夜雨聆风
过去两年，AI 投资最拥挤、最确定、也最容易被市场理解的方向，是基础设施。
芯片、算力、服务器、数据中心、光模块、电力、云计算，这些赛道构成了 AI 投资的“上半场”。
逻辑很简单：无论最后谁做出最好的 AI 应用，训练模型和运行推理都需要算力，谁卖铲子，谁先赚钱。
但问题是，当所有投资者都知道“卖铲子最赚钱”的时候，卖铲子的公司也会变得越来越贵。
所以现在真正值得思考的问题是：AI 投资是不是已经进入下半场？如果上半场买的是基础设施，那么下半场买的是什么？
我的判断是：真正的机会，正在从基础层逐渐外溢到应用层。
AI 基础设施仍然是整个产业链的底座。但从投资角度看，市场最容易定价的部分，往往不会永远拥有最高的预期差。
下一阶段的核心，不是简单判断“AI 还会不会发展”，而是判断“AI 到底会在哪些商业环节创造真实收入”。
而这一次，AI 应用层可能正在出现以下非常重要的变化。
AI Agent正在重写互联网流量结构
过去的互联网，本质上是“人找信息”。用户打开搜索引擎，浏览网页，点开商品页对比价格并下单购买。
所以过去二十年的互联网商业模式，基本围绕“人类注意力”展开：搜索广告、信息流广告、内容推荐、电商转化，本质上都是在争夺人的时间和点击。
AI Agent 出现后，逻辑开始变化
未来很多任务，可能不再由人亲自完成，而是由 AI Agent 替人完成。
比如用户想买一台相机，过去你可能打开五个网站，看测评、比价格、读评论，最后下单。
但如果这件事交给 AI Agent，它可能会访问几百个甚至几千个网页，自动对比参数、价格、库存、评价和售后政策，然后给出一个结果。
表面上看，这只是“帮人省时间”。但从互联网底层看，这是一次巨大的流量结构变化。
过去互联网流量主要来自人，未来互联网流量可能越来越多来自机器。更重要的是，机器完成同一个任务所产生的访问量，可能远远高于人类。一个 Agent 可能要抓取五千个页面。于是，互联网访问量会被大幅放大。
这背后的投资含义很大。
云计算会受益。因为更多访问、更多 API 调用、更多数据库读取、更多推理请求，都需要云资源支撑。
大模型公司会受益。Agent 每一次思考、搜索、总结和调用，背后都是 token 消耗。只要 Agent 使用频率提升，token 消耗就会同步提升。
网络安全和流量管理公司会受益。当机器流量越来越多，企业必须判断：谁是正常 Agent？谁是恶意爬虫？谁可以访问数据？谁必须被拦截？
这就是为什么像 Cloudflare 这类处在互联网入口层、负责流量识别、访问控制和安全防护的公司，开始变得越来越重要。
以前互联网入口争夺的是“人从哪里进来”。未来互联网入口争夺的可能是“Agent 从哪里进来，以及谁有资格进来”。
这就是 AI 应用层第一个变化：互联网不再只是人类的互联网，而是逐渐变成机器参与、机器访问、机器决策的互联网。
企业不只要管理员工，还要管理 AI Agent
如果说第一个变化发生在互联网外部流量，那么第二个变化发生在企业内部。
未来企业中，AI Agent 的数量可能会远远超过员工数量。
一个公司可能只有几万名员工，但内部运行着几十万、几百万个 Agent。这些 Agent 帮企业写代码、处理客服、筛选简历、做销售跟进、分析合同、生成报表、执行工作流。
听起来很美好，但只要稍微站在企业管理角度想一下，就会发现问题非常多：
这些 Agent 谁来创建、授权？谁能访问客户数据、调用财务系统？谁能接触源代码、代表公司给客户发邮件？
如果一个 Agent 不再使用，它的权限是否被及时关闭？如果 Agent 做错了事情，责任如何追踪？
这不是技术问题，而是企业治理问题。
过去企业管理员工，需要身份管理、权限管理、合规审计和工作流系统。未来企业管理 Agent，同样需要一套新的治理体系。每一个 Agent 都需要身份、权限、生命周期、审计记录和风险控制。
这就是所谓的 Agent Management，或者说 AI Agent 的“管理层”。
从投资角度看，可能会诞生一批重要的应用层机会
第一类是身份和权限管理公司
比如 Okta。过去它们解决的是“企业里不同员工有什么权限”，未来它们要解决的是“企业里不同 Agent 有什么权限”。当 Agent 成为一种新的数字劳动力，身份管理的边界自然会扩大。
第二类是企业工作流和自动化公司
比如 ServiceNow。企业使用 Agent，不是让它们各自乱跑，而是要把它们嵌入具体业务流程中。哪些任务由 Agent 做，哪些任务需要人工审批，哪些流程需要记录，哪些结果需要追踪，这些都需要平台化管理。
第三类是安全和监控公司
因为 Agent 越多，潜在风险也越多。一个拥有高权限的 Agent，如果被错误调用，可能带来的损失不亚于一个员工误操作。
如图所示，AI Agent 真正进入企业后，新增需求不会只停留在模型调用，而会延伸到身份管理、权限控制、流程编排、成本核算、合规审计和 Marketplace 生态。
也就是说，企业软件公司的机会不只是“用 AI 提效”，而是成为企业管理数字劳动力的新基础设施。
未来企业买 AI，不会只是买一个聊天机器人，而是买一套可控、可审计、可管理的 AI 组织系统。
这也是为什么应用层机会比基础层更难投资，但一旦逻辑跑通，壁垒可能也很深。因为它不是单纯拼模型能力，而是拼客户关系、业务流程、数据权限、合规经验和系统集成能力。
无脑冲AI阶段结束，企业开始计算ROI
过去两年，很多企业上 AI 的心态是：先上车，再说回报。
管理层要 AI战略，部门要 AI工具，员工要AI Copilot，投资人要听AI故事。只要沾上AI，估值可以提升，故事可以继续讲。
但现在，企业开始变得现实了：AI很强但也很贵。
模型调用、token消耗、云计算要钱，数据处理、安全监控也要钱。
很多企业发现，AI 确实能生成很多内容、完成很多动作，但问题是：这些动作到底带来了多少收入、提升了多少转化、缩短了多少流程？
换句话说，企业开始从关注 output，转向关注 outcome。
Output是输出，比如生成一份报告、回答一个问题、写一段代码。Outcome是结果，比如多成交一个客户、少流失一个用户、降低一笔成本、提高一次转化率。
这两者差别很大。
如果 AI 只是看起来很忙，但没有带来明确结果，那企业迟早会削减预算。特别是在宏观环境不宽松、企业 IT 支出更谨慎的时候，AI 应用必须证明自己不是“炫技工具”，而是“利润工具”。
这会推动软件行业的定价模式发生变化。
过去 SaaS 公司主要按席位收费，也就是一个员工一个账号，一个账号一份费用。
进入AI Agent阶段后，很多公司开始转向按量收费，比如按调用次数、token 消耗、任务次数收费。但按量收费有一个问题：客户很难预测账单，也很难判断钱花得值不值。
所以更进一步的方向，很可能是按结果收费。
招聘 Agent 按筛选候选人的数量收费，酒店 Agent 按实际促成交易的比例收费，营销软件按有效线索收费，客服系统按解决问题数量收费。客户不想再为过程买单，而是希望为结果买单。
这对软件公司提出了更高要求。你不能只告诉客户“我用了 AI”，必须反馈客户“帮你赚了多少钱，省了多少钱，提高了多少效率”。
在这个趋势下，能够帮助企业衡量 ROI、追踪 AI 成本、优化 token 使用效率的公司会变得更重要。
“结果付费”不是单一公司的尝试，而是大型企业软件厂商也在推进的方向。
Oracle 的案例更接近传统企业软件场景：招聘、酒店、医疗、建筑等行业都有明确业务结果，因此更适合 outcome-based pricing。
再比如 Datadog 这类监控平台，过去帮助企业看清云计算账单：钱花在哪里，哪部分资源浪费，哪里可以优化。
AI价值会延伸到 AI 调用监控：每一次模型调用花了多少 token，哪些任务用了过高成本，哪些流程可以压缩，哪些 Agent 在浪费资源。
这相当于给企业的 AI 系统装上“财务仪表盘”。
当 AI 支出越来越大，企业就一定需要有人帮它查账。谁能帮助企业把 AI 从“黑箱成本”变成“可量化回报”，谁就可能成为 AI 应用层的重要基础设施。
AI 原生企业崛起，带来新的客户结构
还有一条容易被忽略的主线，是 AI 原生企业的崛起。
所谓 AI 原生企业，不只是把 AI当成工具的传统公司，而是从创立第一天起，产品、组织、业务和增长模式都围绕 AI 构建的公司。
OpenAI、Anthropic是最典型的代表，但市场上还有大量中小型 AI 原生企业正在快速成长。
这类公司的特点很明显：增长快、融资多、技术栈新、用量大，对数据库、云计算、监控、安全、开发工具都有非常强的需求。
这就意味着，AI 原生企业不只是一个创业现象，也会成为一批上市公司的新客户来源。
比如数据库公司 MongoDB，天然适合处理灵活、复杂、变化快的数据结构，因此在 AI 原生应用中有一定优势。
Datadog 这类监控平台，也可能因为 AI 原生客户的快速扩张而获得新增订单。
DigitalOcean 这类面向开发者和中小企业的云服务平台，如果能抓住 AI 原生客户，也可能获得新的增长曲线。
这里的关键不是“谁也提了 AI”，而是“谁真的服务了 AI 原生客户”。
MongoDB 披露，2027财年一季度总收入为 6.876亿美元，同比增长 25%；Atlas 收入同比增长超过 29%。
AI 原生企业对灵活数据模型、低延迟查询和向量检索的需求，会强化 Atlas 这类云数据库平台的增长逻辑。因为 AI 原生企业的成长路径，很可能类似当年的互联网原生企业。
早期看起来只是创业公司，但一旦形成生态，就会带动一整套基础软件、开发工具、数据平台和运维平台的需求。
投资者需要关注的不只是模型公司本身，还要关注谁在给这些模型公司和 AI 应用公司提供服务。换句话说，AI 原生企业本身可能很多没有上市，但它们的供应商、服务商和基础软件伙伴，可能已经在二级市场中。
应用层机会更难，但预期差也更大
为什么市场现在仍然更偏爱 AI 基础层？
因为基础层逻辑简单、业绩直接、数据清晰。GPU 卖了多少，云收入增长多少，资本开支增加多少，数据中心订单有多少，这些都相对容易跟踪。
应用层则复杂得多。
一家公司说自己受益于 AI，并不代表它真的能赚钱。AI 可能增强它，也可能替代它。它可能通过 AI 提高利润率，也可能因为 AI 增加成本。它可能获得新客户，也可能被大模型公司降维打击。
所以 AI 应用层投资不能无脑乐观。
但正因为难，才有预期差。现在市场对 AI 基础设施的关注已经非常充分，而对应用层的理解还处在早期阶段。很多机会还没有被完全定价，很多公司也还没有被重新估值。
如图，企业大模型 API 市场正在快速洗牌。
2023 年，OpenAI 曾占据约 50% 的企业 LLM API 使用份额；但到 2025 年，Anthropic 已经升至 40%，反超 OpenAI 的 27%。尤其在代码场景中，Anthropic 份额达到 54%，成为企业开发者场景中的领先者。
换句话说，应用层难的地方不在于“有没有模型”，而在于能否嵌入真实业务流程并规模化。
真正值得关注的，不是那些简单讲 AI 故事的公司，而是能够回答三个问题的公司：
是否站在 AI Agent 流量增长的入口？
是否帮助企业管理 AI Agent、控制权限和降低风险？
是否能帮助客户衡量 AI ROI，把 AI 成本转化成可验证的商业结果？
如果一家公司能同时满足其中一到两个条件，它就值得进入观察名单。如果还能在财报中证明 AI 已经带来真实订单、真实收入和真实客户扩张，那它就不只是概念，而是趋势。
AI下半场：投资商业化能力
AI 投资的上半场，核心问题是：谁能提供算力？
AI 投资的下半场，核心问题是：谁能把 AI 变成商业结果？
这两个问题看似相似，其实完全不同。
前者买的是基础设施扩张，后者买的是商业模式重构。前者看资本开支，后者看客户 ROI。前者看芯片和算力，后者看流程、权限、数据、成本和转化。
所以，当市场还在不断追逐 AI 基础层的时候，我们也应该开始把目光放到应用层。
因为每一轮科技革命，最终改变世界的都不是基础设施本身，而是基础设施之上长出来的新应用、新组织和新商业模式。
