AI 產業鏈如何分工？

企業買下一套 AI 工具，付費對象可能是一家軟體公司；工具背後，卻可能同時使用別人的模型、雲端資源與企業自己的資料。

這些公司都參與 AI，但交付的東西、承擔的成本與形成競爭優勢的方法並不相同。投資研究的第一步，是先辨認公司在解決哪個問題、向誰收費，再看它能留下多少經濟利益。

理解這條產業鏈，可以從一筆企業採購往後追：客戶為什麼付錢？應用如何完成工作？模型從哪裡來？誰提供運算資源？資料又如何進入這套系統？

從客戶的一筆支出，辨認不同角色

假設一家企業採用 AI 客服工具。企業支付的可能是每月訂閱費、依使用量計算的費用，或另加一筆導入服務費。應用商需要把客服介面、企業系統、知識資料與模型串起來，才能交付可使用的服務。

在這個例子裡，可以分成五種研究角色：應用與流程、模型能力、雲端與運算服務、硬體基礎，以及資料與整合。它們是一張分工地圖；實際公司可能橫跨多個角色，客戶也可能直接採購其中幾項。

亞馬遜網路服務（Amazon Web Services，AWS）提供雲端運算與託管服務；Amazon Bedrock 就是其中讓開發者存取多家供應商基礎模型的服務。^[1] 對採用者而言，模型能力與雲端服務可以透過同一個採購入口取得；對研究者而言，仍須分辨模型供應者與服務平台各自提供什麼。

同一筆終端支出也可能沿供應關係往上游流動。估算市場時，應留意上下游收入的重複計算；分析公司時，則要追到它自己的收入、成本與合約責任。

算力與雲端：提供可用資源，也承擔容量成本

硬體供應商提供晶片、伺服器及相關設備，雲端或其他運算服務商則把資源組織成可供客戶使用的服務。前者要處理產品競爭、供應與交付，後者還要管理設備投資、資源調度、維運與利用率。

雲端客戶買到的也不一定是一台具名機器，而可能是運行時間、指定容量、儲存與網路服務，或已整合模型的推論服務。不同計價方式，會把需求波動與閒置容量的風險分配給不同參與者。

Hugging Face Inc.（以下簡稱 Hugging Face） 的專用 Inference Endpoints 就以所選運算執行個體的費率計價，頁面以小時顯示價格、實際按分鐘計算。^[3] 這個例子說明，即使採用可取得權重的模型，部署與運行仍有成本；是否自行部署，應比較完整交付條件。

對投資人而言，需求成長要與新增投資一起看。客戶願意使用資源，是收入的起點；設備需要投入多少、能使用多久、是否有足夠付費工作負載，才影響資本回收。本文將硬體作為背景，重點放在後續服務如何收費。

模型：訓練投入與每次使用，是兩種經濟問題

模型開發者投入研究、資料處理、訓練與評測，形成可供使用的模型能力。模型投入使用後，回答問題、產生內容或執行任務，還需要推論資源。

因此，研究模型公司時，要分開看建立能力的投入，以及提供服務時持續發生的成本。某個模型在測試中表現較好，仍需進一步了解它的服務價格、延遲、可用性與客戶需求，才能連到商業競爭力。

以文字模型服務為例，Amazon Bedrock 的計價頁列有輸入及輸出 token 的計量，也依模型、服務方式及地區等條件提供不同安排。^[2] Token 是模型處理內容的計量單位，不能簡單視為中文字數；應用的帳單也可能包含檢索、儲存或其他服務。

應用商可以採購模型 API，也可以依模型的使用條件自行部署。兩種路徑的成本結構不同：前者較直接承受供應商費率與使用量變化，後者需要處理部署、容量及維運。研究時應對齊效果與服務要求，再比較成本。

資料與應用：把通用能力接到具體工作

模型要協助處理企業工作，常需要知道產品、客戶、文件或流程的具體內容。這些資料可能由企業持有，也可能由外部服務提供，並透過搜尋、檢索與系統連接進入應用。

AWS 的 Knowledge Bases 文件，就列出從資料來源取回相關資訊、放入提示並生成回答的用法，也區分託管與客戶自行管理的資料處理安排。^[4] 因此，讓模型使用企業資料，不一定等於重新訓練一個模型；資料接入本身也是一項持續工作。

對資料與整合業務，投資人可以追問：資料是否有持續使用的條件？內容能否更新？系統能否在正確的權限與情境下取得所需資訊？服務商的價值，可能來自資料品質，也可能來自維持連接、整理與工作流程的能力。

應用層則更接近客戶要完成的事情。客戶購買客服、文件或程式開發工具，關心的是工作是否完成、能否配合既有系統，以及導入後是否值得持續付費。

這也表示，接上模型只是產品的一部分。應用公司還要處理介面、評測、錯誤回復、客戶支援與導入。若每增加一位客戶，都需要大量重新開發，收入成長與人力成本的關係，就值得進一步研究。

收入模式不同，成長的成本也不同

AI 企業可能按用量、席次、運算資源或專案收費，也可能把幾種方式放進同一份方案。

截至研究日，Microsoft Corporation（微軟，以下簡稱 Microsoft） 的 Copilot 商務計價頁同時列示按使用者計算的訂閱方案，以及部分進階 AI 功能的用量計費。^[5] 這個例子提醒研究者，要看清楚訂閱包含哪些能力、哪些另行計量，才能理解收入與使用成本如何連動。

按用量收費，可以讓收入隨客戶使用增加，仍須檢查每單位交付成本；按席次收費，則要同時觀察付費人數、實際使用、續約及方案內的服務負擔。專案收入應看驗收、交付人力，以及完成後能否形成後續服務。

更複雜的任務也可能需要更多模型呼叫、工具與等待時間。Anthropic PBC（以下簡稱 Anthropic） 在討論 agent 設計時，就提醒應評估任務表現與成本、延遲之間的取捨。^[6] 對商業分析而言，值得追蹤的是完成一項可被客戶接受的工作的總成本，而非只比較一次模型呼叫的單價。

大型平台也面對這種成本問題。Microsoft 在截至 2026 年 6 月 30 日的會計年度報告中，列示 Microsoft Cloud 毛利率為 66%，並說明 AI 基礎設施投入與使用增加對毛利率的影響。^[7] 這是整體 Microsoft Cloud 的指標，不能當作單一 AI 產品或整個產業的毛利率。

投資人要找的，是哪一種可持續優勢？

產業地圖能協助辨認位置，投資判斷還需要回到個別公司。

基礎設施企業，要證明資源投入能換到合理回報；模型企業，要證明能力與服務條件可以吸引持續需求；資料與應用企業，則要證明自己能穩定完成客戶工作，並在交付後留下經濟利益。這些是本文的研究框架，不能單憑所屬層級判斷投資品質。

創投評估早期公司時，可以觀察客戶是否從試用走向付費、產品能否重複交付、下一筆資金將改善什麼。市場投資人則還要檢查財報揭露範圍、成長所需投入，以及價格已反映多少預期。

一份有用的企業研究，至少應回答四個問題：

• 誰願意付費？ 辨認買方、預算來源與要完成的工作，區分使用者和採購決策者。
• 公司負責到哪裡？ 分開自有能力、外部採購與客戶自行完成的部分。
• 收入增加時，成本如何改變？ 追蹤用量、運算資源、導入人力及其他交付成本。
• 客戶為何繼續選它？ 用續約、重複使用、交付品質與替代方案，驗證競爭優勢。

AI 的價值可以出現在不同角色，也可能在競爭與技術變化中重新分配。先看清楚誰交付、誰付費、誰承擔成本，才能進一步判斷，一家公司的成長是否有機會轉成可持續的回報。

資料來源