AI时代：宏观接受，微观作为

AI 技术进步、企业生产率提高和股票回报上升，是三个需要分别证明的判断。模型能力突破可以让用户获得更好服务，但利润可能被竞争、算力供应商、渠道或客户拿走。社会受益很大，也不保证每一个投资者受益。

“宏观接受，微观作为”可以理解为：承认自己无法控制技术与市场的大方向，把精力放在具体企业如何创造和保留现金流。它不意味着忽略利率、能源、供应链和监管，而是把这些变量放进可检验的经营情景。

先区分能力、使用与付费

一个演示能完成任务，只说明特定条件下的技术能力。企业要规模采用，还需要准确率、权限管理、数据治理、人工复核、工作流整合和故障处理。用户愿意试用，也不等于愿意持续按能够覆盖成本的价格付费。

《Generative AI at Work》研究在客户支持场景中观察到 AI 辅助对生产率的改善，并指出效果在不同员工之间存在差异。这类具体研究支持在特定任务中评估价值，却不能直接推出所有行业、所有公司会获得同样幅度的收益。

研究上市公司时，可以把三个数字分开：多少人尝试使用，多少人持续使用，多少人以什么价格付费。将试用用户全部视为未来收入，会让估值提前计入尚未验证的商业模式。

AI 会加深还是削弱原有护城河

一家拥有成熟工作流和稳定客户关系的公司，可能通过 AI 提高产品价值。客户不必迁移系统就能获得新功能，原有分发与信任优势因此得到强化。

但另一种结果同样可能：AI 降低开发难度，使原来收费的功能更容易复制；用户从通用助手直接获得答案，不再访问原来的入口；自动迁移工具降低更换服务商的成本。原来的转换成本与网络效应可能受到侵蚀。

所以不能只问“有没有接入大模型”，还要问三件事：竞争者能否同样接入，客户能否绕过它，谁拥有决定购买的关系。公开可购买的模型能力未必构成独有优势。

用单位经济检验商业化

考虑一家虚构的 AI 应用，每个付费账户月收入为 100 元。假设直接成本包括模型推理 25 元、基础设施 10 元、交付支持 15 元，简化的直接贡献为 50 元，尚未扣除研发、销售、总部费用和税费。

如果用户使用量翻倍、收入不变，且推理成本随用量线性增加，推理成本变为 50 元，直接贡献降至 25 元。活跃度提高，收入没有同步增加，盈利能力反而下降。这说明用户增长与使用增长都必须和定价方式一起分析。

反过来，模型降价或缓存优化也可能改善成本。但如果竞争迫使应用同步降价，节省的成本可能主要转给客户。判断企业能否保留收益，需要看定价权、留存和竞争，而不是只预测算力会越来越便宜。

资本开支今天发生，收益可能很晚才出现

基础设施投资需要购买设备、建设机房、取得电力和网络资源。会计折旧把支出分摊到多个期间，现金却可能已经付出。因此，利润表上的增长与自由现金流之间可能出现显著差异。

研究时应分清已交付订单与意向、已安装产能与有效利用率、会计使用年限与经济寿命。如果设备因技术进步提前失去竞争力，维持收入所需的更新支出可能高于原来的预期。

但也不能把所有资本开支一概视为浪费。有约束力的客户需求、合适的成本位置和持续利用率，可以支持合理回报。关键是投入与可兑现的现金流之间能否连接，而不是对“基础设施热潮”作统一判断。

给估值建立不同的兑现路径

可以设置三条情景：采用率提高且企业保有利润；采用率提高但竞争压低单位收益；需求或利用率低于预期，投入回收延迟。为每条情景明确收入来源、成本结构、资本需求和融资条件。

如果只有第一条情景能支持当前股价，投资就高度依赖顺利兑现。即使你相信 AI 长期重要，也仍需回答为什么现在的价格提供足够回报。具体方法可参考DCF 估值与安全边际。

还要避免用固定利润率硬性要求所有成长企业。早期企业可能主动投入研发和销售，短期利润下降并不自动证明失败；但管理层应能说明投入改善了哪些可验证指标，以及下一阶段将如何转化为现金。

投资者可以随着证据逐步更新判断：从演示进入真实使用，从真实使用进入付费，从付费进入留存，从留存进入可持续回报。这样既能承认技术变化的潜力，也能在商业结果尚未明朗时保留适当的不确定性。