原文標題：《AI 採用進入工程化時代，超大 CSP 新的機遇及挑戰，AI 商業化進程評斷標準新體系》
原文作者：qinbafrank，市場分析師

編者語：本文作者為市場分析師 @qinbafrank。AI 正在從「模型競賽」邁向「商業化競賽」，隨著企業開始大規模部署 AI，市場關注的焦點也正從模型能力，轉向收入質量、企業 ROI 和資本回報。本文嘗試構建一套全新的 AI 商業化分析框架。「後記」為作者轉發本文時所寫，其中包含不少對近期科技巨頭財報和 AI 商業化的延伸思考，具有較高參考價值，因此編輯部將其調整至正文前，供讀者閱讀參考。

後記

超大 CSP（微軟、亞馬遜、谷歌、Meta）的財報是 7 月市場的第二道分水嶺，市場擔憂和關心哪些點？他們的重要性在後文裡聊到的，超大 csp 的業績已經是衡量 AI 商業化關鍵指標（權重能和大模型 ARR 一致）。核心還是看 AI 需求的增長速度、收入質量和單位經濟，能否趕上資本支出、折舊、能源成本和融資需求的上升速度？簡單說就是 AI 商業化兌現速趕不上 AI 資本投入和成本增長速度，大科技的自由現金流也會擺上臺面。聊聊我的思考。

1、市場擔憂大致可以拆成四層

1）高預期和擁擠交易

市場已經把未來若干年的持續 Capex、晶片需求和雲增長部分計入價格。幾家大科技公司 2026 年合計 Capex 約 7300 億美元。只要財報「很好但沒有繼續超預期」，擁擠的半導體、存儲、數據中心和電力交易也可能下跌。但不能簡單說整個大科技板塊都已經計入「很多年完美預期」。微軟、Alphabet、Amazon、Meta 還有 Office、搜索廣告、電商、社交廣告等龐大非 AI 現金流。真正最容易計入多年預期的，通常是收入與 AI Capex 高度綁定、且周期彈性更大的供應鏈公司。

近期的去槓桿讓這種高於其和擁擠交易的程度減輕了很多。

2）資本支出、折舊和自由現金流錯配

收入可以立即增長，但數據中心、GPU、供電和網路帶來的折舊會持續多年。當前市場開始從「誰花得最多」轉向： 誰能讓新增容量最快進入付費利用，並產生足以覆蓋折舊和資金成本的毛利。亞馬遜第一季自由現金流轉負、微軟 Cloud 毛利率受到 AI 投資壓力、Alphabet 明確提示折舊和能源成本上升，說明這個擔憂並非純粹情緒。

3）市場同時擔心「Capex 太多」和「Capex 被削減」

這並不矛盾，因為影響對象不同： 對 CSP 股東而言，無回報的 Capex 增加是負面； 對晶片、存儲、數據中心和電力供應鏈而言，Capex 削減是收入負面。

因效率提高而減少 Capex，同時保持收入和容量，是正面； 因需求減弱而削減 Capex，則對整個 AI 產業鏈都是負面。

所以市場真正關心的不是 Capex 絕對增加還是減少，而是： 每一美元新增 Capex 能帶來多少可持續毛利和自由現金流

4）AI 商業化的收入和投資周期存在時間差

當前雲端 AI 需求很強，部分 CSP 仍然受容量約束，但企業大規模從試點轉向生產、續約和擴張，需要更長時間。市場擔心的是，在折舊和融資成本率先進入財務報表之後，企業 AI 收入能否足夠快地接上。此外，利率、能源價格和宏觀風險也會影響長久期科技資產，不能把所有回撤都歸因於 AI。投資者同時在「AI 基礎設施被低估」和「投入過多、過早」兩個敘事之間反覆搖擺。

2、什麼能夠真正扭轉市場情緒

單純發布更多模型、公布更多 Token 數量，或者再次上調 Capex，都不足以消除擔憂。市場需要看到一條連續的證據鏈。

第一，AI 收入具有廣度，而不是依靠少數戰略客戶

必須看到企業客戶數量、生產工作負載、付費席位、續約和每客戶消費同步增長，並且剔除 OpenAI、Anthropic 等少數超大合同後，需求仍然強勁。

第二，AI 毛利額增長快於折舊和運營成本

允許短期毛利率下降，但新增 AI 毛利額必須明顯超過新增折舊、能源、網路和人才投入。最好能看到單位推理成本下降，同時總毛利額持續提高。

第三，backlog 能夠轉化為近期收入

僅有三年、五年的大型合同不夠。市場會更看重未來 12—24 個月收入確認比例、消費超過初始承諾的程度，以及新容量上線後的即時利用率。

第四，自研晶片和模型優化帶來可驗證的經濟收益

市場需要的不只是「Trainium、TPU、MAI 更便宜」，而是： 自研晶片占比上升、 每 Token 或每成功任務成本下降、實現價格下降幅度小於成本下降幅度、每加速器小時毛利提高、客戶消費總額和平台附著收入繼續增長。

第五，自由現金流谷底變得可見

市場要看到： Capex 增速開始可控、新增 Capex 有合同需求支撐、經營現金流增長能夠覆蓋越來越多的資本支出、回購和資產負債表不會長期被擠壓、折舊高峰和投資回收期能夠被解釋清楚。自由現金流是否轉負只是表象，市場真正交易的是轉負的原因、幅度、持續時間，以及未來能否恢復。

第六，企業客戶能夠證明真實 ROI

最有力量的證據不是模型評估或 Token 數，而是客戶披露：收入和轉換率提升、人工和處理時長下降、 從試點進入生產、續約和擴大部署、 全部 AI 成本計入後、投資回收期仍然具有吸引力。

對二季度財報最理想的「金髮姑娘組合」市場最希望看到的是：

雲和 AI 收入高於預期 + 利潤率大致穩定 + backlog 開始轉化 + Capex 沒有意外失控，或新增 Capex 明確對應已簽約需求 + 自由現金流不再惡化。

反過來，最危險的組合是：

Token 和使用量大漲，但每客戶支出、毛利和自由現金流沒有改善；RPO 增長依賴單一戰略模型公司；Capex 再次大幅上調，而利潤率和收入指引卻下降

前言

最早是 7 月 6 號看到了 Coinbase 在 AI 上工程化實踐，讓我開始深度思考和研究企業在未來採用部署 AI 的過程中會出現什麼的趨勢變化，上週寫兩篇：

CSP（雲服務商）部署性價比高的開源模型並轉售 Token 的意義：

來超大 CSP 的業績表現將會衡量 AI 商業化更重要的指標和價值重塑：

沿著這個思考進一步去深化擴展，就形成現在的這篇長文，更詳細地聊聊個人的邏輯和想法。

一 分場景、多模型，企業採用 AI 進程進入工程化階段帶來的變化

1、分場景：企業不會再問「哪個模型最好」，而會問「這個任務應該用哪個模型」

未來不是「專項高性價比 Token」，因為 Token 本身只是計量單位。真正被專項化的是：模型；推理策略；上下文與數據；工具呼叫路徑；硬體與服務方式；安全和人工複核機制。

企業選擇模型的目標函數將從單純追求模型能力，變成：

任務淨價值 = 任務成功機率 × 業務價值 − 推理及執行成本 − 錯誤與風險損失。

由此會形成四類典型場景：

例如，郵件分類、摘要、字段提取、初步客服分流、程式碼格式檢查等任務，對模型能力的邊際要求較低，卻具有呼叫量大、價格敏感的特點。這類任務會逐漸遷移到小模型、開放模型或 CSP 自研性價比模型。

而複雜程式碼生成、重要合同分析、科學推理、戰略研究、複雜 Agent 計畫等任務，模型準確率提升幾個百分點可能對應很高的業務價值，因此仍願意支付前沿模型溢價。

2、企業採用 AI 越深入，越需要專有的 AI 系統

無論前沿閉源大模型使用了多少公共、授權或合成數據，它通常都不掌握某一家企業的實時數據、內部規則、組織權限和隱性經驗。大企業更需要的是「私有 AI 邊界」，包括數據不被用於訓練、私有網路、專屬租戶、權限隔離、數據駐留和可審計性；只有一部分場景必須真正本地化或隔離部署。

企業真正缺少的不是一個「讀過所有企業文件」的模型，而是一個能夠在正確權限下，調用正確數據，並按企業規則採取行動的系統。

企業私有數據需要分四類處理：

而「經驗型數據」是企業 AI 最難的資產，經驗並不天然以數據形式存在。它通常分散在：老員工的判斷中、郵件和聊天記錄中、被否決但未記錄的方案中、異常事件處理過程中、人工覆蓋系統建議的動作中、客戶投訴和事後複盤中。

要把這部分經驗轉化為 AI 資產，企業必須建立：

原始經驗 → 任務樣本 → 專家判斷 → 正確與錯誤標準 → 模型評估集 → 反饋和後訓練

因此大企業的護城河不是簡單的「擁有很多文件」，而是：

能否把隱性知識轉化為機器可學習、可檢索、可評估、可執行的組織上下文。

這也正是為什麼企業 AI 越來越需要 FDE、數據工程師、領域專家和業務負責人共同參與。

而上面聊到這麼多都指向了一點：

企業採用 AI 正從「購買最強模型」進入「圍繞私有數據、業務流程和多模型系統進行工程化部署」的階段。

二「複合 AI 系統」到「中間層」崛起

1、多模型、多模塊：AI 產品將從「模型調用」升級為「複合 AI 系統」

未來企業生產級 AI 系統通常不會只是一個模型 API，而是由多個模塊共同完成工作：用戶請求、身份與權限、場景識別、數據和上下文獲取、模型路由、模型推理、工具/API 調用、結果驗證、風險控制、人工復核或自動執行、監控和持續評估。

這裡的「多模塊」比「多模型」更重要。因為企業最終購買的不是模型本身，而是一個能夠可靠完成業務任務的系統。

為什麼企業會走向多模塊？

1）單一模型不可能同時在質量、成本、速度、隱私和穩定性上都最優。

2）模型本身並不了解企業實時數據、權限體系和業務狀態。必須通過數據層、檢索層、工具層和系統連接器取得上下文。

3）生產環境需要可審計、可回滾、可監控。模型輸出不能直接等同於業務執行。

4）模型更新頻繁。企業必須把業務邏輯與特定模型解耦，避免每次模型變化都重寫整個應用。

MCP 等開放協議的出現，就是在試圖標準化模型與數據源、企業工具之間的連接方式，減少每個模型分別開發連接器所造成的碎片化。

但多模型不等於模型數量無限增加

每增加一個模型，企業都會增加一組隱性固定成本：安全審核、法務與知識產權評估、數據駐留審查、質量基準測試、模型更新後的回歸測試、運維和故障處理、供應商管理。所以最可能出現的組織形式並不是「每個團隊自由選擇幾十個模型」，而是：

中央建立有限的合規模型池、統一數據與安全控制面；各業務部門根據場景調用不同模型。

這帶來的趨勢就是：底層基礎設施逐步集中，場景創新則分散到業務部門。

2、中間層價值崛起：成立，但必須區分「控制權」與「獨立商業價值」

未來中間層大致可以分為六類：

哪些中間層最容易獲得價值

最有可能長期捕獲價值的，不是最薄的模型包裝層，而是控制以下一種或多種稀缺資源的平台：

1）企業數據和上下文：能夠合法、實時、按權限調用企業數據。

2）身份和安全：決定 AI 可以訪問什麼、可以替誰執行什麼。

3）業務工作流：掌握任務入口和執行閉環。

4）跨模型評估數據：積累真實生產環境的質量、成本和風險數據。

5）分發能力：已經擁有大量企業用戶或系統入口。

數據平台、雲平台、安全平台、ERP 和行業軟件廠商因此具備天然優勢。

微軟披露，其 AI 客戶越來越多地同時使用 Foundry、Fabric、Cosmos DB 和安全治理服務；Google 也強調 AI 使用推動 BigQuery 和數據工作流增長。這說明 AI 模型調用可能成為數據庫、分析、存儲、安全和 Agent 執行時等服務的客戶入口

哪些中間層容易被商品化

以下中間層雖然有使用價值，但未必能形成獨立利潤池：

· 簡單 API 聚合；

· 沒有專有數據的模型路由；

· 通用 Prompt 管理；

· 沒有業務閉環的基礎 Agent 編排；

· 只在多個模型之間轉發請求的薄層產品。

原因是 AWS、Microsoft、Google 等 CSP 本身可以將這些功能作為雲服務免費或低價捆綁；大型應用廠商也可以把它們內嵌到現有產品。

所以更準確的判斷是：

中間層的戰略重要性必然上升，但中間層獨立廠商的總價值未必同比例上升。

中間層可能成為 AI 產業的「操作系統」，但最後獲得經濟利益的可能是：CSP、數據平台、安全和身份平台、擁有系統記錄的應用軟件公司、少數具有跨雲中立性和專有生產數據的獨立中間件廠商。

跨雲中立性會是獨立廠商對抗 CSP 捆綁的重要優勢。大型企業通常不願把模型、數據、評估和治理完全鎖定在同一個雲平台，因此獨立中間層仍有空間，但必須提供超越「簡單調用模型」的能力。

三 多模型時代，超大 CSP 會不會成為堅實中間層

1、CSP 部署開放模型和自研性價比模型，會帶來什麼變化？

變化一：模型調用從單一供應商採購，變成模型組合管理

企業不再只與一個模型廠商深度綁定，而會維護一個模型組合：

· 前沿閉源模型承擔能力要求最高的任務；

· 開放模型承擔可標準化和可私有化任務；

· CSP 自研模型承擔高頻、成本敏感任務；

· 企業自有模型承擔高度專有、數據敏感任務。

CSP 成為模型組合的入口和路由器。模型廠商爭奪的不再只是客戶，而是模型在路由系統中的任務分配份額。

新的模型競爭指標因此包括：被納入多少企業合規模型池？在路由器中獲得多少請求？獲得的是高價值任務還是低價任務?

變化二：模型價格下降，但總 AI 支出未必下降

模型變小、快取增加和上下文壓縮會降低每任務 Token 和每 Token 價格；但成本下降也可能激發更多使用場景，使任務量大幅增長。

變化三：CSP 收入來源從模型抽成擴展到全棧附著

即使開源模型不產生高額模型授權收入，CSP 仍可以從以下環節收費：GPU、TPU 和自研 ASIC 計算；托管推理服務；數據庫和向量檢索；對象存儲；網絡和數據傳輸；Agent 運行時；安全和身份；評估、日誌和監控；企業支持服務。

因此，CSP 真正關心的不是模型本身的收入份額，而是：

CSP AI 總毛利 = 推理毛利 + 數據附著毛利 + 存儲網絡毛利 + 安全治理毛利 + Agent 運行時毛利

AWS 披露 Bedrock 客戶支出環比增長、Token 處理量大幅上升，同時推出 AgentCore 註冊、政策和評估等服務；Microsoft 和 Google 也在推動模型、數據、Agent 和治理服務的組合。這說明 CSP 正在試圖把模型服務轉化為全棧雲消費。

變化四：模型廠商價值不會消失，但會向能力頂端和應用端延伸

開源和自研性價比模型會壓縮中低端模型的價格，但不會自動消除前沿模型價值。模型廠商可能採取三條路徑：1）持續提高能力上限，保持複雜任務溢價；2）向 Agent、編碼、研究等高價值應用上移；3）提供定制後訓練、安全、企業治理和專屬容量。

最終更可能形成：

CSP 控制基礎設施和模型分發；
前沿模型廠商控制能力上限；
中間層控制上下文、治理和調度；
應用廠商控制工作流和用戶入口。

這不是單一層贏家通吃，而是不同層分別收取不同類型的租金。

變化五：企業在模型層的議價能力提高，但平台鎖定可能加深

多模型和開放模型降低了企業對單一模型廠商的依賴。

但如果企業的數據、權限、Agent 狀態、評估系統和工作流都部署在同一個 CSP 上，那麼模型層鎖定下降的同時，雲平台鎖定反而可能上升。

也就是說：

模型可替換性提高，不代表整體架構可遷移性提高。

2、CSP 控制的是橫向 AI 底座，垂直 SaaS 控制的是業務執行層

CSP 最有可能捕獲以下價值：GPU、TPU 和自研 ASIC 算力；開源模型托管；閉源模型分發；模型微調與蒸餾；數據庫和數據湖；向量檢索與知識圖譜；網絡和存儲；身份和權限；安全與治理；Agent 運行時；評估和可觀測性；企業技術支援。

垂直 SaaS 精通：工作入口；业務對象；業務語義；使用者權限；歷史操作數據；系統記錄；行業規則；最終動作執行；客戶結果反饋。

因此，它可以將廉價模型打包成高價值業務結果。

但這僅適用於真正擁有工作流程和核心獨家數據的 SaaS。僅為通用模型提供簡單界面的薄應用，反而容易被模型供應商或 CSP 取代。之前這裡

有聊過這一點。

3、最可能形成「雙中間層」

未來企業 AI 架構可能是：

CSP 不一定能夠直接越過垂直 SaaS 控制全部業務流程；垂直 SaaS 也不太可能獨立承擔底層大規模算力和多模型基礎設施。誰能夠捕獲最多價值，取決於五個控制點

真正高價值的層，不一定是離模型最近的層，而是能夠同時控制：

上下文、權限、工作流程、行動和結果反饋。

傳統 SaaS 項目通常是：

Fit-gap 分析 → 配置 → 數據遷移 → UAT → 上線。

企業 AI 項目更接近：

場景篩選 → 數據權限 → 評估集 → 模型選擇 → RAG 和工具接入 → 模型路由 → 安全邊界 → 人工複核 → 生產監控 → 反饋與後訓練。

最大區別是：

SaaS 主要是在既定軟件中配置流程；AI 是在生產過程中持續優化一個機率系統。

因此，AI 實施更像軟件工程、數據工程、模型工程、流程諮詢和組織變革的結合體。

四 對超大 CSP 的價值重塑

1、超大 CSP 的價值重塑

之前這裡有聊過：之前市場認為 CSP 特別是幾家超大 CSP 是一個二道販子，販賣算力和 token，同時還要承擔巨額的資本開支但並沒捕獲最大的價值。現在「高效中型模型 + 規模部署」在生產環境下也證明了自己覺的價值，而非一味追求參數軍備競賽。

那麼過去的認知也要反轉了：超大 CSP 已經是企業 AI 進程多模型架構下的「AI 操作系統層」。

成本營收結構的變化 CSP 轉售閉源模型時：

CSP 拿到的分成比例有限（通常 20 - 50% 不等，具體看合同），還要承擔模型方的定價壓力。自托管開源模型轉售：開源模型基本零授權成本，CSP 只需承擔自己的算力、電費和運維成本。CSP 幾乎拿走全部 markup（扣除算力成本後）。因為定價可以參考開源社區實際成本 + 合理溢價，空間更大。

自研模型更不用說，幾乎營收全在 CSP。

2、但對超大 CSP 也帶來新的挑戰：時間差

可以把整個過程分成四個階段。時間長度只是示意，不同行業差異很大。

階段一：內部研發和容量投入

這一階段：CSP 訓練或後訓練自研模型，部署開放模型，優化晶片、推理框架和模型路由，建立安全、評估和治理平台。

財務表現可能是：Capex 上升；研發費用和折舊上升；外部雲收入受容量約束；毛利率承壓；直接商業收入有限。

階段二：客戶試驗和 FDE 實施

這一階段：客戶篩選場景；整理數據和權限；建立 RAG、評估集和工具連接；FDE 幫助完成首個生產系統。

財務表現可能是：專業服務和微調收入增加；雲消費增長仍不顯著；大量 POC 尚未規模化；人力投入增加；服務利潤率可能低於軟體利潤率。

階段三：生產推理規模化

這一階段：客戶工作流穩定；Agent 開始持續運行；推理、資料庫、儲存和安全消費增加；垂直 SaaS 開始按使用量或業務結果收費。

財務表現可能是：CSP 雲消費加速；SaaS AI 附加收入上升；資料和安全附着收入增加；客戶續約和擴張改善；單位推理成本下降。

階段四：模型和工作流優化

這一階段：高頻任務轉向小模型、自研模型和開放模型；高價值任務繼續使用前沿模型；路由、快取和蒸餾降低成本；FDE 成果逐漸產品化。

財務表現可能是：Token 單價下降；任務量增長；模型廠商收入結構分化；CSP 全棧附着收入提高；垂直 SaaS 按工作流和結果捕獲更多價值；成功部署者的毛利和資本回報開始改善。

因此，市場可能先看到：

Capex 和人力投入上升
→ 然後看到 POC 和合同
→ 再看到生產工作負載
→ 最後才看到自由現金流和 ROIC。

這個時間差確實是當前 AI 投資爭議的核心。

五 新的 AI 商業化指標體系

1、未來不能再只問「AI 收入多少」，而要同時回答五個問題。

最合理的評判方式不是尋找一個新的單一指標，而是建立從模型到資本回報的七層漏斗。

2、大模型 ARR 依然關鍵，但它應從「終局指標」變成「能力需求領先指標」

大模型廠商 ARR 仍然非常重要，原因有四個。

1）ARR 證明企業願意為智能能力付費，ARR 至少說明部分客戶已經進入付費狀態，並願意簽訂持續合同或形成穩定消費。

2）ARR 反映前沿模型是否仍然具有溢價，如果模型能力持續帶來更高的任務成功率，客戶就會為高價值任務支付溢價。即使大量常規任務轉向小模型，前沿模型仍可能通過複雜推理、編碼、研究和 Agent 任務保持高價格。

3）ARR 決定前沿模型廠商的研發和算力再投資能力，模型訓練、後訓練、推理服務、安全評估和企業銷售都需要持續資本。ARR 決定模型廠商是否能夠形成「收入—研發—能力提升—更多收入」的循環。

4）ARR 還是生態影響力的代理指標，開發者數量、API 呼叫、企業合同、模型進入應用的深度，最終通常會部分反映在 ARR 中。

3、綜合來看

大模型 ARR 仍然關鍵，因為它證明企業願意為前沿能力付費；

超大 CSP 業績未來更全面和權重更高，顯示企業採用 AI 进程中中间层沉澱的價值；

最終評價標準轉向成功任務經濟性、企業 ROI 和資本回報。

AI 商業化判斷不應該在「大模型 ARR」和「CSP 云收入」之間二選一，而應形成一條完整證據鏈：

模型 ARR 證明付費需求
→ 生產工作負載證明採用深度
→ 單位成功任務毛利證明經營質量
→ 企業 ROI 證明需求可持續性
→ 自由現金流和 ROIC 證明資本支出合理性。

最終最值得跟蹤的，不是「生成了多少 Token」，而是

AI 經濟價值 = 生產任務數量 × 每任務價值 × 供應商價值捕獲率 × 毛利率 − 資本佔用成本​

這才是多模型、多模塊時代衡量 AI 商業化的總框架。

上面所有的內容其實構成了一條連續的因果鏈：

業務場景差異擴大
→ 企業不再用一個模型解決所有任務
→ 形成多模型、多模塊的複合 AI 系統
→ 路由、數據、評估、治理、安全等中間層成為控制面
→ 模型層價值不會消失，但大模型 ARR 從「唯一商業化指標」降為「重要領先指標」
→ 最終評價標準轉向成功任務經濟性、企業 ROI 和資本回報。

這已經不是純粹的架構設想。AWS Bedrock 和 Microsoft Foundry 都已經把按質量、成本和任務複雜度進行模型路由做成正式產品；微軟披露，超過一萬家 Foundry 客戶使用過不止一個模型，約五千家使用過開源模型。Google Model Garden 也同時提供自有模型、第三方閉源模型和開放模型的托管或自部署方式。

當然這迭代還處在早期，但趨勢應該越來越明顯了。

原文連結