CITIC Construction Investment: Глибоке коригування сектора програмного забезпечення, пошук можливостей для помилкових продажів

中信建投研报称, поточний програмний сектор переживає панічне безрозбірливе падіння, що надає можливість для диференційованого ціноутворення на основі глибини бар’єрів. 中信建投建议沿“壁垒攻防属性”进行配置: ①核心超配“进攻性壁垒”标的, бар’єр сам стає основою нового зростання в епоху AI; ②关注“防御→进攻转型”窗口, традиційний бар’єр міцний, але потрібно підтвердити перетворення доходів AI; ③回避壁垒衰减时间常数短的标的, компанії з низькою складністю + поверхневими даними. 关注OpenAI、Anthropic与咨询公司合作进展, ціни на програмне забезпечення для підприємств AI та точки зростання ARR.

全文如下

中信建投: програмний сектор переживає глибоку корекцію, шукаючи можливості для помилок

Поточний програмний сектор переживає панічне безрозбірливе падіння, що надає можливість для диференційованого ціноутворення на основі глибини бар’єрів. Ми пропонуємо проводити конфігурацію за “атрибутами атакуючих і захисних бар’єрів”: ①основна надмірність “атакуючих бар’єрів”, бар’єр сам стає основою нового зростання в епоху AI; ②зосередитися на вікні “захист → перетворення в атаку”, традиційний бар’єр міцний, але потрібно підтвердити перетворення доходів AI; ③уникати мішеней з коротким часом зменшення бар’єра, компанії з низькою складністю + поверхневими даними. Зосередьтеся на прогресі співпраці OpenAI, Anthropic та консалтингових компаній, ціни на програмне забезпечення AI для підприємств та точки зростання ARR.

Американський програмний сектор переживає найглибшу корекцію оцінки з березня 2020 року, медіана EV/NTM Rev знизилася до 3,2x, що значно нижче історичного середнього значення 7,8x до пандемії. Anthropic випустив інструменти Claude Code/Cowork, що викликало “апокаліптичний наратив про те, що AI поглине SaaS”, але це панічне падіння змішало компанії “з юридичним примусом + системною фіксацією” (час зменшення бар’єра 5-10 років) з компаніями “з упаковкою UI + простою автоматизацією” (час зменшення бар’єра 6-24 місяців), що призвело до структурного помилкового ціноутворення. Після коригування на зростання доходів оцінка сектора повернулася до рівня близького до десятирічного середнього. Ми вважаємо, що наразі є можливість для глибокого диференційованого ціноутворення в програмному секторі.

Шарова модель прискорює однорідність, але не повністю однорідність. На основі емпіричного дослідження команди MIT та інших про дані OpenRouter, обсяги запитів закритих моделей все ще складають 75%, короткострокова еластичність попиту за ціною становить лише -1,11 (близько одиничної еластичності), що свідчить про те, що ринок великих моделей має “конкуренцію за брендом”, внутрішні витрати на перехід в екосистемі надзвичайно низькі, а витрати на перехід між екосистемами надзвичайно високі. Але провідний цикл топових моделей скоротився з 7,5 місяців на початку 2025 року до менше 4 місяців, різниця між першою та десятою моделями GPQA продовжує зменшуватися, вікно цінового премії для постачальників моделей звужується. Груба маржа OpenAI у 2025 році знизиться з 40% до 33%, маржа Anthropic становить 40% (нижче очікуваних 50%), витрати на обчислення вищі на 23% за внутрішніми очікуваннями, прибутковість на рівні моделей стискається через витрати обчислення в тестовий час і дефляцію цін API, змушуючи постачальників моделей проникати в прикладний рівень.

“Вартість помилки” показує, що у високовартісних вертикальних областях все ще потрібні найсильніші моделі, і AI не може рівномірно замінити все програмне забезпечення. На основі даних судових позовів в США оцінюється, що очікувані економічні втрати від кожної помилки AI в медичній діагностиці становлять $45-63 (після коригування), що значно перевищує поріг витрат на попереднє застосування високопродуктивних моделей. У сценарії кредитного схвалення, зважуючи на втрати кредиту з помилковими негативами і витрати можливостей з помилковими позитивами, середня вартість одноразової помилки коливається в межах $27-125 (в залежності від балансового обліку). Це означає, що в сценах з високою вартістю помилки економічна цінність підтримки точності моделі з 90% до 95% може досягати десятків або навіть сотень разів премії за ціну, справжній конкурентний акцент не в тому, чий API дешевший, а в тому, хто може наблизитися до експертної точності в вертикальних областях.

Масштабування продовжується в трьох паралельних напрямках, “сингулярний шлях” у вертикальних областях вже визначений. Емпіричні дані 2025-2026 років свідчать, що підвищення продуктивності моделей походить від: ① поліпшення алгоритму RL/RLVR (GRPO→DAPO→Dr.GRPO→λ-GRPO), перехід від нагород людського маркування до автоматичної верифікації; ② масштабування під час інференції (глибоке мислення у паралельному розумінні, агентський рій у паралельному вибірці, оптимізація ефективності мислення), DeepSeek R1-0528 підвищив точність AIME з 70% до 87,5% за рахунок збільшення обчислювальної потужності після навчання; ③ покращення ефективності архітектури (MoE розріджене активація, лінійна увага, розріджена увага), навчання Kimi K2.5 PARL скоротило час виконання від початку до кінця на 80%. На фоні того, що граничні вигоди в трьох напрямках не швидко згортаються, точність у вертикальних областях буде продовжувати зростати, справжній шлях до захисту - це “впровадження галузевих знань під час середнього навчання → створення верифікованого середовища для нагород → RL стимулює глибоке міркування → повне мислення в тестовий час”.

Глибока диференціація програмних бар’єрів, диференціація впливу AI. Цінність корпоративного програмного забезпечення ніколи не полягала в самому коді, 96% комерційних програм містять відкритий код, але компанії все ще платять за безпеку, відповідність, інтеграцію та SLA. В епоху AI бар’єри диференціюються за двома вимірами: “складність робочого потоку × глибина даних бар’єра”: ① висока складність + глибокі дані, цінність управління робочими процесами, управління контекстом і аудит відповідності зростає з посиленням AI, а не зменшується; ② низька складність + глибокі дані, дані мають цінність, але логіка плати за місця стикається зі структурним стисканням після підвищення продуктивності AI; ③ низька складність + поверхневі дані, основні функції вже безпосередньо покриті агентами AI, бар’єри надзвичайно тонкі. Провал BloombergGPT доводить, що шлях “власних моделей” не є життєздатним, GPT-4 менш ніж за рік перевищив усі фінансові еталони, навчаючись з 363 мільярдів токенів фінансових даних з нуля; успіхи Hebbia ($13 мільярдів оцінка) та Harvey (ARR>$100 мільйонів) доводять, що “власні дані + робочий потік + передові загальні моделі” є правильним способом захоплення цінності.

Сильні бар’єри походять від “абстрактного кодування комерційних звичаїв та юридичних норм”, вартість копіювання AI рідного програмного забезпечення надзвичайно висока. Наприклад, SAP (77% глобальних торгових доходів проходять через його систему), його бар’єр складається з трьох шарів: ① кодування бізнес-правил (виконувальна логіка для податкового/трудового законодавства/галузевої відповідності в різних країнах), ② незворотність налаштувань (десятки тисяч параметрів налаштування, сотні користувацьких звітів, десятиліття накопиченої організаційної пам’яті), ③ екосистемна прив’язка (сотні тисяч сертифікованих консультантів, примусова міграція до S/4HANA перетворюється на подію повторного закріплення). Колишній інженер SAP Томас Оттер зазначає, що багато функцій не є “комерційним вибором”, а є юридично обов’язковими вимогами (наприклад, розрахунок зарплати в Німеччині включає десятки взаємопов’язаних змінних, таких як церквяний податок, розподіл соціального страхування тощо), в галузі зарплат 0,01% помилки може призвести до юридичного позову. Загроза AI для основного ERP полягає в “шаруватому проникненні”, а не в “заміні”, UI/інтерактивний шар та шар автоматизації процесів (L1-L2) AI вже посилює ці системи (як SAP Joule), але в основному бізнес-логічному шарі (L4, 2028+) і шарі системного запису (L5) в передбачуваному майбутньому залишиться посилювальним інструментом, а не замінником. Водночас AI скорочує вартісний ланцюг розробки продуктів, внутрішня практика Anthropic показує, що період “від ідеї до прототипу” скоротився з кількох тижнів до кількох годин, цінність UI/UX як проміжного продукту знижується, такі інструменти, як Figma, стикаються з ризиком “загального скорочення етапу дизайну”, але бар’єри управління візуальною співпрацею та системами дизайну все ще існують у короткостроковій перспективі.

Інвестиційна пропозиція: поточне панічне падіння програмного сектора надає можливість для диференційованого ціноутворення на основі глибини бар’єрів. Ми пропонуємо проводити конфігурацію за “атрибутами атакуючих і захисних бар’єрів”: ①основна надмірність “атакуючих бар’єрів”, бар’єр сам стає основою нового зростання в епоху AI; ②зосередитися на вікні “захист → перетворення в атаку”, традиційний бар’єр міцний, але потрібно підтвердити перетворення доходів AI; ③уникати мішеней з коротким часом зменшення бар’єра, компанії з низькою складністю + поверхневими даними. Далі зосередьтеся на прогресі співпраці OpenAI, Anthropic та консалтингових компаній, ціни на програмне забезпечення AI для підприємств та точки зростання ARR.

（文章来源: 第一财经）