2026年二季报划出了一条清晰的分界线。微软披露 Microsoft 365 Copilot 付费席位突破3000万，商业剩余履约义务高达6780亿美元，Azure 收入同比增速达到43%。亚马逊的 AWS AI 业务年化运行率已超250亿美元（注意这只是按当期推算的年化规模，并非落袋的会计收入），单季 AWS 收入422亿美元，同比增长37%；Google Cloud 季度收入更是跳增82%，达到247.68亿美元，经营利润同步拉高。ServiceNow 的 AI 相关年化合同价值跨过10亿美元，整体剩余履约义务则堆到了290亿美元——尽管那是集团全口径，不单属于 AI。
一、少数人的财报，多数人的成本表
少数平台公司已经可以用付费席位、合同价值和云业务增速来标定 AI 的商业进度条，但这份热闹跟大多数上市公司没什么关系。Gartner 预测，2026年全球 AI 支出将达2.59万亿美元，其中1.43万亿砸向基础设施，买单主力仍是云厂商和技术供应商。德勤的调研更直白：66%的企业反馈获得了效率改善，只有20%确认 AI 带来了收入增长。AI 工具用得越来越广，财务回报仍淤积在产业链上游和少数卡住工作流的平台手里。
这种分化落到财报结构里就更具体了。多数企业的 AI 能力内嵌在原有业务中，根本无法单独核算。Meta 就是典型：二季度收入增长28%，广告展示量和均价双双上涨，AI 对推荐和创意的改进直接放大了广告主业，但同期总成本费用飙升55%，研发费用从129亿美元蹿到216亿，资本开支311亿，自由现金流仅剩7.8亿美元。AI 的增益全被埋在了广告收入里，投入却实实在在推高了成本。
缺少独立 AI 收入，不直接等于投入无效。但它逼出一个尖锐问题：AI 到底在提升原有产品的定价能力，还是单纯推高研发、算力和管理的复杂度？前者会慢慢渗透进客单价、续费率和毛利率；后者只会留下一堆折旧、维护成本和走不出试点阶段的烂尾项目。制造、金融、零售、医药等行业的 AI，更多是用于质检、审核、库存优化和分子筛选，很少生成独立的"AI 收入"，但有可能改善成本结构和资产效率。麻烦在于，绝大多数企业至今没有一套稳定可比的 AI 价值披露口径。于是财报上总是先看到 AI 钻进成本项，然后才可能缓缓爬进利润表。
二、商业化真正的关卡，不在模型在流程
商业化真正的卡点，早已不是模型能力。演示原型跑通不难，难的是接入生产环境之后：要对接权限体系、历史数据、合规审计，还得扛住苛刻的系统稳定性要求。德勤调研显示，2025年员工可访问的 AI 工具范围扩大了50%，但只有34%的企业真正围绕 AI 重塑了产品、核心流程或商业模式，37%仍只做了表层优化。IBM 汇总多份行业数据给出的数字更骨感：大约25%的 AI 项目达到预设回报，能完成企业级规模化落地的，只有16%。
笼统的"效率提升"必须被翻译成可核验的经营结果。工时节省之后，单位服务成本有没有往下走，交付周期有没有缩短，错误率和客户流失有没有改善，都需要连续可追踪的数据。如果企业只愿意披露模型调用量、生成内容数量或内部工具覆盖率，外界根本判断不了收益能否覆盖模型调用、数据治理、系统集成和人工审核的综合成本。
定价模式直接决定了 AI 的商业天花板。当赠品附送，能增加客户黏性，但变不出收入；独立收费，就要证明客户具备持续续约意愿；按调用量计费，推理成本管控就是生命线。ServiceNow 和微软之所以能率先披露 AI 的合同价值与付费席位，根源在于它们把住了企业级工作入口，把 AI 深度嵌进现成的权限、数据和业务流程。底层模型可以换，但业务数据、客户关系和流程权限的迁移壁垒极高。只会输出单点 AI 功能的厂商，很容易被模型降价、平台复刻和客户自建能力三面挤压。
局部生产率的提升，也可能被新增的模型预算、数据团队和合规人力成本吃得一干二净。IBM 的调研里，79%的受访者感知到了生产率提升，但只有29%有办法可靠衡量 AI 的投资回报。技术部门盯的是准确率和响应速度，财务部门盯着回收期和现金流，业务部门在乎客户接受度与实际使用。三套评价体系互不对话，AI 项目就很容易止步于试点。
三、下一程，沿数据、工作流和现金流分化
往后看，行业分化将沿着数据资产、工作流控制力和现金流质量展开。卖基础设施的，订单能见度高，但要背负高资本开支和客户集中的风险；卖软件的，靠订阅和席位变现，续费率与实施成本是硬仗；传统行业更多指望降本增效，兑现快慢取决于组织改造的深度。医疗、金融、工业、法律等场景，私有数据多、规则刚性、责任边界清晰，通用大模型很难独立完成端到端交付。谁同时握住客户入口、业务数据、系统接口和现场服务，谁就能用 AI 缩短流程并拉高客户迁移成本；只输出模型接口、缺少场景控制力的产品，难免陷进同质化价格战。
资本开支必须跟收入、现金流摆在一起看。亚马逊过去十二个月经营现金流1614亿美元，但因 AI 设备投入，自由现金流转为净流出76亿。Meta 经营现金流319亿，扣掉资本开支和融资租赁本金后，自由现金流只剩7.8亿。算力投资有长期逻辑，但后续的收入增速、资产利用率和现金流修复速度必须跟建设规模匹配，否则账面上的张力会越来越大。这种投入还在拉大企业资产负债表的分化：现金流充裕的平台可以提前锁定芯片和电力，财务偏弱的公司更多依赖外部云服务，短期压力小，但需要持续为调用买单。
对绝大多数上市公司，AI 暂时不该被当成当期利润的核心驱动。更合理的视角是把它看作一项经营期权，观察它能否逐季兑现：试点进入生产，生产产生付费，付费覆盖推理和交付成本，规模扩张后拉动利润率和现金流。任何环节长期卡住，前面的资本投入就只是沉没成本。
基本面研究的范式也得跟着调整。财报里反复出现的 AI 关键词参考价值越来越低。客户合同、续费率、单位成本、折旧增速和自由现金流，才更贴近商业实质。有些公司不单独披露 AI 收入，但主业已被 AI 悄悄优化；另一些公司频繁发布 AI 产品，核心经营指标却纹丝不动。两类公司的差距，会在接下来几个财报周期里迅速拉开。
利润表不会否定 AI，它只会淘汰那些无法被证明的 AI。微软、亚马逊、Alphabet、ServiceNow 已经把 AI 变成了云业务规模、付费席位和经营利润；Meta 也展示了 AI 放大广告效率的可能。产业的核心问题已经转向如何收费、如何核算、如何规模化复制。未来两年，AI 相关信息的披露质量会逐渐成为公司治理的一部分。管理层应当少谈产品叙事，多说付费客户数、续费率、单位成本、项目回收期和现金流贡献。财报并不强制增设独立的 AI 收入科目，但持续扩大的 AI 投入，总该给股东一个清晰的经营解释。大部分上市公司的 AI 暂时还无法独立创造收入，这并不悲观。技术扩散的规律总是先改工具，再重塑流程，最后重构利润结构。真正危险的，是长期停留在工具层面的重复建设。能够穿透组织、落地合同、沉淀为正向现金流的 AI，才会成为企业的生产要素；做不到的，最终只会留在研发费用和资产折旧清单上。
精彩评论