【国金证券】AI洪流三部曲：ARR的边界-260702（9页）.pdf

核心结论速览： AI商业化本质是“用模型能力替代、辅助或重组人工任务”：企业为AI付费并非因为技术本身构成新支出，而是因为它可以降低单位劳动成本、提升人效或改变岗位任务结构。 ARR增长上限锚定于可被AI重新定价的“工资池”：美国约10.83万亿美元总薪资中，按Anthropic实际暴露口径估算约1.45万亿美元已处于AI暴露范围（占比13.4%）；按OpenAI理论暴露口径潜在影响可达5.68万亿美元（占比超52%）。 当前AI收入仍处早期，端侧空间巨大：Anthropic约470亿美元年化收入仅相当于实际暴露薪资池的3.2%，或理论潜在规模的0.8%。AI收入端的中期空间不应只从软件市场理解，而应从更大的劳动力成本池中寻找锚定。 高收入职业面临更高AI理论暴露度：金融产品经理（78.6%）、HR经理（76%）、航天工程师（89.3%）等职业暴露度显著高于低收入岗位。AI本轮更直接触及高工资、知识密集型和服务业岗位。 行业暴露度排序与理论值并不一致：理论暴露度最高的是计算机与数学（87.6%）、商业与金融（78.2%）、法律（78.0%）；但实际观察到的暴露度排序为计算机与数学（35.3%）、办公室与行政支持（33.2%）、销售（24.6%）。 计算机行业面对AI“一视同仁”：薪资高低与AI暴露度之间没有必然联系，全行业面临相似的替代压力。实际暴露度前20个职业中8个归属计算机与数学，共计159万人，占该行业人数30.2%。 金融行业暴露度偏差较大：与计算机行业不同，金融业部分岗位需“担责”（审计、会计），工作产出标准化程度参差不齐，暴露度呈现显著差异。H2：研究背景与核心框架。随着AI Agent在2026年初出圈，过去两年“疯狂烧算力”有了短期答案——Token消费量大幅增长带来了ARR的指数级上升。Agent替代人工、节约人工成本的逻辑认知被强化。Agent对人工的替代能力决定了ARR的增速与想象空间，而ARR又决定了资本开支的合理性。因此，（潜在）被替代的劳动力所对应的薪资水平成为关键变量，尤其是提供了AI端侧收入想象空间的一个锚定参考。当前一切推演都基于对AI商业化本质的认知：“企业用模型能力去替代、辅助或重组原本由人工完成的任务”。企业愿意为AI付费，并不是因为技术本身构成一个新支出项，而是因为它可以降低单位劳动成本、提升人效，或改变部分岗位的任务结构。因此，大模型公司收入最终能够触达的上限，就应回到其影响的劳动力（收入）本身。最直观理解“这轮ARR史诗级增长上限”的方式就是计算 “可被AI重新定价的工资池” 到底有多大。国金证券宏观经济组报告《AI洪流三部曲：ARR的边界》将不同职业对AI技术的暴露度和2025年BLS全美就业与薪资调查中830个职位进行匹配估算，从宏观（就业人数、薪资总数）和微观（行业结构、替代比率）视角构建了ARR增长上限的分析框架。H2：ARR的宏观上限——薪资池视角。实际暴露与理论暴露两个口径。报告采用两种暴露度指标：实际暴露率（observed exposure） 基于AI（Claude）已经在多大程度上进入了该职业的任务结构——任务是否理论上可由AI完成、是否已经在Claude使用中出现、是否属于工作场景、是纯自动化还是辅助使用、相关任务在总工作时间中的占比。理论暴露率（theoretical exposure） 基于AI（GPT）的能力边界——模型理论上能影响这个职业多少任务，反映了AI能力边界对应的潜在暴露上限，是一个更加主观的估计。关键数据：1.45万亿 vs 5.68万亿美元。在美国约10.83万亿美元的总薪资收入中：| 口径 | 暴露薪资规模 | 占总薪资比例 | 暴露就业人数 | 占总就业比例 |||||||| 实际暴露（Anthropic） | 1.45万亿美元 | 13.4% | 1,835万人 | 11.8% || 理论暴露（OpenAI） | 5.68万亿美元 | 52.4% | 6,830万人 | 43.9% |1.45万亿美元的工资成本应被理解为“在当前渗透率和技术能力下，ARR收入的理想上限”。这个上限必然面临“折价比例”——例如企业可能只需用1万美元AI支出就可以等效替代10万美元人工成本（降本）。但无论怎么折损，当前大模型商仅数百亿美元的年化收入（例如Anthropic的470亿美元ARR）依然只相当于当前暴露薪资池的3.2%，或者理想薪资池的0.8%——端侧收入空间的想象力仍是巨大的。H2：职业暴露度的结构性特征。高收入职业面临更高AI暴露度。从工资分布来看，不同职业对AI技术的理论暴露度相对于年度平均工资分布存在明显右偏，即AI技术对高收入人群的理论影响要明显高于中低收入人群。| 收入群体 | 代表性职业 | 收入分位数 | 暴露度 ||||||| 最低20% | 洗衣房员工 | 0.1% | 10% || 最低20% | 烘培师 | 4.8% | 14.7% || 最低20% | 轮胎工 | 7.5% | 0% || 最高20% | 金融产品经理 | 96.6% | 78.6% || 最高20% | HR经理 | 95.3% | 76% || 最高20% | 航天工程师 | 92.5% | 89.3% |过去自动化更多影响制造业和重复性体力劳动（低薪），而本轮AI更直接触及高工资、知识密集型和服务业岗位。也正因如此，它对美国经济的影响，可能首先体现为工资成本的变化，而不是就业人数的线性下降。行业暴露度：理论与现实的差距。| 行业 | 理论暴露度 | 实际暴露度 | 差距 ||||||| 计算机与数学 | 87.6% | 35.3% | -52.3pp || 商业与金融 | 78.2% | 约15-20% | -60pp+ || 法律 | 78.0% | 较低 | — || 办公室与行政支持 | — | 33.2% | — || 销售相关 | — | 24.6% | — |AI对劳动力的替代并不是单纯由“模型能力”决定的，还受到工作属性、责任归属和组织流程的约束。 法律行业“案头工作”并非全部，还包含当事人沟通、利益协调、诉讼策略判断以及最终责任承担。金融行业也类似，依赖客户关系、风偏识别、大量非标化信息判断。相比之下，编程等岗位的部分任务更容易被AI介入，是因为其工作对象更明确、反馈链条更短、沟通密度相对较低。代码能否运行、测试是否通过、功能是否实现，反馈往往是0和1（成功与失败）。实际暴露薪资的行业分布。1.45万亿美元的实际暴露薪资基本被前五大行业承担：| 行业 | 实际暴露薪资 ||||| 办公室与行政支持 | 2,896亿美元 || 商业与金融业 | 2,474亿美元 || 管理岗位 | 2,217亿美元 || 计算机与数学 | 2,152亿美元 || 销售相关职位 | 1,995亿美元 |这也对未来专用大模型toB业务的发展提供了新视角：如果追求确定性，可以深耕已经出现明显替代的行业（行政、计算机、金融等）；如果追求“0到1的业务突破”，教育行业、医疗诊断业等仍呈现出较大潜力。H2：子职业层面的深度观察。前20个最容易被AI替代的职业。在实际暴露度前20的职业中，8个归属计算机与数学大类，共计159万人，占该行业人数的30.2%。| 职业 | 实际暴露度 ||||| 计算机与数学相关（8个职业） | 30-70% || 其他高暴露职业 | 20-60% |这凸显出计算机行业在AI技术冲击下的脆弱性。计算机行业：面对AI“一视同仁”。对于计算机行业而言，薪资（所对应的技能）高低和AI暴露度之间没有必然联系。在面对AI冲击时，全行业接近于“一视同仁”。这意味着无论是初级程序员还是高级架构师，都面临相似的暴露度水平。金融行业：暴露度偏差较大。与计算机行业相比，金融业的实际暴露度依然偏低。但Market Research Analysts（64.8%）以及Financial and Investment Analysts（57.2%）面临着较大的替代风险。与计算机行业的“一视同仁”不同，金融行业的部分岗位需要“担责”（审计、会计等），且不同岗位间工作产出标准化衡量参差不齐，所以对AI技术的暴露度呈现出较大差异。H2：双向理解——AI收入的巨大空间与劳动力的压缩空间。尽管当前AI收入已经进入快速扩张阶段，但相比目前1.45万亿美元的实际可代替薪资成本，以及5.68万亿美元的理论潜在规模，其实际的收入水平仍处在早期。这存在双向的理解： 对模型商而言：仅相当于3.2%的实际暴露薪资池，或0.8%的理想薪资暴露池的年化收入（Anthropic最新ARR约470亿美元），都还有着巨大的想象空间。 对劳动力而言：薪资可以被“挤压”的空间亦是巨大的。这意味着，AI的宏观影响不会简单表现为就业数量的线性下降。更可能出现的是： 部分单一职责岗位被替代。 大量多职责岗位被重组。 部分工资成本被压缩。 更多劳动过程被重新定价。尤其是AI Agent带有“工资越高、替代率越高”的属性，这使得AI未来对收入消费的潜在冲击可能更大。H2：风险提示。1. AI技术对职业暴露度更新不够及时全面，存在数据统计偏差。2. AI Agent能力发展弱于预期，导致对应的劳动力规模产生明显变化。3. 全球央行快速转向，带来全球二轮通胀风险，压制全球需求，劳动力裁员胜过AI影响，降本增效属性被淡化，引发更大规模AI投资回报率担忧。延伸阅读：以上为报告核心趋势分析，如需获取完整报告详细数据及全部图表，请访问下载页下载完整PDF报告。FAQ区块：问：AI收入ARR的增长上限应该怎么计算？答：报告提出应从“可被AI重新定价的工资池”来估算。美国约10.83万亿美元总薪资中，按实际暴露口径约1.45万亿美元已处于AI暴露范围（占比13.4%）；按理论暴露口径潜在影响可达5.68万亿美元（占比超52%）。当前AI年化收入（如Anthropic 470亿美元）仅相当于实际暴露薪资池的3.2%。问：“实际暴露”和“理论暴露”有什么区别？答：实际暴露率基于AI（Claude）已经在多大程度上进入了该职业的任务结构——任务是否已在Claude使用中出现、是否属于工作场景、相关任务在总工作时间中的占比。理论暴露率基于AI（GPT）的能力边界——模型理论上能影响这个职业多少任务，反映了潜在暴露上限。问：为什么法律行业理论暴露度高但实际暴露度低？答：法律行业“案头工作”并非全部，还包含与当事人沟通、利益协调、诉讼策略判断以及最终责任终生承担。AI对劳动力的替代不仅由“模型能力”决定，还受到工作属性、责任归属和组织流程的约束。问：计算机行业面对AI替代有什么特殊特征？答：计算机行业面对AI“一视同仁”——薪资高低与AI暴露度之间没有必然联系。实际暴露度前20个职业中8个归属计算机与数学，共计159万人，占该行业人数的30.2%。全行业面临相似的替代压力。问：AI收入的中期空间应该如何理解？答：不应只从软件市场规模理解，而应从更大的劳动力成本池中寻找估算锚定。当前大模型商仅数百亿美元的年化收入（Anthropic 470亿美元ARR）仅相当于实际暴露薪资池的3.2%，端侧收入空间的想象力仍是巨大的。数据来源说明：本报告基于国金证券《AI洪流三部曲：ARR的边界》（2026年7月3日），数据来源包括Anthropic、BLS（美国劳工统计局）、OpenAI、epoch.ai等。