Chapter 07 · 營收品質 · Revenue Quality & The Deflation Trap

營收品質:
Run-Rate 是怎麼被發明的,以及它會怎麼死

AI 模型公司沒有本益比,因為它們沒有穩定的淨利。市場因此需要一個替代品,於是發明了 Run-Rate(年化營收)。本章要做的事,是把這個指標放到會計的放大鏡下:它從哪裡來、它由什麼構成、它有幾種合法的放大方式、以及——最重要的——它會因為什麼而死。

SECTION 07.1Run-Rate 的五種放大機制

Run-Rate 不是會計科目,也不是準則定義的指標。它是一個約定俗成的市場慣例。正因為如此,它的計算方式有極大的彈性。以下是本報告識別出的五種放大機制——每一種都完全合法,每一種都常見,但加總起來可以讓同一家公司的「規模」出現數倍的差異。

表 7-1:Run-Rate 的五種放大機制(本報告歸納)
#機制做法放大效果會計檢視
①取最後一個月 × 12不是「過去 12 個月」,而是「最近一個月的收入 × 12」最大若該月含一次性大額合約或預收,放大倍數可達 1.5–2×
②含預收與遞延收入之認列時點前移將多年期合約之總額在簽約當月計入大違反 ASC 606 之履約義務觀念;但作為「指標」不受規範
③含關係人 / 投資方之採購投資人以雲端額度形式給予的資金,被計為收入中–大見第 01 章:此類收入在合併層級須沖銷
④未扣除退費、折讓與服務點數以毛額(gross)而非淨額(net)表達中ASC 606 要求以「預期有權取得之對價」認列
⑤未反映流失(Churn)與價格下滑假設現有客戶與價格在未來 12 個月維持不變中與「續約率」及「淨收入留存率(NRR)」之揭露品質相關
五種機制之累積效果(本報告估計)1.8× – 3.0×即:報導之 Run-Rate 可能為可持續年收入之 33%–56%
最直接的證據:同一家公司、同一時間、兩個數字

Anthropic 於 2026 年 7 月底公布的年化營收 Run-Rate 為 $650 億。但同一家公司 2026 年第二季(4–6 月)的實際季度收入為 $115.55 億——年化後為 $462 億。

兩個數字相差 41%,而它們相差的時間只有一個月。這不是造假,這正是機制 ① 的定義:Run-Rate 捕捉的是「最新一個月」的斜率,而不是「過去一年」的水準。當營收以每月 20% 的速度成長時,這個指標看起來會非常亮眼;而當成長停下來時,它會比營收本身更早、更劇烈地崩塌。這就是為什麼本報告稱之為「領先指標中的領先指標」。

SECTION 07.2Run-Rate 的成長曲線:一次史無前例的加速

這條曲線需要兩套解讀,而這兩套解讀都成立:

多頭的解讀(且是對的)

這是企業軟體史上最快的營收成長曲線。更重要的是,它伴隨著毛利結構的實質改善:算力成本占每一元營收的比重,從 2026 年第一季的 71 美分降到第二季的 56 美分——但第三季回升到 58 美分。第二季營業利益 $9.74 億(8.4%)是第一個正季度,第三季轉為 −$5.67 億(−3.3%)。這是真實的經營進步,也是真實的壓力測試。

本報告的補充(也是對的)

(一)以第三季年化 678 億計,$2 兆的要價是 29.5 倍年化營收;營業利益為負,本益比不成立——這正是重點:定價買的是曲線,不是利潤。(二)算力占比 71→56→58,改善在第三季停住;其中約 50 億美元是以短期承諾採購的算力,單價高於多年期合約。(三)七個月七倍的曲線,只要有一個月停滯,Run-Rate 立刻失去 30–40%;第三季環比 +46.7%,還沒停,但增速已從三位數降到兩位數。

SECTION 07.3單位經濟:每一個詞元的成本與售價

要判斷營收品質,最終必須回到單位經濟(Unit Economics)。而 AI 的單位經濟有一個與所有軟體都不同的特徵:邊際成本不為零,而且高度依賴電力與硬體價格。

表 7-2:主要模型之 API 牌價與能力對照(每百萬詞元,美元,2026 年 10 月)
模型陣營輸入輸出AA 智能指數授權相對 Opus 5.5
輸出價
Claude Opus 5.5美國$4.00$20.0058專有1.0×
Claude Sonnet 5.5美國$2.00$10.0056專有0.5×
Kimi K3.1 Pro中國$2.00$10.0055開源權重(11/4 前)0.5×
Gemini 4 Argon美國$2.00$10.0053專有0.5×
Claude Fable 5.1美國$10.00$50.0053專有2.5×
GPT-6 Astra美國$10.00$50.0053專有2.5×
GPT-6.1 Sol美國$2.00$10.0052專有0.5×
DeepSeek V4.1 Flash 1017中國$0.15$0.6045MIT(開源)0.03×

價格為官方牌價,2026 年 10 月讀取:DeepSeek 為谷時價(峰時加倍);Gemini 4 Argon 的 $2/$10 至 11 月 30 日止,之後為 $4/$20。AA 智能指數取自 Artificial Analysis 2026 年 10 月 15 日榜單,各模型取其最高推理檔;指數會隨推理檔與測試框架變動,不宜跨實驗室自行拼接。

這張表最值得注意的不是價格高低,而是價格的排列方式變了。2026 年 8 月,中國模型集中在美國旗艦的五分之一以下;到 10 月,指數前三名之後的四家輸出價完全相同($10):Claude Sonnet 5.5、Kimi K3.1 Pro、Gemini 4 Argon、GPT-6.1 Sol。中國前沿模型不再是「便宜替代品」,而是與美國中階同價、能力只差一到三分。真正的價格破壞者退到最後一格:DeepSeek V4.1 Flash 1017,輸出價 $0.60,能力 45 分。

第二件事:牌價不等於每任務成本。Artificial Analysis 用同一套測試量了「完成一個智能指數任務要花多少錢」——GPT-6.1 Sol $0.72、Gemini 4 Argon $1.99、Kimi K3.1 Pro $2.11、GPT-6 Astra $3.26、Claude Opus 5.5 $5.98、Claude Fable 5.1 $7.63。差距來自兩處:單價,以及同一個任務要吐多少詞元——K3.1 Pro 完成同一批任務用了 1.5 億輸出詞元,是中位數 8,700 萬的近兩倍。對企業採購,這個數字比牌價更接近帳單。

圖上有一件事是表看不出來的:貴與強之間的關係很弱。Fable 5.1 的每任務成本是 GPT-6.1 Sol 的 10.6 倍,指數只高 1 分;Opus 5.5 多花 8 倍換來 6 分——這 6 分對「重構一個舊系統」可能值得,對「把一張發票讀成 JSON」則完全不值得。企業於是把工作負載切開:難的走貴的,其餘走便宜的。這正是 §07.1 所說「五種放大機制」在需求端被反向使用——不是營收被放大,而是每一塊營收被重新分配到最便宜還能過關的那一檔。

第三件事與能力有關,也與誰在定義能力有關。下表摘自 Moonshot 隨 K3.1 Pro 公布的 14 項基準(摘錄 10 項),把四個前沿模型並排放:Kimi 在其中 6 項拿下第一,包括 SWE Marathon(51.7 對 Opus 5.5 的 46.3)、Agents' Last Exam、OfficeQA Pro v2 與 HLE(含工具)。Opus 5.5 守住 Terminal-Bench 4.0 與 GDPval-AA。

表 7-3:coding 與代理任務基準對照(廠商自報,2026 年 10 月)
基準Claude Opus 5.5Kimi K3.1 ProGPT-6 Astra領先者
Terminal-Bench 4.066.465.758.2Opus 5.5
SWE Marathon(長程軟體工程)46.351.742.5Kimi K3.1 Pro
Terminal-Bench Science 0.163.338.168.1GPT-6 Astra
Kimi Code Bench 3.0(長程)58.561.266.5GPT-6 Astra
Agents' Last Exam42.643.232.8Kimi K3.1 Pro
OfficeQA Pro v2(財務文件)62.264.454.4Kimi K3.1 Pro
GDPval-AA v2.11,8661,8461,573Opus 5.5
Humanity's Last Exam(含工具)67.770.057.2Kimi K3.1 Pro
GDP.pdf30.634.634.2Kimi K3.1 Pro
ZeroBench(含工具)61.063.058.0Kimi K3.1 Pro

這張表是廠商自報:出自 Moonshot 隨 K3.1 Pro 發布的基準頁,所有模型拉到最高思考檔,並註明 Claude 可能含 fallback、GPT 可能含 cyberguard 限制。它與 Artificial Analysis 的獨立排名方向相反——AA 給 Opus 5.5 58 分、Kimi 55 分(第 1 對第 4)。兩個結果能同時成立:在特定、可驗證的 coding 與代理任務上 Kimi 已追平或超前;在綜合指數上還差 3 分。本報告並列,不擇一。

一個具體的算術

同一個負載(每日 1,000 萬輸入、200 萬輸出詞元;一個月 3 億輸入、6,000 萬輸出)的月費:DeepSeek V4.1 Flash 1017 谷時約 $81、GPT-6.1 Sol 或 Kimi K3.1 Pro 約 $1,200、Claude Opus 5.5 約 $2,400、GPT-6 Astra 約 $6,000。
最貴與最便宜相差 74 倍。但與 8 月相比有個反向細節:最便宜那一檔的輸出價由 $0.28 漲到 $0.60——它變強了,也變貴了。價格通縮不是單向的;真正在下滑的是「能力除以價格」,不是價格本身。

SECTION 07.4開源通縮:刺破 Run-Rate 的那隻手

本報告認為,推倒第一張骨牌的不是競爭、不是監管、也不是資金枯竭——而是價格。而決定價格的,是開源模型。

三重壓縮機制

① 能力收斂(Capability Convergence)

前沿模型之間的差距正在縮小。2026 年 8 月,阿里巴巴 Qwen3.8-Max 在 Code Arena 取得 1,691 分,領先 Claude Opus 5 Max 三分。當「最好的模型」不再有唯一答案,定價權就消失了。商品化的前提是替代品足夠好,而這個條件已經成立。

② 成本結構不對稱

專有模型廠的成本結構是「高固定成本+高變動成本」:訓練一次的費用是沉沒的,而每一次推論都要付電力與折舊。開源模型的成本結構是一次訓練、全球免費複製。這種不對稱在軟體史上只出現過一次(Linux vs 商用 Unix),結果是商用 Unix 的定價權永久消失。

③ 部署端的理性選擇

企業部署的真實需求是投資報酬率,不是排行榜。超過 85% 的商業場景(客服、內部文件檢索、程式碼輔助)不需要千億參數的全能模型。經企業自有資料微調的開源模型,成本僅為專有 API 的十分之一甚至百分之一。當「夠好」的選項便宜 100 倍,採購部門會做出什麼選擇?

Run-Rate 陷阱的引爆路徑

表 7-4:從開源通縮到 Run-Rate 崩塌的傳導路徑
步驟事件財務效果會計科目
1開源模型能力逼近專有模型專有模型被迫降價以留住客戶收入(價格)↓
2API 價格下調,但底層 GPU 折舊、攤銷與電力成本居高不下毛利率雙重擠壓營業成本 ↑(相對)
3Run-Rate 增速出現拐點(成長率由 200% 降至 50%)建立於 Run-Rate 之上的估值失去支撐非 GAAP 指標
4下一輪融資無法以更高估值完成(Down-round)現金流斷裂權益/負債
5無力支付照付不議之雲端算力合約合約違約或重整雲端商認列減損與壞帳
6雲端商之「雲端高成長營收」面臨重估倍數壓縮收入減少+評價下修

這條路徑的關鍵在於第 5 步與第 6 步的連結:模型公司的違約,會直接變成雲端商的收入問題。這正是第 01 章合併分析所揭示的結構——當你自己的客戶是你投資的公司時,它付不出錢來,你的營收就會同時消失,而你還得認列投資減損。這是「雙重打擊」,而市場目前的估值模型只計算了其中一次。

SECTION 07.5會計檢視:非 GAAP 指標的品質責任

Run-Rate 屬於非 GAAP 財務指標。在美國,此類指標受 Reg G 與 Item 10(e) of Regulation S-K 規範;若公司上市(如 Anthropic 若於 2026 年上市),其揭露須遵守以下原則:

給審計委員會與準投資人的提問清單
  1. Run-Rate 的計算基礎是什麼?是最近一個月、最近一季、還是滾動十二個月?
  2. 其中有多少比例來自關係人(投資方)?請提供剔除後之數字。
  3. 其中有多少比例是多年期合約的預收?請提供按履約期間攤提後之數字。
  4. 淨收入留存率(NRR)與客戶流失率(Churn)為何?請分企業客戶與消費者的數字。
  5. 算力成本占營收比重(Cost of Compute / Revenue)的季度趨勢為何?請區分「效率改善」與「採購價格下降」兩種成因。
  6. 若 API 價格在未來 12 個月再下降 50%(這是 2024–2026 年的實際速度),Run-Rate 會變成多少?

SECTION 07.6另一個方向:為什麼「營收品質」這個概念本身正在改變

本章最後要提出一個更根本的觀察。傳統的「營收品質」分析框架建立在一個假設上:收入來自獨立的第三方,且交易具有經濟實質。在這個假設下,我們檢查的是:收入是否提早認列?是否有退貨風險?是否為一次性?

但在 AI 產業,出現了一個新的問題層次:交易對手不是獨立的第三方。當你的客戶是你的投資對象,且你給它的錢就是它付給你的錢時,「收入是否提早認列」已經不是重點——重點是這筆收入根本不應該在合併層級存在。

這就是為什麼傳統的財報分析工具(應收帳款周轉天數、收入認列政策、毛利率趨勢)在這裡會失靈:它們都被設計來偵測「單一公司與外部世界之間的扭曲」,而我們面對的是「一群公司之間的循環」。
要偵測後者,你需要的不是比率分析,而是合併。 ——本報告第 07 章與第 01 章之連結

SECTION 07.7附:平台期的實測,與用量與支出的背離

本章的論證在 2026 年 10 月拿到第一批外部實測。Alberto Romero 在 10 月 7 日的評論中,把 TickerTrends 的估算序列排在一起,指出 Anthropic 的年化營收已經壓平:截至 9 月 24 日約 $76.8B,月增僅 1.8%;同期 OpenAI 約 $50.4B,月增仍有 13.4%。同一段時間,一家在平台期、一家還在加速——而 2025 年還是相反的局面。

Romero 給出四個互不排斥的解釋,而它們正好對應本章 §07.1 五種放大機制的逆轉:一是 OpenAI 在企業端追上(Claude Code 的 ARR 在 7 月 6 日至 8 月 10 日間由 $14.26B 只走到 $15.12B,Codex 同期由 $5.88B 走到 $8.83B);二是智能的價格跌得比用量快;三是開放權重模型吃掉低端(在 OpenRouter 上,開放模型的週詞元占比由 2025 年 6 月的約 1% 升到 2026 年 4 月的高點約 92%,最新約 65%);四是企業開始削減 AI 預算(Santander、BBVA、Uber、Meta、Amazon、Walmart 都出現 token 上限或用量管制)。

還有一個更尖銳的切面:把兩家的 coding agent 單獨拉出來。Claude Code 的追蹤 ARR 在 7 月 6 日到 8 月 10 日之間只從 $14.26B 走到 $15.12B(+6%,約占 Anthropic 總 ARR 的 21.9%),Codex 同期由 $5.88B 走到 $8.83B(+50%,約占 OpenAI 企業 ARR 的 45%)。絕對值還沒交叉——Codex 仍不到 Claude Code 的六成——但斜率已經交叉。原文另引 TickerTrends 的觀察:Claude Code 的 B2B 採用率在 5 月見頂,Codex 於 6 月超車。

這件事的意義不在「誰的模型比較好」,而在同一場價格戰裡,兩家的邊際收入曲線形狀不同。Claude Code 的曲線在 2026 年春天衝得極快,入夏後開始壓平;Codex 還在前段。把它疊在本章 §07.2 的 Run-Rate 圖上,訊息就完整了:Anthropic 的成長引擎(coding 與 agent)正是最先碰到天花板的那一塊,而這一點與「模型變便宜」無關,與「客戶換手」有關。

圖上只有兩條線,不代表只有兩個玩家。Kimi K3.1 Pro 在 coding 與長程代理任務上已經進入同一梯隊(表 7-3:SWE Marathon 51.7 對 Opus 5.5 的 46.3),但它不按席次收費、沒有可比的 ARR 序列,所以不在這張圖裡。它對兩家的威脅方式也不同:不是搶走一席訂閱,而是讓「按席次收費」這件事本身變得不必要。

第四項有一個比敘述更硬的版本。支付平台 Ramp 的商戶數據顯示,2026 年前三季詞元用量仍在上升,但 AI 支出跟不上:用量指數由 100 升到約 720,支出指數只到約 600,支出/用量由 100 滑到 83;最近一週支出較前一週 −5.2%。用量與支出第一次分道揚鑣——這正是「單位工作量的營收」在下降。

表 7-5:Ramp 商戶的詞元用量與 AI 支出(指數化,2026 年 1 月=100)
季度詞元用量AI 支出支出/用量
2026 Q1100100100
2026 Q224023598
2026 Q372060083

表格依原圖柱高重繪的季度均值,非原始序列;指數基期由本報告設定(原圖以絕對刻度呈現)。Ramp 的樣本是其平台上的企業客戶,不代表整體市場。原文同時指出:估算營收不等於實際營收,TickerTrends 歷來偏向高估 Anthropic。本章據此只做一件事——把它當成「斜率是否還在」的旁證,不把它當成收入數字。

這與第 21 章的估值錨怎麼並存?附錄 A 使用的是 S-1 與公司揭露(2026 上半年營收 $162.86 億、營業虧損 $6.93 億、淨損 $807.48 億,後者含 $723.88 億可轉債與 SAFE 公允價值變動),而 TickerTrends 的 $76.8B 是年化估算:兩者口徑不同,不能直接相加或互換。可檢驗的關係是這樣——上半年平均年化約 $326 億,但要走到 $768 億,第三季必須再成長約 75%;Q3 補上後,答案是不必 75%,也到不了 768 億:實際 $169.56 億,年化 $678 億,Q3 環比 +46.7%。也就是說第三方在 9 月 24 日的估算高估約 13%,而「年化增速掉到兩位數初段」的判斷也不成立——半年之間年化由 $326 億升到 $678 億。真正該修正的是那個「壓平」的讀法:週度估算在高速成長期落後於申報數,不能當作轉折的證據。附錄 A 的三檔錨($2.0T/$1.5T/$1.0T)不改,但「如果年化停在 $70B」這個壓力測試現在有了實測答案:它沒有停,Q3 的營業利益卻先停了——成長與利潤在這份財報裡第一次分開。

  1. Anthropic Run-Rate:$90 億(2025 年底)→$140 億(2026/02)→$190 億(03)→$300 億(04)→$470 億(05)→$650 億(07 月底);投資人預期年底 $1,000–1,200 億(Reuters、雪球引述,2026)。
  2. Anthropic 2026Q2:收入 $115.55 億、營業利益 $9.74 億(利潤率 8.4%);算力成本占營收比重由 Q1 的 71 美分降至 Q2 的 56 美分,Q3 回升至 58 美分(S-1/A,2026/11/02)。
  3. OpenAI:2025 年營收 $130 億、虧損 $209 億(營業虧損大於營收);2026 年 8 月年化約 $400 億;分析師估自由現金流損益兩平不早於 2029–2030 年。
  4. 表 7-2 與圖 7-2:牌價取自各公司定價頁(2026 年 10 月讀取);智能指數與每任務成本取自 Artificial Analysis 2026/10/15 榜單與其每任務成本研究。舊版(2026 年 8 月)的 SWE-bench 欄已改為 AA 智能指數,因新模型的 SWE-bench 口徑不一致。表 7-3 為 Moonshot 隨 K3.1 Pro 發布的廠商自報基準(2026/10/23),與 AA 獨立排名並列而非取代。
  5. Qwen3.8-Max 於 Code Arena 取得 1,691 分,領先 Claude Opus 5 Max 三分(2026 年 9 月初)。
  6. 中國模型詞元定價為美國旗艦模型之 5%–10%(高盛,2026 年 3 月;2026 年 10 月更新:此比例僅適用於開源低價檔,中國前沿模型已與美國中階同價,見表 7-2);RAND 報告(2026 年初):中國模型成本約為美國同級系統之 1/6 至 1/4。
  7. 非 GAAP 指標規範:Regulation G、Regulation S-K Item 10(e)、SEC 關於非 GAAP 指標之指引(CF Disclosure Guidance Topic 8,2022 年 12 月更新)。
  8. TickerTrends 年化營收估算:Anthropic $76.80B(2026/09/24,月增 1.8%;已揭露 $65.0B)、OpenAI $50.44B(同日月增 13.4%;已揭露 $25.08B)。經 Alberto Romero《Something has gone terribly wrong at Anthropic》(Medium,2026/10/07)整理;本報告視其為第三方模型估算,不作為收入數字使用。
  9. Claude Code 與 Codex 之 ARR:Claude Code $14.26B(2026/07/06)→$15.12B(2026/08/10);Codex $5.88B→$8.83B(同一來源)。B2B 採用率於 5 月見頂、Codex 於 6 月超車。
  10. Ramp 商戶詞元用量與 AI 支出(指數化,2026 年 1 月至 9 月,最近一週支出 −5.2%);OpenRouter 開放權重模型週詞元占比由約 1%(2025/06)升至約 92%(2026/04)後回落至約 65%;企業 token 上限或用量管制:Santander、BBVA、Uber、Meta、Amazon、Walmart(Romero 2026/10/07 及其引註)。