2026年，企业AI产业正在经历一次明显的价值坐标迁移。
过去两年，市场关注的是谁的模型参数更大、Token价格更低、推理能力更强;而随着基础模型能力持续提升，资本市场和企业客户开始提出一个更加现实的问题：AI到底能不能真正进入企业业务流程，并最终转化为收入、利润、效率和现金流?
近期Palantir公布业绩后股价一度大涨近30%，背后折射的正是这种变化。市场开始愿意为能够把AI真正部署到政府和企业核心流程、并形成规模化收入的公司支付更高关注度。
在国内市场，迈富时(02556.HK)最新公布的2026年中期业绩，则提供了另一个值得观察的企业AI商业化样本。
2026年上半年，迈富时实现总收入人民币19.6亿元，同比增长111.2%;AI应用业务收入11.3亿元，同比增长123.7%;净利润2.0亿元，同比增长466.1%;经营性现金流净流入约5亿元。
但如果只看到“收入翻倍、利润增长近5倍”，可能仍然低估了这份财报真正值得讨论的地方。
迈富时中报更重要的问题是：
一家企业AI公司，能否开始证明收入增长不再依赖人力线性扩张，而是来自客户使用加深、产品复用和AI带来的经营杠杆?
一、AI应用收入跑赢整体，增长引擎正在发生变化
首先需要拆开19.6亿元收入来看。
报告期内，迈富时AI应用业务收入达到11.3亿元，同比增长123.7%，增速高于集团整体收入增速。这意味着AI应用已经不再只是产品矩阵中的新增业务，而正在成为公司最重要的增长动力之一。但企业AI真正有价值的增长，并不是简单地“多卖了一些AI产品”。
市场更需要观察两个问题：
一是客户有没有越来越多;
二是已有客户有没有越用越深。
迈富时上半年客户数量同比增长25.9%，与此同时，每用户平均月收入同比增长80.0%。“客户数增长+ARPU增长”同时出现，比单纯客户数量增长更值得关注。如果收入增长完全依赖不断寻找新客户，商业模式依然需要持续增加销售投入;但如果已有客户开始增加产品、增加场景和增加使用量，意味着AI正在从单点试用逐渐进入客户的日常经营流程。
这也是企业AI商业化从“卖工具”向“卖结果”迁移的前提。
二、员工只增加13.8%，为什么收入能够增长111.2%?
如果说客户和ARPU回答的是“收入从哪里来”，那么人效回答的是另一个更关键的问题：
这些收入是不是靠堆人做出来的?
截至2026年上半年，迈富时员工人数为1,893人，同比增长13.8%。
同期集团收入增长111.2%，总人效提升85.6%。
这个效率差值得重点观察。
传统企业软件和IT服务公司最容易遇到的增长瓶颈，是收入增长与人员增长高度相关。
拿到更多项目，需要增加更多销售、实施、交付和服务人员;收入翻倍，人力成本往往也需要同步扩张。
最终规模做大了，但利润率未必改善。
企业AI真正具有想象空间的地方恰恰相反：
收入增长开始逐渐脱离人力的线性增长。
迈富时目前展示出的员工增长13.8%、收入增长111.2%和人效提升85.6%，至少提供了一个阶段性观察信号。
当然，一个半年数据还不足以证明长期的平台化和非线性增长已经形成。
真正需要继续验证的是：未来收入继续增长时，人员规模是否仍然能够保持相对克制。
三、销售、管理费用下降，研发投入维持：钱正在流向哪里?
这种经营杠杆也开始反映在费用结构中。2026年上半年，迈富时销售费用率约11.4%，管理费用率约4.6%。与此同时，研发费用率约16.6%。这一结构变化值得注意。对于正在快速扩张的AI应用公司，最理想的费用结构并不是所有费用同时下降，而是销售和管理效率改善，同时保持必要的技术投入。
因为AI仍然处于快速迭代阶段。企业需要持续投入模型接入、知识系统、智能体平台、工具调用、基础设施以及新的业务场景。如果研发费用下降只是因为减少投入，并不能说明商业模式变好。真正值得观察的是：
企业能不能用更高的销售效率和管理效率，释放更多资源继续投入产品，然后再用产品推动下一轮收入增长。
这也是“经营杠杆”与简单“降本”之间最重要的区别。
四、从Token成本到Token产值：“全栈Token工厂”究竟想解决什么?
理解迈富时下一阶段的商业模式，需要理解它反复提出的“全栈Token工厂”。
Token本身只是模型计算资源的一种计量单位。企业并不会因为“消耗了更多Token”而获得商业价值。真正有价值的是：这些Token最终完成了多少工作。因此，可以把整个AI产业链简单拆成两个问题：
基础模型解决的是——一个Token能够有多聪明?
企业应用解决的是——这些Token最终能够创造多少经营价值?
迈富时希望做的是中间的“加工环节”。
底层接入算力和不同模型;中间通过企业知识、数据和业务规则形成企业语境;再通过智能体进入营销、销售、客服、外贸、研发和经营分析等场景;最终把模型调用加工成可以被客户感知的业务结果。这也是“场景Token”的核心逻辑。它不是新的会计指标，而是一种商业模式表达：从计算资源计价，逐渐走向业务价值计价。
当AI能够真正参与获客、转化、服务、研发和经营决策以后，客户购买的不再只是一个软件账号，而是一种持续产生业务结果的生产力。
五、三个平台，实际上对应企业AI落地的三道门
迈富时目前围绕AI-Agentforce 3.0、KnowForce AI和GenAI OS形成企业AI能力体系。三者分别解决不同的问题。
KnowForce AI解决的是：AI懂不懂这家公司?它连接企业数据库、知识库和知识图谱，把企业内部知识转化为AI能够理解和调用的语境。
AI-Agentforce 3.0解决的是：AI能不能真正完成工作?通过智能体构建、多智能体协同和工具调用，把模型能力转化为可以执行具体任务的AI员工。
GenAI OS进一步解决：这些AI员工如何被管理?企业需要统一管理模型、知识、权限、工具、调用、成本和迭代。
这三层能力最终指向的不是“再造一个模型”，而是解决模型进入企业之后最现实的问题：知道什么、能做什么、谁来管理。这也是为什么随着基础模型越来越强，企业AI应用层并不会自然失去价值。模型能力越强，能够完成的工作越复杂，企业对知识、权限、工具、流程和治理的要求反而越高。
六、Palantir真正值得参考的，不是估值，而是“部署方法论”
这也是为什么近期Palantir再次成为企业AI市场的重要观察对象。
真正值得中国企业AI公司研究的，并不是简单复制Palantir的估值，更不是把自己包装成“中国版Palantir”。
更有价值的是它所代表的一种方法论：
AI必须进入客户真实业务。
FDE——前线部署工程——正是这种逻辑的重要载体。
它不是传统意义上的驻场外包，而是让技术人员深入客户业务，把企业数据、行业规则和实际工作流程转化为AI能够执行的系统。
但FDE模式最终能否形成商业价值，还取决于另一个关键问题：
第一次部署积累的能力，能不能在第二个、第三个客户身上复用?
如果每个客户都需要从零开发，那么企业本质上仍然是项目制公司。
如果客户项目能够不断沉淀为行业知识、标准组件和智能体模板，下一次部署越来越快，那么FDE才真正转化为平台能力。
因此，对于迈富时而言，比“是否像Palantir”更值得观察的是：
它在消费零售、汽车、金融、制造等行业形成的能力，能不能不断标准化、组件化和跨客户复制。
这将直接决定“全栈Token工厂”究竟是平台，还是更高效的项目交付体系。
七、现金流，是这份中报不能忽略的一条线
如果利润增长466.1%是最吸睛的数字，那么经营性现金流净流入约5亿元可能是更值得资本市场持续观察的指标。
原因很简单：企业AI最终不能只证明“收入增长”，还必须证明增长能够转化为现金。
尤其是在大客户业务不断增加以后，应收账款、实施周期、项目回款都会直接影响增长质量。因此，把迈富时上半年的几个指标放在一起观察，会形成一条更加完整的链条：
AI应用收入+123.7% → 客户+25.9% → ARPU+80.0% → 人效+85.6% → 净利润+466.1% → 经营现金流净流入约5亿元。
这些指标并不能证明所有改善都来自AI，也不能证明商业模式已经完全成熟。但它们至少提供了收入、客户、效率、利润和现金五个维度的阶段性验证。这比单纯讨论模型参数，更接近资本市场最终关心的问题。
八、下一阶段真正需要验证的，是“复制”
迈富时这份中报已经回答了一个问题：企业AI能不能形成规模化收入?
至少从当前数据来看，答案已经开始变得清晰。但下一阶段更难的问题是：这种增长能不能复制?市场未来应该重点观察四个指标。
第一，AI应用收入能否持续快于集团整体收入。
第二，客户数量和ARPU能否继续同时增长。
第三，员工增长能否持续显著低于收入增长。
第四，利润增长能否持续转化为经营现金流。
如果这些趋势连续几个报告期成立，那么迈富时的估值逻辑才有可能真正发生变化，进一步跨越式向高增长企业AI应用平台迁移。
反之，如果未来增长重新依赖大量新增交付人员，或者应收账款明显快于收入增长，那么市场也会重新审视所谓的平台化能力。
结语：AI下半场，比的不是谁拥有最多Token，而是谁把Token变成结果
过去两年，AI行业的第一阶段竞争，是模型。谁参数更多，谁推理更强，谁Token更便宜。
但随着模型逐渐成为基础设施，下一阶段企业AI竞争的重点正在发生变化。模型决定能力上限。企业知识决定AI是否理解业务。智能体决定AI能否执行任务。运行系统决定AI能否稳定进入生产环境。而最终，企业客户只会为一件事情持续付费：业务结果。
这也是“全栈Token工厂”真正需要接受的市场检验。2026年上半年，111.2%、+25.9%、+85.9%、466.1%、5.0亿元，迈富时已经给出了收入、客户、人效、利润和现金流的第一轮答案。接下来真正决定其长期价值的，不再是某一个季度还能增长多少，而是这些已经跑通的能力，能不能被不断复制到更多客户、更多行业和更多业务流程。
企业AI的竞争，正在从“谁拥有更聪明的模型”，进入另一个更加现实的阶段：
谁能把AI变成真正能够持续创造经营结果的生产力。