摘要：Orchestro公司CEO谢卡尔·纳塔拉詹将当前形势描述为新现实："微软和Meta获胜是因为它们掌握了带有实际成果的AI叙事艺术。微软本质上将OpenAI变成了世界上最昂贵的企业销售工具——现在每个Azure交易都附带着CFO真正相信的AI故事。Meta采取
这种差异并非源于谁在AI上投入最多，而在于哪些公司能令人信服地将投入与可衡量的商业成果联系起来。
AI问责时代到来
Orchestro公司CEO谢卡尔·纳塔拉詹将当前形势描述为新现实："微软和Meta获胜是因为它们掌握了带有实际成果的AI叙事艺术。微软本质上将OpenAI变成了世界上最昂贵的企业销售工具——现在每个Azure交易都附带着CFO真正相信的AI故事。Meta采取了相反的方法：他们让AI变得如此无形，以至于广告主甚至没有意识到他们为算法技术支付了更高费用。"
相比之下，亚马逊和苹果则是"AI丰富，叙事贫乏"。亚马逊"建造了地球上最先进的AI基础设施，却让它听起来很无聊"，而苹果"花费数十亿美元让Siri稍微不那么尴尬，并称其为革命性的"。
纳塔拉詹认为，这样做已经不够了。"我们已经进入了'AI问责时代'——投资者已经意识到'协同效应'和'转型'不会支付股息，但收入会。市场基本上在说：'演示很酷，但经常性订阅模式在哪里？'"
投资者现在奖励什么
OurCrowd公司AI专家兼投资合伙人盖伊·达萨同意，财报差距不在于AI支出水平，而在于可见性和执行力。"市场不再奖励真空中的AI支出，而是奖励清晰度、执行力和货币化能力。"
微软将其AI投资直接与Azure的收入增长以及客户对办公和企业工作流程中Copilot的采用联系起来。Meta证明了AI驱动的广告定位和内容推荐正在保持用户参与度并让广告主花费更多。达萨表示，亚马逊和苹果则"更加不透明"——投资者听到了模型开发和品牌推广，但在可衡量的收入归因方面看到的很少。
根据IDC数据，公司现在在AI上每投入1美元平均产生3.50美元的价值，超过90%的项目在18个月内实现可衡量的回报。达萨解释说，这意味着投资者演示文稿将更少关注模型规模，更多关注用例采用、利润率扩张和可防御的基础设施。"AI不再是一种策略；它是一个执行层。"
新的AI差异化因素
如果说2023年是关于谁拥有最大的模型，那么2025年将是关于谁能在规模上无缝部署模型。纳塔拉詹说："没人谈论的肮脏秘密是：构建优秀AI模型现在是基本要求。每个有GitHub账户的青少年都可以微调GPT。真正的钱在于不起眼的东西——谁能在50毫秒而不是500毫秒内提供模型服务，谁能处理推理峰值而不让数据中心崩溃。"
这就是基础设施成熟度在市场表现中变得可见的地方。达萨指出，微软在企业AI方面的领先地位得到了Azure的GPU访问、推理优化和集成管道等能力的支撑——这些能力它已经默默扩展了多年。Meta的优势来自于在技术领域最广泛的专有堆栈之一上运行AI模型，为全球规模的广告投放进行了调优。
AI执行需要人才
仅靠资本支出无法赢得AI采用的下一阶段。Geek Ventures风险投资合伙人基兰·科贝特直言不讳："为了资本支出而进行的资本支出将不再被股东容忍，有形增长和执行是获得进一步资本奖励的关键。现在大部分AI支出都花在了人才竞赛上，以实现有效执行，这看起来不会放缓。"
换句话说，执行不仅仅关乎GPU和数据中心。它关乎公司是否能吸引和留住人才，将AI投资转化为差异化产品、集成工作流程和粘性收入流。这场人才竞赛正在加剧，特别是对于那些能够在研究和部署之间架起桥梁的工程师。
对于上市公司来说，风险不仅仅是季度财报电话会议。如果现在错过执行标准，受损的不仅是市值，还有未来十年的竞争地位。
微软和Meta本季度不仅仅受益于有利的市场环境。它们通过将清晰的AI叙事与可见的收入影响相结合，赢得了投资者信心，这得到了能够大规模交付的基础设施和团队的支撑。亚马逊和苹果可能在未来几个季度缩小这一差距，但第二季度向市场发出了一个不会很快被遗忘的信息：AI的免费搭车时代结束了。
正如纳塔拉詹所说："我们资助了你们的AI幻想营。现在是时候建立AI业务了。"
Q&A
Q1：为什么微软和Meta的AI投资获得了更好的市场回报？
A：微软和Meta成功地将AI投资与具体的收入增长联系起来。微软通过Azure和Copilot展示了明确的商业成果，Meta通过AI驱动的广告定位证明了实际收入影响。而亚马逊和苹果虽然技术先进，但在向投资者展示AI投资如何转化为可衡量收入方面较为模糊。
Q2：当前AI行业进入了什么新阶段？
A：AI行业已进入"问责时代"，市场不再仅仅奖励AI投资承诺，而是要求看到实际的收入和商业成果。投资者现在关注的是清晰的执行力、货币化能力和可衡量的回报，而不是模糊的概念或演示。
Q3：未来AI竞争的关键差异化因素是什么？
A：关键不再是拥有最大的AI模型，而是谁能在规模上无缝部署和执行。这包括基础设施的成熟度、模型服务的速度、处理推理峰值的能力，以及吸引和留住能够将AI研究转化为实际产品的人才。
来源：至顶网一点号
