本文转载自微信公众号：中信建投证券研究
文｜于伯韬 许悦
前沿实验室带来的折旧爬坡，具备自研芯片闭环与现金流造血能力的标的具备更优的单位经济模型。软件层方面，专有业务图谱与合规权限确立了核心系统的不可替代性，企业预算正加速回流至工作流枢纽、数据栈与安全防线，板块分化聚焦于长约锁定度与现金流自洽度。
AI Labs ARR复盘
把 AI 行情还原为一个循环：模型智能 → 前沿实验室 ARR → 云/新云 CapEx → 算力供给 → 反哺智能。判断"供给创造需求"是否仍成立，市场直接跟踪的主要是的ARR增量（二阶变量）。
回到ARR数据，市场习惯用传统企业级 SaaS（如 ServiceNow、）的估值框架来审视 AI 前沿实验室，但两者的 ARR 在定义与波动性上存在根本错位：传统SaaS企业基于长期固定合同，按年/季度确认收入，履约确定性极高，例如Workday 明确披露其核心 HCM 及财务管理合同通常为 3 至 5 年，且均为不可撤销协议，客户仅在极罕见的严重违约情况下才有权终止，且报表端按天/月直线法分摊（Ratable Recognition），收入确认的确定性较高。
头部 SaaS 的订阅收入几乎全部由长周期合同（）覆盖，且拥有极高的存量锁定比例。Workday 明确披露其核心 HCM 及财务管理合同通常为 3 至 5 年，且均为不可撤销协议（Non-cancelable Agreements），客户仅在极罕见的严重违约情况下才有权终止。
AI Labs的ARR采用近期月度（ × 12）或连续 4 周收入（4-Week Revenue × 13）进行年化，强依赖 Usage/Token 消耗，对业务峰值、大模型版本上线极度敏感。其商业模式绝大部分是“按 Token 实际消耗量计费（Usage-based / API Consumption）”与“月度无绑定订阅（ChatGPT Plus/Pro 每月 $20–$200）”，传统意义上 3 年期锁死的 Committed ARR 占比较小。
期结转，或预付 Credit 按消耗比例分摊）。2026 年 Q1，OpenAI 披露的实际入账 GAAP 营收为 $5.7B，Q2 为 $6.7B（上半年合计入账仅约 $12.4B）；但其对外宣称的 Run-rate ARR 在 3 月达到 $25B，8 月达到 >$40B，如果按期间确认收入/披露ARR比例看，OpenAI/Anthropic低于一般的SaaS企业，业务的波动性较高。
早在2026年4月， OpenAI 首席营收官（CRO）Denise Dresser 联合 CFO 在四页员工备忘录中针对 Anthropic 发起公开质疑，指出ASC 606 会计准则下的毛额法（Gross）虚增与非经常性合同问题，OpenAI认为①Anthropic的ARR中包含非经常性一次性合同$3.5B - $4.0B (部分大企业客户为锁定折扣，一次性买断数亿美元预付额度，被直接乘以 12 计入 ARR)；②云厂商间接渠道抽成 (AWS/GCP Take Rate)约有$4.0B - $4.5B ，最终可审计真实净额ARR约 $22B 左右。
我们认为，这为Anthropic IPO文件调整ARR口径埋下伏笔，7月Bloomberg等媒体报道Anthropic ARR达650亿美元，Atreides Management投资人Gavin Baker提到，Anthropic IPO文件中的ARR数据变化主要是一些风险管理因素导致的，例如从Gross口径转向Net口径，同时剔除了 Meta 和中国相关的收入来源，确保对于单一大客户/竞争因素导致的收入波动 。另一方面，市场投资者以第三方机构的高频ARR数据作为锚点本身存在不可衡量的误差，①三方机构通过网站点击量来评估 OpenAI 的商业化走势“从方法论上就是错误的”。因为随着企业客户将工作流深度集成至 API 以及专用算力集群，高价值、高付费密度的商业负载正在全面移出 Web 界面 。②信用卡抽样数据仅能反映部分特定地域的小规模行为，无法穿透 OpenAI 面向《财富》500 强企业的直销体系。
三方数据跟踪的本质是特定渠道（例如C端订阅/网页渠道），特定客群（C端用户+SMB企业）的用量趋势，因此在营收结构变化的情况下，例如OpenAI企业端收入占比从26年初的40%提升到26年7月的50%+，6-7月OpenAI企业端ARR环比增长32%，超越整体20%的环比增长。这意味着三方数据跟踪的误差可能越来越大（C端/小B的消耗趋势与整体背离） ，整体ARR的结构中~88%来自Top 1%的大型企业，而三方数据跟踪的优势模块在于中小企业/个人用户，且这一结构并不稳定。
回顾OpenAI Codex/ChatGPT Work的周度活跃用户，7月Tibo（OpenAI 核心产品负责人）开启Codex额度重置后至今不足3个月周度活跃用户从600万增长至2500万（合并了ChatGPT Work），但同期的ARR并未翻4x+，原因在于订阅套餐的商业模式锁死了收入上限，重度用户越多毛利率反而越低（固定收入，但是用量越多成本越高）。
Semianalysis实际测算2026年6月Anthropic/OpenAI的套餐价格和实际用量，这里的实际用量是按照目录价格（API展示的token价格）估算的，并非实际成本。理论上用量GPU即可服务ChatGPT的全部匿名用户流量。核心技术手段包括：量化压缩、KV-Cache优化、连续批处理、投机解码以及优先级调度。
OpenAI Developer Community（2026年8月6日帖） ：Pro用户报告过去两周 usage limits 大幅下降。实测：消耗195.5M tokens（GPT-5.6 Sol High-xHigh）= 周度限额的28% → 推算周度限额≈ 700M tokens。对比同是 $100的Claude套餐 ≈1.5B tokens（同类型工作）。多人跟帖确认限额大幅下降，以前重置卡都用不完，现在需严格控制。2026年6月也有类似情况 ，Pro 20x 用户报告 周度限额大致从3B tokens 骤降至 0.5–0.7B tokens，单对话30M tokens 吃掉6%。Codex实际用户用量跟踪数据也显示花完1% Codex额度（图中示例为Pro 20x套餐）消耗的token并不是固定的，而是区间内波动。
另一个角度是用固定测试精选集跑benchmark的pass rate，Claude Code上Opus 5.5的表现基本稳定，pass rate过去30天在84%左右，但是消耗token趋势性下降（反映了内部降本的成效），input/output token过去30天也下降了约20%。
比起收入侧的变化，成本/毛利端的变化更能反映商业化进展（调整定价似乎更难以被广泛接纳）。过去几年，供应限制下OpenAI/Anthropic通过工程优化、算法迭代等不断降低单位token的推理成本，使得订阅套餐的毛利率提升。根据The information报道，OpenAI 24年1月付费用户毛利率35%，24年底提升至52%，25年10月付费客户板块的计算毛利率一度被优化至 ~70%，整体~40%的毛利率主要受免费chat用户拖累。Anthropic 25年毛利率约为40%，26年上半年推理侧毛利率（仅考虑计算相关的COGS后，未考虑向渠道支付的佣金分成）~70%。
考虑一点，OpenAI的Vera Rubin首批交货在8月20日，而且主要用于模型训练，即便考虑替换的算力集群用于填补推理需求，其实质的供应增量也在8月。然而7-9月 4x+的活跃用户增长期间算力供应增长幅度远远无法匹配需求。2026年7–9 月，FY27Q1提到，2Q26 Fairwater Wisconsin（Mount Pleasant）交付数百上千 GB200 等 GPU 连成单一集群（估算 IT power ~300–369 MW，约 15 万+ GPU 量级/建筑），7–9 月主要是；Oracle 等FY27Q1（截止2026/8/31）交付618 MW（13.1万块GPU，主要是B200/B300），英伟达在 2026年8月26日电话会上确认，Vera Rubin 平台于 8 月上旬才开始小批量出货。因此7-9月的用户/用量激增主要是软件算法调优带来的：Tibo在7月13日详细解释了OpenAI优化成本方面的举措，例如推理优化节省~10%算力直接返还给订阅用户；②GPT-5.6 Sol 部署后用于自我改进 → production GPU kernel 改进降低 推理成本约20%；投机推理提升 token效率>15% ；③9月针对重度用户cache hit rate、compaction、prefix cache、KV cache 管理进行优化，这部分用户的效率可能提升3-4x。GitHub Issue #44884 中的实测数据披露96.6%的input tokens来自cache，说明用户配额消耗高度依赖cache命中效率，而非新增GPU算力，预计缓存命中等措施为供应提供弹性。
OpenAI的案例反馈ARR增长放缓并非需求停滞，而是物理供应+商业模式制约导致的，OpenAI的订阅收入相关占比仍然略少于50%，26年初也有60%，这意味着收入增长更平滑，主要依靠订阅用户增长驱动（Plus/Pro等套餐目录价格并未调整），而Anthropic的收入中80%以上为企业/API等，订阅占比少于20%，因此token/API用量驱动整体收入波动率更高。
如果只考虑API/企业订阅方面，OpenAI年初至8月底的ARR增量约在160亿美元，而Anthropic则在460亿美元。OpenAI订阅方面的ARR增量仅40-50亿美元，Anthropic订阅ARR增量则为100亿美元。如果结合The Information、Bloomberg等披露的客户结构，Meta可能贡献Anthropic ARR约50亿美元，中国区客户~2%的API占比（对应20+亿美元ARR，假设token消耗与其他客户平均水平一致），结合Anthropic Marketplace 20%分成（对应40-50亿美元），剔除这些因素后，Anthropic/OpenAI 26年增量ARR份额大致对应2：1。
我们注意到OpenAI/Anthropic的模型虽然旗舰模型定价基本接近，但是实际完成任务/benchmark消耗方面存在较大差异，例如vals.ai评测的将金融、编程、法律等 agent 任务，GPT每一代旗舰模型input/output token都明显少于Claude，我们选取发布时间接近/测评分数接近的“对标模型”，Claude系列模型基本每一代的token消耗都高出GPT，GPT-5.6 sol算是差距最小的，Fable 5仅多出~70%的token消耗。成本层面（考虑缓存命中等优化措施），Claude模型基本高于对标GPT系列模型的1x以上，唯一例外是Astra vs Opus 5实际成本基本接近（但是在Artificial Intelligence Index中两个模型的性能存在较大差距），更全面地引入AA index也支持这一结论（尽管ARR增量份额是2：1，但这并非说明用户task执行份额是2：1，而是相似任务Anthropic系列模型的token消耗远大于OpenAI的2x，导致实际成本一般也是OpenAI对标模型的2x左右），反过来讲，OpenAI的用户增量/实际用户的需求可能略多于Anthropic，但由于token效率较高，实际产生的收入较低。
为什么Anthropic系列模型的token消耗/成本总是高于同级别的GPT模型？首先是，Claude 4.7系列模型调整了tokenizer，导致相同任务下的token膨胀。不同分词器下Fable 5.1处理相同文件消耗的token可能达到GPT-5.x o200k分词器的~2x 。
以o200k分词器处理以下内容的token消耗为基准，Claude新分词器相比于旧分词器进一步提升的token膨胀效应，基本多消耗40-50% token。AI营销公司Ploy将部分生产系统中的Claude 4.8 Opus迁移至GPT-5.6 sol ，在相同配置环境下的工作负载token消耗从260万下降至170万（-35%），考虑两个模型的单价差异，实际成本节约>40%。
其次是，Claude系列模型的思考链路越来越长，即使剔除tokenizer的影响，Claude 4.7系列后采用相同的tokenizer，但Fable 5→Opus 5→Sonnet 5→Fable 5.1大体上思维链路和token消耗越来越长了，Fable 5.1的输出token甚至是Fable 5的2.3x（多出了130%的token）。下图是在 MacBook 绘图测试中，每个模型都被要求使用相同的 SVG 文件作为Max effort对应的输出token。
再次是Tool Call/Function Calling带来的消耗差距。AI搜索引擎You.com 26年5月底 分享了对Claude/GPT模型用于搜索的工程博客，提到Claude 在搜索查询中消耗的 token 数量是 GPT 的 4-5 倍（“我们提出了相同类型的问题，得到的答案质量也相差无几，但 token 使用量却相差甚远。”）。总体而言，成本差距缩小至约 3.3 倍，因为输出代币和固定的每次搜索费用削弱了输入代币之间的差异。但在搜索轮数较多的复杂查询中，累积的上下文信息会将成本比率推高至 5 倍以上。
需要注意这里对比的是Claude 4.6 vs GPT-5.4模型（不受tokenizer的影响），成本差距主要来自工具调用的效率，Claude 的架构在多轮迭代中将更多检索内容引入上下文。Anthropic 的搜索工具将搜索结果作为内容块返回到 API 响应中，这些内容块位于对话的消息数组中。当 Claude 决定需要再次搜索以回答同一查询时，下一次迭代会携带之前所有迭代积累的完整上下文，包括所有之前的搜索结果。GPT 的架构则将更多搜索处理工作保留在工具边界之后，GPT模型消耗较少token，但模型看到的是服务器端获取信息的精简版本。当然Anthropic后续 注意并且修复了搜索场景对于HTML内容的动态过滤。
Agent Labs 对Claude Code和Codex等Agent框架的实证研究表明，虽然 Anthropic 和 OpenAI 都推出缓存命中，但在实际自主运行的 Agent 循环中，实际上这些举措并不一定能带来成本节约，反而可能引入额外的成本。团队横向评测了 6 款主流生产级 Agent 客户端/框架（包括 Claude Code CLI 2.1、Codex CLI 0.130），覆盖了 Anthropic 和 OpenAI 两条主流缓存链路。测试设计非常贴近真实工作流：连续进行 4 轮交互（每次附带约 5,186 字节对齐的 Token 负载），随后强制引入 390 秒（6.5 分钟）的空闲停顿（模拟人类写代码、思考或跑测试的真实间隙），再发起第 5 轮调用。390 秒恰好严格超过了 Anthropic 默认的 5 分钟（300 秒）TTL 缓存生存周期，但远低于其 1 小时（3600 秒）TTL，用以无死角检测各框架应对人类停顿的缓存保留能力。
评测发现，Anthropic 官方出品的 Claude Code CLI 在每轮交互中，会自动静默注入多达 6,817 个 Token 的系统级自生成脚手架（用于环境检测、工具声明与权限校验）。这导致即使在无网络分支的稳态下，开发者为脚手架支付的额外高溢价 Token 是实际工作载荷的 2.3 倍。
总而言之，2Q ARR增长有所放缓更多是供应瓶颈+效率优化（纠正此前token膨胀的技术债），以及年初大量企业FOMO下采购AI，2Q后进入阶段性冷静期等因素共同导致的结果。
8月19日，OpenAI Codex & ChatGPT 核心产品负责人Tibo(Thibault Sottiaux) 直接回复 Anthropic 延长 Claude Code 限额但警告“capacity may be tight”的帖子：“Do not worry, we have compute”。 8月下旬，Matthew Berman 访谈时Tibo强调 OpenAI 提前数年规划算力，两年前大规模投入曾被质疑，现在庆幸有储备。效率大幅提升（Luna 价格降80%，整体速度比3个月前快约60%），支持频繁 usage reset（“Tibo reset”成为社区梗）。模型已用于优化推理栈、CUDA 内核等（早期递归自我改进），大部分产能优先外部用户/企业。内部员工若无限制可“吞掉”所有生产 GPU。
2026年9月GPT-6 Astra 发布后需求史无前例爆发，快速转紧。Tibo 公开：Astra 需求“truly unprecedented”，“I have never seen anything like this before”。公司可能暂停新 Pro 订阅（$200 档等）以保护现有用户质量，同时全力加产能。现有订阅正常续费。社区大量抱怨 capacity，Tibo 频繁 reset 但无法完全缓解。
Anthropic 2026年11 个月内签 $517B 协议（至少 14.8 GW 多年期），包括 Google/Broadcom（多 GW TPU，2027 起）、SpaceX Colossus（全 Colossus 1 + 部分 2，>220k-300k+ GPU / 300+ MW）、Lambda（$35B，~350 MW Texas）、Nscale（$45B，460 MW WV，Vera Rubin，late 2027）、Fluidstack、Amazon Trainium（up to 5 GW）、AMD、Volta、RUM 等。CFO：most significant commitment to keep pace with unprecedented growth。
行业长期订单改善，AI收入/Capex覆盖率快速提升
AI Run-Rate/Capex或者累计折旧，比例都在稳步提升，尤其是当AI收入以倍数同比增长的情况下，毫无疑问AI CapEx的ROI正在兑现，投资者所谓对于ROI的担忧本质是AI收入增长放缓→线性外推Terminal Value恶化→DCF估值收缩，这一过程伴随通胀对实际利率的挑战，高利率环境+上游供应链紧张，进一步放大了AI产业链的波动。
RPO（待履约金额）是"未来收入可见度"的最佳代理。我们看到4Q25以来微软、Google、AWS陆续收到OpenAI/Anthropic的大额长期合同，年化金额~100亿美元，即使剔除这些AI Labs的大额合同，RPO也持续加速增长，结合The information/Bloomberg等媒体披露的大合同订单平均期限都在5-10年，目前AWS长期合同贡献当期收入占比~46%，处于最近3年的峰值。
进入2H26，投资者的关注从“算力军备竞赛想象力”全面转向“订单可见度、自研芯片单位成本优势与现金流自洽度”。在大型科技巨头方面，各标的因基建路径与商业模式差异呈现清晰的分化特征。整体而言，板块后续的分化主线主要围绕长期订单锁定度、自研硬件单位经济学以及资本支出与现金流的自洽度展开。
宏观经济与企业 IT 支出波动风险：全球宏观经济增长放缓与高利率环境可能抑制企业整体数字化支出意愿，导致企业级大单的审批决策链条明显拉长。同时，白领雇员招聘的持续平稳可能制约传统 SaaS 厂商席位净增的弹性，并对电商零售及数字化广告需求带来周期性压制。
行业监管与反垄断司法审查风险：反垄断司法审查及合规红线正在深刻重塑产业分发格局，例如针对默认搜索排他协议的强制性裁决落地，可能重构核心分发入口的商业合作条款与利益分成机制。此外，针对数据安全隐私、跨境数据流动以及前沿模型技术标准的监管趋严，也可能带来业务合规成本上升与估值承压的风险。
物理电网负荷与先进硬件交付延宕风险：超大规模数据中心扩建高度受制于区域电力基础设施与并网审批进度，能源供应紧张与变压器等长周期设备的交付摩擦可能导致算力集群上电投产晚于预期。同时，新一代计算平台（如 Vera Rubin 系列及自研 ASIC）的大规模量产、先进封装产能与机柜散热调优若发生延期，将直接制约下游有效算力供给的释放。
客户结构集中度偏高与商业模式换轨执行风险：前沿实验室企业端营收展现出极高的头部集中特征（Top 1% 客户贡献绝大部分支出），单一大客户的采购调整或自研替代易引发高频收入指标剧烈波动。与此同时，传统软件厂商加速由“纯席位制”向“用量/智能体成果抽成”混合模式转型，若新定价策略面临客户接受度阻力或反噬存量基础席位，将给收入兑现带来执行层面的不确定性。
于伯韬：海外研究首席分析师，FRM，香港大学金融学硕士，2020年加入中信建投海外研究团队，2018-2020年就职于长江证券研究所海外团队，2025/2024/2021/2020年新财富港股及海外方向第五名，2022年新浪金麒麟港股及海外市场最佳分析师第三名，2020年新浪金麒麟港股及海外市场新锐分析师第一名。
许悦：海外研究员，南洋理工大学硕士，专注于港股互联网及美股软件研究，2022年加入中信建投海外前瞻组，2023年新浪金麒麟港股及海外市场菁英分析师第二名，2023-24第十七届、十八届水晶球最佳分析师海外行业入围，2024-25年度证券时报·新财富杂志海外市场研究团队第五名。
证券研究报告名称：《2Q26美股科技财报总结及2H26前瞻》
对外发布时间：2026年9月29日
报告发布机构：中信建投证券股份有限公司
本报告分析师：
于伯韬 SAC 编号:S1440520110001
SFC 编号:BRR519
许悦 SAC 编号:S1440523030001