📰 研报摘要
查看全文 ➔摘要： 本报告探讨了 AI 商业化的本质及大模型公司年化经常性收入（ARR）的增长上限。核心观点认为，AI 对人工的替代能力决定了 ARR 的增速与想象空间，而可被 AI 重新定价的“工资池”规模是衡量 AI 端侧收入理论上限的关键锚点。
行业主线：
- 商业化逻辑：企业为 AI 付费的本质是通过模型能力替代、辅助或重组人工任务，从而降低单位劳动成本并提升人效。
- 收入规模测算：基于美国薪资数据，实际暴露薪资池约为 1.45 万亿美元，理论潜在规模达 5.68 万亿美元。当前大模型商年化收入仅占实际暴露薪资池的 3.2%，端侧收入空间的想象力巨大。
- 暴露度分布：AI 冲击呈现“右偏”特征，高收入、知识密集型岗位的理论暴露度明显高于中低收入人群。
关键变化与分歧：
- 暴露不等于替代：报告强调“暴露”是指任务可能被 AI 辅助或重组，并不意味着工资收入等比例消失或直接导致失业。
- 行业替代差异：计算机行业在 AI 冲击下面临整体性暴露，薪资高低与暴露度无必然联系；而金融业则因岗位责任归属（如审计、会计）的不同，暴露度压力呈现较大偏差。
受益方向与风险：
- 受益方向：建议关注深耕已出现明显替代行业（如行政、计算机、金融）的确定性业务，以及教育、医疗诊断等具有“0 到 1”突破潜力的专用大模型 To B 业务。
- 核心风险：AI Agent 能力发展弱于预期、职业暴露度数据统计偏差、全球宏观通胀压制需求导致 AI 投资回报率担忧。