近期，AI应用板块在资本市场的表现备受关注。此前，受“大模型吞噬软件”观点的影响，AI应用板块的估值相较于算力和模型端出现了明显的折价。然而，有分析指出，这种定价逻辑存在误判，AI时代的定价核心围绕Token展开，形成了算力层、模型层和应用层三层加价结构，其中应用层的场景Token价值尚未被市场充分挖掘。
在AI产业链中，Token是流通的基本价值单元。算力层作为Token的物理生产环节，其定价主要取决于每Token的推理与训练成本。这一层的特点是固定成本高，但边际成本随规模扩大而递减，长期竞争将聚焦于成本优势。模型层则赋予Token智能密度，不同模型能力下，同等数量Token承载的信息质量差异显著，模型厂商通过智能密度溢价获取收益。不过，随着高质量开源模型的不断涌现，这一层的溢价空间正面临结构性压缩。
应用层是Token场景转化率的关键环节，其核心价值在于将行业私有数据和专业Know-how注入Token使用过程，提升单位Token投入的业务价值。具体而言，应用层通过RAG与微调、Prompt工程与Agent编排、行业知识图谱以及效果承诺等机制，减少无效Token消耗，提高任务完成的转化率，并确保模型输出符合行业规则和实际可操作性。终端用户购买的是业务结果，而非Token本身，因此应用层能够赚取Token投入与业务产出之间的效率差价。
数据飞轮效应进一步强化了应用层的价值壁垒。终端用户的持续使用沉淀出丰富的行业语料和反馈信号，反哺模型在垂直场景的微调与迭代，提升单位Token的场景转化率。这使得应用层获得更强的效果承诺能力和更高的定价权，吸引更多客户使用，形成良性循环。随着AI基础能力的整体提升，拥有数据资产的应用厂商相对优势将持续扩大。
在评估AI应用公司时，需要构建双轴评估框架，即护城河和成长性。护城河评估包括客户粘性、数据时间资产、私有化部署性质、平台化程度和场景暴露度五个维度。例如，客户粘性可通过KA老客客单价年增速和合同负债增速来评估；数据时间资产是权重最高的维度，需评估竞争对手追赶所需时间；私有化部署性质需结合毛利率和实施人员数量细分；平台化程度决定公司能否脱离项目制线性增长；场景暴露度则评估核心场景的替代风险。成长性评估包括纵向渗透空间、横向扩张可行性和AI共振系数三个维度。纵向渗透空间衡量在已有客户群体里的收入天花板；横向扩张可行性评估底层能力迁移性；AI共振系数衡量基础模型能力提升时公司能解锁的新场景数量。
目前，已有AI数据服务商创新性提出Token化收费模式，并获得资本市场认可。仍有众多优质AI应用公司估值处于低位，具备挖掘价值。业绩成长性高、估值低位且已有按Token消耗量或按结果付费收入的优质AI应用标的，有望获得市场关注。不过，AI产业也面临宏观经济波动、技术进步不及预期和中美竞争加剧等风险，可能对产业资本投入、技术落地节奏和行业增长产生不利影响。
