算力-模型-场景三层Token结构，场景层价值尚未挖掘

AI时代定价逻辑围绕Token展开，形成算力-模型-场景Token三层加价结构，其中应用场景层Token的价值重构或尚未被市场充分定价。Token是AI产业链上流通的基本价值单元，与传统软件产业按功能模块定价不同，AI时代的定价逻辑围绕Token展开，每一层产业主体在传递Token的同时，对其附加不同性质的增值，形成从算力到模型、再到应用的三层加价结构。理解这一结构，是理解AI时代软件产业价值分配的基础。目前算力层和模型层正在持续演绎，而应用场景层token价值尚未被挖掘。

Token经济学：三层价值增值逻辑

第一层：算力层-Token的物理生产

算力基础设施是Token的铸币机，其定价锚点是每Token的推理与训练成本。这一层的经济特征是固定成本极重、边际成本随规模递减，超额收益来自资源稀缺性或规模领先带来的成本优势，算力层本身缺乏差异化，长期竞争终将压向成本，核心价值在于卡位与规模。

第二层：模型层—Token的智能密度

模型层为Token的智能密度，同等数量的Token，承载的信息质量因模型能力不同而产生显著差异。模型层的加价逻辑在于智能密度溢价，即单位Token能解决问题的质量上限。这一层的壁垒来自训练数据与算力的先发优势，但随着高质量开源模型持续涌现，溢价空间面临结构性压缩，倒逼模型厂商向上游控算力或向下游做应用。

第三层：应用层—Token的场景转化率

应用层为Token的场景转化率，其核心价值是将行业私有数据与专业Know-how注入Token的使用过程，提升单位Token投入所能兑现的业务价值。具体机制体现在四个方面：通过RAG与微调，用私有数据压缩完成任务所需的Token消耗；通过Prompt工程与Agent编排，减少无效Token，提升任务完成的Token转化率；通过行业知识图谱，确保模型输出符合行业规则、合规要求与实际可操作性；通过效果承诺（按结果付费、对赌KPI），将自身商业利益与客户业务结果深度绑定。终端用户购买的不是Token，而是业务结果，应用层赚取的是Token投入与业务产出之间的效率差价。

数据飞轮使应用层护城河持续加深。上述三层结构并非静态，应用层的价值壁垒存在内生的自我强化逻辑：终端用户的持续使用沉淀出更丰富的行业语料与反馈信号，反哺模型在垂直场景的微调与迭代，进一步提升单位Token的场景转化率，应用层因此获得更强的效果承诺能力与更高的定价权，吸引更多客户使用，驱动数据飞轮加速运转。这一飞轮机制意味着：真正拥有数据资产的应用厂商，随着AI基础能力的整体提升，其相对优势不会收窄，而会持续扩大——模型越强，拥有数据资产的应用厂商所能撬动的杠杆越大。

“大模型吞噬软件”叙事存在核心误判，AI应用厂商竞争优势上升

此前市场受“大模型吞噬软件”叙事压制，AI应用板块较算力/模型端估值折价显著。我们认为存在两大核心误判。

质疑一：企业IT预算有限，算力支出激增将挤压软件采购预算。这一质疑的底层假设存在根本性偏差：它将AI应用视为与算力争夺同一IT预算池的竞争者，而忽视了AI应用开辟新预算来源的能力。

我们的观点：企业整体IT投入是在增加的，同时结构在发生重大变化。传统软件的预算确实面临萎缩，但AI Agent原生应用正在争夺传统软件预算以及企业的人力预算、营销预算及运营预算等等；更进一步，按结果付费与利润分成模式将AI应用的收费来源从采购预算迁移至业务超额收益，更大的增量市场正在开启。

质疑二：AI Coding能力提升后，企业可自行开发应用，无需外购。这一质疑基于一个隐含假设，软件的核心价值来自写代码，然而这一假设在企业级应用场景中几乎不成立。

我们的观点：AI Coding解决的是代码生成问题，但企业AI应用的价值从来不在于代码本身，而在于三项无法被代码生成替代的资产：第一是行业数据积累，数十年积累的客户行为语料、行业知识图谱与场景标注数据；第二是工程化判断，哪些业务逻辑适合规则引擎、模型幻觉在哪些场景构成不可接受的合规风险，这些判断需要行业经验的长期积累；第三是效果承诺能力，企业自建应用自担交付风险，购买专业厂商服务则风险由厂商承担。AI Coding使代码生成成本趋近于零，反而使得非代码价值--数据积累、业务理解/工程判断、效果承诺/风险承担的权重进一步上升，反而使垂直应用厂商的竞争优势得到强化。

构建AI应用公司双轴评估框架：护城河&成长性

AI时代，我们需要重新构建AI应用层公司的选股框架。传统的软件公司和SaaS公司分析范式不再适用AI时代应用层公司的评估。完整的AI应用公司投资评估需要回答两个相互独立的问题：这家公司的存量业务能否守住（护城河轴），以及这家公司的增量业务能长多大（成长轴）。

AI应用公司的护城河：五维防御评估体系

维度一：客户粘性

该维度核心评估客户是否持续扩大购买。指标包括KA老客客单价年增速是否持续超过20%、合同负债增速是否持续高于收入增速。

维度二：数据时间资产

数据时间资产维度核心评估竞争对手需要多少年才能追上，是五维中权重最高的维度，应作为首要筛选条件。评估信号包括深耕特定行业的时间长度、是否拥有独占或半独占的数据获取渠道、所在行业的数据结构是否复杂。

维度三：私有化部署性质

私有化部署性质维度需要根据毛利率和实施人员数量细分。若私有化伴随高毛利率（如毛利率>60%）和低实施人员占比，说明产品标准化程度高，是监管或客户数据主权需求驱动的护城河；若毛利率低、实施人员多，说明是重度定制化项目，私有化是能力不足的表现而非壁垒。

维度四：平台化程度

平台化程度决定了公司能否脱离项目制线性增长。评估信号包括：是否有可跨客户复用的标准产品模块；是否形成合作伙伴生态体系；新客户获取成本是否随规模下降。中国软件公司有一个普遍的成长路径陷阱：从项目制起家，难以摆脱高度定制化交付模式，毛利率长期无法提升。我们认为平台化程度决定了公司能否在不线性增加人员的情况下扩大收入，是毛利率能否长期提升的根本。

维度五：场景暴露度

场景暴露度方面，低频、高监管、数据敏感场景替代风险低，深度嵌入业务流程、错误代价极高的场景风险极低。核心评估问题是核心场景是否有天然保护。不是所有软件场景都面临同等的替代风险，需要逐场景评估。高频、标准化、通用场景（简单文档生成、基础客服）替代风险高；低频、高监管、数据敏感场景（金融风控、医疗决策）替代风险低；深度嵌入业务流程、涉及多系统集成的场景替代风险低；行业Know-how密集、错误代价极高的场景（工业质检、手术辅助）替代风险极低，因为通用模型不会承担该类场景的责任风险。

AI应用公司的成长性：三维评估体系

维度一：纵向渗透空间

纵向渗透空间衡量在已有客户群体里收入天花板有多远。传统软件卖模块，AI平台卖“数字劳动力”，客单价天花板高出一个数量级。评估信号：头部客户用量是否仍在加速；产品矩阵中是否存在已在使用但尚未货币化的场景。

维度二：横向扩张可行性

横向扩张可行性衡量能力迁移性。评估重点在于底层能力迁移性：底层技术平台是否行业无关（Agent框架、知识中台等）；是否有跨行业复制的早期财务证据；出海商业模式是否具有普适性。

维度三：AI共振系数

AI共振系数衡量基础模型能力每提升一代，公司能解锁多少新场景。重点考察能力阈值跳变，例如当模型准确率从90%提升至99%时，业务是否能从“人工辅助”跃迁至“无人值守”，从而释放指数级的市场空间。

将护城河轴（地板）与成长轴（天花板）整合，我们可以得到如下四象限结果：

1. 护城河深 成长性强：公司定价权强、客户黏性高，壁垒随规模持续加固，收入利润双升，ROE长期高位，建议作为核心持仓标的，给予成长乘数估值。

2. 护城河深 成长性弱：公司竞争格局稳定，龙头地位稳固，增量空间有限，但现金流稳定可预期，分红能力强，建议采用价值股逻辑，以稳定现金流定价。

3. 护城河浅 成长性强：公司所处行业高速扩容，需求快速增长渠道业绩高增，但壁垒尚浅，能否形成护城河是核心判断变量。该类公司高风险高赔率，需判断护城河能否在成长中建立。

4. 护城河浅 成长性弱：公司需求停滞、竞争恶化，产品同质化严重，缺乏定价权，资本回报率持续低迷。相关公司面临真实替代威胁，应予规避。

我们认为，AI应用公司的价值，从来不在于写代码，而在于将行业数据转化为可承担商业风险的业务结果。通用大模型提升的是代码生成和内容生成的能力，恰恰无法替代的是行业数据积累、工程化判断和效果承诺能力。模型越强，有真实数据资产与效果承诺能力的应用公司，护城河只会越深。当前市场担忧模型吞噬软件风险，对这类公司的无差别折价，构成了系统性的定价错误，也因此成为AI产业投资中较有可见度的结构性机会。

投资建议：

AI数据服务商迅策创新性提出Token化收费模式，今年以来股价大幅上涨得到资本市场认可，仍有更多优质AI应用公司估值处于低位，具备挖掘价值。业绩成长性高、估值低位、已有按Token消耗量/按结果付费收入的优质AI应用标的有望获得市场关注。

风险提示

宏观经济波动。若宏观经济波动，可能对AI产业资本投入产生负面影响，导致AI产业变革、新技术落地节奏、整体行业增长不及预期。

技术进步不及预期。若AI技术、大模型技术、AI应用进展不及预期，或对行业落地情况产生不利影响。

中美竞争加剧。中美竞争加剧，或影响国内算力基础设施布局，导致国内AI大模型技术迭代速度放缓。

研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。