智能体 AI（Agentic AI）正在将人工智能行业从成本叙事转向利润叙事。高盛认为，随着 token 消耗量即将出现跃升式增长，而底层算力成本的下降速度已超过 token 定价的降幅，超大规模云厂商和大模型提供商的毛利率拐点或将在未来 3 至 12 个月内到来。
据追风交易台，高盛 5 月 5 日发布报告称，该行预计到 2030 年，消费端和企业端 AI 代理合计将推动全球 token 消耗量较 2026 年水平增长 24 倍，达到每月约 120 千万亿个 token；若以 2040 年企业端代理达到峰值采用率计算，这一数字将进一步扩大至 55 倍。
与此同时，高盛的推断价格与成本曲线显示，主流大模型 token 定价已从此前每年约 40% 的降幅趋于稳定甚至小幅回升，而英伟达、AMD、谷歌 TPU 及 Trainium 等芯片驱动的每 token 算力成本仍在以每年 60% 至 70% 的速度持续下降，两条曲线的剪刀差正在为行业打开利润空间。AI 基础设施的大规模资本开支，或将因利润率改善而获得更可持续的经济支撑。
Token 经济学拐点：成本下降快于价格，利润空间正在打开
高盛报告的核心论点在于，AI 行业正从 " 推理经济不确定、可能摊薄利润 " 的阶段，迈向 "token 增量以具吸引力的边际利润落袋 " 的新阶段。
在 AI 周期的第一阶段，投资者普遍将算力和 token 视为成本驱动因素——更多使用意味着更多推理负载、更多加速器、更多电力和更高资本开支。但高盛的推断价格与成本曲线表明，这一逻辑正在发生转变。
主流大模型 token 定价虽已大幅下降，但目前已趋于稳定，部分情形下甚至出现回升；与此同时，英伟达、谷歌 TPU（博通）、AMD 和 Trainium（Marvell）的每 token 全成本仍在快速且持续地下降。若 token 定价稳定在高于 token 成本的水平，则智能体 AI 采用率的提升将带来正向利润扩张，而非仅仅是收入增长。
高盛进一步指出，智能体 AI 可能形成自我强化的经济飞轮：更低的每 token 算力成本催生更丰富、更复杂的代理；更丰富的代理通过更长的上下文、更多循环、更多验证和持续监控消耗更多 token；更高的利用率改善 AI 基础设施的经济性，进而支持提供商持续投入模型质量和分发能力。高盛认为，这一飞轮与市场上 "AI 使用将带来不可持续成本负担 " 的主流叙事截然不同。
不过，高盛也提示风险：并非所有 AI 工作负载都能保证实现正向利润拐点。对于商品化程度较高的纯文本聊天机器人，竞争仍可能迫使 token 定价的下降速度快于算力成本。
消费端代理：从碎片化对话到 " 常驻 " 助手，token 消耗将增 12 倍
高盛估计，到 2030 年消费端 AI 代理可将全球 token 消耗量提升 12 倍，每月新增约 60 千万亿个 token。
报告将消费端代理分为两类：一是 " 按需型 " 代理，如 OpenAI Operator、Claude Code 等浏览器端代理，由用户发起任务后自主规划、执行并返回结果；二是 " 常驻型 " 代理，如持续在后台运行的邮件监控、日程管理或数字生活助手。高盛认为，最大的 token 消耗跃升将发生在代理从用户发起任务转向持续后台运行的阶段——代理持续监控上下文并在需要时主动行动。
从模拟数据来看，普通 LLM 聊天机器人每次会话消耗约 1,000 个 token，嵌入式 Copilot 每天消耗超过 5,000 个 token，而常驻型代理每天的 token 消耗量可超过 100,000 个。
高盛预计，到 2030 年每日 AI 查询量将从 2025 年的约 50 亿次增至约 230 亿次，其中最多 30% 将流向搜索、购物、旅行、邮件及个人生产力等领域的代理。与此同时，传统搜索引擎在查询量中的份额预计将从 2025 年的 68% 降至 2030 年的 36%，LLM 原生应用的份额则将从 12% 升至 31%。
企业端代理：工作流复杂度驱动 token 强度，2040 年消耗量或达 55 倍
高盛预计，企业端 AI 代理将成为最大的 token 乘数，到 2030 年推动全球 token 消耗量增长 24 倍，到 2040 年峰值采用时进一步增至 55 倍，届时企业端工作负载将占全球 token 总使用量的 70% 以上。
企业端代理之所以比消费端代理更具 token 强度，在于其工作流要求代理执行更复杂、更精确的操作——监控任务、检索上下文、推理异常、验证输出、更新系统并在整个工作日中持续上报问题。此外，企业代理往往涉及更重的多模态输入（语音、图像、文档、屏幕活动、应用数据、日志及结构化系统记录），这将显著提升 token 强度。
高盛通过构建模拟代理对不同职业的 token 消耗进行了量化测算。
结果显示，编程代理每天消耗约 700 万个 token，API 成本约为 13 美元 / 天，远低于人工成本，这解释了为何软件开发领域的代理采用速度最快；呼叫中心代理每天消耗约 200 万个 token，但若依赖实时语音处理，成本可高达 92 美元 / 天，使全面语音自动化在经济上仍不具竞争力；数据录入代理每天消耗约 2,500 万个 token，成本约为 60 美元 / 天，仍低于人工成本。
高盛指出，企业端代理的采用速度将取决于 token 量、API 成本、模态组合和实施复杂度四个变量。以文本为主、工具生态成熟的工作流将率先规模化；以语音为主或深度集成后台系统的工作流则可能进展较慢。
从采用曲线来看，高盛认为企业端智能体 AI 最可能遵循 S 型曲线，预计峰值采用率约为 35% 至 40% 的知识工作者，达峰时间约为 15 年，快于历史技术扩散的中位数（29 年）。
资本开支可持续性：利润改善为超大规模云厂商提供更大空间
高盛报告的一个关键投资结论是：超大规模云厂商利润率的改善，将使当前高企的基础设施投资更具可持续性，从而化解市场对 AI 资本开支回报的核心疑虑。
报告指出，目前运营商在满足当前及未来算力需求方面仍受供给约束，谷歌和 Meta 均已上调 2026 财年资本开支预期，亚马逊管理层在一季度财报后也重申了维持高资本开支的策略。高盛预计，随着利润拐点临近，投资者将越来越多地寻找回报可见性的证据。
在具体标的方面，高盛对亚马逊的核心逻辑在于 AWS 收入增速重新加速（一季度同比增长 28%），并拥有 3,640 亿美元的收入积压订单；对谷歌的看法基于其云业务一季度同比增长 63%、积压订单环比近乎翻倍至约 4,600 亿美元；对 Meta 的判断则基于其广告业务增速显著超越数字广告行业整体，以及 AI 算力在提升用户参与度和广告变现方面的持续贡献。
在软件领域，高盛认为更低的 token 成本使软件厂商更容易将代理嵌入现有产品而不显著影响毛利率，同时支持围绕成果、生产力或工作单元而非单纯席位数量进行定价，从而扩大软件可寻址市场。对于 IT 服务公司，随着代理将 AI 消费从独立工具转向企业级、高集成度的工作流改造，对集成、治理和托管编排的需求将大幅提升，Accenture 被视为这一趋势的主要受益者。
金富宝配资提示：文章来自网络，不代表本站观点。
