中金发布研究报告称，自GPT引发全球AI应用浪潮以来，本轮技术革命中涌现出的AI应用也逐步进入到商业化的阶段，AI应用商业化的“成败”也从一定程度上决定了本轮AI浪潮的前景与上限。总结了海内外主要AI应用的商业化落地进展和模式，并对AI应用收入和成本进行了详细测算。AI赋能下应用软件有望实现较高收入弹性，不同的模型部署模式下成本相对可控，合理定价下毛利率有望维持高水平，看好AI应用商业化空间。
▍中金主要观点如下：
AI应用商业化是下一个阶段跟踪的重点。
年初至今的大模型浪潮席卷全球，目前随着海外越来越多AI应用的落地商业化，以及国内对C端AI应用监管端的进展，产业和市场关注的焦点转向大模型是否能够为应用带来增量的商业化价值。将AI应用商业化落地的进程分为产品研发、内部测试、规模测试、正式发布、商业定价、落地兑现六个阶段，目前进展较快的产品已有相对明确的定价方案。
AI应用商业化的成功与否一方面决定了应用厂商能否实现更大收入弹性，另一方面又决定了对模型层和算力层能否产生增量需求，因此其决定了本轮AI浪潮的“上限”。
收入端：看好AI赋能下应用软件商业化潜力，C端较B端提价弹性更高。
观察到AI应用商业化的途径包括AI增量功能定价、间接提价、按量收费等，目前大部分AI应用采用增量功能定价的模式来进行商业化变现，增量提价的幅度也在30%至100%以上不等，其中C端工具类应用的使用场景和生成式AI更为契合，提价弹性相较B端更高。
中长期来看，渗透率的提升或持续打开AI应用市场空间。在AI功能推出早期，由于尝鲜效应和前期的试用期，对于AI功能推出后第一步的付费率较为乐观;中长期基于一定渗透率假设，测算全球主要场景AI应用增量空间或达数百亿美元。
成本端：主要包含模型和算力成本，公有API调用和私有模型部署模式下成本均相对可控。
AI应用厂商的成本主要来自模型和算力，成本释放节奏主要与应用厂商对模型的掌控程度相关：1)公有API模式下，应用厂商对模型的掌控程度较低，API调用费用包含模型和算力成本;2)私有模型部署模式下，应用厂商对模型有更大的微调和训练权限，也需要承担模型年授权费用以及算力成本。
对两种部署方式下AI应用成本进行了测算，从目前API调用价格和私有模型部署价格来看，AI应用厂商的成本端均相对可控，合理定价即可实现较高的毛利率;混合专家模型(MOE)、向量数据库缓存等技术则有望助力实现进一步的模型和算力成本控制。
风险
AI应用定价不及预期;AI应用付费渗透率提升不及预期;行业竞争加剧。
