AI投資走向獲利驗收，Doximity 10倍報酬能擴散到誰？

 

AI投資正從算力建設走向生產力檢驗

AI熱潮能走多遠，最終仍要回到企業獲利。企業投入大量資本採購晶片、伺服器與資料中心，接下來幾季，市場會逐步檢查這些運算資源能否降低成本、增加營收，或改善資本報酬率。

目前企業端的生產力增益尚未全面反映，AI建置仍集中在基礎設施。從2022年11月ChatGPT推出至今，資金優先獎勵晶片、伺服器與資料中心供應鏈，原因很務實：訂單、資本支出與營收認列相對清楚，短期獲利也較容易估算。

應用端的難度高得多。不同企業擁有不同資料品質、工作流程與導入能力，同一套AI工具放進兩家公司，可能產生完全不同的成本效益。AI投資已進入生產力驗收期，後續贏家將逐漸從基礎設施供應商擴大至能把AI轉成損益改善的企業。

 

高盛用勞動強度與AI敏感度篩選受惠公司

高盛(GS)美國首席股票策略師Ben Snider提出一套篩選方法，試圖找出最可能受惠於AI自動化的企業。研究團隊先估算各公司薪資支出中，有多少工作內容可能受到AI自動化影響，再比較勞動成本占營收的比例。

兩項指標放在一起，形成一個相對直觀的框架。勞動成本占比越高，代表自動化帶來的成本下降空間可能越大；可由AI處理的工作比例越高，代表導入工具後較容易形成具體效益。高勞動成本加上高AI敏感度，構成這份受惠名單的主要篩選邏輯。

高盛從羅素1000指數中選出的公司，包括房地產資料公司CoStar Group(CSGP)、折扣零售商Dollar Tree(DLTR)，以及電子商務平台eBay(EBAY)。從產業分布觀察，軟體、專業服務、金融與生物科技的勞動強度及AI敏感度相對突出。

這份名單適合當作研究起點。後續仍需確認企業能否順利重整流程、員工是否採用新工具，以及節省下來的費用會流入營業利益，或被新的研發與競爭支出吸收。單看潛在薪資曝險，仍無法直接推導獲利增幅與投資報酬。

 

Doximity開始展示AI應用端的獲利尺度

市場過去偏好基礎設施，反映投資人較容易掌握短期訂單與產能需求。應用端需要預測企業導入效率、定價能力與長期競爭位置，估算區間自然更寬。這也解釋了軟體與服務公司的AI效益，至今仍以個別案例為主。

截至今年8月18日，醫療平台Doximity(DOCS)提供了一個較具體的案例。執行長Jeffrey Tangney表示，公司AI搜尋產品的單次搜尋營收達到運作成本的10倍。這項生產力增益超出市場原先預期，也帶動股價近期大幅上漲。

單次搜尋營收達成本10倍，至少證明部分垂直應用已能建立清楚的單位經濟。接下來還要追蹤使用量能否持續擴張、競爭者是否壓低價格，以及高報酬能否轉成公司層級的營收與利潤成長。長坂坡一騎突圍很精彩，企業獲利仍要看後續兵糧與援軍能否跟上。

 

生產力預測差距大，普及速度決定長期上限

AI對總體經濟的影響，目前各研究機構給出的尺度差異很大。高盛經濟學家在2023年預估，AI可在未來十年帶動生產力增速提高1.5個百分點；麥肯錫更樂觀，估計到2040年提升幅度可能達3.4個百分點。

麻省理工學院(MIT)研究人員的估計保守許多，預測到2034年生產力僅提升0.53%。如此大的差距，反映研究者對導入速度、可自動化工作範圍，以及效益擴散能力採用了不同假設。AI普及率將決定總體效益上限。

MIT經濟學家Daron Acemoglu在2024年提出另一項風險：生成式AI工具若集中於少數大型企業，中小企業的採用速度可能放慢。大型企業可以負擔模型、資料治理與系統整合成本，中小企業若缺乏資本與人才，生產力提升便會集中於少數公司，總體增益也可能低於市場預期。

現階段可以確認的方向，是AI支出正由硬體建設逐步延伸至企業流程。投資判斷還需要同時追蹤三組證據：應用產品的單位經濟、公司整體利潤率變化，以及中小企業的採用廣度。這三項數據逐步改善後，AI生產力才有機會從少數案例擴散成企業獲利的廣泛成長。