行业投资评级 - 科技行业：增持（维持）[5] - 计算机行业：增持（维持）[5] 核心观点 - AI时代的定价逻辑围绕Token展开，形成算力层-模型层-应用层三层加价结构，其中应用层场景Token的价值重构尚未被市场充分定价，构成了系统性的定价错误和结构性投资机会[1][9][32] - 市场此前受“大模型吞噬软件”叙事压制，导致AI应用板块较算力/模型端估值折价显著，但这一逻辑存在两大核心误判，AI应用厂商的竞争优势实际上在上升[3][14] - 终端企业用户购买的是业务结果而非Token，AI应用层通过私有数据和行业Know-how赋能，使通用模型Token获得更大价值，从而可以收取更高的Token价格，并探索按Token消耗量付费及按效果付费等新商业模式，将收费来源从采购预算迁移至业务超额收益，开启更大的增量市场[1][12] - 业绩成长性高、估值低位、已有按Token消耗量/按结果付费收入的优质AI应用标的有望获得市场关注，报告提及的产业链相关公司包括迈富时、税友股份、中控技术、滴普科技等[1][4][30] 三层Token结构分析 - 算力层：作为Token的物理生产，其加价来源为资源稀缺性与规模降本，推理侧Token消耗量指数级增长推动算力链条持续涨价，算力租赁环节已在探索Token分成新商业模式[2][10] - 模型层：作为Token的智能密度，其加价来源为智能密度溢价，大模型厂商Token价格的分层反映了智能水平的分层，但随着高质量开源模型涌现，溢价空间面临结构性压缩[2][11] - 应用层：作为Token的场景转化率，其加价来源为私有数据×行业Know-how×合规价值，核心价值在于将行业私有数据与专业Know-how赋能Token使用过程，使单位Token投入的业务价值最大化，市场对其价值挖掘尚不充分[2][9][12] - 数据飞轮效应：应用层的价值壁垒存在自我强化逻辑，用户使用沉淀的行业语料与反馈可反哺模型微调，进一步提升单位Token的场景转化率，从而获得更强的效果承诺能力与更高定价权，这意味着拥有数据资产的应用厂商相对优势会持续扩大[13] 对“大模型吞噬软件”误判的驳斥 - 误判一：算力支出挤压软件预算：企业整体IT投入在增加，AI Agent原生应用正在争夺传统软件预算、人力预算、营销预算及运营预算，按结果付费与利润分成模式更将收费来源迁移至业务超额收益，开辟了新的预算池[3][15][17] - 误判二：AI Coding导致无需外购应用：企业AI应用的价值从来不在于代码本身，而在于行业数据积累、业务理解/工程判断、效果承诺/风险承担，AI Coding使代码生成成本趋近于零，反而使这些非代码价值的权重上升，强化了垂直应用厂商的竞争优势[3][16] AI应用公司评估框架 - 护城河评估（五维防御体系）： - 客户粘性：核心评估客户是否持续扩大购买，强信号包括KA老客客单价年增速持续超过20%、合同负债增速持续高于收入增速[19] - 数据时间资产：权重最高的维度，评估竞争对手需要多少年才能追上，强信号包括深耕特定行业超过10年、拥有独占或半独占数据获取渠道、所在行业数据结构复杂[20] - 私有化部署性质：需根据毛利率和实施人员细分，监管强制型（毛利率>60%、低实施人员占比）为强护城河，而能力不足型（低毛利、重度定制）则为交付负担[21][22] - 平台化程度：决定公司能否脱离项目制线性增长，强信号包括有可跨客户复用的标准产品模块、形成合作伙伴生态体系、新客户获取成本随规模下降[22] - 场景暴露度：低频、高监管、数据敏感、深度嵌入业务流程且错误代价极高的场景替代风险极低，具有天然保护[23][24] - 成长性评估（三维体系）： - 纵向渗透空间：衡量在已有客户群体里的收入天花板，AI平台卖“数字劳动力”，客单价天花板较传统软件高出一个数量级，强信号包括头部客户用量仍在加速、产品矩阵中存在已使用但未货币化的场景[24] - 横向扩张可行性：衡量能力迁移性，强信号包括底层技术平台行业无关、有跨行业复制的早期财务证据、出海商业模式具有普适性[25] - AI共振系数：衡量基础模型能力提升能解锁的新场景，重点考察能力阈值跳变，例如模型准确率从90%提升至99%可能使业务从“人工辅助”跃迁至“无人值守”[26][27] - 四象限定价逻辑：整合护城河与成长性，将公司分为四类，其中护城河深+成长性强的公司定价权强、客户黏性高，壁垒随规模加固，是建议的核心持仓标的，应给予成长乘数估值[27][29]