← 回阿法觀點
阿法觀點

AI 從算力大戰駛入「流程再造」深水區：當計時計費模式瓦解，專業服務業如何用專屬數據與垂直 AI 築起護城河

發佈於 2026.07.15
資料來源 · 20 集 podcast、0 則網路來源
參考 Podcast

過去兩年，AI 投資的狂熱高度聚焦於晶片算力與基礎建設的「軍備競賽」。然而，本週各大財經論壇的交集顯示，AI 已正式跨入「流程再造」的全新週期。以法律、避險基金為代表的專業服務業，正親歷傳統「按時計費」與「人力密集」模式的崩解，轉而走向以專屬數據資產、垂直 AI 工作流為核心的全新防禦壁壘。

計時計費制的終結與傑芬斯悖論的利潤重塑

在年高達 1 兆美元的全球法律服務市場中，過去高達 96% 的預算流向昂貴的人力。隨著 AI 原生平台如 Legora 與 Harvey 的崛起，原本需耗時數月、索價不菲的併購盡職調查被壓縮至數小時內完成，直接威脅到 Kirkland & Ellis 等頂級律所依賴初階律師（Associates）「按時計費（Billable Hour）」的傳統暴利模式。然而，這並非意味著專業服務的消亡。對照經濟學中的「傑芬斯悖論」，當 AI 使得單次法律審查成本從千萬美元降至三成時，客戶原本因高昂價格而放棄的防禦性合規與訴訟需求將被大量釋放，反而使整體市場蛋糕越做越大。這種轉變迫使從業人員從「文書體力活」釋放，轉型為「AI 代理的協調經理」，也重塑了專業機構的利潤結構。

垂直數據工程才是對抗通用巨頭的終極壁壘

面對 OpenAI、Anthropic 等擁有千億算力的通用大模型巨頭，垂直領域 AI 新創與專業機構的防禦關鍵，在於「專屬領域的數據清洗與標註」。以法律科技為例，美國法律數據長期被 Westlaw 與 LexisNexis 壟斷，垂直 AI 廠商必須深入基層法院進行極為繁複的判例法與法規數據結構化工程，甚至需手動進行雙盲輸入以確保頁面引用精確度。值得對照的是，全球最大上市避險基金英仕曼集團（Man Group）在推動其 AI 量化研究時，同樣發現通用模型在未經清洗的金融數據前形同噪音，其核心投資皆砸在建置「語意層（Semantic Layer）」等數據基礎建設上。這種深度的數據治理與垂直工作流整合，構成了通用 LLM 無法直接跨越的物理護城河。

AI 代理工作流在專業決策場景的實踐

AI 在專業領域的定位已從最初的單純檢索，跨越到高自主性的「代理工作流（Agentic Workflows）」。在量化投資領域，英仕曼集團已實現「系統化地系統化」的策略生產線：由 AI 代理自主閱讀學術文獻、提出投資假設、撰寫回測程式碼並進行合規審查。目前已有 15 到 20 個完全由 AI 構思的量化模型正式上線交易真實資金。在創意與配音產業，11Labs 則透過「聲音 IP 化」將傳統按時計酬的勞動轉化為具備被動收入屬性的「聲音資產授權」。當專業決策與創意能透過 AI 代理低成本、規模化地複製，企業的價值鏈正從「販售工時」徹底轉向「販售 IP 與資產」。

代幣經濟學與企業端精細化預算治理的博弈

隨著 AI 代理執行更複雜、耗時更長的任務，企業的代幣（Token）消耗量呈現噴射狀暴增。為了避免預算失控，終端企業的使用模式正進入分層化與結構優化階段。例如 Coinbase 與 Uber 等科技指標企業已開始推行嚴格的 Token 預算治理，將高難度推理交給封閉源大模型，而將日常庶務分流至成本低廉的開源模型或較便宜的模型。這種「把難的事情留給武林高手，簡單的交給猴子做」的成本優化趨勢，雖然刺激了終端應用普及，但當企業不再盲目為昂貴的 API 買單，也反向對硬體供應鏈造成壓力。這解釋了為何市場開始擔憂 NVIDIA（NVDA）等硬體巨頭高達 70% 的高毛利率是否面臨邊際修正，以及記憶體巨頭如美光（MU）、SK 海力士的報價增速放緩風險。

本期精選
記憶體與晶片硬體修正
— 觀察
美光 MU

雖然 AI HBM 需求推高週期，但隨企業客戶進行 Token 成本優化與軟體調整，記憶體報價邊際增速已放緩。

7/1 入選 $1,154 → 現價 $983 · -14.8%
來源 · 3 集 podcast
往期阿法觀點