此前市場(chǎng)受 " 大模型吞噬軟件 " 敘事壓制，AI 應(yīng)用板塊較算力 / 模型端估值折價(jià)顯著，我們認(rèn)為這一定價(jià)邏輯存在誤判，AI 時(shí)代定價(jià)邏輯圍繞 Token 展開，形成算力層、模型層、應(yīng)用層三層加價(jià)結(jié)構(gòu)，其中應(yīng)用層場(chǎng)景 Token 的價(jià)值重構(gòu)或尚未被市場(chǎng)充分定價(jià)。終端企業(yè)用戶購買的不是 Token 而是業(yè)務(wù)結(jié)果，AI 應(yīng)用層通過私有數(shù)據(jù)和行業(yè) Know-how 賦能，使通用模型 Token 獲得更大價(jià)值，因此可以收取更高的 Token 價(jià)格。在 ROI 明確的場(chǎng)景，AI 應(yīng)用廠商正積極探索按 Token 消耗量付費(fèi)及按效果付費(fèi)等新商業(yè)模式，將收費(fèi)來源從采購預(yù)算遷移至業(yè)務(wù)超額收益，更大的增量市場(chǎng)正在開啟，因此我們積極看好板塊投資機(jī)會(huì)。業(yè)績成長性高、估值低位、已有按 Token 消耗量 / 按結(jié)果付費(fèi)收入的優(yōu)質(zhì) AI 應(yīng)用標(biāo)的有望獲得市場(chǎng)關(guān)注。

算力 - 模型 - 場(chǎng)景三層 Token 結(jié)構(gòu)，場(chǎng)景 Token 價(jià)值尚未挖掘

AI 時(shí)代定價(jià)邏輯圍繞 Token 展開，形成三層加價(jià)結(jié)構(gòu)。1）算力層為 Token 的物理生產(chǎn)，加價(jià)來源為資源稀缺性與規(guī)模降本，推理側(cè) Token 消耗量指數(shù)級(jí)增長推動(dòng)算力鏈條持續(xù)漲價(jià)，如算力租賃環(huán)節(jié)已在探索 Token 分成新商業(yè)模式。2）模型層為 Token 的智能密度，加價(jià)來源為智能密度溢價(jià)，大模型廠商 Token 價(jià)格的分層反映了智能水平的分層。3）應(yīng)用層為 Token 的場(chǎng)景轉(zhuǎn)化率，加價(jià)來源為私有數(shù)據(jù) × 行業(yè) Know-how × 合規(guī)價(jià)值，核心價(jià)值在于將行業(yè)私有數(shù)據(jù)與專業(yè) Know-how 賦能 Token 的使用過程，使單位 Token 投入的業(yè)務(wù)價(jià)值最大化。市場(chǎng)持續(xù)演繹算力層與模型層的受益邏輯，應(yīng)用層 Token 價(jià)值尚未被挖掘，但曙光已現(xiàn)。

" 大模型吞噬軟件 " 存在核心誤判，Agent 有望開啟更大的增量市場(chǎng)

" 大模型吞噬軟件 " 敘事對(duì) AI 應(yīng)用板塊造成相當(dāng)大的估值壓制，我們認(rèn)為存在兩大核心誤判。其一，算力支出激增將擠壓 AI 應(yīng)用的企業(yè) IT 預(yù)算。我們認(rèn)為，企業(yè)整體 IT 投入是在增加的，AI Agent 原生應(yīng)用正在爭奪傳統(tǒng)軟件預(yù)算以及企業(yè)的人力預(yù)算、營銷預(yù)算及運(yùn)營預(yù)算；按結(jié)果付費(fèi)與利潤分成模式更將 AI 應(yīng)用的收費(fèi)來源從采購預(yù)算遷移至業(yè)務(wù)超額收益，更大的增量市場(chǎng)正在開啟。其二，AI Coding 能力提升后企業(yè)可自行開發(fā)應(yīng)用、無需外購。我們認(rèn)為，企業(yè) AI 應(yīng)用的價(jià)值從來不在于代碼本身，AI Coding 使代碼生成成本趨近于零，反而使非代碼價(jià)值（如數(shù)據(jù)積累、業(yè)務(wù)理解 / 工程判斷、效果承諾 / 風(fēng)險(xiǎn)承擔(dān)）的權(quán)重進(jìn)一步上升，AI 應(yīng)用廠商競(jìng)爭優(yōu)勢(shì)是上升的。

我們建議重視 AI 應(yīng)用板塊的配置機(jī)遇

AI 數(shù)據(jù)服務(wù)商迅策創(chuàng)新性提出 Token 化收費(fèi)模式，今年以來股價(jià)大幅上漲得到資本市場(chǎng)認(rèn)可，仍有更多優(yōu)質(zhì) AI 應(yīng)用公司估值處于低位，具備挖掘價(jià)值。業(yè)績成長性高、估值低位、已有按 Token 消耗量 / 按結(jié)果付費(fèi)收入的優(yōu)質(zhì) AI 應(yīng)用標(biāo)的有望獲得市場(chǎng)關(guān)注。

風(fēng)險(xiǎn)提示：宏觀經(jīng)濟(jì)波動(dòng)，技術(shù)進(jìn)步不及預(yù)期，中美競(jìng)爭加劇。本研報(bào)中涉及到未覆蓋個(gè)股內(nèi)容，均系對(duì)其客觀公開信息的整理，并不代表本研究團(tuán)隊(duì)對(duì)該公司、該股票的推薦或覆蓋。

算力 - 模型 - 場(chǎng)景三層 Token 結(jié)構(gòu)，場(chǎng)景層價(jià)值尚未挖掘

AI 時(shí)代定價(jià)邏輯圍繞 Token 展開，形成算力 - 模型 - 場(chǎng)景 Token 三層加價(jià)結(jié)構(gòu)，其中應(yīng)用場(chǎng)景層 Token 的價(jià)值重構(gòu)或尚未被市場(chǎng)充分定價(jià)。Token 是 AI 產(chǎn)業(yè)鏈上流通的基本價(jià)值單元，與傳統(tǒng)軟件產(chǎn)業(yè)按功能模塊定價(jià)不同，AI 時(shí)代的定價(jià)邏輯圍繞 Token 展開，每一層產(chǎn)業(yè)主體在傳遞 Token 的同時(shí)，對(duì)其附加不同性質(zhì)的增值，形成從算力到模型、再到應(yīng)用的三層加價(jià)結(jié)構(gòu)。理解這一結(jié)構(gòu)，是理解 AI 時(shí)代軟件產(chǎn)業(yè)價(jià)值分配的基礎(chǔ)。目前算力層和模型層正在持續(xù)演繹，而應(yīng)用場(chǎng)景層 token 價(jià)值尚未被挖掘。

Token 經(jīng)濟(jì)學(xué)：三層價(jià)值增值邏輯

第一層：算力層 -Token 的物理生產(chǎn)

算力基礎(chǔ)設(shè)施是 Token 的鑄幣機(jī)，其定價(jià)錨點(diǎn)是每 Token 的推理與訓(xùn)練成本。這一層的經(jīng)濟(jì)特征是固定成本極重、邊際成本隨規(guī)模遞減，超額收益來自資源稀缺性或規(guī)模領(lǐng)先帶來的成本優(yōu)勢(shì)，算力層本身缺乏差異化，長期競(jìng)爭終將壓向成本，核心價(jià)值在于卡位與規(guī)模。

第二層：模型層— Token 的智能密度

模型層為 Token 的智能密度，同等數(shù)量的 Token，承載的信息質(zhì)量因模型能力不同而產(chǎn)生顯著差異。模型層的加價(jià)邏輯在于智能密度溢價(jià)，即單位 Token 能解決問題的質(zhì)量上限。這一層的壁壘來自訓(xùn)練數(shù)據(jù)與算力的先發(fā)優(yōu)勢(shì)，但隨著高質(zhì)量開源模型持續(xù)涌現(xiàn)，溢價(jià)空間面臨結(jié)構(gòu)性壓縮，倒逼模型廠商向上游控算力或向下游做應(yīng)用。

第三層：應(yīng)用層— Token 的場(chǎng)景轉(zhuǎn)化率

應(yīng)用層為 Token 的場(chǎng)景轉(zhuǎn)化率，其核心價(jià)值是將行業(yè)私有數(shù)據(jù)與專業(yè) Know-how 注入 Token 的使用過程，提升單位 Token 投入所能兌現(xiàn)的業(yè)務(wù)價(jià)值。具體機(jī)制體現(xiàn)在四個(gè)方面：通過 RAG 與微調(diào)，用私有數(shù)據(jù)壓縮完成任務(wù)所需的 Token 消耗；通過 Prompt 工程與 Agent 編排，減少無效 Token，提升任務(wù)完成的 Token 轉(zhuǎn)化率；通過行業(yè)知識(shí)圖譜，確保模型輸出符合行業(yè)規(guī)則、合規(guī)要求與實(shí)際可操作性；通過效果承諾（按結(jié)果付費(fèi)、對(duì)賭 KPI），將自身商業(yè)利益與客戶業(yè)務(wù)結(jié)果深度綁定。終端用戶購買的不是 Token，而是業(yè)務(wù)結(jié)果，應(yīng)用層賺取的是 Token 投入與業(yè)務(wù)產(chǎn)出之間的效率差價(jià)。

數(shù)據(jù)飛輪使應(yīng)用層護(hù)城河持續(xù)加深。上述三層結(jié)構(gòu)并非靜態(tài)，應(yīng)用層的價(jià)值壁壘存在內(nèi)生的自我強(qiáng)化邏輯：終端用戶的持續(xù)使用沉淀出更豐富的行業(yè)語料與反饋信號(hào)，反哺模型在垂直場(chǎng)景的微調(diào)與迭代，進(jìn)一步提升單位 Token 的場(chǎng)景轉(zhuǎn)化率，應(yīng)用層因此獲得更強(qiáng)的效果承諾能力與更高的定價(jià)權(quán)，吸引更多客戶使用，驅(qū)動(dòng)數(shù)據(jù)飛輪加速運(yùn)轉(zhuǎn)。這一飛輪機(jī)制意味著：真正擁有數(shù)據(jù)資產(chǎn)的應(yīng)用廠商，隨著 AI 基礎(chǔ)能力的整體提升，其相對(duì)優(yōu)勢(shì)不會(huì)收窄，而會(huì)持續(xù)擴(kuò)大——模型越強(qiáng)，擁有數(shù)據(jù)資產(chǎn)的應(yīng)用廠商所能撬動(dòng)的杠桿越大。

" 大模型吞噬軟件 " 敘事存在核心誤判，AI 應(yīng)用廠商競(jìng)爭優(yōu)勢(shì)上升

此前市場(chǎng)受 " 大模型吞噬軟件 " 敘事壓制，AI 應(yīng)用板塊較算力 / 模型端估值折價(jià)顯著。我們認(rèn)為存在兩大核心誤判。

質(zhì)疑一：企業(yè) IT 預(yù)算有限，算力支出激增將擠壓軟件采購預(yù)算。這一質(zhì)疑的底層假設(shè)存在根本性偏差：它將 AI 應(yīng)用視為與算力爭奪同一 IT 預(yù)算池的競(jìng)爭者，而忽視了 AI 應(yīng)用開辟新預(yù)算來源的能力。

我們的觀點(diǎn)：企業(yè)整體 IT 投入是在增加的，同時(shí)結(jié)構(gòu)在發(fā)生重大變化。傳統(tǒng)軟件的預(yù)算確實(shí)面臨萎縮，但 AI Agent 原生應(yīng)用正在爭奪傳統(tǒng)軟件預(yù)算以及企業(yè)的人力預(yù)算、營銷預(yù)算及運(yùn)營預(yù)算等等；更進(jìn)一步，按結(jié)果付費(fèi)與利潤分成模式將 AI 應(yīng)用的收費(fèi)來源從采購預(yù)算遷移至業(yè)務(wù)超額收益，更大的增量市場(chǎng)正在開啟。

質(zhì)疑二：AI Coding 能力提升后，企業(yè)可自行開發(fā)應(yīng)用，無需外購。這一質(zhì)疑基于一個(gè)隱含假設(shè)，軟件的核心價(jià)值來自寫代碼，然而這一假設(shè)在企業(yè)級(jí)應(yīng)用場(chǎng)景中幾乎不成立。

我們的觀點(diǎn)：AI Coding 解決的是代碼生成問題，但企業(yè) AI 應(yīng)用的價(jià)值從來不在于代碼本身，而在于三項(xiàng)無法被代碼生成替代的資產(chǎn)：第一是行業(yè)數(shù)據(jù)積累，數(shù)十年積累的客戶行為語料、行業(yè)知識(shí)圖譜與場(chǎng)景標(biāo)注數(shù)據(jù)；第二是工程化判斷，哪些業(yè)務(wù)邏輯適合規(guī)則引擎、模型幻覺在哪些場(chǎng)景構(gòu)成不可接受的合規(guī)風(fēng)險(xiǎn)，這些判斷需要行業(yè)經(jīng)驗(yàn)的長期積累；第三是效果承諾能力，企業(yè)自建應(yīng)用自擔(dān)交付風(fēng)險(xiǎn)，購買專業(yè)廠商服務(wù)則風(fēng)險(xiǎn)由廠商承擔(dān)。AI Coding 使代碼生成成本趨近于零，反而使得非代碼價(jià)值數(shù)據(jù)積累、業(yè)務(wù)理解 / 工程判斷、效果承諾 / 風(fēng)險(xiǎn)承擔(dān)的權(quán)重進(jìn)一步上升，反而使垂直應(yīng)用廠商的競(jìng)爭優(yōu)勢(shì)得到強(qiáng)化。

構(gòu)建 AI 應(yīng)用公司雙軸評(píng)估框架：護(hù)城河 & 成長性

AI 時(shí)代，我們需要重新構(gòu)建 AI 應(yīng)用層公司的選股框架。傳統(tǒng)的軟件公司和 SaaS 公司分析范式不再適用 AI 時(shí)代應(yīng)用層公司的評(píng)估。完整的 AI 應(yīng)用公司投資評(píng)估需要回答兩個(gè)相互獨(dú)立的問題：這家公司的存量業(yè)務(wù)能否守?。ㄗo(hù)城河軸），以及這家公司的增量業(yè)務(wù)能長多大（成長軸）。

AI 應(yīng)用公司的護(hù)城河：五維防御評(píng)估體系

該維度核心評(píng)估客戶是否持續(xù)擴(kuò)大購買。指標(biāo)包括 KA 老客客單價(jià)年增速是否持續(xù)超過 20%、合同負(fù)債增速是否持續(xù)高于收入增速。

維度二：數(shù)據(jù)時(shí)間資產(chǎn)

數(shù)據(jù)時(shí)間資產(chǎn)維度核心評(píng)估競(jìng)爭對(duì)手需要多少年才能追上，是五維中權(quán)重最高的維度，應(yīng)作為首要篩選條件。評(píng)估信號(hào)包括深耕特定行業(yè)的時(shí)間長度、是否擁有獨(dú)占或半獨(dú)占的數(shù)據(jù)獲取渠道、所在行業(yè)的數(shù)據(jù)結(jié)構(gòu)是否復(fù)雜。

維度三：私有化部署性質(zhì)

私有化部署性質(zhì)維度需要根據(jù)毛利率和實(shí)施人員數(shù)量細(xì)分。若私有化伴隨高毛利率（如毛利率 >60%）和低實(shí)施人員占比，說明產(chǎn)品標(biāo)準(zhǔn)化程度高，是監(jiān)管或客戶數(shù)據(jù)主權(quán)需求驅(qū)動(dòng)的護(hù)城河；若毛利率低、實(shí)施人員多，說明是重度定制化項(xiàng)目，私有化是能力不足的表現(xiàn)而非壁壘。

維度四：平臺(tái)化程度

平臺(tái)化程度決定了公司能否脫離項(xiàng)目制線性增長。評(píng)估信號(hào)包括：是否有可跨客戶復(fù)用的標(biāo)準(zhǔn)產(chǎn)品模塊；是否形成合作伙伴生態(tài)體系；新客戶獲取成本是否隨規(guī)模下降。中國軟件公司有一個(gè)普遍的成長路徑陷阱：從項(xiàng)目制起家，難以擺脫高度定制化交付模式，毛利率長期無法提升。我們認(rèn)為平臺(tái)化程度決定了公司能否在不線性增加人員的情況下擴(kuò)大收入，是毛利率能否長期提升的根本。

維度五：場(chǎng)景暴露度

場(chǎng)景暴露度方面，低頻、高監(jiān)管、數(shù)據(jù)敏感場(chǎng)景替代風(fēng)險(xiǎn)低，深度嵌入業(yè)務(wù)流程、錯(cuò)誤代價(jià)極高的場(chǎng)景風(fēng)險(xiǎn)極低。核心評(píng)估問題是核心場(chǎng)景是否有天然保護(hù)。不是所有軟件場(chǎng)景都面臨同等的替代風(fēng)險(xiǎn)，需要逐場(chǎng)景評(píng)估。高頻、標(biāo)準(zhǔn)化、通用場(chǎng)景（簡單文檔生成、基礎(chǔ)客服）替代風(fēng)險(xiǎn)高；低頻、高監(jiān)管、數(shù)據(jù)敏感場(chǎng)景（金融風(fēng)控、醫(yī)療決策）替代風(fēng)險(xiǎn)低；深度嵌入業(yè)務(wù)流程、涉及多系統(tǒng)集成的場(chǎng)景替代風(fēng)險(xiǎn)低；行業(yè) Know-how 密集、錯(cuò)誤代價(jià)極高的場(chǎng)景（工業(yè)質(zhì)檢、手術(shù)輔助）替代風(fēng)險(xiǎn)極低，因?yàn)橥ㄓ媚Ｐ筒粫?huì)承擔(dān)該類場(chǎng)景的責(zé)任風(fēng)險(xiǎn)。

AI 應(yīng)用公司的成長性：三維評(píng)估體系

維度一：縱向滲透空間

縱向滲透空間衡量在已有客戶群體里收入天花板有多遠(yuǎn)。傳統(tǒng)軟件賣模塊，AI 平臺(tái)賣 " 數(shù)字勞動(dòng)力 "，客單價(jià)天花板高出一個(gè)數(shù)量級(jí)。評(píng)估信號(hào)：頭部客戶用量是否仍在加速；產(chǎn)品矩陣中是否存在已在使用但尚未貨幣化的場(chǎng)景。

維度二：橫向擴(kuò)張可行性

橫向擴(kuò)張可行性衡量能力遷移性。評(píng)估重點(diǎn)在于底層能力遷移性：底層技術(shù)平臺(tái)是否行業(yè)無關(guān)（Agent 框架、知識(shí)中臺(tái)等）；是否有跨行業(yè)復(fù)制的早期財(cái)務(wù)證據(jù)；出海商業(yè)模式是否具有普適性。

維度三：AI 共振系數(shù)

AI 共振系數(shù)衡量基礎(chǔ)模型能力每提升一代，公司能解鎖多少新場(chǎng)景。重點(diǎn)考察能力閾值跳變，例如當(dāng)模型準(zhǔn)確率從 90% 提升至 99% 時(shí)，業(yè)務(wù)是否能從 " 人工輔助 " 躍遷至 " 無人值守 "，從而釋放指數(shù)級(jí)的市場(chǎng)空間。

將護(hù)城河軸（地板）與成長軸（天花板）整合，我們可以得到如下四象限結(jié)果：

1. 護(hù)城河深 + 成長性強(qiáng)：公司定價(jià)權(quán)強(qiáng)、客戶黏性高，壁壘隨規(guī)模持續(xù)加固，收入利潤雙升，ROE 長期高位，建議作為核心持倉標(biāo)的，給予成長乘數(shù)估值。

2. 護(hù)城河深 + 成長性弱：公司競(jìng)爭格局穩(wěn)定，龍頭地位穩(wěn)固，增量空間有限，但現(xiàn)金流穩(wěn)定可預(yù)期，分紅能力強(qiáng)，建議采用價(jià)值股邏輯，以穩(wěn)定現(xiàn)金流定價(jià)。

3. 護(hù)城河淺 + 成長性強(qiáng)：公司所處行業(yè)高速擴(kuò)容，需求快速增長渠道業(yè)績高增，但壁壘尚淺，能否形成護(hù)城河是核心判斷變量。該類公司高風(fēng)險(xiǎn)高賠率，需判斷護(hù)城河能否在成長中建立。

4. 護(hù)城河淺 + 成長性弱：公司需求停滯、競(jìng)爭惡化，產(chǎn)品同質(zhì)化嚴(yán)重，缺乏定價(jià)權(quán)，資本回報(bào)率持續(xù)低迷。相關(guān)公司面臨真實(shí)替代威脅，應(yīng)予規(guī)避。

我們認(rèn)為，AI 應(yīng)用公司的價(jià)值，從來不在于寫代碼，而在于將行業(yè)數(shù)據(jù)轉(zhuǎn)化為可承擔(dān)商業(yè)風(fēng)險(xiǎn)的業(yè)務(wù)結(jié)果。通用大模型提升的是代碼生成和內(nèi)容生成的能力，恰恰無法替代的是行業(yè)數(shù)據(jù)積累、工程化判斷和效果承諾能力。模型越強(qiáng)，有真實(shí)數(shù)據(jù)資產(chǎn)與效果承諾能力的應(yīng)用公司，護(hù)城河只會(huì)越深。當(dāng)前市場(chǎng)擔(dān)憂模型吞噬軟件風(fēng)險(xiǎn)，對(duì)這類公司的無差別折價(jià)，構(gòu)成了系統(tǒng)性的定價(jià)錯(cuò)誤，也因此成為 AI 產(chǎn)業(yè)投資中較有可見度的結(jié)構(gòu)性機(jī)會(huì)。

宏觀經(jīng)濟(jì)波動(dòng)。若宏觀經(jīng)濟(jì)波動(dòng)，可能對(duì) AI 產(chǎn)業(yè)資本投入產(chǎn)生負(fù)面影響，導(dǎo)致 AI 產(chǎn)業(yè)變革、新技術(shù)落地節(jié)奏、整體行業(yè)增長不及預(yù)期。

技術(shù)進(jìn)步不及預(yù)期。若 AI 技術(shù)、大模型技術(shù)、AI 應(yīng)用進(jìn)展不及預(yù)期，或?qū)π袠I(yè)落地情況產(chǎn)生不利影響。

中美競(jìng)爭加劇。中美競(jìng)爭加劇，或影響國內(nèi)算力基礎(chǔ)設(shè)施布局，導(dǎo)致國內(nèi) AI 大模型技術(shù)迭代速度放緩。

研報(bào)中涉及到未上市公司或未覆蓋個(gè)股內(nèi)容，均系對(duì)其客觀公開信息的整理，并不代表本研究團(tuán)隊(duì)對(duì)該公司、該股票的推薦或覆蓋。

研報(bào)：《 場(chǎng)景 Token 重塑 AI 應(yīng)用商業(yè)模式 》2026 年 4 月 15 日

郭雅麗 分析師 S0570515060003 | BQB164

徐誠偉 聯(lián)系人 S0570125070089

本文源自：券商研報(bào)精選