随着 AI 推动网络需求扩张，Cloudflare 上调盈利预测

11 月 5 日，Cloudflare 再次上调全年盈利预期，进一步强化了其观点：人工智能带来的需求并不只惠及构建模型的公司。Cloudflare 的盈利预测如今反映出业务增长加快，尽管该公司按标准会计准则计算仍录得净亏损。

核心矛盾在于，这类需求如何转化为利润。AI 应用需要连接、保护以及运行软件的场所。销售这些服务能够带来机会，但承载额外工作负载同样会产生成本。

Cloudflare 的业绩让开发者和企业采购方聚焦于这种平衡。包括 Akamai 在内的竞争对手也在争夺同样的周边基础设施机会。问题在于，哪些提供商能够将 AI 活动转化为持久的客户关系和具有吸引力的经济效益。

Cloudflare 再次上调盈利预测

Cloudflare 提高了全年调整后盈利预期，延续了 2026 年以来连续上调的趋势。

该公司的季度财务业绩显示，预计全年调整后每股收益为 1.35 美元。每股收益衡量分配给每一股的收入。调整后数据不包含某些费用。

第三季度营收达到 7.825 亿美元，同比增长 39%。该季度于 9 月 30 日结束，因此此次公告既报告了已完成的业务活动，也更新了预期。

相比之下，此前的全年展望预计调整后每股收益将在 1.25 至 1.26 美元之间。8 月发布的该公告称，第二季度营收增长 36%。

这一趋势还可追溯得更早。Cloudflare 的第一季度展望预计全年调整后每股收益将在 1.19 至 1.20 美元之间。第一季度营收增长 34%。

这些对比说明了预期修订的方向，无需依赖股市反应。随着已披露营收增速加快，管理层对盈利变得更加乐观。

不过，盈利预测描述的是管理层的预期。它并不保证最终结果，也未说明每种产品的贡献。

该公告还需要区分会计口径。GAAP，即一般公认会计原则，为已披露财务报表提供标准框架。Cloudflare 录得季度 GAAP 净亏损 3410 万美元。

因此，若指调整后盈利，将其称为盈利前景改善是准确的。若称其宣布已实现全公司范围的 GAAP 盈利，则会歪曲业绩。

这一区别的重要性不止于财务术语。一家提供商可以扩大业务并改善部分指标，同时持续产生超过报告收入的费用。

对客户而言，此次上调提供了业务动能的证据。它对于某个具体应用是否运行得更好、运营成本是否更低或是否符合安全要求，提供的直接信息则较少。

对竞争对手而言，这项公告增加了压力：它们需要证明自身 AI 战略背后的商业成果。相比营收和客户承诺，单纯的产品公告提供的比较依据较弱。

因此，有用的起点是狭义而具体的：Cloudflare 预计其业务将带来高于此前预测的调整后盈利。要理解与 AI 的联系，需要考察客户实际上从该业务中需要什么。

AI 需求延伸至模型提供商之外

Cloudflare 的机会建立在 AI 回应周边的工作之上，包括连接服务、控制请求和运营应用。

模型生成答案，但一个可用的产品还必须完成更多工作。它需要接收请求并交付回应。

AI 智能体是利用模型和工具执行任务的软件，会增加更多交互。它可能会在决定下一步行动之前检索信息。

这为 AI 普及如何转化为基础设施需求提供了一条合理路径。即使底层模型来自另一家公司，应用仍需要可靠的连接。

重要的商业区别在于，客户会在何处遇到运营问题。演示可以强调回答质量，而生产环境中的应用还必须应对故障和不可预测的使用情况。

Cloudflare 通过 AI 应用控制功能记录了这一周边角色。其 AI Gateway 位于应用和模型提供商之间，提供请求可见性和管理功能。

这些已记录的功能包括日志记录、请求限制、重试以及模型间回退。缓存，即存储响应以供重复使用，也提供了另一种管理重复工作的方式。

这些能力解释了为何网络提供商无需开发生成答案的模型也能参与其中。其角色可以位于应用与外部服务之间。

当这一位置能够解决昂贵的运营问题时，其商业论点最具说服力。客户需要有理由在实验结束后继续保留这一中间层。

例如，一个团队可能重视对不同模型故障的一致视图。另一个团队可能优先防止应用发送不受控制的请求。

这些是示例性的采购考量，而不是特定 Cloudflare 合同的证据。其相关性来自于将已记录的功能与买家必须作出的决策联系起来。

这一区别也澄清了“AI 需求”的含义。它可能指直接运行模型、支持应用服务，或保护与 AI 交互的系统。

这些类别不应被视为可以互换。它们的技术要求不同，对公司盈利的贡献也需要独立证据。

Cloudflare 的更广泛业务也服务于需求超出 AI 范畴的客户。仅因管理层讨论人工智能，一次安全采购不会自动变成一次 AI 采购。

可辩护的解读是，AI 扩大了客户可能使用基础设施服务的理由。盈利公告并未量化这种扩张的每一个部分。

这给 Cloudflare 留下了一项实际挑战。它必须将对 AI 应用日益增长的兴趣，与客户在初始开发之后持续使用的服务联系起来。

企业买家也面临相应挑战。他们必须识别哪些基础设施增项能够改善应用，哪些只是增加了另一项依赖。

一份积极的盈利公告让这种评估更具时效性。它不能替代针对特定工作负载的证据，也不能证明每个 AI 项目都需要相同的架构。

商业机会在于让应用持续运行

最有力的基础设施论点，始于一个完整的应用以及维持其运行所需的运营工作。

Cloudflare 已描述过文本聊天之外的具体例子。其合作伙伴模型集成于 2025 年 8 月将 Leonardo.Ai 图像模型和 Deepgram 语音模型引入 Workers AI。

Workers AI 是 Cloudflare 用于在其基础设施上运行模型的服务。该公告将图像生成应用和语音智能体列为预期用途。

Cloudflare 描述了将图像生成与应用逻辑、存储和图像交付相结合的方式。对于语音应用，它描述了将语音处理与实时通信服务连接起来的方式。

这些例子为当前的盈利故事提供了有用参照。它们展示了模型访问如何成为更广泛基础设施关系的一部分。

将图像生成示例视为一种应用设计。生成图像只完成了用户请求的一部分。结果之后还必须保持可用。

一款产品可能需要将该图像与账户关联、可靠地展示它，并支持后续访问。这些周边需求会带来额外的基础设施决策。

商业机会来自于共同满足这些需求。处理更多应用环节的提供商，更有机会成为其持续运营的一部分。

这一结果仍取决于条件。广泛的产品目录并不能证明客户会采用每个组件，也不能证明捆绑总能改善其体验。

集成可以减少服务之间所需的协调工作。当应用行为依赖于提供商特有功能时，它也可能令迁移更为复杂。

语音应用凸显了另一项考量：响应速度。当延迟在语音处理、模型生成和交付过程中不断累积时，对话可能显得生硬。

没有任何单一组件决定整体体验。买家需要评估完整交互，而不是将模型基准测试视为应用基准测试。

Cloudflare 的合作伙伴公告描述了其预期架构。它并不能独立证明其在客户工作负载中的性能更优，也不能确定其对当前盈利的具体贡献。

不过，对这则盈利报道的推论仍然直接。如果开发者围绕某提供商的服务构建完整应用，使用范围可能会超出最初的模型调用。

这与针对模型端点——即应用联系以请求模型输出的地址——进行短期实验形成了不同关系。

当团队更换模型时，实验可以结束。由于存储、访问控制和交付仍然必要，应用关系则可以持续。

这正是 Cloudflare 的全年展望与开发者相关之处。业务动能支持这样一种观点：其基础设施战略值得与单独的 AI 功能一同纳入考量。

它仍未回答采用问题。所需证据是持续的应用使用和不断扩大的客户承诺，而不是产品页面上列出的功能数量。

对买家而言，这会将注意力转向运营适配性。有用的比较涉及完整应用的行为、所有权要求以及演进能力。

Akamai 表明该机会具有竞争性

Cloudflare 面临同样希望为 AI 应用提供周边基础设施的竞争对手，这限制了任何有关市场不受竞争的说法。

Akamai 的托管推理服务说明了这种重叠。推理是指运行经过训练的模型以生成输出。

Akamai 将托管模型访问与其更广泛的云服务一同提供。其服务包括共享容量和专用部署，具体可用性条件见产品页面说明。

这种定位为买家提供了将模型执行与应用基础设施结合的另一条路径。它也表明，Cloudflare 的财务动能不应被误解为拥有排他的技术主导权。

两家公司都描述了帮助开发者减少基础设施管理负担的方法。它们的营销建立了相互竞争的主张，而非独立证明任一方更适合所有工作负载。

核心竞争关乎应用关系的归属。当客户在 AI 相关的持续运营需求上依赖某家提供商时，该提供商将从中获益。

即使客户使用相同的底层模型，这种竞争也可能存在。差异可能体现在部署控制、集成要求或周边服务上。

对买方而言，这意味着模型可用性并不是完整的比较依据。能够访问知名模型，并不能解答服务在生产环境下的实际表现问题。

有关全球基础设施的说法也是如此。地理覆盖范围可能很重要，但应用程序的实际依赖关系决定了延迟和约束会出现在哪里。

广泛分布的应用程序仍可能依赖于远程数据库。附近的模型端点无法消除系统其他部分的所有延迟。

这些是架构层面的考量，而非关于 Cloudflare 和 Akamai 存在经测量性能差距的主张。它们解释了为何竞争评估需要应用层面的证据。

Cloudflare 面临的压力在于，必须让其更广泛的平台足够有用，从而促使客户选择更多服务。上调预测会增强其商业地位。

竞争对手面临的压力，则是证明从 AI 产品可用性到客户持续使用之间同样令人信服的路径。发布产品创造一种选择；获得采用才能形成业务。

买方仍保有一个重要的谈判筹码：能够区分其真正需要的服务与更广泛推介中包含的服务。

一个团队可能为了简化运营而偏好单一提供商。另一个团队则可能保留不同的提供商，因为其需求在应用组件之间各不相同。

这两种选择都不会从财报公告中自动得出。正确的比较取决于应用程序所执行的工作，以及其运营方承担的义务。

这也是 AI 基础设施市场能够容纳多家提供商的原因。不同应用对控制力、便利性、部署灵活性和运营责任赋予不同权重。

Cloudflare 的业绩提高了这场竞争的赌注。它们并未终结竞争，也没有证明竞争对手必须遵循完全相同的产品战略。

下一个问题是，在将服务客户的成本纳入计算后，使用量扩张能以多大效率转化为盈利。

更快的增长让经济性有待审视

只有当提供商能够以可接受的经济条件提供服务时，增长中的活动量才能支撑基础设施业务。

Cloudflare 的利润预测反映了管理层对业务的信心。它并不能证明每一次新增 AI 交互都会带来相同的财务回报。

Cloudflare 报告称，第三季度调整后毛利率为 72.4%，低于一年前的 75.3%。毛利率衡量的是扣除提供服务的直接成本后剩余的收入。

其调整后营业利润率从 15.3%升至 17.5%。营业利润率计入了直接服务成本以外的额外业务支出。

这些指标朝不同方向变动。这正是需要仔细审视业务，而不是用单一形容词概括盈利能力的原因。

这些数据并未独立确认 AI 是毛利率承压的原因。在归因之前，产品组合、基础设施支出和其他因素都需要证据支持。

它们也并不意味着更高需求缺乏价值。企业可以在不同产品上接受不同的经济性，同时追求更广泛的客户关系。

问题在于，这些选择能否带来持久回报。这需要随着时间推移同时考察成本和盈利。

每一项额外请求都代表提供商必须处理的工作。它是否带来额外收入，取决于客户协议和所涉及的服务。

某些活动可能增加运营要求，却不会带来与之成比例的客户支出增长。将所有流量都视为同等价值，会掩盖这一差异。

AI 通过效率带来了另一项复杂因素。客户可能正是因为某项服务能够减少重复的模型调用或限制不必要的工作而希望采用它。

这仍然可以支撑基础设施业务。提供商的价值将来自帮助客户高效运营，而非最大化原始请求量。

这是对简单化 AI 增长叙事最明确的质疑。客户价值和基础设施活动并不总是同步上升。

一项有效服务可能帮助应用程序以更少的调用完成任务。其商业逻辑随后取决于客户赋予这种改进的价值。

同样的推理也适用于应用程序故障。重复尝试可能产生更多活动量，同时挫败用户并增加完成有用工作的成本。

因此，对企业买方而言，成功完成任务比单纯的请求量增长更具参考价值。繁忙的系统不一定代表高效的系统。

对 Cloudflare 而言，相应的商业问题关乎采用质量。持续的生产使用与暂时性实验所代表的含义不同。

现有证据支持公司前景改善，但仍为进一步审视 AI 的贡献以及不同工作负载附带的成本留出了空间。

这是财报分析的正常边界。财务报告确立业务结果，产品文档确立能力；将二者联系起来需要更多披露。

因此，读者不应将每一项改善都归因于 AI，也不应将每一项成本压力都归因于 AI 基础设施。两种结论都超出了本文呈现的证据。

更有力的评估会将这些主张分开。Cloudflare 已上调其预期，提供相关的应用基础设施，并在一个持续存在经济取舍的竞争市场中运营。

接下来关注采用、利润率和买方选择

下一项有用证据将把客户承诺、服务经济性和竞争采用情况联系起来。

首先，关注后续披露是否说明 AI 应用正进入持续的生产使用阶段。最有力的案例将解释客户运行什么，以及他们依赖哪些服务。

具名客户案例可以提供有用细节，但其范围很重要。有限试点并不能证明已在整个组织内广泛部署。

更具体的披露将增强 AI 支持经常性基础设施需求的论点。持续依赖泛泛的热情，则会让其贡献更难评估。

买方还应区分客户兴趣与客户义务。评估一项服务、部署它以及承诺持续使用，代表不同阶段。

第二，关注盈利进展是否伴随有关服务成本的证据。仅靠收入增长无法回答新工作负载是否改善了业务经济性。

相关问题在于，运营改善与提供服务的成本之间如何关联。当财务指标朝不同方向变动时，管理层的解释将很重要。

如果客户采用扩大，而服务经济性保持健康，基础设施论点就会更具说服力。如果增长需要持续让利，解读则会变得不那么有利。

这并不要求每一项财务指标同时改善。它要求对当前投资如何支持未来客户价值和回报作出可信解释。

第三，关注围绕完整应用程序的竞争采用情况。Akamai 的产品明确表明，客户还有其他方式将 AI 执行能力与配套基础设施结合起来。

新产品的可用性，只有在伴随客户使用和运营细节时才最具意义。单靠公告，对竞争地位发生变化的证明有限。

如果客户持续扩大对其应用服务的依赖，Cloudflare 的地位将得到增强。竞争对手则会通过可比的采用情况和更明确的运营优势来挑战这一地位。

开发者应将这些信号转化为有关自身系统的具体问题。哪家提供商处理故障，应用数据存储在哪里，迁移又需要什么？

企业买方应询问承诺如何与实际使用相匹配。合同应反映应用程序的运营需求，而不是假设实验会预示未来需求。

当知识工作者的工具依赖互联的 AI 服务时，他们也有相关利益。可靠性影响助手能否稳定地检索信息并完成工作。

因此，这一盈利故事的影响超出了股东范围。它关乎哪些公司将运营连接模型与人们实际使用的应用程序的基础设施。

Cloudflare 的利润预测是这场更大竞争中一个令人鼓舞的商业信号。随着采用和运营证据不断积累，其意义将更加清晰。

在为 AI 项目选择基础设施之前，请记录决策背后的假设，以及哪些证据会改变这些假设。让部署说明、服务限制和已观察到的故障对所有负责该应用程序的人保持可访问状态。一个可搜索的知识库可以帮助在产品和需求变化时保留这些推理。然后，在提供商披露具体的采用或运营结果时重新审视该决策。请问，这些证据是否支持您需要运行的应用程序，包括其可靠性和所有权要求？您当前架构中的哪一部分已展现出持久价值，哪一部分仍建立在关于 AI 需求尚未经验证的预期之上？