美股AI Agent市場表現與空間如何？

Agent時代的大模型，正通過強化推理能力、提高工具調用水平、增強記憶機制等方式，使得Agent能力向SOTA模型內化。

1.美股Agent三段式波動，后關稅期隨貨幣化 進度分化上漲

復盤今年美股AI Agent標的市場表現，以1月至2月中旬模型平權以及4月初的關稅波動為節點劃分為三段式波動，前兩個階段跟隨行業β同漲同跌偏多，第三階段隨AI貨幣化進程走出個 股差異行情。

階段一（1月至2月中）：24年底AI應用公司超預期業績釋放未來樂觀預期，疊加25年初生成式AI和Agent技術的范式變革，美股Agent該階段普遍錄得不錯表現。

1）根據中國金融信息網，從24年底美股軟件公司披露的三季報來看，營收超一致預期的比例升至超50%，以AppLovin為代表的美股軟件股基本面向好推動10月以來美股軟件股板塊持 續強勢，Agent的貨幣化以及基礎軟件AI相關收入的加速落地也讓市場進一步判斷后續業績有增量空間。

2）25年1月，OpenAI發布Operator智能體，可通過屏幕截圖分析完成復雜任務（如填寫表格、訂購雜貨等），無需依賴API接口；國內DeepSeek發布R1模型，以低成本、高性能、開 源等特征掀起大模型普惠熱潮，降低AI Agent落地門檻。

3）除Salesforce、Workday等股價表現較為平穩外，Plantir、Applovin等均走勢較佳，二者年初至2月中股價累計最高漲幅分別為64.9%、57.53%。

階段二（2月中至4月初）：此階段關稅的預期和落地、美聯儲降息延后等對行業風偏產生顯著負面影響，Agent標的估值折損或為此階段普跌的重要原因。

1）AI政策風險成為此階段估值壓制的重要因素。a）特朗普政府于2月21日發布《美國優先投資政策》，強化對華投資限制，重點針對AI、半導體等戰略領域，要求 CFIUS（美國外國投 資委員會）對中資交易實施 “默認禁止”。這一政策直接沖擊了美國AI企業的國際合作預期，尤其是依賴中國市場或技術的公司。b）4月2日，美國總統特朗普在白宮簽署兩項關于所謂 “對等關稅”的行政令，宣布美國對貿易伙伴設立10%的“最低基準關稅”，并對某些貿易伙伴征收更高關稅。

2）宏觀環境面臨降息延后預期和市場情緒共振，進一步壓制Agent標的市場表現。自1月底會議以來，美聯儲連續多次維持聯邦基金利率不變，同時提到“經濟前景的不確定性增加”。 我們認為，一方面，利率維持不變打消了此前的降息預期，影響市場情緒；另一方面，降息決定與宏觀經濟不確定關聯一起，或帶來了美國經濟健康度的負面預期，進一步打壓市場情緒。

3）年初至4月8日，Salesforce、SAP、Applovin、Doulingo、Workday、Innodata股價均錄得負向增幅，分別為-27.0%、-3.5%、-27.3%、-9.5%、-18.4%、-18.5%。

階段三（4月初至今）：隨著后期關稅影響邊際遞減，行業內初創公司ARR放量速度逐步加快，此階段美股Agent行情分化的關鍵，在于其能否借助AI實現放量或提價。

1）4月9日，美國調整關稅政策，悲觀預期減緩。特朗普政府于4月9日調整政策，宣布對大部分貿易伙伴暫緩實施高額關稅90天，但維持10%的基準關稅不變。進入7月，美國關稅政策 進一步變化。美國總統特朗普于7月7日正式簽署行政命令，將原定于7月9日生效的“對等關稅”政策實施日期延后至8月1日。

2）美股AI商業化進展存在差異，AI量價提升邏輯逐漸演繹出差異化行情。大多數如Palantir、Applovin、SAP等toB公司由于AI使收入端超預期增長，亦有如Spotfiy等toC公司由于AI驅 動提價帶來的利潤率連續改善。

2.模型、技術、成本與用戶共振，Agentic AI迎 ARR爆發期

模型：Agentic能力內置LLM，邁向Agent深度滲透時代

Agent時代的大模型，正通過強化推理能力、提高工具調用水平、增強記憶機制等方式，使得Agent能力向SOTA模型內化。根據Z Potentials，OpenAI的o3、o4-mini 與Anthropic的Claude 4（Opus 4/Sonnet 4）代表了當前AI Agentic能力內化的前沿。

工具鏈深度內化。1）端到端工具調用：均將工具使用能力（搜索、代碼執行、圖像操作）融入模型推理鏈：o3通過CoT（思維鏈）自動生成代碼調用工具（如裁剪圖片、 爬取網頁），無需預設API；Claude 4通過RLVR（可驗證獎勵強化學習） 優化工具調用邏輯，確保代碼執行結果可驗證（如SWE-bench代碼修復準確率80.2%）。2）多 模態工具融合： Claude 4原生整合文本/圖像/音頻輸入，支持沙箱代碼運行與圖表生成；o3支持圖像融入CoT進行旋轉、定位分析。

長程任務與記憶機制。1）持久化執行：突破傳統模型任務時長限制：Claude 4可連續運行7小時（如稅務申報、開源項目重構）；o3支持異步處理，允許用戶關閉設備后 任務繼續執行。2）外掛記憶模塊：Claude 4的Prompt Cache緩存1小時內的上下文；o3通過文件與Memory讀取實現跨任務狀態保留。

模型：AI Agent摩爾定律，每7個月能力翻倍

AI Agent摩爾定律：每7個月AI Agent能夠完成任務長度（人類完成該任務所需時間）能力翻倍，2030年前AI Agent有望自主完成人類所需1個月時間的復雜任務。根 據METR的研究，以50%成功概率為標準，Agent完成的任務長度（人類完成任務所需時間）呈指數級增長，在過去六年中（2019-2025），大致每7個月翻倍。METR測 算，當前最先進的模型之一Sonnet 3.7大致可完成人類所需1小時的任務。如果延續過去6年AI能力趨勢，2030年前Agent有望以50%可靠性完成長達1個月的任務。

究其原因，LLM軟硬件的突破系Agent Scalling Law出現的重要原因。 1）硬件：更多算力和更多數據。在算法和數據沒有變化的情況下，只依靠算力規模的提升就可以帶來模型能力的增強。有兩種方法增加AI系統算力：a）花費更多資金購 買更強的計算資源；b）開發出更高效的硬件，使相同成本下的算力更強。 2）軟件：開發更好的AI模型，可通過AI 技術范式，系統架構，訓練算法，數據獲取，參數調整，fine-tuning等方法。AI軟件進步可分為兩類：a）效率改進，新AI系統 執行與之前AI系統大致相同的任務時，計算成本更低；b）能力改進，新AI系統能夠完成之前系統完全無法做到的任務，或在相同任務上表現得更為出色。

技術：MCP+A2A驅動Agentic AI，AI應用蛻變為“數字員工”

我們認為，在Agentic AI時代，MCP+A2A成為打通AI Agent的“最后一公里”，加速Agent從“單點工具”向“數字員工”的躍遷，降低工具調用成本，推動從“個 體能力”到“群體能力”。 MCP解決了大模型/Agent工具/數據調用問題，大大降低了Agent開發門檻；而A2A作為MCP的補充，解決了大模型/Agent互為孤島的問題， 使得不同Agent之間可相互通信，協調完成任務。

模型上下文協議（MCP）是2024年底由Anthropic提出的開放標準，旨在為AI模型與外部工具之間建立安全、雙向的連接。在MCP出現之前，AI集成工具可能要針對每個 工具進行定制開發，缺乏統一標準，集成效率低，而MCP協議提供了一個可插拔、可擴展的框架，允許AI無縫對接數據源、文件系統、開發工具、Web瀏覽器等外部系統， 使得AI的能力更容易被拓展。

2025年4月9日，谷歌發布Agent2Agent（A2A）開源協議，這是首個專為AI代理互操作性設計的開放標準。該協議為不同類型的智能體之間搭建了一座高效溝通與協作 的橋梁，無論是獨立Agent與獨立Agent、獨立Agent與企業Agent，亦或是企業Agent與企業Agent，都能借助該協議實現通信交互和事務協作。

成本：開閉源性能收斂，推理成本指數級下降

開源模型性能逐漸與閉源模型趨同，進一步降低大模型部署成本，推動大模型普惠發展。

25年1月，DeepSeek R1發布即開源，性能比肩 OpenAI o1 正式版，API價格大幅下降。R1 API服務定價為每百萬輸入tokens 1元（緩存命中）/ 4元（緩存未命中）， 每百萬輸出tokens 16元；與之對比，GPT o1 API服務定價為每百萬輸入tokens 55元（緩存命中）/ 110元（緩存未命中），每百萬輸出tokens 438元。

25年4月，阿里開源8款不同尺寸的全新一代混合推理模型Qwen3，在推理、工具調用、指令遵循及多語言能力等方面顯著提升。根據IT之家，相較之下，千問3的部署成 本僅為滿血版DeepSeek-R1的25%至35%，僅需4張H20 GPU便能部署完整功能的千問3模型，顯存占用量僅為同類性能模型的三分之一。

實現特定性能水平的推理成本已顯著下降，單位美元獲得的人工智能性能已大幅提高。Epoch AI估計，根據任務不同，大語言模型的推理成本正以每年9至900倍的速度下 降。例如，在MMLU測試（評估語言模型性能的常用比較基準）中達到GPT-3.5水平的模型，其推理成本從2022年11月的每百萬詞元20美元降至2024年10月的0.07美元 （Gemini-1.5-Flash-8B），約1.5年內下降超280倍。

用戶：AI價值取得認同，滲透率提升帶動token消耗快速增長

根據摩根斯坦利，AI家庭滲透率達到50%或僅需3年，而上一輪移動互聯網時代經歷了6年時間。由此可以推斷，AI所帶來的價值有望加速到來，用戶AI使用習慣或在 Agent功能完善下逐步增強。根據斯坦福《2025年人工智能指數報告》，人工智能的使用達到前所未有的水平。2024 年，受訪企業報告采用人工智能技術的比例從2023 年的55%躍升至78%。同樣，在至少一項業務職能中使用生成式人工智能的受訪者數量增長逾一倍——從2023年的33%上升至2024年的71%。 ? 除滲透率提升外，用戶對AI粘性、AI使用時長迎來拐點。從ChatGPT用戶使用時長來看，移動端日活使用時長從3月的20分鐘左右增長至當前的29分鐘，超過了傳統照片 分享應用SnapChat。

從國內外主流大廠來看，token消耗高速增長已成趨勢，打下良好的商業化用戶基礎，在商業模型逐步成熟后，后續Agent廠商ARR有望爆發。 ? 谷歌：25年I/O發布會，谷歌用戶月token消耗量從去年的5月9.7T tokens增長至今年5月的480T token，一年激增50倍；7月token消耗達到980T，兩個月翻倍。 ? 微軟：Microsoft Azure AI Foundry季度token消耗量從24Q1的20T增長至25Q1的100T，一年激增5倍；25Q2達到500T，同比增長超7倍。 ? 豆包：截至25年5月底，豆包大模型日均tokens使用量超過16.4萬億，較去年5月剛發布時增長超過137倍。 ? 究其原因，底層大模型性能提升、模型調用成本下降以及Agent生態的豐富均有利于放大Agent價值，提升AI滲透率，帶來token消耗的快速增長。1）模型側重于推理慢 思考能力，相比快思考需更長的上下文，帶來token消耗或倍增；2）多模態模型的發展相比于單一文字需要消耗更多token；3）MCP&A2A推動多Agent發展，相比于單 Agent，token消耗或倍增；4）多Agent通信以及主Agent驗證帶來額外的token消耗；5）Agent滲透率提升，加速token消耗增長。