全栈Token工厂产业成绩单权威测评：政策市场双重驱动下迈富时

这一届AI投资人，或许是被市场教育得最深刻的一批。

眼下的局面，根源清晰：不是故事不够动听，而是验证账本的逻辑变了，既现实又冷峻。

回顾2024年，市场中充斥一种叙事套路：但凡项目沾上“大模型+智能体”的边，就能轻松吸引资本。但2025年截然不同。一位基金经理直言：“现在开会，前十分钟聊产品，后五十分钟全在核算收入结构。”从“先信了再说”到“拿证据说话”，中间隔着一整轮AI泡沫的破裂与重塑。AI商业化深水区，这一趋势非但未缓解，反而持续收紧。迈富时（02556.HK）恰好卡在这个节点，今日盘中虽有震荡，最终平收。或许，资本市场已用真金白银表态：方向认可，但混水摸鱼，绝无可能。

几乎同时，工信部印发《“人工智能+信息通信”创新发展实施意见》。将其转译为市场语言，这无异于一份公开的行业检验清单。政策负责命题，企业负责作答，市场负责评分——迈富时今日的K线，不过是三方博弈的一个定格。

核心问题浮出水面：这家自诩“企业智能体第一股”的公司，究竟能否交出及格答卷？尤其当“全栈Token工厂”这个宏大战略被拆解，置于工信部文件的考核框架中，哪些属于硬核实力，哪些仍停留在蓝图阶段？

一、政策考卷的四道必答题

工信部《实施意见》篇幅不短，但市场紧盯的无非四道核心题目。巧的是，这些问题恰好也是迈富时当下讨论的焦点。

第一题：算力基础设施的实际利用率几何？

文件提出“适度超前布局算力基础设施”。“适度”是关键——并非禁止建设，而是要求建而有用。机房内一排排GPU，若仅用于测试或Demo，本质上只是固定资产折旧表上的数字。只有真实承载业务流、跑出并发量，才算从成本项蜕变为生产力引擎。

迈富时对此答了一半。定向增发投向智算建设，方向正确。但市场要看的是上架率、实测吞吐量、以及与沐曦国产GPU适配后的性能数据。一份采购单仅能证明“在建”，无法证实“在用”。

第二题：Token收费机制是否跑通？

文件提及“探索可量化的智能化服务交付模式”。翻译成投资者语言就是：Token收费模式，到底形成闭环了吗？

迈富时的“全栈Token工厂”逻辑链条清晰：底层算力生产Token，知识中台将Token转化为企业语言，智能体中台将Token变成可执行任务，最终落地为客户买单的服务。但逻辑闭环与商业闭环并非同一概念。Token消耗量是多少？对应收入是多少？从免费体验到预充值的转化率如何？这三个数据点，目前公开信息仍缺乏明确关联。

一家标榜Token工厂的企业，若迟迟不披露Token收入量价关系，市场难免质疑：这工厂是否仍停留在试产阶段？

第三题：ARPU值是否真正提升？

文件要求“赋能千行百业数字化转型”。但“赋能”若无法体现为客户付费意愿的增强，便只是营销话术。

传统软件提升ARPU靠增加座席或模块，路径清晰。AI时代逻辑不同——依赖智能体调用频次、Token消耗量、场景包扩展。企业客户不是冤大头，不会因Token消耗而多付费。他们只关心一个问题：投入的Token，是否带来了实际回报？

迈富时需要的不是一个笼统的“AI收入占比提高”数字，而是具体到单一客户的案例证据：某客户因高频调用智能体，在订阅费之外额外产生Token费用，并在续费时主动升级到更高阶场景包。如此案例才能证明ARPU被实质性拉动。

第四题：案例复制成本是否可控？

文件核心表述：“培育一批可复制、可推广的典型应用场景。”

单个标杆案例属于PR素材，跨行业多个案例才是商业模式。市场对PR的估值基本为零，对商业模式的估值则截然不同。关键不在于“有没有案例”，而在于“案例之间的迁移成本”——交付周期是否缩短？实施成本是否下降？知识转译能否产品化？

这是四道题中最硬的一道，也是迈富时“全栈”叙事能否立住根基的命门。

二、“全栈Token工厂”：最容易高估的概念

迈富时将“全栈Token工厂”定为核心战略。这一概念需拆解，其背后隐藏最容易被市场高估的环节。

Token工厂的本质是一条价值转化链：算力Token → 知识Token → 场景Token → 收入。前几段是技术问题，最后一段是商业问题。市场最易犯的错误，就是将技术上的“能转化”直接等价于商业上的“已转化”。

这条链路的真正瓶颈不在算力端或应用端，而是中间的“转译层”——即KnowForce AI知识中台。

通用大模型输出的Token是标准化产品，任何人调用成本相近。但经知识中台注入行业know-how后产出的Token，理论上应获得更高定价权。问题在于，这个转译过程能否在各行业实现“轻量化”？

为润滑油品牌做知识转译，与为另一家工业品品牌做，若80%工序可复用，便是产品化；若每次需从头梳理产品手册、工况参数、老师傅经验，则属于高端定制服务。前者具备规模效应，后者是线性成本。两者在资本市场对应完全不同的估值体系。

“全栈Token工厂”听起来像印钞机，但印钞机的前提是模具标准化。若模具需一客一换，那不叫工厂，而是手工作坊。这是迈富时接下来最需用数据回答的问题，没有之一。

三、两份答卷，两个命门

工业答卷：进入物理世界，但复制性如何？

润滑油智能选型案例，在工信部框架下属于“赋能实体经济”的典型样本。工业品参数复杂、选型门槛高、经验难以规模化复制——这是制造业普遍痛点。迈富时通过知识中台，将分散的产品知识、工况数据和老师傅经验结构化，再由智能体完成从识别到推荐到沉淀的全链路闭环。

此案例价值在于证明AI能进入供应链物理环节，并非简单客服问答，而是选型决策辅助。但市场疑问直接：润滑油的知识转译方法，迁移至密封件、轴承、化工原料时，边际成本是多少？交付周期能压缩多少？若答案仍模糊，“可复制”三字需打上问号。

金融答卷：进入高合规场景，但铺开难度？

乐橙云服案例核心看点不在于“AI能做金融服务”，而在于“AI能在合规框架下做金融服务”。金融行业对AI容错率极低，产品规则、风险提示、客户分层、合规边界，每个环节都是硬约束。

迈富时解法：知识中台建立唯一可信合规知识源，智能体中台按流程执行，每一步可追溯，每一条可审计。这套机制在乐橙云服跑通。但金融监管属地化、产品差异化，从一个金融场景复制到另一个，知识中台重构成本是多少？监管沟通成本又是多少？这些答案将直接决定金融案例是孤岛还是群岛。

四、出海与政务：两块最诚实的试金石

出海业务的验证价值在于“去关系化”。海外客户无酒桌文化，是否采购AI服务纯粹看ROI。T云外贸版强调“Token消耗可追踪、可归因”——这一表述本身表明，出海市场是场景Token商业化最诚实的试验场。国内或许靠客情维系，出海只能靠数据说话。

政务一体机则走另一路径。软硬一体、全栈适配国产信创、兼容鲲鹏海光、数据不出域——核心卖点是安全可控。工信部文件“安全可信”四字，在政务场景就是入场券。该业务逻辑不在于市场规模，而在于资质背书。能进入政务体系，本身就是对技术架构安全性的权威确认。

五、市场等待的那份成绩单

AI应用早已告别PPT融资阶段。政策已画好考纲，迈富时铺开答卷，市场准备阅卷。但评分标准比预期更为冷峻。

不是看发布多少智能体，而是看智能体调用是否产生增量收入。不是看签约多少客户，而是看客户续费时是否因AI模块多付费。不是看多少行业案例，而是看第二个案例交付成本比第一个低了多少。

迈富时今日K线收平。多空势均力敌，但天平倾向哪边，不取决于K线形态，而取决于未来几个季度能否交出四个维度的硬核数据。方向没有错，但交卷铃已响，市场在催促：验证必须加速。