SailPoint (NasdaqGS:SAIL) FY Conference September 10, 2025 11:00 AM ET Company ParticipantsBrian Carolan - CFOMatt Mills - President - Worldwide Field OperationsConference Call ParticipantsRob Owens - MD & Senior Research AnalystRob OwensGood morning. I'm Robbie Owens with Piper Sandler. I co-head our tech research and I manage our security and infrastructure software practice. Really pleased to be speaking with SailPoint this morning, both Brian and Matt, who are in finance and sales roles, leadership role ...

财务表现 - 2026财年第一季度收入同比下降19%至7030万美元 低于市场预期的9100万美元 [1] - 调整后净亏损4980万美元 反映执行疲软和扩张投资的双重压力 [1] - 毛利率下滑至52% 主要受初始生产部署(IPD)支持成本拖累 [3] 收入结构 - 订阅收入达6030万美元 占总收入86% 显示向经常性收入模式的转型 [2] - 专业服务收入仅占14% 凸显管理层对高利润率业务的聚焦 [2] 客户与业务发展 - 新增28个初始生产部署(IPD) 作为长期订阅合同的过渡路径 [3] - 与Nucor、Qemetica和HII的扩展合作体现工业场景应用能力 [4] - 美国陆军采用其Agentic AI技术 政府领域应用取得突破 [4] - 90%业务通过云超大规模厂商和系统集成商完成 渠道合作成效显著 [4] 行业竞争态势 - Palantir通过深度嵌入企业工作流提升客户粘性和利润率 [6] - Snowflake采用基于用量的收费模式 实现收入与数据使用量挂钩 [7] - 行业趋势强调将试点项目转化为长期订阅合同的关键性 [8] 估值与市场表现 - 股价过去三个月下跌40.4% 显著跑输行业指数 [9] - 远期市销率(P/S)为4.97倍 低于行业平均水平 [13] - 2026财年每股亏损预期从30天前的-0.42美元扩大至-1.39美元 [15] - 2027财年销售增长预期为14.5% 显示中长期增长潜力 [15]

合作概述 - DeepIQ、OMV Energy与微软宣布合作部署Agentic AI技术以改造OMV Energy钻井作业 [1] - 合作结合DeepIQ的Agentic AI解决方案、微软Azure OpenAI服务及OMV行业专业知识提升整体运营效率 [1] 技术方案 - 首个解决方案为钻井建设优化 通过自动化企业学习循环实现 [2] - Agentic AI解决方案提供情境感知工作流 协助钻井设计与开发过程 [2] - 系统利用历史钻井数据、地质模型、勘探参数和实时传感器数据等多源数据 [2] - AI技术直接嵌入OMV数字基础设施 支持自动风险检测、设备选择优化和知识管理 [3] 预期效益 - 提升工程师生产效率 推动能源行业AI增强型生产力新浪潮 [2] - 助力运营商做出更明智设计决策 降低运营风险并增强整体安全性 [3] - 通过最小化停机时间、工具故障和次优操作选择来提高安全性、可靠性和效率 [3] - 符合OMV数字化转型目标 重点关注提升运营效率、减少环境影响及增强员工技能 [4] 战略部署 - DeepIQ与微软将协助OMV在全球钻井作业中扩展Agentic AI应用 [4] - 采用混合云-边缘架构促进OMV钻井业务的全方位AI驱动自动化 [4] - 微软认为Agent技术可帮助能源公司提升安全性、简化运营、增强协作并推动规模化创新 [4] 公司背景 - DeepIQ是位于休斯顿的软件公司 专注于通过数字化人类专业知识改造工业领域 [5] - 公司基于工业DataOps基础架构和AI驱动工作流 支持大规模工业自动化并改善数字化转型用户体验 [5] - OMV成立于1956年 是福布斯全球第413大上市公司 在中东欧油气行业处于市场领先地位 [6] - 公司业务覆盖油气行业上下游 同时涉及石油化工和塑料回收领域 [6]

文章核心观点 - 生成式AI虽引发投资热潮但80%公司未实现显著财务收益 形成"生成式AI价值悖论" [2][3][4] - 智能体AI将重塑组织结构 单个员工可协调15-20个AI代理 生产力提升高达20倍 [7][10] - 大中华区企业面临四大部署痛点：价值聚焦不清晰、关键人才短缺、执行机制薄弱、技术数据基础碎片化 [11][12][13][14][15][16] - 成功部署需围绕价值路线图、人才建设、变革管理、可扩展技术架构四大维度 [21][22][25][26] - 三个案例证明通过系统化部署可实现利润率翻倍等实质性业务价值 [28][36][46][52] 生成式AI应用现状 - 80%企业使用最新AI技术但同等比例未获得收入或利润显著增长 [3] - 通用AI工具提升员工生产力但微小时间节省难以转化为显著财务收益 [3] - 高价值垂直应用场景多数停留在试点阶段 [4] - 中国企业额外面临云采用率低的技术复杂性 影响AI应用测试迭代和扩展效率 [17] 大中华区企业部署挑战 - 价值聚焦不明确 缺乏与业务战略匹配的路线图导致投资碎片化 [13] - 关键人才短缺 数据工程师和AI运营专家等角色供给不足 [14] - 业务与技术团队协作不畅 IT团队在组织内影响力有限加剧理解鸿沟 [14] - 执行机制薄弱 高层支持与一线执行存在脱节 [15] - 技术基础碎片化 缺乏统一架构阻碍能力复用和安全标准化 [16] 成功部署框架 - 定义价值导向转型路线图 优先排序高影响力和可行性用例 [21] - 建立人才能力和敏捷交付模式 通过系统化能力建设计划培养内部高潜力员工 [22][24] - 推动针对性变革管理 通过清晰沟通、培训及激励机制确保工具落地 [25] - 构建可扩展技术架构 采用混合云架构分阶段建设基础设施 [26] 制造企业转型案例 - 结合分析AI、生成式AI和传统数字工具建立生产瓶颈闭环管理系统 [31] - 通过数字确认工具跟踪解决进度 强化责任落实和能力嵌入 [33] - 组建数字交付工厂 通过每日站会和冲刺计划实现快速迭代 [35][36] - 系统化方法使利润率在两年内翻倍 [36] 高科技企业技术架构案例 - 构建模块化松散耦合架构支持多样化AI服务和模型 [38] - 建立集中数据湖整合结构化和非结构化数据 [43] - 部署多LLM模型并纳入评估机制确保输出质量 [43] - 采用混合云模式提供高性能GPU集群和容器工具支持 [45] 互联网企业变革管理案例 - 领导层通过战略宣导、内部活动和现场演示建立组织共识 [49] - 为关键角色设计定制化学习路径 包括研讨会和内部知识中心 [49] - 将AI工具嵌入OKR和团队会议等日常流程 通过徽章等激励机制推动使用 [50] - 建立明确KPI和使用跟踪机制 通过调研数据识别摩擦点 [52]

业绩总结 - Q2 FY26总收入为12.17亿美元，同比增长5%[24] - Q2 FY26非GAAP每股收益（EPS）为1.53美元，同比增长10%[24] - Q2 FY26 GAAP净收入为358,592千，非GAAP净收入为471,319千[36] - H1 FY26总收入为2,391,942千，同比增长3.8%[37] - H1 FY26非GAAP净收入为919,612千[36] 费用与利润 - Q2 FY26研发费用占总收入的17.0%，同比增加82个基点[24] - Q2 FY26销售与营销费用占总收入的27.8%，同比增加301个基点[24] - Q2 FY26非GAAP运营利润为503,226千，非GAAP运营利润率为41.3%[36] - Q2 FY26运营收入率为26.4%，同比提高902个基点[24] - Q2 FY26的有效税率为20.0%，同比下降524个基点[24] 现金流与资本支出 - Q2 FY26的现金流为5.16亿美元，现金流量率为42.4%[29] - Q2 FY26的自由现金流为5.08亿美元，自由现金流率为41.7%[29] - Q2 FY26运营现金流为515,940千，运营现金流率为42.4%[37] - Q2 FY26的资本支出为7,966千[37] - 截至2025年7月31日，Zoom的现金余额约为78亿美元[28] 未来展望 - Q3 FY26的收入预期为12.10亿至12.15亿美元[30] - 全年收入预期为48.25亿至48.35亿美元[30] 用户数据 - Q2 FY26的在线平均月流失率为2.9%[38]

**行业与公司** - **行业**：生成式人工智能（GenAI）在企业中的应用 - **公司**：涉及多家企业（未具名，数据匿名化处理）[5][6] --- **核心观点与论据** **1 GenAI Divide（生成式AI鸿沟）** - **现状**：尽管企业投资达300-400亿美元，95%的组织在GenAI上零回报，仅5%的试点项目能创造数百万美元价值[10] - **原因**： - 工具（如ChatGPT、Copilot）广泛采用（80%组织试点，40%部署），但仅提升个人生产力，未改善P&L表现[10] - 企业级定制系统失败率高：60%评估，仅20%进入试点，5%投入生产[10] - 主要障碍：工作流程僵化、缺乏上下文学习、与日常操作不匹配[10] **2 行业转型现状** - **低颠覆性**：仅科技（Technology）和媒体（Media & Telecom）两个行业出现结构性变革，其他7个行业（如医疗、金融、零售）无显著变化[18][25] - **企业悖论**：大企业试点数量多但规模化滞后，中小型企业实施更快（90天 vs 大企业9个月）[37] **3 试点与生产的差距** - **通用工具（如ChatGPT）**： - 试点成功率83%，但仅适用于简单任务（如邮件、摘要）[35] - 用户偏好：因界面熟悉、输出质量高、信任度高[67][69] - **定制工具**： - 生产部署率仅5%，失败主因：缺乏学习能力、无法适应工作流程[34][55] - 用户对关键任务仍依赖人类（复杂任务中90%偏好人类）[76] **4 投资与ROI错配** - **预算分配**：70%流向销售与营销，但后台自动化（如财务、采购）ROI更高[47][52] - **实际收益**： - 前台：销售线索处理提速40%，客户留存率提升10%[124] - 后台：BPO（业务流程外包）成本减少200-1000万美元/年，外部机构支出降30%[124][129] **5 劳动力影响** - **选择性裁员**：集中在客服、行政等外包职能（5-20%岗位削减），无大规模裁员[127] - **招聘趋势**：科技和媒体行业未来24个月招聘量预计减少，其他行业无显著变化[128] --- **其他重要内容** **1 Shadow AI（影子AI经济）** - **现象**：员工私下使用个人AI工具（如ChatGPT）比例达90%，远超企业官方采购（40%）[41][43] - **意义**：揭示灵活工具的价值，企业需借鉴员工使用习惯[44] **2 成功跨越鸿沟的关键** - **买方策略**： - 优先采购而非自建（外部合作成功率67% vs 内部33%）[109][113] - 要求工具具备学习能力（66%高管需求）和深度定制[85][87] - **卖方策略**： - 聚焦垂直场景（如合同审核、代码生成），通过推荐网络获客[94][100] **3 未来趋势：Agentic Web（自主代理网络）** - **技术基础**：基于NANDA、MCP等协议，实现跨系统自主协作（如采购代理自动谈判）[136][140] - **窗口期**：企业需在18个月内锁定学习型系统，否则切换成本将剧增[106] --- **数据与图表引用** - **行业颠覆指数**：科技（3.5分）、媒体（2分），其他行业≤1.5分[24][25] - **部署率对比**：通用LLM试点80% → 生产40%，定制工具试点20% → 生产5%[32] - **投资分配**：销售与营销占70%，后台职能（如财务）仅少量[49][52] --- **注**：所有数据均来自匿名化企业访谈及公开资料，可能存在样本偏差[5][146]。

业绩总结 - 2025年第二季度收入为4.12亿美元，同比增长34%[10] - 2025年第二季度GAAP净收入为650万美元[10] - 2025年第二季度调整后EBITDA为6400万美元，调整后EBITDA利润率为16%[10] - 2025年第二季度发送量达到185亿美元，同比增长40%[27] - 2025年第二季度活跃客户数量为850,000，同比增长24%[27] - 2025年第二季度净收入为6,536千美元，较第一季度的11,352千美元下降43.5%[52] - 2025年第二季度调整后的EBITDA为63,997千美元，较第一季度的58,428千美元增长9.0%[52] - 2025年第二季度收入为411,852千美元，较第一季度的361,624千美元增长13.9%[52] - 2025年第二季度调整后的EBITDA利润率为15.5%，较第一季度的16.2%下降0.7个百分点[52] 未来展望 - 预计2025年全年收入在16.1亿至16.2亿美元之间，同比增长27%至28%[39] - 预计2025年调整后EBITDA在2.25亿至2.3亿美元之间[39] - 预计2025年第三季度收入在4.11亿至4.13亿美元之间，同比增长22%至23%[42] - 预计2025年第三季度调整后EBITDA在5300万至5500万美元之间[42] 成本与费用 - 2025年第二季度客户支持和运营的非GAAP费用为24,613千美元，较第一季度的22,309千美元增长10.3%[51] - 2025年第二季度市场营销的非GAAP费用为79,796千美元，较第一季度的68,276千美元增长16.9%[51] - 2025年第二季度技术和开发的非GAAP费用为53,356千美元，较第一季度的50,633千美元增长5.4%[51] - 2025年第二季度一般和行政的非GAAP费用为46,334千美元，较第一季度的40,585千美元增长14.5%[51] - 2025年第二季度股票补偿费用为38,066千美元，较第一季度的35,792千美元增长6.3%[52] - 2025年第二季度与股票补偿相关的工资税为1,519千美元，较第一季度的3,140千美元下降51.6%[52]

行业与公司 - 行业聚焦于欧洲科技领域，特别是半导体和人工智能（AI）相关产业[1] - 涉及的公司包括ASML、BE Semiconductor Industries（BESI）、Logitech、CD Projekt、Netflix、Salesforce、Google、Microsoft等[1][4][7][9] - 其他参与者涵盖量子计算、光子学、GPU集群、混合键合（Hybrid Bonding）和超级计算机CPU等领域的技术公司[1] 核心观点与论据 **AI成本效率与能力提升** - 生成式AI的成本效率显著提升，部分前沿大语言模型（LLM）的训练和推理成本比早期版本降低400倍[4] - AI在软件开发等领域带来可衡量的生产力提升，相当于带宽增加6倍的劳动力[4] - Salesforce的AI处理50%的工作负载，Google的新代码行中25%由AI生成[4] - OpenAI和DeepMind的LLM在国际数学奥林匹克竞赛中表现优异，超过大多数人类参与者[4] **多模态与行业应用扩展** - AI不仅能执行预训练算法，还能处理语音、视频等多种感官输入输出，拓展了应用场景[5] - Netflix通过生成式AI将视觉效果制作速度提升10倍[7] - 零售行业中，AI机器人用于库存管理和预测分析，3-4个月内实现3-4倍的投资回报（ROI）[7] - 医疗领域，95%的特定癌症手术由机器人完成，AI通过25年的运动学视频数据训练提升效率[7] - Logitech在其生产场所部署数千个自主机器人代理，实现24/7运营并降低成本[7] - 教育科技（EdTech）中，AI在3天内创建了1200个学习模块（每个35小时），媒体解决方案通过AI将文档转化为视频内容，用户参与度提升3倍[7] **行业瓶颈与解决方案** - 数据中心电力需求巨大，某些数据中心耗电量堪比纽约市，需要更高效的发电、配电和散热技术[6] - 需要明确的内容监管机制，包括人工审核、提示工程、输出过滤和安全分类器以减少风险[9] - 光子学技术可将某些加速器的能耗降低70%，量子计算机为模型训练提供新数据源[9] - ASML的Low NA和High NA EUV光刻工具可降低周期时间、提高良率，支持AI训练的功耗和延迟优化[9] - 混合键合技术（Hybrid Bonding）在内存领域降低电流消耗和热量生成，BESI是该领域的关键参与者[9] **半导体与硬件机会** - Infineon在AI功率半导体领域具有竞争优势，提供基于硅、碳化硅和氮化镓（GAN）的芯片[9] - Nebius专注于提供成本与能源高效的GPU，通过硬件优化和全栈软件方法实现差异化[9] - Logitech在视频会议、游戏等产品中积极应用AI，并成功应对关税影响[9] 其他重要内容 - 会议汇集了500名参与者和25位以上演讲者，包括牛津大学、皇家工程学院的教授以及企业高管[1] - 讨论主题涵盖Agentic AI（自主执行任务的AI）、机器人、教育科技、健康科技等[1][7] - 强调透明度和可转移性对AI决策解释的重要性，以及避免偏见的机制[9] 数据引用 - 成本降低：400倍[4] - 生产力提升：6倍带宽[4] - 工作负载：Salesforce 50%，Google 25%[4] - 零售ROI：3-4倍[7] - 医疗手术：95%机器人完成[7] - 能耗降低：光子学70%[9]

全球市场环境与品牌战略 - 2025年初中国企业出海面临国际环境不确定性，但心态已从焦虑转为积极应对，认为这是重塑全球品牌格局的窗口[3] - 81%全球受访者愿意考虑新品牌，美国市场达85%，消费者需求从"性价比"转向"心价比"即更优质产品和合理价值[5] - 中国制造依赖型海外品牌成本涨幅更高，为中国品牌创造了新的竞争空间[3] AI驱动的搜索与广告变革 - Google搜索从"关键词匹配"进化为理解"用户为什么找"，颠覆传统营销模式[7][8] - AI搜索呈现三种形态：AI Overviews(简答框展示)、AI Mode(多轮对话)、Agentic AI(代理执行任务)[10] - Power Pack工具(PMax/DemandGen/AI Max)实现广告自动优化，AI Max使转化率平均提升27%[11][14] - 速卖通案例：AI Max通过意图分析使转化率提升20%，ROAS提升25%，并发现非英语市场机会[13] YouTube的品牌建设价值 - YouTube拥有数十亿活跃用户，能帮助品牌实现从"被看见"到"被偏爱"的转变[17] - 消费者下单前86%的线上触点发生在YouTube，平台AI能高效预判用户需求[19] - 创想三维案例：通过YouTube内容将工业级3D打印机转化为生活方式故事，售出550万台[22] - MrBeast案例显示创作者经济中信任是关键，70%用户因YouTube内容产生购买行为[26][28] 中国企业品牌战略演进 - 从"产品出海"到"品牌出海"：注重传递品牌理念而非单纯卖货[24] - 从"功能交付"到"情感连接"：通过文化底蕴和故事建立消费者认同[24][25] - 新生代企业从创立即注重全球品牌建设，推动行业整体品牌意识提升[19] AI驱动的营销效率提升 - VIVAIA案例：Gemini分析发现用户兴趣点使YouTube广告转化率增长300%[15] - 游戏客户通过AI分析500个视频发现美国洗衣房游戏场景等非传统机会[15] - Google Veo模型提升视频广告制作效率并改善效果[15]

Agentic AI核心概念与技术演进 - Agentic AI是基于大语言模型（LLM）的自主软件系统，通过感知、推理、规划与工具调用能力实现复杂任务自动化执行，技术演进从规则引擎发展到目标导向架构 [1][22] - 核心能力包括自然语言理解与推理（支持模糊指令逻辑分析）、自主规划与工具集成（通过思维链/树状思维分解任务）、记忆机制与闭环反馈（短期/长期记忆结合RAG技术） [3][25][28][31] - 系统分类：单Agent适用于特定领域简单任务（响应快、成本低），多Agent通过"主管-协作者"模型处理复杂任务（如投资分析、赛事诊断） [36][38] 技术架构与前沿技术 - 关键技术模块包括目标定义与任务管理（ReAct框架形成闭环）、环境交互与沙箱技术（硬件级虚拟化隔离）、多Agent通信协议（A2A/MCP协议标准化工具连接） [3][32] - 前沿技术包含Agentic RAG系统（动态获取最新数据）、Computer Use/Browser Use（自动化流程操作）、端到端训练内化模型能力 [4][25] 构建方案与场景适配 - 亚马逊云科技提供三类方案：专用Agent（Amazon Q，开箱即用）、全托管服务（Amazon Bedrock Agents，快速集成）、完全自建Agent（Strands Agents，深度定制） [1][12] - 选择依据包括任务确定性（专用Agent适合标准化流程）、灵活性需求（自建Agent满足特殊业务流程） [1] 行业应用案例与价值验证 - 金蝶国际：优化ERP系统智能提单流程，员工通过自然语言描述需求实现自动化单据提交 [1][12] - Formula 1：赛事根因分析从数周缩短至几小时，通过Agent分析日志数据提升诊断效率 [2][12] - 制造业：采购合同关键条款识别与物流单信息提取减少人工错误，金融领域：整合市场数据生成可视化决策报告 [4] 未来趋势与挑战 - 趋势：模型能力内化减少外部依赖、标准化协议推动"AgentOS"生态形成、通用与垂直场景分化（个人助理vs专业领域） [4][26] - 挑战：复杂任务推理链断裂、多Agent协同中的上下文丢失、幻觉问题需结合RAG提升输出可信度 [4][38] 市场前景 - 到2028年企业软件应用中33%将集成Agentic AI技术，技术发展推动各行业智能化变革 [26][5]