近期，AI應用板塊在資本市場的表現備受關注。此前，受“大模型吞噬軟件”觀點的影響，AI應用板塊的估值相較于算力和模型端出現了明顯的折價。然而，有分析指出，這種定價邏輯存在誤判，AI時代的定價核心圍繞Token展開，形成了算力層、模型層和應用層三層加價結構，其中應用層的場景Token價值尚未被市場充分挖掘。

在AI產業(yè)鏈中，Token是流通的基本價值單元。算力層作為Token的物理生產環(huán)節(jié)，其定價主要取決于每Token的推理與訓練成本。這一層的特點是固定成本高，但邊際成本隨規(guī)模擴大而遞減，長期競爭將聚焦于成本優(yōu)勢。模型層則賦予Token智能密度，不同模型能力下，同等數量Token承載的信息質量差異顯著，模型廠商通過智能密度溢價獲取收益。不過，隨著高質量開源模型的不斷涌現，這一層的溢價空間正面臨結構性壓縮。

應用層是Token場景轉化率的關鍵環(huán)節(jié)，其核心價值在于將行業(yè)私有數據和專業(yè)Know-how注入Token使用過程，提升單位Token投入的業(yè)務價值。具體而言，應用層通過RAG與微調、Prompt工程與Agent編排、行業(yè)知識圖譜以及效果承諾等機制，減少無效Token消耗，提高任務完成的轉化率，并確保模型輸出符合行業(yè)規(guī)則和實際可操作性。終端用戶購買的是業(yè)務結果，而非Token本身，因此應用層能夠賺取Token投入與業(yè)務產出之間的效率差價。

數據飛輪效應進一步強化了應用層的價值壁壘。終端用戶的持續(xù)使用沉淀出豐富的行業(yè)語料和反饋信號，反哺模型在垂直場景的微調與迭代，提升單位Token的場景轉化率。這使得應用層獲得更強的效果承諾能力和更高的定價權，吸引更多客戶使用，形成良性循環(huán)。隨著AI基礎能力的整體提升，擁有數據資產的應用廠商相對優(yōu)勢將持續(xù)擴大。

在評估AI應用公司時，需要構建雙軸評估框架，即護城河和成長性。護城河評估包括客戶粘性、數據時間資產、私有化部署性質、平臺化程度和場景暴露度五個維度。例如，客戶粘性可通過KA老客客單價年增速和合同負債增速來評估；數據時間資產是權重最高的維度，需評估競爭對手追趕所需時間；私有化部署性質需結合毛利率和實施人員數量細分；平臺化程度決定公司能否脫離項目制線性增長；場景暴露度則評估核心場景的替代風險。成長性評估包括縱向滲透空間、橫向擴張可行性和AI共振系數三個維度。縱向滲透空間衡量在已有客戶群體里的收入天花板；橫向擴張可行性評估底層能力遷移性；AI共振系數衡量基礎模型能力提升時公司能解鎖的新場景數量。

目前，已有AI數據服務商創(chuàng)新性提出Token化收費模式，并獲得資本市場認可。仍有眾多優(yōu)質AI應用公司估值處于低位，具備挖掘價值。業(yè)績成長性高、估值低位且已有按Token消耗量或按結果付費收入的優(yōu)質AI應用標的，有望獲得市場關注。不過，AI產業(yè)也面臨宏觀經濟波動、技術進步不及預期和中美競爭加劇等風險，可能對產業(yè)資本投入、技術落地節(jié)奏和行業(yè)增長產生不利影響。