证券研究报告·行业深度报告·传媒

传媒行业深度报告 从 SaaS 到 Agentic Platform：AI 时代软件公 司的价值重估

增持（维持）

[Table_Tag] [Table_Summary] 投资要点

• ◼ AI 对软件行业并非简单“吞噬”，而是推动价值从前端入口向企业 AI 执行底座迁移：过去市场担忧 AI Agent 会削弱传统 SaaS 的前端入口、 席位制收费和高利润率假设，这一担忧对功能较轻、数据壁垒较低、流 程嵌入较浅的工具型 SaaS 具有一定合理性。但我们认为，企业级 AI 真 正落地并不只依赖模型能力，更依赖数据治理、权限管理、流程编排、 系统集成、安全合规和结果追溯能力。当 Agent 进入企业真实生产环境 后，能否稳定调用数据、理解业务规则、遵循权限边界，执行流程动作 并留下可审计记录，将成为决定 AI 能否规模化落地的关键。因此，AI 时代软件公司的价值判断将从“用户是否频繁打开应用”，转向“该系 统是否处在企业任务执行链条中的关键位置”。具备核心数据、流程权 限、治理审计和系统连接能力的平台型软件，有望从传统应用软件向企 业 AI 基础设施重估。
• ◼ AI 商业化从概念验证走向指标验证：2026 年 7-9 月，头部软件公司陆 续披露更可追踪的 AI 商业化指标，证明 AI 能够带来新增收入来源、工 作负载和客户需求。Salesforce 通过 Agentforce ARR 和 Agentic Work Units 等指标验证 Agent 收入和任务执行量，多套定价模式并行探索， 说明企业客户已经开始为 Agent 能力付费，且 AI 任务执行量正在成为 新的可量化指标。Snowflake 验证 AI 应用扩张带来的数据工作负载增 长，企业 AI 应用越多、数据迁移、数据治理、数据共享、模型调用和 数据处理需求越强。ServiceNow 则依托“基础许可+AI 用量”的混合定 价实现更好的价值传导，验证工作流平台承载 Agent 执行闭环的能力。 我们认为，未来软件公司估值框架不应只看收入增速、净收入留存率和 利润率，还应关注 AI 调用量、任务执行量、自动化流程渗透率、Agent 依赖程度、定价架构迁移进度以及 AI 功能能否形成可计量、可收费、 可审计的工作负载。
• ◼ AI 重塑软件行业价值链，MCP 协议层+四层纵向结构决定估值分化： 我们建议将 AI 时代软件行业划分为数据控制层、工作流执行层、垂直 场景层、云与开发运维层，MCP 则作为横向协议贯穿各环节。数据控制 层解决“Agent 知道什么”，分为全域分析型及操作型两条路径，受益于 企业 AI 落地带来的数据调用和模型工作负载增长；工作流执行层解决 “Agent 能做什么”，核心在于将 AI 嵌入 CRM 等企业流程，使 Agent 从信息生成走向任务执行；垂直场景层解决“Agent 创造多少业务价值”， 医疗、法律、金融、工业等高 ROI 场景更容易量化节省时间、提升效率 或降低错误率，短期结果型收费普及受合规约束，但长期有望从订阅制 延伸至任务型、用量型或结果型收费；云与开发运维层解决“Agent 如 何稳定、安全、低成本运行”，随着 AI 应用数量增加、调用链条变长， 企业对可观测性、安全运营、访问控制等的需求将持续提升。
• ◼ 投资建议：我们认为，AI 时代软件行业并非整体性重估，而是结构性分 化。建议重点关注四类方向：1）掌握企业核心数据、权限体系和工作流 入口的平台型软件，包括 Salesforce、ServiceNow、Snowflake、MongoDB 等；2）ROI 更容易量化、AI 付费意愿更强的垂直软件场景，包括 Veeva、 Autodesk、Intuit 等；3）受益于 AI 应用规模化的安全、可观测性和开发 治理软件：包括 Datadog、Elastic、Cloudflare、Snyk 等；4）具备生态入 口、云基础设施和 AI 分发能力的综合型平台：包括 Microsoft、Google、 Amazon 等。
• ◼ 风险提示：AI 商业化进展不及预期，企业 Agent 落地进度不及预期，宏 观环境和企业 IT 支出不及预期。

2026 年 09 月 06 日 证券分析师 张良卫

执业证书：S0600516070001 021-60199793 zhanglw@dwzq.com.cn

证券分析师 周良玖

执业证书：S0600517110002 021-60199793 zhoulj@dwzq.com.cn

证券分析师 张家琦

执业证书：S0600521070001 zhangjiaqi@dwzq.com.cn

行业走势

|-28%

-23%

-18%

-13%

-8%

-3%

2%

7%

12%

17%

2025/9/8 2026/1/6 2026/5/6 2026/9/3

传媒 沪深300

|

|---|

相关研究

《NeoCloud 业绩追踪：供需紧张延 续，盈利能力提升》

2026-08-19 《传媒 ETF 广发（512980）：传统景气 修复与 AI 应用价值兑现共振》

2026-08-14

内容目录

• 1. 软件股反弹：从“AI 吞噬软件”到“AI 重估软件平台” ...................................................................4

• 1.1. 此前压制软件股的核心矛盾：AI 是否会破坏 SaaS 商业模式？ .........................................4
• 1.2. 软件股反弹的触发因素：AI 商业化从概念验证走向指标验证 ...........................................6
• 1.3. 定价架构迁移：席位压缩是定价问题而非需求问题........................................................... 11
• 1.4. 本轮重估的本质：软件从应用入口转向企业 AI 执行底座 ................................................12

• 2. AI 如何重塑软件行业价值链：四层结构决定估值分化 ................................................................13

• 2.1. 协议层标准化：MCP 降低连接壁垒 .....................................................................................14
• 2.2. 数据控制层：企业 AI 落地的第一入口 ................................................................................15
• 2.3. 工作流执行层：Agent 商业化的主战场 ................................................................................17
• 2.4. 垂直场景层：ROI 最易量化，长期有望走向任务型和结果型收费 ...................................20
• 2.5. 云与开发运维层：AI 应用越多，底层可观测性、安全和成本治理越重要 .....................22

• 3. 投资建议：优选平台型、高 ROI、指标可验证的软件资产 ........................................................24
• 4. 风险提示 ............................................................................................................................................27

图表目录

• 图 1： 企业软件价值从“记录系统”向“执行系统”迁移 .......................................................................4
• 图 2： AI 时代软件公司价值分化框架 .................................................................................................6
• 图 3： Salesforce 收入（百万美元）与同比增速（%）......................................................................7
• 图 4： Salesforce 具体收入（百万美元）拆分 .....................................................................................7
• 图 5： Salesforce Agentforce+Data 360 ARR（百万美元）及同比增速（%） ..................................7
• 图 6： Salesforce cRPO（百万美元）与同比增速（%） ....................................................................7
• 图 7： Salesforce 智能体工作单元（AWUs）增长情况 ......................................................................8
• 图 8： Snowflake 年度和季度产品收入（百万美元） ........................................................................9
• 图 9： ServiceNow 订阅收入（亿美元）与增速（%） ....................................................................10
• 图 10： ServiceNow Non-GAAP 毛利率与营运利润率（%） ..........................................................10
• 图 11： ServiceNow AI 平台 .................................................................................................................10
• 图 12： AI 时代软件行业四层价值链框架 .........................................................................................14
• 图 13： MongoDB Atlas 云数据库服务 ...............................................................................................17
• 图 14： Workday 部分 AI Agent ...........................................................................................................19
• 图 15： HubSpot 平台演进：从营销应用走向智能体客户平台 .......................................................19
• 图 16： UiPath 智能体自动化平台架构 ..............................................................................................19
• 图 17： Palantir AIP 平台架构 ..............................................................................................................19
• 图 18： Microsoft Dragon Copilot（整合原 DAX Copilot 能力）主要功能 .....................................20
• 图 19： Veeva Vault 平台 ......................................................................................................................21
• 图 20： Elastic Security 真实环境防护测试表现位居行业第一梯队 ................................................23
• 图 21： Snyk AI 安全平台 ....................................................................................................................24

• 表 1： AI 对 SaaS 商业模式的三重冲击 ...............................................................................................5
• 表 2： 头部平台型 SaaS 厂商 AI 定价方式对比 ................................................................................12
• 表 3： AI 时代软件公司估值框架从传统 SaaS 指标向 AI 工作负载指标扩展 ...............................13
• 表 4： AI 时代软件行业投资主线梳理 ...............................................................................................26

1. 软件股反弹：从“AI 吞噬软件”到“AI 重估软件平台”

AI 对软件行业的影响并非简单“吞噬”，而是重塑软件价值分配。过去市场担忧 AI Agent 会削弱传统 SaaS 的前端入口、席位制收费模式和高利润率特征。这一担忧在部分 场景下具有合理性。对于功能较轻、数据壁垒较低、工作流嵌入较浅的工具型 SaaS，AI 可能降低其独立应用价值，使其从用户主动访问的工作界面，转变为被 Agent 调用的后 台功能模块，进而压缩其客户粘性和定价权。但我们认为，市场对平台型软件公司的预 期可能过度悲观。企业级 AI 应用的真正落地，不仅依赖模型能力本身，更依赖数据治 理、权限管理、流程编排、系统集成、安全合规和结果追溯能力。对于掌握企业核心数 据、深度嵌入关键业务流程，并具备权限和治理体系的平台型软件公司而言，AI 反而可 能提升其在企业 IT 架构中的战略位置。

我们判断，软件行业正在从“记录系统”向“执行系统”演进。未来企业软件的核 心竞争力将体现在三个方面：1）是否掌握高质量、可治理、可追溯的企业数据；2）是 否嵌入关键业务流程，能够形成从建议到执行的闭环；3）是否能将 AI 调用量、任务执 行量、自动化流程和治理能力转化为可收费指标。因此，本轮软件股反弹不应简单理解 为情绪修复，而更应理解为市场开始重新识别 AI 时代软件行业的结构性分化：工具型 SaaS 和低壁垒应用仍可能面临估值折价，而平台型软件、数据平台、工作流平台、垂直 场景软件以及云与开发运维平台，则有望在企业 AI 落地过程中迎来重新定价。

图1：企业软件价值从“记录系统”向“执行系统”迁移

数据来源：东吴证券研究所

1.1. 此前压制软件股的核心矛盾：AI 是否会破坏 SaaS 商业模式？

传统 SaaS 公司的估值基础主要来自订阅收入的可预测性、席位扩张、净收入留存 率以及较高利润率。但随着 AI Agent 能力提升，市场开始重新审视 SaaS 商业模式的底 层假设：1）应用前端入口是否仍具备足够价值；2）席位制收入是否仍具备持续扩张弹 性；3）AI 功能带来的推理成本是否会削弱软件公司的利润率。

表1：AI 对 SaaS 商业模式的三重冲击

传统 SaaS 估值基础 AI 带来的市场担忧 对应影响

Agent 直接调用底层系统，减少用户 进入软件界面的频率

前端入口

入口价值下降

席位制收费 数字劳动力替代部分人工操作 席位扩张逻辑弱化

AI 推理、模型调用和基础设施成本 上升

高利润率

利润率出现分化

数据来源：Bessemer Venture Partners，Bain，Salesforce，东吴证券研究所

第一，AI Agent 可能弱化 SaaS 前端入口价值。过去，员工通常需要进入 CRM、 ERP、项目管理或协作软件，完成查询、录入、审批、跟进、汇报等动作。随着 Agent 能 力提升，未来员工可能直接通过自然语言向 Agent 发出指令，由 Agent 调用底层系统完 成任务。如果用户与软件界面的直接交互频率下降，部分 SaaS 产品的前端入口价值可 能被削弱。对于功能较轻、数据沉淀有限、工作流嵌入较浅的工具型 SaaS 而言，其产 品形态可能从用户主动访问的工作界面转变为被 Agent 调用的后台功能模块，进而影响 客户粘性和定价权。

第二，AI 可能削弱席位制收入的线性增长逻辑。传统 SaaS 通常按照员工数、账户 数、模块数和合同期限收费，收入增长与企业员工数量、业务扩张和模块渗透高度相关。 但如果Agent能够替代部分人工操作，企业对新增席位的需求可能放缓，尤其是在客服、 销售运营、IT 运维、数据分析、行政支持等重复性较高的流程中，数字劳动力可能替代 部分人工席位。这意味着原有“员工数增长—席位扩张—订阅收入增长”的线性逻辑可 能被削弱，软件公司需要逐步探索用量制、任务制、自动化流程收费或结果导向收费等 新的商业模式。

第三，AI 推理成本可能对利润率形成扰动，但影响并非单向。传统 SaaS 商业模式 的优势之一是软件交付后的边际成本相对较低，因此具备较高利润率和经营杠杆。但生 成式 AI 功能需要持续调用模型和算力资源，推理成本、数据处理成本和基础设施成本 均可能上升。但与此同时，AI 也可以通过内部流程自动化帮助软件公司降低运营、研发 与客服成本。能将 AI 同时用于对外商业化与对内降本增效的公司，利润率有望维持甚 至扩张；仅承担外部推理成本的公司，则可能面临利润率持续承压。

综合来看，此前压制软件股的核心矛盾并不是 AI 是否会全面取代软件，而是 AI 是 否会削弱支撑传统 SaaS 估值的三项关键基础：入口、席位和利润率。但这一影响并非 对所有软件公司均等发生。真正需要区分的是，哪些软件公司可能被 Agent 边缘化为后 台功能模块，哪些软件公司能够成为 Agent 调用企业数据、执行企业流程和完成治理合 规的核心平台。

图2：AI 时代软件公司价值分化框架

数据来源：东吴证券研究所整理

1.2. 软件股反弹的触发因素：AI 商业化从概念验证走向指标验证

2026 年 6 月以来软件股反弹的关键，并不是市场完全否认 AI 对 SaaS 商业模式的 潜在冲击，而是头部软件公司开始披露更可验证的 AI 商业化指标，证明 AI 也能带来 新的收入来源、工作负载和客户需求。换言之，AI 对软件公司的影响不再停留在概念讨 论层面，而开始体现在 ARR、任务执行量、Token 调用量、产品收入指引和云基础设施 合作等可追踪指标上。

Salesforce 是最直接的代表之一。FY27Q2，公司实现收入 113.5 亿美元，同比增长 11%，其中订阅与支持收入 108.2 亿美元，同比增长 12%；更重要的是，AI 商业化指标 继续加速兑现：Agentforce 与 Data 360 ARR 接近 39 亿美元，同比增长超过 210%，其中 Agentforce ARR超过15亿美元，同比增长超过240%，Agentforce One Edition和Agentforce for Apps 订单环比均增长超过 100%。与此同时，FY27Q2，Agentforce 与 Slack 单季产生 32 亿个 Agentic Work Units（AWUs），环比增长 97%，累计达到 70 亿个，说明企业客户 不仅开始为 Agent 能力付费，Agent 实际执行任务的规模也在快速扩大。AI 增长还开始 向 Salesforce 整体业务外溢，FY27Q2 cRPO 达到 335 亿美元，同比增长 14%，Net New Annual Order Value（NNAOV）增速达到四年来最高水平，Slack NNAOV 亦创收购以来 最快季度增长。上述指标意味着，AI 对 Salesforce 的影响已经进入“付费—使用—增购”

的商业化阶段：ARR 验证客户愿意为 Agent 付费，AWUs 则开始量化 Agent 实际完成的 工作量，并为 Salesforce 逐步向“订阅+用量/任务”的混合收费模式迁移提供基础。换 言之，Agent 并不一定只是减少软件席位，反而可能通过创造新的数字劳动力和工作负 载，扩大软件公司的可计费单位，这也是市场重新评估头部 SaaS 公司 AI 价值的重要原 因。

图3：Salesforce 收入（百万美元）与同比增速（%） 图4：Salesforce 具体收入（百万美元）拆分

|0%

2%

4%

6%

8%

10%

12%

14%

6,000

8,000

10,000

12,000

收入 YoY

|

|---|

|-10%

0%

10%

20%

7,000

9,000

11,000

13,000

订阅及支持服务 专业服务及其他

订阅及支持服务YoY 专业服务及其他YoY

|

|---|

数据来源：Salesforce，东吴证券研究所 数据来源：Salesforce，东吴证券研究所

图5：Salesforce Agentforce+Data 360 ARR（百万美元） 及同比增速（%）

图6：Salesforce cRPO（百万美元）与同比增速（%）

|100%

150%

200%

250%

0

1,000

2,000

3,000

4,000

ARR YoY

|

|---|

|2%

4%

6%

8%

10%

12%

14%

16%

18%

20,000

24,000

28,000

32,000

36,000

cRPO cRPO YoY

|

|---|

数据来源：Salesforce，东吴证券研究所 数据来源：Salesforce，东吴证券研究所

图7：Salesforce 智能体工作单元（AWUs）增长情况

数据来源：Salesforce，东吴证券研究所

Snowflake 体现的是 AI 应用扩张带来的数据平台二阶需求。FY27Q2，Snowflake 实 现收入 15.5 亿美元，同比增长 35%；其中产品收入 14.9 亿美元，同比增长 37%，较 FY27Q1 的 34%进一步加速；RPO 达到 90 亿美元，同比增长 30%，净收入留存率维持 126%。公司同时将 FY27 全年产品收入指引由 58.4 亿美元进一步上调至 60.7 亿美元， 对应同比增长 36%。更重要的是，公司表示 FY27Q2 AI 收入出现显著提升，管理层称 AI 产品贡献了近期增长加速的约一半；其中 AI 开发工具 CoCo 覆盖账户数超过 9100 个，单季新增超过 2000 个，CoWork 覆盖账户数达到 5800 个。基础设施层面，2026 年 5 月，Snowflake 扩大与 AWS 的战略合作，并承诺未来五年在 AWS Graviton 计算及 AI 基础设施上投入 60 亿美元，反映数据与 AI 工作负载持续扩张。Snowflake 的案例表明， 企业 AI 应用增加并不意味着绕过数据平台：随着 Agent 及 AI 应用进入生产环境，其背 后需要持续进行数据迁移、查询与处理、权限治理、上下文获取以及模型调用，从而创 造新的数据工作负载和平台消耗，AI 应用层的扩张因此可能进一步转化为数据平台的 二阶需求。

图8：Snowflake 年度和季度产品收入（百万美元）

数据来源：Snowflake，东吴证券研究所

ServiceNow 则验证工作流平台承载 Agent 执行闭环的能力。FY26Q2，ServiceNow 订阅收入约为 38.8 亿美元，同比增长 24.5%；总收入达到 39.9 亿美元，同比增长 24%。 同时 FY26Q2，cRPO 达到 132 亿美元，同比增长 21%，RPO 达到 290 亿美元，同比增 长 21%，存量合同承诺和未来收入可见度仍保持较强韧性。AI 商业化取得标志性进展， FY26Q2 ServiceNow AI 整体 ACV 正式突破 10 亿美元，Agent 化部署量在 9 个月内增长 9 倍，AI 需求持续转化为可验证的收入增量。相比单纯出售聊天机器人，ServiceNow 的 AI 商业化逻辑更强调 AI Agent 嵌入企业流程。公司将自身 AI 平台定位为统一 AI、数

据、工作流和安全的单一平台，强调其 AI Agent 可基于企业业务上下文、规则和知识， 在企业系统中合规地运行工作流。从应用场景看，ServiceNow AI Agents 已覆盖 IT、CRM、 员工服务、安全风控等多个领域，2026 年 2 月，公司推出了可端到端执行任务的 Autonomous Workforce AI 专家，支持事件解决、CRM 更新、员工入职、漏洞修复、资 产治理等多类场景；叠加 Armis、Veza 收购打造端到端统一安全栈，进一步加固了 AI 运 行的安全治理。这说明企业 AI 落地后，真正有价值的并不是孤立的模型能力，而是能 否进入企业流程、连接数据与权限体系，并形成从分析、建议到执行、反馈和治理的闭 环。

图10：ServiceNow Non-GAAP 毛利率与营运利润率 （%）

图9：ServiceNow 订阅收入（亿美元）与增速（%）

|0%

5%

10%

15%

20%

25%

30%

0

10

20

30

40

50

订阅收入 YoY

|

|---|

|0%

20%

40%

60%

80%

100%

FY25Q1 FY25Q2 FY25Q3 FY25Q4 FY26Q1 FY26Q2

Non-GAAP毛利率

Non-GAAP营运利润率|

|---|

数据来源：ServiceNow，东吴证券研究所 数据来源：ServiceNow，东吴证券研究所

图11：ServiceNow AI 平台

数据来源：ServiceNow，东吴证券研究所

综合来看，软件股反弹背后的核心变化是市场开始看到 AI 商业化从功能发布走向 指标验证。Salesforce 验证 Agent 收入和任务执行量，Snowflake 验证 AI 时代数据工作 负载增长，ServiceNow 凭借深度流程嵌入实现 AI 商业化加速，且利润率好于市场预期 及公司指引，因此，AI 对软件行业的影响并非单向压缩，而是在不同软件资产之间重新 分配价值。需要指出的是，AI 商业化从概念验证走向指标验证的路径虽已确认，但多数 企业还没有完成试点到生产的转变。Deloitte 于 2025 年 6-7 月对 500 名美国科技领域领 导者的调查显示，仅 11%的企业已经在生产环境中使用 AI Agent，另有 17%接近部署、

38%仍处于试点阶段。这意味着，下一阶段软件公司的分化重点还在于能否帮助客户跨 越从 PoC 到生产部署的鸿沟；能够解决数据接入、权限治理、系统集成和可靠性等生产 级问题的平台，有望获得更高的商业价值和估值溢价。

1.3. 定价架构迁移：席位压缩是定价问题而非需求问题

AI 对 SaaS 商业模式的重塑，首先体现在价值计量与定价方式的变化。传统 SaaS 主要按照用户席位收费，因为软件价值与“有多少员工使用系统”高度相关；但在 Agent 模式下，部分原本由人工完成的操作可以转由 AI 自主执行，企业新增席位需求可能放 缓，而 Agent 执行任务、调用数据和触发工作流的数量反而增加。因此，AI 对席位制模 式的挑战并不简单等同于软件需求下降，而在于软件价值的消耗方式正在从“人使用软 件”扩展至“人+Agent”共同调用软件。如果收费单位仍主要锚定人工席位，厂商可能 无法充分捕捉 Agent 创造的新增工作负载。

Salesforce 代表了定价体系仍在快速迭代的典型厂商。截至 2026 年 8 月，Agentforce 主要形成三类计费方式：一是按对话次数（Conversation）收费，每次对话 2 美元；二是 基于弹性积分（Flex Credits）按照智能体实际执行的操作次数（Action）计费，每 10 万 积分 500 美元，标准操作消耗 20 个积分，对应约 0.1 美元/次；三是针对员工使用场景 提供按用户每月（Per User Per Month, PUPM）收费模式。此外，Salesforce 于 2025 年 5 月推出弹性协议（Flex Agreement），允许客户根据实际需求在传统用户许可证与弹性积 分之间重新配置预算，并进一步提供预购、预承诺及按实际用量后付费等支付方式。其 本质是在保留按席位收费所具有的预算可预测性的同时，逐步建立与智能体实际任务执 行量挂钩的用量收费体系。Salesforce 持续扩充计费方式，也说明 AI 时代的软件价值单 位尚未像传统 SaaS 的席位一样完全标准化。客户 Agent 可以按照对话量衡量，而后台 Agent 可能执行数据更新、信息检索、工作流触发等多个操作；员工 Copilot 类产品又更 适合按用户授权。多种定价模式反映出软件厂商仍在寻找最适合不同 Agent 场景的价值 计量方式。

ServiceNow 则更明确地选择了“许可证+用量”的混合定价框架。FY26Q2 业绩会 上，公司管理层表示，其 AI 采用许可证与用量结合的混合定价：基础许可证为客户提 供预算可预测性，而随着 AI 使用扩大，增量价值通过用量收费体现。目前 ServiceNow 的经营数据至少证明，这一模式能够与 AI 快速商业化并存。FY26Q2 公司 AI ACV 突破 10 亿美元，Agentic AI 进入生产环境的客户数量过去 9 个月增长 9 倍；同期订阅收入达 到 38.77 亿美元，固定汇率同比增长 23.0%，cRPO 固定汇率增长 21.5%；RPO 固定汇率 增长 22%。

因此，AI 时代判断 SaaS 商业模式是否受到冲击，不能只观察席位数量是否下降，

更重要的是观察软件公司能否建立新的计价单位承接 Agent 创造的工作负载。如果 AI 减少部分人工席位，但由Agent带来的任务执行量、数据调用量和工作流数量增长更快， 并且厂商能够通过用量制将这些新增工作负载货币化，那么席位减少未必意味着收入下 降。反之，如果使用方式已经从“人操作软件”转向“Agent 调用软件”，而收费模式仍 高度依赖席位，AI 价值与收入之间就可能出现错配。

表2：头部平台型 SaaS 厂商 AI 定价方式对比

对比维度 Salesforce ServiceNow

对话次数、弹性积分（Flex Credits）、 按用户每月收费（PUPM）等多种模式 并行

“基础许可证+AI 用量”的混合定价模式

定价体系

FY27Q2 订阅与支持收入同比+12%， cRPO 同比+14%

FY26Q2订阅收入同比+24.5%，cRPO 固定汇率同比+21.5%

传统业务增速

FY27Q2 Agentforce ARR 超 15 亿美 元，同比增长超过 240%；Agentforce 与 Slack 单季产生 32 亿个智能体工作 单元（AWUs），环比+97%

FY26Q2 AI 年度合同价值（ACV）突 破 10 亿美元，生产环境中的智能体 AI 客户数九个月增长 9 倍

AI 商业化表现

FY26Q2 AI 净新增 ACV 环比增长超 40%，订阅收入与剩余履约义务同步 增长，AI 增量已开始体现在整体业务 增长中

Agentforce 高阶产品订单环比翻倍以 上，cRPO 增速进一步提升，AI 使用 增长开始向整体订单传导

价格传导效率

数据来源：Salesforce，ServiceNow，东吴证券研究所

1.4. 本轮重估的本质：软件从应用入口转向企业 AI 执行底座

我们认为，本轮软件股反弹的本质，并不是市场重新回到传统 SaaS 估值框架，而 是开始重新区分可能被 AI 弱化的前端应用和被 AI 持续调用的企业系统。AI Agent 确 实可能减少用户对部分 SaaS 界面的直接访问，但这并不意味着企业软件价值消失。相 反，当 Agent 进入企业真实生产环境后，能否稳定调用数据、理解业务规则、遵循权限 边界、执行流程动作并留下可审计记录，成为决定 AI 能否落地的关键。

因此，软件公司的价值判断正在从用户是否频繁打开这个应用，转向这个系统是否 处在企业任务执行链条中的关键位置。对于低壁垒工具型 SaaS 而言，如果其主要价值 来自单点功能或前端交互，且缺乏独特数据沉淀、关键流程嵌入和较高迁移成本，那么 模型能力提升和 Agent 编排能力增强后，其功能价值、入口价值和独立定价权可能被削 弱。但对于平台型软件、数据平台、工作流平台和垂直场景软件而言，其价值并不只来 自界面，而来自对企业核心数据、流程权限、业务规则、系统连接和治理审计的控制能 力。AI 越深入企业生产流程，越需要这些系统作为执行底座和治理边界。

这意味着，AI 时代软件公司的估值框架需要从单纯关注收入增速、净收入留存率 和利润率，进一步扩展到对 AI 相关工作负载质量的判断。未来更值得重视的不是软件 公司是否简单推出 AI 功能，而是 AI 是否带来了可持续的新增使用场景。例如，是否提 升数据调用和数据处理需求，是否增加跨系统工作流执行，是否带来模块加购和客户扩 张，是否形成可计量、可收费、可审计的任务执行闭环。如果 AI 只是作为附加功能嵌 入原有产品，但没有带来独立收入、用量提升或流程渗透，估值弹性可能有限。反之，

如果 AI 使软件平台从记录业务延伸到执行业务，则其估值逻辑有望从传统应用软件向 企业 AI 基础设施迁移。

从这个角度看，AI 不会消灭所有 SaaS，而是重新定义 SaaS 的价值来源。过去， 软件公司的护城河主要来自 UI、功能模块、用户习惯和客户续约。未来，平台型软件公 司的护城河将更多来自数据控制权、流程控制权、权限治理权、系统集成能力和任务执 行权。换言之，AI 时代真正具备重估基础的软件公司，不一定是拥有最多前端界面的公 司，而是能够让 Agent 安全、合规、可审计地调用企业数据并执行企业流程的公司。

• 表3：AI 时代软件公司估值框架从传统 SaaS 指标向 AI 工作负载指标扩展 估值维度 传统 SaaS 估值框架 AI 时代新增关注点 增长来源 席位扩张、模块加购、订阅续约 AI 调用量、任务执行量、自动化流程渗透 客户粘性 用户习惯、界面使用频率、续约率 数据调用频率、流程嵌入深度、Agent 依赖程度 收入模式 订阅制、席位制、模块制 订阅制+用量制+任务制+结果导向收费 利润率 高利润率 AI 推理成本、模型成本优化、用量控制 护城河 UI、功能模块、客户续约 数据控制权、流程控制权、权限治理权、系统集成能力 治理能力 权限管理、合规记录 Agent 行为审计、执行追溯、安全边界 数据来源：东吴证券研究所整理

2. AI 如何重塑软件行业价值链：四层结构决定估值分化

我们认为，AI 时代的软件行业价值分配由一个横向协议层和四个纵向产业层共同 决定。横向协议层（Model Context Protocol, MCP）是连接 AI 模型与企业数据、工具和 应用的通用标准，它贯穿所有四个产业层。四个纵向产业层分别是：云与开发运维层、 数据控制层、工作流执行层、垂直场景层。这四层并非完全割裂，而是共同构成企业 AI 落地的基础设施。其中，数据控制层解决“Agent 知道什么”，工作流执行层解决“Agent 能做什么”，垂直场景层解决“Agent 创造了多少业务价值”，云与开发运维层解决“Agent 如何稳定、安全、低成本运行”。

图12：AI 时代软件行业四层价值链框架

数据来源：东吴证券研究所整理

2.1. 协议层标准化：MCP 降低连接壁垒

MCP（Model Context Protocol, 模型上下文协议）由 Anthropic 于 2024 年 11 月提 出并开源，旨在通过统一协议连接 AI 模型与外部工具、数据及应用。2025 年 12 月 9 日，Anthropic 将 MCP 捐赠至 Linux 基金会旗下新成立的 Agentic AI Foundation（AAIF）， 推动协议进一步转向厂商中立、社区治理的开放标准。至捐赠时，MCP 生态已拥有超过 1 万个活跃的公开服务器；ChatGPT、Cursor、Gemini、Microsoft Copilot、Visual Studio Code 等主流 AI 产品均已支持或采用 MCP；Python 和 TypeScript 官方 SDK 月下载量合 计超过 9700 万次；AWS、Cloudflare、Google Cloud 和 Microsoft Azure 等云基础设施厂 商亦已提供 MCP 部署支持。

MCP 标准化的核心价值在于降低 AI 应用与企业系统之间的重复集成成本。在理 想的标准化架构下，其连接复杂度可以由过去的“N×M”近似降低至“N+M”：企业系 统只需按照 MCP 标准暴露一次工具与数据接口，不同支持 MCP 的 Agent 即可通过统一 协议发现并调用这些能力，而无需针对每一个 Agent 重复开发专属适配。例如，CRM 厂 商可以在现有 API 之上构建统一的 MCP 服务器，将客户查询、数据更新、创建销售机 会等能力以标准化工具暴露给外部 Agent；不同 MCP 客户端在完成身份认证和权限授 权后，即可调用这些能力。

这一变化对软件行业的深远影响体现在以下三个方面：

第一，拥有核心记录系统（System of Record）的软件公司有望获得新的计价方式 的可能性。当 CRM、HCM、ERP、ITSM 等核心系统通过 MCP 向外部智能体开放经过 权限控制的访问能力后，每一次智能体调用都可以被记录、计量，并进一步成为新的计 费事件。Salesforce 的实践已经提供了较为直接的量化验证：其围绕 MCP 服务器构建的 Headless 360 平台在 2026 年 4 月推出后的两个月内处理了 450 万次 MCP 调用； ServiceNow 则将 MCP 调用与 Now Assist AI 积分体系直接挂钩，使外部大模型能够通过 MCP 调用 ServiceNow 中的数据、工具和工作流能力，并根据实际使用量消耗 AI 积分， 从而形成新的用量型收入来源；Snowflake 于 2026 年 5 月宣布收购企业级 MCP 平台 Natoma，除实现 AI 工作流的权限管理与全链路审计外，Natoma 网关还能够对每一次 MCP 工具调用进行细粒度统计和用量监测，为后续建立基于使用量的收费体系提供底 层技术基础。

第二，竞争壁垒由界面粘性向“数据+权限+治理”迁移。在智能体 AI 模式下，企 业软件前端界面的战略价值相对下降，竞争优势更多取决于底层数据、访问权限、业务 规则和工作流控制能力。MCP 使智能体能够绕过传统用户界面，直接调用企业系统中的 数据和功能，因此仅依赖界面使用习惯和操作路径形成粘性的工具型 SaaS，其壁垒可能 被削弱；而掌握核心业务数据、深度嵌入关键流程，并具备完善权限与治理体系的平台 型软件公司，则更有能力承接智能体带来的新增调用，并将其转化为新的用量收入。换 言之，MCP 降低的是“连接本身”的壁垒，但同时提高了数据控制权、权限体系和业务 流程嵌入度的重要性。

第三，安全与治理能力成为智能体规模化落地的前置条件。MCP 通过统一协议降 低了不同系统之间的连接与调用门槛，使 AI 智能体能够直接访问 CRM、ERP 等企业核 心业务系统，但访问主体也由传统员工进一步扩展至 AI 智能体，由此带来新的身份认 证、权限控制和审计要求。传统主要围绕人工账号建立的访问控制体系，难以完全覆盖 智能体持续调用工具、跨系统执行任务及长期保存状态等场景，因此智能体身份管理、 工具级权限控制、调用审计、实时风险控制、状态与记忆管理以及接口治理等能力的重 要性进一步提升。从产业实践看，Salesforce、ServiceNow 等厂商在推进 MCP 接入能力 的同时，也同步强化智能体身份、细粒度权限和调用审计等治理模块，说明治理能力已 从辅助功能逐步成为企业级 AI 智能体规模化部署的基础设施。

2.2. 数据控制层：企业 AI 落地的第一入口

企业 AI 落地的核心瓶颈并不只是模型能力，而是企业数据能否被安全、实时、可 治理地调用。通用大模型可以生成答案，但企业客户更关心答案是否基于正确数据、是 否符合权限要求、是否可解释、是否能被复核和追责。如果缺乏统一的数据治理、权限 管理、审计追踪和上下文管理能力，Agent 很难进入财务、销售、客服、法务、IT 运维 等核心业务流程。因此，数据平台在 AI 时代的角色正在发生变化。过去，数据平台主

要服务 BI 分析、数据仓库、数据湖和机器学习；未来，数据平台将成为 Agent 获取企 业知识、理解业务上下文、调用工具并执行任务的控制层。换言之，模型本身决定了 Agent 的推理和生成能力，但数据平台决定了 Agent 能否基于企业真实业务数据作出判断，并 在权限边界内完成动作。

Snowflake 代表了全域分析型数据平台的 AI 演进方向。数据仓库与面向实时业务 操作的数据库不同，其核心价值在于打通企业跨部门、跨系统的全域数据，形成统一口 径的可信数据资产。对于需要多步骤推理、跨域分析、复杂决策的 Agent 而言，仅靠单 点业务系统的数据不足以支撑完整任务，必须依赖统一、可追溯、口径一致的全域数据 底座，否则会出现数据碎片化、指标口径冲突、结果不可信等问题。这也是 AI 时代数 据仓库从 BI 分析工具升级为 Agent 控制平面的核心逻辑。从产品结构看，Snowflake Data Cloud 构建了统一的多模态数据底座，可同时承载结构化业务数据、非结构化文档、日 志数据与向量嵌入，原生支持向量检索、文档智能解析与全文搜索，使 Agent 可以在同 一平台内完成数据检索、上下文拼接、多维度分析与结果输出。与此同时，平台统一的 权限治理体系可实现列级、行级的数据访问控制，所有Agent的数据调用行为均可追溯、 可审计、满足企业级合规要求。Snowflake 正在从企业的可信数据基础，扩展为 Agentic 企业的控制平面。这一定位升级意味着，未来数据平台不再只是被动储存数据的载体， 而是主动承接 Agent 任务调度、数据权限管控、调用链路治理的核心枢纽，在企业 AI 架 构中的战略位置或显著提升。

MongoDB 则更能体现数据控制层在 AI 应用侧的价值。与传统数据仓库主要服务 分析场景不同，AI Agent 在企业应用中运行时，需要持续调用用户画像、交易记录、权 限状态、历史行为、实时事件和业务上下文。这类数据不是单纯用于事后分析的静态数 据，而是 Agent 在执行任务时需要实时读取和更新的操作型数据，要求系统能够支持高 并发访问、低延迟响应、灵活数据结构和实时状态变化，因此不能完全依赖传统离线数 据仓库或 BI 系统承载。MongoDB Atlas 将操作型数据库和向量数据库整合在统一平台， 并支持全文搜索、向量检索和混合搜索，使企业可以在同一平台上管理结构化业务数据、 非结构化文本、用户交互历史和向量嵌入。以客服和销售场景为例，客服 Agent 在处理 客户问题时，不仅需要检索知识库，还需要实时读取客户账户状态、历史订单、服务记 录和权限信息，再判断是否可以退款、升级工单或触发后续流程；销售 Agent 在跟进客 户时，也需要结合 CRM 记录、客户交互历史、产品使用数据和合同信息，自动生成下 一步行动建议，并将结果写回系统。因此，MongoDB 在 AI 时代的价值不只是存储数据， 而是成为 Agent 理解业务上下文、调用企业数据和执行任务的基础连接层。

随着 Agent 应用从试验走向生产环境，底层数据消耗也会同步放大。无论是分析型 数据库还是操作型数据库，企业部署更多 Agent 后，前端未必表现为传统席位增长，但 底层会产生更多数据读取、写入、查询、向量检索、权限校验、日志记录和模型上下文 调用。对于数据库平台而言，AI 应用数量增长最终可能体现为平台使用量提升、查询和 搜索负载增加、向量检索调用增加以及实时数据同步需求增长。AI 功能本身未必都能单

独收费，但只要企业内部 Agent 数量增加、调用频次提升、业务流程自动化程度加深， 底层数据平台就会承接更多计算、存储、查询、检索和治理需求。

图13：MongoDB Atlas 云数据库服务

数据来源：MongoDB 官网，东吴证券研究所

2.3. 工作流执行层：Agent 商业化的主战场

传统企业软件大多以记录为核心。CRM 记录客户关系与销售进展，ITSM 记录工单 与服务流程，HCM 记录员工与组织信息，ERP 记录财务、采购与供应链数据。但 AI Agent 出现后，企业软件的价值正在从记录系统向执行系统延伸。软件不再只是沉淀信 息和管理流程，而是开始基于企业数据与业务规则，自动判断下一步动作，并在权限范 围内完成任务执行和结果写回。工作流平台的优势在于，它们天然处于企业任务发生的 位置。销售、客服、HR、财务、采购、IT 运维等流程本身就运行在这些系统中，因此 Agent 更容易嵌入现有工作流，并形成可衡量的效率提升。相比通用 AI 工具，工作流 Agent 的商业化路径更清晰，因为客户可以用较明确的指标评估 ROI，例如客服响应时 间下降、销售跟进效率提升、员工服务请求自动化率提高、费用报销与采购审批提速、 财务关账周期缩短等。

Workday 是 AI 智能体深度嵌入人力资源与财务核心流程的代表性案例。其优势并 不只是掌握员工与财务数据，更在于系统长期嵌入招聘、薪酬、绩效、员工服务、采购、 合同、预算和财务运营等关键业务流程，使 AI 能够在既有权限、业务规则和审计体系 下直接执行任务。FY27Q2，公司 AI 产品 ARR 已接近 6 亿美元，同比增长超过 200%、 环比增长超过 20%，单季 AI 产品贡献超过 1 亿美元新增 ACV，占公司全部新增 ACV 的 25%以上；已有超过 5500 家客户使用至少一款 Workday 自研智能体，环比增长超过 35%。与此同时，AI 正在从辅助问答进一步进入生产环境中的实际业务执行：已有超过

3000 万名候选人与人才招聘智能体交互，FY27Q2 单季由 AI 自动安排的面试超过 800 万次；合同智能体处理的协议数量同比增长接近 70%；仅 2026 年 7 月，就有超过 100 家客户将 Sana 自助服务智能体投入生产环境。

HubSpot 则代表 CRM 和中小企业客户运营场景中的 Agent 化方向。HubSpot 将自 身定位为“智能体客户平台”，强调在同一平台上连接 CRM、营销、销售和客户服务工 具，并通过 Breeze AI 提升客户增长相关流程的自动化能力。Breeze 是内置于 HubSpot 平台的 AI 系统，可直接基于 CRM 数据、客户对话和交易历史提供答案和动作，并覆盖 AI Agents、AI Assistant 以及 100 多个嵌入式 AI 功能。FY26Q2，公司整体订阅收入同比 增加 20%，但 AI 商业化落地过程中显现出转型矛盾。FY26Q2 新增客户 7000 家，低于 原先 9000-10000 家的指引，AI 客户希望在付费前看到明确的价值证明，对成本可预测 性的要求提升，客户转化率走弱。从产品使用层面看，截至 FY26Q2 公司 AI 活跃度提 升显著，数据智能体激活客户超 16000 家，环比增加 80%，潜客开发智能体激活客户近 17000 家，环比增加 28%，客户月度 Agentic Actions 自 2026 年初增长超过 3 倍。但高使 用量尚未顺畅转化为新增客户，为此公司推出 Agent 试用方案，下调入门档位价格，新 增部分基于结果导向的定价机制，同时强化支出控制工具。这些举措会短期拉长客户购 买周期，但目标是降低 AI 的落地门槛，换取长期使用规模。HubSpot 代表了中小企业 SaaS 需要解决的一类典型问题：如何将 Agent 产品高速增长的用户行为转化为稳定收 入。

UiPath 则代表了工作流执行层向“智能体自动化”演进的另一条路径。与 Salesforce、

ServiceNow、Workday 等平台更多从自身业务系统内部嵌入 Agent 不同，UiPath 的优势 在于跨系统自动化。企业真实流程往往并不只发生在一个软件中，而是横跨 ERP、CRM、 邮件、表格、文档、网页和内部系统。此时，Agent 还需要具备把任务真正执行下去的 能力，例如跨系统读取信息、录入数据、校验字段、触发审批、更新记录和生成反馈。

UiPath 提出的“智能体自动化”模式强调由 Agent 理解用户意图、拆解任务和规划步骤， 由机器人和自动化工具完成具体操作，并由人类负责监督、审批和异常处理。这一模式 适合企业中大量跨多个系统、规则相对明确但人工处理成本较高的流程，而 UiPath 的核 心能力是横向串联企业内部各类存量 IT 资产，随着企业部署 Agent 数量增加，跨系统 编排能力的重要性会持续提升。

Palantir 则是数据主权前提下“数据+执行”的一体化标杆。与另外三家不同，Palantir 把本体语义建模、数据治理与 Agent 任务执行深度结合，依托 Ontology 本体层，将企业 数据、业务对象、权限关系和流程规则映射到统一语义体系中，使 AI 能够在理解企业 业务上下文的基础上执行实际任务。AIP作为Palantir核心的软件平台之一，与Foundry、 Gotham 等平台及 Ontology 深度集成，使企业能够在既有数据权限、安全和治理框架下 接入大模型。其核心价值在于将通用大模型的推理与生成能力嵌入企业真实数据与业务 流程，将模型能力进一步转化为可执行、可治理的业务行动，同时保障企业数据安全与 控制权。

图14：Workday 部分 AI Agent

数据来源：Workday，东吴证券研究所

图15：HubSpot 平台演进：从营销应用走向智能体客户平台

数据来源：HubSpot，东吴证券研究所

图16：UiPath 智能体自动化平台架构 图17：Palantir AIP 平台架构

数据来源：UiPath，东吴证券研究所 数据来源：Palantir，东吴证券研究所

2.4. 垂直场景层：ROI 最易量化，长期有望走向任务型和结果型收费

垂直软件在 AI 时代具备更强的商业化潜力。核心原因在于，垂直软件深度嵌入具 体行业流程，通常同时拥有行业数据、专业语义、业务规则和合规要求。与通用 AI 工 具相比，医疗、法律、金融、工业、建筑、政府等垂直场景中的客户更关注准确性、合 规性、责任边界和流程效率，而不仅是通用生成能力。因此，垂直软件公司如果能够将 AI 嵌入既有行业系统，就更容易把 AI 转化为业务流程的一部分。

垂直场景的另一大优势在于 AI 带来的价值更容易量化。医疗软件可以衡量医生文 书时间节省、病历质量提升、编码效率提升和患者接诊能力；法律软件可以衡量合同审 查数量、案例检索效率、法律研究时间节省和尽调周期缩短；金融软件可以衡量风控效 率、合规审查效率、反洗钱监控准确率和误报率下降；工业与建筑软件则可以衡量设计 周期缩短、停机时间减少、良率提升、能耗优化和项目回报率改善。相比横向办公软件， 垂直软件的 AI 价值更容易和收入提升、成本节约或风险降低挂钩。

医疗是 AI ROI 较为清晰的垂直场景之一。以 Microsoft Dragon Copilot（整合原 DAX Copilot 相关能力）为例，其核心并不是简单生成文本，而是通过环境语音识别、临床文 书自动化等能力，减少医生在病例记录上的时间。微软此前对 879 名使用 DAX Copilot 的临床医生调查显示，DAX Copilot 平均每次就诊可为临床医生节省 5 分钟，77%的医 生认为其改善了文档质量，70%的医生认为其改善工作生活平衡并减少倦怠和疲劳；患 者侧调查中，93%的患者认为医生更具沟通性，90%认为医生花在电脑上的时间更少。 从医疗机构实际部署效果看，Northwestern Medicine 的使用数据也显示，在至少 50%的 患者就诊中使用 DAX Copilot 的医生平均每月可多接诊 11.3 名患者，记录文书时间减少 24%，下班后在家继续补病例和处理文书的时间减少 17%。上述 DAX Copilot 的历史应 用数据反映了目前 Dragon Copilot 所延续的临床文书自动化能力能够直接改善医生效率、 患者体验和医疗机构产能，因此相关 ROI 较容易量化，并为 AI 产品商业化提供支撑。

图18：Microsoft Dragon Copilot（整合原 DAX Copilot 能力）主要功能

数据来源：微软，东吴证券研究所

生命科学领域的 Veeva 也体现了垂直软件的 AI 优势。Veeva 并不是将 AI 作为外置

聊天机器人，而是将 Vault AI 内置于 Veeva Vault Platform，在同一平台中统一管理数据、 内容和 Agent。Vault AI Agents 可直接在 Veeva 应用中运行，具备针对具体应用和行业场 景设计的提示词和安全护栏，并能够在权限控制下访问平台中的数据、文档和工作流； 客户既可以使用标准 Vault AI Agents，也可以对其进行配置、扩展或创建自定义 Agent。 从覆盖范围看，Veeva 的行业云解决方案横跨临床、注册、安全、质量、医学和商业化 等生命科学关键环节。对药企客户而言，AI 的价值并不只是提升办公效率，而是帮助其 在药物研发、注册申报、质量管理、药物安全、医学事务和商业化过程中处理高度专业、 强合规、流程复杂的任务。Veeva Vault Platform 强调满足生命科学行业严格的性能、验 证和安全要求，并提供审计追踪、电子签名、验证流程和可配置业务逻辑能力，这也说 明垂直软件的 AI 优势来自“行业数据+专业流程+合规体系”的结合，而不是单纯模型 能力。

图19：Veeva Vault 平台

数据来源：Veeva 官网，东吴证券研究所

法律和税务场景同样适合 AI 商业化。Thomson Reuters 的 CoCounsel 主要面向法 律、税务、审计、风控和合规专业人士，其价值在于结合受信任内容、专业工作流和可 追溯输出，帮助用户完成法律研究、文件审阅、合同分析和文档起草等任务。对于法律 和财税客户而言，AI 付费逻辑并不只是节省搜索时间，更重要的是降低错误风险、缩短 交付周期并提升专业服务产能。

建筑与工业软件也在体现类似逻辑。以 Autodesk Forma Site Design 为例，其主要面 向项目早期的场地规划、可行性分析和概念设计，可帮助建筑师、规划师和开发商进行 数据驱动的场地分析、方案探索和早期决策，并通过 AI 辅助分析和设计自动化提高方 案迭代效率。更广义来看，Autodesk 已将 Forma 扩展为覆盖规划、设计、施工和运营全 生命周期的 AECO 行业云平台。Autodesk 于 2026 年发布的《Business Value of Autodesk Forma》报告基于 211 名客户及真实案例，对 Forma 平台带来的业务价值进行量化，数 据显示其价值可体现在项目按期交付、返工减少、成本控制、估算效率及协作效率等方

面。这表明建筑与工程软件的 AI 及数字化价值能够通过设计与项目执行效率、成本控 制和项目交付结果等指标进行量化，从而形成较为清晰的 ROI 验证。

因此，垂直软件的商业化路径有望从传统订阅制，逐步走向“基础订阅费+AI 模块 加价+使用量计费+高价值场景中的结果型收费”的混合模式。例如，医疗软件可以围绕 每次就诊文书、编码辅助或医生节省时间收费；法律软件可以围绕合同审查、尽调文档、 案例研究或法律文件生成收费；建筑与工业软件可以围绕设计方案生成、仿真分析、设 备预测性维护或能耗优化收费。相比横向 SaaS 按席位收费，垂直 AI 更容易与任务量和 业务结果绑定。

但结果型收费不会一蹴而就。短期来看，企业采购流程仍更适应订阅制或模块加价， 结果归因、责任承担、合规边界和预算口径也会限制纯结果型定价落地。尤其在医疗、 法律、金融等高责任行业，AI 输出通常仍需要人工复核，软件厂商也未必愿意承担完整 结果责任。因此，我们更看好混合模式，即在基础订阅或席位制上，叠加 AI 模块费、 用量费、任务费，并在部分 ROI 清晰、责任边界明确的场景中探索结果型收费。

2.5. 云与开发运维层：AI 应用越多，底层可观测性、安全和成本治理越重 要

AI Agent 并不是孤立运行的。每一次 Agent 执行任务，背后都涉及模型调用、数据 库读写、API 访问、权限校验、日志记录、安全扫描、监控告警和结果反馈。随着企业 从 AI Demo 走向生产环境，底层云、数据库、网络、安全、可观测性和开发者工具的消 耗会同步提升。因此，AI 应用越复杂，企业越需要一套能够监控、保护和优化 AI 应用 运行过程的基础设施。传统应用监控主要关注系统是否正常运行，例如服务器是否宕机、 接口延迟是否过高、错误率是否上升。但 AI 应用监控的范围更广：企业需要知道 Agent 调用了哪些模型、访问了哪些数据、是否发生越权、输出是否异常、Token 消耗是否失 控、调用链路是否可追踪，以及是否触发合规风险。换言之，可观测性在 AI 时代要进 一步覆盖模型表现、数据调用、成本消耗和业务结果。

Elastic 是这一层中较具代表性的案例。Elastic 长期以搜索、日志分析和可观测性能 力见长，在 AI 应用中可以承担日志检索、语义搜索、异常检测以及安全事件分析等任 务。随着企业部署 Agent，系统会持续产生用户输入、模型输出、工具调用、运行日志 及安全事件等大量非结构化数据，Elastic 能够对这些数据进行统一检索和分析，帮助企 业定位 Agent 响应异常、性能下降、调用链路故障及潜在安全风险。其价值因此不再只 是判断系统“是否报错”，而是进一步帮助企业理解 AI 应用在真实生产场景中的运行状 态，并将可观测性与安全治理结合起来。安全能力方面，AV-Comparatives 于 2026 年 7 月发布的 Business Security Test H1 2026 显示，在 16 款企业级安全产品中，Elastic Security 在恶意软件防护测试中取得 100%的防护率，为唯一达到满分的厂商；在真实环境防护 测试中，其防护率达到 99.8%，与 Kaspersky、Bitdefender 并列最高，并获得 AV-

Comparatives Approved Business Product 认证。

图20：Elastic Security 真实环境防护测试表现位居行业第一梯队

数据来源：AV-Comparatives，东吴证券研究所

Cloudflare 代表网络、安全和边缘基础设施在 AI 时代的延伸。AI 应用通常需要频 繁调用 API、连接外部模型、处理用户请求，并在全球范围内保障低延迟和高可用。随 着 Agent 调用链条变长，API 安全、身份验证、流量管理、机器人攻击防护和数据泄露 防护的重要性都会提升。Cloudflare 这类平台的价值在于帮助企业在网络边界和应用入 口处保护 AI 服务，降低因 API 暴露、恶意请求、数据外泄或服务不可用带来的风险。

Snyk 则代表开发安全工具在 AI 代码生成时代的增量需求。AI 编程工具提高了代 码生成速度，但也可能带来更多安全漏洞、依赖风险、许可证风险和不规范代码。企业 不能只关注代码生成效率，还需要在开发阶段完成代码扫描、开源依赖检查、容器安全 等检测。随着 AI 生成代码比例提升，开发安全工具的重要性反而上升，因为企业需要 确保更快生成的代码仍然安全、合规、可维护。

图21：Snyk AI 安全平台

数据来源：Snyk 官网，东吴证券研究所

此外，AI 应用普及还会带来新的成本治理需求。传统云成本治理主要关注云服务 器、存储、网络和数据库成本，而 AI 成本治理需要进一步管理 Token 消耗、模型调用 次数、推理成本、GPU 使用率、不同模型之间的性价比，以及 Agent 多轮调用带来的隐 性成本。企业部署 Agent 后，单次任务可能会调用多个模型、多个数据库和多个工具， 如果缺乏成本监控和策略控制，AI 应用很容易从“提升效率”变成“成本黑箱”。

因此，我们认为，AI 应用普及将带来三类底层增量需求：1）AI 可观测性，即追踪 Agent 调用链路、模型表现、响应质量、错误率和业务结果；2）AI 安全运营，即管理 Agent 权限、数据泄露、模型攻击、提示词注入和异常行为；3）AI 成本治理，即控制 Token、模型调用、GPU、推理和云资源成本。这类需求与 AI 应用规模高度相关，企业 部署的 Agent 越多、调用频次越高、接入系统越复杂，对底层可观测性、安全和成本治 理工具的需求就越强。

这一层公司的估值逻辑不同于应用层。它们未必直接决定最终业务流程，也未必拥 有最强的前端用户入口，但只要 AI 应用从试点走向生产环境，底层调用链条就会变长， 安全边界就会变复杂，成本控制就会更重要。因此，云与开发运维层更像 AI 时代的“运 行治理层”：不直接押注单一 AI 应用能否胜出，而是受益于企业 AI 应用整体复杂度提 升。对于这类公司，核心跟踪指标应包括大客户数量、平台化模块采用率、日志和安全 数据摄入量、API 调用量、开发安全扫描量、AI 相关成本治理需求以及多产品交叉销售 能力。

3. 投资建议：优选平台型、高 ROI、指标可验证的软件资产

我们认为，AI 时代软件行业并非整体性重估，而是结构性分化。过去较长时间内， SaaS 估值框架较大程度上依赖订阅收入、席位扩张、客户续约和较高利润率，但随着 AI Agent 能力提升，叠加 MCP 开放协议降低 Agent 访问企业系统的门槛，部分软件前端入 口、席位制收费和定价权可能受到冲击。BCG 指出，AI Agent 正在重新定义 B2B 软件 厂商的价值捕获方式，客户会更关注价格与实际交付价值之间的匹配。L.E.K.也指出， 在 AI 工作负载下，Agent 可能为人类完成的每个任务触发大量 API 调用，传统席位制 在这类场景下可能失效，混合和动态定价模式重要性提升。对于功能较轻、数据壁垒较 低、流程嵌入较浅的工具型 SaaS 而言，AI Agent 可能降低用户直接进入软件界面的频 率，使其从用户主动访问的工作入口转变为被 Agent 调用的后台功能模块，进而削弱客 户粘性和独立定价权。因此，AI 并不会平均提升所有软件公司的估值，反而会加速行业 内部价值分化。

我们建议从“是否推出 AI 功能”转向“AI 是否形成可持续工作负载”来筛选软件 资产。真正值得重估的软件公司，并不是简单在原有产品中加入智能助手或Agent功能， 而是能够在企业 AI 落地过程中持续承接数据调用、流程执行、任务自动化、安全治理 和成本管理需求，并将这些需求转化为 ARR、用量收入、任务执行量、模块加购或结果 导向收费的公司。换言之，AI 时代软件公司的核心投资价值，不仅取决于产品是否具备 AI 能力，更取决于其是否掌握企业核心数据、是否嵌入关键业务流程、是否具备权限治 理和系统集成能力，以及 AI 使用量增长能否在扣除推理成本后形成可持续利润贡献。

从投资方向看，我们建议优先关注四类软件资产：

第一类是数据控制权或流程控制权强的平台型软件：包括 Snowflake、MongoDB、

Palantir、Salesforce、ServiceNow、Workday 等。这类公司掌握企业数据、流程、权限或 系统连接能力，有望从传统应用软件升级为企业 AI 执行底座。企业 AI 落地的核心难点 并不只是调用大模型，而是如何基于可信数据、符合权限边界、按照业务规则完成任务， 并留下可审计记录。因此，数据平台和工作流平台在 AI 时代的重要性反而可能提升。 对这类公司，应重点跟踪产品收入增速、AI 相关客户渗透、数据/任务工作负载增长、 RPO/cRPO、定价架构迁移进度，同时也要关注 MCP 网关、权限与调用计量等配套治理 能力建设情况。

第二类是ROI清晰的垂直场景软件：包括Veeva、Autodesk、Intuit、Adobe、Guidewire、 Toast 等。相比通用办公软件，医药、设计、财税、保险、餐饮、建筑等垂直行业的业务 流程更复杂，专业知识密度更高，人工成本和错误成本更高，因此 AI 带来的效率提升 更容易被客户量化，也更容易形成付费意愿。受行业合规、责任界定等现实因素约束， 完全结果导向收费模式短期难以大规模落地，但如果这类公司能够把 AI 能力嵌入高价 值业务流程，并通过节省工时、缩短周期、提升转化、降低错误率等指标证明客户 ROI， 则有望从传统订阅制进一步延伸至“基础订阅+AI 模块加价+用量计费+结果导向收费”。 对这类公司，我们重点关注 AI 模块客户渗透率、ARPU 变化、客户可验证 ROI 以及行

业客户续约留存等指标。

第三类是受益于 AI 应用规模化的安全、可观测性和开发治理软件：包括 Datadog、 Cloudflare、Zscaler、CrowdStrike、Snyk 等。AI Agent 和企业 AI 应用通常需要调用 API、 访问数据库、连接模型、读取企业文档、使用第三方工具，并在多个系统之间完成任务 执行。随着调用链条变长，系统稳定性、成本治理、数据安全、身份认证、访问控制、 代码安全和运行监控的重要性都会提升。这类公司不一定直接拥有最终业务应用入口， 但在 AI 应用进入生产环境后，有望成为企业部署、运行和治理 AI 应用的必要基础设 施，企业部署 Agent 规模越大，对可观测性、身份访问管控、API 安全、开发安全、AI 成本治理的需求就越强。对这类公司，应关注大客户拓展情况、AI 相关模块渗透率、 API/日志安全数据摄入量、开发安全扫描量等指标。

第四类是具备生态入口和 AI 分发能力的综合型平台：包括 Microsoft、Google、 Amazon、Adobe、Atlassian 等。这类公司拥有办公入口、云基础设施、开发者生态、模 型能力或应用分发渠道，有望通过既有客户基础和产品矩阵加速 AI 功能渗透。Microsoft 依托 Office、Teams、GitHub 和 Azure，Google 依托模型能力、Workspace 和 GCP，Amazon 依托 AWS 和企业开发者生态，Adobe 依托创意软件和数字营销入口，均具备较强 AI 分 发能力。但对于综合型平台公司，需要重点跟踪 AI 产品付费转化、ARPU 提升、云收 入拉动和客户留存变化，而不能仅依据 AI 产品发布进行估值重估。

• 表4：AI 时代软件行业投资主线梳理 投资主线 核心逻辑 重点关注公司 关键观察指标

企业 AI 落地需要高质量、可治理、可调 用、可审计的数据，AI 应用越多，数据 治理、向量检索、上下文管理和非结构 化数据处理需求越强

Snowflake、MongoDB、 Databricks（未上市）、 Palantir

产品收入增速、AI 相关客户 数、数据工作负载增长、企业 客户渗透率、RPO/cRPO

数据控制层

Agent 真正创造价值的关键在于进入企 业流程，从问答走向执行，CRM、 ITSM、HCM、ERP 等关键系统有望成 为 Agent 执行底座

Salesforce、ServiceNow、 Workday、UiPath、SAP、 Oracle

AI ARR、Agent 执行量、自动 化流程量、续约率、NRR、模 块加购、大客户增长

工作流执行层

AI 功能渗透率、ARPU 提升、 客户 ROI、垂直场景任务量、 行业客户续约率

垂直软件更容易把 AI 价值映射到业务结 果，客户付费意愿和 ROI 验证相对更强

Veeva、Autodesk、Intuit、 Adobe、Guidewire、Toast

垂直场景层

AI 应用调用链条更长，带来可观测性、 安全、访问控制、开发治理和成本管理 需求

Datadog、Cloudflare、 Zscaler、CrowdStrike、 Snyk、GitLab、IBM

AI 应用监控收入、安全产品增 速、API 安全需求、开发者客 户增长、平台化率

云与开发运维层

Microsoft、Google、 Amazon、Adobe、 Atlassian

AI 产品付费转化、云收入增 速、办公软件 ARPU、开发者 生态活跃度、客户留存

拥有办公入口、云平台、开发者生态和 模型能力的公司，有望成为 AI 能力分发 入口

综合生态与入口层

数据来源：各公司官网，东吴证券研究所

4. 风险提示

• 1） AI 商业化进展不及预期的风险：当前软件公司 AI 商业化仍处于从产品发布向 收入验证过渡的阶段，部分 AI 功能仍以免费试用、客户测试、概念验证或原有 产品附加模块的形式存在。若企业客户对 AI 功能的付费意愿不足，或 AI 产品 无法有效转化为 ARR、客户加购、用量收入、任务执行量等可持续商业化指标， 则 AI 对软件公司收入增长和估值重估的支撑可能弱于预期。
• 2） 企业 Agent 落地进度不及预期的风险：企业级 Agent 从辅助问答走向任务执行， 需要解决数据权限、系统集成、流程编排、合规审计、责任边界和安全治理等 问题。尤其在金融、医疗、法律、政府、制药等高合规行业，企业对 AI 自动执 行关键任务的接受度可能较为谨慎。若 Agent 长期停留在知识检索、内容生成 和内部试点阶段，未能大规模进入核心业务流程，则软件公司从“记录系统” 向“执行系统”的升级进程可能慢于市场预期。
• 3） 宏观环境和企业 IT 支出不及预期的风险：软件行业收入增长与企业 IT 预算、 数字化投入、云迁移进度和宏观经济环境密切相关。若全球经济增长放缓、企 业降本压力加大、IT 预算审批趋严，或大型软件项目采购周期延长，企业对 AI 软件、数据平台和工作流平台的投入可能低于预期，从而影响相关公司收入增 速和估值表现。

免责及评级说明部分

免责声明

东吴证券股份有限公司(以下简称“本公司”)经中国证券监督管理委员会批准，已具备 证券投资咨询业务资格。

本研究报告仅供符合中国证监会《证券期货投资者适当性管理办法》规定的专业投资者 使用，且接收人须为本公司认定并建立服务关系的专业机构投资者使用，本公司不会因接收 人收到本报告而视其为客户。在任何情况下，本报告中的信息或所表述的意见并不构成对任 何人的投资建议，本公司及作者不对任何人因使用本报告中的内容所导致的任何后果负任何 责任。本报告不面向普通投资者发布或传播。任何非专业机构投资者收到本报告后，应立即 退回并销毁，不得依据本报告内容做出任何投资决策。

在法律许可的情况下，东吴证券及其所属关联机构可能会持有报告中提到的公司所发行 的证券并进行交易，还可能为这些公司提供投资银行服务或其他服务。

市场有风险，投资需谨慎。本报告是基于本公司分析师认为可靠且已公开的信息，本公 司力求但不保证这些信息的准确性和完整性，也不保证文中观点或陈述不会发生任何变更， 在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。

本报告的版权归本公司所有，未经书面许可，任何机构和个人不得以任何形式翻版、复 制和发布。经授权刊载、转发本报告或者摘要的，应当注明出处为东吴证券研究所，并注明 本报告发布人和发布日期，提示使用本报告的风险，且不得对本报告进行有悖原意的引用、 删节和修改。未经授权或未按要求刊载、转发本报告的，应当承担相应的法律责任。本公司 将保留向其追究法律责任的权利。

东吴证券投资评级标准

投资评级基于分析师对报告发布日后 6 至 12 个月内行业或公司回报潜力相对基准表现 的预期（A 股市场基准为沪深 300 指数，香港市场基准为恒生指数，美国市场基准为标普 500 指数，新三板基准指数为三板成指（针对协议转让标的）或三板做市指数（针对做市转 让标的），北交所基准指数为北证 50 指数），具体如下：

公司投资评级： 买入：预期未来 6 个月个股涨跌幅相对基准在 15%以上； 增持：预期未来 6 个月个股涨跌幅相对基准介于 5%与 15%之间； 中性：预期未来 6 个月个股涨跌幅相对基准介于-5%与 5%之间； 减持：预期未来 6 个月个股涨跌幅相对基准介于-15%与-5%之间； 卖出：预期未来 6 个月个股涨跌幅相对基准在-15%以下。 行业投资评级： 增持： 预期未来 6 个月内，行业指数相对强于基准 5%以上； 中性： 预期未来 6 个月内，行业指数相对基准-5%与 5%； 减持： 预期未来 6 个月内，行业指数相对弱于基准 5%以上。 我们在此提醒您，不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相 对评级体系，表示投资的相对比重建议。投资者买入或者卖出证券的决定应当充分考虑自身 特定状况，如具体投资目的、财务状况以及特定需求等，并完整理解和使用本报告内容，不 应视本报告为做出投资决策的唯一因素。

东吴证券研究所 苏州工业园区星阳街 5 号 邮政编码：215021 传真：（0512）62938527 公司网址： http://www.dwzq.com.cn