夜雨聆风015主题篇里，我们聊的是宏观框架：科技巨头持续加码AI Capex，本质上不是单纯堆GPU、建机房、抢电力，而是在用极重的算力资本开支，去重写企业内部昂贵的人力运营成本。
这篇专题03，不再重复Capex框架，也不再继续看GPU、光模块和数据中心。
我们直接看应用端：
这些算力有没有变成收入？
有没有压低企业成本？
有没有改变软件收费模式？
有没有开始重写白领岗位？
如果专题02看的是“谁在AI基建里收税”，那专题03看的是：
谁能把廉价算力变成高毛利应用，谁又会被AI重新定价。
AI产业周期走到这里，真正的分水岭已经不是“有没有AI功能”，而是：
AI有没有进入业务流、利润表和组织结构。
一、推理成本塌缩：AI替代人工的前提正在成熟
企业为什么敢大规模用AI？
不是因为AI概念好听，而是因为账算得过来。
过去，AI能写代码、写文案、处理表格、做客服，但如果每次调用都很贵，它就只是少数大公司玩得起的工具。
一旦推理成本快速下降，AI就从“尝鲜工具”变成“生产耗材”。
DeepSeek V4这一轮引发关注，核心就在这里。
Reuters在4月29日报道，DeepSeek V4发布后，字节跳动、腾讯、阿里等中国互联网公司开始向华为询问Ascend 950系列芯片订单。原因是DeepSeek V4针对华为芯片做了优化，华为Ascend SuperNode产品线也已经适配V4推理。DeepSeek V4包含V4-Pro和V4-Flash两个版本，支持100万token上下文，并采用MIT开源许可。DeepSeek还在5月5日前为新模型提供75%折扣，并表示随着华为Ascend 950超节点在2026年下半年规模出货，V4-Pro价格可能进一步下降。
引用的高盛研报，也把DeepSeek V4的重点放在架构优化、KV Cache压缩和国产算力适配上。具体技术指标需要以研报原文为准，但方向很明确：
模型能力不是唯一变量，推理成本才是应用爆发的底层开关。
当审一万张发票、生成一批广告素材、写一组测试代码、处理一堆客服工单的AI成本，开始低于人工成本时，企业CFO的账本就会改变。
以前企业买软件，是为了让员工效率更高。
现在企业买AI，是为了让一部分流程不再需要那么多人。
这就是第一条验证：
算力越便宜，应用端利润空间越大；推理成本越低，AI替代人工的速度越快。
二、AppLovin样本：AI应用的核心不是按钮，而是接管业务流
推理成本下降后，谁最先受益？
不是所有软件公司，而是那些能用AI直接接管业务流、提升转化、减少人工干预的公司。
AppLovin就是一个典型样本。
它不是大模型公司，也不是云厂，而是一家广告技术平台。但它最有代表性的地方在于：AI不是产品里的一个按钮，而是商业模式的发动机。
AppLovin 2025年第四季度收入16.58亿美元，同比增长66%；全年收入54.81亿美元，同比增长70%。第四季度调整后EBITDA为13.99亿美元，同比增长82%；全年调整后EBITDA为45.12亿美元，同比增长87%。公司给出的2026年第一季度指引为收入17.45亿至17.75亿美元，调整后EBITDA为14.65亿至14.95亿美元，对应调整后EBITDA率约84%。
这个数字说明，AI驱动的广告优化平台，已经表现出极强经营杠杆。
传统广告投放依赖大量买量团队、优化师、素材测试、渠道判断、ROI跟踪和预算调配。
AppLovin的AXON引擎，本质上是在把这套人力密集流程交给算法。
客户设定目标，系统自动寻找流量、分配预算、优化转化。
这形成了一个非常重要的AI应用模型：
收入可以随着客户预算和流量增长，成本却不需要跟着人头线性增长。
这就是AI应用端的“暴利时代”逻辑。
不是所有APP都会暴利，而是少数能接管业务流的应用，具备重新分配利润的能力。
三、Meta样本：AI不是成本黑洞，也可能是广告印钞机
很多人看到Meta上调AI Capex，只看到成本压力。
但专题03要看的不是Meta买了多少算力，而是这些算力有没有提升广告效率。
Meta 2026年第一季度收入563.11亿美元，同比增长33%；经营利润228.72亿美元，同比增长30%；经营利润率维持在41%。广告展示量同比增长19%，单个广告平均价格同比增长12%。同时，Meta第一季度资本开支达到198.4亿美元。
这组数据很有意思。
一边是Capex继续增加，另一边是广告业务仍然维持高利润率。
这说明Meta的AI投入至少在两个层面产生了回报：
第一，AI推荐提升了内容和广告匹配效率。
第二，AI广告系统提升了广告主投放回报，推动广告价格和展示量同时增长。
广告行业天然适合AI改造：规模大、数据多、反馈快、ROI可测。
过去广告投放依赖人工经验，现在机器更懂用户停留、更懂素材反馈、更懂投放节奏。
对广告主来说，买的不是一个广告位，而是一个自动寻找转化的机器。
这就是Meta和AppLovin共同验证的地方：
AI应用最先兑现的，不一定是全新消费级产品，而是已经有巨大收入池的行业，被AI重新优化。
当AI能同时提升广告库存利用率、广告价格和投放效率，Capex就不只是成本，而是收入引擎的一部分。
四、Palantir样本：传统SaaS卖座位，AI平台卖结果
AI对传统SaaS最大的冲击，不是“多了一个聊天机器人”。
真正的冲击是收费逻辑变了。
传统SaaS按Seat收费。
销售多少人，就买多少CRM账号；客服多少人，就买多少工单账号；研发多少人，就买多少协作工具账号。
但如果AI开始减少人头，按座位收费的逻辑就会被挑战。
企业裁掉一部分白领，或者压缩中后台岗位，传统SaaS的Seat增长就可能放慢。
反过来，如果一个AI平台能够直接完成任务、辅助决策、调度流程，它不一定要卖更多座位，而是可以按任务、按消耗、按价值、按结果定价。
Palantir这一轮财报，给了一个很强的样本。
2026年第一季度，Palantir收入16.33亿美元，同比增长85%；美国商业收入5.95亿美元，同比增长133%；美国政府收入6.87亿美元，同比增长84%。公司本季度签下206笔金额至少100万美元的交易、72笔至少500万美元的交易、47笔至少1000万美元的交易；调整后经营利润率达到60%，调整后自由现金流率达到57%。
这不是普通SaaS的增长曲线。
Palantir的关键不是界面，而是把企业数据、业务流程、权限、模型和决策动作放到一个系统里。
它卖的不是“让员工点的软件”，而是“让组织更快判断、更快执行的系统”。
这也是大摩《Rise of the AI Agent》这类报告反复强调的方向：AI Agent会让企业软件从“记录系统”走向“执行系统”。
过去的软件，是人操作系统。
未来的软件，是系统执行一部分工作，人负责监督和判断。
这就是传统SaaS的生死局。
如果一个SaaS产品只是数据库加界面，AI会让它被重新定价。
如果一个软件公司能把AI接进客户流程，成为企业动作入口，它才有机会拿到新估值溢价。
所以问题不是“传统SaaS都完了”。
真正的问题是：
谁还在卖座位，谁已经开始卖任务、卖结果、卖自动化劳动力。
五、代码接管率：白领Opex开始被重新计算
AI替代人力这件事，最敏感的地方在代码。
因为软件工程师过去被认为是最核心、最稀缺、最难替代的白领岗位之一。
但现在变化已经不是“AI能不能写代码”，而是：
AI能写多少？能不能修真实问题？能不能完成多步骤任务？能不能改变团队结构？
底稿里引用的普林斯顿与NYU联合发布的SWE-Bench Pro-Extended，以及SemiAnalysis《The Coding Assistant Breakdown: More Tokens Please》，都指向同一个趋势：代码Agent正在从补全工具，变成能够处理真实软件工程问题的助手。
公开报道也给了类似信号。
Business Insider报道，Google在2026年4月称，公司75%的新代码已经由AI生成，并由工程师审核；相比2024年10月约25%的比例，提升非常快。报道还提到，微软此前表示AI生成了20%到30%的代码，Meta也希望部分组织在2026年中前达到更高比例。
这件事的关键，不是程序员明天就消失。
而是研发组织的人力结构会变化。
过去，一个产品团队需要很多初级工程师写重复代码、修小bug、补测试、改文档。
未来，一个高级工程师带着多个AI编程助手，可能就能完成过去一个小团队的一部分产出。
这会改变企业的Opex结构。
工资、福利、办公、管理层级，都是运营成本。
如果代码生产、测试、迁移、文档和维护任务被AI吸收，企业就会重新计算：
还需要多少初级工程师？
什么岗位必须保留？
什么能力变得更值钱？
什么工作会被工具吞掉？
研发预算是继续加人，还是买算力和工具？
这就是AI Capex与人力Opex置换最直接的证据。
不是企业马上不招工程师，而是软件开发的产能函数变了。
过去产能约等于工程师人数。
未来产能可能等于：
核心工程师 × AI工具链 × 算力调用 × 自动化测试 × 数据和权限治理。
这就是组织重构。
六、真正的利润转移：从“卖工具”到“卖自动化劳动力”
把几条线放在一起看，AI应用端正在发生一场利润转移。
DeepSeek V4验证的是推理成本下降。
AppLovin验证的是AI接管广告业务流后，收入增长不再依赖同等人力增长。
Meta验证的是AI推荐和广告系统可以把巨额Capex转化为广告效率和利润率。
Palantir验证的是企业软件可以从“人操作界面”走向“系统执行任务”。
代码Agent和Google代码生成比例，验证的是白领工作里最硬的一块——软件开发，也开始被AI改变产能结构。
这些不是孤立事件。
它们共同指向一个判断：
AI应用的下一轮核心，不是多一个智能助手，而是把AI变成自动化劳动力。
传统软件解决的是“记录、协作、管理”。
AI应用解决的是“理解、判断、执行”。
传统SaaS卖的是工具。
AI平台卖的是任务完成能力。
传统软件的收费单位是账号。
AI应用未来的收费单位，可能是任务量、调用量、工作流、节省成本、创造收入，甚至是结果分成。
这就是AI冲击传统SaaS的根本原因。
不是因为传统SaaS没有AI功能，而是因为AI改变了客户买软件的理由。
客户过去问：
这个软件能不能提高员工效率？
客户以后会问：
这个系统能不能直接替我完成工作？
这个问题一变，估值逻辑也会变。
七、下一阶段看什么：不是谁喊AI，而是谁的利润表被AI改写
接下来，市场不会再轻易奖励所有“AI概念”。
真正值得观察的是四类公司。
第一类，是能把推理成本下降变成使用量爆发的公司。
比如API、模型平台、开发工具、Agent平台。如果成本下降只带来价格战，而没有带来需求爆发，就不是好生意。
第二类，是能用AI接管业务流的应用公司。
广告、销售、客服、金融分析、代码、内容生产、法务、税务、医疗文书、供应链调度，都有机会。但前提是AI必须进入工作流，而不是停留在演示层。
第三类，是能从Seat-based转向Consumption-based或Outcome-based的软件公司。
如果AI减少客户员工数，传统座位费会有压力。能把收费模式切到任务量、用量、自动化成果上的公司，才有可能穿越这次重定价。
第四类，是能用AI压低自身Opex的公司。
这类公司最直接的证据不是发布会，而是利润表：
收入增长，员工数不线性增长。
毛利率或经营利润率改善。
自由现金流增加。
研发、销售、客服和运营的人效提高。
接下来财报季，真正要看的不是公司说了多少遍AI，而是：
AI有没有带来新增收入？
AI有没有提升利润率？
AI有没有减少人工流程？
AI有没有提高客户留存？
AI有没有改变收费模式？
AI有没有让同样员工创造更多收入？
这些才是真信号。
其余很多，只是噪音。
八、达子的观察：算力如果不能变成现金流，就是成本；如果能变成自动化劳动力，就是周期
AI产业周期走到这里，不能只看一端。
只看基建，会错过应用端的利润转移。
只看应用，又会低估算力成本下降带来的底层变化。
真正的链条是：
算力扩张 → 推理成本下降 → AI应用规模化 → 业务流自动化 → 人力Opex被重新计算 → 利润表重写。
这就是专题03的核心。
AI Capex不是为了买一堆机器放在那里。
它的终点，是把算力变成自动化劳动力。
当算力比人便宜，企业就会重新计算每一个流程：
广告投放要不要那么多优化师。
客服要不要那么多一线人员。
代码要不要那么多初级工程师。
销售支持要不要那么多人工整理。
财务、法务、审计、合规要不要那么多重复劳动。
这不是温和的工具升级。
这是一次利润表和组织结构的再分配。
但也要清醒：
不是所有AI应用都会赢。
只有那些能进入真实业务流、直接创造收入或减少成本，并且把价值留在自己利润表里的公司，才可能成为下一阶段赢家。
如果只是套壳模型、做一个聊天界面、讲一个Agent故事，最后大概率会被模型降价、云厂打包、客户自建和开源生态一起挤压。
所以，AI应用端真正的分水岭不是“有没有AI”。
而是：
有没有业务流。
有没有数据闭环。
有没有成本优势。
有没有定价权。
有没有利润表验证。
如果没有，那就是概念。
如果有，那就是周期。
价格只是结果，变量决定阶段。
不预测价格，只观察周期。
资料来源 / Sources
Reuters：DeepSeek V4发布后，字节、腾讯、阿里等中国互联网公司询问华为Ascend 950芯片订单；DeepSeek V4支持100万token上下文，V4-Pro和V4-Flash采用MIT开源许可，DeepSeek提供75%折扣，并预计950超节点规模出货后价格可能进一步下降。
Meta 2026年第一季度财报：收入563.11亿美元，同比增长33%；经营利润228.72亿美元；经营利润率41%；广告展示量同比增长19%，平均广告价格同比增长12%；资本开支198.4亿美元。
AppLovin 2025年第四季度及全年财报：Q4收入16.58亿美元，同比增长66%；全年收入54.81亿美元，同比增长70%；Q4调整后EBITDA 13.99亿美元；2026年Q1指引收入17.45亿至17.75亿美元，调整后EBITDA率约84%。
Palantir 2026年第一季度财报：收入16.33亿美元，同比增长85%；美国商业收入5.95亿美元，同比增长133%；美国政府收入6.87亿美元，同比增长84%；调整后经营利润率60%，调整后自由现金流率57%。
Business Insider：Google称截至2026年4月，公司75%的新代码由AI生成并由工程师审核；微软此前表示AI生成了20%到30%的代码。
Morgan Stanley Research：《Technology: Rise of the AI Agent – Global Implications》，2026年4月。
SemiAnalysis：《The Coding Assistant Breakdown: More Tokens Please》，2026年4月。
Princeton / NYU joint paper：《SWE-Bench Pro-Extended》，arXiv:2604.0939，2026年4月18日。
Moshan Fund：《美股人工智能每日监测报告》，2026年4月23日。
风险提示 / Disclaimer
本文仅为AI产业周期观察和公开资料整理，不构成任何投资建议。
第一，AI应用端仍处于高速变化阶段，推理成本、模型能力、客户采用率和收费模式都可能快速变化，当前数据不能简单线性外推。
第二，AppLovin、Palantir、Meta等公司具备强烈个体差异，不能因为它们出现高增长或高利润率，就推导所有AI应用公司都能复制同样路径。
第三，传统SaaS面临AI重定价压力，但不等于全部传统SaaS都会衰退。拥有强数据、强流程、强客户关系和强生态入口的公司，仍可能通过AI完成二次进化。
第四，AI替代人力并非简单线性过程。企业岗位调整受宏观环境、成本控制、组织战略、监管合规和行业周期共同影响，不能把所有裁员或招聘放缓都归因于AI。
第五，代码Agent和AI自动化工具的基准测试成绩，不等于真实生产环境完全可靠。复杂工程系统仍需要人工审核、架构判断、安全审查和责任边界。
第六，AI应用端的估值可能出现阶段性过热。即使产业方向成立，短期也可能受到利率、财报预期、监管、竞争加剧和市场风险偏好变化影响。
