AI 正在重塑信息服务与商业服务行业的竞争格局，数据资产的独特性、工作流的控制权与货币化能力，将决定哪些企业能在这场变革中胜出。
据追风交易台消息，高盛完成第三届年度硅谷 AI 实地调研后发布研究报告，与 AI 公司、风险投资机构及斯坦福大学、加州大学伯克利分校等学术研究人员的会谈强化了四项核心判断：专有信息价值将持续提升；AI 应用正从信息传递延伸至工作流执行；实体服务与教育平台的抗冲击能力优于依赖白领人力规模的商业模式；货币化路径将从席位订阅向使用量、交易量、产品溢价及成果定价等维度拓展。
调研背景：硅谷一手信息构成研判基础
高盛于 8 月 18 日至 19 日举行第三届年度硅谷 AI 实地调研，参与方涵盖 Daloopa、Clio、Harvey、Corgi、Moody's、Vercel、ClickHouse 等 AI 公司，以及 Lightspeed Venture Partners、Kleiner Perkins、Menlo Ventures、Index Ventures 等风险投资机构，并设有斯坦福大学与加州大学伯克利分校 / 加州大学旧金山分校研究人员专场。
此次调研重点考察的议题包括：模型能力加速演进、开放模型与前沿模型之间的工作负载分配、AI 智能体从辅助工具向工作流执行者的角色转变，以及数据、领域专业知识、客户场景与工作流所有权等维度的持久竞争差异来源。此外，调研还涉及 AI 货币化、验证与问责、网络安全、实体 AI 及智能体原生工作负载所需基础设施等议题。
主题一：专有数据构建最清晰的信息壁垒
高盛认为，模型能力持续提升，但仍依赖自身无法生成的外部信息，这使拥有独特、持续更新且竞争对手难以复制的数据集的企业受益。与此同时，将这些信息嵌入客户 AI 智能体与应用的能力，可将使用量拓展至传统用户界面之外。风险在于，新型界面可能削弱现有检索与展示产品的价值，并将价值中心转移至控制客户体验的应用层。
MCO 的正面含义最为清晰。Moody's 在调研中演示了如何在数秒内将通过 PDF、电子表格和自由格式文档提交的保险材料转化为标准化承保数据，相比之下人工处理通常需要数小时乃至数日。该平台还能解析非标准保单语言，并通过自然语言界面完成巨灾损失分析与准备金测算。这些工作流深度依赖 MCO 的专有数据、实体关系图谱、巨灾模型和领域专业知识，令通用应用难以复制。Smart API、MCP 服务器与智能体产品为客户在自有工作流中调用这一智能提供了路径，也构成订阅与使用量收入增量的来源。
相比之下，FDS 面临较大压力。Daloopa 演示了如何利用上市公司公开披露文件自动完成财务数据采集与模型维护，而这些信息同样可被 FDS 及其他数据提供商获取。Daloopa 平台将披露信息映射至客户自定义 Excel 模型，并为每个数据点提供来源链接。由于 FDS 核心财务数据大量来源于公开或第三方渠道的汇总与标准化处理，其数据可复制性较高，工作站功能的价值或因此承压。
SPGI 拥有 Market Intelligence、评级、大宗商品基准、指数、私募市场及专业定价等差异化资产，在机器消费定价和新工作流产品方面具备多条货币化路径，高盛给予 " 正面 / 混合 " 含义，关键变量在于 AI 如何改变 Capital IQ Pro 的用户互动模式。IT（Gartner）则面临更大的内容风险—— Harvey 和 Simile 均显示，AI 可将标准化研究内容转化为可复用的智能体工作流，并使企业在不单独委托研究项目的情况下生成新分析，标准化研究和培训材料的稀缺性可能因此下降，高盛给予 " 负面 / 混合 " 含义。
主题二：工作流控制权决定价值归属
高盛在调研中观察到 AI 的一项关键演进：Harvey 和 Clio 演示了 AI 如何从检索信息升级为起草文件、协调任务并完成更复杂的专业工作流。谁控制了客户完成工作的平台，谁就可能捕获超越单一数据输入方的经济价值。
TRI 具备强劲的工作流地位，能够将 Westlaw 权威法律内容与 CoCounsel 结合，延伸至法律研究、起草和文件审阅等工作流。Clio 在 2025 年以 10 亿美元收购 vLex，获得涵盖逾 110 个国家、超 10 亿份法律文件的主要法律内容库，印证了全球法律内容资产的战略价值与构建难度。然而，Harvey 或 Clio 若控制客户界面和工作流，TRI 可能沦为底层内容提供商——即便其内容需求仍然旺盛。高盛给予 TRI" 正面 / 混合 " 含义。
FICO 与 EFX 的正面含义最为明确。斯坦福大学研究人员在调研中指出，阻碍企业智能体进入生产环境的主要障碍不是模型能力，而是未解决的问责机制问题——边界清晰、可验证、可撤销的流程将率先落地。这一框架与 FICO 在决策治理领域的能力高度契合。EFX 旗下 The Work Number 凭借雇主贡献的就业与收入记录，是最难复制的差异化资产，随着 AI 智能体从生成建议升级为发起决策，核实需求将更早、更频繁地发生。
VRSK 则面临一定的护城河压力。Corgi 演示了 AI 原生商业保险公司如何在不重度依赖 VRSK 数据的情况下自动化承保流程。Corgi 指出，美国大部分保险定价方法、备案费率和赔付率数据已通过州监管机构公开披露，AI 原生公司可在此基础上进行训练。VRSK 仍保有专有理赔历史数据、巨灾模型和深度嵌入承保商工作流等优势，但 Corgi 挑战了 " 所有传统保险数据在 AI 时代均变得更难替代 " 这一假设。高盛给予 VRSK" 混合 / 正面 " 含义。
ULS（UL Solutions）则存在较长期的期权价值。斯坦福调研专场援引航空等安全关键行业的实践，提出 "AI 智能体版 SOC 2" 的潜在需求，这与 ULS 在测试、检验和认证领域的专业能力高度契合。不过，标准制定、市场需求及收入贡献时间表仍存在不确定性。
主题三：实体服务与教育平台抗冲击能力更强
AI 对白领工作的替代风险对人力驱动的商业模式构成直接压力，但高盛认为，实体服务与教育平台处于较为有利的位置。
在人力派遣领域，RHI 面临最大冲击。Daloopa 的演示直接揭示了 RHI 在会计、财务、行政和初级技术岗位上的敞口，AI 自动化数据采集、模型维护和结构化知识处理将缩减这些岗位的需求，客户内部化招聘也可能进一步压缩派遣量。新兴的数据工程、网络安全和模型实施岗位或难以弥补缺口，高盛给予 " 负面 / 混合 " 含义。MAN（Manpower）凭借更高的蓝领岗位比例获得相对保护，但旗下 Experis 品牌仍面临 IT 常规支持和分析工作自动化的压力。
在教育领域，MH 具备清晰的 AI 收入机会。超过 1 亿个付费课程许可证构成分发 AI 驱动课程内容的基础，评估、学习辅助、临床模拟和教师工具方面已有 750 万用户完成 AI 产品的早期采用。MH 已将固定加价、基于问题数量的定价和 Token 消耗列为潜在货币化模式，潜在授权溢价为 5% 至 15%。
在实体服务领域，ADT、CTAS 和 ROL 均获得正面含义。ADT 可将 AI 应用于监控和事件分级处理，支持高级服务等级、客户留存和视频分析产品；CTAS 可通过路线数据和客户历史强化交叉销售与服务响应能力；ROL 则有望借助物业级病虫害活动数据和斯坦福世界模型研究框架，探索预测性检测和高端监测产品。这三家公司的共同特点是：AI 可提升服务附加值，但不会替代客户购买的核心实体活动。
主题四：货币化路径——超越席位的多元定价逻辑
高盛识别出三条主要收入路径，并强调 AI 货币化需要将差异化资产与可量化的客户价值相结合，而非简单将现有席位收入转换为新定价单位。
使用量与交易定价的逻辑在于，AI 智能体应用产生的数据请求、核实事件和自动化决策次数将远超人工操作软件。MCO 和 SPGI 可将机器访问专有信息的权限货币化；FICO 和 EFX 应受益于自动化决策与核实频率的提升。主要风险在于使用量增长仍被打包在现有企业合同内，而非形成增量支出。
产品溢价与成果定价方面，TRI 可通过 CoCounsel 对更广泛的法律工作流收费，MH 已确认固定加价、基于问题数量的定价和 Token 消耗三种模式，ADT 可开发高级监控和视频分析产品。这些模式的耐久性可能优于单纯的 Token 计费，因为客户能够将支出与已完成任务或改善结果直接挂钩。
基础设施需求方面，IRM 具备更直接的收入机会。Vercel 和 ClickHouse 在调研中指出，智能体应用产生的请求量、Token 消耗、遥测数据量远超传统软件，直接支撑数据中心租赁和超大规模资产生命周期服务需求。由于客户已为基础设施和信息处理付费，IRM 无需建立新的 AI 定价模型，执行力和资本投入强度是更关键的约束变量。
收入干扰风险方面，FDS、IT、RHI 和 PBI 面临现有收入受压早于新产品货币化落地的时间差风险。高盛认为，这四家公司均可能推出具有竞争力的 AI 产品，但干扰与变现之间潜在的时间错配支撑了更为谨慎的投资含义。
