美股AI应用行情复盘 - 2026年市场围绕大模型是否吞噬软件展开新一轮博弈，美股AI应用软件呈现分化 [4] - 64家重点AI应用公司当前估值为历史较低水平，反映软件行业多数风险已被市场定价 [4] - 数据库、IT运维、网络安全等领域具备高准确性、高稳定性的特性，并深度嵌入企业核心流程，护城河相对较深 [4] AI软件应用底层逻辑与分场景分析 - 数据基础设施、IT运维、网络安全领域：AI催化或带来新增需求，龙头公司AI产品货币化已验证 [5] - 后续重点关注：1) Snowflake、Datadog等公司的AI相关产品能否在总营收中持续环比高增；2) 网络安全板块中，传统防火墙硬件升级需求能否持续转化为长期的SaaS订阅收入 [5] - 传统软件公司通过AI赋能逐步实现商业模式转型，从单一的“按席位订阅”向“席位+按用量付费”的混合模式转变 [5] - 关注AI Agent从“试点测试”走向“规模化生产环境”的实际转化率 [5] 垂类应用分析 - 通用大模型无法满足特定行业的合规与精度要求，这赋予了垂类软件极深的护城河 [6] - 能利用AI直接提升客户ROI（如广告营销）或能通过AI Agent替代繁重人力的深水区行业（如工业），被大模型替代/侵蚀份额风险较小 [6] - AI产业已进入可核算投入产出的阶段，软件应用AI产品从Chatbot向Agent跃升，商业模型逐步切换打开了收入天花板 [6] - 部分细分赛道已验证AI带来新增需求 [6] 当前投资逻辑与展望 - 当前美股AI应用投资逐步证伪“AI吞噬论”，聚焦寻找刚需&具备AI变现能力的软件应用层 [6] - 软件估值修复弹性依靠企业证明AI不是在侵蚀原有收入，而是通过“按用量/效果付费”创造新增收入 [6] - 短期来看，数据基础设施、IT运维、网络安全等领域直接受益于AI算力需求增长，相比下游AI应用公司价值链条较短、确定性较强 [6] - 长期来看，随着大厂AI投入具备商业闭环的支撑，下游AI应用的需求有望持续 [6]

文章核心观点 - 人工智能行业正经历一场由AI Agent普及引发的“Token-maxxing”现象，Token从模型公司的计费单位演变为企业重要的经营成本和生产力指标，其消耗与成本控制成为行业焦点 [5][7][16] - 在激烈的人才争夺战中，传统招聘平台难以满足AI公司对顶尖、非标准化人才的需求，催生了像DINQ这样利用AI技术从公开技术数据中精准挖掘人才的新型服务 [9][10][23] - AI行业商业化的核心正从单纯追求模型能力，转向关注AI如何进入真实业务场景并创造可衡量的价值，Token成为连接模型能力与商业价值的关键度量单位 [38][41] Token的商业化与成本演变 - **Token消耗激增成为行业现象**：过去半年，“Token-maxxing”在AI行业流行，开发者因使用Claude Code等工具，单月Token消耗可达数万美元，企业也开始将其视为重要经营成本 [5][7] - **AI Agent是推动Token消耗的核心因素**：自2023年下半年起，Claude Code、Cursor及各类Agent产品的成熟，使得“数字员工”能同时处理多项任务，导致Token消耗量级被显著放大，从后台走向前台 [15][16] - **Token成本成为企业现实考量**：企业面临鼓励使用AI与控制Token成本的双重压力，DINQ公司每月Token调用成本达数万至十万美元级别，成本优化成为Agent公司的关键能力 [8][17][18] - **产业链价值分配向模型公司集中**：当前产业链中，模型公司是Token收入的主要获益者，而Token中转服务等角色虽在增长，但其本质仍是购买和分销模型公司的Token [19][20] - **Token正演变为企业的基础生产资料**：随着Agent处理复杂任务（如写代码、分析长文档）导致账单激增，企业开始像管理云计算资源一样，设立专门的Token预算并进行成本管理 [36][37] - **未来Token市场将呈现分层趋势**：预计将形成由少数高价值场景使用昂贵模型、大量普通场景使用低成本模型的分层市场，核心是关注每个Token所能创造的价值 [38] AI人才招聘的挑战与变革 - **AI人才争夺战白热化**：过去一年，大模型、AI Agent、具身智能公司争抢同一批顶尖人才，字节等公司甚至以10倍薪资挖人，迫使如DeepSeek等公司通过融资和股权激励留人 [9] - **传统招聘平台难以满足新需求**：AI公司寻找的是具备特定能力（如强化学习、TPU研发、顶会论文）的非标准化人才，其信息分散在GitHub、OpenReview、论文等公开技术平台，而非传统简历库 [10][23][27] - **新型AI招聘平台应运而生**：以DINQ为例，其通过聚合、索引海量公开技术数据（如近2亿条GitHub数据），利用自然语言交互，帮助企业精准寻找特定方向的人才或潜力新星 [28][31][32] - **招聘逻辑从“找职位”转向“找能力”**：企业需求具体化为寻找“做过Coding Agent的年轻研究者”或“Google做TPU的华人工程师”等，招聘过程是一个通过AI Agent进行需求补全和持续交互的探索过程 [23][29][30] - **年轻潜力人才成为关注重点**：企业不仅寻找已成名的行业明星，更关注已做出项目成果但尚未被市场充分发现的年轻研究者（如00后研究员），这类人才市场需求旺盛 [24][25][31] AI公司的商业模式与价值定位 - **Agent公司的价值闭环挑战**：Agent的核心价值在于提升效率，但难以完全获取其创造的全部价值；而模型公司因处于产业链上游，只要Agent被使用就能通过消耗Token获得收入，商业模式更为直接 [21] - **专业化产品解决核心痛点**：DINQ选择专注于“找人”这一单一功能，旨在解决过去无法解决的人才发现难题，而非仅提升现有流程的效率，以此建立差异化价值 [28] - **数据能力构成核心壁垒**：对于AI招聘等依赖信息的服务，核心壁垒在于对分散的公开技术数据进行大规模聚合、索引和关联的数据建设能力，而非仅仅是模型或Agent能力 [32] - **行业进入理性算账阶段**：AI行业的发展重点从只看模型能力，转向审视AI是否真正进入业务、产生结果并跑出回报，关注技术的实际商业落地与价值转化 [41]