01 触发事件
2026 年 11 月 11 日，Bloomberg 播出 Citi 的 Olaolu Aganga 访谈。她给出的核心判断有三条：强劲盈利与有吸引力的估值继续支撑美国股市；AI 仍处于长期投资周期，生产率收益尚未充分兑现；但通胀可能高于预期，进而推动利率更高，并相对利好短久期 fixed income 与黄金。
这是一次宏观策略判断，不是新模型发布或模型 API 价格变动。它的价值在于，把 AI investment cycle 放进了利率、资产久期和资本开支的宏观约束里，而不是只讨论模型能力。
02 这事的真正含义
问题不在于 AI 会不会继续提高生产率，而在于生产率兑现之前，资本成本先怎么走。
Aganga 的框架把 AI 投资周期和通胀判断绑在一起：AI 基础设施投资、企业采用与后续生产率提升需要时间，但这段等待期并不免费。若通胀更热，市场就会要求更高利率，AI 项目原本可以依赖的低成本资本就不再成立。
这其实也是 Andrew Grove 式的问题：不是“AI 是不是长期趋势”，而是“在经济压力下，哪些公司有足够现金流和执行能力撑到拐点出现”。
对 AI builder 来说，这个判断比“AI investment cycle 仍很长”更重要，因为后者很容易变成无法证伪的叙事。真正需要跟踪的是：
- hyperscaler 的 capex 是否继续上修；
- GPU 供给增加后，推理价格下降能否转化为新增需求；
- 企业客户是否从试验预算切到持续部署；
- 利率上升后，融资依赖型 AI startup 的 runway 是否恶化。
我没在内部跑过 Citi 的宏观模型，也无法确认 Aganga 对通胀与黄金的配置建议是否会兑现。但她至少指出了一个不能忽略的结构：AI 的 demand 可以继续增长，AI 资产的 valuation 却未必同步扩张。
03 历史类比 / 结构对照
这更像 1990 年代末的互联网投资周期，而不是 2007 年 iPhone 发布本身。
2007 年 iPhone 确立了新的用户交互与移动计算平台；随后几年，telecom 与设备厂商把资本开支变成网络建设，再由应用和云服务承接需求。资本市场先为未来需求定价，基础设施投资先于稳定现金流出现。
当前 AI 周期也有类似次序：Anthropic、OpenAI、Google 持续争夺模型和算力供给，NVIDIA 承接资本开支，cloud provider 建设 GPU 集群，developer tooling 再把模型能力包装成可计费工作流。
但相似之处止于“先建产能，再等需求”。关键差异是，AI 推理成本与 token 价格正在持续下降，模型能力也在扩散。这意味着资本开支可能被竞争压低，而不是像传统数据中心那样形成稳定的物理瓶颈。
所以，那个真正会被定价的，可能不是“AI 投资很大”，而是三件事：
- 谁能控制 distribution；
- 谁能用模型能力创造客户愿意续费的工作流；
- 谁能承受价格下降，并仍保持足够毛利。
这与 2014 年 AWS 的类比更直接。AWS 没有靠单个功能赢得所有客户，而是靠 compute、storage、pricing 与 developer familiarity 累积 switching cost。模型 API 的机会也类似：最终胜出的 gateway 或 platform，不一定拥有最强模型，却可能拥有更低的 routing 成本、更稳定的 availability，以及更深的开发者集成。
不过，我没在内部跑过各家的 unit economics，因此无法确认今天的 token 价格曲线最终会不会复制云计算的规模效应。这个类比可能过度乐观。
04 对 AI builder 意味着什么
这个月不该做的是全面收缩 AI 预算，而是重新审视资本密集程度。
对于模型 API 消费者和 AI startup 创始人，优先检查四张表：
- 收入表：客户是否从 pilot 转为 production，AI 相关收入是否真正进入 ARR；
- 推理成本表：input、output、cached token 的成本占比，以及 routing 是否能随模型价格变化动态调整；
- 现金消耗表：若 token 价格继续下降、GPU 容量增加，公司是获得毛利扩张，还是把节省下来的成本直接让给客户；
- 融资暴露表：如果利率比预期更高，融资节奏、客户集中度和固定成本结构是否还能支撑当前 runway。
对 developer tooling 团队，Aganga 提到的“AI productivity gains 仍 ahead”尤其值得追踪。真正的验证指标不是 demo 数量，而是团队用 AI 完成任务后，交付速度是否提高、review 周期是否缩短、缺陷率是否下降。如果 productivity 没有进入这些运营指标，AI 投资就还只是 capex 叙事。
对 opcx.ai 这类 model access 平台，我的判断是：gateway 的价值不能只建立在“聚合更多模型”上。模型数量是可复制功能，distribution 与 routing 才是 moat。产品上应让客户能直接观察不同模型的 latency、quality-adjusted cost、cache hit rate 与 failure rate，并按任务自动路由。
短期最值得做的动作有三个：
- 把客户模型支出按 workload 拆分，而不是只看总 token；
- 给高重复度任务加 prompt caching 与 batch API 路径；
- 把利率与 cloud pricing 纳入容量采购假设，避免在 GPU 价格与融资环境同时恶化时锁死成本。
我没在内部跑过客户 workload，因此这些不是对具体客户毛利的断言，只是我认为这周最该做的决策修正。
05 反方观点 / 风险
我可能高估了宏观利率对 AI 行业的约束。
第一，Aganga 同时承认强劲盈利与估值仍在支撑美股。如果 hyperscaler 的 cash flow 足够强，利率上升未必会压低它们的 capex。NVIDIA、Microsoft、Google、Amazon 等公司完全可能继续投资，因为竞争优势需要的不是最低成本，而是足够早获得稀缺产能。
第二，AI productivity gains 尚未兑现，可能意味着机会仍大，也可能意味着企业采用阻力比预期更强。若 deployment 成本高、evaluation 不成熟、数据治理复杂，那么模型价格下降未必自动创造需求。
第三，我把 AWS 类比套到模型 API 上，可能忽略了模型层更低的 switching cost。开发者可以通过 OpenAI SDK、Anthropic SDK 或 MCP 快速替换 provider；历史调用数据、evaluation 与 workflow integration 才可能构成真正壁垒。opcx.ai 若只做透明转发，很容易被 cloud provider 或 IDE 平台内置能力挤压。
最值得警惕的组合是：capex 继续上升，但企业生产率迟迟不兑现；与此同时，token 价格下降削弱收入增长，利率上升拉高融资成本。那才是 AI 投资周期从“等待回报”转为“回报不及预期”的 inflection point。
所以，我现在的结论不是“AI 周期结束”，而是：AI 产业趋势仍可能成立，但股票、基础设施公司与应用 startup 的回报分布会明显分化。问题不在 AI 有没有未来，而在这个周期里，谁承担资本成本，谁控制 distribution，谁能把价格下降变成更大的 demand。