大模型提供商下游客户构成、采购用途与商业价值分析

本报告以公开证据为边界，拆解企业客户、采购产品、工作流价值与收入质量。所有合作关系、部署规模和预测性数据均与客户级收入事实分开呈现。

研究时点：2026 年 8 月 17 日｜资料范围：本地券商/行业研究与公开官方资料

阅读口径。 本报告所称“客户”仅在能够确认采购或部署时使用；咨询公司、云平台和商务协议参与者分别标注为实施伙伴、渠道或生态伙伴。文中的采用率来自企业调查，产品收入来自券商模型，客户结果来自客户或厂商案例，三者均不等同于厂商实际客户收入占比。主要数字在正文中标注来源与页码，无法由公开证据回答的问题直接标为“未披露”。

结论

企业大模型市场已经从员工试用转向生产工作流。模型厂商之间的差异不只体现在模型性能，更体现在客户类型、分发渠道和所进入的业务流程：谁能够进入高频、可重复、与企业数据绑定的任务，谁就更有机会获得持续 Token、续约和扩展收入。

• Anthropic 的企业化程度最高，公开客户证据集中在 SI 和受监管流程。 Deloitte、Cognizant、Accenture 和 Infosys 同时承担内部使用者和下游实施渠道的角色。Claude 的优势集中在代码、复杂知识工作、合规和多步骤 Agent；其客户关系更深，但终端客户和收入集中度不透明。
• OpenAI 的客户覆盖最广，但客户关系最分层。 消费者、企业席位、API/ISV、Microsoft/Azure、咨询联盟和交易生态共同构成分发网络。OpenAI 更容易获得广泛试用和应用嵌入，但模型收入需要与云、软件和交易伙伴共享，且公开资料难以识别最终付费主体。
• Gemini 的竞争力来自 Google 既有客户体系。 Workspace、Cloud、Search、广告和商户网络使 Gemini 能够直接进入企业办公、数据、客服和交易流程。其优势是获客和数据连接成本较低，弱点是模型收入与 Google Cloud、Workspace 和广告业务交叉，独立商业贡献不易识别。
• GLM/智谱服务的是另一类客户约束。 中国互联网平台、政企和主权 AI、私有化部署及价格敏感客户更看重数据主权、本地交付、开源权重和 Token 成本。使用量增长不一定转化为等比例收入，因为部分客户和 TaaS 伙伴可以自托管模型。
• 当前最成熟的采购用途是软件研发和企业知识工作。 UBS 样本中 GitHub Copilot、Claude Code 和 Codex 的企业使用率分别为 67%、39% 和 31%；企业员工助手启用率为 Copilot 83%、Claude 50%、ChatGPT Business 39%、Gemini 32%。这些数据说明采购已形成，但不等于各厂商的 Token 或收入用途占比。
• 代码工具拥有最强的公开 ROI 证据，Agent 尚未普遍越过商业门槛。 企业报告代码工具平均提高开发者生产率约 20%，44% 表示已放缓开发招聘；相比之下，Agent 规模化生产仅为 8%，客服、合规和交易场景仍受集成、治理、人工接管和履约成本制约。
• 绝大多数公开客户案例只能证明“已经部署”，不能证明“已经赚钱”。 大规模席位、培训人数和合作关系不能直接转换为客户利润或模型商收入。当前资料最缺乏的是客户级 ARR、合同期限、实际活跃席位、任务量、续约扩展、前十大客户集中度和项目回收期。
• 从客户经济性看，企业正在买“工作流结果”，而非单纯买模型。 模型费只是总成本的一部分；数据接入、云、SI/FDE、评测、权限、人工复核和异常处理决定最终 ROI。代码场景已经出现招聘与产能信号，知识助手主要证明覆盖，客服与 Agent 多数仍停留在运营指标验证阶段。
• 从厂商收入质量看，最值得跟踪的是生产用量、净扩张和交付成本。 直销席位可预测性较强但会受折扣与低活跃率侵蚀；API/代码工具增长快但面临模型路由和价格下降；SI 与主权项目能进入高价值流程，却需要渠道分成、FDE 或现场工程。现阶段不能仅凭 ARR 增长判断利润质量。

一、谁在购买大模型

大模型的下游并不只是直接签约企业。系统集成商、云平台、软件公司和消费者分别掌握实施能力、采购入口、应用流量和使用反馈，共同决定模型如何进入生产环境。

二、企业将大模型用于哪些业务

企业采购已经集中到六类业务：软件研发、知识工作、IT 与客服、受监管流程、内容生产和交易。代码和办公助手的采用最成熟，客服与 Agent 正在生产化，交易场景仍处于商业模式验证阶段。

整体需求强度已经形成排序：软件研发和企业知识工作最成熟，IT/客服正在从自建走向混合采购，受监管流程客单价高但落地慢，交易 Agent 的收入潜力最大但商业化最早期。表中的百分比是企业采用或启用比例，不是模型厂商收入或 Token 用途占比。

用途分布：公开数据能够回答到什么程度

目前没有 Anthropic 或 OpenAI 公布的“40% 写代码、30% 做研究”式全客户 Token 或收入用途分布。最接近的可比证据是 UBS 对 139 名 IT 决策者的多选调查：员工助手中 M365 Copilot、Claude、ChatGPT Business、Gemini 的启用率分别为 83%、50%、39%、32%；代码工具中 GitHub Copilot、Claude Code、Codex 分别为 67%、39%、31%。这说明同一家企业会同时购买多个产品，也说明“企业使用率”不能相加为 100%，更不能直接作为模型商收入结构。[来源：UBS，2026-05-11，第 17-20 页]

从产品收入的另一个角度，HSBC 对 2026E 的模型显示：Anthropic 企业收入中基础模型、代码工具、企业助手约占 45.1%、16.5%、38.4%；OpenAI 对应约为 46.3%、16.8%、36.9%。这是分析师根据产品和市场假设建立的收入模型，而不是公司披露的真实用途流水。它至少提供了一个方向性判断：两家公司约一半企业收入仍来自基础模型/API，代码与员工助手合计约占另一半；终端行业和具体任务分布仍不可见。[来源：HSBC，2026-06-09，第 16-18 页；HSBC 估算]

客户购买后的价值实现路径

企业产生回报通常经过四步：先把模型接入数据与权限，再把单次生成变为可重复工作流，随后减少人工处理或提升收入，最后才在预算、招聘、毛利或现金流中体现。UBS 样本中 48% 已在至少一个职能上线，但只有 19% 实现跨部门规模化生产；Agent 的有限生产和规模化生产分别为 37% 和 8%。因此，“部署”与“赚到钱”之间仍有很长的运营转化链。[来源：UBS，2026-05-11，第 9-11 页]

阻碍也不主要来自模型能力。企业最常提到的问题是 ROI 不清晰 53%、合规监管 48%、集成复杂度 45%、内部人才不足 42%、数据质量 42% 和数据泄漏 37%；仅 10% 认为模型输出本身令人失望。这解释了为什么 SI、云平台、FDE 和治理工具会分走相当一部分价值，也解释了为何模型性能领先不一定直接转化为企业收入领先。[来源：UBS，2026-05-11，第 11 页，Figure 12]

三、Anthropic：由 SI 放大的高价值企业客户池

收入结构与客户信号

Anthropic 的收入增长由企业需求推动，但公司未公开按季度、行业和客户类型拆分的审计数据。现有估算和部署案例可以判断商业重心，不能还原真实客户账簿。

现有信号共同指向企业市场和 SI 分发的重要性，但 ARR 估算、年度预测和公开案例属于不同口径，不能合并计算行业收入占比。

客户结构速览

Anthropic 的企业获客并非主要依赖大规模直销。Bernstein 将其模式概括为“企业优先、安全导向、伙伴驱动”：Claude Partner Network 获得约 1 亿美元投入，用于伙伴培训认证、联合销售和将 FDE 嵌入生产项目。AWS、Azure 和 Google Cloud 使客户能够复用既有云承诺和安全体系；SI 则掌握业务流程、终端预算和实施团队。该组合降低 Anthropic 的直接获客成本，但使终端客户、渠道折扣和收入归属更难观察。

[来源：Bernstein，*When Anthropic and OpenAI Meet IT Services*，2026-04-29，第 5-8 页]

代表客户画像：商业模式、使用方式与商业回报

Deloitte：把模型能力嵌入专业服务交付

Deloitte 靠审计、税务、咨询和风险服务收费。它采购 Claude 后，先用于内部知识检索、审计底稿、税务研究、合规和咨询工作流，再由 Claude Center of Excellence 将方法固化并带入客户项目。公开资料称其约覆盖 47 万名员工，并计划培养约 1.5 万名认证人员，是目前披露规模最大的 Claude 企业部署。

已披露事实是覆盖规模、认证计划和使用领域；尚未披露实际付费席位、活跃率、合同金额和项目利润。商业上，Deloitte 可以通过减少研究和文档人时提高交付能力，并将 Claude 与审计和行业方法打包为咨询服务；Anthropic 则可能获得席位、API 用量和下游企业入口。后一部分属于商业模式推导，不是 Deloitte 已披露财务结果。

Cognizant：内部降本与外部 Agent 转售

Cognizant 主要从 IT 外包、应用维护、系统现代化和托管服务获得收入。它把 Claude 部署到约 35 万名员工的知识工作和软件工程流程，并将 Claude 用于遗留系统改造和 Agent Foundry 的行业 Agent。其客户购买的不是单独席位，而是代码现代化、数据接入、Agent 设计、治理和持续运行。

公开资料未披露 Cognizant 因 Claude 节省的人力、增加的合同或毛利改善。可确认的商业路径是两层用量：内部员工使用形成席位和代码需求，客户项目形成 API 和 Agent 推理需求。只有 Agent Foundry 项目能够跨客户复用并转成托管服务，内部效率才可能进一步转化为利润。

Accenture：多模型编排与服务即软件

Accenture 通过管理咨询、技术实施和长期托管服务收费。约 3 万名专业人员接受 Claude/Claude Code 培训，同时参与 OpenAI Frontier。Bernstein 提到的行业方案包括金融 KYC、医疗事前授权、网络安全威胁检测与响应、电网运营和公共部门流程。Claude 更适合安全关键和长链推理，Frontier 则用于更广泛的企业 Agent 和横向流程。

Accenture 的核心商业模式不是转售单一模型，而是作为多模型编排者收取转型、集成和持续运营费用。对 Anthropic 而言，Accenture 能把 Claude 带入大型企业复杂流程；对 Accenture 而言，同时掌握 Anthropic 和 OpenAI 可提高方案议价权并降低单一供应商风险。公开资料没有披露这些项目的收入、毛利或复用率。

Infosys：以 Topaz 把一次性项目产品化

Infosys 以全球 IT 服务和外包交付为主，将 Claude 作为 Topaz 的核心 Agent 引擎之一，重点覆盖金融服务、制造、软件开发和受监管流程。原始材料列出的用途包括遗留代码现代化、自动化测试、理赔处理、合规审查和多步骤业务流程。Infosys 后续又引入 OpenAI，表明大型客户要求模型可选性，而不是接受单一供应商锁定。

Topaz 的商业目标是把定制项目中的领域逻辑、治理和 Agent 工作流沉淀为可重复服务，再通过平台费、托管费或 SLA 收费。该路径能否改善 Infosys 的收入结构，取决于跨客户复用率和结果定价比例；当前材料没有披露相关财务数据。

终端受监管企业：从流程效率转化为业务回报

金融机构把 Claude 接入研究、合规、KYC、客服和理赔，回报来自更快的处理周期、更少的人工复核和更高的客户响应能力；医疗和保险机构把它接入病历、授权、理赔和知识检索，回报来自缩短周转时间和减少后台人力；制造和电信企业把它接入遗留代码、现场服务和运维，回报来自降低外包成本和提高系统改造速度。SI 通常向这些终端企业收取集成费、治理费、托管费或按业务结果收费，Anthropic 则从底层 API、席位和持续 Token 用量中获益。

数字原生终端客户：直接用量比 SI 覆盖人数更接近真实需求

Anthropic 官方客户目录还列出 Notion、Slack、Figma、HubSpot、DoorDash、Spotify、Ramp、Miro、Cyera、Wondr Health 和 Notability 等直接产品或工程团队案例。这一组客户比 SI 更能说明 Claude 的终端需求结构：Notion、Slack、Figma 和 HubSpot 把 Claude API 嵌入 SaaS 功能；DoorDash、Spotify 和 Ramp 主要把 Claude Code 用于内部软件研发；Cyera 属于网络安全，Wondr Health 属于数字医疗，分别把模型用于高专业度数据和服务流程。[来源：Anthropic/Claude 官方客户目录，核验于 2026-08-17]

这些公司共同具有三项特征。第一，本身是软件、平台或数据密集型企业，模型能够进入高频任务，而非一年一次的咨询项目。第二，它们已经拥有用户、数据和收费关系，AI 功能可以通过提高留存、扩大订阅价值、降低研发成本或减少服务人力实现回报。第三，它们通常具备多模型路由能力，因此对 Anthropic 而言虽然 Token 用量更直接，价格和留存也更容易受到竞品影响。公开案例能够确认使用产品和工作流，但多数仍未披露年度模型支出、毛利改善或 AI 功能带来的增量 ARR。

Anthropic 的客户价值链

Anthropic 的客户价值链是：

Claude/API → SI 的数据与治理集成 → 行业 Agent → 终端客户工作流 → 托管服务或业务结果收费

HSBC 对 2026E Anthropic 企业 AI 收入的估算为 546.5 亿美元，其中基础模型 246.6 亿美元、代码工具 90.2 亿美元、企业助手 209.8 亿美元。该估算说明企业收入入口已经多元化，但不代表客户行业占比；公开资料仍不能证明金融、医疗或 SI 各自贡献多少收入。

[来源：HSBC，*B2B up, B2C down*，2026-06-09，第 16-18 页；分析师估算]

四、OpenAI：多入口、多层级的客户漏斗

收入结构与客户信号

OpenAI 的收入同时来自消费者和企业。HSBC 估算 2026 年 OpenAI 总收入约 360 亿美元，其中 B2B 约 180 亿、B2C 约 150 亿、约 30 亿未归类。该结构说明企业业务已与消费者业务接近同等量级，但数字属于券商估算。

[来源：HSBC，2026-06-09，第 3、7 页]

OpenAI 的客户结构由多种收入入口共同形成：API/基础模型是最大的企业入口，ChatGPT Enterprise 和 Codex 分别承接知识工作和代码需求，Microsoft/Azure 负责企业分发，消费者构成规模最大的使用漏斗。

客户结构速览

OpenAI 的企业模式同时依赖直销、FDE、云分发、API 自助采用和高端咨询联盟。与 Anthropic 相比，OpenAI 更容易先通过个人 ChatGPT、开发者 API 或 Microsoft 产品进入组织，再向企业工作区和 Agent 平台扩展；优势是入口多，代价是同一终端客户可能分别由 OpenAI、Microsoft、AWS、SI 或 ISV 计费，客户归属和毛利难以从公开资料还原。

代表客户画像：商业模式、使用方式与商业回报

Microsoft/Azure：把模型嵌入既有企业合同

Microsoft 靠办公软件订阅、云基础设施、开发者平台和业务软件收费。OpenAI 模型通过 Azure、M365、GitHub 和 Dynamics 进入客户既有合同，企业不必重新搭建身份、权限和安全采购流程。客户的回报来自办公、研发、CRM 和数据工作流的效率提升；OpenAI 的回报是快速获得企业分发，但收入确认、折扣和终端客户关系会受到 Microsoft/Azure 影响。

Capgemini：以 Frontier 承接企业转型

Capgemini 通过咨询、数据与云实施、业务转型和托管服务收费，是 OpenAI Frontier Alliance 的创始成员。其行业基础覆盖金融、制造、消费品、能源、公用事业和电信。Frontier 被放入 Capgemini 的“Generative Enterprise”框架，用于跨 CRM、ERP、HR 和服务流程编排 AI coworkers。

Capgemini 的收益来自流程重构、数据基础、Agent 集成和长期运营，而不是单纯转售模型。OpenAI 获得 Frontier/API 用量和大型企业入口。公开资料只证明战略合作和服务定位，没有披露生产客户数量、合同金额或项目回报。

Accenture、McKinsey 与 BCG：高端咨询和联合工程渠道

Accenture、McKinsey 和 BCG 通过战略咨询、技术实施、组织变革和托管服务收费。它们采购 Frontier、Agent Builder、API 和联合工程支持，把 Agent 接入企业流程，再向大型客户收取项目费和持续运营费。客户购买的是流程重构、数据治理和上线运营能力，不是单一模型席位。联盟成员属于实施和分发伙伴，不应直接列为 OpenAI 的前几大付费客户。

API/ISV 客户：把模型藏进产品内部

软件公司、互联网平台和数字原生企业靠 SaaS 订阅、广告、数字内容、平台抽佣或在线服务赚钱。它们采购 OpenAI API 和 Agent 能力，把模型嵌入搜索、客服、写作、产品功能和自动化流程。客户的回报是增加产品功能、提高转化或减少人工服务成本；OpenAI 获得持续 Token 用量，但也面临客户多模型路由、开源替代和云渠道议价。

交易生态伙伴：把消费者意图转化为 GMV

Stripe、Shopify、Etsy、Instacart、DoorDash 和 Walmart 依靠 GMV、支付费率、广告、零售毛利或配送收入赚钱。它们接入商品目录、支付和结算协议，是为了让 Agent 完成搜索、推荐、下单、支付和售后。客户的商业回报是获得新的交易入口或提高转化率；OpenAI 的潜在回报来自 API、广告、佣金或交易分成，但技术接入本身不等于已经形成同等规模的模型采购收入。

HSBC 对 2026E OpenAI 企业 AI 收入的估算为 181.8 亿美元，其中基础模型 84.2 亿美元、Codex 30.5 亿美元、ChatGPT Enterprise 67.1 亿美元。OpenAI 的企业客户结构比 Anthropic 更广，但公开资料没有披露行业、客户数量或前十大客户收入占比。

OpenAI 客户经济性的关键区别

OpenAI 的席位、API、代码与交易入口不能用同一套经济性判断。ChatGPT Enterprise/Business 的收入与签约席位和续约相关，优点是可预测，风险是批量折扣、低活跃率和员工同时使用 Copilot、Claude 或 Gemini；API/Codex 更接近实际任务量，客户成功时用量可快速扩张，但模型价格下降、多模型路由和缓存优化会压低单位收入；Frontier/FDE 能进入核心流程，却需要联合工程投入；交易生态若最终按广告、佣金或支付分成变现，潜在收入更大，但当前不能把协议接入当作既有收入。

HSBC 还估算 OpenAI 2026-30 年计算成本累计约 6,870 亿美元，并预计同期仍有约 2,210 亿美元自由现金流缺口；与 Microsoft 的收入分成持续至 2030 年但设上限。这些数字高度依赖未来算力和合作条款假设，却指出一个重要事实：OpenAI 企业收入高速增长不等于短期具备软件式利润率，推理成本、渠道分成与资本开支仍是收入质量的核心变量。[来源：HSBC，2026-06-09，第 7-8 页；分析师估算]

五、Gemini：Google 既有客户关系的 AI 化

客户结构速览

Google 的特殊之处在于，Gemini 客户往往不是从零开始的模型客户，而是 Workspace、Cloud、Search、广告或商户网络客户。J.P. Morgan 列举 Kroger 和 Lowe's 为 Gemini Enterprise for Customer Experience 的早期采用者；Google 还披露 Gemini Enterprise 付费席位达到 1,120 万。该数字是席位数，不是独立企业数，也不能推出零售客户占比。

代表客户与使用路径

Kroger。 Kroger 是美国大型食品杂货零售商，收入主要来自门店和线上零售毛利、会员体系和零售媒体。其采用 Gemini Enterprise for Customer Experience 的逻辑是把商品、门店、会员和客服数据连接到预构建 Agent，用于客户问答、商品发现、订单和服务流程。潜在回报包括降低客服处理成本、提高商品转化和会员留存；现有材料将其列为早期采用者，但没有披露部署规模、自动解决率或增量收入。

Lowe's。 Lowe's 依靠家居建材零售和专业客户销售获得收入。家装购买通常需要多轮咨询、商品匹配、库存和项目规划，适合由 Gemini 客服和商务 Agent 辅助。商业回报可能来自提高咨询转化、减少客服人时和改善线上到店体验；J.P. Morgan 仅确认其早期采用身份，没有提供财务结果。

Workspace 与 Cloud 客户。 对已有 Google Workspace 的企业，Gemini 可以直接进入邮件、文档、会议和内部搜索；对 Cloud/Vertex AI 客户，模型则进入数据分析、客服和应用开发。Google 的优势是复用身份、数据、云合同和销售团队，客户采购摩擦较低；但付费席位和云消费同时受捆绑、折扣和交叉销售影响，难以单独识别 Gemini 的收入质量。

商户与交易生态。 Walmart、Shopify、PayPal、Adyen、Expedia、Marriott 和 Booking.com 等公司依靠零售毛利、GMV 抽佣、支付费率、广告或旅游佣金赚钱。它们与 Google 的 Agent/商务协议扩大模型可执行的商品、支付和预订范围。这些公司多数是生态或协议伙伴，不能仅凭接入关系认定为 Gemini 的大额直接客户。

六、GLM/智谱：平台、主权项目与低成本 API

客户结构速览

Z.ai 的客户价值主张不是单纯追求最高基准分，而是“足够强的推理 + 更低 Token 成本 + 可私有化”。Bernstein 指出，部分海外 TaaS 伙伴支付收入分成，部分直接自托管开源权重，因此 GLM 的客户数和使用量可能增长，但不一定同步转化为智谱收入。

代表客户与使用路径

中国头部互联网平台。 Bernstein 称 Z.ai 服务中国多数头部互联网平台，但未逐一披露名单。此类客户拥有社交、电商、内容、支付和云业务，购买 GLM 的目的包括内部代码与知识工作、产品内 Agent、数据处理和替代不可用的海外模型。它们的优势是任务量大、数据丰富；对智谱的风险是客户议价能力强，也具备自研和多模型切换能力。

私有化企业客户。 Bernstein 引述一家大型互联网平台客户，将智谱的本地项目描述为介于“将企业数据导入并提供推理”与“现场工程师按需开发功能”之间。该模式类似模型、数据工程和定制软件的组合交付，收入具有项目制特征，履约需要较多人员，因此毛利低于标准 API。复购可能来自模型升级和新增功能，但尚无客户留存和合同金额披露。

主权 AI 客户。 马来西亚和中东项目更关注数据主权、本地算力、模型可控和国家级能力建设。智谱提供模型、私有化部署和现场工程，商业价值可能来自大额项目和区域示范效应；风险是交付周期长、定制程度高、收入确认波动大。

海外 TaaS 与开发者。 海外客户可通过 TaaS、OpenRouter 或自托管开源权重使用 GLM。部分伙伴向智谱支付收入分成，部分无需持续向智谱付费，因此下载、调用和开发者采用不能直接等同于公司收入。GLM 的低 Token 价格有利于批量代码和 Agent 任务，但也会压低单位收入并加剧价格竞争。

MiniMax 作为对照。 Bernstein 披露 MiniMax 2026 年 5 月约 4 亿美元 ARR 中消费者和企业业务大致各占一半，Canva 和 Twitter/X 是公开海外客户。其企业用途偏多模态、语音、内容和设计；多模态工作负载利润率可能高于代码，但视频生成的长期 TAM 和差异化空间受到质疑。该案例说明中国模型厂商的客户结构可以在消费者应用和企业 API 之间形成完全不同的组合。

七、四家厂商横向比较

八、商业价值与投资判断

代码助手是目前最容易证明 ROI 的入口。UBS 样本企业报告平均开发者生产率提升 20%，44% 表示 AI 编程工具已放缓开发招聘；但 Agent 规模化生产率仅 8%，说明从试验到稳定业务结果仍有明显落差。

商业回报的证据状态

衡量客户是否真正获得回报，应优先观察四类指标：效率指标（处理时间、产出、返工）、成本指标（人力、外包、单次交互）、收入指标（转化、GMV、佣金、增量合同）和风险指标（错误率、合规事件、人工接管）。只有运营指标改善并最终进入预算、招聘或收入决策，模型采购才完成从技术采用到商业回报的转换。

模型/席位只是总拥有成本的一层。云和数据、集成、治理、FDE/SI、培训、人工复核和异常处理都应纳入 ROI。对投资判断最关键的不是 TAM，而是生产客户数、活跃席位、每客户 Token、续约扩席、推理毛利、渠道分成和客户集中度。

客户 ROI：如何从运营指标判断是否真的赚钱

公开资料没有给出上述代表客户的完整投入产出表，因此不能宣称某家公司已经因 Claude、GPT、Gemini 或 GLM 增加了多少利润。但可以用统一公式判断项目是否具备经济性：

年度净收益 = 节省的人力与外包成本 + 新增毛利 + 避免的风险损失 - 模型/席位费 - 云与数据成本 - SI/FDE 与内部实施成本 - 治理、复核和异常处理成本

以代码助手为例，UBS 调查的平均生产率提升约 20% 是“时间产能”，不是直接利润。若团队没有减少招聘、外包或交付周期，节省时间可能只转化为更多产出；44% 的受访企业已经放缓开发招聘，才是效率开始进入现金成本决策的更强证据。[来源：UBS，2026-05-11，第 21-22 页]

客服 Agent 的门槛更严格。设人工处理一次请求的完全成本为 H，Agent 单次模型、云和软件成本为 A，自动解决率为 r，错误、升级和质检的平均成本为 E，则只有 r × H > A + E + 年度实施成本/请求量 时项目才产生正贡献。低请求量、低自动解决率或高人工复核都会使“上线”仍然亏损。交易 Agent 则应以增量毛利而非 GMV 计算回报，必须扣除获客、支付、履约、退货和佣金分成。

受监管流程的价值不一定表现为减少人数。KYC、理赔、医疗授权和合规审查更可能先改善周转时间、积压量、一致性和审计留痕；只有当这些指标带来更低损失率、更少外包、更多处理量或更少监管事件，才能形成财务回报。此类客户的部署周期长，却更可能形成数据、流程和治理上的切换成本。

模型厂商的单位经济：收入增长之后还要扣什么

现有资料只对少数变量给出方向性线索。Bernstein 判断 SI 在早期会因培训、平台建设和客户共同投资承受利润压力，只有将项目产品化、跨客户复用并转向按结果或托管收费，才可能获得运营杠杆。[来源：Bernstein，2026-04-29，第 4、14-19 页] Bernstein 对 Z.ai 的估算则显示，自有服务器 API 推理毛利约 50%-60%，通过 TaaS 分发更低；私有化项目因现场工程而低于标准 API。这不能横向套用到 Anthropic/OpenAI，但说明“收入形态”会显著改变模型商毛利。[来源：Bernstein，*China AI*，Z.ai 商业模式与盈利预测章节]

投资者真正需要等待披露的指标

对四家厂商，下一阶段最有信息增量的并非更多合作名单，而是：前十大客户收入占比；按席位、API、代码、Agent 和渠道拆分的 ARR；实际活跃席位；生产客户和试点客户的转换率；净收入留存；单客户 Token 增长；推理毛利；FDE/SI 成本；以及合同续约和价格变化。任何缺少这些指标的“客户数量”都可能同时包含免费、低活跃、渠道转售和小额 API 客户。

企业高管的采购选择

单模型适合低复杂度、快速部署和强套件绑定场景；多模型适合质量、成本、合规要求差异大的生产任务。自建并不等于训练基础模型，更多是企业自己掌握数据、编排、评测和治理，把底层模型作为可替换组件。UBS 的自建/采购数据说明混合模式已是主流，而不是过渡状态。[来源：UBS，2026-05-11，第 25-27 页]

主要风险

• 价格下降与价值迁移。 模型单位价格持续下行时，价值可能转移到数据、应用、工作流和分发层；Token 增长未必带来同幅收入增长。
• 多模型路由与开源替代。 数字原生客户和大型企业会按任务切换模型，削弱单一厂商的定价权；低风险批量任务尤其容易转向更便宜或自托管模型。
• 渠道和客户关系被中间层控制。 云平台、SI 和业务软件掌握合同、数据与预算，能够要求折扣或替换底层模型。
• 数据泄漏、知识产权与责任。 受监管企业需要明确训练数据使用、输出归属、审计、错误赔偿和跨境数据责任，这会延长销售周期并提高交付成本。
• Agent 执行风险。 Agent 一旦从建议转向下单、付款、修改系统或作出客户决定，错误成本和监管责任会非线性上升。
• 供应商连续性与资本强度。 算力承诺、融资需求和云伙伴关系会影响价格、容量和产品连续性，客户需要退出和模型替换方案。
• 地缘与监管分割。 GLM 等中国模型的全球可用市场受出口、政府采购和数据安全约束；美国模型也面临本地化与主权 AI 要求。

九、企业采购环境与商业化信号

这些发现不属于某一家厂商的客户名单，但能够解释客户采购环境、预算流向和模型商的收入质量。

1. 生产级客户明显偏向大型企业

UBS 对 139 名 IT 决策者的调查显示，样本中约 50% 来自员工超过 10,000 人的企业，平均员工数 8,135 人；GenAI 已至少在一个职能上线的企业占 48%，跨部门规模化生产占 19%。尚未规模化的企业中，59% 预计还需要至少 12 个月才能进入规模化生产。

这组调查不能代表全部企业市场。样本规模仅 139，且大型企业权重明显偏高，平均 IT 预算约 8 亿美元、预期年度 GenAI 支出约 370 万美元；它更适合观察大型企业的采购方向和相对变化，不适合推断全球企业数量占比、SMB 采用率或任何一家模型商的真实市场份额。调查问题允许多选，也会使各厂商采用率合计超过 100%。[来源：UBS，2026-05-11，第 8-13 页]

这解释了为什么 Anthropic 的 SI 伙伴和 Microsoft、Google、AWS 等既有企业渠道如此重要：真正的大合同需要数据治理、身份权限、云基础设施和变革管理，模型供应商很难只靠自助注册完成销售。

2. AI 预算不是完全新增预算

UBS 调查中，只有 26% 的企业表示 GenAI 支出完全来自新增预算；其余 74% 会混合挤占或替代其他 IT 支出。61% 的企业计划在 2026 年将 AI 支出提高至少 10%，但平均预期年度 GenAI 支出约 370 万美元，仅约为平均 IT 预算的 0.46%。

客户采购因此必须回答“替代了哪一项支出”：内部 IT 人力、外包、云基础设施、传统软件项目还是客服人力。对模型商而言，客户预算增加不等于市场自然扩张，很多收入来自其他软件和服务预算的重新分配。

3. 企业普遍采用多模型，而不是单一供应商

UBS 的模型使用率为 OpenAI 最新模型 54%、Claude 4.5/4.6 为 46%、Gemini 为 38%，且问题允许多选。企业员工助手启用率为 Copilot 83%、Claude 50%、ChatGPT Business 39%、Gemini 32%。

这组数据说明客户可能同时使用 Azure 上的 Claude API、M365 Copilot、ChatGPT/Codex 和开源模型。供应商竞争的核心不只是首次签约，而是哪个模型能获得更多生产任务、更高 Token 占比和更强工作流切换成本。

4. 自建与第三方采购长期共存

内部 IT 场景中，28% 完全自建、28% 完全采购第三方、41% 采用混合模式；外部客服中，21% 完全自建、30% 完全采购第三方、43% 混合。企业购买的往往不是裸模型，而是数据接入、评测、权限、监控、人工复核和运维。

这会把价值分散给模型商、云平台、业务软件、SI 和内部工程团队。OpenAI 和 Anthropic 如果提供 Agent Builder、治理和 FDE，实际上是在争夺“自建但不想从零开始”的客户；ServiceNow、Salesforce 等业务软件则争夺已经绑定业务数据的应用层预算。

5. 云平台是客户关系和利润分配的关键控制点

UBS 样本中，69% 的企业在 Azure 上运行 AI 工作负载，AWS 为 53%，Google Cloud 为 27%，只有 10% 使用本地部署。AI 工作负载推动云迁移的比例达到 63%。

这意味着模型商的终端客户可能被云平台“间接拥有”：云平台掌握采购合同、数据驻留、账单和企业折扣，模型商获得模型收入，但不一定获得完整客户关系。Anthropic 的多云策略降低了单一渠道依赖；OpenAI 则需要在 Microsoft、AWS 和其他云渠道之间平衡覆盖面与毛利。

6. 代码工具是目前最容易兑现 ROI 的切入口

UBS 样本企业报告 AI 编程工具平均生产率提升 20%，44% 表示 AI 编程工具已经放缓开发招聘，较上一轮的 29% 明显上升。GitHub Copilot 使用率 67%、Claude Code 39%、Codex 31%，说明代码工具已经从个人开发者试验进入主流企业采购。

相比通用聊天，代码工具的价值更容易通过发布频率、返工率、缺陷率、开发者招聘和外包支出衡量。这也是 Anthropic 和 OpenAI 都把 Claude Code、Codex 作为企业增长重点的原因。

7. Agent 的商业化仍处于“通过门槛”阶段

Agent 已有限规模生产的企业占 37%，但规模化生产只有 8%。BofA 对电商和交易 Agent 的分析还指出，广告、按执行结果付费和交易佣金是三种不同的商业化方式，后两者需要商品目录、支付、履约、退款和客户服务等基础设施同时成熟。

因此，Agent 客户的价值不能只看模型调用量。一个客服 Agent 只有在自动解决率足以覆盖集成、治理和人工接管成本后才会产生正 ROI；一个购物 Agent 只有在能完成交易并产生 GMV 或佣金后才会成为收入来源。

8. 中国模型的客户结构受区域和数据主权影响

Bernstein 对 Z.ai 和 MiniMax 的分析显示，中国模型在美国政府和大型企业的可访问性受地缘和数据安全限制，但在中国、部分其他地区、开发者和成本敏感任务中更具吸引力。Z.ai 的客户包括中国头部互联网平台、马来西亚和中东主权 AI 项目；MiniMax 2026 年 5 月 ARR 中消费者与企业业务约各占一半。

这说明 GLM、DeepSeek、Kimi、Qwen 等模型的客户竞争不是简单的全球市场份额竞争，而是“区域可用性 + 私有化能力 + Token 价格 + 开源权重”的组合竞争。

十、资料与来源

本报告使用以下证据口径：公司/客户披露用于确认合作、部署、产品和结果；企业调查用于判断采用率和采购趋势；券商估算用于构建 ARR、TAM 和产品收入情景；分析判断用于解释客户商业模式和价值传导。券商预测、媒体数据、席位数、培训人数和生态接入均不等同于客户收入或客户数量占比。

本地研究资料

• Bernstein, *When Anthropic and OpenAI Meet IT Services*：分析 Anthropic/OpenAI 与 SI 的企业分发模式，包含 Deloitte、Cognizant、Accenture、Infosys 和 Frontier 联盟案例。
• UBS Evidence Lab, *Enterprise AI Adoption is Ramping, Headcount Risk is Rising, Microsoft Still Dominant and OpenAI Anthropic Scale*：139 家企业 IT 决策者调查，提供模型、云、席位、代码工具和 Agent 采用率。
• HSBC, *B2B up, B2C down: our new AI TAM forecasts to 2030*：拆分 B2B/B2C AI TAM，并估算 Anthropic、OpenAI、Google 的企业产品收入。
• J.P. Morgan, *Google Cloud Next 2026: Key Themes & Expectations, Top Pick, Reiterate Overweight ($395 PT)*：梳理 Gemini Enterprise、Cloud 和零售/商户 Agent 客户。
• Bernstein, *China AI: Intelligence is All You Need? Initiating Coverage on Z.ai and Minimax*：分析 Z.ai 的互联网平台、主权项目和 TaaS 客户，以及 MiniMax 的消费者/企业收入结构。
• BofA Securities, *Agentic AI and the Promise of a More Capable Internet*：分析 Agent 对电商、旅游、支付、广告和交易平台客户的影响。

已实际核验的官方网页

• Anthropic 客户案例：https://www.anthropic.com/customers
• Claude 客户案例目录：https://claude.com/customers
• Notion 客户案例：https://claude.com/customers/notion-qa
• Slack 客户案例：https://www.claude.com/customers/slack
• Figma 客户案例：https://www.claude.com/customers/figma
• HubSpot 客户案例：https://claude.com/customers/hubspot
• DoorDash 工程团队案例：https://claude.com/customers/doordash-boris-office-hours
• Spotify 工程团队案例：https://claude.com/customers/spotify-boris-office-hours
• Ramp 工程团队案例：https://claude.com/customers/ramp-boris-office-hours
• Anthropic 企业产品：https://www.anthropic.com/enterprise
• Anthropic Partner Network：https://www.anthropic.com/partners
• Google Cloud AI 客户案例：https://cloud.google.com/customers/ai
• Google Cloud Gemini Enterprise：https://cloud.google.com/gemini-enterprise
• 智谱开放平台：https://open.bigmodel.cn/
• 智谱 AI 官网：https://www.zhipuai.cn/
• OpenAI Enterprise Admin Setup：https://learn.chatgpt.com/docs/enterprise/admin-setup
• OpenAI Workspace Analytics：https://learn.chatgpt.com/docs/enterprise/workspace-analytics

本 HTML 由同目录 Markdown 报告离线生成。数据口径、来源与可信度边界见正文“资料与证据说明”。