摩根大通一线调研：中国AI“赚钱时刻”来了，工作流层的价值开始超越基础模型

中国AI行业的投资逻辑正在发生一次微妙转向：市场过去盯着模型能力、参数和榜单，现在更该盯住谁掌握客户数据、工作流入口、部署能力和定价权。八场覆盖自动驾驶、独立模型开发、企业工作流软件、垂直AI应用的会议，给出的共同信号是：模型仍重要，但在部分企业场景里，模型开始像一种可替换的输入品。

据追风交易台，摩根大通证券（中国）分析师姚橙等在5月22日发布的中国AI行业调研中给出核心判断：“部分AI应用开始展现出具有商业价值的初步迹象，特别是在工作流密集和数据饱满的垂直领域。”这句话的关键不在于AI应用终于可以变现，而在于变现最先出现的位置：不是通用聊天，也不是单纯API调用，而是保险和金融风险、企业数据集成、跨境营销这类流程重、数据厚、结果可衡量的场景。

摩根大通大楼 网络图

这也改变了对自动驾驶和应用层的部分假设。此前更保守的框架是：Robotaxi短期更像成本中心，AI应用变现还早，真正清晰的上市敞口是基础设施和算力。现在看，ADAS更接近量产和规模化，部分L4自动驾驶部署出现城市级经济性改善的说法；垂直AI应用也开始拿出经常性收入、价值定价和运营层面盈利的早期证据。不过，这些证据大多来自管理层口径，且不少公司未上市，离可审计、可复现的公开市场验证还有距离。

投资含义反而更集中：算力、AI基础设施、国产芯片、内存和存储，是最不需要押注单一大模型胜负的方向；应用层要看专有数据、工作流所有权、客户留存和定价能力；模型公司则必须证明自己不只是被调用，而是能控制高价值工作流。消费级AI和智能体电商还没拿出足够硬的付费、留存和交易增量证据，估值故事仍要打折。

模型能力还重要，但单卖API的护城河变薄了

最一致的信号来自企业场景：客户关心的是任务能不能完成、能不能嵌进现有流程、能不能调动自有数据，而不是一定要用最大的模型。

一些公司已经在按价格、性能和具体任务，把请求分配给不同的国产模型和前沿模型。还有公司承认，单纯API切换成本并不高，真正让客户留下来的，是企业数据接入、工作流改造和部署后的业务粘性。

这对模型层估值并不舒服。使用量增长可以继续存在，但租金能否留在模型厂商手里，变成另一个问题。如果客户可以低摩擦地多模型切换，通用API的定价压力会越来越明显。

当然，模型不是没价值。编码、智能体、企业软件自动化这类任务里，可靠性、上下文长度、工具调用能力、多步任务完成率会直接影响业务结果。模型公司如果能控制用户界面、工作流记忆和数据反馈循环，仍然有机会保住高价值场景的经济性。

最早变现的应用，不是通用AI，而是流程重、数据厚的垂直场景

保险和金融服务风险、企业数据集成、跨境营销，是这次最强的几个应用信号。它们的共同点很清楚：客户付费不是为了“用了AI”，而是为了风险下降、效率提升、营销转化改善、决策自动化。

这类场景更容易做价值定价。只要结果可衡量，供应商就有机会把AI能力转化为经常性收入，而不是一次性项目费。

但这里不能直接套用传统软件的估值逻辑。部分业务仍可能有较强服务属性：大客户集中度高、在客户钱包里的份额还小、早期部署需要大量人工实施或人工辅助。如果这些成本被完整计入，毛利率和可扩展性可能没有表面那么好。

所以更准确的判断是：部分AI应用已经从叙事进入早期商业验证，但还没证明自己具备持久、可规模化的软件经济性。

算力主线反而更清晰：模型越可替换，基础设施越像共同赢家

如果企业使用多个模型，模型的排他性会下降，但算力、存储、内存、云编排和推理基础设施的需求不会消失。

这也是基础设施逻辑更清楚的地方。无论最后哪个模型领先，训练、推理、企业部署、ADAS开发、模拟、数据处理、托管服务都要消耗计算资源。模型竞争甚至可能增加实验和部署频率，从而推高推理和配套基础设施需求。

最关键的假设是任务量弹性。乐观情形要求AI任务量增长快于单任务成本下降。如果模型效率、稀疏计算、边缘推理或架构改进让单位算力消耗下降得更快，基础设施受益会被削弱。

目前这套框架更偏向前者：需求正在从前沿训练扩展到推理、国产技术栈适配、内存、存储和企业工作流执行。对公开市场来说，这仍是最清晰的一条AI敞口。

自动驾驶不再只是成本中心，但L4还没有过关

自动驾驶的变化在于，过去纯粹烧钱的叙事开始松动。

ADAS和L4 Robotaxi要分开看。ADAS依托整车厂量产、真实道路数据循环和软件式批量利润率潜力，更接近规模化。供应商可以跟随车企装配率提升，形成更可见的收入贡献。

L4 Robotaxi仍早得多。部分运营商给出了城市级经济性改善、车辆成本下降、海外部署经济性更好的说法，但公司层面盈利仍是后期目标，监管门槛也没有消失。一个城市跑通，不等于不同地理、天气、监管环境下都能复制。

对L4公司来说，真正能改变投资可行性的证据很具体：可审计的城市级单位经济性、牌照城市扩张、车辆成本持续下降、安全记录和监管连续性。任何事故引发的牌照暂停，都可能把商业化进程向后推几个季度。

中立专业公司能切进车企和企业，平台未必通吃应用层

平台原本拥有云、流量、生态和分发界面，看起来应该吃到AI应用的大部分价值。但企业和车企采购里，中立性正在变成一个变量。

一些非平台模型或应用公司能够进入整车厂和企业订单，原因不是它们拥有更大的生态，而是客户把它们视作更可定制、更中立的供应商。平台云、地图和基础设施仍可以作为输入层被使用，但部署上下文和客户工作流可能掌握在中立专业公司手里。

这并不削弱腾讯、阿里这类平台在云、地图、计算、数据基础设施上的受益逻辑。真正需要区分的是：平台作为基础设施供应商，和平台自有模型在应用层拿订单，是两件事。

当客户优先考虑中立、定制、深度集成时，平台模型未必天然占优。采购决策会更依赖信任、整合深度和垂直交付能力。

消费级AI和智能体电商，还缺一张硬账单

消费级AI目前证据偏弱。常见问题包括用户忠诚度低、竞争激烈、付费意愿不足、产品模仿速度快。

智能体电商和AI广告也还处在更早阶段。跨境营销里，当前更主要的优化仍来自推荐算法，大语言模型驱动的智能体商业化还没有足够可验证的收入证据。

这里需要看的不是下载量、产品发布或演示效果，而是留存率、付费转化率、重复使用率、毛利率和可衡量的交易增量。没有这些指标，消费级AI故事很难支撑更高估值。

真正要验证的是留存、定价和毛利，而不是AI叙事本身

对模型公司，未来几个季度的关键问题是：客户多模型路由之后，模型层还能不能持续捕获价值。乐观情景需要看到净留存率上升、定价稳定或提升、流失率低，以及毛利率在多模型竞争下保持稳定。

编码可能是最清楚的测试场景。它高频、价值可量化，又有开发者界面锁定潜力。智谱、MiniMax这类模型引领型标的，不能只靠基准测试表现，还要证明垂直场景、工作流控制力和可重复的使用质量。

对应用公司，核心指标是收入质量、客户集中度、实施强度、净留存率、定价结构，以及扣除客户支持和人工辅助后的真实毛利率。

对基础设施公司，关键是能否更明确地把增长归因于推理、部署和国产芯片适配。如果任务量扩张持续快于效率提升带来的单位成本下降，算力、国产芯片、内存和存储仍是最清晰的AI主线。