过去两年，AI投资最好理解的一条主线，就是从GPU一路向外扩散：先是英伟达和算力，然后是服务器、光模块、数据中心、电力。但如果把时间往后推一年，下一个真正能够承接AI资本开支的钱会流向哪里？9月14日，高盛发布软件行业报告《Highlights from GS Comm+Tech conversations》，总结了其在Communacopia + Technology Conference期间与约40家软件公司的交流，包括微软、ServiceNow、Snowflake、Datadog、CrowdStrike、Shopify、MongoDB、CoreWeave等。与过去几个月最大的不同是，投资者已经不再只问“AI会不会颠覆SaaS”，问题开始明显转向更具体的商业化指标：企业到底部署了多少AI？推理量有没有真正起来？Agent有没有进入生产环境？谁能够从Token增长中赚钱？

高盛给出的整体感受相当积极：投资者情绪已经达到过去八个月以来最好的水平，而且讨论明显从宏观和估值转向产品、技术栈以及公司自身基本面。更关键的是，高盛认为，对于真正暴露于“推理经济”的公司而言，AI产品周期最好的阶段可能仍然在前面，因为企业生产级推理的大规模应用仍处于非常早期。 这句话可能也是整份报告最重要的结论：过去两年市场交易的是“训练模型需要多少GPU”，下一阶段开始要交易“这些GPU到底跑出了多少Token，而这些Token最终创造了多少收入”。

01｜AI没有降温，只是从“训练故事”进入“推理经济”

首先，高盛在这次会议上得到的第一个结论非常明确：AI基础设施需求依然异常强劲，但需求的性质已经发生变化。过去两年AI基础设施的核心是训练大模型，OpenAI、Meta以及大型云厂商不断建设GPU集群；现在企业正在越来越多地把AI工作负载从实验环境推向Production，Compute也开始被视为战略资源。CoreWeave提到Caterpillar、IBM等企业客户，越来越多客户开始建设专属集群来支持内部模型和Inference Workload；DigitalOcean看到Coding、客服、个人生产力、获客和生成式媒体等领域都开始出现更多生产级部署，而且这些推理需求已经不再主要依靠VC资金支持的实验项目，而是越来越直接地和真实商业结果、收入以及变现联系起来。

Akamai看到的趋势更加长期，客户需求已经延伸至2028年，而且AI带来的基础设施需求并不只有GPU，GPU部署还会进一步拉动CPU、Storage、Security、Networking和Edge Compute。换句话说，AI基础设施正在经历第一次真正的结构变化：Training决定了第一阶段，而Inference可能决定第二阶段。 训练需求高度集中于少数模型公司和Hyperscaler，而推理需求最终可能分散在数百万企业应用、Agent和Workflow中。如果说过去两年的核心指标是GPU出货量和数据中心Capex，那么未来越来越重要的指标可能是Token生成量、Inference利用率以及每单位算力能够创造多少收入。

02｜真正值钱的东西，正在从GPU向上移动

这也引出了高盛会议中第二个非常明显的变化：价值正在从“拥有GPU”向“控制Token Flow和Agent Flow”移动。 DigitalOcean对此给出了非常清晰的解释，长期价值并不应该来自GPU稀缺带来的高价格，而应该来自Token Flow和Agent Flow。因为随着GPU供给增加，单纯出租算力依然是一个资本密集型生意；但如果向上进入Agent Runtime、Database、Storage、Orchestration和Observability，这些业务的经济模型会越来越接近高毛利的软件，而不是传统基础设施。CoreWeave也在沿着这条路线扩张，从GPU Capacity进一步进入Managed Inference、Observability、Networking、Storage以及Software Tooling，而且很多客户已经同时使用平台上的多种服务。

这其实非常像上一轮云计算的发展路径：最开始卖服务器，然后出现IaaS，再往上是PaaS、数据库和SaaS，最终真正高利润的价值不断向软件层迁移。AI可能正在复制同样的过程，即GPU → AI Infrastructure → Inference Platform → Agent Platform → AI Application。所以未来判断一家AI公司的价值，不能只看它拥有多少GPU，而应该看它能够截取多少Token Flow，以及这些Token最终经过谁的平台。微软、Datadog、Snowflake、ServiceNow这些公司重新变得重要，本质上都是因为AI开始从算力建设进入生产环境之后，企业需要新的数据、监控、治理和工作流层。

03｜微软开始考虑的，已经不是买多少GPU，而是GPU多久能赚钱

微软在这次会议上的表态很值得注意。市场一直担心Hyperscaler资本开支越来越大，但微软现在考虑的问题已经不完全是“还要建设多少数据中心”。未来12个月能够上线多少GW基础设施实际上已经相对固定，公司更关注的是如何让这些已经部署的算力更快达到“Revenue Ready”。过去一年，微软已经把硬件从到货到正式上线的Dock-to-live时间缩短超过50%，同时通过硬件、Azure基础设施和应用层的效率提升，在不同比例增加资本强度的情况下扩大有效供给。

这意味着AI资本开支可能正在从“拼投入”进入“拼周转率”。如果同样投入100亿美元，一个云厂商能够让GPU提前上线、提高利用率、降低单位Token成本，那么最终能够产生的Azure收入完全不同。未来市场评价AI Capex，也可能逐渐从“今年花多少钱”转向“这些钱多久能够转化成Revenue”。这也是一个非常重要的估值变化：第一阶段市场奖励敢于Capex的公司，第二阶段则可能开始奖励能够把Capex最快转化成Token和收入的公司。

04｜Snowflake和MongoDB：AI正在反过来加速云迁移

AI对软件行业还有一个容易被忽略的巨大影响：它不只是创造新软件，还在突然降低传统企业IT现代化的成本。Snowflake给出的案例非常典型，过去大型企业把Teradata等传统数据系统迁移到现代数据平台，往往需要2—3年，而且严重依赖咨询公司和工程师；现在借助AI Coding Agent，一个大型Teradata迁移项目可以缩短到不到三个季度。合作伙伴甚至开始愿意从传统的Time-and-materials收费，转向Fixed-price和Outcome-based收费。MongoDB也在做类似事情，希望通过AI辅助工具把过去需要数年的现代化项目压缩到几个月，未来甚至进一步缩短到几周。

这件事对Snowflake、MongoDB这样的公司可能构成双重利好。企业过去并不是不知道旧系统应该淘汰，而是迁移成本太高、周期太长、风险太大；现在Coding Agent如果能够显著降低迁移门槛，相当于释放了一批长期被锁住的IT需求。第一层逻辑是AI应用本身需要更多数据，第二层则是AI反过来帮助企业更快把传统数据和应用迁移到现代平台。换句话说，AI不仅创造新的Workload，还可能加速旧Workload的现代化。

05｜模型越来越便宜，真正的护城河变成“企业上下文”

问题也随之而来：如果Open Format越来越普及、AI辅助迁移越来越容易，不同模型之间也越来越可以互换，那么软件公司最终靠什么建立护城河？高盛这份报告中反复出现了三个关键词：Governance、Semantics、Enterprise Context。

Databricks认为，随着模型数量不断增加、企业开始更加严格地审查AI支出，同时Agent安全问题上升，Governance正在成为企业选择AI平台的重要标准；Snowflake也承认，开放格式和AI迁移正在降低Storage层面的传统切换成本，因此真正的差异化正在转向Governance、Disaster Recovery、Observability、Agent Orchestration以及更高层的Application Services。

这背后的逻辑其实很简单：模型可以越来越便宜，数据也可能越来越容易搬家，但企业几十年积累下来的业务逻辑、权限体系、客户关系、历史数据和Workflow没有那么容易复制，这些东西共同组成Enterprise Context。未来真正有护城河的软件公司，不一定拥有最强的大模型，而可能是最了解企业“过去发生过什么、现在正在发生什么、下一步应该做什么”的平台。模型负责智力，而软件平台负责上下文、权限和执行，这可能是SaaS公司面对大模型冲击之后真正能够守住的位置。

06｜一个新的入口战争：Developer Mindshare之后，是Agent Mindshare

报告中还有一个非常值得关注的细节。MongoDB发现，现在AI Coding Agent创建新应用时经常默认选择Postgres，并不是因为Postgres突然发生了技术革命，而是因为几十年来互联网积累了大量Postgres文档、代码和社区内容，大模型在训练过程中接触得更多，因此Agent更加理解它，也更加倾向于推荐它。Supabase已经成为这轮变化的早期受益者，在多个Vibe Coding平台和AI创业公司中成为受欢迎的Backend；MongoDB因此正在努力让Atlas更容易被Agent发现、Provision和使用，包括加深与Vercel v0的集成以及继续投资MCP。

这意味着软件行业出现了一个新的竞争维度。过去所有软件公司都在争夺Developer Mindshare，希望开发者主动选择自己的数据库、云服务和开发工具；未来还要争夺Agent Mindshare，因为越来越多技术选择可能由Agent替开发者完成。如果你的产品根本没有进入Agent的候选集，甚至可能在客户真正开始比较产品之前就已经输了。更重要的是，这种优势可能自我强化：Agent推荐某个平台→更多应用使用→产生更多代码和文档→未来模型更加熟悉→Agent进一步增加推荐。所以AI时代的“默认选项”，可能比移动互联网时代更加重要。

07｜ServiceNow终于证明：Agent不只是PPT，开始真的创造ROI

整个报告中，我认为最值得关注的还是ServiceNow，因为过去一年市场对AI软件最大的质疑始终是：Agent到底是不是Demo和PPT？这一次ServiceNow给出的几个案例已经开始回答这个问题。Robinhood已经把ITSM高度自动化，Agent目前管理过去由人工处理的70%的Case；拥有5200家药店的Rossmann，则把客户Case解决时间从原来的5—9分钟压缩到了5秒；还有一家航空公司正在自动化处理数百万通电话。这些已经不是“Copilot帮助员工提高一点效率”，而是AI真正进入Workflow并开始承担原来由人工完成的工作。ServiceNow进一步表示，随着企业增加AI Use Case并重新设计Workflow，平均Seat最终产生的合同价值有望达到原始合同价值的4.5倍。

这也是为什么NOW未来不能只按照传统SaaS公司的Seat增长去理解。过去一个员工对应一个Seat，未来一个员工背后可能运行几十个Agent和数百个自动化Workflow，于是软件公司的收费单位可能从单纯的Seat变成Seat + Token + Agent + Workflow + Outcome。微软同样明确提出，AI正在推动软件从Seat-based Licensing向按照工作量、结果和生产力收费转变，而且微软并不认同“AI只是重新分配原有软件预算”的说法，因为AI能够创造过去不存在的新Workflow、新商业流程和新收入机会。 如果这条逻辑成立，AI并不是蚕食SaaS的TAM，而可能重新扩大整个软件行业的TAM。

08｜AI软件真正的大蛋糕，可能不是IT预算，而是工资预算

这里还有一个非常关键的案例。Tyler提到，一位客户原来每年支付大约100万美元购买核心软件，随后又购买约100万美元的AI Add-on，最终实现了大约200万美元的人工成本节约。 这会彻底改变AI软件TAM的计算方式，因为传统SaaS公司争夺的是企业IT Budget，但如果一套AI Agent每年收费100万美元，却能够节约200万美元人工成本，那么CFO考虑的就不再是“我的软件预算还有没有100万美元”，而是“我愿不愿意用100万美元软件换掉200万美元人工成本”。

这意味着AI软件潜在争夺的预算池正在从IT Spend扩大到Labor Spend，而全球企业的工资支出远远大于软件支出。这可能才是Agent真正打开第二增长曲线的地方：当AI产品只是让员工写邮件快10%，企业愿意支付的价格有限；但如果AI能够直接接管客服、IT运维、销售支持、财务处理等Workflow，并且能够计算出节约了多少工时，那么软件公司的定价锚点就从“其他软件多少钱”变成了“一个员工多少钱”。

09｜Shopify给出了另一条路：AI不一定非要单独收费

AI商业化也不只有卖订阅一种路线。Shopify就是很好的例子，Sidekick依托Shopify掌握的大量商户行为、交易流程、支付和转化数据，可以为商户提供越来越主动的“Next Best Action”，而这些数据恰恰构成了新进入者难以复制的优势。Shopify并不急于直接收取“AI订阅费”，而是希望AI帮助商户卖出更多商品，提高GMV，再进一步推动Payments、Tax以及其他Merchant Solutions收入增长；与此同时，公司通过Model Distillation、Caching以及更多使用低成本模型来降低Inference Cost。

因此AI软件未来可能形成两种主要变现模式。一种是ServiceNow、微软这样的直接变现，通过Agent、Token、Workflow或者Outcome收费；另一种是Shopify这样的间接变现，通过AI提高整个核心平台的交易量和客户成功率，再从生态系统获得更多Gross Profit。最终判断AI有没有创造价值，可能不能只看财报中单独披露多少“AI Revenue”，更应该观察AI是否提高客户的经济产出，以及这些经济产出能否最终沉淀为平台收入。

10｜AI安全：攻击进入机器速度，安全预算也要跟着升级

如果企业Agent真正大规模上线，另一个一定会同步受益的行业就是Cybersecurity。过去网络攻击的执行主体主要是人，未来攻击和防御两边都会越来越多使用AI。CrowdStrike认为，安全第一次开始从过去企业眼里的“业务刹车”变成业务发展的“加速器”；Palo Alto则提到，最近AI相关攻击新闻对客户安全意识的推动，甚至比公司过去八年的内部营销更加有效。不过Agent Security仍然非常早期，Palo Alto认为，新Agent Stack即使以最快速度构建合适的Security Hooks也需要3—6个月，目前没有任何一家厂商已经形成完整的Agentic Security Stack。

CrowdStrike推出SafeMind，结合Nvidia Nemotron和公司15年以上积累的Kill Chain数据构建Cyber Frontier Model；Palo Alto的优势则来自全球约1.8亿个Sensor以及每天通过Google Cloud处理的19PB数据。Fortinet看到的变化更加直接，AI带来的East-West Traffic、Machine-to-Machine Activity以及内部网络分段正在推动客户购买容量更大的Firewall。 所以AI Security并不仅仅是创造几个新的安全产品，它还可能反过来加速Firewall、SASE、SIEM和Identity的传统升级周期。高盛本次交流后将CRWD列为增量数据偏积极的公司之一，背后的逻辑也正在这里。

11｜Physical AI：AI最终还是要从屏幕进入现实世界

高盛最后还专门讨论了Physical AI，并认为这可能成为Vertical Software未来非常重要的变化。这里的Physical AI并不只是人形机器人，而是数字智能开始真正连接建筑、制造、物流、设备维护、安全等现实世界Workflow。Samsara看到部分AI功能过去两个月使用量增长约4倍，主要应用在Maintenance、Safety和Asset Utilization，而这些场景最大的特点就是ROI非常容易量化，比如减少多少停机时间、降低多少事故率、提高多少资产利用效率。Autodesk则看到AI开始连接Design、Construction和Operations，通过减少每个项目需要投入的资源，帮助客户处理更多Backlog并参与更多投标，最终又可能反过来增加Seat和Consumption需求。

所以Physical AI真正的大机会可能远远超过机器人本身。未来工厂、建筑、汽车、物流网络和各种设备都会逐渐变成可以被AI理解、分析甚至直接操作的Workflow，而原本已经嵌入这些行业的软件公司天然拥有数据、客户关系和业务上下文。AI把这些公司从“System of Record”进一步推向“System of Action”，软件不再只是记录现实世界发生了什么，而开始直接参与现实世界下一步应该怎么做。

12｜高盛真正想告诉市场的：AI投资正在进入第二阶段

把整份报告串起来，高盛这次真正给出的并不是简单的“软件看多”，而是一条非常清晰的AI价值迁移路线。第一，AI正在从Training Economy进入Inference Economy，GPU、数据中心和电力仍然重要，但随着更多算力进入Production，市场会越来越关心Token到底产生了多少真实商业价值；第二，价值开始沿着AI Stack向上迁移，从GPU和Infrastructure逐渐进入Database、Observability、Security、Agent Platform和Application，谁能够控制Token Flow、Agent Flow和Enterprise Context，谁就更有机会获得下一阶段定价权；第三，也是最重要的一点，AI软件终于开始出现能够被量化的ROI。Robinhood的70% ITSM Case、Rossmann从5—9分钟压缩到5秒、Tyler客户用100万美元AI软件节约200万美元人工成本，这些案例还不能证明整个行业已经完成商业化，但至少证明企业AI正在从Demo进入Production。

所以现在继续讨论“AI会不会消灭SaaS”，可能已经有些落后。真正值得讨论的是，当一家拥有10000名员工的企业未来同时运行数万甚至更多Agent时，谁来给这些Agent提供数据，谁来管理权限，谁来监控运行，谁来保证安全，谁来组织Workflow，谁又来计算最终ROI？答案很可能仍然是一层又一层的软件。这也是为什么高盛此次交流之后，对CRWD、DDOG、DOCN、DT、SHOP和SNOW的增量数据判断相对积极，而CHKP、HUBS、INTU和NAVN的能见度相对更加混合。

总结

过去两年的AI投资逻辑其实非常简单：算力不够，所以买GPU；GPU不够，所以建数据中心；数据中心不够，所以买电。 这条链条当然没有结束，但高盛这次约40家公司交流给出的信号是，第二条链条已经开始形成：算力建起来之后，企业开始推理；推理带来Token增长；Token增长推动Agent进入Workflow；Agent又带来数据库、Observability、安全和治理需求；当这些Agent真正产生ROI之后，企业才愿意继续扩大AI预算。

如果第一阶段AI牛市赚的是“卖铲子”的钱，那么第二阶段真正值得寻找的，就是谁能够对Token流动、Agent运行和企业Workflow收税。 从这个角度看，NOW、CRWD、DDOG、SNOW这些公司未来真正值得跟踪的，也已经不只是传统意义上的Seat、ARR和RPO，而是Production AI采用率、Agent使用量、AI带来的合同价值提升，以及新增AI收入能否最终超过Inference Cost。过去市场对AI软件最大的质疑一直是“只有叙事，没有数字”，而从这次高盛会议透露出来的信息看，数字终于开始出现了。AI软件是不是已经迎来全面业绩拐点，现在下结论还太早；但至少从企业部署阶段来看，从PoC走向Production的拐点，已经越来越清楚。

注：本文根据高盛2026年9月14日《Highlights from GS Comm+Tech conversations》整理，原报告总结了高盛Communacopia + Technology Conference期间与约40家软件公司的交流。文中涉及的公司经营数据、案例及行业观点主要来自该报告及参会公司管理层交流，仅用于行业研究与信息分享，不构成任何投资建议。