真正决定AI产业长期价值的，不是科技巨头还能卖出多少芯片和算力，而是普通企业能否将AI转化为可持续的收入增长、成本下降和利润改善。
文章作者、来源：ME News
TL;DR
- AI的财务收益仍高度集中。 Apollo最新研究显示，科技七巨头的人均营收已接近78万美元，整体利润率接近30%；其余493家标普500公司的对应指标则长期徘徊在52万美元和10%左右。
- AI普及不等于利润增长。 2026年第二季度，69%的标普500公司披露已实际部署AI，但只有2%公开提供了持续追踪AI成效的指标，技术应用和财务回报之间仍存在明显断层。
- 巨额AI消费由少数企业支撑。 Ramp数据显示，模型托管与推理支出的99.5%集中在消费额最高的10%企业，而其中不少高强度AI消费者依赖风险投资支持。
- AI确实提高了部分工作的效率，却尚未显著改变整体经济的生产率。 最新NBER研究显示，企业高管估计过去三年AI对劳动生产率年增长率的提升仅约0.2个百分点。
- 真正决定AI产业长期价值的，不是科技巨头还能卖出多少芯片和算力，而是普通企业能否将AI转化为可持续的收入增长、成本下降和利润改善。
科技七巨头的繁荣，正在掩盖美国企业的另一面
过去三年，人工智能几乎成为美国资本市场最重要的增长叙事。从英伟达的AI芯片到微软、谷歌和亚马逊的数据中心，再到OpenAI、Anthropic持续扩张的模型服务，整个产业围绕算力、资本支出和技术升级高速运转。投资者已经习惯用GPU出货量、Token消耗和模型能力衡量AI产业的景气程度，却很少追问一个更加基础的问题：如此庞大的技术投入，究竟让多少普通企业赚到了更多的钱？
10月24日，美国资管巨头Apollo Global Management首席经济学家Torsten Sløk发表了一份研究，给出了颇为冷峻的观察：尽管AI投资规模持续扩大，但在科技巨头以外，美国大型上市企业尚未表现出明显的整体财务收益。尤其值得注意的是，这并非建立在对未来的主观预测之上，而是来自人均营收、利润率、生产率和企业实际支付数据的交叉观察。
根据Apollo提供的数据，2026年科技七巨头经通胀调整后的人均营收已经接近78万美元，而剔除七巨头后的标普493家公司仅约52万美元。双方的差距并非一直如此悬殊，2022年前后，科技七巨头的人均营收一度回落至60万美元以下，此后重新上行；其余493家公司的指标却长期缺乏明显突破。
利润率的分化更加直接。科技七巨头的整体利润率从2023年低谷后的约14%持续上升，到2026年已接近30%，而标普493家公司的利润率仍大致维持在10%上下。前者的盈利能力明显增强，后者却没有同步出现市场期待的效率革命。
当然，必须明确的是，Apollo比较的是七家特定企业与其余493家公司，而不是严格按照行业分类划分的科技企业和非科技企业。亚马逊与特斯拉并不属于传统的信息技术板块，剩余493家公司中同样包含大型科技企业。同时，这些财务指标受到业务结构、行业景气和资本配置等多重因素影响，不能将七巨头的增长全部归功于AI，也不能据此断言其他企业使用AI毫无价值。
但即便考虑这些限制，Apollo揭示的问题依然成立：AI已经成为美国企业广泛采用的技术，却尚未成为能够在大多数大型上市企业财务报表中清晰识别的增长动力。 资本市场对AI的估值，仍然走在其经济回报的前面。
69%的企业已经部署AI，但只有2%能够持续衡量效果
比财务指标停滞更令人警惕的，是企业对AI的使用热情与财务成果之间存在明显的不对称。
Apollo在9月11日发布的另一份研究中分析了2026年第二季度标普500公司的财报披露情况。结果显示，69%的公司已经确认实际部署AI，高于前一季度的64%；29%的公司公布过至少一项量化成果，但只有2%披露持续追踪的效果指标，没有企业将AI创造的价值单独列为利润表项目或独立经营指标。
这组数据揭示了一个很容易被忽视的事实：企业购买AI服务、员工开始使用AI工具，与公司真正建立起可衡量的商业回报机制，是三个不同的发展阶段。
一家银行可以宣布利用AI处理客户咨询，一家保险公司可以借助模型分析理赔材料，零售企业也可以用AI自动生成营销内容。这些应用可能真实有效，但投资者真正需要知道的，是它们是否减少了单位服务成本、提高了客户留存率，或者创造了新增销售收入。如果企业始终无法提供前后可比较的经营数据，那么AI的价值就仍然停留在局部效率改善和管理层判断的层面。
这种回报不明确的问题，在更广泛的经济调查中得到了印证。
今年10月更新的一份美国国家经济研究局（NBER）工作论文，调查了美国、英国、德国、澳大利亚等七个国家近9000名企业高管。结果显示，78%的受访企业已经使用AI，但高管们估计，过去三年AI对企业劳动生产率年增长率的提升平均只有约0.2个百分点。尽管他们预期未来三年这一贡献能够提高至每年0.6个百分点，但这仍然属于尚未兑现的预期。
值得注意的是，78%的企业使用率来自高管调查，而Apollo统计的69%来自上市公司财报，两者样本及衡量标准不同，不能直接比较。真正值得关注的是，不同研究都指向一个共同现象：AI的技术采用速度明显快于经济回报的兑现速度。
员工效率提高了，为什么企业却没有赚到更多钱？
理解这一矛盾，需要重新审视企业生产率究竟如何形成。
过去几年，AI已经在一些具体工作场景中证明了自身价值。2025年发表于《经济学季刊》的研究《Generative AI at Work》分析了5172名客户服务人员的数据，发现使用生成式AI辅助工具后，员工每小时解决的客户问题数量平均提高15%，其中经验不足、技能水平相对较低的员工获益尤其明显。
这说明AI并非没有实际价值。问题在于，单一工作环节效率提高，并不意味着整家公司能够按照相同比例提高产出。
例如，一家企业原本需要员工花费两个小时整理客户资料，现在借助AI只需要半小时，但如果后续审批、销售转化或客户决策仍然需要相同时间，整个业务流程未必因此加快。即使员工每天节省数小时，只要企业没有将节约的时间转化为更多订单、更少的人力投入或更高质量的服务，财务报表上的变化依然可能十分有限。
而且，AI带来的收益并不完全没有成本。模型订阅、API调用、数据治理、系统集成，以及对生成内容进行核验，都需要持续投入。对于金融、医疗等监管要求较高的行业，企业还必须承担额外的合规和风险管理成本。
这也解释了为什么局部实验中可观的效率提升，尚未演变成宏观经济层面的生产率突破。Apollo引用美国旧金山联储和劳工统计局的数据发现，美国全要素生产率增速至今没有呈现出可以明确归因于AI的持续上行趋势。
当然，宏观数据受到经济周期和行业结构变化影响，不能简单证明AI没有贡献。但如果一种技术真的已经广泛改变企业的成本结构，那么理论上，它最终应该在更持久的利润率改善、单位劳动产出增长或资本使用效率提升中留下痕迹。
目前这样的证据仍然不足。AI已经证明自己能够帮助员工完成工作，但距离证明它能够系统性地改善企业经营，还有相当长的距离。
99.5%的AI推理支出，集中在10%的企业手中
如果说利润率停滞揭示了AI回报的问题，那么企业实际支出数据则暴露了AI需求结构的另一面：消费规模看似庞大，真正贡献支出的企业却极度集中。
Apollo引用企业支付平台Ramp的数据发现，在其客户样本中，AI模型托管与推理支出的99.5%来自消费额最高的10%企业；新型云服务（Neocloud）支出的集中度达到99%，OpenAI和Anthropic相关支出的集中度也高达95.6%。
这种现象并不意味着只有少数公司使用AI。Ramp在10月14日发布的最新AI指数显示，2026年9月，55.9%的平台企业客户已经为AI产品或服务付费，比去年同期提高12.1个百分点。
真正的问题在于，企业使用AI的普及程度，与企业愿意为AI支付的金额并不匹配。
大多数企业可能只需要通用型聊天助手、文档处理和基础自动化服务，每月付出相对有限的费用，就能够满足日常需求。相比之下，少数开发AI产品、部署复杂智能体或者大规模调用模型的企业，会消耗远超普通公司的Token数量。
NBER的跨国调查也发现，约2%的企业贡献了超过一半的AI支出。这说明高度集中的消费结构并非Ramp单一支付平台中才存在的现象。
由此带来的风险是，AI产业的收入增长可能对少数高强度客户形成较强依赖。如果这些客户削减预算、调整技术路线或者减少模型调用，产业链上游就可能承受明显压力，而普通企业的新增消费未必能够立即填补缺口。
AI市场需要的不是更多企业象征性地购买几个账号，而是让大规模、可持续的生产性需求真正扩散到各个行业。
风投资金支撑的AI消费，能持续多久？
Apollo第五张图还揭示了一个更值得资本市场关注的特征：AI高强度消费者的融资背景，与普通企业存在显著差异。
在Ramp统计的AI支出最高的1%企业中，80.4%具有风险投资背景；而在AI支出处于中位数的企业中，获得风投支持的比例仅为13.1%。
这一差距并不能证明AI需求缺乏真实性。对于研发新产品、训练模型或构建AI应用的创业公司而言，早期依靠外部融资扩大基础设施投入，本来就是科技产业发展的正常过程。
但它确实提出了一个重要的可持续性问题：当大量AI消费发生在仍然依靠风险资本支持的企业内部时，上游供应商目前获得的收入，有多少最终来自独立终端客户已经验证的需求？
风险资本可以支持创业公司购买模型服务，模型服务商进一步采购云计算和算力，基础设施提供商则继续投资GPU与数据中心。在这一过程中，每个环节都可能存在真实交易，但整条产业链最终仍然需要由足够规模的终端业务收入提供长期支撑。
更值得注意的是，AI算力消费量与收入之间也开始出现分化。Ramp截至10月11日的一周数据表明，其平台Token使用量相比一个月前的可比周增长52.4%，而Token支出仅增长23%。与此同时，OpenAI与Anthropic的综合Token价格指标下降了25.4%。
对于使用AI的企业而言，推理价格下降是好消息，意味着同样的工作任务可能花费更少；但对于需要持续投入巨额资本开支的算力和模型供应商而言，使用量增长并不必然转化为同等幅度的收入增长。
因此，AI产业面临的考验实际上有两层：一方面是普通企业能否从AI中获得足够收益，另一方面是上游供应商能否在价格持续下降的环境中，维持合理的投资回报。
AI不是没有价值，而是企业还没有完成真正的转型
如果仅凭当前利润率表现便断言AI革命失败，同样有失偏颇。
历史上，许多通用技术从进入市场到全面改变生产率，都需要较长时间。企业不只是购买新设备或软件，还必须调整业务流程、人员分工、管理制度和组织架构，才能释放技术的全部潜力。
AI面临的困难可能尤其明显。它擅长处理信息、生成内容和执行标准化任务，但企业经营中大量高价值决策涉及责任分配、客户信任、监管要求和复杂的现实约束。
这意味着AI真正融入企业经营，往往需要重新设计工作流程，而不只是为原有员工增加一个智能助手。
以客户服务为例，如果AI只能辅助员工撰写回复，企业获得的主要是时间节约；如果它能够与客户数据库、订单管理和售后系统可靠地连接，在有效监督下完成整个服务流程，企业才可能进一步改变人员配置和单位服务成本。两种应用都可以被称为AI部署，但其对财务报表的影响可能完全不同。
这种差异也决定了未来AI商业化竞争的方向。
对于普通企业来说，模型是否拥有最先进的推理能力，未必比稳定性、价格、系统兼容性和实施成本更加重要。Apollo的判断之一，就是许多传统企业并不需要始终使用最新、最昂贵的模型，也不愿意为超出实际业务需求的能力持续付费。
事实上，这可能意味着AI市场正在逐渐从技术能力竞争进入商业价值竞争。企业采购部门不再仅仅关心模型能完成多少复杂测试，而是开始要求供应商解释，一笔AI预算究竟能够产生多少可衡量的经营收益。
AI繁荣的真正考验，不在七巨头，而在493家公司
对于资本市场而言，Apollo的研究提醒投资者重新区分两种完全不同的增长：一种来自建设AI所需要的芯片、算力和基础设施，另一种来自全社会实际使用AI后创造的新增经济价值。
前一种增长已经形成了明确的收入和资本支出链条，后一种增长则仍处于缓慢兑现阶段。
高盛9月发布的研究同样指出，AI投资正贡献2026年标普500指数每股收益增长的接近一半，但这种由投资建设拉动的收益贡献预计会逐渐减弱，并可能在2028年转为轻微拖累。届时，AI应用所带来的生产率改善，将变得更加重要。
这并不意味着AI投资即将失去价值，而是意味着市场正在接近一个需要重新验证商业假设的阶段。此前，企业愿意增加资本支出，就足以支撑产业链的增长预期；未来，仅仅宣布扩大算力采购，恐怕越来越难以替代真实的经营成果。
而对于传统企业，真正值得关注的指标也将发生变化。相比AI部署率，更有意义的是单位产出成本、每名员工创造的收入、自动化流程覆盖率、客户转化效率，以及AI投入带来的增量利润。只有这些指标得到持续改善，AI才能从企业的技术预算转变为稳定的利润来源。
截至2026年10月27日，已有足够证据证明AI正在改变人们完成工作的方式，却还没有同样充分的证据证明，它已经广泛改变美国大型企业赚钱的方式。
这正是当前AI繁荣背后最值得警惕的落差。资本市场已经为技术未来可能创造的巨大价值投入了真金白银，但技术提供商获得收入，并不等于技术购买者已经实现收益。两者之间如果长期缺乏连接，再庞大的算力投资，也难以自动转化为整个经济的生产率繁荣。
AI的下一阶段，不应该只看七巨头能够创造多高的利润率，更应该看其余493家公司能否真正从中受益。 当越来越多普通企业能够以财务数据证明AI提升了收入、降低了成本，并持续改善盈利能力时，今天的AI繁荣才算拥有了更加扎实的经济基础。
在此之前，AI的技术革命或许已经发生，但它的商业回报革命，仍然需要等待。