GS · AI Spend vs. Benefit — Marking Our Views to Market Two Years Later 精读笔记

0. 一句话概括

两年过去，AI 钱继续往上游堆、却出不来 ROI；解开企业层 ROI 的钥匙不在更大的模型，而在 **Data Structuring + Orchestration & Deployment** 这一新中间层；交易上，从"buy picks-and-shovels"转向 **long Hyperscalers / underweight Semis**。

---

1. 报告 40 页骨架地图

| 区段 | 页码 | 主题 | 看点 | |---|---|---|---| | 封面 / 引言 | 1-3 | MTM 的方法论：既看错的、也看更确信的 | 关键追问：*"where is the value going to accrue in the supply chain?"* | | § 哪里错了 | 4-6 | 消费者采纳 / hyperscaler capex | 两个反向证据 | | § 哪里更确信 | 7-15 | 企业 ROI / AI 经济性 / 就业 / SLM vs LLM | 多数论据来自 GS Macro + 第三方 | | § 价值会去哪 | 16-20 | 新中间层：Data Structuring + Orchestration | 本报告最 alpha 的章节 | | § 哪些利润池被搅动 | 21-26 | 广告 / 软件 / 网安 / 自动驾驶 | 跨团队案例 | | § 给 C-Suite 的建议 | 27-28 | 慢下来 / Build vs Buy / SLM 长尾问题 | "Pioneers got arrows, settlers got land" | | § 交易实施 | 29-31 | Long Hyperscaler vs UW Semi | 三情景框架 | | 附录 | 32-40 | 阅读清单 / 引用 / 合规 | 23 条文献编号清晰可追 |

---

2. 论证骨架重建（作者的因果链）

``` ① 钱继续投入 AI（capex 没减、消费 WAU 暴涨） │ ▼ ② 但企业层 ROI 仍未兑现（MIT 95% 零回报 / EY 99% 报损失 / Mercor APEX agent 大多失败） │ ▼ ③ 价值 100% 流向 semi 层（NVDA 利润 vs 4 家 HS 净利润对比） │ ▼ ④ "Circular Financing" 不可持续：HS 已烧光经营性现金流，2025 数据中心债券发行翻倍至 $182bn │ ▼ ⑤ 必须解锁企业层 ROI，否则上游迟早回吐 │ ▼ ⑥ 解锁路径 ≠ 更大 LLM，而是 *Data 结构化 + Orchestration 分流*；SLM 已经在跑通 case │ ▼ ⑦ Trade：UW semis（已 priced）/ OW hyperscalers（multiple 已被怀疑压缩） ```

论证关键支点：第 ③ 步——"semi 公司应当与客户共荣，而非吃掉客户的利润"，是 Covello 干了 20 年半导体研究的"行业直觉"，他在 p.10 用 NVDA / META / AMZN / MSFT / GOOGL 自 1Q23 净利润增长倍数的对比图作证（NVDA 增长远超 4 家 HS）。

---

3. § 哪里错了——两条反向证据

3.1 消费者采纳远快于预期（p.5）

• ChatGPT 推出 3 年内全球渗透率 ~53%，**显著高于** PC 与互联网同时期曲线（Stanford HAI Index 2026）
• OpenAI WAU 从 2022-11 接近 0 跃升至 2026-01 ~900M（图示）
• 但作者强调：**95% WAU 用免费版**（来源：The Information）→ 消费侧再火也无法给上游回血，企业才是 ROI 来源
• 神来一笔的冷讽：美国人每天看手机 5h16m，11% 觉得有效率；现在却为 AI 省 30 分钟兴奋——逻辑可笑、但事实就是采纳爆炸

3.2 Hyperscaler 越跑输越加码（p.6）

• 假设错了：原以为 HS 股价跑输 → 会迫使其减 capex，实际相反
• 解释：**FOMO > 现有股东**——管理层认为长期股东受益
• 反驳证据图：HS capex 总额持续抬升，但 MSFT/AMZN/GOOGL/META 自 2024-07 起多数跑输 SPX
• 作者立场没让步：**"Eventually deteriorating cash flow profile will force a slowdown"**，只是承认时点错了

我的解读：这两点恰恰说明叙事仍在"信仰阶段"——产品端兑现 + 资本端不肯下车，是泡沫顶部的典型双特征。Covello 没把话说死、留了"未来仍会兑现"的伏笔。

---

4. § 更确信的四个判断

4.1 企业 ROI 拉垮（p.8-9）

四条铁证：

| 来源 | 关键数字 | |---|---| | MIT NANDA *State of AI in Business 2025* | $30-40bn 企业 GenAI 投入，95% 零回报 | | Axios（2026-04） | "AI cost more than human workers now"——IT 预算被 AI 吞噬 | | EY 2025 责任 AI 报告 | 99% 企业报告 AI 相关损失，64% 单笔损失 > $1M，平均 $4.4M，样本 975 家合计损失 $4.3bn | | Gartner | 全球 IT 支出 $5T(2024) → $6.15T(2026)，没看到任何节省 | | HBR（2025-09）"AI-Generated Workslop" | 平均每条 workslop 耗 1h56m 清理，月成本 $186/人，1 万人组织年损 $9M+ | | Mercor APEX-Agents（480 个银/咨/法工作任务） | 所有 agent 多数任务做不完 |

这是整份报告里最强的一组证据——分别来自学术（MIT）、咨询机构（EY/Gartner）、媒体（Axios/HBR）、AI 招聘 startup（Mercor），口径全方位指向"企业 ROI 没影"。

4.2 AI 经济性（p.9）

• 4 家 HS 已烧光 cash flow from operations（图：S&P Global）
• 2025 全年数据中心债券发行 **$182bn，较 2024 翻倍**（CNBC，2025-12）
• 原 bull case："这次不一样，巨头有现金可烧"——**已不再成立**

4.3 就业替代远低于市场叙事（p.11-13）

GS Macro 团队（Peng / Briggs / Dong）的硬数据：

| 维度 | 测算结果 | |---|---| | 当前对就业的影响 | 月度 payroll 拖累 ~16k，失业率 +0.1pp | | 受 substitution 风险最高的职业 | 电话接线员 / 保险理赔员 / 催收员 | | 受 augmentation 受益的职业 | 教育工作者 / 法官 / 建筑经理 | | 长期基线（10 年路径） | AI 可自动化 25% 工时；6-7% 工人在过渡期被取代；失业率峰值 +0.6pp | | 极端情景（替代翻倍 + 采纳加速 2x） | 失业率峰值 +2.4pp（410 万人） |

核心区分：substitution（替代）≠ augmentation（增强），媒体只讲第一种。

4.4 SLM > LLM 在企业场景（p.14-15）

SLM 八维优势：参数 / 算力 / 成本 / 部署易度 / 数据安全 / fine-tune 效率 / 偏见可控 / domain-specific

具体案例： - Datadog（2026-02-12 analyst day）：内部数据训练的 SLM 在 domain 任务上同时做到 更准 + 更便宜，超过 frontier 模型 - 一家供应链公司从 LLM 换 SLM → 延迟 -47%、成本 -50% - 一家 SaaS 公司用内部文档 fine-tune SLM → 3 个月内部 chatbot 使用量 +62%

这个对照支撑了第 5 章"价值会去 Orchestration 层"的论点——既然 SLM 已经能在 domain 跑赢 frontier，编排路由的价值就被放大。

---

5. § 报告最 alpha 的部分——Orchestration & Data 中间层

5.1 Circular Financing 图（p.17）

``` Enterprises ──$$$──▶ Model Cos ──$$$──▶ Hyperscalers ──$$$──▶ Semis ▲ │ └─── 现在卡在这里出不来 ROI ──────────────────────────┘ ```

*"Enterprises at the top of the chain have to begin to derive economic value from AI in order for the spending throughout the chain to be sustainable."* — p.17

5.2 解锁路径分层（p.18）

两类任务的模型分流：

| 任务类型 | 模型类别 | 例子 | |---|---|---| | Low-consequence | 开源 / 轻量模型（商品智能） | 客服 FAQ / 网页搜索代答 | | High-consequence | 最先进模型（关键智能） | 制药 / 国防 / 高利害金融决策 |

*"The winners will not be defined by access to one class of model alone. They will be the companies that can orchestrate both."* — p.18

5.3 两个非技术化例子（这是给买方读者的写作精华）

例 1：Data Structuring（p.19） > 零售公司有三个数据库：推荐算法 / 实时库存 / 客户行为画像；三者各自孤岛 → AI agent 推荐一个缺货商品 → 用户体验崩 → ROI 拿不到。 > 现存的 startup 例子：AI One（帮企业重构数据架构）

例 2：Orchestration（p.20） > 对冲基金 PM 提问 "YTD SPX 是多少？" 也调用最贵的 LLM → 烧钱 > 正确做法：路由层把 commodity query 送便宜模型，把 "build a model from scratch" 送高端 LLM > 这是大量企业 AI 预算超支的核心原因

我的批注：这两个例子对买方非常友好，把 "tokenomics" 这种术语翻译成了所有 PM 都看得懂的场景。这是 sell-side 写作的高级技巧——**把技术术语翻译成投资逻辑能听懂的故事**。

---

6. § 利润池颠覆案例（p.21-26）

作者的方法论：**"新技术能动谁的利润池？"** — 类比 Amazon→实体零售 / Google→纸媒广告 / NVDA→Intel CPU / Cloud→on-prem。**当前 AI 还没找到自己的"那个利润池"**，但下列 4 个候选最有可能。

6.1 广告（p.23，Eric Sheridan）

可被 AI 颠覆的 4 个 profit pool：

| 项 | 规模 | |---|---| | 传统→数字渠道迁移加速 | ~$170bn | | 广告创意自动生成 | ~$114bn | | Ad tech 中介整合 | ~$25bn | | 广告代理生态 | ~$161bn |

领先案例：GOOGL Performance Max（2Q25 美国广告主使用率 63%，10% 广告预算走 PMax） / META Advantage+（3Q24 已 38% 广告主 + 12% 预算）。

6.2 软件（p.24，Gabriela Borges）

关键反共识：AI 不吃软件，软件 TAM 反而变大。 - SaaS → Agent 转型：单位从"许可证"变"劳动 / 生产力单位"，单笔合同更大、解锁新预算 - 风险不是 rip-and-replace，而是 value abstraction - 现任 SaaS 厂的护城河 = domain experience → 天然适合 SLM - 三类玩家（雷达图）：SaaS 在位者 / AI-native apps / Frontier LLMs，长期赢家来自前两类的少数赢家

6.3 网络安全（p.25，Gabriela Borges）

切两层： - Base-level security：LLM 厂自带（消除 adoption 摩擦），蚕食非差异化厂商 - Protection security：独立厂商提供深度防护，LLM 不太可能颠覆

三个产品周期： 1. 短期：用 LLM 做漏洞管理（Anthropic 的 Project Glasswing / OpenAI 的 Trusted Access） 2. 中期：SOC 工具升级 + runtime agentic protection 3. 长期：agent 身份与治理工具（agent 越多，IAM 越关键）

6.4 自动驾驶（p.26，Mark Delaney）

2035 全球 AV 生态市场规模（含硬件 + 软件 + 服务）≈ $2T；剔除非增量后，AI 直接贡献 ≈ $300bn。

| 子市场 | 2035 规模 | 累计 10 年毛利润 | |---|---|---| | Robotaxi（US） | $48bn | — | | Robotaxi（全球） | ~$415bn | ~$440bn | | Class 8 AV 重卡（US） | $105bn | — | | Class 8 AV 重卡（全球） | ~$560bn | ~$300bn |

对既有市场的颠覆：~$440bn（美国，rideshare/出租车/卡车运输/轻型车销售）。

---

7. § 给 C-Suite 的建议（p.28）

四条钢条：

1. Slow down now to speed up later：FOMO 在驱动企业讲 AI 故事，但 building blocks（数据结构 / 编排层）没就位前的钱大概率要重花 2. Pioneers got the arrows, settlers got the land：Uber 是在 dot-com 破灭后 20 年才出来的；今天的赢家不需要急 3. Build vs Buy 正在向 Buy 倾斜：production-grade agent 需要永久工程团队维护（测试 / 安全 / 模型升级 / 编排），自建已不划算 4. SLM 的隐忧：如果 3 年后企业跑几百个 SLM、彼此不通话、维护贵——和它要取代的 SaaS 有何区别？

这第 4 条是整份报告最尖锐的反问，对所有声称"AI 取代 SaaS"的论点构成根本性挑战。**SaaS 的本质问题不是技术，是组织间数据孤岛——SLM 也无法天然解决。**

---

8. § Trade Idea（p.29-31）

核心：Long Hyperscalers basket vs Underweight Semis & Semi-cap basket

前提：picks-and-shovels 已 fully priced，SOX 自 2024-06 大幅跑赢 hyperscalers；市场对 HS 的 ROI 怀疑已通过 multiple 压缩反映。

| 情景 | 概率（隐含） | HS 表现 | Semi 表现 | Trade | |---|---|---|---|---| | ①企业 ROI 兑现 | 较高 | 估值修复 | 涨少（已 priced） | 赚 | | ②HS 主动砍 capex | 中等 | 现金流 relief rally 大涨 | 大跌 | 大赚 | | ③现状延续 | 不低 | 现金流更恶化 | 继续吃利润 | 亏 |

我的批注：这个 trade 是**反向偏多 hyperscalers** 的逻辑——不是看好 AI 落地，而是赌**怀疑已 priced**。情景②是最大收益场景，但要求触发事件（典型如季报中 capex guidance 主动下修）。

---

9. 批判性评论

9.1 论证强项 - **三层证据链**（学术 / 行业 / 第三方调查）足够厚实，不是单一来源 - 把"循环融资"问题量化（$182bn 数据中心债券） - "Orchestration 层"是稀缺的卖方观点——大多数报告还在讨论模型层 / 应用层二分 - 把 substitution vs augmentation 区分干净，反制"AI 替代 50% 工作"的标题党叙事 - Trade 三情景框架清晰可证伪

9.2 论证弱项 / 可质疑处

1. "消费者免费 → 不重要"——这是 Covello 反复的论点，但 Meta / Google / TikTok 的整个广告商业模式正是用免费消费品换数据/广告位回血。这里他低估了消费者免费层对广告 TAM 扩张的间接价值（他自己在 p.23 又承认了广告 profit pool 可被颠覆）→ 内部不自洽 2. 三情景概率分布没给——②情景虽然 payout 最大，但触发条件（HS 主动砍 capex）历史上极罕见；③情景"已存在 2 年 + 还会持续"是最现实路径，对应这个 trade 实际为亏损概率不低 3. 没有处理 Sovereign AI / 国家级 capex 周期——Trump 政府的 AI 基建支持 / 主权基金参与（如 ME 主权基金）会拉长 capex 持续期，对 trade ③的尾巴风险考虑不足 4. 没具体说 hyperscaler basket 内部相对配置——4 家 HS 商业模型差异很大（GOOGL 广告 / AMZN 零售 + AWS / MSFT B2B / META 广告），打包 long 是粗糙的 5. Orchestration 层赢家没具体推荐——AI One 是 startup（私）、Datadog 只是个数据点；现存上市股 readers 没办法直接 long Orchestration 主题

9.3 隐藏的看多论据 报告通篇看似谨慎，但有几个**实际偏建设性**的信号被埋藏： - p.13 GS Macro 长期基线 = **AI 带来 15% 劳动生产率提升**——这是非常乐观的数字 - p.24 软件 TAM 反而扩张 - p.22 罗列了 4 个潜在颠覆候选，**每一个都跑通就够喂回整个上游** - p.18 已明确"Orchestration 层 = 价值会去的地方"，意味着作者预判了 ROI 兑现的具体机制

真正的隐含立场是：**短期半导体上涨过头 / 长期 AI 兑现是高概率的，但兑现机制和兑现节奏与市场叙事不一致。**

---

10. 可直接引用的素材库

数字（可写进日报/周报）

• 数据中心债券发行 2025 翻倍至 **$182bn**（CNBC 2025-12）
• MIT NANDA：**95% 企业 GenAI 投入 $30-40bn 零回报**
• EY：**64% 企业 AI 单笔损失 > $1M、平均 $4.4M**
• Gartner：全球 IT 支出 $5T(2024) → **$6.15T(2026)**
• HBR Workslop：**月均 $186/人** 的隐形税
• GS Macro 当前就业影响：**-16k/月 payroll，+0.1pp 失业率**
• GS Macro 10 年基线：**AI 生产率提升 +15%**，失业率峰值 +0.6pp，极端情景 +2.4pp
• 全球 AV 生态 2035 ≈ **$2T**，AI 直接贡献 **$300bn**
• ChatGPT 推出 3 年渗透率 **~53%**（vs PC / 互联网同期低很多）
• OpenAI WAU **~900M（2026-01）**，95% 用免费版

金句（中英对照）

• *"Chip companies are supposed to thrive when their customers thrive. In this cycle, the chip companies are thriving at the expense of everyone above them."*
• 半导体本应与下游同涨；这轮却在吃下游利润——这种状态前所未有、且不可持续。

• *"Pioneers got the arrows, settlers got the land."*
• 开荒者中箭，定居者拿地。

• *"The winners will not be defined by access to one class of model alone. They will be the companies that can orchestrate both: commodity intelligence at scale, and premium intelligence where the consequence of error is too high to tolerate failure."*
• 能编排"商品智能"和"关键智能"两层的公司才是赢家。

• *"If 3 years from now, companies are running hundreds of SLMs ... how different is that from the SaaS applications that they were meant to replace?"*
• 如果三年后每家公司跑几百个互不通话的 SLM——和当年它要取代的 SaaS 又有什么区别？

---

11. 对照阅读 / 在我框架中的位置

• **vs `美股/大类资产跟踪框架.md`（Wilson/Chang 九阶段）**：这份报告对应"Re-escalation leverage"和"Beyond Relief 状态机"中"AI ROI 兑现窗口"的具体压力测试——把 Covello 的三情景嵌入跨资产剧本，能给到 Mag7 vs SOX 的相对仓位偏置。
• **vs `美股/美股跟踪指标体系.md`（Privorotsky 六维）**：本报告偏题材逻辑、不涉及短期 positioning；放在第 X 维"主题与叙事"里做长期叙事锚。
• **vs `2026-03-18_Q4_CY2025_财报季全景分析.md`**：可以用 Covello 这份的"循环融资"框架去校验 HS 财报中 capex 变化对自身 cash flow 的边际侵蚀速度，特别是 MSFT / META。
• **作者立场标签**：**Covello = AI Bear**（但是 Bear within reason，不是泡沫崩盘论），与 Allison Nathan（中性偏谨慎）属同一阵营；可以和 GS Strategy 团队（Hatzius / Privorotsky / Wilson）的相对乐观立场并置对照。

---

12. 后续可做的研究 / Action items

• [ ] 跟踪 1Q26 / 2Q26 HS 财报中 capex 增速变化（情景①/②触发器）
• [ ] 关注 NVDA / AVGO / TSMC 等半导体 Q&A 中是否出现 HS 客户 capex push-out 措辞（情景②领先指标）
• [ ] 收集"Orchestration"主题的上市公司清单（除 Datadog 外，可关注 MongoDB / Snowflake / Confluent / Cloudflare AI Gateway）
• [ ] 跟踪 MIT NANDA、EY、Gartner 类似调查的更新版本（验证 ROI 是否真的开始改善）
• [ ] 把 AI One 这类 startup 名单完整化（虽然不可投，但作为产业 mapping 有价值）
• [ ] 找 Allison Nathan 2024-06 原作 PDF 对照精读，标出 Covello 立场的两年漂移

---

笔记完成日期 2026-05-14 对应 PDF MD5 验证 见 `/config/workspace/AI Spend vs. Benefit_ Marking our views to market two years later.pdf`