AI投资的下半场：硬件红利见顶，应用层企业如何变现？

万物皆周期

坚持独立判断

切勿随波逐流

审慎

· · ·

从投资视角出发，我们有一个判断：AI 已经从加速赛道，回落到常规行驶节奏了。

这话换种说法就是：那些卖铲子的企业（搞芯片的、做设备的、盖数据中心的），它们未来能赚多少利润，市场已经摸得一清二楚、估值也给得很足。硬件这条赛道，故事讲完了，预期也消化得差不多了。

那接下来真正值得追问的命题是：

那些使用 AI 的公司，既不造芯片、也不搞云平台，究竟怎样把投入 AI agent 的成本转化为收益？

这才是下半场最尖锐的议题。上半场拼的是"谁握有算力"，下半场拼的是"谁真能让 AI 转化为利润"。

要拆解"用 AI 如何变现"，得先厘清一个本质：AI 和当年的互联网，逻辑完全不同。

互联网是连接工具。它连接的是人与人的关系、人与信息、人与商品、人与服务。每一种连接模式，都孵化出一家巨头：连接人的是腾讯、Meta；连接信息的是字节、Google；连接商品的是阿里、Amazon；连接服务的是美团、滴滴、Uber。

但 AI 不一样。AI 是生产工具。它不连接任何人，它是在我们生产活动的全流程里，显著地降本增效。

逐项拆解就很明白：

在生产端，它接入物联网，实时监控产线和设备的运行状态，轴承快到极限了、皮带需要更换了，它主动预警，并授权智能体自行完成润滑油加注、冷却液补充，再完成后调度产线重启。

在供应端，它追踪仓库里每个零部件的库存，缺货时主动预警，甚至直接对接物流系统，告知供应商的 Agent："周三前将 50 万件原料 A 送至 B 车间。"

在营销端，它自动产出素材、推送至抖音小红书、监测点赞评论数据，客户一进入就打上 100 个标签，判定你是薅羊毛还是高净值客户，再把用户画像转交销售跟进。

所以一个核心判断是：AI 在 C 端难有作为，在 B 端才有广阔空间。因为 C 端诉求是连接和交互，那恰恰是互联网的地盘；B 端诉求是把活儿干漂亮、把成本压下去，这才是 AI 的核心优势。

很多人看不透 AI 应用，是因为他们套用的是消费互联网的思维框架。

消费互联网的要害是连接和交互，且一端始终是"人"。人是动态的，不需要你控制，体验好就能黏住。一个 APP 只要"人多、信息多、商品多、服务多"这"四多"占一项，UI 再精致些，人自然会聚集，用户越多网络效应越强。

产业互联网完全是另一套逻辑。它的核心不是连接，而是数据和任务。它最终的落脚点，是完成一个又一个具体任务：按订单生产一批货、向供应商采购原料、清掉积压库存、按领导要求出一份可行性报告。

要让 AI 把组织改造成"自动完成任务"的机器，你得先把这个企业在数字空间里完整复刻一份，这叫数字孪生（简而言之，就是把现实里那家工厂、那套流程，在虚拟世界建一个镜像）。

但这事不可能一步到位。文件文档最早完成数字化，接着是微信钉钉把沟通迁移上线，再是 ERP、CRM 把进销存和财务搬上线，然后是 OA 把组织架构和审批流程搬上线。企业的数字化，是一点一点、逐步推进的，有的部门多有的部门少，大企业走得快，美国企业走得快。

接下来 AI 登场，我们要在"数字化"之后，进一步实现"数智化"。

数字化只是把要素映射成数据，那些数据过去是静态的，默默沉睡在软件里等人查阅。数智化不一样，是在 AI 赋能下，让智能体真正理解这些数据、理解它们之间的业务关联，然后自主完成任务。

所以企业级 AI 应用有三个核心前提：第一，企业先完成数字化；第二，AI 能理解这些数据在"这家企业语境下"究竟代表什么；第三，AI 能基于这些数据做推理、做判断。

前面三个前提里，最棘手的不是第一件（那是 SAP、Oracle 的领地），而是第二、第三件：让 AI 真正吃透一家企业的业务逻辑，并且能执行操作。

这一层，有个现成的样板：Palantir。

传统数据库存的是"行和列"。比如 `ID_9982, Status_0, Loc_NY`。这对机器友好，但对人、对 AI 都不友好。ChatGPT 看到这串字符，完全不知道它意味着"卡车 9982 油箱空了、停在纽约"。

Palantir 做的事，是在中间架设一层语义翻译层，它把数据库中那行密码，映射成"卡车 9982"，把 `Status_0` 翻译成"油箱为空"，把 `Loc_NY` 翻译成"当前位于纽约"。这样，业务人员也好，AI 智能体也好，都能直接用自然语言理解和处理它。

用管理层自己的话说，这层叫本体（Ontology），本质上是一个决策系统：它把一家机构里所有分散各处的实体（卡车、订单、病人、机器）以及它们之间的联系，用一套规范的"业务语言"映射到软件里。

它里面封装了两样东西：

一是"名词"：对象（员工、飞机、采购订单）、属性（员工姓名、油井经纬度）、链接（员工向经理汇报、发票包含明细项）。

二是"动词"：动作（批准采购订单、派遣技师）、函数（计算资产利用率）、安全（谁能在什么条件下查看什么、修改什么）。

最关键的差异在这儿：大多数经营分析工具只能"读取"数据，而本体的动作可以"回写"到底层系统去执行。

举个例子。一家医疗制造商，底层数百个数据源：ERP、供应链、物流、产线传感器。没有本体之前，数据孤岛丛生，生产工程师看工单表、仓库员看库存表、供应链看物流表，三张表互相对不上。有了本体之后，这些都被统一映射成"生产工厂""工单""客户""入库包裹"这样的业务对象。

于是当飓风来袭，你可以直接对系统说："重新规划所有途经厦门的货车路线。"系统里的 AI 理解了"飓风"和"货车"在真实业务中的关联，自动计算新路线，并直接下发指令给 SAP 修改运单，这就是"动作回写"。传统软件此时只会弹出一张天气图，然后说"其余的你自行处理"。

Palantir 不取代你现有的 SAP、Salesforce、Oracle，它凌驾于这些系统之上，类似中央控制器般把它们串联起来，构建一个映射现实的统一数字孪生。

把上面这一串梳理清楚，投资的脉络就浮现了。

第一，规避那些"工具型 SaaS"。就是那种躺在那里、等被打开使用的软件。到了 AI 时代，这类东西会从"工具"演变为"一个个能替代你干活的 Agent"，但前提是底层那些苦活累活（数据治理、数据映射、灌入行业 know-how、工作流和汇报关系）得有人做。通俗讲，就是得有人把"本体"搭建起来。

第二，不一定要找 Palantir 那么大体量的。只要在某个细分领域，能让大模型理解具体业务、让 Agent 真正运转起来干活的，就具备价值。

第三，也是最违反直觉的一点：很多 AI 应用创业者出身于互联网大厂，还保留着消费互联网的思维，习惯"AI+"：先有产品，再叠加 AI 元素。但 AI 应用本质是产业互联网，AI 是生产工具，必须依托具体产业场景才能发挥效用。正确路径是"+AI"，去发现那些"县令式"场景（不是只会吟诗的翰林，而是真能断案、真能派活的县令），用 AI 去赋能和重塑千行百业。

所以短期内的机会，往往不在那些亮眼的创业公司身上，而在那些早已扎根产业"田间地头"、深耕多年的公司身上。它们手握数据、拥有场景、积累客户关系，只差一层"本体"把 AI 接入。

硬件的盛宴，已经反映在股价里了。卖铲子的，未来能赚多少，市场想得比你透彻。

下半场真正悬而未决的，是那些使用 AI 的企业：你是在真切变现，还是在描绘蓝图？

答案不在 C 端的又一个对话框里，而在 B 端那些脏活累活中：把企业的数据转化为 AI 能懂、能操作的数字孪生，让 Agent 真正能把订单下了、把货车调度了、把工单派了。

谁能扎进产业深处，把"本体"这层做扎实，谁才当得起"AI 应用"这四个字。其余的，还停留在故事阶段。

坚持独立判断，切勿随波逐流。与各位互勉。