以下为对中金研究机构发表的《Token启示录(三):大模型商业模式的中观分析》原文的极其详尽解读与剖析。为便于溯源,文中涉及原文结论或关键推论的句末均标注来源页码,其中同一处若涉及多页内容,将以多个 [page::页码] 标注;如存在多处涉及同一图表的数据点或观点,尽量逐条对应不同的页码进行标注。
一、元数据与概览(引言与报告综述)
标题、作者与机构信息
标题:Token启示录(三):大模型商业模式的中观分析
作者与团队:于钟海、王之昊等,中金点睛,隶属于中金研究(中金公司研究部)
发布时间与语境:2026年6月,聚焦大模型(尤其Agent型应用)在B端与C端的中观商业化与盈利前景
主题聚焦:对大模型在B端和C端场景的商业化路径、模型厂商的算力成本结构、以及稳态盈利参数进行中观拆解与展望
核心论点(要点式概括,来自 Abs 摘要):
B端以API为核心的“Token Factory”具备高确定性,模型智能水平与效率是核心驱动要素;AI coding带来企业生产力提升,企业愿意以API调用方式付费。参照 Anthropic 与 OpenAI 的企业化推进;全球白领市场 Agentic AI 的 TAM 估算在1-3万亿美元区间。图形性证据与估值方法对比见后文。以上要点来自 Abs 摘要与后续章节的论证,1
C端通过订阅制与广告实现变现,未来 Agentic AI 的潜力可期;月活跃度等指标在2026年前后显著提升(如 ChatGPT 与 Gemini 的C端月活达到10亿/9亿等),核心在于提升Token的付费质量与广告覆盖等变现途径。见 Abs 摘要。并预测推理端毛利率有望提升、长期盈利能力改善。 1
结论性预设与风险基线:推断到2026年及之后,模型厂商在训练端成本仍高、但推理端毛利率将逐步改善,且中长期将实现盈利;同時列示了若干关键风险与市场假设。以上在摘要与后续章节多处被提及。1
二、逐节深度解读(逐章精读与剖析)
2.1 摘要与要点综述(Abs摘t要ra)
核心论点总结
B端的“Token Factory”以API为核心,稳定性高,模型智能水平与效率为主导要素;AI coding 的渗透显著提升企业生产力、推动企业为智能高效模型付费。引用 Anthropic 的企业级编码定位与 ARR 增长示例,表明企业级市场的扩张路径。与此同时,全球白领市场 Agentic AI 的潜在 TAM 被估计在1-3万亿美元区间,模型智能水平与Agent泛化将推动TAM扩张。1
C端通过订阅与广告实现变现,未来的潜力在于提升入口流量、Token付费质量以及在广告覆盖、单Token价值提升等方面的探索。 Abs 摘要对C端的演进路径作出前瞻性描述。 1
毛利率与盈利路径:推理端毛利率预计将随底层算力效率提升与模型智能水平提高而呈现结构性上升;训练端成本上升的趋势会被下游需求放量与成本摊薄逐步抵消,长期模型厂商有望达到盈利。此为文末多处论证的核心。 1
数据与引用点(关键数据点)
Anthropic ARR 由2025年底的约90亿美元增长至2026年5月的约450亿美元;若以该增速继续延展,年底 ARR 有望达到1000亿美元;80% ARR 来自B端,且高端客户(年化收入>100万美元)达到1000家。这组数据与推断主要来自 AbS 摘要及相关段落的引用。 4
全球白领Agentic AI 的TAM初步定为1-3万亿美元,并强调模型智能水平提升与Agent泛化能力是支撑这个扩张的关键驱动。上述结论在 Abs 摘要及“Agentic AI 渗透率提升”段落中出现。 1
图表与图像引用
Abs 摘要中依托的图表与图像包括对 Anthropic、OpenAI、以及全球TAM/ARPU 的说明性图示。相关图片在文中以嵌入形式出现,如 image_path: images/...,并在文末标注了引用页码。具体图片与页码链接如下: 。该图用于引导读者关注点的初始定性解读。1
评述要点
该摘要为全篇分析奠定了“以API驱动的Token Factory”为核心商业模式的框架,同时指出C端广告/订阅、B端API、以及高端AI原生应用的分层市场潜力。该段落为全文的理论起点,后续章节将以数据与案例对该框架进行量化与对比。引用自同页。 1
2.2 风险简述与正文结构(从章节导航看全局框架)
风险要点(来自“风险”小节)
算力持续涨价、Agent 泛化能力不及预期、API价格竞争。这三项成为本文对未来盈利路径的核心不确定性来源。将作为后续全篇对盈利、成本与定价的考量基准。请见“风险”段落。 2
正文结构概览(核心分支)
收入端:B端曲线加速,C端潜力可期。企业端以Coding/Agent为核心的任务复杂性提升使得企业愿意为更智能模型付费;C端以流量、粘性、Token质量和广告结合的方式变现。 2
成本与盈利路径(成本端、训练端、推理端的结构性解读)
推理端毛利率的提升被视为未来盈利的关键,训练成本的上升在短期内难以彻底压缩,但通过提升推理效率和下游需求放量,厂商有望实现盈利性改善。培训与推理成本结构将随时间演化。该逻辑在多处段落中被强调。 2 , 11
Anthropic 与 OpenAI 的企业市场竞争格局
Anthropic 以 Coding 为入口、以企业市场为核心扩张,ARR 增长显示出强势的企业留存与扩张能力;OpenAI 则在多线路发展、对标 Claude Code,且在企业智能体等方面推进深度集成。该对比在“Anthropic 与 OpenAI 以 Coding 为切入...”及后续章节有系统展开。 4
核心数据脉络
关于“Coding 提升编程生产力”的 ROI 拟合:文中给出来自 Stack Overflow 的程序员使用 AI 编程的高比例、以及对 ROI 的定量假设(如中国市场的每日花费、年化工作时长节省等),作为推导后续 TAM 的基础。该数据来自图表1及说明文本。见图表描述及注释。 3
全球白领 Agent TAM 的分层假设(5%重度、20%中度、75%轻度)及不同区域的 ARPU 设定,构成基准情形与乐观情形的 TAM 框架。数据及推断来自“图表2/图表3”相关文字段落与注释。 3 , 4
三、图表深度解读(逐图表剖析,链接原文与解读)
注:以下为逐一图表的描述、解读与文本联系。每段后附来源页码,若涉及图片,请按要求附上图片引用路径。
图表1:Coding ROI 的测算(来自“中国程序员使用 AI Coding ROI 测算”)
描述与解读
该图展示了程序员日常使用 AI 编程的渗透率与ROI 的正向关系:2025 年 84% 程序员日常使用,2026 年这一数字预计更高;中国市场假设日均花费 116 美元(年化约 22 万元),若节省约 4.5 小时即可使 ROI 转正;美国情景下则需节省约 2.5 小时。该推断用于推断 Coding 的经济价值与对企业端付费意愿的支撑逻辑。此处的数据与推导来自“图表1”及下方注释。 3
与文本的联系
该数据是后文对“Coding->Agent->TAM”的基石:Coding 的高 ROI 提升了企业对接口化、API化模型的付费意愿,是 B 端 Token Factory 经济性的直观证据之一。文本在“Coding提升编程生产力,已初步验证 ROI”处对该点进行强调。 3
溯源图片
(请参见文内图表所示,实际引用在文中:图表1来源:中金公司研究部)3
图表2:基准情形下全球白领 AI Agent TAM 将达到 1 万亿美元
描述与解读
以全球 10 亿白领为基准,结合 5% 重度、20% 中度、75% 轻度三类用户的付费意愿与 ARPU 区间,得出基准情形 1 万亿美元的 TAM。重度用户 ARPU ≈ 1.2 万美元/年,轻度/中度的不同付费结构对总 TAM 的贡献差异显著。此图是支撑全文 TAM 框架的核心定量证据。 3
与文本的联系
文中明确指出该 TAM 是驱动全球市场对“Token Factory”及 Agentic AI 商业化的关键规模量级,直接映射到“Token 付费能力、服务深度与场景覆盖”的潜力判断。 3
溯源图片
(图片链接来自图片清单,图示与文字同页)3
图表3:乐观情形下全球白领 AI Agent TAM 将达到 3 万亿美元
描述与解读
乐观情形下,随着 Agent 能力的进一步泛化、覆盖更多行业任务,重度/中度/轻度用户在 3 万亿美元 TAM 中的分配将达到三分之一。图表强调 ARPU 在乐观情景下的提升空间,重度 ARPU 提升到约 2 万美元/年,但总体结构变化(1/3-1/3-1/3 的分布)显示高价值用户的增加对整体收入的放大效应。 4
与文本的联系
该图作为 Abs 摘要中的“1-3 万亿美元 TAM”的上限情景支持,展示了若干关键假设(Agent 泛化、行业覆盖扩展等)的潜在收益。文中对 OpenAI/Anthropic 的企业级渗透路径也在此方向上得到呼应。 4
溯源图片
(图4、5 等图像集合中的乐观情景图)4
图表4-5:OpenAI 与 Anthropic 收入结构对比(2025 年)
描述与解读
图表4显示 OpenAI 的收入以 C 端订阅为主(2025),而图表5显示 Anthropic 的收入以 API/开发者为主(2025)。两者的收入结构差异体现了两家公司的市场定位差异:OpenAI 更偏向直接面向消费者的订阅与消费端入口,Anthropic 则更偏向企业端 API/开发者解决方案。该对比支撑文中关于“企业市场编码/编程解决方案”的核心论点。 5 , 6
与文本的联系
与后续对 Anthropic 与 OpenAI 竞争格局、ARR 结构以及企业市场份额的讨论直接相关,作为定量佐证。页面的文字段落也在后文对比中重复提及两家的商业化策略。 4 , 5 , 6
溯源图片
图4 及 5 的图片嵌入路径见对应页码图像引用: 、 (以原文中的图片路径为准)5 , 6
图表6:2026年3月末 Anthropic ARR 首超 OpenAI
描述与解读
该图以时间轴呈现 Anthropic ARR 超越 OpenAI 的趋势,显示Anthropic 企业端渗透与客户结构的快速提升。注释指出 ARR 的结构性差异及成长路径。该图作为文本中关于两家公司的对比风向标之一,直接支持“Anthropic 在企业端加速扩张、ARR 规模领先”这一判断。6
与文本的联系
与 Anthropic ARR 的大幅增长以及开放式对比的描述相呼应,支撑“Anthropic ARR 450 亿美元、2025 年底约 90 亿美元等增速假设”的论证框架。 4 , 6
溯源图片
图6 图片引用: 6
图表7:ChatGPT 付费用户数与预估付费率(海外 C 端)
描述与解读
该图给出 ChatGPT 付费用户数、订阅价格区间(20/100/200 美元/月)及未来到 2030 年的 ARR 预测。2026 年前后海外 C 端活跃度与付费渗透的路径被用于推导2030 年 ChatGPT 的订阅 ARR(约 1320 亿美元)这一量级。该数据用于支撑“C 端订阅带来高粘性与高付费率潜力”的判断。图表与文本共同强调订阅付费规模的潜在上行。 8
与文本的联系
文中对 C 端订阅与广告变现的讨论均以此类数据为参照,讨论了付费率、用户基数对未来收入的放大作用。 8
溯源图片
图7 图片引用: 8
图表8:OpenAI 收入结构拆分,2023-2030E
描述与解读
该图展示 OpenAI 收入的结构性拆分:C 端订阅、广告、企业端API、其他新兴业务等结构随时间的演化。通过 2023-2030E 的分布,揭示了 OpenAI 在不同收入维度之间的轮转与增长点,尤其强调广告在未来对免费用户成本的覆盖能力。文本对广告化的潜力进行了专门讨论,强调广告在覆盖免费 Token 成本方面的重要性。 8
与文本的联系
与“广告是覆盖免费Token成本的间接商业模式”一段相呼应,提供了对 OpenAI 广告化潜在规模的量化线索。文中也对 Google 的广告化策略给出对比。 8 , 9
溯源图片
图8 图片引用: 8 , 注意:图像页码在原文逻辑结构中对应页数略有跳转,按实际嵌入条目定位。9
图表9:Token 分层示意图
描述与解读
以“C端消费级 Token、B 端 Token Factory、C 端消费级 Token”等三层结构呈现不同收费模式与客户属性,标注了“订阅/按产出付费/按问题付费”等多种收费路径;同时以 TAM 估算框架呈现不同层级对总 TAM 的贡献。为后续章节对“分层市场、定价与议价能力”的讨论提供直观图示。 10
与文本的联系
该图是“Token分层示意图”的视觉支撑,与文中关于C端订阅、B端 API/Token Factory、AI原生应用分层的讨论形成直接呼应。文中亦强调各层的议价能力与市场规模差异。 10
溯源图片
图9 图片引用: 10
图表10:海内外模型厂商成本结构(2025)
描述与解读
展示不同厂商在毛利率、推理成本、训练成本、人员成本等方面的对比,揭示海外/国内在成本结构上的差异与趋势。该图用以支撑“成本结构的演化将推动毛利率改善”的论点,并联动后续对盈利路径的分析。 10
溯源图片
图10 图片引用:同页图像集合(见文中图表标注)10
图表11:海内外模型厂商算力成本结构(2025)
描述与解读
该图明确指出训练成本与推理成本在算力支出中的分布比例,以及海外/国内在推理与训练成本的对比。分析指出,2025 年全球厂商在训练端的成本占比显著,但随着 2026 年推理需求的指数级增长,推理成本在总算力中的比重有望提高。图示与文中文字共同强调“推理成本的提升空间”与“更高效推理能力带来的毛利率提升潜力”。 11
溯源图片
图11 图片引用: 11
图表12:OpenAI 与 Anthropic 模型训练端投入预测(2025A-2028E)
描述与解读
给出两家公司在训练端投入的年度预测(OpenAI 2026 年训练投入约 320 亿美元、Anthropic 2026 年训练投入约 120 亿美元,均同比显著提升)。该对比用于支撑培训端高成本与长期回报之间的权衡,及未来在推理端放量带动盈利改善的假设。 12
溯源图片
图12 图片引用: 12
图表13:大模型公司假设 IS 模型(盈利与 ROI 的假设性框架)
描述与解读
将“Is”模型下的毛利、推理成本、训练成本、人员成本等若干关键要素汇总成一个综合性假设模型,以评估长期盈利路径与 ROI 的实现可能性。该图在“利润端:收入端达到一定规模后,模型厂商有望盈利”一节的定量假设支撑中占据要点地位。 13
溯源图片
图13 图片引用: 13
附注:其他引用/图片
除上述图表外,文内还引用了多处文本与表格来强调“1-3 万亿美元 TAM 的区间、4-5 年内实现利润拐点、不同细分市场对定价与议价能力的影响”等观点,相关引用分散在正文的多处段落中,并通过图片和注释进行了定量化支持。若需逐段对照,请结合各段落的图表描述与注释进行核对。上述图片引用均来自文中给出的 image_path 与页码标注。 1 , 3 , 4 , 5 , 6 , 8 , 9 , 10 , 11 , 12 , 13
四、估值分析(若干关键方法与输入假设)
估值框架概览
报告核心以市场规模(TAM)、可获客体量(ARPU/付费率)、以及收入结构分层来推演潜在收益与盈利路径;而不是给出严格的现金流折现模型(DCF)等数值输出的目标价。文中通过对 TAM 的分层估算、不同情景下的 ARPU、以及 OpenAI/Anthropic 的收入结构演变来推导长期盈利潜力。相关论述集中在 Abs 摘要、Revenue 分析图表(图表4-8)与 TAM 章节。 1 , 8 , 9
关键输入与假设
TAM 偏高假设与分层结构:基准情形 1 万亿美元 TAM,乐观情形 3 万亿美元,分层中重度/中度/轻度用户的 ARPU 假设,以及重度用户在全球白领中的占比(5%/20%/75%)。这些假设是后续“订阅/广告/API 付费”的收入分解与潜在规模的核心驱动。见图表2与图表3的文本段落。 3 , 4
收入结构演化:OpenAI 的收入结构逐步向“C 端订阅+企业端 API”的组合演进,Anthropic 则以企业端 API 与 Coding 为主导;文中对两者 ARR 的对比、以及“2026 年 Codex 迭代对比 Claude Code”的讨论,构成对未来收入来源的定性预测。参见图表4-6及相关文字。 5 , 6 , 4
毛利率与成本端的分布:推理端毛利率将随算力效率提升而上升,训练端成本在早期通常较高但通过规模放大和推理端贡献提升来摊薄,预测未来 5 年到 10 年内实现盈利的时间窗。相关讨论见成本结构与毛利率相关图表(图表10-12),以及文末对“推理端毛利率提升”与“训练端投入摊薄”的描述。 10 , 11 , 12 , 13
估值结果的呈现方式
文章以“潜在 TAM 的放大性及不同场景下的 ARPU 估算”为主线,辅以对比性案例(Anthropic/OpenAI、Codex/Claude Code 的对比、以及未来广告化潜力)来描绘一个可能的盈利路径框架。由于文本中未给出明确的、单一的目标价或 DCF 值,因此我们理解为:该报告提供的是一个中观角度的框架性估值路径,而非直接的股票估值输出。该点在“利润端:大模型公司假设 IS 模型”和“风险提示”章节中被多次提及。 13 , 14
五、风险因素评估
主要风险点(来自“风险”与“风险提示”段落)
算力成本上涨:上游存储、GPU、网络等成本上升若大幅超出模型价格的提升,则将压缩推理毛利率与训练投入的回报率,影响利润路径。该点在风险段落以及成本/毛利结构分析中多次提及。 2 , 11
Agent 泛化能力不及预期:Agent 的实际覆盖范围、速度与成本效益若低于预期,将削弱 TAM 的扩张潜力,影响收入增速与盈利前景。此点直接来自风险段落。 2
API 价格竞争:若厂商间价格竞争抬头,毛利率及盈利时间窗将受到压力,进而影响估值与盈利路径。该风险在风险段落明确列出。 2 , 13
交叉风险点及应对思路
价格机制与成本结构的错配风险:若推理成本的下降速度落后于价格提升的速度,短期内利润承压;相反,若算力效率提升明显、工程优化更加有效,毛利率提升将成为缓释因素。文本多处指向“工程优化、算力储备、生态建设”将成为提升盈利的关键支点(见成本结构、工程优化、算力投入的讨论)。 11 , 12 , 10
六、批判性视角与细微差别(审慎评估)
潜在偏见与分析局限
高度依赖大模型厂商的内部数据和对未来 ARR 的乐观预测:Anthropic 与 OpenAI 的 ARR、用户规模、以及企业端渗透数据在不同时间点的走向,可能因市场、政策、竞争格局而出现偏离;尽管文本提供了明确的对比,但仍属于公司层面的披露信息,需结合市场环境进行延展性评估。参见对 ARR、订阅、企业端渗透的叙述与图表(图表4-6以及相应文字)。 4 , 5 , 6
TAM 的分层假设可能过于理想化:将全球白领分为重度/中度/轻度三类,并假设 ARPU 的显著分布,是一个强假设框架。尽管这是分析的合理起点,但实际渗透可能受行业壁垒、地域差异、企业预算周期等因素影响。该点在“图表2/图表3”的描述中可见,但对现实波动的敏感性需要在后续研究中加强。 3 , 4
矛盾点与需要注意的细微处
OpenAI 与 Anthropic 的商业化路径存在明显的分化:文中多处将 Anthropic 定位为“企业级编码/企业端”为核心的厂商,而将 OpenAI 描述为“多路线发展、C端订阅+企业端 API”的综合体。二者之间的定位差异在图表4-6及相关文本中被反复强调,需要在实际投资判断中进一步对比其企业客户结构、毛利率区间与获客成本。 4 , 5 , 6
推理端与训练端的利润拐点时间点存在不确定性:文中强调“推理端毛利率提升将抵消训练端摊薄”的趋势,但达到净利润拐点的具体时间并未给出明确的数值框架,仍依赖于未来的算力价格、模型创新与市场扩张的叠加效应。此点在“利润端”及“成本端”章节有综合性描述,但缺乏严格的量化门槛。 13
七、结论性综合(综合全局的最关键发现与判断)
结论性要点回顾
商业模式的中观解构:报告系统地将大模型商业化拆解为三层结构:C端广域市场的入口/流量与广告、B端以 API 为核心的 Token Factory、以及具备高定价能力的 AI 原生应用。三者在收入结构、定价权与议价能力上呈现明显的分化,但共同受“模型智能水平提升 + Agent 泛化能力提升 + 算力成本与工程优化”的驱动。该框架在全文多处被反复确认,并以多组数据与情景分析予以支撑。 1 , 3 , 9
TAM 估值路径与情景对比:基准情形下全球白领 AI Agent TAM 约 1 万亿美元,乐观情景可达约 3 万亿美元。重度用户贡献显著,ARPU 的提升将放大高价值场景的收入。C端的订阅与广告、B端的 API 收费将并行驱动总收入,但不同层级的毛利率与成本结构存在明显差异。上述框架与情景在图表2、3、4-8中得到系统呈现。 3 , 4 , 8
成本与盈利的中期展望:训练端投入在 2025 年仍居高位,但推理端的成本效益改进与算力效率提升将带来毛利率提升的结构性支撑;长期看,随着规模放大与工程优化,Token Factory 的毛利率与净利润空间将显现,且中期趋于盈亏平衡的时间窗大致落在未来 5 年内的区间。该判断在“成本端”“毛利率”、“利润端”段落以及图表10-13的成本/收入结构对比中反复体现。 10 , 11 , 13
风险与不确定性:算力价格波动、Agent 泛化能力的达成速度、API 定价竞争等风险,将直接影响盈利时间表与估值区间。这些风险点在文中被明确列出并形成对冲分析的逻辑基础。 2 , 14
作者总体立场与判断(评级/目标价)
本文属于中观分析框架性研究,聚焦于商业模式与市场规模的结构性分析,并给出对未来盈利路径的量化性假设与情景分析,而非提供具体的单一投资评级或目标价。读者应将其作为理解大模型市场结构、收费模式与盈利驱动的一份重要参照,结合自身投资框架进行定量估值与风险管理。文中对盈利路径的乐观情景并非对所有厂商的统一预测,而是对“若关键驱动有效实现”的潜在高端情景描述。 1 , 13
附:对原文图表与图片的引用清单(简要索引,便于溯源)
图表与图片引用索引(按原文页序对应)
图像和图表1(ROI/Coding,页码0-2区段嵌入)以及图示引用: 1
图表2、3(TAM 1万/3万亿美元,页码2-3区段)3 4
图表4、5(OpenAI、Anthropic 的收入结构对比,页码4-5)5 6
图表6(Anthropic ARR 首超 OpenAI,页码5)6
图表7(ChatGPT付费用户数及预估付费率,页码7)8
图表8(OpenAI 收入结构拆分,页码7)8
图表9(Token分层示意,页码9)10
图表10(海内外厂商成本结构,页码9)10
图表11(算力成本结构,页码10)11
图表12(训练投入预测,页码11)12
图表13(IS 模型盈利假设,页码12)13
总体来说,本报告以中观视角系统性地梳理了大模型商业模式的多层次结构,将“Token Factory”的 API 收费、C 端订阅/广告变现、以及 AI 原生应用的高附加值场景作为三条并行的盈利路径;并通过对 Anthropic、OpenAI 的 ARR、收入结构以及全球 TAM 的情景分析,给出一个相对完整的中长期盈利框架。对于投资者与行业分析师而言,这份研究提供了一个清晰的框架来评估不同厂商在不同市场端的定价权、成本控制与盈利拐点的潜在时间表,同时也提醒了算力成本波动、泛化能力进展与价格竞争等关键风险点。