中信证券（AI,软件快速融合,看好美股软件板块,市场最悲观时候已基本过去）

AI 软件的快速融合，正在给全球软件产业带来长周期、深远的影响。针对底层算法模型，第三方软件服务商需要结合自身专有数据集积累、技术&资金能力、产品形态等，在闭源方案、开源生态之间做出抉择，彼此优劣势亦十分明显。LLM带来内容生成、自然语言交互、信息检索效率的大幅改善，将使得偏平台型、垂类应用软件显著受益，但也将大概率导致部分业务逻辑简单、偏中间态的单点软件产品方案明显受损，同时借助人机交互效率的大幅改善，用户对基础软件的使用门槛料显著降低，利好数据管理、信息安全、运维等基础软件板块。我们判断，LMaaS（大语言模型即服务）、插件（链接外部知识、工具）、关联落地（Grounding，优化用户提示、输出结果等）等将构成后续软件产业的核心关键词，不断驱动软件产业平台化、模块化发展，并最终带来更加紧密、复杂的软件产业分工协作体系。我们看好当下美股软件板块，市场最悲观时候已基本过去，建议不断聚焦应用层的平台型、垂类软件厂商，以及基础层的数据管理、信息安全、运维、软件开发等厂商。

回顾移动互联网时代，移动互联网的快速渗透使得一批新兴玩家陆续涌现，但多数PC互联网时代原有的参与者亦通过移动互联网的产品，进一步提升了客户覆盖和业务变现能力，当然也有部分厂商因布局迟缓、战略失当而黯然离场。我们认为这一逻辑在AI时代亦不例外，未来市场会逐步出现所谓AI原生的新生力量，而软件市场原有的参与者也将迎来产业链价值的再分配，或受益或受损。

应用软件层面，我们主要从产品体系、客户结构、数据沉淀、生态构建等维度来衡量应用软件领域的受益&受损逻辑。在这一判断体系下，我们认为品类全面、份额领先、生态完善、数据持续积累的平台型厂商，以及格局优异、具备独特数据集和直接落地场景的垂类软件有望率先受益；同时，对于部分功能相对单一、格局尚不明朗的点解决方案厂商，则有可能在新一轮的AI浪潮中受到冲击。

▍算法模型：AI巨头从开源走向闭源，软件厂商需要有所选择。

总结而言，对于拥有海量经授权的垂类数据、充裕现金流以及直接落地场景的软件大厂适合基于开源模型进行AI能力的构建，对于不满足以上三项条件的厂商，直接接入闭源模型应为理论上最优的解决方案。

本文源自券商研报精选

我们认为在软件服务商积极尝试融入AI能力后，以LMaaS（大语言模型即服务）为核心的新商业模式将成为主流。LMaaS将重新整合软件产业生态，使企业分工更加明确。在这一模式下，AI巨头专注于提供泛用性模型和ToC需求服务，而中小公司则切入特定垂直行业，根据需求微调优化模型。这种格局有助于发挥各自优势，降低成本，提高性能和覆盖范围，同时推动行业生态的繁荣。LMaaS通过云服务封装复杂的技术问题，简化了用户的本地部署与调试过程，并统一了面向应用的入口，让用户体验更加友好。插件功能和关联落地技术使得LMaaS连接不同的外部API变成可能，极大程度上扩展了大语言模型的上层软件生态，也提供给了更多中小型企业进行创新的土壤。通过这一商业模式，中小企业可以专注于解决特定领域问题，利用大型AI公司提供的基础模型资源降低创业门槛和技术难度，从而反哺整个行业。

▍风险因素：

从ChatGPT到微软Co-pilot，近半年内AI产业的突破式进展将重构软件行业生态。在短短半年里，AI产业取得了显著进展，以ChatGPT为例，自2022年11月推出后，2个月内活跃用户突破1亿，创下全球消费者应用的增长纪录。全球科技巨头争相投身AI市场，如微软将ChatGPT整合到Azure、Office等产品，谷歌推出类似产品Bard，百度在国内推出文心一言。这些举措加速了AI产业化进程，亦在推动AI 软件的快速融合。这场以底层技术为基础的AI升级换代，对软件行业的产品形态、交互模式、产业价值分配将产生长周期、深远的影响。本报告将重点关注人工智能技术将如何重构软件行业生态。

AI核心技术发展不及预期风险；科技领域政策监管持续收紧风险；私有数据相关的政策监管风险；全球宏观经济复苏不及预期风险；宏观经济波动导致欧美企业IT支出不及预期风险；AI潜在伦理、道德、用户隐私风险；企业数据泄露、信息安全风险；行业竞争持续加剧风险等。

▍软件产业：AI驱动产品形态、市场格局重构。

▍投资策略：

▍报告缘起：

▍产业生态：更加紧密、复杂的软件分工协作体系。

AI 软件的快速融合，以及美股软件巨头的示范效应，正在给全球软件产业带来长周期、深远的影响。LLM带来内容生成、自然语言交互、信息检索效率的大幅改善，将使得偏平台型、垂类应用软件显著受益，但也将大概率导致部分业务逻辑简单、偏中间态的单点软件产品方案明显受损，同时借助人机交互效率的大幅改善，用户对基础软件的使用门槛料显著降低，利好数据管理、信息安全、运维等基础软件板块。我们看好美股软件板块，市场最悲观时候已基本过去，建议不断聚焦应用层的平台型、垂类软件厂商，以及基础层的数据管理、信息安全、运维、软件开发等。

过去五年，高额前期资金投入和原始数据稀缺导致资本向头部AI技术提供商集中，头部AI厂商如OpenAI和谷歌占据了绝对话语权并转向商业盈利导向。这些领先厂商选择闭源模式，迫使软件服务商与其合作。相较之下，追赶者如Meta、Amazon和NVIDIA更倾向于培养开源社区，共同迭代模型以缩小差距。由于底层大语言模型的高门槛以及资源的稀缺性，大多数软件服务商没有能力从底层开始研发自有的大语言模型，因此需在与闭源头部厂商合作或选择免费开源方案之间做出抉择。相较于开源方案，闭源方案的技术更为领先、开发效率更高，但较高的调用次数可能带来高昂的成本，亦存在用户隐私&数据安全等顾虑；而相较于闭源方案，基于开源方案自建使得资金投入更加灵活和可控、可最大限制的保护用户隐私&数据安全，但开源方案也存在社区不成熟、模型迭代速度慢、技术能力落后等问题。

基础软件层面，大语言模型的能力并不涉及高性能&高可靠&高可用的数据处理、IT基础设施的性能监控&告警，亦无法满足恶意攻击的防御需求。与此同时，大模型的训练、部署以及稳定&安全运行仍然需要数据管理、性能监控、信息安全等系列产品的配合和支持。不过，在软件开发环节，大语言模型的确有望凭借对代码的生成和理解能力实现产品和产业链价值的重构；在其他的基础软件环节，大模型也有望通过简化处理方式、降低信息复杂度等维度降低从业人员门槛，拓宽产品覆盖面和变现方式。