AI 的账,最后要靠谁来还?

过去两年，市场最愿意相信的叙事是“AI 会改变世界”。

AI 的能力在提升，应用在扩散，企业试点在增加，开发者、设计师、客服、销售、投研、内容和运营岗位都已经真实感受到它的冲击。

但投资上，光说“有用”是不够的。一个技术有用，和一个产业链每年投入几千亿甚至上万亿美元后还能获得合理回报，是两件不同的事。

今天 AI 最核心的矛盾，不是“AI 有没有用”，而是：上游已经先把钱赚走了，云厂已经先把 CapEx 打出去了，但 B 端和 C 端最终能不能承接这笔成本，还没有被完全证明。

一、市场为什么开始从亢奋转向谨慎

AI 产业链最先兑现的是上游。

GPU、HBM、内存、服务器、网络设备、电力设备、数据中心，这些环节最先看到订单、收入和利润。云厂则处在中间，一边必须继续投资，否则会被竞争对手甩开；另一边又要面对折旧、自由现金流和资本回报率的压力。

根据 Futurum Group 的汇总，Microsoft、Alphabet、Amazon、Meta、Oracle 五家公司 2026 年 CapEx 合计可能达到 6600 亿至 6900 亿美元量级；Goldman Sachs 对 AI build-out 的测算也把未来几年的 AI 基建投入放在数千亿美元至万亿美元级别的路径上。

如果再加上 CoreWeave、Nebius、xAI，以及中国的字节、阿里、腾讯等大厂，市场讨论中“2026 年全球 AI CapEx 接近 0.8T-0.9T 美元”的口径，虽然偏激进，但并不是完全离谱。

问题在于，这次上游太赚钱了。

很多人把 AI 基建类比成当年的铁路、电力和互联网。这种类比有道理，因为它们都是先铺基础设施，再等待需求释放。但这一次和铁路、电力最大的区别在于：当年卖铁轨、机车、煤炭、土地的人，并没有像今天的 GPU、HBM、存储和算力供应商这样享受极高利润率。

如果当年铁路公司修铁路时，铁轨、机车、土地、煤炭全部被上游以垄断利润卖给铁路公司，那么铁路公司后面只有两个选择：要么票价和运费定得很高，结果压制使用量；要么价格压低，自己亏损，再靠金融市场继续输血。

今天的 AI 云厂，某种程度上也处在类似位置。

类比对象	最先赚钱的人	承担重资产投入的人	最后需要谁买单
铁路建设	铁轨、机车、土地、煤炭供应商	铁路公司	乘客、货主、产业迁移带来的增量经济活动
电力建设	发电设备、电网设备、能源供应商	电力公司、公用事业公司	工业、商业和居民用电需求
AI 建设	GPU、HBM、服务器、网络、电力、数据中心	云厂、Neocloud、模型厂	企业、消费者、广告、电商、软件和劳动预算

所以现在市场开始谨慎，不是因为大家突然觉得 AI 没用，而是因为大家开始追问一个更底层的问题：如果推理价格太贵，B 端不敢大规模上量，C 端也只愿意付每月 20 美元；但如果推理价格压得太低，云厂的资本开支回报又算不过来。这个矛盾怎么解？

这才是 AI 投资真正的难题。

二、把账摊开：到 2029 年需要多少 AI 收入才算过关

我们可以做一个压力测试。

假设 2024-2028 年全球 AI CapEx 分别为 0.3T、0.5T、0.9T、1.3T、1.6T 美元，五年合计约 4.6T 美元。这不是确定预测，而是一个高投入情景。但它有助于我们理解：如果市场隐含的是这样一条 CapEx 曲线，那么未来需要多大的收入池来支撑？

复算后的大致结论是：到 2029 年，全球“去重后”的系统层 AI 收入，至少要达到 1.6T-2.0T 美元，才可能接近资本成本意义上的及格线；如果要体现 20% 左右的优等 ROIC，则收入大概要向 2.3T-2.5T 美元以上靠拢。

情景	年折旧口径	及格线收入	优等线收入	含义
GPU/服务器按 6 年折旧，长资产按 20 年折旧	约 0.57T 美元	约 1.6T-1.8T 美元	约 2.3T 美元	偏温和情景，账相对容易算顺。
GPU/服务器按 4 年折旧，长资产按 20 年折旧	约 0.8T 美元以上	约 1.9T-2.1T 美元	约 2.4T-2.5T 美元	如果资产真实经济寿命更短，压力明显上升。
高 CapEx、高折旧、高资金成本	更高	2T 美元附近	2.5T 美元以上	需要终端收入高速增长才能支撑。

Bain 也给过一个类似量级的判断：到 2030 年，AI 扩张趋势可能需要约 2 万亿美元新增年收入来支撑。

这个压力测试最有价值的地方，是它把一个抽象争论变成了一个可跟踪变量。

真正应该盯的，不只是云厂又上调了多少 CapEx，而是去重后的终端 AI 支出能否从几千亿美元，快速爬升到 1.7T-2.0T 美元量级。

注意这里有一个关键词：去重后。

OpenAI 的收入，很多会流向云厂；云厂的收入，很多会流向 NVIDIA、HBM、服务器和电力；Neocloud 的收入，也可能来自模型厂和大客户的长约。产业链收入不能简单相加。真正决定这笔账能不能闭环的，是终端客户到底额外掏了多少钱，以及这些钱有没有对应真实 ROI。

三、C 端订阅和传统软件预算，可能都不够

最容易想到的收入来源是 C 端订阅。

但如果 AI 主要靠消费者每月 20 美元的订阅来回本，那么要撑起万亿美元级收入，需要极其庞大的付费用户数、极高的续费率和持续提升的 ARPU。现实是，消费者愿意为 AI 付费，但大多数消费者仍然对价格敏感。AI 可以成为日常工具，但仅靠 C 端订阅，很难支撑 4T-5T 美元级别的基础设施投入。

第二个来源是企业软件预算。

这条路更现实。企业确实愿意为 Microsoft Copilot、Salesforce Agentforce、ServiceNow AI、Adobe AI、GitHub Copilot、Cursor 等产品付费。但如果 AI 只是“更贵的软件插件”，它仍然是在企业 IT 预算里重新分配。全球企业软件市场很大，但不是无限大。如果 AI 只是从传统 SaaS 预算里切一块，也很难支撑 1.7T-2.0T 美元级别的新增系统收入。

所以真正关键的，不是 AI 能不能卖更多 seat，也不是 Copilot 能不能涨价，而是它能不能从“软件预算”进入“劳动预算”。

收入来源	能否支撑万亿美元级 AI 收入	我的判断
C 端订阅	很难单独支撑	用户愿意付费，但价格敏感，且高频使用会带来推理成本。
企业软件预算	能支撑一部分	AI 插件和 Copilot 可以涨价，但仍受 IT 预算约束。
广告和电商内部 ROI	对巨头很关键	Meta、Google、Amazon 可以用内部利润池消化一部分 AI CapEx。
企业劳动预算	最关键	只有 AI 替代流程、替代人力、完成工作，才可能打开足够大的 TAM。
政府、科研、工业自动化	中长期有空间	但落地周期更长，不一定能填补 2027-2029 年的短期缺口。

这就是我认为最重要的一句话：

AI CapEx 能否 justify，不取决于消费者愿不愿意多付 20 美元一个月，而取决于企业是否愿意把客服预算、销售预算、研发预算、财务预算、法务预算、内容预算和运营预算迁移给 AI。

如果这件事不能发生，AI 基建的账会很难算。如果这件事发生了，AI 的商业空间会远远超过传统软件市场。

四、所以 AI 最后可能必须变成“数字员工”

如果要把万亿美元级 AI CapEx 算回来，最终形态大概率不是“更贵的软件”，而是某种形式的数字员工。

数字员工不是一个营销词。它背后对应的是商业模式的变化：企业不再只是为软件功能付费，而是为“完成工作”付费。

过去的软件帮助员工提高效率。CRM 帮销售记录客户，ERP 帮公司管理资源，客服系统帮坐席处理工单，数据软件帮分析师查数。但这些软件多数仍然需要人来操作。软件本身不承担 KPI，也不真正完成业务闭环。

数字员工不同。它理论上可以被分配任务，调用系统，读取数据，执行流程，产出结果，甚至承担部分 KPI。它不是一个被动工具，而是一个半自动的生产单元。

这就是为什么“劳动预算迁移”比“软件预算扩张”重要得多。

企业愿意为一个软件多付 20%，和企业愿意把一个岗位、一个外包团队、一个客服中心、一部分销售运营预算迁移给 AI，是完全不同的量级。前者是 IT 支出，后者是工资单重构。

如果 AI 真的能做到这一点，那么 AI 的 TAM 会从软件市场扩展到服务市场、外包市场和部分白领劳动市场。这个市场比传统 SaaS 大得多。

但这也带来一个不太舒服的结论：如果 AI 基建最终真的被高 ROIC 证明，那么必然意味着一部分人类劳动被数字劳动力替代。

五、人类会不会因此大规模失业

这个问题必须认真回答，不能回避。

我的判断是，短期不会是一夜之间所有岗位消失，但劳动市场会经历一次结构性再定价。

第一步是任务替代，不是岗位替代。AI 最先替代的是客服回复、销售线索整理、会议纪要、代码补全、财务对账、法务初稿、内容生成、运营报表、内部知识检索等标准化任务。一个岗位通常由很多任务组成，AI 先吃掉其中 20%-50% 的时间，而不是立刻把整个人替换掉。

第二步是岗位重组。当 AI 能稳定完成一串流程，企业会先减少新增招聘，提高人均产出，压缩外包和低端白领岗位。这个阶段对就业的冲击会非常真实，尤其是客服、BPO、初级程序员、初级分析师、内容运营、基础设计、销售支持、法务助理、财务共享中心等岗位。

第三步才是数字员工化。也就是 AI 不只是工具，而是能接收任务、调用系统、执行流程、交付结果。只有到这一步，企业才会真的把“工资单预算”迁移到“AI 预算”。

因此，更准确的说法不是“AI 马上让全社会失业”，而是：AI 会先压制中低端白领岗位的招聘需求和工资议价能力，然后逐步重构企业组织形态。

真正危险的时间窗口，是 2027-2029 年。如果 AI Agent 的可靠性、权限管理、系统集成和责任边界在这个阶段突然成熟，劳动市场可能出现一次非常剧烈的再定价。

这不是科幻问题，而是投资问题。因为 AI 如果不能替代一部分劳动预算，CapEx 账很难闭环；但如果它真的替代劳动预算，就必然会冲击一部分劳动者。

这就是 AI 投资最冷酷的底层逻辑。

六、这是否反而利好 Salesforce 这样的 SaaS 公司

如果 AI 要吃劳动预算，那么谁来吃？是云厂，模型厂，还是 Salesforce、ServiceNow、Microsoft、Adobe 这样的应用层公司？

答案不是非黑即白。劳动预算被 AI 吃掉，不等于这笔钱自动归 SaaS。它会在应用层、模型层、云基建层、芯片/存储层和企业自身之间重新分配。

以 Salesforce 为例，它的机会确实存在。Salesforce 最有价值的资产，不只是 CRM 软件，而是它嵌在企业销售、客服、营销和客户数据流程里的位置。如果 AI 变成数字销售助理、数字客服、自动报价系统、自动跟进系统、自动续约系统，那么 Salesforce 有机会把客户原本用于销售运营、客服人员、外包坐席、数据录入和营销运营的一部分工资预算，转化为自己的 AI seat、agent usage fee 或 outcome-based pricing。

这才是 Salesforce 真正的 bull case：它从 CRM 系统升级为企业前台劳动力操作系统。

但 bearish case 也同样清楚。如果企业发现底层 AI 能力来自 OpenAI、Anthropic、Google 或开源模型，工作流可以被 Microsoft 365、ServiceNow、Databricks、Snowflake 或企业自建系统承接，那么 Salesforce 可能只变成一个“带 AI 功能的老 SaaS”。它能提价，但未必能拿到最大利润池。

层级	可能吃到的钱	代表公司	核心问题
芯片、存储、服务器	云厂 CapEx	NVIDIA、HBM、服务器链	订单最先兑现，但未来利润率可能被供给扩张压缩。
云厂和 Neocloud	模型训练和推理成本	AWS、Azure、GCP、Oracle、CoreWeave	收入增长明确，但重资产和折旧会压 ROIC。
模型层	API、订阅、企业模型服务	OpenAI、Anthropic、Google、xAI	品牌强，但成本重，利润率未必最厚。
SaaS 和应用层	软件预算 + 部分劳动预算	Salesforce、ServiceNow、Microsoft、Adobe	如果掌握 workflow 和数据闭环，可能成为长期利润池。
企业自身	降本增效后的剩余收益	大客户自身	很多价值会被客户留下，不会全部交给供应商。

所以，长期看，劳动预算迁移确实利好应用层 SaaS，但不是平均利好所有 SaaS。真正受益的是那些掌握核心 workflow、专有数据、权限体系、客户预算入口和结果闭环的公司。

这也是 AI 投资从第一阶段走向第二阶段时最重要的变化：第一阶段买的是“卖铲子”的确定性，第二阶段要找的是“谁能把 AI 变成可计费、可留存、可替代工资单的工作流”。

七、基建端是不是已经把未来的钱先算进去了

某种程度上，是的。

目前资本市场更明显地先把未来需求算给了基建和芯片，因为基建订单最先兑现。云厂下单，芯片发货，HBM 涨价，服务器出货，数据中心开工，这些都是看得见的收入。

应用层的变化更慢。企业要试点，要验证 ROI，要改流程，要解决合规和权限问题，要让员工接受新的工作方式。很多时候，AI 先带来效率提升，但未必立刻体现在 SaaS 公司的收入里。

这就造成了一个时间错配：上游已经先拿到了钱，下游还在证明自己能不能把钱赚回来。

如果未来两三年，AI 仍然停留在“更聪明的聊天助手”和“更贵的软件插件”，那么上游 CapEx 曲线可能过于乐观，云厂和 Neocloud 的 ROIC 会承压，模型厂的估值也会被重估。

但如果 AI 真的进入工作流，开始替代一部分人工流程，那么利润池会逐步从上游硬件向应用层、数据层和 workflow 层回流。到那个时候，市场会重新审视 Salesforce、ServiceNow、Microsoft、Adobe、Intuit、Snowflake、Databricks、UiPath 这类公司的 AI 定价权。

八、这轮 AI 投资不是简单泡沫，但也不是自然闭环

我不认为 AI 是一个简单泡沫。AI 的能力是真实的，需求也是真实的。企业不会因为市场担心 CapEx 就停止使用 AI。

但我也不认为这轮 AI CapEx 已经天然被证明正确。现在更像是一个高强度压力测试：上游先把利润拿走，云厂先把资产负债表压上去，模型厂先把用户和能力做出来，最后再等待企业和消费者证明自己愿意买单。

这个局能不能解，取决于三条曲线。

曲线	向好信号	风险信号
CapEx 增长曲线	投入增速逐步放缓，资产利用率提升	CapEx 继续垂直上升，收入跟不上。
单位推理成本曲线	成本快速下降，价格下降但毛利稳定	成本降不动，价格太高压制使用量。
终端收入曲线	企业 AI 支出从软件预算扩展到劳动预算	收入停留在 Copilot、API、订阅和试点项目。

所以，今天讨论 AI，不应该停留在“有没有泡沫”这种二元问题上。

更准确的问题应该是：AI 的收入增速衰减曲线会落在哪里？单位推理成本能降多快？企业会不会真的用 AI 替代工资单？劳动预算迁移之后，谁能拿到最大的 take rate？

如果答案是否定的，那么这轮 AI 基建会经历一次明显的估值和资本开支重估。最先承压的可能不是科技巨头本身，而是 Neocloud、SPV、私募信贷、长约融资和那些只靠订单叙事支撑的中游环节。

如果答案是肯定的，那么 AI 的第二阶段投资机会，可能不再是简单买上游硬件，而是寻找真正掌握企业 workflow、数据闭环和数字劳动力入口的公司。

九、我的结论

AI 的账，最后很可能不是靠消费者多付 20 美元来还，而是靠企业把一部分工资单、外包预算和流程预算迁移给数字员工来还。

这句话听起来有些冷酷，但它可能正是这轮 AI 投资最真实的底层逻辑。

AI 不是没用。AI 也不是一定泡沫。真正的问题是：如果它要证明今天的投入合理，它就必须从“工具”变成“劳动力”。而一旦它真的做到这一点，改变的就不只是软件行业，也会是整个劳动市场的定价方式。

对投资人来说，下一阶段最值得跟踪的不是谁的发布会更震撼，也不是谁又喊出了更大的 CapEx，而是下面几个更朴素的指标：

需要跟踪的问题	为什么重要
去重后的终端 AI 支出是否快速增长	这决定了收入池是不是真的够大。
推理单位成本是否持续快速下降	这决定了价格能不能下探，同时保持合理毛利。
HBM、存储和 GPU 的极端利润率是否回落	这决定了云厂能不能从上游“吸血”中缓过来。
企业 AI 是否从试点进入核心工作流	这决定了 AI 是软件插件，还是数字劳动力。
SaaS 公司能否拿到劳动预算迁移的 take rate	这决定了应用层有没有第二阶段重估机会。
Neocloud、SPV 和私募信贷链条是否稳定	这决定了 AI 基建有没有金融脆弱性。

最终，AI 投资的主线可能会从“谁卖铲子”转向“谁拥有数字劳动力的入口”。

这既是机会，也是风险。

机会在于，如果 AI 真的进入企业工作流，应用层、数据层和 workflow 层会出现新的利润池。风险在于，如果 AI 不能完成劳动预算迁移，那么今天已经计入上游和基建端的很多利润，未来都需要重新定价。

这轮 AI 最大的悬念，不是 AI 会不会改变世界，而是它改变世界的方式，能不能支撑今天资本市场已经提前写下的那张账单。