AI 行业周期：
五条错位曲线

数据截止：2026-07-19
预测窗口：未来 12-18 个月，即 2026 年下半年至 2027 年末
证据基础：46 项公开数据、学术研究、公司财报与近月行业研报，关键口径以原始资料交叉校正
说明：本文讨论行业位置与经营条件，不构成具体证券买卖建议。

执行摘要

核心结论

AI 产业并未同步进入同一个阶段。更准确的状态是：

模型能力处于前沿继续突破、成熟能力快速商品化的双速周期。
算力基础设施仍在高强度扩张，但项目、地区、利用率和资本回报开始分化；企业采用进入规模化早期，价值向少数领先组织集中。
应用层已验证收入，却正在接受留存与毛利筛选；任务和技能重构已经发生，组织层级与净就业变化仍明显滞后。

“五条错位曲线”需要遵守三项判断原则：

1. 每条曲线内部也要拆分，不能再用一个阶段点概括。
2. 五条曲线之间不是自动传导，而是被任务成功率、企业集成、能源和治理成本所调节。
3. 判断周期位置要看结果指标，不能只看 Benchmark、Capex、PoC、MAU 或裁员新闻。

当前阶段判断

五个最重要的数据锚

1. Stanford 2026 AI Index 显示，前沿模型一年内在 Humanity's Last Exam 上提高约 30 个百分点，但结构化 Agent 基准仍约每三次失败一次；这说明能力跃升与可靠交付之间仍有明显距离。
2. CBRE 2026 数据显示，北美四大数据中心市场库存同比增长 33%，但北弗吉尼亚空置率仍只有 0.3%；与此同时，拉美部分市场空置率超过 10%。基础设施问题是地域和项目错配，不是统一短缺或统一过剩。
3. 美国人口普查局显示，全体美国企业 2025 年末至 2026 年 5 月 AI 实际使用率约 17%-20%，大型企业为 37%，信息业 39.7%、金融保险 33.9%、零售约 14%。
4. RevenueCat 的 11.5 万个订阅应用样本显示，AI 应用每付费用户收入高 41%，但流失速度快 30%。AI 更容易促成首次付费，却还没有普遍形成长期留存。
5. 美国人口普查局 2026 AI 补充调查对应的 NBER 研究显示，18% 企业在至少一个职能使用 AI，就业加权后为 32%；66% 主要用于增强任务，报告就业减少的企业只有 2%。组织周期已经开始，但目前主要是任务重组，不是总量裁员。

---

一、分析框架：五条曲线加两条横向保障层

五条曲线仍是产业分析主体，但最近材料显示，还需要显式加入两条横向约束：

• 能源与电网：决定算力能否按计划交付，也决定不同地区数据中心的成本和资产价值。
• 任务交付基础设施：包括 Harness、评测、可观测性、权限、安全、路由和 AI FinOps，决定模型能力能否转化为可靠、可盈利的业务任务。

它们不是第六和第七条周期，而是五条曲线之间的传导条件。

⛶

任何一环失效，上游进步都可能只转化为更多试点，而非更多利润。

---

二、产业周期表：六组数据与四阶段循环

“五条错位曲线”回答产业链各层发展到哪里，“产业周期表”回答这些判断是否得到经营数据和资本行为的共同确认。本文把同一产业的证据分为六组：需求、供给、价格、利润、竞争、资本市场。只有六组数据相互印证，才提高阶段判断；任何单一指标都不足以确认拐点。

1. 六组数据如何共同判断周期

这张表不是评分卡。六组数据存在耦合，不能相加得到一个“AI 周期分数”。它更像飞行检查单：当需求、价格和资本市场都狂热，而利润和有效利用率没有跟上时，金融阶段的风险上升；当需求转为续费和生产工作流、利润与自由现金流扩散、竞争从融资能力转向运营效率时，产业才更接近生产主导的协调阶段。

2. 技术革命与金融资本的四阶段

Carlota Perez 的技术革命框架把一次技术革命分为导入期与展开期。导入期包含爆发和狂热，主要完成技术集群、基础设施和资本市场想象力的建立；展开期包含协调和成熟，重点转向广泛生产应用、制度适配和经营效率。狂热与协调之间通常存在转折点，它不是固定日期，也不必由一次崩盘完成。

这一框架“可识别”，但不是机械可预测的时钟。政策、能源、地缘限制和技术突破都可能改变持续时间。更重要的是，同一轮 AI 革命的不同产业层可以同时处于不同阶段，不能给整个 AI 行业只贴一个标签。

3. 五次技术革命的历史定位：AI 是第五次浪潮的第三次推进

若按 Perez 当前研究项目的严格口径，AI 目前不应被单独定义为第六次技术革命。第五次信息与通信技术革命始于 1971 年的微处理器，随后经历 1990 年代中期互联网带来的第二次推进；进入 2020 年代，AI 构成第三次推进。三者共享微电子、软件、互联网、云和数据中心等技术底座，仍属于同一技术经济范式。

这并不意味着 AI 只是一次普通的软件升级。需要同时观察两个嵌套时钟：第五次 ICT 大周期处在延长转折与展开阶段的争议区间，而 AI 自身的模型、算力和应用子周期仍处于导入期后段。因此，成熟数字平台上的生产性扩散，可以与 AI 基础设施的金融狂热同时发生。

只有当 AI 与机器人、生物工程、新能源和新材料形成独立技术集群，并进一步产生新的基础设施、生产范式、组织形态与制度体系时，才有充分理由把它们合称为第六次浪潮。现阶段更稳妥的表述是：AI 是第五次信息革命的第三次推进，也是第六次浪潮的候选发动机。

4. 美国主要 AI 上市公司的财报横截面

以下数据来自各公司截至 2026 年 7 月已发布的最新季度或年度财报。它们不是同口径行业统计，而是用来观察需求、盈利和融资结构是否一致。

5. 五条曲线放入四阶段后的当前位置

6. 综合判断：AI 整体仍处导入期后段

六组数据共同指向一个比“泡沫/非泡沫”更准确的结论：

1. 需求不是虚构的。 芯片、云、RPO 和少数企业应用收入都在高速增长，且部分公司已形成高利润和自由现金流。
2. 金融狂热也是真实的。 Capex 先于广泛企业生产化扩张，重资产参与者出现负自由现金流、高利息和持续外部融资。
3. 协调阶段尚未普遍到来。 企业采用、续费、工作流重构和折旧后回报还没有像基础设施投资那样广泛扩散。
4. 真正的转折点不是 Capex 下降本身。 更可靠的信号是资本从“抢容量”转向“按任务价值配置”，利润从少数芯片和平台公司扩散到企业工作流与应用层，同时低质量项目开始出清。

因此，AI 技术革命整体更接近导入期后段：爆发与狂热并存，局部生产性协调已经出现，但尚不足以代表全产业完成切换。

---

三、模型能力周期：能力继续跃升，差异化向系统层迁移

1. 当前阶段

模型层不是统一的“中后期”，而是两个周期叠加：

• 前沿能力周期：仍在快速推进，Benchmark 很快被饱和。
• 成熟能力周期：价格快速下降，开源和多供应商替代增强，逐渐成为标准化投入品。

2. 实证数据

Stanford 2026 AI Index 技术表现给出四个关键判断：

• 前沿模型一年内在 Humanity's Last Exam 上提高约 30 个百分点。
• 截至 2026 年 3 月，Anthropic、xAI、Google、OpenAI 四家公司在 Arena 排名中相距不超过 25 Elo，头部能力趋于收敛。
• 按 AI Index 采用的模型表现差距口径，最强闭源与最强开放模型的差距由 2024 年 8 月的 0.5% 再次扩大到 3.3%；开放模型并非单向追平。
• 按同一表现口径，中美最强模型差距约 2.7%，过去一年大部分时间维持个位数。
• 结构化 Agent 基准上，模型仍约每三次失败一次；评测可靠性也不稳定，AI Index 引用的审查显示，MMLU Math 无效题约 2%，GSM8K 可达 42%。

Epoch AI估计，在固定能力水平下，LLM 推理价格中枢约以每年 40 倍下降，不同任务区间约为 9-900 倍；但推理价格对任务和能力阈值高度敏感，不能线性外推。长江证券的分层价格研究给出的经济型与中端模型价格半衰期分别约为 1.10 年和 1.55 年，而旗舰模型价格更具黏性。招银国际报告进一步显示，40-50 分能力组最低价格在 2026 年 3-6 月下降约 95%，50-60 分能力组下降约 58.5%。这些数据共同指向“昨日的前沿快速商品化，但今日的能力上界仍保留溢价”。

3. 开放权重与闭源的真实竞争

本文统一使用“开放权重”描述可下载模型权重的模型；行业研报常将其简称为“开源”，但开放权重并不自动意味着训练数据、代码和许可证均符合严格的开源定义。

开放权重并不会简单消灭闭源价格权。模型权重开放后，缓存、吞吐、延迟、可靠性、评测、治理和持续优化仍可形成服务层差异。

招银国际 2Q26 复盘提供了中国开放权重模型参与全球竞争的供给侧样本：截至 2026 年 6 月中旬，OpenRouter 平台周调用量约 46.66 万亿 Tokens，同比约增长 22 倍；DeepSeek 约 6.7 万亿，超过 Anthropic 的约 4.25 万亿。该报告还指出，DeepSeek 调用跃升与 V4 系列发布及 API 降价 75% 的时点相近，智谱 GLM-5.2 在其引用的 Artificial Analysis 排名中以 51 分居开放权重模型首位。

这组数据说明，中国开放权重模型已经是成熟能力价格通缩的重要边际供给者。但 OpenRouter 只是一个聚合平台样本，不能据此推断全球全部 Token 份额，更不能将调用量直接等同于收入或利润。

4. Harness 成为第二能力层

LangChain 的公开实验在固定 GPT-5.2-Codex 的情况下，只调整提示、工具和中间件，就让 Terminal Bench 2.0 得分从 52.8% 提高到 66.5%。这不是跨任务普遍规律，但清楚说明：

真实 Agent 产品的能力，不等于底座模型分数，而等于模型能力乘以任务环境、上下文、工具、验证和恢复机制的转换效率。

因此，模型差异化正在从“谁的基础模型多几分”迁移到“谁能把模型稳定地交付为任务结果”。

5. 未来 12-18 个月

• 成熟能力价格继续下行，模型路由和多模型组合成为企业默认架构。
• 前沿模型仍保留溢价，尤其是长任务、软件工程、科研和高风险专业场景。
• 开源与闭源差距会反复收窄和扩大，不会沿单一路径演进。
• Benchmark 饱和和投机问题加重，企业会更依赖私有评测和生产成功率。
• Harness、评测、上下文工程和可观测性的重要性继续上升。

阶段判断

前沿能力：快速发展期；成熟能力：商品化加速期；可靠 Agent：仍处早期规模化。

---

四、算力基础设施周期：物理供给偏紧，资本回报进入筛选

1. 当前阶段

算力基础设施仍在扩张，核心市场暂未出现普遍空置。但“物理紧缺”不等于“所有项目都有好回报”。需要拆成四个仪表：

1. 数据中心房地产空置率；
2. GPU 有效利用率；
3. 已签约容量与规划容量；
4. 折旧后 ROIC 与自由现金流。

2. 数据中心供需：总量增长与区域错配并存

CBRE Global Data Center Trends 2026显示：

“空置率接近零”只适用于部分美国核心市场，不能外推到全球，也不能等同 GPU 利用率。

CBRE 还显示，达拉斯在建容量 88% 已预租，北美在建项目预租率预计维持在 70%-75% 区间，显著高于历史 40%-50%；但芝加哥部分电力交付已延至 2032 年以后。电力和交付速度正在取代网络连接，成为选址第一约束。

Capgemini《AI Meets the Grid》进一步显示，78% 的数据中心受访负责人将电网基础设施建设周期视为关键约束；电力行业受访者中，84% 提到许可延迟，76% 提到并网研究周期过长。与此同时，约 20% 的负荷申请可能最终不会落地，意味着电网既要防交付不足，也要防围绕虚高申请形成搁浅资产。

3. GPU 利用率：目前没有标准化行业真值

最近研报中的公司自报口径从个位数、20%-40% 到 70%-80% 不等。训练、推理、预留容量、芯片忙碌率、有效 Token 吞吐和可售容量都不是同一指标。

因此：

• “平均利用率约 70%”只能视为特定报告的模型口径或样本值。
• “GPU 50% 利用率即可盈亏平衡”是单位经济假设，不是全行业现实利用率。
• 数据中心已经出租，也可能因为软件调度、负载波动或客户预留而低效运行。

JPMorgan 数据中心月度跟踪显示，2026 年 6 月样本中的 A100、H100、B200 租赁价格分别环比上涨约 6.3%、3.7% 和 2.7%，LLM Token 使用量同比约增长 20 倍。这是需求仍强的高频证据，但它仍是特定平台、型号和时间窗口的观察，不能替代全行业有效利用率。

4. Capex 与回报：收入增长尚未完全覆盖历史投资

Morgan Stanley 报告将 2028 年超大规模云资本开支预测提高至 1.4 万亿美元、算力目标 120GW，但其中 75% GPU 利用率是收入模型假设，不是观察值。

Exponential View 2026 AI Economy以 1,000 多家公司做去重估算，认为生成式 AI 过去 12 个月销售额约 1,100 亿美元、年化收入运行率超过 1,750 亿美元。该估算支持“当前季度收入已能覆盖当期折旧量级”，但累计投资、累计折旧、融资成本与利润缓冲的覆盖程度取决于统计口径；本文不据此宣称历史资本投入已经回本。

Bernstein 单位经济报告显示，部分 Neocloud 项目调整后 EBITDA 利润率可达 70%-85%，计入折旧后 EBIT 约为 25%-30%。垂直一体化 AI 云资本开支最高约 4,500 万美元/MW，托管和新型 AI 基础设施约 800 万—1,200 万美元/MW。

这意味着 EBITDA 和合同额都不足以证明投资回报。 芯片更新周期、资产残值、融资成本和实际利用率才决定股东回报；融资期限如果长于芯片的实际经济寿命，表面稳定的债务结构也可能隐藏再融资和减值风险。

5. 泡沫在哪里

6. 未来 12-18 个月

• 核心市场租金和预租率保持高位，边缘市场分化扩大。
• 资本市场从“拥有多少 GW”转向“多少已签约、何时通电、谁承担建设和残值风险”。
• 电网、现场发电、储能、冷却、网络和调度优化获得更多资本支出。
• 老一代 GPU 不会同步归零，但代际价差和残值更受软件兼容、能耗与推理性价比影响。
• 若收入增速慢于折旧和融资成本，首先出清的是高杠杆、未签约和交付不确定的项目。

阶段判断

物理建设仍在扩张期；项目经济已进入筛选期；系统性产能过剩尚未被证实。

---

五、企业采用周期：采用率很高，规模化率仍低

1. 为什么采用率看起来从 18% 到 88% 都“正确”

不同调查测量的是不同对象：

结论不是“某个调查错了”，而是：员工可接触、组织已采购、业务职能使用、生产工作流和自治 Agent 是五个不同层级。

技术行业是严格 Agent 口径下的重要例外。Stanford AI Index 同一章节显示，该行业软件工程、IT 和服务运营的规模化 Agent 使用分别约为 24%、22% 和 21%；“各职能多为个位数”描述的是跨行业总体，而不是所有行业和职能。

2. 从试点到规模化：范围仍然很窄

NBER 对美国人口普查局 2026 AI 补充调查的分析显示：

• 采用者中 57% 只在三个或更少职能使用 AI。
• 最常见职能为销售与营销 52%、战略 45%、IT 41%。
• 采用者中 65% 只在三个或更少员工任务中使用 AI。
• 66% 主要用于增强任务，报告就业减少的企业只有 2%。

McKinsey 2025 全球调查显示，只有 21% 的生成式 AI 使用者表示组织从根本上重新设计了至少一些工作流。2026 年的 Three Horizons 调查仍判断多数组织停留在个人赋能，尚未进入跨职能自动化和经营模式重构。

花旗 CIO 调查给出 PoC 40%、生产环境 24%，是有价值的季度观察；但公开材料尚不足以完整核对样本和问题定义，因此只作为 B 级辅助证据，不作为全行业转化率。

3. ROI：少数领先者已经兑现，多数企业仍缺度量

PwC《全球人工智能效能研究中国报告》覆盖 25 个行业的 1,217 家企业。报告披露的全球结果显示，前 20% 领先者取得 74% 的 AI 驱动经济收益，AI 驱动绩效约为其他企业的 7.2 倍；在中国样本中，只有 7% 达到自主或自优化 AI。全球结果与中国样本不能混为同一统计总体。

Foundry 2026 State of the CIO调查 662 名 IT 领导者和 249 名业务用户：

• 只有 19% 表示 AI 计划达到或超过业务目标。
• 18% 承认达到预期的用例不足三分之一。
• 32% 将 ROI 定义不清列为规模化障碍，只有 47% 已建立正式指标。
• 83% 已建立或计划建立跨职能 AI 委员会，但正式治理领先于正式价值度量。

4. 成本治理成为规模化的新约束

Bernstein《Token Shock 是否损害 AI 应用》记录了企业侧的成本失控案例：Uber 在四个月内耗尽 2026 年全年 AI 编码预算；法国一家保险公司因成本超预期缩减 Claude 部署；Pylon 的年度 AI 成本在定价升级后增长约 3.5 倍至 140 万美元左右。共同机制不是单个 Token 变贵，而是调用量、长上下文、重试和 Agent 循环的增长快于单位 Token 降价。

McKinsey《Cost versus Value in Agentic AI》因此建议把模型调用、工具、重试、人工复核与失败成本合并为“每个成功任务总成本”，并按任务价值和风险做模型路由。AI FinOps 不是单纯压低 Token 单价，而是让成本、质量、延迟和业务价值处于可接受的组合前沿。

这不意味着企业应减少所有 AI 使用，而是说明规模化会把成本治理从技术细节变成经营能力：试点阶段看“能不能做”，生产阶段必须看“成功一次究竟花多少钱”。

5. 行业差异

这些数字不是可直接横比的投资回报率。当前跨行业统一 ROI 数据仍缺失，最稳妥的结论是：信息密集、结果可验证、工作流数字化程度高的行业率先兑现；物理、安全关键和跨系统行业更慢。

6. 未来 12-18 个月

• 企业会减少无责任人的 PoC，增加少数端到端工作流投入。
• AI 预算开始挤压其他 IT 预算，但真正进入业务 P&L 仍是关键分水岭。
• “购买优于自建”继续成为非核心场景主流。Menlo Ventures 2025 调查中，76% 用例选择采购而非内部自建。
• AI FinOps、模型路由、权限、评测和生产监控成为规模化必需品。
• 领先者和落后者差距扩大，平均采用率的解释力继续下降。

阶段判断

企业采用已进入规模化早期，但全体企业仍以少量职能、增强型使用为主。

---

六、应用商业化周期：收入爆发之后进入留存和毛利筛选

1. 收入已经真实发生

Menlo Ventures 2025 企业 AI 报告调查约 500 名美国企业决策者，并做自下而上市场估算：企业生成式 AI 支出由 2024 年 115 亿美元增至 2025 年 370 亿美元，其中应用层约 190 亿美元，超过总支出一半。这里的 115 亿美元是 2025 年报告为保持可比性而重述的口径，排除了推理支出；Menlo 的 2024 年当期报告曾给出包含不同范围的 138 亿美元。该数据是 VC 机构估算而非审计市场总额，跨版本比较必须先统一范围。

已核验的公司案例包括：

• Adobe AI-first ARR 超过 5 亿美元，Acrobat AI Assistant 付费 MAU 同比增长 150%。
• Salesforce Agentforce + Data 360 ARR 约 34 亿美元，Agentforce ARR 约 12 亿美元。
• Anthropic 在 2026 年 5 月融资公告中称，run-rate revenue 超过 470 亿美元。
• Harvey 2025 年官方披露 ARR 超过 1 亿美元；2026 年 Q2 又披露净新增 ARR 超过 1 亿美元，并称客户运行超过 2.5 万个定制 Agent。

其中 Anthropic 的 470 亿美元是公司自报的年化运行率，不是审计年度收入，也不能直接推出已盈利。

2. 商业化的真正难点已经从获客转向留存

RevenueCat State of Subscription Apps 2026覆盖 11.5 万个应用、160 亿美元收入和超过 10 亿笔交易，核心发现是：

• AI 应用每付费用户收入高 41%，但流失速度快 30%。
• 2026 年初每月新订阅应用约 14,700 个，2022 年初约 2,000 个，供给增加约 7 倍。
• 2020 年前推出的应用仍贡献 69% 订阅收入，2025 年及以后推出的应用只贡献约 3%。
• 订阅应用增长高度极化，前 25% MRR 同比增长超过 80%，后 25% 下滑超过 33%。

这给出了一个比 MAU 更有价值的判断：AI 降低了生产和获客门槛，却没有同步降低建立习惯、品牌和工作流锁定的难度。

3. 消费与企业应用是两个不同周期

Menlo 2025 消费 AI 调查覆盖 5,031 名美国成年人，61% 在过去半年使用过 AI，约五分之一每天使用；其估算的消费 AI 市场约 120 亿美元，约 3% 用户付费，ChatGPT 隐含付费率约 5%。

消费端是“高使用、低付费、弱留存”；企业端则是“低用户量、高客单价、长销售周期、强集成”。两者不应放在同一条商业化曲线上。

4. 反例：平台流量不等于商业化确定性

Goldman Sachs 对 Kakao 的跟踪提供了一个有价值的反例：由于 AI 服务整合、用户习惯培养和交易转化慢于预期，研报将其 AI 服务定位下调为“长期期权”，并把 2030 年 AI 相关收入预测从此前约 1.3 万亿韩元大幅下调至约 1,900 亿韩元。报告发布时 Kakao 年内股价约下跌 47%，但不能把这一跌幅单独归因于 AI 商业化。

这个案例说明，拥有大型用户入口、数据和平台能力，只能降低分发成本，不能自动解决产品频率、付费意愿和收入归因。应用商业化曲线不仅会在公司之间分化，也会在同一平台的不同用例之间分化。

5. 收入模式正在变化

AI 的可变推理成本正在破坏传统 SaaS“新增用户边际成本接近零”的假设。未来的核心指标应是贡献毛利/成功任务，而不是笼统的软件毛利率。

6. 未来 12-18 个月

• 应用数量继续爆发，但淘汰率和并购整合上升。
• 纯聊天壳和无工作流锁定产品继续承受价格与留存压力。
• 垂直 Agent、编程、法律、金融分析、客服等可验证任务保持领先。
• 混合计费和按结果计费增加，模型路由成为毛利管理工具。
• 市场开始要求披露 cohort 留存、NRR、推理成本和客户级 ROI，而不是只看 ARR 与调用量。

阶段判断

收入验证已经完成，行业正在进入留存、毛利和分发效率的淘汰赛。

---

七、组织与就业周期：不是就业末日，而是结构性重配已经开始

1. 当前阶段

组织与就业不是同一条曲线：

• 个人使用和任务重分配已经广泛发生。
• 技能结构和初级岗位要求正在变化。
• 正式组织层级和净就业影响仍处早期。

2. 企业层面的实际影响

NBER 企业扩散研究显示，66% 企业主要用 AI 增强任务，报告就业减少的企业只有 2%。这比“多少 CIO 预计裁员”更接近已经发生的结果。

Atlanta Fed 对 700 多名企业高管的研究显示：

• 2025 年约 60% 样本企业投资 AI，2026 年预计超过 80%。
• 企业自报 2025 年 AI 带来约 1.8% 劳动生产率提升，但由收入/员工推算的增益明显更低。这个测量缺口与生产率 J 曲线的早期特征一致，但单独不足以证明已经形成“先降后升”的时间路径。
• 大企业预计 AI 使 2026 年就业减少约 0.8%，总体样本接近零。
• 企业预计常规文书岗位占比 2026 年下降 0.76%，2028 年下降 2.19%，部分由技术岗位增加抵消。

Atlanta Fed 2026 年 5 月补充调查还显示：

• 2026 年 AI 支出约 2,068 美元/员工，比 2025 年 1,358 美元增加 50%。
• 超过一半企业计划每名员工投入不超过 200 美元，前 10% 至少投入 2,800 美元，差距达 14 倍。
• 未来一年企业预计大学学历和非大学学历招聘需求分别下降 0.8% 和 1.1%，但该估计未计入新企业和需求扩张，因此偏向下行。

这里的 2,068 美元是就业加权均值，且原研究对 99 分位以上值做了缩尾处理；200 美元和 2,800 美元是分布阈值。三者来自同一项调查，共同说明支出高度右偏，不能把均值误读为典型企业水平，也不能用前 10% 的门槛反推头部企业均值。

3. 招聘市场已经出现技能信号

PwC 2026 AI Jobs Barometer基于全球超过 10 亿条招聘信息：

• 按 PwC 官网数据卡的可比口径，高 AI 暴露企业的生产率增速比低暴露企业高约 40%。同一报告的不同页面还使用其他统计口径，不能与“3 倍”等表述直接混算。
• 两类企业就业增长分别约 52% 和 36%，工资增长分别约 24% 和 17%。
• 高暴露岗位技能变化速度约 2 倍，对判断、创造力等人类技能需求增长约 2.5 倍。
• 中国 2025 年 AI 应用岗位增长 50.8%，开发岗位增长 15.5%。

这些数据支持“替代与互补同时发生”。高暴露不等于岗位会同步减少，领先企业可能在提升生产率的同时扩大规模。

4. 初级岗位是最敏感的观察点

Stanford Digital Economy Lab《Canaries in the Coal Mine》显示，到 2025 年 9 月，22-25 岁软件开发者就业较 2022 年末峰值下降近 20%；控制企业层面冲击后，AI 高暴露职业中的早期从业者就业相对下降约 16%。Stanford AI Index 将前一结果压缩表述为“较 2024 年下降近 20%”，本文采用底层工作论文的时间基线。即便如此，这仍不能单独确认 AI 因果，因为招聘周期、行业调整和利率环境也会影响初级岗位。

结合企业提高初级岗位技能门槛、文书任务减少和 Harness 提高软件交付能力，初级白领岗位是未来 12-18 个月最值得持续观察的群体；更合适的监测方式是同时看年龄、职业暴露度、自动化/增强用法和企业招聘周期。

5. 组织结构的传导顺序

员工使用 AI
→ 任务被重新分配
→ 初级岗位和专业技能要求变化
→ 团队工作流与管理跨度变化
→ 预算、绩效和岗位定义重写
→ 就业数量、工资和消费产生宏观反馈

“50% CIO 预计未来 6-12 个月裁员”属于预期，不是结果。它只能作为领先指标；阶段判断仍应以 Census、NBER 和 Atlanta Fed 的已发生数据为主。

6. 未来 12-18 个月

• 大企业首先减少常规文书和低复杂度初级招聘，而非大规模即时裁员。
• AI 熟练度从加分项变为知识岗位基础技能，专业判断、验证和责任承担更值钱。
• 组织会从个人 Copilot 转向人类管理多个 Agent 的小团队，管理跨度扩大。
• 企业培训从通用提示词转向岗位工作流、评测、安全和异常处理。
• 总量生产率仍可能落后于企业自报效率，是否形成完整 J 曲线仍需更长时间序列验证。

阶段判断

任务和技能重构已进入加速段，岗位总量与正式组织结构仍处启动期。

---

八、产业链各层级的发展差异

产业价值不会简单从上游一次性迁移到下游。更可能的形态是：上游仍保持高收入，但边际价值增量逐步向任务交付、垂直工作流和组织能力移动。

---

九、未来 12-18 个月的三种情景

基准情景：错位持续，价值向领先者集中

• 模型能力继续提升，成熟能力价格继续下降。
• 核心数据中心供给偏紧，部分边缘项目出现空置和融资压力。
• 企业减少 PoC 数量，集中资源做少数生产工作流。
• 应用收入增长，但留存和推理毛利成为估值分水岭。
• 就业影响主要表现为初级岗位和任务结构变化。

上行情景：每个成功任务成本快速下降

触发条件：

• Agent 任务成功率显著提高，重试和人工复核下降；
• Harness、评测和路由成熟；
• 企业数据与权限准备度改善；
• 应用形成稳定留存和贡献毛利；
• AI 预算进入业务 P&L。

结果将是企业采用和推理需求加速，五条曲线之间的距离缩小。

下行情景：资本扩张快于可验证业务价值

触发条件：

• Capex、折旧和融资成本继续提高；
• GPU 租价、Token 需求或预租率同步转弱；
• 企业 Agent 成本超支，业务预算拒绝续投；
• 应用续费、NRR 和毛利无法跟上 ARR；
• 利率和风险溢价上升压缩高估值资产。

结果不会因此终结模型进步，但会先引发高杠杆基础设施、无差异模型和弱留存应用的出清。

---

十、投资观察框架

1. 先区分行业景气与证券价格

AI 行业需求增长，不等于任何 AI 相关证券都值得买。具体投资仍需同时检验估值、资本结构、自由现金流、竞争壁垒和预期差。本报告只给出产业筛选条件，不给出脱离价格的买入结论。

2. 各层级应关注什么

3. 当前更有吸引力的结构性方向

• 拥有真实电力、确定并网和高质量客户合同的基础设施，而不是只有规划容量的项目。
• 能把多个模型变成可靠任务结果的 Harness、评测、可观测性、安全和 FinOps。
• 掌握高频专业工作流、专有上下文和客户分发的垂直应用。
• 能证明留存和贡献毛利，而不只是证明用户增长的应用。
• 帮助企业重构数据、流程和岗位的可复用平台，而不是一次性咨询项目。

4. 最大投资风险

1. 把公司自报 run-rate revenue 当作审计年度收入。
2. 把数据中心空置率当作 GPU 利用率。
3. 用调整后 EBITDA 忽略折旧、融资和芯片残值。
4. 用 ARR、MAU 或 Token 量替代留存与利润。
5. 把管理者裁员预期当作已发生就业结果。
6. 把单个平台的 Token 份额、租赁价格或使用量外推为全球行业真值。

---

十一、企业经营建议

CEO 和业务负责人

• 从“有多少 AI 用例”转向“哪些价值链值得重构”。
• 每个生产 Agent 必须有业务负责人、验收标准和 P&L 责任。
• 将个人赋能、工作流自动化和经营模式重构分成三类投资组合，不混用成功指标。

CIO 和技术团队

• 建立模型路由、评测、权限、日志、回滚和成本治理的统一 Harness。
• 以生产成功率和每个成功任务成本作为核心技术经济指标。
• 避免将所有任务交给最高价模型，按风险和能力分层调度。

CFO

• 将模型、工具、人工复核、集成和失败重试纳入完整任务成本。
• 对重资产 AI 项目使用折旧后 ROIC 和自由现金流，而非调整后 EBITDA。
• 跟踪 AI 预算从新增创新资金转入业务 P&L 的比例，这是规模化的领先指标。

CHRO 和业务管理者

• 不以“裁掉多少人”作为早期价值指标，先重写任务、岗位和技能结构。
• 保留初级人才培养通道，避免自动化简单任务后形成未来专业人才断层。
• 将 22-25 岁高暴露岗位的招聘与留任变化作为预警指标，但必须同时控制行业周期和企业招聘收缩，不能直接归因于 AI。
• 培训重点从提示词转向问题定义、验证、异常处理和业务责任。

建议的企业仪表盘

十二、结论

AI 产业的主矛盾正在变化。

2023-2025 年的核心问题是“模型是否足够强、算力是否足够多”；2026 年开始，问题逐渐变成“智能能否被可靠地转化为可留存、可盈利、可治理的任务结果”。

未来 12-18 个月最重要的分化不会简单发生在 AI 公司与非 AI 公司之间，而会发生在三组企业之间：

1. 拥有算力，与能证明算力折旧后回报的企业；
2. 接入模型，与能把模型变成可靠工作流的企业；
3. 获得用户，与能让用户持续付费且贡献正毛利的企业。

因此，五条错位曲线最终指向同一个经营结论：

模型能力决定可以做什么，能源与基础设施决定能否供给，Harness 和治理决定能否可靠完成，企业能力决定能否规模化，留存与 ROIC 决定价值最终留在哪里。

---

核心参考资料

公开与学术资料

1. Stanford HAI - 2026 AI Index: Technical Performance
2. Stanford HAI - 2026 AI Index: Economy
3. Epoch AI - Trends in Artificial Intelligence
4. CBRE - Global Data Center Trends 2026
5. U.S. Census Bureau - AI Use at U.S. Businesses
6. NBER - The Microstructure of AI Diffusion
7. Atlanta Fed - AI, Productivity, and the Workforce
8. Atlanta Fed - AI Spending and Headcounts
9. McKinsey - From Adoption to Impact
10. McKinsey - Cost versus Value in Agentic AI
11. RevenueCat - State of Subscription Apps 2026
12. Menlo Ventures - State of Generative AI in the Enterprise 2025
13. Menlo Ventures - State of Consumer AI 2025
14. LangChain - Improving Deep Agents with Harness Engineering
15. Anthropic - Series H and Run-rate Revenue
16. Harvey - Three Year Anniversary
17. Harvey - $11 Billion Growth Round
18. Exponential View - State of the AI Economy
19. Stanford Digital Economy Lab - Canaries in the Coal Mine

理论与上市公司财报

20. Carlota Perez - Technological Revolutions and Financial Capital
21. Carlota Perez - Great Surges Research Project
22. NVIDIA - FY2027 Q1 Results
23. Microsoft - FY2026 Q3 Results
24. Alphabet - 2025 Q4 Earnings Call
25. Amazon - 2026 Q1 Results
26. Meta - 2026 Q1 Results
27. Oracle - FY2026 Q4 and Full-Year Results
28. Broadcom - FY2026 Q2 Results
29. AMD - 2026 Q1 Results
30. CoreWeave - 2026 Q1 Results
31. Palantir - 2026 Q1 Business Update
32. Salesforce - FY2027 Q1 Results
33. Adobe - FY2026 Q2 Results

近一个月核心研报

34. JPMorgan - 数据中心观察
35. Bernstein - 数据中心与 Neocloud 单位经济
36. Capgemini - AI Meets the Grid
37. Morgan Stanley - 1.4 万亿美元资本开支与 4 倍算力
38. PwC - 全球人工智能效能研究中国报告
39. Bernstein - AI 在油气行业
40. Bernstein - Token Shock 是否损害 AI 应用
41. 招银国际 - 2Q26 大模型发展复盘
42. 长江证券 - Token 定价的分化与重构
43. Adobe - AI-first ARR 跟踪
44. Salesforce - Agentforce 商业化跟踪
45. Goldman Sachs - Kakao Agentic AI 商业化下修
46. PwC - 2026 AI Jobs Barometer

研究限制

1. 最近一个月研报适合观察边际变化，不能单独确认完整周期拐点。
2. 多家报告共享 OpenRouter、Artificial Analysis、公司披露等底层数据，报告数量不等于独立证据数量。
3. 私营模型公司和 AI 应用的运行率收入、毛利和留存仍缺少审计披露。
4. GPU 利用率尚无跨云厂商、跨工作负载的统一标准。
5. 企业采用调查对“使用”的定义差异很大，必须保留样本、问题和权重口径。
6. 就业研究大多仍是早期相关性、招聘流量或管理者预期，因果判断需要更长时间序列。
7. OpenRouter、单一云平台和单月租赁报价只反映特定样本，不能外推为全球市场份额、全行业利用率或长期价格趋势。
8. 同一研究的官网数据卡、新闻稿和研报摘要有时使用不同增长口径；本文优先采用定义更明确的数据表，并显式保留无法调和的差异。