近期，AI應(yīng)用板塊在資本市場的表現(xiàn)備受關(guān)注。此前，受“大模型吞噬軟件”觀點的影響，AI應(yīng)用板塊的估值相較于算力和模型端出現(xiàn)了明顯的折價。然而，有分析指出，這種定價邏輯存在誤判，AI時代的定價核心圍繞Token展開，形成了算力層、模型層和應(yīng)用層三層加價結(jié)構(gòu)，其中應(yīng)用層的場景Token價值尚未被市場充分挖掘。

在AI產(chǎn)業(yè)鏈中，Token是流通的基本價值單元。算力層作為Token的物理生產(chǎn)環(huán)節(jié)，其定價主要取決于每Token的推理與訓(xùn)練成本。這一層的特點是固定成本高，但邊際成本隨規(guī)模擴(kuò)大而遞減，長期競爭將聚焦于成本優(yōu)勢。模型層則賦予Token智能密度，不同模型能力下，同等數(shù)量Token承載的信息質(zhì)量差異顯著，模型廠商通過智能密度溢價獲取收益。不過，隨著高質(zhì)量開源模型的不斷涌現(xiàn)，這一層的溢價空間正面臨結(jié)構(gòu)性壓縮。

應(yīng)用層是Token場景轉(zhuǎn)化率的關(guān)鍵環(huán)節(jié)，其核心價值在于將行業(yè)私有數(shù)據(jù)和專業(yè)Know-how注入Token使用過程，提升單位Token投入的業(yè)務(wù)價值。具體而言，應(yīng)用層通過RAG與微調(diào)、Prompt工程與Agent編排、行業(yè)知識圖譜以及效果承諾等機(jī)制，減少無效Token消耗，提高任務(wù)完成的轉(zhuǎn)化率，并確保模型輸出符合行業(yè)規(guī)則和實際可操作性。終端用戶購買的是業(yè)務(wù)結(jié)果，而非Token本身，因此應(yīng)用層能夠賺取Token投入與業(yè)務(wù)產(chǎn)出之間的效率差價。

數(shù)據(jù)飛輪效應(yīng)進(jìn)一步強(qiáng)化了應(yīng)用層的價值壁壘。終端用戶的持續(xù)使用沉淀出豐富的行業(yè)語料和反饋信號，反哺模型在垂直場景的微調(diào)與迭代，提升單位Token的場景轉(zhuǎn)化率。這使得應(yīng)用層獲得更強(qiáng)的效果承諾能力和更高的定價權(quán)，吸引更多客戶使用，形成良性循環(huán)。隨著AI基礎(chǔ)能力的整體提升，擁有數(shù)據(jù)資產(chǎn)的應(yīng)用廠商相對優(yōu)勢將持續(xù)擴(kuò)大。

在評估AI應(yīng)用公司時，需要構(gòu)建雙軸評估框架，即護(hù)城河和成長性。護(hù)城河評估包括客戶粘性、數(shù)據(jù)時間資產(chǎn)、私有化部署性質(zhì)、平臺化程度和場景暴露度五個維度。例如，客戶粘性可通過KA老客客單價年增速和合同負(fù)債增速來評估；數(shù)據(jù)時間資產(chǎn)是權(quán)重最高的維度，需評估競爭對手追趕所需時間；私有化部署性質(zhì)需結(jié)合毛利率和實施人員數(shù)量細(xì)分；平臺化程度決定公司能否脫離項目制線性增長；場景暴露度則評估核心場景的替代風(fēng)險。成長性評估包括縱向滲透空間、橫向擴(kuò)張可行性和AI共振系數(shù)三個維度。縱向滲透空間衡量在已有客戶群體里的收入天花板；橫向擴(kuò)張可行性評估底層能力遷移性；AI共振系數(shù)衡量基礎(chǔ)模型能力提升時公司能解鎖的新場景數(shù)量。

目前，已有AI數(shù)據(jù)服務(wù)商創(chuàng)新性提出Token化收費模式，并獲得資本市場認(rèn)可。仍有眾多優(yōu)質(zhì)AI應(yīng)用公司估值處于低位，具備挖掘價值。業(yè)績成長性高、估值低位且已有按Token消耗量或按結(jié)果付費收入的優(yōu)質(zhì)AI應(yīng)用標(biāo)的，有望獲得市場關(guān)注。不過，AI產(chǎn)業(yè)也面臨宏觀經(jīng)濟(jì)波動、技術(shù)進(jìn)步不及預(yù)期和中美競爭加劇等風(fēng)險，可能對產(chǎn)業(yè)資本投入、技術(shù)落地節(jié)奏和行業(yè)增長產(chǎn)生不利影響。