第 2.2 章｜应用与商业化

企业几乎都在试用 AI，真正形成持久收入的工作流却不多。应用投资的关键不是产品有没有 AI 功能，而是它能否进入一项客户不能轻易撤回的工作，承担结果，并证明客户因此赚到了钱。

模型是智能的生产者，应用则是智能第一次遇到真实预算的地方。GPU、云和电力都是成本，只有当消费者订阅一个产品，或者企业签下一份能够续约的合同，这些成本才开始得到偿付。因此，应用层不是产业链最“轻”的一层，而是整个 AI 资本开支能否成立的收入基础。

问题在于，“企业正在采用 AI”这句话包含了太多不同状态。员工偶尔打开聊天工具，部门购买几十个试用席位，软件接入公司数据，企业围绕它改造核心流程，以及客户财务报表真正改善，都可以被叫作采用。把五个阶段压缩成一个采用率，既会夸大成功，也会掩盖已经出现的真实价值。

为什么“大家都在用”和“多数项目没回报”可以同时成立

以一家拥有一万名员工的企业为例。即使 AI 助手每天为每人节省十分钟，财务部门仍要确认这些时间是否转化为更多销售、更少用工或更短交付周期。如果节省的时间只是被其他工作填满，企业获得了便利，却未必获得可审计的利润。

再看另一个例子。一家软件公司让 AI 自动修复简单代码错误，测试通过后才提交给工程师复核。它可以直接比较修复前后的工时、发布速度和故障率。即使部署范围较小，这项工作的财务价值反而更容易证明。

这就是为什么 MIT Project NANDA 对企业生成式 AI 项目的研究可以发现，约 95% 的组织没有从试点中看到可衡量的损益回报；与此同时，企业 AI 支出仍在一年内从约 115 亿美元增长到 370 亿美元。两组数据并不冲突：浅层试用数量巨大，深层工作流价值集中，市场正在一边浪费试验预算，一边给少数有效产品追加投入。

研究对失败原因的解释比失败比例更重要。主要问题并不是模型完全做不到，而是工具不能记住业务上下文、没有嵌入流程、无法处理权限和异常，也没有明确责任人。这意味着应用层的机会不是再做一个聊天框，而是解决从“模型会回答”到“企业敢把工作交给它”之间的全部麻烦。

一笔试验预算要穿过五道门，才会变成持续收入

应用商业化可以被理解为一条逐级收窄的漏斗：

1. 个人使用。 员工主动尝试，说明产品有吸引力，但企业可能没有付费。
2. 集中采购。 公司购买席位、API 或使用额度，收入开始出现，但仍可能来自创新预算。
3. 系统接入。 产品连接身份、权限、内部数据和业务软件，部署成本上升，切换也开始变难。
4. 流程改造。 客户改变审批、分工、服务方式或人员配置，AI 不再是可有可无的附加工具。
5. 财务兑现。 收入、成本、错误率、周转时间或资本占用出现可审计改善，合同进入正常经营预算。

前两道门制造用户增长和新闻，后三道门才制造耐久收入。许多公司会公布“客户数量”“智能体数量”或“处理消息数”，却不告诉投资者这些客户停留在哪一道门。一个有一千家试点客户、只有二十家进入生产的产品，收入质量可能不如只有一百家客户、但九十家把它写进核心流程的产品。

真正的应用护城河也在这条路径上形成。接入企业权限需要安全审查；读取内部数据需要治理；参与审批需要责任边界；改变流程需要培训和组织协调。一旦产品承担了这些工作，模型供应商即使推出相似功能，也不能立刻复制客户已经完成的制度与集成。

为什么编码最先把能力变成收入

编码是 AI 应用最早形成规模收入的领域，不是因为它最容易，而是因为它同时满足了四个商业条件。

第一，开发者成本高，节省一小时很值钱。第二，代码输出可验证，测试通过与否比一段营销文案的“好不好”更客观。第三，错误可以在发布前发现并回滚。第四，工具天然嵌入编辑器、代码库、测试和部署流程，使用频率高，切换成本也会随集成加深。

这使编码成为观察“能力如何变成收入”的最佳实验。GitHub Copilot 依靠既有开发者分发快速普及；Cursor 把模型、编辑器和代码库上下文重新组合；Claude Code 把高质量模型直接放进终端和开发流程。它们不是只卖一次回答，而是占据开发者每天工作的界面。

客服是第二类容易量化的场景。企业可以计算一次问题是否被解决、平均处理时间是否下降、多少工单需要转人工。法律和医疗的单次价值更高，专有数据和专业流程也更深，但错误责任、隐私合规和销售周期更重。企业搜索和销售工具则介于两者之间：使用频繁，却需要证明搜索更快最终带来了生产率或收入。

截至观察日，已经出现一批规模可见的应用：

这些数字的口径并不相同。ARR 是年化经常性收入，ACV 是合同年价值，收入运行率可能只是把最近一个月或季度外推，签约额还可能在未来多年确认。表格用于说明需求集中在哪里，不能直接当作公司质量排名。私营公司数据也多来自公司披露或媒体估计，可靠性低于审计财报。¹²³⁴

深工作流为什么比横向助手更容易赚钱

横向办公助手覆盖面最大，财务证据往往最弱。写邮件、总结会议和制作演示确实节省时间，却不一定改变企业的收入或人员成本。产品也容易被 Microsoft、Google 或基础模型厂商捆绑进现有套餐，独立供应商很难维持价格。

深工作流的情况不同。医疗记录工具要理解诊疗流程、专业术语、医院系统和隐私规则；法律工具要处理引证、文件权限和责任审查；客服智能体要连接订单、退款、身份验证和升级机制。这些“麻烦”恰恰是护城河，因为模型能力只解决了任务的一部分。

判断工作流深度，可以问四个很朴素的问题：

• 产品是否只生成内容，还是能够在客户系统中完成动作？
• 错误出现时，谁能发现、回滚并承担责任？
• 客户移除产品后，需要重建多少数据连接、权限和流程？
• 产品效果是否随着客户专有数据和长期反馈而改善？

如果答案只是“换一个 API 也能做”，产品仍然脆弱；如果移除它会中断业务、重新培训团队或失去积累数据，应用就开始拥有独立于模型的价值。

从按席位收费转向按结果收费，市场更大，风险也更大

传统 SaaS 按用户席位收费。员工越多，软件收入越高。智能体的目标却恰恰是用更少的人完成更多工作：如果十个客服智能体替代一百个操作席位，继续按席位收费会主动缩小供应商收入。

因此，应用公司开始按调用量、处理量、成功解决的问题或节省金额收费。Intercom Fin 按成功解决的客服问题计价，Decagon 等也采用结果导向合同。对供应商而言，这有一个巨大吸引力：它不再只分享企业软件预算，而可能分享原本支付给人工的劳动力预算，潜在市场因此扩大许多。

但风险也随之转移。按席位收费时，客户买了软件却没有充分使用，供应商仍能获得收入；按结果收费时，模型错误、客户数据缺失、系统故障和人工复核都可能由供应商承担。更复杂的任务还会消耗更多推理 token，使收入增长不一定带来毛利增长。

可以用一张简化损益表看清：

每次成功结果的收入 − 模型推理成本 − 搜索、存储与第三方 API − 人工复核和异常处理 − 客户实施与支持 = 每次结果的贡献利润

投资者真正需要的不是“结果定价”这个标签，而是这个等式中每一项的趋势。模型降价可能扩大毛利，也可能被客户通过更低合同价格拿走；自动化率提高可能减少人工，也可能因为任务更复杂而增加异常处理。只有贡献利润随规模改善，结果定价才比传统 SaaS 更有价值。

智能体先要通过可靠性门槛，才能通过预算门槛

智能体与普通助手的区别，是它不仅给建议，还会采取行动。它可以查询库存、修改订单、发送邮件、更新客户记录，甚至参与付款和审批。行动带来更高价值，也把错误从“不准确的回答”升级为真实业务损失。

Klarna 的客服助手是一个有教育意义的例子。它曾处理数百万次对话，显著缩短解决时间，并被估计带来可观利润改善；后来公司又重新强调人机结合，说明过度自动化会伤害服务质量。这个案例既不是智能体失败，也不是完全自动化胜利，而是揭示了生产部署的真实形态：机器处理高频、标准化部分，人类处理异常、情绪和责任。⁵

Salesforce Agentforce 与 ServiceNow Now Assist 已经形成可观合同规模，证明企业愿意为智能体付费；但市场仍需区分固定规则工作流与真正可以自主规划、适应变化的智能体。后者占比更低，失败成本也更高。

衡量可靠性时，不要只看模型在一次任务中的成功率。一个包含多步操作的流程会把小错误放大。企业还必须解决身份验证、最小权限、审计日志、异常升级和人工接管。产品能否把这些控制做成标准能力，往往比它能否完成一次惊艳演示更决定商业价值。

分发赢得第一个用户，工作流控制留下最终利润

美国与中国的应用层差异，不只是模型能力，也来自付费习惯和分发结构。美国企业软件市场成熟，Microsoft、Salesforce、ServiceNow 和大量垂直 SaaS 可以直接提高席位价格、API 用量或合同额；消费者也更习惯为独立订阅付费。

中国市场更常由豆包、元宝、文心、DeepSeek 等免费产品先获得规模，再通过广告、云、会员、电商或超级应用生态间接变现。免费分发能快速训练用户习惯，也能把模型能力嵌入搜索、内容和社交产品；但单独的 AI 收入不容易观察，投资者必须判断它是否提高了整个集团的广告效率、留存、云消费或商业交易。

这并不意味着美国模式一定更优。美国独立应用收入更清晰，也更容易在高增长期获得极高估值；一旦增速放缓或模型厂商进入同一功能，估值压缩会很快。中国平台的直接变现较弱，却可能以更低获客成本把 AI 变成整个生态的功能。

因此，分发只能解释谁先获得用户，不能独立解释谁最终赚钱。长期价值通常来自以下控制点的组合：

• 已有客户关系和低成本获客；
• 深度嵌入身份、权限、数据和审批；
• 高质量且可合法使用的专有数据；
• 针对行业责任设计的审核与回滚；
• 可以量化、且供应商愿意承担的业务结果。

“套壳”产品真正怕的是模型接管它的控制点

“应用只是套壳”是一个有道理但过于宽泛的批评。几乎所有软件都建立在别人的数据库、云或操作系统之上，是否有价值取决于它控制了什么，而不是底层技术是不是自研。

只有一个新界面、没有数据和流程控制的应用确实危险。基础模型每次升级，都可能免费吸收总结、写作、搜索或简单分析功能。模型价格下降还会把技术门槛压得更低，让竞争者迅速复制。

但是，调用外部模型并不自动等于没有护城河。医疗软件可能不训练基础模型，却拥有医院系统集成、临床工作流和信任；法律应用可能使用多个模型，却控制专业文件、引用验证和律师审核；客服平台可能随时切换模型，却掌握客户数据、工单系统和解决结果。

所以，判断“套壳”最有用的问题是：

如果模型厂商明天免费提供相似功能，客户能否在一个周末移除这款应用，而且不损失流程、数据和责任能力？

若答案是可以，应用很脆弱；若答案是需要数月迁移、重新审计和培训，它已经不只是一个界面。

公开市场里，应用敞口并不等于应用纯度

最清晰的 AI 原生应用赢家多数仍是私营公司。公开市场主要提供三类间接敞口：

1. 拥有分发的传统软件公司，如 Microsoft、Salesforce、ServiceNow、Adobe 和 Intuit。优势是客户基础与现金流，风险是 AI 新收入可能只是替代原有席位收入。
2. 把 AI 深度嵌入交付的平台公司，如 Palantir。优势是实施和数据能力，风险是估值、客户集中与收入归因不透明。
3. 拥有模型或云合作关系的巨头。它们能分享应用增长，却也承担数据中心资本开支，AI 对整体利润的净贡献可能小于收入增量。

因此，不应因为一家公司发布很多 AI 功能，就把全部收入增长归因于 AI。至少要区分：客户是否为 AI 单独付费；新产品是否提高总合同额；传统产品是否被降价或被替代；推理成本由谁承担；新收入在公司整体利润中是否足够大。

投资者应该等待哪些证据

一款应用是否从热门工具变成耐久业务，可以用一套连续指标判断：

对整个 AI 产业而言，最关键的信号是企业回报能否从编码、客服等少数深工作流，扩展到更多普通业务。如果下一轮调查仍显示绝大多数项目停在试点，基础设施建设最终会失去收入支撑；如果企业连续披露生产采用、续约和利润改善，当前资本开支就从信念驱动进入现金流验证。

什么会增强或推翻应用层判断

较乐观的情景是：AI 已经在少数高价值工作流中形成真实收入；随着可靠性提高和结果定价成熟，应用可以从软件预算进一步进入劳动力预算。

它会在三种情况下增强。第一，试点转生产比例持续上升，而不是只增加试点总数。第二，应用公司在底层模型降价后扩大毛利，证明工作流而非模型访问权是价值来源。第三，客户公开披露收入或成本改善，并在续约时扩大合同。

它也会被三类证据推翻。第一，企业回报长期局限于编码和少数垂直行业，无法广泛扩散。第二，智能体错误率和人工复核成本迟迟不降，大量项目按预期被取消。第三，模型与平台公司把垂直功能免费捆绑，独立应用无法守住客户和定价。

应用层最值得记住的结论不是“AI 软件会赢”，而是更严格的一句：

只有当产品进入生产流程、控制关键上下文、对结果负责，并且客户在第二年仍愿意付更多钱时，技术采用才真正变成投资回报。

图表与关键证据来源

本章图表与关键主张的链接证据：^{1 2 3 4 5}