AI支出与收益分析报告（2026年4月）关键要点总结 涉及的行业与公司 * 行业：人工智能（AI）行业，特别是生成式人工智能（GenAI）的支出与收益分析，涵盖AI供应链各层级（芯片、超大规模云服务商、模型公司、企业层）[1][6][9] * 公司：报告提及多家公司，包括超大规模云服务商（Hyperscalers）：微软（MSFT）、亚马逊（AMZN）、谷歌（GOOGL）、Meta（META）[22][40]；半导体（芯片）公司：如英伟达（NVDA）[40]；模型公司：如OpenAI[14]；以及软件公司如Datadog[67] 核心观点与论据 1. AI采用现状与预期偏差 * 消费者采用远超预期：生成式AI在推出后三年内达到约53% 的采用率，远高于个人电脑和互联网初期的轨迹[18]；OpenAI的周活跃用户（WAU）数据（图表显示从2022年11月至2026年1月快速增长）[14][15] * 企业采用强劲但投资回报率（ROI）面临挑战：尽管企业采用积极，但实际ROI难以实现[5][26]；一项MIT报告显示，尽管企业向GenAI投资了300-400亿美元，但95% 的组织获得零回报[37]；员工感知与高管预期存在巨大差距，例如在每周节省时间认知上存在38个百分点的最大分歧[28][30] 2. AI供应链经济价值分配失衡且不可持续 * 价值高度集中于半导体层：迄今为止，几乎所有价值都累积在芯片层，这是前所未有的[9]；自ChatGPT-3.5发布以来，英伟达（NVDA）的净利润增长远超超大规模云服务商[40][41] * 供应链其他层级面临经济挑战： * 企业层：多数企业在AI实施上亏损[37][38] * 模型层：现金消耗问题被广泛报道[37][38] * 超大规模云服务商层：已耗尽所有运营现金流，正在借款资助建设；2025年数据中心债务发行额翻倍至1820亿美元[35][37]；其资本支出（Capex）持续增加，尽管股票表现落后于市场（图表显示2024年7月至2026年3月期间，四大超大规模云服务商资本支出总额从约200亿美元增至近1400亿美元，而股价表现参差不齐）[13][21][22] * 动态不可持续：历史上，芯片公司在其客户繁荣时才会繁荣，而当前情况是芯片公司以供应链上游公司为代价而繁荣[10][38][39] 3. AI对就业市场的影响被夸大 * 替代（Substitution）与增强（Augmentation）并存：AI对就业的影响存在替代（取代工作岗位）和增强（工人利用AI工具提高效率）的重要区别[43]；高盛宏观团队分析显示，电话接线员、保险理赔员面临最高的AI替代风险，而教育工作者、法官面临最高的AI增强潜力[46] * 尚未出现大规模岗位替代：受高AI替代风险影响的行业和职业经历了更大的就业下降和失业率上升，而受高AI增强影响的则经历了高于平均的就业增长，部分抵消了替代效应[52]；净效应估计为每月拖累 payroll 增长 16k，并使失业率提升 0.1个百分点[52] * 长期预测：基线估计AI可能取代经济中25% 的总工作小时数[53]；结合15% 的AI驱动劳动生产率提升预测，广泛采用AI可能导致6-7% 的工作岗位被取代[54]；在基线假设下（10年采用期，6-7%工人被取代），失业率峰值可能增加约 0.6个百分点[56] 4. 小语言模型（SLMs）在企业中比大语言模型（LLMs）更具影响力 * SLMs在企业的价值主张更优：SLMs在速度、成本、资源需求、隐私和微调效率方面相比LLMs具有优势[61][63][64][65] * 具体成功案例： * Datadog展示其基于内部数据训练的SLMs能以更低成本提供比前沿模型更好的准确性[67][68] * 一家供应链公司从LLM转向专业SLM后，响应延迟减少47%，成本降低50%[71] * 一家企业SaaS提供商用基于内部文档微调的SLM聊天机器人替换通用LLM聊天机器人后，内部聊天机器人使用量在三个月内增加62%[71] 5. 解锁企业AI价值的关键：数据结构和编排层 * 关键障碍：当前阻碍企业AI成功应用的主要因素不是模型能力，而是数据结构和编排与部署[9][75] * 数据结构的重要性：AI代理必须建立在结构良好的数据之上，否则会导致持续令人失望的结果[76]；报告以零售公司为例，说明若客户、库存、行为数据位于不同孤岛且未对齐，AI代理将无法提供可实现的建议[83] * 编排与部署层的作用：该层负责将工作负载智能路由到合适的模型（低成本模型处理简单查询，高性能模型处理复杂任务），以管理令牌使用并改善AI经济性[81][86]；报告以对冲基金投资组合经理的查询为例进行说明[86][89] * 新兴价值层：报告认为，在模型层和企业层之间，将出现一个关键的编排与数据层，用于解锁企业AI价值，预计部分价值将累积于此[81] 6. AI可能颠覆的利润池（超越劳动力替代） * 广告：AI有潜力颠覆多个价值数十亿美元的广告利润池，包括加速从传统渠道向数字渠道转移广告支出（约1700亿美元）、自动化广告创意生成过程（约1140亿美元）、整合广告技术“中介”（约250亿美元）以及对广告代理生态系统的影响（约1610亿美元）[99][106]；谷歌Performance Max和Meta Advantage+是成功整合AI用例的产品[100]，采用率在增长（图表显示截至2025年第二季度，约63% 的美国广告主使用PMax）[103][105] * 软件：软件总目标市场（TAM）预计将增长而非萎缩，因为领域专业知识能驱动更好的AI结果[107]；客户服务子板块的TAM分析显示，从SaaS转向AI代理后，由于实现了生产力提升，TAM最终会更大（图表显示代理TAM从2025年到2030年显著增长）[110][111]；2030年的软件领导者可能包括部分现有企业和几家下一代AI初创公司[109] * 网络安全：AI可能带来净正面或负面影响，预计会出现“基础级”安全（由LLM提供商嵌入以降低采用摩擦）和“防护”安全（由专业供应商提供）的分化[115][116] * 交通运输：AI在自动驾驶出租车和重型卡车运输领域有巨大市场潜力；预计到2035年，与自动驾驶相关的总收入可能达到约2万亿美元，其中归因于AI的部分约为3000亿美元；对现有市场（如人类操作的网约车/出租车、卡车运输）的颠覆潜力在美国可能达到约4400亿美元[120]；预计到2035年，美国自动驾驶出租车市场规模将达到480亿美元，全球市场约为4150亿美元；重型卡车运输市场到2035年在美国可能达到1050亿美元，全球约5600亿美元[122] 7. 给企业管理层（C-Suite）的建议 * 放慢速度，避免FOMO（错失恐惧症）：确保FOMO不会迫使公司仓促采用尚未准备好的AI解决方案[5][125] * 打好基础，着眼长远：先建立长期AI成功所需的所有基础模块（数据结构和编排层），然后再急于构建AI代理[125] * 记住互联网时代的教训：先驱者中箭，定居者得地；公司应努力成为“Uber”，而不是那些急于建设产能的公司[125] * 审视最终目标：思考运行数百个离散的SLM与试图替代的SaaS应用在长期有何本质区别[5][125] * 重新评估自建与购买策略：鉴于AI构建的昂贵和困难，购买解决方案的势头正在增强[125] 8. 投资建议 * 相对价值交易：建议做多超大规模云服务商 vs. 低配半导体股票[4][126] * 逻辑依据：市场已对超大规模云服务商的ROI表示怀疑，其估值倍数被显著压缩，而对半导体板块更为乐观[127][128]；费城半导体指数（SOX）已显著跑赢超大规模云服务商[130] * 预期情景： 1. 企业开始展示正ROI：超大规模服务商股票估值修复，半导体股票上涨较少[132] 2. 企业ROI仍具挑战且超大规模服务商削减资本支出：超大规模服务商因现金流前景改善而反弹，半导体股票因收入受影响而受挫[132] 3. 现状持续（交易亏损）：价值继续累积于半导体公司，超大规模服务商现金流动态恶化[132] 其他重要内容 * 报告性质：本报告是高盛对2024年6月《Gen AI：支出过多，收益过少？》报告的更新和观点修正，采用幻灯片格式发布[6][7] * 核心问题：报告旨在回答“价值将在供应链的何处累积？”这一关键问题，并探讨了为解锁企业AI经济性而出现的新兴层级[9] * 数据引用来源广泛：报告引用了大量第三方研究、调查和媒体报道，包括斯坦福大学HAI、MIT、华尔街日报、哈佛商业评论、Gartner、EY等[16][18][28][31][37] * 免责声明：报告包含标准投资银行免责声明，指出高盛与所覆盖公司存在业务往来，可能存在利益冲突[1]