隨著 AI 擴大網絡需求，Cloudflare 上調盈利預測

Cloudflare 於 11 月 5 日再次上調全年盈利展望，進一步支持其觀點：人工智能所帶來的需求，不只惠及建立模型的公司。Cloudflare 盈利預測現反映業務增長加快，但公司按標準會計準則計算仍錄得淨虧損。

核心矛盾在於，這些需求如何轉化為利潤。AI 應用程式需要連接、保護，以及運行軟件的環境。提供這些服務帶來機遇，但支援額外工作負載同樣涉及成本。

Cloudflare 的業績讓開發人員及企業買家更聚焦這種平衡。包括 Akamai 在內的競爭對手，亦正爭取同一個周邊基礎設施機遇。問題在於，哪些供應商能將 AI 活動轉化為長期客戶關係及具吸引力的經濟效益。

Cloudflare 盈利預測再度上調

Cloudflare 上調全年經調整盈利預期，延續 2026 年多次向上修訂的趨勢。

公司公布的季度財務業績顯示，預計全年經調整每股盈利為 1.35 美元。每股盈利衡量分配至每股股份的收入。經調整數字不包括若干開支。

第三季收入達 7.825 億美元，按年增長 39%。該季度於 9 月 30 日結束，因此此次公布既匯報已完成的業務活動，亦更新了預期。

作比較，此前全年展望預計經調整每股盈利介乎 1.25 至 1.26 美元。8 月公布的業績顯示，第二季收入增長為 36%。

這一趨勢還可追溯得更早。Cloudflare 的第一季展望預計全年經調整每股盈利介乎 1.19 至 1.20 美元。第一季收入增長 34%。

這些比較說明修訂方向，毋須依賴股市反應。隨著已公布收入增長加快，管理層對盈利的看法亦變得更樂觀。

不過，盈利預測反映的是管理層預期。它並不保證最終結果，亦不會指出每項產品的貢獻。

這次公布亦需要區分會計概念。GAAP，即公認會計原則，為已公布財務報表提供標準框架。Cloudflare 錄得季度 GAAP 淨虧損 3,410 萬美元。

因此，若指經調整盈利，稱之為盈利前景改善是準確的。若稱其為公司整體已實現 GAAP 盈利，則會錯誤反映業績。

這一區分不只關乎財務術語。供應商可以擴展業務及改善部分指標，同時仍持續產生高於已公布收入的開支。

對客戶而言，這次修訂提供業務動能的證據。至於某個特定應用程式是否運作更佳、營運成本更低，或符合安全要求，則提供較少直接資訊。

對競爭對手而言，這次公布增加了壓力，要求其展示自身 AI 策略背後的商業成果。單靠產品公布，較收入及客戶承諾而言，是較弱的比較依據。

因此，有用的出發點是狹窄而具體的：Cloudflare 預計其業務可帶來較此前預測更多的經調整盈利。要理解與 AI 的關連，必須檢視客戶實際需要從這項業務取得甚麼。

AI 需求延伸至模型供應商以外

Cloudflare 的機遇建基於 AI 回應周邊所需的工作，包括連接服務、控制請求及運行應用程式。

模型會產生答案，但一個可運作的產品還必須完成更多工作。它需要接收請求並傳回回應。

AI agent，即利用模型和工具執行任務的軟件，會增加更多互動。它可能在決定下一步行動前先擷取資訊。

這為 AI 採用如何帶動基礎設施需求提供合理途徑。即使底層模型來自另一家公司，應用程式仍需要可靠連接。

重要的商業區分，在於客戶於何處遇到營運問題。示範可以強調答案質素，但正式投入運作的應用程式亦必須處理故障和難以預測的使用量。

Cloudflare 透過AI 應用程式控制功能記錄了這一周邊角色。其 AI Gateway 位於應用程式與模型供應商之間，提供請求可見性和管理功能。

這些已記錄的功能包括日誌記錄、請求限制、重試，以及在模型之間切換備援。快取，即儲存回應以供重用，則提供另一種管理重複工作的方式。

這些能力解釋了為何網絡供應商毋須開發產生答案的模型，仍可參與其中。其角色可以位於應用程式與外部服務之間。

當這個位置能解決昂貴的營運問題時，商業論點便最有力。客戶需要有理由在實驗結束後繼續保留這個中介層。

例如，一個團隊可能重視可一致檢視不同模型故障情況的能力。另一個團隊則可能優先防止應用程式發出不受控制的請求。

這些是示例性的採購考量，而非特定 Cloudflare 合約的證據。它們的相關性來自將已記錄的功能與買家必須作出的決策連繫起來。

這一區分亦釐清「AI 需求」的含義。它可以指直接執行模型、支援應用程式服務，或保護與 AI 互動的系統。

這些類別不應被視為可互換。它們的技術要求不同，對公司盈利的貢獻亦需要分開的證據。

Cloudflare 的更廣泛業務亦服務需求超出 AI 範圍的客戶。即使管理層討論人工智能，安全採購亦不會自動變成 AI 採購。

較可辯護的解讀是，AI 擴大了客戶可能使用基礎設施服務的理由。業績公布並未量化這種擴張的每一部分。

這為 Cloudflare 留下一項實際挑戰。它必須把對 AI 應用程式日益增加的興趣，與客戶在初期開發後持續使用的服務連繫起來。

企業買家亦面對相應挑戰。他們必須辨識哪些基礎設施新增項目能改善應用程式，哪些只是增加另一項依賴。

有利的盈利公布令這項評估更為及時，但並不能取代工作負載特定的證據，亦不能證明每個 AI 項目都需要相同架構。

商業機遇在於讓應用程式持續運行

最有力的基礎設施論點，始於完整應用程式及維持其運作所需的營運工作。

Cloudflare 已描述文字聊天以外的具體例子。其合作夥伴模型整合於 2025 年 8 月將 Leonardo.Ai 圖像模型及 Deepgram 語音模型引入 Workers AI。

Workers AI 是 Cloudflare 用於在其基礎設施上運行模型的服務。該公布列出圖像生成應用程式及語音 agent 為預期用途。

Cloudflare 描述將圖像生成與應用程式邏輯、儲存及圖像傳送結合。至於語音應用程式，則描述將語音處理與即時通訊服務連接。

這些例子為目前的盈利故事提供有用參考。它們展示模型存取如何成為更大規模基礎設施關係的一部分。

可將圖像生成例子視為一種應用程式設計。產生圖像只完成用戶請求的一部分，結果之後仍必須保持可用。

產品可能需要將該圖像與帳戶關聯、可靠地顯示它，並支援日後存取。這些周邊要求帶來額外的基礎設施決策。

商業機遇來自一併滿足這些要求。處理更多應用程式環節的供應商，有更多機會成為其持續運作的一部分。

這個結果仍有條件。一個廣泛的產品目錄並不能證明客戶採用每個組件，亦不代表綑綁服務必然改善其體驗。

整合可減少服務之間所需的協調工作。但當應用程式行為依賴供應商專屬功能時，亦可能令遷移更複雜。

語音應用程式凸顯另一項考量：回應速度。當語音處理、模型生成和傳送的延遲累積時，對話可能顯得不自然。

沒有單一組件決定整體體驗。買家需要評估完整互動，而非把模型基準測試當作應用程式基準測試。

Cloudflare 的合作夥伴公布描述其預期架構。它並未獨立證明在客戶工作負載中具有更優越表現，亦未確立對目前盈利的特定貢獻。

不過，對這個盈利故事的推論仍相當直接。若開發人員圍繞供應商服務建立完整應用程式，使用量便可延伸至最初的模型呼叫以外。

這與短暫試用模型端點不同；模型端點是應用程式聯絡以請求模型輸出的地址。

當團隊更換模型時，試驗可以結束。應用程式關係則可持續，因為儲存、存取控制及傳送仍然必要。

這正是 Cloudflare 全年展望與開發人員相關之處。業務動能支持其基礎設施策略值得與個別 AI 功能一同考慮的觀點。

不過，採用問題仍未有答案。所需證據是持續的應用程式使用及不斷擴大的客戶承諾，而非產品頁面列出的功能數量。

對買家而言，這會將焦點轉向營運適配性。有用的比較涉及完整應用程式的行為、擁有權要求，以及演進能力。

Akamai 顯示這個機遇具競爭性

Cloudflare 面對同樣希望提供 AI 應用程式周邊基礎設施的競爭對手，任何關於市場未受競爭的說法都受到限制。

Akamai 的受管推論服務說明了這種重疊。推論是指運行已訓練的模型以產生輸出。

Akamai 將受管模型存取與其更廣泛的雲端服務一同描述。其服務包括共享容量及專用部署，供應條件載於產品頁面。

這種定位為買家提供另一條把模型執行與應用程式基礎設施結合的途徑。它亦說明，Cloudflare 的財務動能不應被誤解為獨家擁有相關技術。

兩家公司均描述了可減輕開發人員基礎設施管理負擔的方法。它們的行銷建立了相互競爭的主張，而非獨立證明任何一方更適合所有工作負載。

競爭的核心在於誰擁有與應用程式之間的關係。當客戶依賴供應商處理 AI 周邊的持續營運需求時，供應商便能受惠。

即使客戶採用相同的底層模型，這種競爭仍可能出現。差異或在於部署控制、整合要求，或周邊服務。

對買方而言，僅比較模型是否可用並不足夠。能夠使用知名模型，並不能解答服務在生產環境下的行為問題。

關於全球基礎設施的說法亦然。地理覆蓋範圍可能重要，但應用程式的實際依賴關係決定延遲和限制會在哪裡出現。

一個廣泛分散部署的應用程式，仍可能依賴遠端資料庫。附近的模型端點無法消除系統其他部分的所有延遲。

這些是架構上的考量，而非對 Cloudflare 與 Akamai 之間已量度效能差距的主張。它們說明競爭評估為何需要應用程式層面的證據。

Cloudflare 面對的壓力，是令其更廣泛的平台足夠實用，使客戶選用更多服務。提高預測可增強其商業地位。

競爭對手面對的壓力，是證明從 AI 產品可用性到客戶持續使用之間，同樣具說服力的路徑。推出產品創造選項；採用才能建立業務。

買方仍保有重要的談判力量：能夠分辨真正需要的服務，與較廣泛推銷方案所附帶的服務。

團隊可能偏好單一供應商，以簡化營運。另一個團隊則可能保留不同供應商，因其要求在應用程式各個組件之間有所不同。

這兩種選擇均不會由業績公告自動決定。正確的比較取決於應用程式執行的工作，以及營運者承擔的責任。

這亦是 AI 基礎設施市場可容納多家供應商的原因。不同應用程式對控制、便利、部署彈性和營運責任有不同權重。

Cloudflare 的業績提高了這場競爭的賭注。它們並未為競爭定論，也未證明競爭對手必須完全遵循相同的產品策略。

下一個問題是，隨著服務客戶的成本納入計算，擴大使用如何有效轉化為盈利。

更快增長令經濟效益有待審視

只有當供應商能以可接受的經濟條件提供服務，增長中的活動量才會支持基礎設施業務。

Cloudflare 的盈利預測反映管理層對業務的信心。這並不證明每一次新增 AI 互動都帶來相同的財務回報。

Cloudflare 公布第三季經調整毛利率為 72.4%，低於去年同期的 75.3%。毛利率衡量提供服務的直接成本扣除後所剩餘的收入。

其經調整營運利潤率由 15.3% 上升至 17.5%。營運利潤率計入直接服務成本以外的額外業務開支。

這些指標朝不同方向變動。因此，應仔細審視業務，而非以單一形容詞概括盈利能力。

這些數字並未獨立證明 AI 是毛利率受壓的原因。在歸因之前，產品組合、基礎設施開支及其他因素均需要證據。

它們亦未證明較高需求沒有價值。公司可以在不同產品之間接受不同的經濟效益，同時追求更廣泛的客戶關係。

問題在於這些選擇能否帶來持久回報。這需要隨時間一併檢視成本和盈利。

每項額外請求都代表供應商必須處理的工作。它是否帶來額外收入，取決於客戶協議及所涉及的服務。

某些活動可能增加營運要求，卻不會帶來與客戶支出成比例的增長。把所有流量視為同等有價值，會掩蓋這項差異。

AI 透過效率帶來另一層複雜性。客戶可能正因某項服務可減少重複模型呼叫或限制不必要工作而希望使用它。

這仍可支持基礎設施業務。供應商的價值將來自協助客戶高效營運，而非盡量提高原始請求量。

這是對簡化 AI 增長敘事最明確的審慎回應。客戶價值和基礎設施活動未必總會同步上升。

有效的服務可能協助應用程式以更少呼叫完成工作。其商業理據便取決於客戶如何評價該項改善。

同樣的推理適用於應用程式故障。重複嘗試可能產生活動量，卻同時令用戶受挫，並增加完成有用工作的成本。

因此，對企業買方而言，成功完成工作比單看請求增長更具參考價值。繁忙的系統未必代表高效的系統。

對 Cloudflare 而言，相應的商業問題是採用的質素。持續的生產環境使用，與暫時試驗具有不同含義。

現有證據支持公司前景改善，但仍有空間進一步審視 AI 的貢獻，以及不同工作負載所附帶的成本。

這是業績分析的正常界線。財務報告確立業務成果，產品文件則確立能力；要把兩者連結，仍需額外披露。

因此，讀者不應把每項改善都歸因於 AI，或把每項成本壓力都歸因於 AI 基礎設施。兩種結論均超出本文所呈現的證據。

較有力的評估會把各項主張分開。Cloudflare 已提高預期、提供相關的應用程式基礎設施，並在持續存在經濟取捨的競爭市場中營運。

接下來關注採用、利潤率與買方選擇

下一項有用證據將把客戶承諾、服務經濟效益和競爭採用情況連結起來。

首先，應留意後續披露是否顯示 AI 應用程式正進入持續的生產環境使用。最有力的例子將說明客戶運行甚麼，以及依賴哪些服務。

具名客戶案例可提供有用細節，但其範圍十分重要。有限試用並不能證明整個機構已廣泛部署。

更具體的披露將強化 AI 支持持續基礎設施需求的論點。若持續依賴一般熱度，則較難評估其貢獻。

買方亦應區分客戶興趣與客戶義務。評估服務、部署服務和承諾持續使用，代表不同階段。

第二，應留意盈利進展是否伴隨服務成本的證據。單靠收入增長無法回答新工作負載是否改善業務的經濟效益。

相關問題在於營運改善如何與提供服務的成本相連。當財務指標走向不同時，管理層的解釋將十分重要。

若客戶採用擴大而服務經濟效益仍然健康，基礎設施論點便更具說服力。若增長需要持續讓步，詮釋便會較不利。

這並不要求每項財務指標同時改善。它要求對目前投資如何支持未來客戶價值和回報，作出可信的解釋。

第三，應留意圍繞完整應用程式的競爭採用情況。Akamai 的產品清楚顯示，客戶可透過其他方法把 AI 執行與支援性基礎設施結合。

新產品可用性在伴隨客戶使用及營運細節時最具意義。單靠公告，僅提供競爭地位改變的有限證據。

若客戶持續擴大對其應用程式服務的依賴，Cloudflare 的地位將會增強。競爭對手則可透過相若的採用程度及更清晰的營運優勢挑戰該地位。

開發人員應把這些訊號轉化為自身系統的具體問題。哪個供應商處理故障？應用程式資料儲存在哪裡？遷移需要甚麼？

企業買方應詢問承諾如何與實際使用情況一致。合約應反映應用程式的營運需要，而非假設試驗足以預測未來需求。

當知識工作者使用的工具依賴連接式 AI 服務時，他們亦有相關利益。可靠性影響助手能否持續擷取資訊和完成工作。

因此，這個業績故事不限於股東。它關乎哪些公司將營運連接模型與人們實際使用的應用程式之基礎設施。

Cloudflare 的盈利預測，是這場更大競爭中的正面商業訊號。隨著採用和營運證據累積，其意義將更為清晰。

在為 AI 項目選擇基礎設施之前，請記錄決策背後的假設，以及哪些證據會改變這些假設。讓部署筆記、服務限制和觀察到的故障，供所有負責應用程式的人員查閱。一個可搜尋知識庫可協助在產品和需求變化時保留這些推理。其後，當供應商披露具體採用或營運成果時，應重新檢視決策。請問這些證據是否支持你需要運行的應用程式，包括其可靠性和所有權要求？你現有架構的哪一部分已證明具持久價值，而哪一部分仍建基於對 AI 需求尚未驗證的預期？