相比目前1.45萬億美元的實際暴露薪資成本，與5.68萬億美元的理論潛在規模，大模型商的實際的收入水平仍處在早期：Anthropic約500億美元的ARR僅相當於3.2%的實際暴露薪資池，或0.8%的理想薪資暴露池——端側收入空間的想象力仍是巨大的。

隨着年初AI Agent出圈後，過去兩年瘋狂燒算力有了短期答案——Token消費量大幅增長帶來了ARR指數級上升。進而，Agent替代人工，節約人工成本的邏輯認知被強化。

Agent對人工的替代能力決定了ARR的增速與想象空間，而ARR又決定了資本開支的合理性；因此，(潛在)被替代的勞動力所對應的薪資水平成為關鍵變量，尤其是提供了AI端側收入想象空間的一個錨定參考。

當前推演都基於對AI商業化本質的認知，即「企業用模型能力去替代、輔助或重組原本由人工完成的任務」；企業為AI付費，並不是因為技術本身構成一個新支出項，而是因為它可以降低單位勞動成本、提升人效，或改變部分崗位的任務結構。

因此，大模型公司收入最終能夠觸達的上限，就應回到其影響的勞動力（收入）本身。最直觀理解「這輪ARR史詩級增長上限」的方式就是計算「可被AI重新定價的工資池」到底有多大。

我們將不同職業對AI技術的暴露度和2025年BLS全美就業與薪資調查 (Occupational Employment and Wage Statistics)中830個職位進行匹配估算，從宏觀（就業人數、薪資總數）和微觀（行業結構，替代比率）視角了得到了一些描述性結論，整體基本符合對AI技術更迭的常規認知。

宏觀視角下，在美國約10.83萬億美元的總薪資收入中，按Anthropic的實際使用/暴露口徑(observed exposure)估算，約1.45萬億美元工資成本已處於AI技術暴露範圍內，佔比13.4%；若採用OpenAI/Eloundou的理論暴露度口徑，潛在影響規模則可達到約5.68萬億美元，佔比超過52%。

按人數計算，美國約1.56億就業人口中，按Anthropic的實際使用/暴露口徑(observed exposure)，約1835萬人已處於AI技術暴露範圍內，佔比11.8%；若採用OpenAI/Eloundou的理論暴露度口徑，潛在影響規模則可達到約6830萬人，佔比達到43.9%。

以上的數字只是一個靜態表達，1.45萬億的工資成本應被理解為「在當前滲透率和模型能力下，ARR收入的理想上限」。這個上限必然面臨着「折價比例」，例如企業可能只需用1萬美元AI支出就可以等效替代10萬人工成本（降本）。

同時，我們也特別提示這個工資成本在企業視角下面臨着邊際」低估「：企業的實際用工成本面臨就業時長的波動（BLS採用時薪×2080h)，工資(salary)基礎上的各類獎金（期權）、福利、養老金（benefit)以及稅費等。

與之相對的是，以BEA/NIPA全口徑計算的勞動者報酬：工資薪金12.96萬億美元（對應10.83萬億美元）；工資薪金補充項為 2.77 萬億美元。因此，實際AI所對應的勞動力成本替代上限（企業實際支出）可能要高出上圖30%。

但哪怕我們使用最窄口徑計算，當前大模型商僅數百億美元的年化收入（例如Anthropic的470億美元ARR）依然只相當於當前暴露薪資池的3.2%，或者理想薪資池的0.8%——端側收入空間的想象力仍是巨大的。

這裏我們簡單描述一下所使用的兩個暴露度指標：

「實際暴露率」基於的是AI（Claude）已經在多大程度上進入了該職業的任務結構：比如，任務是否理論上可由AI完成？任務是否已經在Claude使用中出現？是否屬於工作場景？是純自動化還是輔助使用？以及相關任務在總工時中的佔比。

「理論暴露率」基於的是AI（GPT）的能力邊界：模型理論上能影響這個職業多少任務，反映了AI能力邊界對應的潛在暴露上限，是一個更加主觀的估計。

需要明確的是，職位對AI技術的暴露率只是基於目前可獲得數據的估計，其實際兌現程度既有可能隨着技術進步而變大，也可能因為技術鴻溝而變小。並且「暴露」不等於「替代」，也不等同於失業或企業可直接節省的工資成本。它衡量的是某一職業中的任務有多大比例可能被AI輔助、重組或部分自動化。

但總的來說，過去自動化更多影響製造業和重複性體力勞動（低薪），而本輪AI更直接觸及高工資、知識密集型和服務業崗位。也正因如此，它對美國經濟的影響，可能首先體現為工資成本的變化，而不是就業人數的線性下降。

從工資的分佈來看，不同職業對AI技術的理論暴露度(theoretical exposure)相對於年度平工資分佈存在明顯右偏，即AI技術對高收入人群的理論影響要明顯高於中低低收入人群。

例如，下圖中收入水平最低的人群(黃點)的分佈明顯偏下（AI暴露度較小），其中代表性的職業包括了洗衣房員工(收入分位數0.1%，暴露度10%)、烘焙師（收入分位數4.8%，暴露度14.7%）以及輪胎工（收入分位數7.5%，暴露度0）。

而收入水平最高的人群（紅點）的分佈則明顯偏上（AI暴露度較大），其中代表性的職業包括了金融產品經理（收入分位數96.6%，暴露度78.6%）、HR（收入分位數95.3%，暴露度76%）以及航天工程師（收入分位數92.5%，暴露度89.3%）。

從職業分佈的角度，理論上最有可能被AI替代的行業是計算機與數學(87.6%），商業與金融（78.2%），以及法律(78.0%）。

但實際觀察到的暴露度排序與理論值並不一致，實際暴露度最高的行業是計算機與數學(35.3%），辦公室與行政支持（33.2%），以及銷售相關職位(24.6%）。

這也體現出，AI對勞動力的替代並不是單純由「模型能力」決定的，還受到工作屬性、責任歸屬和組織流程的約束。以法律行業為例，「案頭工作」並非全部，還包含和當事人溝通、利益協調、訴訟策略判斷以及責任承擔。金融行業也類似，金融服務表面上高度數據化，但仍依賴客戶關係、風偏識別、大量非標化信息判斷等。

相比之下，編程等崗位的部分任務更容易被 AI 介入，是因為其工作對象更明確、反饋鏈條更短、溝通密度相對較低。代碼是否能運行、測試是否通過、功能是否實現，往往得到的反饋就是簡單的0和1（成功與失敗）。

1.45萬億美元的薪資實際暴露額基本被前五大行業所承擔，包括了辦公室與行政支持（2896億），商業與金融業（2474億），管理崗位（2217億），計算機與數學（2152億）以及銷售相關職位（1995億）。

這也對未來專用大模型to B業務的發展提供了新的發展視角，如果追求確定性可以深耕一些已經出現明顯替代的行業（行政、計算機、金融等），如果追求「0到1的業務突破」，則教育行業、醫療診斷業等仍呈現出較大潛力。

在此基礎上，我們再進一步的觀察所有754個子職業，從實際暴露度的視角進行觀察，得出了前20個最容易被AI替代的職業。其中，有8個職業的歸屬大類都是計算機與數學，共計159萬人，佔整個大行業人數的30.2%。這也凸顯出計算機行業在AI技術衝擊下的脆弱性。

考慮到信息技術業的替代在短期是大模型商收入的重要來源，我們選擇計算機與數學行業(BLS code 15)深入到內部，尋找相對技能水平（以薪資作為代理變量）和AI暴露度之間的關係。

數據反饋出的現實比較殘酷，對於計算機行業而言，薪資（所對應的技能）高低和AI暴露度之間沒有必然聯繫，換言之在面對AI衝擊時，全行業接近於「一視同仁」。

除此之外，我們再關注另一個「降本增效」潛力巨大的行業：管理與金融業。與計算機行業相比，金融業的實際暴露度依然偏低，但是Market Research Analysts（64.8%）以及Financial and Investment Analysts（57.2%）依然面臨着較大的替代風險。

相較於計算機行業的「一視同仁」，由於金融行業的部分崗位需要「擔責」（例如審計，會計…），且不同崗位間工作產出標準化衡量度層次不齊，所以對AI技術的暴露度呈現出較大差異。

最後，儘管當前AI收入已進入快速擴張階段，但相比目前1.45萬億美元的實際可代替薪資成本，與5.68萬億美元的理論潛在規模，其實際的收入水平仍處在早期。

這存在雙向的理解：對模型商而言，僅相當於3.2%的實際暴露薪資池，或0.8%的理想薪資暴露池的年化收入（Anthropic最新ARR約470億美元），都還有着巨大的想象空間；但對勞動力而言，薪資可以被「擠壓」的空間亦是巨大的。

這意味着，AI的宏觀影響不會簡單表現為就業數量的線性下降。更可能出現的是：部分單一職責崗位被替代，大量多職責崗位被重組；部分工資成本被壓縮，更多勞動過程被重新定價。尤其是AI Agent帶有工資越高、替代率越高的屬性，這使得AI未來對收入消費的潛在衝擊可能更大。

當然，我們再次強調，「暴露規模」不等於「替代規模」，暴露意味着任務可能被AI輔助、自動化或重新組織，但並不意味着這些工資收入會等比例消失。本文只是基於暴露度來做大模型收入規模理論上限的測算，也沒有把隨之而來的「創新」遠景納入考量。

真正決定AI經濟影響的，仍然是企業採用速度、模型能力邊界、組織流程改造和監管約束。但從當前數據看，AI收入端的中期空間，不應只從軟件市場規模理解，而應從更大的勞動力成本池中尋找估算錨定。

風險提示

AI技術對職業暴露度更新不夠及時全面，存在數據統計偏差；AI Agent能力發展弱於預期，導致對應的勞動力規模產生明顯變化；全球央行快速轉向，帶來全球二輪通脹風險，壓制全球需求，勞動力裁員勝過AI影響，降本增效屬性被淡化，引發更大規模AI投資回報率擔憂。

注：本文摘自國金證券2026年7月2日發布的研究報告《AI洪流三部曲：ARR的邊界》；分析師：宋雪濤 S1130525030001、鍾天 S1130526020001