AI行业框架拆解：Token经济学与3层叙事

看AI行业最容易犯迷糊的地方，是每天都有新概念，但缺少一根能串起它们的线。这份中金公司的AI行业框架培训，用的就是一根很硬的线——Token。

课件的定位说得很直接：围绕"量、价、值"的Token经济学展开，配套Infra、模型、应用三层叙事，而且只讲可验证的量化锚。三个核心判断是：量在爆发、价在成型、值在分层。对做AI行业研究或投资的人来说，这套框架的价值在于它有明确的抓手，不用靠感觉判断。

一、量：全国日均Token两年增长1400倍

先看最硬的一组数据。根据国家数据局，2026年3月全国日均Token调用量突破140万亿，较2024年初的1000亿增长超1400倍，较2025年底的100万亿提升40%。豆包截至2026年3月的日均使用量在3个月内翻倍至120万亿；MiniMax在2026年2月的单日消耗量已增长至2025年12月的6倍以上。

课件对增长来源有一个判断值得注意：个人市场承担生态培育与品牌渗透功能，未来贡献收入的主要力量仍然集中在企业端。据OpenAI 2025年12月的企业AI报告，其API推理Token消耗量在企业端同比增长320倍；个人用户以低频、轻量、试探性交互为主，企业端一旦完成工作流嵌入，会触发高频自动化模式。

二、价的成型：自建推理成本约2美元每百万Token

课件把单位推理成本做了一次完整拆解，假设使用NVL72机柜作为推理算力基座，推理端输出的是海外头部万亿参数级别的大模型，测算得算力自建情况下百万Token推理成本约在2美元左右。

相关推荐：《广告人大模型兵器谱：从EQ-Bench排名到落地选型的实战拆解（附课件下载）》，做同类项目时很有参考价值。

从租赁视角看，NVL72单机柜年租金240万美元，年输出约0.91万亿Token（按单卡1000 Tokens/s、72 GPU、有效利用率40%计算），折算下来租赁每百万Token成本约2.60美元，自建约2.0美元。课件还测算了理论毛利率：自建算力全用于Token生产、以5美元每百万Token均价计算，Token Factory的理论毛利率约60%。而现实数据是，海外头部模型厂商API业务毛利率已达40-50%，国内MaaS API业务毛利略低于海外，课件估计今年将达到20-40%区间。

三、Agent乘数：8%渗透率就追平ChatBot

这是课件里我觉得最反直觉的一个测算。以5亿日活的Chatbot交互为基础情景，当Agent的渗透率达到8%时，Agent的总Token消耗量就已与基础情景相当；在重度使用场景下，渗透率仅需2%就能持平。课件给出的结论是：在渗透率100%的假设下，能带来50倍的空间。

为什么会差这么多？因为Agent单次任务的消耗结构完全不同。课件拆了一张表：ChatBot单次对话的Token总和大约在900到5700之间，而Agentic Coding单用户的消耗在8.2万到70万之间，差了百倍以上。差别来自工具调用、推理链、代码补全与审查、Debug、多文件重构的全覆盖，每一步都包含系统指令、工具描述、中间过程和执行日志。课件对Token结构给了一个具体比例：Agent相比ChatBot是8:1的输入输出结构。输入Token计算量更低从而定价更低，长程任务中还有更多Token命中缓存，所以Agent的平均价格可能低于ChatBot，但总消耗量会是ChatBot的几十甚至上百倍。有个验证案例课件反复提到：Anthropic以Coding为抓手验证了B端Token Factory，ARR从2025年底的90亿增长到2026年5月的450亿，80%收入来自B端。

四、值在分层：C端6000亿到B端4万亿美元

价值分层是这套框架的第三层。课件按市场规模给出了三层结构：C端消费级约6000亿美元（订阅4800亿加广告1000亿），B端Token Factory约4万亿美元，AI原生应用按GDP占比估算、无上限，规模放大6.7倍至无限。与价值分层同步演进的是商业模式：从订阅与广告，到API按量收费（Token Factory），再到按结果收费，定价能力逐层提升，为结果付费是最理想的终局，但当前仍处于早期探索阶段。

课件还给了一个判断公司价值的锚点，说法挺直接：看模型公司核心看技术领先的加速度，不看当期财务。理由是模型保鲜期极短——GPT-4o的首批Developer用户6个月后留存约30%、12个月后约15%；而Llama 4 Maverick在3个月后首批用户仅约10%留存。企业微调专有模型抵不过基模的快速迭代，收益会被基模发展快速淹没。所以估值锚只有一条，就是模型技术是否保持全球领先。

五、三层投资判断：确定性各不相同

框架最后落到投资判断上，三层各有各的标准。Infra层确定性最高，需求端无虞，逻辑是Token爆发直接驱动算力、IDC、云、安全全产业链受益，核心矛盾不是需求而是供给能否跟上。课件列的信号包括：算力租赁价格在2025下半年至2026年涨幅约50%；国产模型价格约海外的十分之一，降低调用门槛形成正向飞轮；推理侧工程优化是降本主路径，DeepSeek V4-Pro单Token FLOPs仅上一代27%、KV Cache仅10%，课件认为这是中美差距缩窄的关键。验证信号就一条：Token消耗增速是否持续跑赢算力扩容速度。

模型层看估值锚与成长加速度，课件给的估值结论是40-50倍Forward P/ARR合理，并提到一个容易被忽略的点：中国模型公司增速更快，理应溢价而非折价。应用层则要避开叙事噪音、找估值坑。课件按确定性强弱把九条赛道排了序：确定性高的有智能座舱、AI搜索与GEO、Coding与Office套件；正在验证的有企业服务、AI for Science；早期与远期的有智能硬件和具身智能。判断口径是：在估值坑里找真正有行业壁垒、数据壁垒和know-how的公司，节奏不同不能一概而论，按确定性强弱分批兑现。

如果想把这条链路补全，可以接着看《AI时代品牌怎么被推荐？进入AI候选名单的三个门槛（附课件下载）》。

课件里有两个应用层的细节案例值得一提。一是GEO（生成式引擎优化），课件认为它正在取代SEO成为企业增长的核心战略，给出六层体系框架：监测情报分析、可读性优化、内容生产工具、内容分发与生态布局、付费影响与渠道投放、效果归因与数据分析，配套效果是获客成本降低50-70%、转化率提升2.8-3.5倍。二是企业服务的税友案例：南京秦淮店三年数据里，门店营收从145万到6600万，续费率从62%到86%，人员却在减少。课件用这个案例说明一个观点：企业服务AI转型，胜负在交付层不在模型层。

课件最后列了三条风险提示：算力持续涨价，如果上游存储、PCB、GPU持续涨价而模型API价格涨幅小于上游涨幅，会压缩模型公司推理毛利率；Agent泛化能力不及预期，目前使用率较高的场景主要在Coding，泛化速度跟不上会影响整体Agent TAM的扩张；API价格战，如果厂商为争夺份额打起价格战，毛利率和盈利时间都会受影响。

延伸阅读：《普通打工人第一份AI工作流指南：从能力验证到Skill沉淀（附课件下载）》，和这篇可以对照着看。

整套框架最值得带走的方法论，是它把不确定性显性化、变成可跟踪的清单：Token增速与算力扩容的剪刀差、模型代际发布节奏与实际体感、Agent渗透率拐点、中美模型差距、支付层Agent经济变现时间表。框架不是一次性判断，而是持续跟踪的工具——这一点对做行业研究的普通人比任何单一结论都更有用。想系统研究AI产业、大模型商业化和行业分析的实战资料，可以上运营动脉（www.yydm.cn）翻翻，站内有7万+份方案、报告和课件，每月更新超1000份。