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。
| # | 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% | ||
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。
| 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 | $20.00 | 58 | 專有 | 1.0× |
| Claude Sonnet 5.5 | 美國 | $2.00 | $10.00 | 56 | 專有 | 0.5× |
| Kimi K3.1 Pro | 中國 | $2.00 | $10.00 | 55 | 開源權重(11/4 前) | 0.5× |
| Gemini 4 Argon | 美國 | $2.00 | $10.00 | 53 | 專有 | 0.5× |
| Claude Fable 5.1 | 美國 | $10.00 | $50.00 | 53 | 專有 | 2.5× |
| GPT-6 Astra | 美國 | $10.00 | $50.00 | 53 | 專有 | 2.5× |
| GPT-6.1 Sol | 美國 | $2.00 | $10.00 | 52 | 專有 | 0.5× |
| DeepSeek V4.1 Flash 1017 | 中國 | $0.15 | $0.60 | 45 | MIT(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。
| 基準 | Claude Opus 5.5 | Kimi K3.1 Pro | GPT-6 Astra | 領先者 |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 66.4 | 65.7 | 58.2 | Opus 5.5 |
| SWE Marathon(長程軟體工程) | 46.3 | 51.7 | 42.5 | Kimi K3.1 Pro |
| Terminal-Bench Science 0.1 | 63.3 | 38.1 | 68.1 | GPT-6 Astra |
| Kimi Code Bench 3.0(長程) | 58.5 | 61.2 | 66.5 | GPT-6 Astra |
| Agents' Last Exam | 42.6 | 43.2 | 32.8 | Kimi K3.1 Pro |
| OfficeQA Pro v2(財務文件) | 62.2 | 64.4 | 54.4 | Kimi K3.1 Pro |
| GDPval-AA v2.1 | 1,866 | 1,846 | 1,573 | Opus 5.5 |
| Humanity's Last Exam(含工具) | 67.7 | 70.0 | 57.2 | Kimi K3.1 Pro |
| GDP.pdf | 30.6 | 34.6 | 34.2 | Kimi K3.1 Pro |
| ZeroBench(含工具) | 61.0 | 63.0 | 58.0 | Kimi 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。
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
| 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)↓ |
| 2 | API 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) |
| 3 | Run-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:
- 不得比 GAAP 指標更為醒目(no greater prominence)。若公司在法說會中強調 Run-Rate 而未同等強調 GAAP 收入,可能構成違規。
- 必須提供與最接近之 GAAP 指標的調節表(reconciliation)。Run-Rate 與 GAAP 收入之間的差異(時間基礎、扣除項目)必須完整說明。
- 不得使用具有誤導性的標籤。將 Run-Rate 稱為「營收」(revenue)而未標明其為年化估計,是最常見的爭議點。
- 定義的一致性。若公司改變 Run-Rate 的計算方式(例如從「季度 ×4」改為「月份 ×12」),須揭露並說明理由,且不得選擇性地只採用有利的方法。
- 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?
- 其中有多少比例來自關係人(投資方)?請提供剔除後之數字。
- 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。
- 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。
- 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。
- 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。
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
Run-Rate 是一個有用的成長指標,但它是斜率指標,不是水準指標,因此它會在成長加速時超額放大、在成長減速時超額崩塌。Anthropic 的真實經營進步(算力成本占比由 71 美分降至 56 美分、首次單季營業利益)是真實的;但 $2 兆的尋求估值對應 5.1% 的營業利益率與 16.7 倍的年化營收倍數,要求的不只是進步,而是不犯任何錯誤的完美執行。與此同時,開源模型以 1/5 至 1/107 的價格提供 95–98% 的能力,正在從價格端壓縮這個完美執行所需的毛利空間。當分子(價格)被結構性壓縮、而分母(算力成本)被電力與折舊推高時,Run-Rate 的成長故事只剩一個變數:銷量。而銷量正是最難預測的那一個。
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。
| 季度 | 詞元用量 | AI 支出 | 支出/用量 |
|---|---|---|---|
| 2026 Q1 | 100 | 100 | 100 |
| 2026 Q2 | 240 | 235 | 98 |
| 2026 Q3 | 720 | 600 | 83 |
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。
- 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)。
- 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)。
- 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。
- 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。
- Qwen3.8-Max 於 Code Arena 取得 1,691 分,領先 Claude Opus 5 Max 三分(2026 年 9 月初)。
- 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。
- 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)。
- 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。
- 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。
- 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)。