Barclays 追踪 AI 收入中的每 100 美元，云服务商拿走近 40 美元

Barclays 对 AI 模型公司赚取的每 100 美元进行了拆解，发现云服务商通过推理成本获得约 35 至 40 美元。这一估算使 AWS、Microsoft Azure 和 Google Cloud 处于行业新兴利润结构的核心位置。

这一发现来自一份日期为 2026 年 8 月 28 日的 AI 单位经济学报告。8 月 30 日发布的一篇中文报道概述了这项分析及其构建的两种假设性 AI 实验室模型。

这一结论乍看之下似乎意味着云基础设施直接获胜。不过，Barclays 同时预计，随着推理效率提升、训练在收入中所占比例下降，模型公司的利润率也将改善。

这构成了核心矛盾。云服务商目前获得了模型收入中的很大一部分，但即使 AI 市场持续扩张，其占比仍可能下降。

这并非单纯是软件公司与基础设施供应商之间的竞争。问题在于，随着 AI 从昂贵的训练阶段转向持续的生产使用，哪个层级能够保有经济优势。

Barclays 在每 100 美元 AI 收入中发现了什么

即使推理效率大幅提升，云服务费用仍是 AI 模型收入中占比最大的支出之一。

Barclays 构建了两家假设性的前沿实验室，用以说明商业模式和会计政策如何重塑报告中的利润率。这些是分析模型，而非具名公司的公开财务报表。

实验室 A 约 70% 的收入来自 API，30% 来自订阅。实验室 B 则相反，80% 的收入来自订阅，20% 来自 API。

实验室 A 每赚取 100 美元，其关联的云服务商便获得约 35 美元收入。Barclays 估计，其中约 11.80 美元转化为营业利润，对应接近 34% 的利润率。

实验室 B 产生了不同的结果。其云合作伙伴从每 100 美元中获得约 41 美元，其中包括一项战略性收入分成安排。

在这一情景中，云服务商保留约 19.10 美元作为营业利润，最终利润率约为 47%。

这些例子构成了被广泛转述的结论：云服务商从 AI 实验室每 100 美元收入中获得约 35 至 40 美元，并保留约 10 至 20 美元作为营业利润。

具体结果不仅取决于计算资源消耗。产品组合、合作伙伴协议、训练成本分配和收入确认方式，都会改变表面上的分配结构。

实验室 A 按总额确认间接 API 收入。实验室 B 则对可比收入采用净额确认，或排除由其合作伙伴运营的业务。

总额确认会在扣除相关费用前，将更多交易金额记录为收入。净额确认则只记录公司实际保留的部分。

Barclays 将这种会计差异与 Uber 和 Lyft 的历史差异相比较。当公司采用不同的报告方式时，基础交易相似也可能产生截然不同的财务报表。

这一提醒十分重要，因为私营 AI 公司提供的标准化财务数据有限。若不对收入确认政策进行调整，直接比较营收或毛利率可能得出失真的结论。

两家实验室的调整后毛利率也不同。Barclays 为实验室 A 设定了接近 55% 的利润率，为实验室 B 设定了约 38%，相差 17 个百分点。

以 API 为主的实验室表现更好，部分原因在于直接 API 客户按 token 消耗量付费。这种结构使收入与实际完成的计算工作更加紧密地关联。

订阅产品则带来另一种风险。固定费用必须覆盖消费模式差异极大的用户，其中包括高强度编程会话和长时间运行的智能体任务。

使用限制可以保护服务商，但也会影响留存率。提高限额可能吸引客户，同时也会将更多推理成本转回模型公司。

Barclays 估计，Claude Code 和 Codex 等订阅产品的推理利润率约为 70%。直接 API 推理的利润率据称超过 80%。

这些数字描述的是推理贡献，而非一家 AI 公司的完整盈利能力。它们排除或另行分配了训练、研发、销售和管理等重大支出。

因此，这一每 100 美元框架是一张资金流向图，而非经过审计的行业平均值。它的价值在于展示资金如何流动，以及哪些假设会改变结果。

推理经济为何正在改善

AI 公司正在获得更高利润率，因为每次有效响应所需的基础设施更少，而商业需求支持持续变现。

推理是指运行已经训练好的模型来回答请求、生成代码或完成智能体任务。每当客户使用 AI 产品时，它都会成为一项持续性支出。

训练则遵循不同的模式。在模型面向客户之前，它会集中产生巨大的计算成本，尽管后训练和持续改进模糊了这一边界。

Barclays 估计，付费推理的利润率从 2025 年的低两位数百分比，上升至 2026 年的 50% 至 65%，甚至更高。调整后毛利率提高了 30 至 50 个百分点。

多项技术变化支撑了这一转变。量化降低模型所使用的数值精度，在尽力保留输出质量的同时减少内存和计算需求。

推测解码让较小的系统提出 token，再由较大的模型分组验证。成功的预测可减少生成所需的时间和硬件资源。

更优的路由还会将较简单的请求发送给更小的模型。缓存可避免重复计算，批处理则让硬件能够同时处理多个请求。

硬件利用率与模型设计同样重要。一台昂贵的加速器即使闲置，仍会产生折旧、融资、能源和设施成本。

规模最大的运营商可以在不同地区、客户和产品之间分配可变工作负载。这种规模为云服务商带来了重要优势，优于管理专用集群的较小型 AI 实验室。

不过，模型开发商同样能从效率中受益。每单位计算所生成 token 数量的每一次提升，都可以扩大其利润空间，或以相同成本支持更多使用量。

Google 报告称，2025 年其通过模型优化、利用率提升和基础设施效率，将 Gemini 的服务单位成本降低了 78%。其云业务业绩说明，垂直整合的运营商可以同时改善多个层级。

Microsoft 在 2026 财年也描述了类似的关注重点。该公司报告称，在某一季度，其最常用 Copilot 模型的推理吞吐量提高了 40%。

其后续基础设施更新称，自年初以来，Copilot 工作负载吞吐量已增长四倍。Microsoft 将这些提升归因于芯片、系统和软件层面的协同优化。

这些改善并不必然降低客户账单。服务商可以保留效率收益、用其提升输出质量，或支持要求更高的推理工作负载。

推理模型在给出答案前，往往会生成更多中间 token。智能体可能在搜索、编写代码、检查结果和修订工作时反复调用模型。

因此，更低的单位成本可能带来更高的总消耗量。这种反弹效应使推理效率对 AI 公司和云服务商都具有价值。

企业需求又增加了一层影响。Barclays 分析师 Ross Sandler 将利润率改善与企业客户以及智能体工作流成为重要采购项目联系起来。

这一判断仍是一项预测，而不是适用于所有客户的结论。企业在采用程度、部署规模、安全要求和可衡量回报方面仍存在很大差异。

然而，生产级智能体消耗的不只是模型 token。它们还需要数据库、存储、网络、身份管理、监控和持久化任务状态。

这些配套服务强化了云服务商的地位。实验室可以优化模型推理，但其客户仍可能从同一云平台购买更广泛的基础设施组合。

这一动态解释了为何云服务商可以获得近 40 美元，而 AI 实验室的利润率仍在改善。效率扩大了可分配的整体收益池，随后竞争再决定由谁保留这些收益。

云服务商赢得当前回合，却为整场竞争提供资金

AWS、Azure 和 Google Cloud 能够获得持续性的 AI 收入，是因为在模型公司服务客户之前，它们先承担了资本负担。

Barclays 的模型关注运营资金流，但基础设施层始于巨额前期投入。数据中心需要土地、电力、冷却、网络、处理器，以及漫长的建设周期。

Microsoft 报告称，其 2026 财年第二季度的资本支出为 375 亿美元。其中约三分之二涉及使用寿命较短的资产，主要是 GPU 和 CPU。

该公司还表示，客户需求仍持续超过可用供应。其云业务表现显示，Azure 收入持续增长，同时仍面临持续投资 AI 基础设施的压力。

Microsoft 的 Intelligent Cloud 收入在该季度增长了 29%。营业利润增长 28%，但该业务部门的毛利率较上年同期下降。

这种组合体现了云业务的权衡。AI 需求带来快速收入增长，但满足需求需要增加设备，而这些设备的折旧速度可能快于建筑物或土地。

Alphabet 计划在 2026 年投入 1,750 亿至 1,850 亿美元资本支出。该公司称，这笔资金将支持 Google DeepMind、消费产品和 Cloud 客户需求。

Google Cloud 在 2025 年末的年化收入运行率已超过 700 亿美元。Alphabet 还报告了 2,400 亿美元的云业务积压订单，以及对 AI 产品的强劲需求。

Amazon 面临同样的投资周期。其股东材料称，预计 2026 年 AWS 资本支出中的很大一部分，将用于支持在 2027 年和 2028 年实现商业化的产能。

Amazon 还表示，已有客户承诺覆盖计划产能中的相当大部分。其股东文件将这种需求可见性视为继续投入的支持因素。

这些公司可以利用成熟业务产生的现金为基础设施融资。搜索广告支撑 Alphabet，企业软件支撑 Microsoft，而商业业务则帮助 Amazon 提供资金。

独立模型公司没有同样多元化的基础。它们往往依赖股权融资、战略性云合作伙伴关系、预先承诺或其他结构化安排。

这种依赖使云服务商获得了超越每 token 利润率的经济杠杆。当需求超过供应时，它们控制产能分配，并影响哪些模型能够触达企业客户。

市场平台和托管模型平台进一步加深了这一角色。公司可以通过既有云合作关系购买模型访问权限，而不必直接与每一家实验室签约。

云服务提供商随后掌控计费、身份管理、治理、区域可用性和技术集成。模型成为更广泛企业账户体系中的一个组成部分。

不过，接近 40 美元的数字不应被误认为是纯粹的经济租金。云厂商必须承担芯片、能源、维护、网络、人员、融资和硬件更换成本。

Barclays 估计，实验室每获得 100 美元收入，可带来 10 至 20 美元的运营利润。其余云服务收入则用于支付这些巨额基础设施成本。

该模型还指出，合作伙伴收入分成抬高了实验室 B 表面上的云利润率。剔除这一安排后，云服务提供商每枚 token 的利润与实验室 A 相当。

这一差异改变了解读方式。实验室 B 较强的结果不一定意味着其基础设施经济效益更优。

相反，它在一定程度上反映了战略合作伙伴之间协商达成的价值转移。Barclays 预计，该特定收入分成机制将在 2028 年后逐步退出。

因此，当前云服务优势建立在三大基础之上：稀缺的产能、巨额资本投入，以及将模型开发商与基础设施提供商连接起来的合同。

这三者都可能发生变化。产能可能变得更充裕，专业运营商可能入场，大型实验室也可能在传统云合同之外为专用基础设施融资。

100 美元模型无法证明什么

Barclays 提供了一个有用的经济框架，但其预测依赖于对私营公司的估算、假设性的实验室以及会计处理选择。

相关 Barclays 研究曾被公开概述，但完整的分析师模型并未作为经过审计的数据集广泛公开。读者应将其中数字视为估算值。

这两种实验室画像经过了有意简化。现实中的公司通常会结合消费者订阅、企业协议、直接 API、云市场、授权和战略合作伙伴关系。

它们也会谈判不同的硬件价格和产能条款。签署多年期承诺的公司，所面临的经济条件可能与按需购买产能的小型开发商截然不同。

模型架构带来了另一种差异。一些系统采用稀疏的混合专家架构，而另一些则会在每次请求中激活更多参数。

工作负载形态同样重要。短文本分类任务、长时间编码会话、图像生成和自主研究智能体带来的成本差异很大。

即使是 token 的含义，在不同模型系列和模态之间也不尽相同。比较名义 token 价格，无法揭示完成同一有用任务的成本。

训练成本的分摊也带来另一层不确定性。实验室可以在不同报告期和产品线之间，以不同方式将开发成本计入费用、资本化或进行分配。

Barclays 估计，2026 年训练支出约占 AI 实验室收入的 48%。其预测该比例将在 2027 年降至 35%，并在 2028 年降至 30%。

这一方向具有合理性，因为收入增长可能快于训练项目的增长。不过，前沿竞争也可能推动规模更大、频率更高的训练运行。

独立研究发现，自 2016 年以来，计算密集度最高的训练运行成本每年约增长 2.4 倍。这项训练成本研究预测，若该历史趋势延续，前沿训练运行的成本可能达到十亿美元级别。

这项研究早于 Barclays 的 2026 年模型，衡量的问题也不同。但它说明，训练成本占收入比例下降并非必然。

随着间接 API 的增长，收入也可能变得更难比较。一家实验室可能记录客户支付的全额款项，另一家则可能只记录其留存份额。

这可能让一家公司看起来规模更大或利润更高，却并不代表其基础产品更优。Barclays 特别警告，未来比较需要进行谨慎的会计调整。

战略关系会造成额外扭曲。云公司可以投资模型开发商，同时也从该开发商获得基础设施支出或收入分成。

这些安排在商业上具有正当性，但它们使供应商收入、投资回报和独立客户需求之间的清晰划分变得复杂。

云业务层面的财务披露无法完全解决这一问题。AWS 单独报告一个业务分部，但 Microsoft 并未将 Azure 收入作为独立金额披露。

Google Cloud 包括基础设施、平台服务、应用程序及其他企业服务。这些业务分部均未单独披露前沿模型推理的利润。

因此，Barclays 示例中报告的 34% 至 47% 利润率，无法直接与公开的云业务账目进行核对。它们仍属于模型化分配。

竞争可能对双方形成压力。模型公司可能降价以捍卫使用量，云厂商也可能折扣提供产能，以争取大型承诺。

开放模型也可能将需求转向基础设施，却无法保留原始开发商的收入。企业可以通过云平台或专业供应商托管这些模型。

与此同时，专有实验室可以将工作负载分配至多个供应商。它们可以使用定制加速器、专用集群或替代云服务，以提升议价能力。

因此，标题所表达的结论应保持狭义。Barclays 估计，在具有代表性的结构下，云服务提供商目前会从模型公司每 100 美元收入中获得接近 40 美元。

这并不能证明每家实验室都支付相同的比例，也无法证明云公司会无限期保留这一份额。

决定谁能保留下一个 100 美元的三个信号

下一阶段将取决于训练强度、专用基础设施，以及云服务投资与实际 AI 收入之间的差距。

第一个信号是训练支出占实验室收入的比例。Barclays 预计，该比例将在 2028 年前显著下降。

如果该比例在 2027 年降至预测的 35%，模型公司将获得更有力的证据，表明收入增长正超过前沿开发成本。

这一结果将强化实验室盈利能力改善的论点。它也会降低云服务相对于模型收入每一美元所获得的总收入。

如果训练强度仍接近 2026 年水平，则会得出相反结论。尽管推理利润率有所改善，行业仍将高度依赖高成本的开发周期。

第二个信号是三大主导云平台之外专用产能的出现。Barclays 预计，传统云服务所占份额将在两年内大体保持稳定。

2028 年后，先前已签约或获得融资的基础设施应成为 AI 实验室更重要的算力来源。在这些设施投入运营之前，这一预测就值得密切审视。

仅凭公告的证据力度有限。投资者和客户应关注项目是否获得电力、芯片、融资、网络连接和运营团队。

他们还应追踪实验室是否将生产工作负载迁移至这些产能上。训练集群不会自动成为可靠、地理分布式的推理系统。

如果专用设施承载大量生产流量，接近 40 美元的云服务获取率应会下降。模型公司将更多地内化基础设施责任和潜在利润空间。

但与此同时，它们也将承担利用率风险和资本敞口。只有当工作负载能持续让昂贵硬件保持高效运转时，自有产能才能改善经济效益。

第三个信号是超大规模云厂商资本支出与云业务盈利能力之间的关系。Microsoft、Alphabet 和 Amazon 正在投入巨额资金，而并非所有产能都已开始产生收入。

若强劲的云业务增长伴随稳定或改善的利润率，将支持 Barclays 的论点。这将表明基础设施供应商能够把 AI 需求转化为可持续的运营利润。

增长放缓或利润率持续承压则会削弱这一论点。这类结果将意味着，竞争、折旧或能源成本吞噬的价值超过了 100 美元模型所假定的水平。

企业采用构成了连接主线。云公司不能只依靠少数前沿实验室，就为如此规模的基础设施建设提供充分理由。

Microsoft 表示，2026 财年需求超过了可用供给。Alphabet 报告称，AI 客户使用的产品多于非 AI 云客户，使收入增长超越了纯算力服务。

如果客户续签承诺，并将试点项目转入生产，这些说法将更具可信度。早期实验预算到期后，使用量必须能够持续。

对于开发者和企业采购方而言，这场经济竞争会影响产品设计。一个包含重复模型调用的工作流，其基础设施负担可能远大于界面所显示的程度。

团队应评估完整任务成本，包括重试、检索、存储、监控和人工审核。最便宜的 token 并不总能带来最便宜的完成结果。

知识工作者也面临类似问题。智能体订阅看似简单，却可能将可变的基础设施消耗隐藏在使用限制和不断变化的服务政策之后。

保留关于结果、决策和源材料的内部记录，可以减少不必要的重复请求。可搜索的 AI knowledge base 也有助于团队复用已完成的工作。

Barclays 预测，全球 AI 实验室收入将从 2026 年的 1,370 亿美元增长至 2028 年的 6,900 亿美元。这一预测仍然激进，不应被视为既定事实。

即便结果低于预期，仍可能产生可观的云服务需求。决定性问题不在于市场是否增长，而在于哪一层能够将这种增长转化为留存利润。

关注下一轮财务披露中标准化的收入确认、推理成本、训练成本分配和合同承诺。更好的披露可以检验假设性实验室无法定论的假设。

还应关注 AI 开发商是否在庆祝利润率改善的同时，签署规模更大的基础设施协议。这一组合将表明，效率提升正在刺激更多消费。

接近 40 美元这一数字，最好被理解为 2026 年议价能力的一个快照。云服务提供商为稀缺基础设施提供资金，而模型公司掌握产品和客户关系。

哪一方能保留更多下一个 100 美元，将取决于执行力，而非某条永久规则。在将当今的分配格局视为明日行业结构之前，请先关注这三个信号。