AGENTIC COMMONSAI 產業簡報

繁中EN

主題AI 編程與開發工具出版

返回文章列表

Lovable 年化營收突破 5 億美元,每週新增百萬專案

摘要: Lovable 於 2026 年 6 月 9 日向 TechCrunch 證實年化營收突破 5 億美元,平台專案累計逾 5,000 萬個,每週新增約 100 萬個。公司先在 2 月超過 4 億美元年化營收,三月並揭露單月進帳 1 億美元、員工僅 146 人。文章提醒棄置專案率尚未揭露,難以判斷這些專案是否形成長期替代。

2026 年 6 月 9 日,來自歐洲的 vibe coding 新創 Lovable 向 TechCrunch 證實,年化營收已經站上 5 億美元。官方同時透露,在平台上建立起來的專案總數已衝破 5,000 萬,且擴增的腳步沒有放緩——現在平均每週會誕生約 100 萬個新專案。這家成立未滿三年的公司,正在 AI 應用層寫下最凶悍的成長紀錄之一。

在產品圈眼中,Lovable 儼然成了「SaaS 末日論」這一方的頭號證人:當設計師、業務與創辦人都有本事親手做出工具,還有誰願意續簽一整年的 SaaS 合約?只不過,同一批數字也懸著一道連 Lovable 自己都無從作答的難題——這些專案裡,究竟有多少真正存活下來。

撐起這組數字的成長速度

Lovable 的營收走勢陡到近乎垂直。2026 年 2 月,它才剛剛越過年化營收 4 億美元的關卡;到了三月 TechCrunch 追蹤細節時,又補上一個驚人的數據:光是單月就進帳 1 億美元營收,而當時整家公司只有 146 名員工。換言之,4 億美元到 5 億美元這段距離,Lovable 用不到一季就走完。

把時間再往前推,當初設下的目標甚至更激進。2024 年 8 月,Lovable 曾宣稱有能力在 12 個月內把年化營收推向 10 億美元。這個翻倍速度後來並未成真,但 TechCrunch 給出的評語依舊是「jaw-dropping」:一家 2023 年底誕生、連第三年都還沒走完的公司,營收增速已經達到多數 SaaS 上市公司的數倍。

蓋軟體的究竟是哪些人

Lovable 官方部落格公布過一份使用者調查,指出平台使用者「主要為非技術背景」,而且拿成品去營利或供內部使用的比例持續攀升。這群人的典型輪廓是創辦人、設計師與業務人員;他們做出來的東西則涵蓋官網、電商店面、CRM、庫存系統與人資平台。

跟營收數字本身相比,這樣的使用者組成其實更關鍵。它點出了 vibe coding 平台搶下的不僅是開發者工具的市場,而是整包「買軟體」的預算——這群人過去的答案是刷卡訂閱 SaaS,如今的答案是自己把需求講清楚、自己把應用生成出來。

SaaS 末日論:站得住的證據與撐不住的疑點

TechCrunch 徑直把 Lovable 這批數字接回三月的「SaaSpocalypse」論戰:當業務部門有能力自行做出堪用的 CRM,那些所費不貲的年度授權合約還撐得下去嗎?力挺方的證據持續累積——5,000 萬個專案、每週再添百萬,說明「自己蓋」早就脫離了極客玩具的階段。

不過反方的論證一樣扎實。軟體產業之所以長期倒向「買」,理由從來不是蓋不出來,而是養不起:依賴套件會變動、第三方服務會更替、基礎設施會遷移,長年累積的維護成本,才是企業乾脆直接採購軟體的關鍵考量。至於「vibe coding 蓋出來的軟體能不能活過三年」,Lovable 還太年輕,尚無立場替這個問題交出答案。

棄置率透不透明,才是真正的試金石

TechCrunch 給了一道具體的檢驗題:Lovable 日後願不願意透明揭露「被放棄的專案」——也就是那些較不體面的數字。棄置率若持續偏低,SaaS 末日論便站得住腳;反之,若大批專案做完就丟,那麼 5 億美元的營收速度反映的或許是海量的一次性嘗試,而非能夠累積的替代性需求。無論投資人還是 SaaS 業者,這個數字都比 ARR 更值得放進長期追蹤清單。

參考來源

AGENTIC COMMONS由 PHLEGON LABS 經營
分享X電郵
支持我們

相關閱讀

  1. AI 寫的程式碼過半了,開發職缺卻在漲:資深與 AI 導向職位才是新增的所在

    美國軟體開發職缺自 2025 年 2 月以來增近 15%,但增幅集中在資深與 AI 相關職位,初階人才入口反而收窄。

    AI coding

  2. AI 軟體工廠的關鍵不是代理,而是五道閘門

    從 Sentry、Stripe、Spotify 的公開架構拆解:先建閘門再放代理,才能讓程式碼產出被團隊吸收。

    AI Agents

  3. 維珍航空如何用 Codex 在聖誕旺季前安全上線新 App

    維珍航空利用 OpenAI Codex 重寫手機 App,在聖誕旅遊旺季前上線,達成零 P1 缺陷。本文整理他們在測試覆蓋率、遺留程式碼重構和內部工具開發上的具體做法,以及工程速度超越流程後的新挑戰。

    AI coding