软件估值处于底部，7月以来涨幅主要定价降息+IT预算修复，此外10月底以来Agent叙事不断强化，市场寻找此前估值处于低位的软件股交易Agent催化修复估值，后续继续等待Agent商业化逻辑。我们大家都认为，过去1-2年的AI商业化尝试让行业形成普遍共识，Chatbot形式交互成本比较高，融入企业工作流/用户交互流较困难，要进一步调整架构以融入流程。Agentforce等产品初步反馈积极，Snowflake看到AI/ML的初步收入，行业展望IT需求边际向好&AI商业化逐步落地，趋势乐观。
2022-23年我们注意到SOX与IGV指数走势几乎同步，但2024年后走势呈现明显分化，代表性企业英伟达/台积电等大幅跑赢软件龙头（微软/Salesforce/Adobe等）。拆分EPS/PE贡献，SOX与IGV的分化来自EPS和PE的双重扩张，而IGV则面临收入增速放缓，展望下修的困境，因此1H24表现疲软，直至11月开启反弹。绝大多数软件公司的AI产品商业化处于非常初步阶段，少量Data Infra披露可观的AI收入（例如Snowflake），后续有望明显拉动收入增速。
本轮AI应用有一些积极信号，首先是产品形态从Chatbot转向Agent/Workflow。在经历1-2年的AI应用开发尝试后，主要厂商提出AI应用开发范式与传统应用不同，例如Anthropic提出现有AI代理的瓶颈不在于LLM性能，而在于合适的系统/流程设计及相应的数据准备。如果我们回溯过去10年，AI在产业界的应用，主要对应搜索/广告/推荐系统，这些场景上厂商需要改造AI架构以适应用户侧交互习惯，而非像Chatbot一样让用户适应AI交互习惯。因此，AI产品当前迫切地需要调整架构以适应用户交互/企业工作流。我们大家都认为，对AI应用认知发生的积极转变提升了AI应用商业化拓展的概率，是一个积极信号。
投资建议：软件估值处于底部，7月以来涨幅主要定价降息+IT预算修复，此外10月底以来Agent叙事不断强化，市场寻找此前估值处于低位的软件股交易Agent催化修复估值，后续继续等待Agent商业化逻辑。我们大家都认为，过去1-2年的AI商业化尝试让行业形成普遍共识，Chatbot形式交互成本比较高，融入企业工作流/用户交互流较困难，要进一步调整架构以融入流程。Agentforce等产品初步反馈积极，Snowflake看到AI/ML的初步收入，行业展望IT需求边际向好&AI商业化逐步落地，趋势乐观。
2022-23年我们注意到SOX与IGV指数走势几乎同步，但2024年后走势呈现明显分化，代表性企业英伟达/台积电等大幅跑赢软件龙头（微软/Salesforce/Adobe等）。拆分EPS/PE贡献，SOX与IGV的分化来自EPS和PE的双重扩张，而IGV则面临收入增速放缓，展望下修的困境，因此1H24表现疲软，直至11月开启反弹。
如何解释软件股2H24，尤其是10月中下旬以来的反弹？首先是估值处于低位，据Aventis advisors，2H24美股软件股EV/Rev估值中位数几乎达到历史最低水平，对应2015-16年区间，即使10月以来大涨后估值也仅仅抬升至2017-18年区间。极低的估值水平意味着大量负面展望已经被市场定价，例如收入增速疫情后下降，IT预算紧缩带来的展望谨慎，市场渗透率提升/后续增长空间相对有限，竞争格局恶化等。例如，从Rule of 40 Score角度看，2023年以来软件股的Rule of 40 score持续提升，摆脱2H21-2022年的低位，Gen AI叙事+IT预算周期触底回升也催化投资者信心提升。
再次是新增软件工程师招聘岗位回升。我们注意到不论是大型科技股，还是其他软件公司，其在软件工程师新增招聘方面存在类似趋势，即2021-22年上半年大幅扩招软件工程师岗位，但在22年下半年开始大幅削减招聘，且2023-24年新增招聘都处于低位，整体软件工程师就业市场处于非常低迷的状态。且2022-23年科技公司大量裁撤人员以降本增效，因此2022-23年实质上是软件工程师行业的寒冬，软件行业作为软件工程师的下游，需求同样受到压制，大部分软件要么是按照账号/席位付费，要么是按照资源消耗付费，前者直接与工程师数量挂钩，后者间接关联，但在IT预算紧缩背景下大量业务价值较低的流程都被缩减/优化，企业在软件侧的开支也受一定的影响。积极的一面是，企业经历了22-23年的IT开支优化后逐步企稳，反馈为三大云厂商收入增速触底回升，以及新增招聘逐步回暖。
最后是IT预算趋势回暖+Gen AI的催化。据ETR调研，企业IT支出增速预期实际上于2-3Q23触底，但2023年末对24年预期反弹幅度过大，实际上1Q24支出增速低于预期，带动预期线业绩以来Snowflake/Elastic等代表性SaaS企业业绩均好于市场预期，进一步确认IT预算的改善，带动情绪线年IT支出增速改善的信心。
总结来看，10月以来软件板块的反弹主要有三个驱动因素：1）估值修正到位，软件股中位估值回到17-18年水平，虽然增速回落，但FCF利润率明显好转，Rule of 40 Score低于15-19年均值，但23年以来逐步改善，未来有望回到此前均值水位；2）软件工程师招聘趋势改善，上一轮软件股的强劲基本面归根结底受益于软件工程师历史性扩张，但2022-23年相应迎来裁员+减招/停招，同时公司开始优化IT支出。2024年以来企业招聘趋势总体呈现改善趋势；3）IT预算趋势边际向好+GenAI叙事。CIO调研反馈的2025年IT预算信号较为乐观，继续呈现改善趋势，市场线月底Salesforce Agentforce全面开放，市场逐步定价AI产品在软件厂商商业化的乐观情形。
AI应用商业化并非第一次被市场关注，事实上，ChatGPT发布以来市场数次关注AI应用，AI+各个行业赛道的产品发布已久，例如微软发布Office Copilot、OpenAI发布Sora/GPT-4o Live等。能够正常的看到过去的产品发布在指数层面影响不大，至少对于IGV/SOX而言并未拉动显著的分化走势，而Salesforce 9月17日发布Agentforce，10月29日全面开放，11月IGV开始显著跑赢SOX。
AI应用有一些积极信号。3Q24最大的亮点来自于Snowflake披露的AI/ML年化收入~2亿美元，对应季度收入5000万美元，占收入比例5.6%，且后续展望积极。但更重要的是Agent叙事，2022年11月以来的AI应用特别大程度上都在模仿ChatGPT的产品形态，以Chatbot形式进行交互，而大多数用户习惯的交互形式并非聊天机器人，而是推荐/搜索，且更接受视频/图片等形态而非文字。因此，业界需要调整AI产品的形态以适应用户的习惯，而非强迫用户适应LLM，二者的差异最终会使用户留存率，使用时长等差距，长期看这些指标的微小差异会使用户规模/时长的量级差距。
过去AI在业界的应用集中于搜索、广告、推荐系统，在用户交互层面都做出调整以适应用户，我们注意到过去20年主流社交/搜索/视频平台的前端UI总是朝着降低用户门槛的方向发展——更少文字，更多图片/视频，但后端的推荐/搜索架构也愈发复杂（尤其是引入ML后）。但GenAI以来产品研发存在很明显的路径依赖，主要厂商跟随ChatGPT的成功经验模仿推出Chatbot形式的产品，实际上ChatGPT仅为OpenAI内部为推广基础大模型尝试推出的应用，ChatGPT的爆火也并不能证明用户交互习惯的“倒退”，从习惯被动推荐/主动搜索，退化至复杂长文本交互。我们大家都认为，ChatGPT的热度更多反馈人们对AI技术突破的热情，想要将AI技术商业化，厂商应该思考怎么样将AI产品融入企业现有工作流。
，基于在过去一年中，Anthropic与数十个跨行业团队合作构建LLM代理的经验。核心结论是“最成功的实现始终没用复杂的框架或专门的库。相反，他们使用简单、可组合的模式进行构建。”
现有AI代理的瓶颈不在于LLM性能，而在于合适的系统/流程设计及相应的数据准备。Anthropic的主要经验包括1）尽可能保持每个环节都有输出并进行程序检查，由于提示链将任务分解为一系列步骤，其中每个LLM调用都会处理前一个调用的输出，因此为了确认和保证整体准确性，在每个环节之间添加检车程序能牺牲一定延迟，但大幅度的提高准确率。2）对于复杂任务，尽可能添加路由将输入分类并将其定向到专门的后续任务。此工作流程允许分离关注点并构建更专业的提示。假如没有此工作流程，针对一种输入来优化可能会损害其他输入的性能。3）LLM的性能提升对于处理特定任务有帮助，但构建一个自动化工作流需要精心设计LLM之间的关系，代理能处理复杂的任务，但它们的实现通常很简单。它们通常只是使用基于环境反馈的工具的 LLM。因此，清晰、周到地设计工具集及其文档至关重要。同时，代理的自主性意味着更高的成本，及出现复合错误的可能性。
基于现有的客户实践，Anthropic提出两种特别有前景的人工智能代理应用：1）客户支持/服务；2）软件开发。关于客服场景，首先客服本身的交互场景就是Chatbot交互，形态上包括文字、图片、音频等，构建LLM代理需要集成工具来提取客户数据、订单历史记录和知识库文章。多家公司已通过基于使用情况的定价模式证明了此方法的可行性，该模式仅对成功处理问题收取费用。关于软件开发场景，由于代码问题空间定义明确且结构清晰，输出质量可以客观衡量。
在这些行业发展背景之上，我们进一步展开分析Salesforce Agentforce的产品。
从单点应用到平台级AI赋能，Agentforce定位为“企业劳动力数字平台”：Salesforce正在将Agentforce从单纯的服务云AI应用逐步转向全方位流程自动化平台，包括在销售、市场、电商等软件端应用，为公司可以提供全局性的数字劳动替代和补充，Salesforce将Agentforce定位为数字劳动力平台，马克·贝尼奥夫在2025财年三季报电话会议上表示，Salesforce将引领全球数字转型，成为最大的数字劳动力供应商。
（1）定位和功能：Agentforce 被形容为“为企业打造的完整 AI 系统”，根据公司的特定需求和数据，Agent可以相应执行任务、提供个性化服务，并与客户进行更自然的互动。（2）技术基础：Agentforce 建立在 Salesforce 平台上，与 Data Cloud 深度整合，可以存取和利用企业所有的数据，包括结构化和非结构化的数据。（3）应用场景：Agentforce 应用于各种业务部门和行业，包括销售、服务、营销、商务等。
Agentforce具备数据的核心优势：Mulesoft+Data cloud+Agent打造护城河。Salesforce Agent是通过多模态交错数据集、策划标题数据集和其他公开可用数据集的集成来扩大LMM训练规模。来自集成交错和标题数据集的自由形式交错图像和文本被输入到框架中，每个模态都经过一个单独的标记化过程，以自然顺序输入预先训练的LLM，对公司定制化Agentforce来说，其数据的质量与数量至关重要。而Salesforce在数据层面具备核心竞争力：Salesforce作为全球最大的CRM有突出贡献的公司，其MuleSoft（打通各平台数据）+Data Cloud（数据处理，ETL等过程）+Agent（应用到Sales、Marketing、Service等所有的环节）的方式能轻松的获得企业端更加核心且全面的数据（包括基于17种语言、74万份文档的元数据，还包括基于客户的定制化数据如采购，退货等），SalesFroce的Agent或因为其独特的数据优势在效果端更加突出。
Salesforce的Service产品理论上可节省80%左右的成本，AI创收开始慢慢地体现在提价中。理论上假设一位客服人员一年成本为五万美金，在中性假设条件下单次回复成本为9.6美金，假设Agentforce单次回复成本为2美金，则成本端能节约80%左右。
Agentforce或从传统授权模式向消费型定价模式转变。随着Agentforce的推出与持续迭代，Salesforce的商业模式正转向以实际使用量、工作流处理量作为计价基础。这种模式更贴近云计算市场的主要流行趋势，更有助于客户在初期试用与后期大规模部署之间灵活扩张。
假设Salesforce Agent最先落地于Service环节，且Agent收入来自于企业端使用Agentforce之后增值部分的价值再分配，预计在悲观、中性、乐观情况下可分配5%、10%、15%；假设AgentForce的26FY渗透率在悲观、中性、乐观情况下分别在5%、10%、15%。那么预计在中性情况下，Salesforce在26FY情况下或能产生5亿美金CRM Agent收入。
以Confluent为例，训练侧Confluent受益于数据传输。数据传输可大致分为两个部分：数据采集与数据消费。在数据采集方面，我们从大量遗留系统、SaaS应用程序收集实时事件通知，并通过其API拉取数据。然后将实时数据直接发布到我们的Confluent Kafka代理或通过REST代理流向下游消费者。在数据消费方面，有两类用户：一类是需要将数据整合回应用程序中的用户，这里需要借用Kafka传输；另一类是一定要通过BI工具访问数据的数据实践者，如数据科学家、分析师等，他们通常通过Tableau仪表板、Jupyter Notebooks访问来自数仓或数湖的数据。
推理侧，ML驱动的实时决策需要流处理框架而非批处理。应用开发涉及的Flink：在典型的行业应用架构中，通常会将数据从Kafka发送到Flink，再发送到数据存储或数据库，接着进行查询，再发送到应用服务器和用户界面。这种架构被许多科技公司采用，如Uber、Lyft、DoorDash、Netflix和Google，但这要维护多个系统，并优化查询延迟。而EnStream采用基于WebSocket技术的不同架构，可以直接从Kafka获取数据流，实现推送而非查询，以此来降低延迟。
Snowflake主要增加了数据工程环节，例如引入Snowpark（对标Spark），增加了对非结构化数据的解决能力，并拓展下游场景（从BI到ML）。这部分训练/推理需求对于Snowflake而言是纯粹的增量。
MongoDB/Elastic：主要受益于推理环节。MongoDB FY4Q24 CEO Dev Ittycheria提到“人工智能堆栈有三个层次。第一层是底层计算和大型语言模型（LLMs），第二层是模型微调和构建AI应用程序，第三层是部署和运行最终用户交互的应用程序。MongoDB 的策略是在第二层和第三层运营，以便客户能使用自己的专有数据以及任何 LLMs（无论是封闭的还是开源的）来构建 AI 应用程序，并在任何计算基础设施上运行”。
MongoDB通常位于机器学习工作流程的起始或结束位置。1）起始阶段，MongoDB存储的可作为训练数据传输至数据湖。2）在机器学习的末尾阶段，一旦创建了特征存储（feature stores），可以将这些特征存储放入MongoDB，并创建一个数据集作为文件系统的一部分，然后用于算法的消费。算法的输出结果，即负载（payload），可以再次存储在MongoDB中。
Amazon在持续加大AI投入，自研大模型后来居上：Amazon预期2024年Capex为750亿美金（大部分用于AWS），且预计2025年投入或将持续加大。通过持续的研发投入，Amazon逐步补足了自研大模型的欠缺（之前的Titan和Olympus模型并不算成功）。与Microsoft、Google继续形成“自研大模型+云计算”三足鼎立的市场。我们认为AWS AI新品（自研大模型、AI PaaS、芯片等）或对市场带来一定影响：1）市场格局：Amazon在自研大模型端后来居上，在AI Bedrock平台支撑100多重通用和行业模型，AWS的云计算资源成为最大“护城河”，Amazon将在“云计算+大模型”市场处于领先地位。2）赋能企业：Amazon推出高效AI芯片和AI工具，一定程度上降低了中小企业采用AI技术的门槛。3）合作模式：亚马逊推出定制化AI服务，将进一步推动传统行业的数字化转型，提升全球AI应用的多样性。
Amazon宣布自研大模型Nova系列：1）Micro：专注于纯文本处理，以超低延迟为特点，能够快速完成文本总结、翻译等基础任务。2）Lite：进一步扩展了功能，不仅能处理文本，还可以理解图像和视频输入，适合进行文档分析和客户互动等场景。3）Pro：在多模态处理能力的基础上，实现了“精确度、速度和成本的最佳平衡”，亚马逊将其定义为“全能选手”。4）Premier：Nova 系列的旗舰版本，计划于 2025 年初推出，将专注于处理复杂推理任务，并能够作为“教师模型”来训练定制化模型。
从多模态到未来any to any：亚马逊云科技计划明年中期推出的“大家伙”：一款语音转语音模型，以及一款任意转任意（Any-to-Any）万能模型，可输出文本、图片、音频、视频等任何模态的内容。大模型能力已经开始赋能于Amazon应用生态体系，如广告COSMO算法升级。COSMO算法是将传统的【Query - Product】相关性分析升级为【Query - Product - Intent】相关性分析，极大地提升了搜索算法的性能，使得搜索结果不仅仅基于查询词和产品的直接匹配，而且还考虑了用户的购买意图，实现了更加精准的搜索匹配。在其他场景端也逐步渗透，包括仓储物流机器人、硬件语音助手（明年或出基于Claude的语音助手）、视频、电商购物助手等。
Duolingo作为全球在线语言学习龙头，其游戏化功能&社区属性等深筑公司护城河，AI功能有望打开收入增量空间。Duolingo覆盖四十多种语言课程，将游戏元素融入语言学习，包括排行榜、宝石机制等，此外其社区属性比较浓厚，带来用户粘性显著增长。截至3Q24，Duolingo月活用户1.13亿，同比增长36%。持续布局AI，有望打开营收增量空间。Duolingo接入GPT-4后用户可实现交互式对话练习。公司已与OpenAI合作， 将旗下产品接入GPT-4，并在Super Duolingo的基础上推出Duolingo Max订阅版，每月收费30美元，按年收费为168美元。
在2024年上半年，Duolingo MAX主要包括两大新功能为：解释我的回答(Explain My Answer)和角色扮演(Roleplay)。Duocon大会上新增视频通话功能：在“视频通话”功能中，用户可以与多邻国角色Lily(拽姐)对话，且对话内容会根据用户语言水平灵活调整，即使是初学者也可以轻松地进行对话练习。Lily紫色酷酷的外表下，内核是AI技术。“视频通话”可以看做是AI口语对练功能，多邻国一直有自己的IP家族，用户很熟悉；且“视频通话”功能与课程绑定内容上更成体系，更好实现“学-练”的闭环。
2024年Duolingo MAX 2025年覆盖率将进一步增长。截止24Q2，Max已经在27种语言五个国家中推出，覆盖DAU达15%，随着公司AI产品持续推进，2025年Duolingo MAX覆盖率有望占比更高。
假设：1）2024-2025年MAX用户在付费用户中渗透率占比分别为4%、10%；2）因为MAX包含原本Super所有功能，所以我们假设MAX的ARPU-原ARPU为AI带来的净增量；我们预计2025年Duolingo Max或将带来1.03亿营收净增量（对应收入占比为10%左右）；且公司不依赖于付费买量式影响，远期来看AI或能持续贡献利润驱动股价上行。
AI对Meta的商业化贡献核心在：1）带动社媒广告收入增速（每年约拉动META传统社媒广告高个位数增长）；2）AI 可能带来的新商业模式收入。
1）AI带动广告曝光量增长，2023-2026年最为明显：提升AI分发占比能够--有效提升用户时长（目前在线%）；--形成更精准的数据标签，和未来更多的商业化曝光流量位；
可能商业化路径：1）C端：订阅收费（按欧美40%渗透率；20美元订阅费，75亿美元收入）；2）C端：广告投放收入：Meta AI互动中可能会出现广告和付费内容（测算空间：200-300亿美元）；3）B端：AI代替人工传递WhatsApp商业消息，提升WhatsApp Business API渗透率。
ChatGPT正式登陆iOS生态系统，全面支持iPhone、iPad和Mac。12月11日OpenAI 宣布Apple Intelligence与ChatGPT进行深度整合。1）与 Siri 的协同：当 Siri 判断某个任务可能需要ChatGPT 的协助时，它可以将任务移交给 ChatGPT 处理；2）写作工具的增强：用户能够正常的使用 ChatGPT 从头开始撰写文档，还能进行文档细化和总结；3）iPhone 16 的相机控制功能：能够通过视觉智能让用户更深入地了解拍摄对象；4）ChatGPT 为 iPhone 带来视觉智能能力；5）高级语音视觉功能发布，能够与 AI 进行实时视频对话。
模型侧：苹果自研端侧大模型和云端大模型能力强大，或赶超 GPT-4。具体来看，苹果设备上的端侧模型是一个 30 亿参数（3B）的小模型。3B 级小模型和主流几个 7B 级模型能力上苹果都能基本胜出。而其云端模型则直接到了 GPT-4 Turbo级。
2024年复盘：2024年小米向上弹性来源于汽车的销量&交付&产能爬坡&毛利率的持续超预期兑现，向下风险重点看主业利润稳定性，今年最大的影响因素在于存储价格，但高毛利的互联网业务加速变现、IOT的强劲弥补了手机的负面影响，主业利润稳定性持续提升。
2025年展望：1）手机BOM成本有望从2024年的负beta有望转向成正beta（国产存储产能释放），叠加国补政策有望实现量和毛利提升的双重共振；2）IOT出海空间庞大（参考手机出货量海外占比75%，IOT海外占比仅为20%+，明年起IOT将通过贸易商的方式先行进行出海探索），明年随着出海量的攀升，IoT增速有望保持或加速；3）EV方面：明年伴随二期产能释放，交付量有望达到35万台，新款SUV的发布将有望带动量价齐升，在费用投放没有特殊增加的情况下，25年有望实现breakeven。
搭建GPU万卡集群开启AI硬件新篇章。根据12月26日界面新闻，小米正在着手搭建自己的GPU万卡集群，将对AI大模型大力投入。小米大模型团队在成立时已有6500张GPU资源。此前12.20据报道，DeepSeek开源大模型DeepSeek-V2的关键开发者之一罗福莉将加入小米，有望加入小米AI实验室领导大模型团队。这一战略举措标志着小米在AI领域的深入布局。据悉，该计划已经施行数月之久，雷军为重点领导角色，强调小米在AI硬件领域的核心关注点是手机。
2023年，小米成立了大模型团队，并将“轻量化、本地部署”定为小米大模型技术的主力突破方向，公司在AI产品上的布局非常广泛，涵盖了从智能手机、AIoT、自动驾驶、智能制造到机器人等多个业务领域。除了AI端侧硬件为最核心的战略方向，在自动驾驶方面，小米汽车智能驾驶系统在半年内经历了三次重大升级，从高精地图+模块化架构到无图+模块化架构，再到端到端大模型架构，快速追赶其他车企三代研发步伐。
通过手机、汽车、AIoT生态的全线布局，小米的除了技术突破外，更核心的是打造“人车家”融合的完整智能生活场景，在多样化场景中形成闭环生态，有望成为AI软件+硬件应用中最核心的玩家之一。
11.12小米官方宣布大模型已经实现了从一代到二代（MiLM2）的升级迭代：1）参数规模同时向下和向上扩充，实现了云边端结合，参数尺寸最小为 0.3B，最大为 30B；2）语言能力相比于第一代模型平均提升超过 45%；3）端侧部署上支持 3 种推理加速方案，包括大小模型投机、BiTA、Medusa，并且自研量化方案相比于业界标准高通方案，量化损失降低 78%；4）支持的最长窗口为 200k（第一代为 4k）。
产业链催化：1）金山云：受益于小米自研大模型需要的算力需求：小米汽车智能驾驶训练研发+自动驾驶数据存储+手机×AIoT 分部的持续发展，公司来自生态系统收入有望持续增长。
软件估值处于底部，7月以来涨幅主要定价降息+IT预算修复，此外10月底以来Agent叙事不断强化，市场寻找此前估值处于低位的软件股交易Agent催化修复估值，后续继续等待Agent商业化逻辑。我们大家都认为，过去1-2年的AI商业化尝试让行业形成普遍共识，Chatbot形式交互成本较高，融入企业工作流/用户交互流较困难，需要进一步调整架构以融入流程。Agentforce等产品初步反馈积极，Snowflake看到AI/ML的初步收入，行业展望IT需求边际向好&AI商业化逐步落地，趋势乐观。
宏观风险：宏观经济的不确定性，如经济稳步的增长放缓或衰退，可能会影响企业IT预算和技术支出，从而间接影响AI软件的需求。此外，通货膨胀率上升可能会引起经营成本增加，降低利润率。
政策变化：政府对科技领域的监管政策变动（例如数据隐私保护法规）会对AI软件公司造成影响。如果新出台的法律限制了某些类型的数据使用或要求更高的安全标准，这可能会增加开发成本并延缓产品上市时间。
国际贸易摩擦：全世界内的贸易争端可能会引起技术转让受限、供应链中断以及市场准入难度加大等问题，特别是对于依赖跨国合作的研发项目而言。
技术创新风险：AI是一个加快速度进行发展的领域，技术更新换代非常快。如果一个企业在算法改进、计算能力提升等方面落后于竞争对手，则其市场占有率可能被侵蚀。
武超则：现任中信建投证券股份有限公司研究所所长兼国际业务部负责人，董事总经理，TMT行业首席分析师。新财富白金分析师，2013-2020年连续八届新财富最佳分析师通信行业第一名；2014-2020年连续七届水晶球最佳分析师通信行业第一名，2022、2023、2024年水晶球最佳领队。上证报2022、2023、2024年最佳研究所所长，21世纪金师2024年度影响力券商研究所所长。专注于人工智能、5G、云计算、半导体等科技领域研究。中国证券业协会证券分析师、投资顾问与首席经济学家委员会委员。清华大学金融硕士行业导师。
崔世峰：海外研究首席分析师，南京大学硕士，7年买方及卖方复合从业经历，专注于互联网及科技公司研究，擅长游戏行业研究。2022-2023年新财富港股及海外最佳研究团队入围，2019-2020年新财富传媒最佳研究团队第二名核心成员。
应瑛：中信建投证券计算机行业首席分析师，伦敦国王学院硕士，5年计算机行业研究经验。2021年加入中信建投，深入覆盖医疗信息化、工业软件、云计算、网络安全等细分领域。
许悦：海外研究员，南洋理工大学硕士，专注于港股互联网及美股软件研究，2022年加入中信建投海外前瞻组，2023年新浪金麒麟港股及海外市场菁英分析师第二名，2023-24第十七届、十八届水晶球最佳分析师海外行业入围，2024年新财富海外市场研究团队第五名。
向锐：本科毕业于武汉大学，硕士毕业于中国人民大学金融学专业，2022年加入中信建投证券，主要研究游戏电商/美股科技/AI方向。
证券研究报告名称：《IT预算增速有望触底回升，Agent商业化逐步落地，展望乐观》
