行业投资评级 - 报告未明确给出行业整体投资评级 报告核心观点 - AI业务的商业价值判断标准正由用户规模、活跃度和调用热度，转向场景价值密度与结果兑现能力 [4] - AI商业化竞争正从流量获取转向场景深耕，从产品普及转向价值兑现 [4] - 未来能获得更高估值和更强商业承接能力的AI产品，是能持续嵌入高价值场景、形成稳定付费与复用需求的产品，而非用户规模最大的产品 [4] AI价值定义与场景判断 - 用户规模不等于收入质量：用户规模体现流量入口和品牌认知，但决定收入质量和可持续商业价值的是AI是否嵌入高价值场景，形成高强度、可付费、可续费的工作负载 [13][14] - 市场关注点已从用户规模转向效率改善、企业营收与投资回报兑现 [16] - 例如，ChatGPT拥有约9亿周活用户，OpenAI年化收入超250亿美元；而Anthropic用户基础更小，2026年初年化收入已达约90亿美元，收入差距正在缩小 [16] - 中国头部厂商收入结构也反映此趋势：百度2025年文心助手月活2.02亿，同期AI Cloud Infra收入约198亿元（同比增长34%），AI Applications收入超102亿元，其中AI加速基础设施订阅收入同比增长143% [16] - 高频调用不一定代表高价值：AI商业价值取决于单次调用的价值兑现密度，而非调用频次 [13][17] - 高价值场景需满足四大条件：任务边界清晰、工作结果可衡量、深度嵌入业务流程、易形成付费和续费需求 [13][17] - 例如，客服、代码辅助、工作流执行等任务型场景具备高频和明确产出；合同审查、合规审核等场景虽频次不高，但能实现时间节省与风险控制，提升效率 [22] - 以MiniMax数据为例：其陪伴互动产品“星野”平均MAU为 2,005.1万，付费用户139.04万，平均每付费用户支出5美元；而其主应用平均MAU为142.9万，付费用户1.03万，但平均每付费用户支出达73美元，是前者的14.6倍 [22] AI Token商业逻辑 - Token主流调用模式多元分层的价值：中国AI Token定价体系正由基础输入/输出计费，延伸至长上下文、缓存与Batch等多元化模式，核心逻辑是通过差异化定价匹配不同任务的算力占用方式，增加AI厂商收入，降低算力成本 [24][25] - 以主流厂商基础文本档位为样本，输入价格均值约2.4元/百万Tokens，输出价格均值约9.6元/百万Tokens，输出侧价格约为输入侧的4倍 [26] - 长上下文会显著增加计算资源消耗，因此多数平台对较长上下文设置更高价格；缓存机制通过复用内容减少重复计算；Batch模式通过异步处理提高低峰时段算力利用率 [26] - 多元层次计费如何匹配场景效益：Batch、长上下文、缓存及资源包等模式根据时效性、上下文长度与复用程度对算力成本进行再分配，降低企业单位调用成本，提升高价值场景使用频次，并提高平台低峰时段资源利用效率 [24][28] - 例如，阿里云Batch价格为实时调用的50%，Kimi Batch API为标准价格的60% [30] - 百度千帆推出“闲时调度训练免费、推理部署低至3折”政策 [30] - Token增长如何区分真实需求扩张与低效消耗：Token快速增长反映AI需求真实扩张，但调用尚未同步转化为高质量结果，Token消耗与模型产出不构成稳定线性关系 [24][32] - 2026年3月中国日均Token调用量已超140万亿，较2025年底的100万亿增长约40% [35] - 火山引擎豆包大模型日均Token使用量已突破120万亿，三个月内翻倍 [35] - 从模型测试看，相同成绩下Token消耗差异明显：在Humanity‘s Last Exam测试中，Qwen 3.6 Max preview、Kimi K2.5、MiniMax-M2.7与GLM-5.1成绩均约28.5%，但Token消耗分别为48百万、56百万、54百万和82百万 [35] - 未来Token调用的增长来源：核心增量预计将主要来自企业侧（To B） [24][36] - To B场景能通过工作流嵌入、Agent执行和多场景复制，将模型持续纳入标准化流程，形成更稳定、高频、可持续的调用需求 [24][36] - To C端增量更多来自既有用户使用习惯深化（如搜索、写作、规划等行为迁移），而非新增用户高速扩张 [36][41] - 例如，MiniMax旗下陪伴式AI“星野”用户平均日使用时长超70分钟，能稳定贡献大规模Token消耗 [41] AI产品商业化与收入模式 - AI产品调用与收入间如何兑现：关键在于将流量型调用转化为可付费、可续费、可盈利的有效需求，核心链条包括：模型能力与任务匹配决定有效调用，场景价值决定付费转化，流程嵌入与替换成本决定续费稳定性，推理效率与成本控制决定毛利水平 [43][44] - 有效调用取决于“模型-场景”匹配度，企业需求已从“体验验证”转向“结果可验证” [47] - 付费转化取决于商业场景价值验证（ROI），能否在降本、增效或增收上形成明确回报 [47] - 持续续费由工作流嵌入深度与替换成本决定 [47] - 毛利修复取决于单位经济模型优化速度，高调用规模不必然转化为高利润 [47] - 例如，智谱2025年云端API收入同比增292.6% 至1.9亿元，毛利率仍处18.9%；MiniMax C端产品毛利率仅4.7% [47] - To C难以形成高利润背景下，厂商追求的核心价值点：核心价值在于占据用户入口、培养使用习惯和沉淀交互数据，建立长期流量与品牌壁垒；同时，将消费端流量持续导向API、企业服务、广告分发和交易撮合等更高质量收入环节 [43][48] - 截至2025年末，中国生成式AI用户达6.02亿，渗透率约40% [51] - To C产品价值体现在：占据流量入口；向高毛利业务导流（如MiniMax Open Platform企业服务毛利率达69.4%）；通过高频交互沉淀数据反哺模型迭代 [50][51] - 未来变现重点在多元化模式探索，如广告、交易分发（例如Qwen春节期间促成近2亿商品订单）及成本端持续改善 [51] - To B客户愿意为哪些具体的AI场景付费，核心考察点：客户更愿意为能够替代重复、规则化工作且ROI可验证的AI场景付费，典型包括智能客服、合同审核、报表分析和流程自动化 [43][52] - 核心考察点在于能否降本、增效、增收并控制风险，以及能否嵌入既有系统与流程 [52][55] - 未来替代空间将沿财务共享、供应链协同、人力资源与运营控制等方向扩展 [43][55] - 价格、成本与收入之间错位的原因：根源在于消耗逻辑与价值逻辑不一致 [43][56] - 价格围绕Token消耗、上下文长度和输出规模设定，但收入兑现取决于场景能否形成可验证价值、客户是否愿意持续付费及产品能否稳定续费 [43][56] - 用户侧错位：高消耗场景（如长上下文、长输出）未必能转化为高价值结果，若输出仍需大量人工修正，边际价值下降 [57][60] - 平台侧错位：高性能模型的高成本投入未必对应客户真实付费需求，企业核心诉求是任务稳定、流程可嵌入和成本可控 [57][60]