巴克萊美國軟體分析師Raimo Lenschow在8月3日的一份研究報告中表示，在與投資者討論AI主題時，他們面對的許多擔憂彼此矛盾。這句話精準概括了當前AI交易的尷尬：市場並非沒有共識，而是同一批共識之間無法同時成立。AI投資的核心問題，已經從“有沒有”演變為“誰來贏”，每一個利好旁邊，都站著一個相反敘事。

這種分裂體現在多個層面。雲廠商資本開支創新高，既可以證明AI需求真實，也可以證明資產負債表承壓；大型SaaS股年初至今普遍跌超20%，遠遜於標普500同期11%的漲幅，但ServiceNow的最新季報依然紮實，經營數字並未同步惡化；基礎模型估值高企，與此同時開源大模型持續放量。這些本該互相印證的訊號，正在互相抵消。

個股層面，Oracle和Microsoft正處在兩種不同的壓力之下。Oracle因為資本開支太大、資產負債表承壓而受罰；一旦市場擔心增長放緩，又會因為“增長不夠”而受罰。Microsoft的處境稍好，但也被夾在兩端：一邊有人嫌其AI動能不夠強，另一邊長線資金擔心鉅額資本開支的投入資本回報率。

軟體板塊的矛盾更為直接。大型SaaS股年初至今普遍至少下跌20%，同期標普500上漲11%，但SaaS公司的經營數字並沒有同步惡化，ServiceNow幾周前的業績還相當紮實。市場現在押注的是“AI會顛覆軟體”，卻還沒看到足夠的財務證據證明大型SaaS平台正在被真正撬動。

矛盾一：資本開支越多越好，越少也越好

AI資本開支最早被視為需求強勁的直接證據。Oracle等股票一度因此大漲，市場邏輯是：越敢擴建資料中心、越敢採購算力，越說明背後的訂單和雲需求真實可信。但債務市場開始重新定價後，這套邏輯發生了反轉。AI基礎設施擴張背後需要債務和租賃等融資安排，融資規模越大，資產負債表壓力越顯眼，“少花錢”反而變成了加分項。

隨後，Google GCP和Amazon AWS在上個季度交出雲增長加速的成績單，情緒又擺回需求強勁的一側。最近數週，半導體週期和“AI能否以更低成本實現”的討論升溫，擔憂再度迴歸。結果是：同一筆資本開支，既可以被解讀成增長投入，也可以被解讀成財務風險。市場尚未決定到底獎勵哪一個。

矛盾二：Oracle與Microsoft的兩種夾擊

Oracle處在最難的位置。資本開支高時，市場擔心資產負債表；增長預期被下修時，又擔心AI故事不夠硬。兩種懲罰疊加，且邏輯上並不完全自洽。但Oracle的處境也有另一面：它在雲端計算上起步較晚，AI基礎設施擴張給了它一次追趕視窗，因此它必須比部分同行更為激進。如果未來新資料中心建設遭遇越來越多的選址和電力阻力，已經提前鎖定站點和容量的公司反而可能具備先發優勢。

Microsoft的處境相對從容。Azure、Copilot和Office 365共同提供了多條參與AI增長的路徑，不必在每一個AI賽道上都做最激進的押注。這反而帶來了新的兩面質疑：嫌它動能不夠快，以及擔心其鉅額資本開支的投入資本回報率依然不夠清晰。前者嫌它不夠激進，後者擔心它已經太激進。

矛盾三：SaaS股價跌了，但數字沒有壞

大型SaaS股的跌幅已經隱含了相當沉重的悲觀預期。年初至今至少下跌20%，遠遜標普500，說明市場正在對軟體商業模式本身重新定價——而不只是在調整估值倍數。問題在於，經營資料還沒有配合這種定價。ServiceNow最新季度業績表現紮實，至少到目前為止，大型SaaS平台並未出現客戶流失和收入侵蝕的財務證據。

真正需要驗證的是兩件事：第一，大型SaaS平台是否真的容易被替代；第二，這些公司能否把AI轉化為產品升級和定價升級，而非被AI壓低基於席位制的收入。部分公司已經開始轉向更多按使用量計費的模式，這使得“AI取代SaaS”的路徑變得遠比想象中曲折。

矛盾四：“AI殺死軟體”與“AI投資過剩”不能同時拉滿

這是AI交易中邏輯張力最大的一組矛盾。如果AI真的要替代現有軟體體系，本質上是在重建整個當前的軟體棧，這本身就需要大量AI算力。尤其是當前大量AI工作負載仍集中在訓練側，尚未全面轉向推理側，若未來推理需求大規模爆發，算力需求並不會自然消失。

市場必須在兩個敘事之間做取捨：要麼AI對軟體的衝擊沒有想象中快，SaaS平台仍能守住相當大一部分價值；要麼AI真要重寫軟體世界，那就很難同時斷言未來AI容量將明顯過剩。“AI殺死軟體”和“AI基礎設施泡沫”這兩句話，無法同時被推到極致。

矛盾五：基礎模型的高估值與商品化不能同時兌現

基礎模型層存在一組同樣難以調和的矛盾。一方面，基礎模型廠商享受高估值，隱含的是它們將捕獲AI產業鏈中相當大一部分經濟價值。另一方面，開源模型、多模型配置、小模型和專用模型的討論不斷升溫，暗示模型能力正在走向商品化。

近期的新聞進一步放大了這種分裂。OpenAI CFO Sarah Friar對員工表示，7月份的年化經常性收入已超過整個二季度，增長動能來自GPT-5.6系列、企業Agent產品ChatGPT Work以及AI程式設計工具Codex——這為“前沿閉源模型仍有收入爆發力”提供了支撐。但與此同時，Moonshot AI的Kimi K3以2.88萬億引數釋出，被稱為截至當時規模最大的開源AI模型，採用MoE架構，支援100萬token上下文視窗和原生多模態能力。開源大模型持續放量，正是基礎模型商品化敘事最核心的燃料來源。

Microsoft等大科技公司正在加大對多模型配置的強調。如果模型層加速商品化，單一閉源基礎模型的定價權將被明顯削弱；如果當前估值成立，模型層就不該快速退化為普通基礎設施。兩者之間，市場還沒有選邊。

矛盾六：企業AI的真實需求不只是“模型越強越好”

近期幾條企業AI動態，共同勾勒出一幅比“模型軍備競賽”更復雜的圖景。Elastic與OpenAI擴大合作，將OpenAI模型與Elasticsearch結合，重點落在企業資料檢索、搜尋、治理、許可權控制，以及降低不必要的資料傳輸和token成本。Snowflake推出Cortex AI Gateway，目標是管控AI Agent訪問企業資料和工具的方式，同時防止企業成本失控，並引入了1Password、SailPoint、Saviynt等身份與安全合作方。

這兩個案例的共同關鍵詞，不是算力，而是許可權、信任模型和成本上限。企業AI採購的核心考量，正在從“模型能力”向“治理、安全和可控成本”遷移。

這也是當前AI投資最深層的分歧所在：多頭敘事並非沒有邏輯，空頭擔憂也並非憑空而來。真正的問題已經不是“AI有沒有用”，而是誰最終拿走AI帶來的收入增量，誰來承擔AI擴張累積的成本風險。推理收入爆發與token價格走低，AI帶來的通縮效應與電力、資料中心成本上漲，贏家通吃與進入門檻下降——每一組對立，都還懸在空中，等待資料來裁決。