码解决的。用逻辑比用统计的好处就是可复现，可审计，稳定可靠。更别说目前来看成本也更低（因为同一个逻辑只需要程序员写一次，就可以多次复用。但是不排除未来的AI智能便宜到发指的地步，单次使用也更便宜）。
所以哪怕人才都外流，老牌公司在未来几年也有一战之力/拖延之力。我相信最后的结果是一大批公司逐渐被挤到市场边缘。但是这个过程是需要时间的。
有人会说转换成本高，但是新成立的公司在采购软件的时候是不是更倾向于买AI生产的软件？是的。但是除了转换成本，之前说到的两个优势：市场足够小，以及产品需要顾客和软件公司一起打磨。这两点会让进入这个市场的人很少，而且他们的产品质量也不够高。
有人可能会说当AI让成本降低很多的时候，营收必然会下降。我觉得这个说法有一定道理。尤其是在充分竞争的市场（CSU有不少市场可能不是充分竞争）。但是降低成本以后呢？通常我们看到的是添加更多功能，自动化更多工作流。人类偷懒/省钱的本质会让工作一直被自动化，而人类想要更美好生活的本质会让顾客永远面临更新的需求。
还有一种极端情况是AI直接完美取代人类。所有的人类都不用工作了。在这种情况下，AI依然要用底层的软件去完成很多工作。这可能反而是软件公司能遇到的不错的情况，因为所有的工作都需要用软件来完成。当然也可以说AI自己能自己写自己需要的软件（我们现在也看到很多这种情况），因为AI不需要图形界面。这是可以的，但是需要很多工作量，而且新软件肯定很多错误，需要不断打磨。经济帐上未必能算得过来。而且能用的东西如果换掉出错了，谁背锅呢？AI公司自己大概率只背很有限的锅。
我这里再稍微做个小预测。大家讨论问题说的都是未来技术进步以后的AI取代软件。所以假设的是技术进步以后AI的能力可以基本取代人类的工作成果。那么我认为有一个关键指标可以判断什么工作会先被取代。这个指标就是一个比值：验证一个成果的成本比创造一个成果的成本。这个比值越小，就会越先被取代。比如写一款前端软件。一个简单的软件，十几个交互按钮。试用这款软件可能只要一个小时，但是写出来可能要五天四十小时。这个时候的比值就是1:40.就是会很早被取代的东西。相反假如是做价值投资，验证一个投资论点的成本比找到一个投资论点的时间其实区别小很多。比如我需要一周来验证一个投资论点，但是只需要四周就可以自己找到一个投资论点。那比值就是1:4. 价值投资找论点就是相对会晚一点被取代的工作。这个成本也不一定是时间，也可以是犯错成本。我觉得这个指标很重要，因为它同时涵盖了效率提升和可靠性这两点。
最后我还是想强调一下CSU的特别之处。它本质是一个投资公司。在买公司的时候，我经常问自己，重要的是生物质还是基因。有些公司重要的是它手上现有的资产，业务，现金流。这些东西更多意义地决定未来10年的公司表现。有些公司我们买的是基因。买的是被不断复制的模式。如果CSU真的每年增长18%，那么10年后，有80% 的业务都会是新收购的。这个情况下，现在的公司反而不那么重要。当然了，生物质和基因是相互依存的关系/相乘的关系。如果明天这些公司都破产了，那CSU也没有10年后了。CSU的独特之处在于它有一个成熟的收购体系，所以它的转型相对会更加容易。这是其他公司没有的一点。
CSU通常不会要求子公司去做什么事儿。哪怕当年云服务兴起，他们也对子公司放任不管。但是这次他们还是有一些自上而下的AI项目的。想让子公司多研究一下AI。所以看起来态度不错。
我目前看到的就是大部分公司（软件，IT服务公司）都在努力找GenAI相关的营收或者投资。但是在应用层，很少有纯GenAI的收入。大多最多就5%-10%。AI编程方面，一般都说的是20%的人效提升。但是很明显AI行业一天一个样，很难说最后会怎么样。只能说目前我的判断还没有被证伪。
估值
如之前所说的，我认为没有办法估计AI对软件业的影响（影响时间，幅度，概率都有很广的概率分布）。我内化它的感受是“AI对CSU的影响不是很关键”。“不是很关键”的意思大概是最多10%-20%的估值下降。
如果完全不考虑AI。我认为CSU正在以合理价值50%的价格在交易（现在一股大概2500）。假设的是
10年增长18%。
期末估值倍数15倍。
贴现率8%。
2026年的归母调整净利润大概是30亿。
（Topicus那块儿比较复杂，但是大概的归母利润占Topicus总利润30%。Lumine大概归母是60%。）
我们考虑一下悲观一点的情况。假如我们用0%内生增长率，10年增长16%，贴现率10%，期末估值倍数10倍。那正好可以达到现在的估值。也就是说在这个价格下买入，假设软件被AI影响导致0增长。那也有一年10%的回报。
风险
风险点在什么地方呢？
认知上最大的风险就是我对它旗下公司的具体业务的了解非常小。它的规模已经到了一个我不能也没必要一家家去研究的程度了。所以可能他们的护城河/客户的脆弱性比我想的要糟糕。网上流传的他们公司涉及的行业列表我放在了文章最后。
亏钱的场景，第一个是AI快速颠覆软件行业。让CSU反应不过来。
第二个是大的经济萧条让内生增长较长时间变成负数（但是可能也可以帮到收购倍数。通常来说小企业主不会在经济不好的时候割肉，但是私有化收购已经上市了的公司的机会可能变多）。
第三点是在未来十年内提前撞到收购增长的天花板。
总得来说我觉得机遇大于风险。假如AI和收购都不顺利，CSU失去所有的盈利增长（但是假设也没有下跌），单是手上的公司，估计也有12倍的估值。那就是继续下跌30%的风险。我感觉这种情况概率很小。而且下跌30%比起上涨100% 也是不对称的风险和收益。
我的相关
我有大概三分之一仓位购入CSU。但是短期也可能换去另外一只类似的股票（还在研究）。
这应该是我大概5年来第一次买新公司。工作方面，最近从价值投资基金辞职去做AI应用创业。
很多细节都是我凭记忆写的。所以可能不准确。
仅供思路分享，不构成投资建议。
