2026年8月28日，巴克萊（Barclays）網際網路研究團隊發佈了一份在華爾街引發廣泛討論的報告——《A Primer on AI Lab & AI Hyperscaler Unit Economics》（AI實驗室與AI雲巨頭的單位經濟模型入門）。
隨著OpenAI、Anthropic等前沿AI實驗室陸續開始披露GAAP口徑的財務資料，一個尷尬的問題浮出水面：這些公司的財報，可能根本沒法直接橫向對比。
巴克萊給出的類比相當傳神——就像Uber和Lyft同處網約車行業，但一個按Gross Bookings（總訂單額）、一個按Net Revenue（淨收入）來呈現業務，表面數字天差地別，商業模式卻高度相似。AI實驗室之間，正在出現同樣的“統計口徑陷阱”。
一、兩家“假想實驗室”：同賺100美元，利潤差出近一倍
巴克萊構造了兩個假想的前沿實驗室——Lab A（約70%收入來自API、30%來自訂閱，可類比重API驅動的玩家）和Lab B（約80%收入來自訂閱、20%來自API，可類比訂閱主導的玩家）。同樣實現100美元收入，二者的成本結構卻截然不同：
▲ 資料來源：Barclays Research Estimates（2026年預測口徑）
這裡有一個關鍵的會計處理細節：巴克萊假設約10%的總訓練成本被計入COGS（對應模型最終投產的那次訓練運行），其餘大部分訓練開支可能被塞進R&D。各家的分攤方式目前並不透明——這也是橫向對比失真的重要來源。
二、2026年的質變：推理利潤率從“十幾”跳到“五六十”
這是整份報告中最具衝擊力的判斷。對比巴克萊給出的2025年與2026年測算：
▲ 資料來源：Barclays Research Estimates
一年之內利潤率抬升30—50個百分點，驅動因素有三個：
① 智能體與企業級產品成為“必買品”。Agentic工作流與企業帳戶定價更高，推理利潤率也更高；
② Token效率持續改善。完成同一任務所需token數量下降，直接壓低單位成本；
③ API定價權。模型能力提升的同時，頭部API標價不降反升。
不過巴克萊也提示：這些利潤率大機率是周期高點。隨著前沿競爭加劇、算力從短缺走向過剩，未來利潤率會回落——只是時點尚不明朗。
三、拆解三條產品線：訂閱、直接API、間接API
① 訂閱產品（如Claude Code、Codex）：推理利潤率約70%檔，低於API。原因是AI實驗室願意補貼token成本以留住使用者——近期各家頻繁上呼叫量上限（cap reset），大機率是降低流失率的手段。訂閱默認繫結特定模型，使用者可在不同模型與延遲模式間切換，企業版按許可證收費、限額更高。
② 直接API（Direct API）：最原始也最賺錢的模式。Cursor、Figma等開發者把AI能力嵌入自家產品，按token消耗量付費。報告透露，2026年二季度實際API推理利潤率據信“遠高於80%”——因為token效率改善疊加API提價，而基礎設施端也在通過量化（quantization）、投機解碼（speculators）與新一代算力壓低服務成本。
③ 間接API（Indirect API）：終端使用者看到的產品體驗相同，但計費與銷售關係發生在使用者與雲廠商之間。這裡是財報失真的重災區——Lab A按總額法（Gross）確認間接API收入，Lab B按淨額法（Net）確認，甚至在戰略夥伴雲上運行的間接API收入乾脆完全不確認。當間接API佔比越來越高，各家報表的“營收規模”敘事將越來越不可比。
💡 一句話總結收入確認陷阱：同樣是終端使用者花100美元，Lab A可能報100美元收入，Lab B可能只報80美元甚至0美元——商業實質幾乎一樣，報表卻天差地別。這和當年Uber報Gross Bookings、Lyft報Net Revenue是同一類問題。
四、每一美元AI收入，有多少流向雲巨頭？
巴克萊測算了錢在產業鏈中的流動：2026年，AI實驗室每100美元收入中，約有35—40美元以推理收入的形式流向雲巨頭（Hyperscalers），後者從中賺取約10—20美元的經營利潤（OI），對應35%—45%的經營利潤率。
其中Lab B的情形尤其值得玩味：因為存在20%的戰略夥伴收入分成（設有累計上限，預計2028年之後的某個時點歸零），其雲夥伴的利潤率被推高到47%——但剔除分成費用後，雙方在每個token上的真實利潤其實與Lab A的夥伴相同。收入分成本質上是利潤的轉移，而非效率的差異。
更宏觀的視角下，巴克萊給出了整個行業的資金流測算：當前（2026年）訓練開支佔比仍然很高，AI實驗室幾乎每一美元ARR最終都會變成雲巨頭的收入——AI實驗室收入與雲廠商AI收入之比約為90%。但隨著推理利潤逐步超越訓練成本，這一比例將持續下降。
五、2028年的關鍵拐點：雲巨頭的份額保衛戰
▲ 資料來源：Barclays Research Estimates
兩個趨勢值得注意：
其一，訓練成本佔比將持續回落（96% → 30%），AI實驗室的整體利潤率將隨推理利潤超越訓練開支而系統性抬升。
其二，2028年是雲巨頭份額的潛在轉折點。巴克萊認為，當各類“兜底式”（backstopped）AI基礎設施項目陸續投產後，AI實驗室將優先使用這些項目，AWS、Azure、GCP將開始失去AI實驗室訓練與推理開支的份額。未來兩年內，三家雲巨頭在AI實驗室算力開支中的佔比預計維持大體相當的水平（AWS約30%、GCP約30%、其他約40%）。
六、寫在最後：三句話讀懂這份報告
1. 別急著對比AI實驗室的營收。業務組合、總額法/淨額法、間接API是否確認、訓練成本放在COGS還是R&D——每一個口徑選擇都能讓報表面目全非。
2. 單位經濟模型是真的在變好。企業級與智能體產品放量、token效率提升、API定價堅挺，推理利潤率一年抬升30—50個百分點，這不是財務魔術，是產業基本面的真實改善。
3. 但好日子有保質期。前沿競爭加劇、算力短缺緩解、2028年後兜底基建分流雲巨頭份額——利潤率與份額的雙重回落風險，已經在巴克萊的模型裡。 (調研紀要速覽)