AI 应用层全景:谁在赚钱,谁在陪跑

数 说 深 度 · 第 01 期　|　约 5000 字 · 阅读 12 分钟

AI 应用层的问题，已经不是"能不能做出来"，而是"靠什么方式收钱"。

过去两年，行业的注意力几乎全部放在模型能力上。但能力趋同的速度，远快于商业模式成熟的速度。当大家都能调用同样强的模型，"你的模型更好"就不再是理由，决定生死的变量转移到了别处——钱怎么进来，成本怎么出去。

我们尝试把应用层按付费结构分成五层。这个切法不完美，但它能解释一个按行业分类解释不了的现象：同一个赛道里，两家看起来差不多的公司，为什么估值能差几倍。

图 1AI 应用层的五层结构：越往下，越接近交付生意

读图：分层依据为付费方式与收入确认形态，而非行业归属。毛利条形长度为相对水平，表示同层内的典型区间，不构成对任何具体公司的财务判断。口径：截至 2026 年 10 月，基于公开披露信息与行业访谈整理。

横轴不是规模，是"收钱的方式"。从 L1 到 L5，越往上越像流量生意，越往下越像交付生意。这个顺序不是价值排序——L1 的头部公司活得很好——而是商业模式的排序。

图上有一条很容易被忽略的分界线，在 L2 和 L3 之间。线的左边是产品生意：一份研发投入，可以卖给很多客户。线的右边是项目生意：每一个客户，都要重新投一次人。

跨过这条线的公司很少，跨过去之后，估值逻辑会完全改变。

按行业分层是大家习惯的做法：金融 AI、医疗 AI、教育 AI。它的问题不是错，是没有解释力——你会得到"金融 AI 落地快、医疗 AI 慢"这类结论，但它回答不了一个更实际的问题：为什么同一个赛道里，有的公司在扩招实施，有的在砍实施？

按付费方式分层，回答的正是这个问题。因为付费方式决定了三件事：收入怎么确认、成本什么时候发生、规模上去之后毛利率往哪走。这三件事一旦确定，一家公司的增长质量基本也就确定了。

换个说法：行业决定天花板，付费方式决定地板。

L1 是最容易理解、也最拥挤的一层。产品形态是对话、写作、绘图、办公辅助，客户是个人和小团队，收入靠席位订阅加免费额度转化。

这一层的经济结构很清楚：边际成本低，获客成本决定生死。免费额度用完那一刻，用户要做一个选择——付费，还是换一个免费的工具。这个选择决定了这层所有公司的命运。

所以 L1 的关键不是模型能力，是留存曲线。而留存的本质是工作流嵌入的深度：如果工具只是一个随时可替换的入口，留存永远上不去；如果它变成了团队协作的默认环节，替换成本才会出现。

判断：这一层的头部会活得很好，因为分发成本低、规模效应强。但腰部几乎没有生存空间——它们既没有分发优势，也没有工作流深度，只能靠降价竞争，而降价在这层等于自杀。

这一层还有一个结构性问题：功能边界模糊。通用助手能做的事，和办公软件、搜索引擎、操作系统自带的功能高度重叠。一旦大厂把这些能力变成系统默认功能，独立工具的生存空间会被迅速压缩。这不是模型能力问题，是分发位置问题——谁离用户的默认入口更近，谁就赢。

这是我认为最被低估的一层。

它的形态是存量软件加装 AI 模块——ERP 里加智能单据识别，CRM 里加销售预测，设计软件里加生成功能。客户不是新客户，是已经在用这套软件的存量客户。

这一层的优势几乎是结构性的：不需要重新获客，不需要教育市场，客户的数据已经在系统里，采购流程已经跑通过一次。它没有"从 0 到 1"的问题，只有"从 1 到 1.2"的问题。

但它有一个很现实的陷阱：如果加了 AI 客户不愿多付钱，AI 就从收入变成了成本。这种情况在这一层非常普遍。产品团队做了很多功能，客户觉得"本来就应该有"，续费率没涨，客单价没涨，研发投入却实打实增加了。

同样是"给存量软件加 AI"，做法不同，结果差很远。目前能看到的至少三种：

第一种是免费附送。作为版本升级的一部分给所有客户，作用是守住续费率。这种做法的 AI 不产生直接收入，它的价值体现在续费率上，而不是 ARPU 上。看起来最不划算，但在竞争激烈、客户随时可能流失的品类里，这是最务实的选择。

第二种是加价模块。单独定价、单独售卖，客户按需购买。这是最健康的一种——它直接检验了"客户愿不愿意为这个功能掏钱"这个终极问题。卖得动，说明创造了真价值；卖不动，说明只是自嗨。

第三种是独立产品。AI 模块做得足够重，单独成立一条产品线，可以卖给非本软件的用户。这一种最接近 L3 甚至 L1，本质上已经不在 L2 里了。它是最有想象力的路径，也最容易失败——因为它要求公司同时具备两条产品线的心智和资源。

判断一家 L2 公司，先看它属于哪一种：第一种是防守，第二种是进攻，第三种是转型。三种都合理，但估值逻辑完全不同。

这一层收入规模最大，毛利最薄。

原因不在技术，在交付。每个客户的数据结构、业务流程、组织架构都不一样，标准化率天然低。一个在 A 厂跑通的方案，搬到 B 厂要重做数据映射、重做流程适配、重做权限体系。项目制的本质，是用人力换收入。

这意味着它天然规模不经济：接的项目越多，需要的实施人员越多，管理复杂度上升得比收入更快。

出路只有一条：把交付过程产品化——把定制部分压缩到一个可配置的范围里。做到的公司，会从系统集成商变成真正的软件公司，毛利率和估值都会被重估；做不到的，会一直停在"接一个项目、养一批人"的循环里。

识别方法其实很简单：看实施人员占总人数的比例，以及这个比例在过去三年是升还是降。比例在降，说明产品化在推进；比例在升，说明增长是靠堆人换来的。这个方法不需要任何内幕信息，翻一翻公开资料就能做。

项目制还有三个不在报价单上的成本，往往比实施人力更伤。

一是售前成本。每个项目都要做方案、做演示、做 POC，而 POC 的投入大多不产生收入。项目越复杂，售前消耗越大。这部分成本在财报里看不见，但实实在在吃掉了利润。

二是定制债务。为了拿下这一单做的特殊定制，会在未来三五年持续产生维护成本。定制越多，产品分支越多，版本管理越难。很多公司不是被竞争对手打垮的，是被自己过去签下的定制拖垮的。

三是人员流动。项目制公司的核心资产是实施团队的经验，而经验长在人身上。人一走，交付质量就波动，客户满意度下降，续约变难。这就是为什么这类公司特别依赖"老人"，也特别怕"老人"离职。

这三项加起来，才是项目制真正的成本。所以看到一个项目的毛利，不能只看报价减人力——那只算了账面上的一半。

这一层技术想象空间最大，商业上最不确定。

形态是流程自动化、多步骤任务代理。它卖的不是"一个功能"，是"一段被替代的工作"。这个价值主张比 L1 到 L3 都更直接，也更难被接受。

真正的瓶颈不是技术，是信任。一个高成功率的 Agent，在人盯着的时候是助手，在无人值守的时候是风险。企业的风险偏好决定了这一层能卖到什么程度——短期内它只能卖"辅助"，卖不了"替代"。

定价上还有一个没解决的矛盾：按调用量收费，客户会主动优化调用次数，收入随客户变聪明而下降；按结果收费，厂商承担了本不该承担的业务风险。目前看到的做法多是混合计价，但这只是权宜之计，不是终点。

判断：这一层的爆发不取决于模型再强多少，而取决于责任边界能不能被合同化。谁能把"出错了谁负责"写清楚，谁就能先拿到规模化订单。

这一层常被排除在"科技公司"之外——因为它按结果交付，看起来像服务。

但它可能是目前把 AI 变现最直接的一类。原因很简单：它绕开了整个行业最难的问题——"客户会不会用"。它替客户用了。

形态是 AI 内容生产、AI 客服运营、AI 数据处理这类按结果计价的服务。收入确认方式接近传统外包，但成本结构完全不同：人力投入随自动化程度下降，理论上毛利可以随规模上升。

风险也很清楚：毛利随人力成本波动，规模化取决于流程拆解能力。做得好的会像现代版的服务巨头，做不好的就是个人工作室的放大版。

所以这一层真正要看的指标是：单个交付单元的人力投入，在过去一年降了多少。降得动，它就在变成科技公司；降不动，它就只是换了工具的外包公司。

三种模式的差异不是"收钱快慢"，而是三种完全不同的经营逻辑。

席位订阅卖的是确定性——客户为"随时可用"付费，厂商负责持续迭代。收入可预测，但获客是硬门槛。

项目交付卖的是承诺——客户为"你能解决我的问题"付费，厂商负责交付结果。签单额好看，但现金流差、毛利被实施吃掉、每个项目都要重新证明自己。

效果分成卖的是风险共担——客户为结果付费，厂商承担了业务不确定性。上限最高，下限也最低。

这三种模式很难互相兼容。一家公司如果同时想做订阅和项目，最后一定偏向项目——因为项目能马上带来收入，而订阅要等。这就是为什么很多宣称"产品化"的公司，做着做着又回到了接项目。

有一个特别省事的判断方法：看它的收入确认政策，比听它讲商业模式可靠得多。合同里写"按席位按月确认"的，就是订阅；写"按里程碑分期确认"的，就是项目。会计口径不会撒谎，宣传口径会。

行业里有一个普遍的困惑：模型价格降了这么多，为什么 AI 应用还是不赚钱？

因为成本结构里下降的那部分，恰恰是小头。

"模型变便宜"并没有自动变成"应用更赚钱"，它只是让成本瓶颈从技术侧转移到了交付侧。

围绕成本，行业里有两个很普遍的误读。

第一个误读：把"模型便宜了"等同于"成本降了"。模型成本在多数企业项目的总成本里并不是最大项。它降一半，总成本可能只降一成多。而真正的大头在交付侧，交付侧的成本由客户的现状决定，不随技术进步而下降。

第二个误读：把"人效提升"等同于"毛利提升"。人效提升只意味着同样的人能做更多项目。但如果每个项目仍然要定制，收入增长依然要靠加人，商业模式没有变。人效改善的是短期利润率，不是生意本质。

判断成本结构是否真的在改善，不要看总额，看一个数：每个客户的交付人天，在过去两年是升还是降。其他都是噪音。

这也解释了为什么这一层最稀缺的岗位不是算法工程师，而是既懂行业、又能推动客户改流程的实施负责人。这个岗位的稀缺程度，本身就是行业处境的证据。

框架的价值在于能用。如果读者只记住五层结构，却不知道怎么套到具体公司上，那它只是一个好看的图。所以这里给四个问题，按顺序问，十分钟能问完。

第一问：它的钱是从新客户来的，还是从老客户来的？从老客户来的，先看 ARPU 变化，那是 L2 的逻辑；从新客户来的，看获客成本和留存，那是 L1 的逻辑。这一问决定了后面该看什么指标。

第二问：它的收入确认是一次性的，还是持续性的？一次性对应项目或交付，持续性对应订阅。这一条直接决定现金流能不能预测。不能预测的现金流，折现率天然更高，估值天然更低。

第三问：它的成本里，人占多少？人占比高的，规模不经济，增长越快越吃现金。人占比低的，才谈得上规模效应。这一问能过滤掉大部分"看起来在增长、实际在消耗"的公司。

第四问：它有没有把交付过程变成配置过程？这是从项目生意跨到产品生意的唯一通道。答"有"的，值得单独花时间看；答"没有"的，就按服务公司估值，别按软件公司估值。

这四个问题不需要财务模型，也不需要内幕信息，但答案基本能定位一家公司在这张图上的位置。定位清楚了，再谈贵不贵才有意义。

这一篇没有做大规模调研，但下面三件事，任何一个读者都能在半小时内自己验证。如果它们成立，前面的判断就有了现实支撑。

第一，去看任何一家做行业 AI 的公司的招聘页面。实施顾问、交付工程师、客户成功经理的岗位数量，往往不少于算法工程师。如果这是一门纯软件生意，这个比例不合理。

第二，去看政企 AI 项目的招标文件，翻到"验收标准"那一栏。多数写的是"系统上线并完成培训""通过初验终验"，而不是"某业务指标改善百分之多少"。验收标准和付费方式是对应的——按交付验收，就意味着按项目付费。

第三，去问一个用了 AI 工具超过半年的企业员工：你的付费账号是公司买的，还是你自己买的？答案往往能说明这个产品到底嵌进了组织，还是停在个人工具层。

这三件事不需要数据报告，只需要一次认真的观察。研究的起点，很多时候就是一次认真的观察。

任何框架都有边界。以下三件事如果发生两件，"付费方式决定毛利"这条就不成立了：

一，模型能力出现跨越式提升，交付环节被大幅压缩。如果 Agent 能自己完成系统对接、数据清洗和流程配置，L3 的定制成本会塌缩，项目制就不再是苦生意。

二，企业采购习惯改变，从"买项目"转向"买结果"，并愿意为此付溢价。这会直接抬高 L5 的天花板。

三，行业出现事实上的标准化——数据模型、接口规范、流程模板被普遍接受。这会让垂直应用的边际成本显著下降。

目前这三件事都还没有明确发生。但第一件正在以比预期快的速度靠近，值得盯着。

判断不需要天天更新，但指标要定期回看。以下四项，我们会在季度复盘时更新：

如果第 1 项持续下降、第 3 项持续上升，说明行业正在从"卖项目"往"卖结果"迁移，那 L4 和 L5 的窗口会比现在看到的更早打开。