AI 应用层、Copilot、Agent 与垂直 SaaS 深度研究

核心结论

• AI应用层已经从“模型调用的前端界面”演进为“把模型嵌入高频工作流、带数据权限和可执行动作的系统层”。真正能形成独立收入的，不是单次生成能力，而是被写进业务流程、拥有权限体系、能回写系统 of record 的应用。McKinsey 2025 年调查显示，工作流重构是企业从生成式 AI 获得 EBIT 影响的最重要因素；而 Microsoft 的 Work Trend Index 也显示，企业开始从“用 AI 辅助任务”转向“管理一组代理去完成任务”。

• 从公开数据看，最先完成收入落地的赛道不是通用办公，而是 AI 编程、AI 客服、法律与专业信息、设计与内容生产、企业知识搜索、部分医疗文书和数据应用。这些赛道都已经出现明确的 ARR、ACV、付费客户、分辨率/自动化率或大客户合同证据。

• AI应用层从“功能增强”变成“独立收入来源”的关键路径有三条：其一，成为新的付费 SKU 或附加 seat；其二，引入按任务、按结果、按 credits/agent workload 的新计费层；其三，在不单独披露 AI 收入时，通过 ARPU、ACV、RPO、RPO/cRPO、NRR、毛利率或人效改善来体现。Microsoft 365 Copilot、Intercom Fin、Microsoft Copilot Studio、OpenAI API、Anthropic API 都已经说明，计费正在从纯 seat 走向“seat + usage”的混合模式。

• 通用办公 AI 的财务现实是：有收入，但目前更多是防御型增长，而非已经完成大规模利润兑现。 Microsoft 已披露 Microsoft 365 Copilot 付费席位超过 2,000 万，且 ARPU 增长再次由 E5 和 Copilot 拉动；但其商业付费席位基数也已超过 4.5 亿，这意味着 Copilot attach rate 仍处于早期。Google 的 Gemini Enterprise/Agentspace 也已形成产品和定价，但 Google 尚未单独披露 Workspace AI 的收入贡献。

• AI 编程是当前最清晰、最直接、最强弹性的 AI 应用收入池。 GitHub Copilot 2025 年中已达 2,000 万用户，90% 的财富 100 强使用 GitHub Copilot；Cursor 到 2026 年 2 月已超过 20 亿美元年化收入；OpenAI 披露 Codex 年初以来增长超过 5 倍。这个赛道的共同特征是高频、强 ROI、用户付费意愿高，且能与企业代码库、CI/CD、安全、测试工作流深度绑定。

• AI 客服与呼叫中心是第二个已经明确跑通收入模型的赛道。 NICE 在 2026 年一季度披露 AI ARR 同比增长 66%，AI 与自助服务 ARR 达 3.45 亿美元；Five9 在 2026 年一季度披露 AI 收入同比增长 68%，年化运行率超过 1.25 亿美元；Intercom Fin 已有 7,000 多个团队使用，平均 resolution rate 升至 67%，并采用每 outcome 0.99 美元的结果计费。这个赛道已经不只是“辅助坐席”，而是在部分场景替代人工工单处理。

• 法律、税务、风控、医学等高监管垂直行业，是 AI 商业化里利润率和壁垒最好的赛道之一。 Thomson Reuters 2026 年一季度指出，Recurring Revenue 增长由 Westlaw、CoCounsel、Practical Law 等驱动；Reuters 同期报道称 CoCounsel 用户已达 100 万、AI 相关合同价值占比升至 30%；RELX、Wolters Kluwer 则以自有内容库、引证体系、专家校验和合规工作流建立壁垒，Wolters Kluwer 甚至披露约 70% 的数字收入已来自 AI-powered solutions。

• 真正受益于 AI 的软件公司，通常同时具备六个特征：系统 of record；权限和治理；高频工作流；专有/私有数据；高切换成本；可证明 ROI。Microsoft、ServiceNow、Salesforce、Intuit、Oracle、Thomson Reuters、RELX、Wolters Kluwer、Tempus、Veeva 更符合这个框架。相反，只有轻量协作界面、缺少专有数据或执行权限的 horizontal SaaS，更容易被平台型 Copilot 或 AI-native 工具压缩定价权。

• 传统 SaaS 通过 AI 提价和扩 ARPU 的方式，正在出现明显分化。 Microsoft 和 Oracle 已明确把 AI 反映为 ARPU 拉动；Atlassian 披露 Rovo 客户 ARR 增速约为非 Rovo 客户的 2 倍；但是 Asana 的 AI Studio 到 FY2026 末 ARR 仅超过 600 万美元，说明很多协作型 SaaS 的 AI 仍停留在“发布很多功能，但收入体量仍很小”的阶段。

• AI Agent 正在改变软件行业商业模式，但不会立刻彻底替代按席位收费。 更可能出现的是“三层计费”：底层 seat/平台订阅，作为身份、权限和治理入口；中层 usage/credits，按照任务量或 agent workload 计费；上层 outcome/priced result，在客服、合同、销售执行等可衡量结果场景按结果收费。Intercom、Microsoft Copilot Studio、Google Gemini Enterprise Agent Platform、OpenAI API 已经是这种混合模式。

• 哪些公司“AI 叙事强但财务受益不足”也已经越来越清楚。 典型特征包括：AI 功能很多，但不单独披露收入或 ARR；客户采用率高，但付费率不清；AI 主要免费捆绑，更多是保留客户和防御竞争；或者 AI 收入相对主体收入仍极小。通用办公、部分协作/项目管理、一些“AI wrapper”式应用，目前大多处在这个阶段。Asana 的 AI ARR 体量就是最清楚的负面对照之一。

• 估值最容易泡沫化的，不是“任何有 AI 的公司”，而是“增长快、叙事强、已验证一点收入、但估值提前把远期成功计满”的公司。 当前最典型的是 Palantir、Databricks、OpenAI、Anthropic、Cursor、Harvey、Sierra、Decagon 等；这些公司里有的确实有真实收入，但市场给出的隐含远期成功率也已经极高。

• 未来 12–24 个月最重要的催化剂，不是再发布多少 agent，而是四个“硬指标”：AI 相关 ARR/ACV 是否持续披露；AI attach rate 是否从试点走向规模化；RPO/cRPO 与 NRR 是否被 AI 拉动；以及推理成本下降是否足以让毛利率改善而不是被 usage 爆发抵消。最大风险则是：企业 ROI 不及预期、AI 功能免费化、模型平台下沉应用层、Agent 安全事故，以及 Gartner 所警告的“agent washing”和项目报废。

产业链全景图

AI 产业链正在从“模型—接口—应用”的线性结构，重构为“模型—编排/治理—工作流应用—系统 of record—结果交付”的闭环。真正占据利润池中央位置的公司，通常不是最靠近模型的一层，而是最能控制企业权限、数据语义、工作流节点和结果验收的一层。McKinsey 的调查与 Microsoft 的企业趋势数据都指向同一件事：企业已经不满足于“生成内容”，而是在寻找“重构流程、替代步骤、验证结果”的 AI。

结论性的产业链判断： 利润池并不会长期停留在“离模型最近”的地方，反而更可能沉淀在最会做任务编排、最懂行业数据、最贴近执行工作流的应用层与平台层。模型厂商赚到“算力租金”，但工作流软件厂商若掌握任务入口和结果闭环，能赚到更稳定的软件溢价。

商业模式与情景推演

AI 应用的商业模式已经明显偏离传统 SaaS 的单一 seat 模式，但短期内不会完全取代 seat。更现实的结论是：seat 负责身份、权限、预算归属和治理，usage/credits 负责覆盖变量算力成本，outcome/任务收费负责把 ROI 直接货币化。 Microsoft Copilot Studio 已经用 Copilot Credits 把 agent 的动作和响应计量化；Google 的 Gemini Enterprise Agent Platform 按 Agent Runtime 计费；OpenAI API 同时对 token、file search tool call、container/session 收费；Anthropic 公开了 token、prompt caching 和 Team/Enterprise 双重定价；Intercom 则把客服自动化直接定义为“每 outcome 0.99 美元”。

这意味着用户提出的关键问题——“AI Agent 会不会让软件从按席位收费转向按任务、按结果、按 Agent 工作量收费”——答案是：会，但不是替代，是叠加。 企业内部仍会保留一个 seat-base 作为主合同和权限基础，因为 CIO/CFO 需要预算确定性；但在高使用度场景，usage 或 outcome 收费会越来越常见，尤其在客服、开发、合同处理、营销生成、企业 agent 编排等场景。HubSpot 的市场沟通也已经开始把 AI credits 和结果导向定价推向前台；Salesforce 则已引入 Agentic Work Units 作为新的使用度量。

AI 应用的毛利率不是必然被模型成本永久压缩。决定毛利的是推理成本下降速度、模型路由能力、缓存命中率、批处理和工作流价值密度。OpenAI 公开的 Batch API 可以节省 50% 输入输出成本；Anthropic 披露了 prompt caching 的差异定价；Salesforce 发表的生产部署研究显示，对 compound AI system 做好推理架构和扩缩容设计后，尾延迟可下降 50% 以上、吞吐提升最多 3.9 倍、成本节省 30%–40%。这说明，优质应用厂商并不只是“被动承担模型成本”，而是在把推理优化本身做成竞争力。

AI 也会改变留存和 ARPU，但前提是它必须嵌入可验证的工作流。Microsoft 已经明确说 M365 商业云 ARPU 再次由 E5 与 Copilot 驱动；Atlassian 披露 Rovo 客户 ARR 增速约为非 Rovo 客户的 2 倍；而 Asana 把 AI Studio 单独做成产品后，到 FY2026 末 AI ARR 仍只超过 600 万美元，证明不是每个“加了 AI 的 SaaS”都能拿到有意义的收入杠杆。

下表回答“哪些应用场景已经能转化为收入”这个问题：

情景推演

这三个情景的本质差异，不在“模型好不好”，而在企业是否愿意重构流程、是否有可验收的工作量单位、以及是否愿意从存量软件预算中重新分配支出。这也是为什么 Gartner 警告大量 agentic AI 项目可能在 2027 年前被取消：如果没有流程闭环、权限治理和价值验证，agent 只会沦为演示产品。

重点赛道深度拆解

下表将用户列出的 25 个赛道压缩到“投资判断最关键”的维度：赛道逻辑、收入转化、商业化阶段、定价、毛利/成本、壁垒、催化剂、风险、投资吸引力。评分为笔者综合判断，满分 10 分。

赛道优先级排序： 若只看“收入弹性 + 利润弹性 + 壁垒 + 未来 12–24 个月可验证性”，我会把AI 编程、AI 客服、AI 法律、AI 医疗、企业 AI Agent 平台排在最前。若只看“短期落地而非远景叙事”，AI 客服和 AI 编程优先级最高；若只看“高毛利与长期护城河”，法律/税务/专业信息和医疗更优。

投资标的总表与分层

下表优先覆盖已经有明确收入、ARR、ACV、RPO、客户案例或产品定价证据的代表性标的；对 AI 收入未单独披露的公司，我明确标注为“防御/间接受益”或“需进一步验证”。

非上市代表性标的如下：

公司分层与投资优先级

评分模型与总分排名

评分权重按用户建议：AI 收入直接暴露度 25%，产品/数据/工作流壁垒 20%，客户质量与收入确定性 15%，财务质量与利润率 15%，成长弹性 10%，估值合理性 10%，催化剂 5%。 反向风险模型：核心功能被模型替代风险 30%，seat 定价被 Agent 冲击 20%，缺乏壁垒 20%，预算被平台型 AI 挤压 15%，估值过高 15%。