夜雨聆风吞噬客观存在，但不能一刀切。agent的空间要比软件大得多……所以，接下来会是整体情绪修复+部分反转。
## 一、会议核心结论
会议主线可以概括为一句话：
**不是“大模型吞噬一切应用”，而是“AI 原生应用吞噬传统软件”。**
马总认为，“大模型直接替代软件”这个说法过于粗糙。真正可能替代传统软件的，是基于大模型、企业私域数据、业务流程、权限控制和行业 know-how 构建出来的 **AI 原生应用 / 企业智能体**。这类应用不是简单调用模型，而是把模型变成企业可控、可审计、可交付结果的生产工具。
董老师的观点相对更中性：AI 的确会替代一部分工具型、标准化、公开信息处理类工作，但企业级软件不会马上消失。短期更可能是“传统软件 + AI 增量”共存，类似硬件产业中新旧技术路线阶段性共存，而不是非黑即白地被取代。
## 二、关于“SaaS 末日论”：不能一刀切
会议中反复讨论了市场对 SaaS 和应用公司的悲观情绪。核心判断是：
**传统按席位收费的软件模式会受冲击，但不是所有软件公司都会被消灭。**
受冲击最大的，是那些功能单一、流程简单、缺乏行业壁垒的软件。例如客服、电话销售、简历筛选、面试邀约、报税等低复杂度场景，确实可能被 AI 员工大量替代。
但企业级场景还有很多大模型不能直接完成的东西：业务流程理解、权限管理、合规要求、数据安全、稳定运行、审计机制、行业最佳实践、复杂任务拆解等。因此，AI coding 降低了写代码门槛，但并没有降低企业级 IT service 的交付门槛。
这也是会议里一个很重要的判断：
**AI coding 让个人做工具更容易，但企业真正要的是稳定、安全、可控、可持续迭代的系统。**
## 三、Token 经济的三层结构
会议把 token 经济拆成了三层：
1. **算力层 token**
2. **模型层 token**
3. **场景层 token**
### 1. 算力层：短期最确定，受益于供需紧张
马总认为，目前算力仍处于供不应求状态，因此算力层在“卖铲子”阶段具备较强确定性。迈富时也在做算力布局，原因是公司本身过去就有 IDC 牌照和自持算力基础，在上海、无锡、苏州等地有机房，这可以带来成本优势。
他的逻辑是：算力紧缺会持续一段时间，因此上游算力具备阶段性红利；但从长期看，算力和模型最终都会进入竞争和降价周期。
### 2. 模型层：市场可能低估了模型公司的利润率提升
董老师特别强调，市场可能低估了模型层 token 的 margin 变化。他提到，模型公司通过硬件迭代、推理优化、MoE、KV cache、prompt caching 等方式，持续降低真实推理成本。与此同时，高端模型 API 单 token 价格并没有明显下降，部分甚至提升。
所以模型公司的推理毛利率可能在上升，这说明模型层并不是简单的“烧钱无利润”生意。
### 3. 场景层：关键不是 token 调用量，而是 token 毛利率和客户 ROI
这是整场会最重要的分析框架之一。
董老师明确提出，不应只看某家公司 token 调用量有多大，而要看 **token margin**，也就是应用公司在通用模型 token 基础上，额外为客户创造了多少价值。
马总也强调，迈富时不是追求用最贵、最强的模型，而是基于客户场景选择最合适、性价比最高的模型。能用小模型解决，就不一定用 SOTA 模型。真正重要的是客户花 100 万 token / credit 支出，能不能替代 400 万、500 万人力成本，形成 4-5 倍 ROI。
因此，会议给出的场景层判断是：
**应用公司的价值不在于“消耗了多少 token”，而在于“用合理 token 成本，为客户创造了多少可量化收益”。**
## 四、迈富时的经营亮点
会议中马总披露了几个关键经营信息：
**第一，AI 收入增长很快。**
一季度整体增长约 110.5%，4 月份 AI 收入增速定性上超过一季度，说明增长还在加速。
**第二，token 收入占比提升。**
一季度纯 token 收入占比约 5% 多，4 月份提升到 high single digit，也就是高个位数水平。马总认为，未来 token 收费模式会继续加速增长。
**第三，公司毛利率仍较高。**
马总提到一季度毛利率仍能维持约 75%，高于很多模型公司的毛利水平。他认为，场景溢价、私域数据、行业 know-how、自有算力和垂类模型能力，是公司维持利润率的核心。
**第四，公司给出较高增长指引。**
马总提到，公司三年复合增长率保守估计超过 70%，并认为这个指引偏保守。
## 五、关于豆包收费：AI 商业化的重要信号
会议后半段讨论了豆包开始收费的问题。嘉宾普遍认为，这不是意外，而是 AI 商业化的必然阶段。
原因有三点：
第一，AI 服务有真实推理成本，不可能长期完全免费。
第二，国内用户对 AI 付费的心智需要被培养。
第三，大厂开始收费，会让整个产业链对“AI 有成本、有价值、应付费”的认知更健康。
对 To B 应用公司来说，豆包收费反而是好事。因为它帮助企业客户理解：AI 不是免费插件，而是一种有成本、有产出的生产力工具。这样应用公司在向客户传导模型成本、设计 token / credit / 结果付费模式时，会更容易被接受。
## 六、投资层面的核心观察
这场会议其实给出了一个筛选 AI 应用公司的框架：
**第一，看是否是真 AI 原生，而不是传统 SaaS 加 AI 概念。**
真正的 AI 原生应用要能基于模型、数据、流程、权限、场景形成闭环。
**第二，看 token 收入是否真实增长。**
但不能只看 token 调用量，而要看 token 收入、token 毛利率、客户续费和 ROI。
**第三，看是否有行业 know-how。**
如果只是简单调用通用模型，壁垒不够；如果能把行业流程、私域数据、最佳实践沉淀下来，才可能形成复利。
**第四，看是否能从“卖席位”转向“卖结果”。**
传统 SaaS 靠人头数收费，AI 原生应用则可能按调用量、credit、任务结果或节省成本收费，天花板更高。
**第五，看是否有成本控制能力。**
包括混合模型架构、自有算力、小模型调度、缓存优化、垂类模型等。
## 七、主要风险点
会议也隐含了几个风险：
**第一，AI 对传统主业的冲击是真实存在的。**
不是所有 SaaS 公司都能转型成功，功能单一、低壁垒的软件会被替代。
**第二，token 收入可能存在“概念化”风险。**
市场不能只听公司说自己是 token 经济，要验证真实收入、毛利率和客户价值。
**第三，场景落地难度高。**
To B AI 不是简单调用模型，真正难的是行业流程、数据治理、权限控制、交付稳定性和客户 ROI。
**第四，市场短期仍偏好硬件。**
马总也提到，硬件逻辑更清晰，资金有羊群效应，因此应用公司即使业绩改善，也可能需要更多季度验证才能获得估值修复。
## 八、最终判断
这场会议的结论可以总结为：
**AI 应用不是没机会，而是进入了分化期。**
过去市场把应用公司一起杀估值，是因为担心“大模型吞噬应用”。但会议嘉宾认为，更准确的理解应该是：
**大模型会吞掉低壁垒功能，AI 原生应用会吞掉传统软件，而真正有场景、数据、行业 know-how 和 ROI 交付能力的企业智能体公司，反而可能打开更大的收入天花板。**
对迈富时而言，会议试图强化的核心标签是：
**企业智能体 + AI 原生应用 + token 收费 + 场景 ROI + 自有算力成本优势。**
如果后续公司能持续验证 AI 收入高增、token 收入占比提升、毛利率稳定、大客户 ROI 清晰，那么市场可能会逐步把它从“传统 SaaS 公司”重新定价为“AI 原生企业智能体平台”。
分享一篇喜欢的博主的好文：
