核心观点与关键数据

AI红利分层： 工程底座决定AI红利获取程度。持续交付基础扎实的团队经历短期阵痛后呈V型反弹，超越初始水平。夯实工程底座（如CI/CD）是获取AI红利的最佳路径。

质量领域分化： 中位值企业千当量缺陷密度下降，但尾部企业问题密度均值三年翻倍。AI放大效率，也拉大质量差距。

AI落地深水区： 超过96%的企业采用AI生成代码，但半数以上仍将大模型定位为“辅助工具”。竞争从“用不用”转向“用多深”，投入深度是未来核心方向。

效能度量与管理挑战： AI普及后，如何有效投入决策成为关键。报告提出分层度量体系，从“数据记录”到“数据印证/推翻直觉”，再到“数据辅助决策”。

研究结论

1. AI效能收益受持续交付能力制约： AI红利更偏向具备稳定交付能力、清晰工程规范和持续改进机制的团队。
2. AI工具普及未导致生产稳定性恶化： 人均生产率离散系数中位值三年下降，团队内部产出波动未扩大。
3. 代码产出集中度阶段性上升： 贡献80%代码的人员占比中位值下降，需关注关键人员依赖风险。
4. 单元测试覆盖度底线抬高： 半数企业单元测试覆盖度不超过16%，但整体呈现收敛特征。
5. 缺陷修复工作量分化： 少数高工作量缺陷拉高整体均值，行业差异持续扩大。
6. 千当量缺陷密度小幅增加： 平均值从1.787升到1.928，单位代码量缺陷密度略增。
7. 代码复杂度整体处于较低水平： 约98%的函数圈复杂度低于10，整体代码结构质量稳步提升。

AI应用现状与趋势

• 高渗透、浅深度、局部提效： AI辅助开发已形成较高渗透，但尚未成为主导力量。
• 编码场景渗透率领先： 设计、构建、测试等环节开始形成较高渗透。
• AI应用时长较短： 绝大多数企业应用时长在1年以内。
• AI代码合入比例有限： 87.6%的企业合入主干的AI代码占比不超过50%。
• 未来投入方向： 超过三分之一的企业计划进行大模型相关投入，路线选择均衡。
• AI应用成熟度： 从“遇到困难任务时才考虑使用”到“以LLM为主，人工为辅”。
• 质量保障措施： AI代码质量自动化校验、数据驱动效能提效方案受到关注。
• 私有化需求： 三分之一以上企业认为私有化行业大模型会成为主流。

度量体系创新

• 分层度量体系： 从“数据记录”到“数据印证/推翻直觉”，再到“数据辅助决策”。
• 工程化AI编程： AI更擅长执行人力难以持续、难以量化的工程实践。
• 超级个人现象： AI放大研发团队中的个体产能差距，需关注高杠杆人才和知识沉淀。

行业建议

• 平衡AI机遇与风险： 搭建适配自身的度量体系，实现研发效能长效提升。
• 关注质量保障： 建立自动化测试、代码评审和质量门禁机制。
• 加快AI工具全流程深度融合： 打破“大型团队存在产能天花板”的固有认知。
• 重新审视产品边界： AI工具不能只做“编辑器里的魔法”，必须嵌入工程流、守住质量门。

AI产业正从模型竞赛进入应用规模化阶段，Token成为衡量模型调用成本、资源消耗和任务ROI的核心口径，单位任务成本开始决定AI商业化边界。Token经济研究起点是AI竞争从训练供给能力转向推理经济性与单位任务成本。Token作为AI时代连接模型推理、资源消耗、API计费和任务执行的基础单位，进入商业计价体系，具备可计量、可定价、可比较和可优化的产业属性。

新信息单位商业化通常会带来单位成本下降、需求规模扩张和价值迁移。Token作为AI时代的认知生产单位，正在把模型推理、工具调用和任务执行转化为可计量、可收费、可优化的商业活动。电报、电话和互联网三次信息产业演进，字符、通话分钟和流量等新信息单位一旦被标准化并进入商业计价体系，通常会带来单位成本下降、需求规模扩张和产业价值迁移。

AI竞争焦点正在从训练能力转向推理经济性。模型能力仍是基础门槛，但企业客户开始关注单位任务成本、响应时延、任务成功率和服务稳定性。Token把模型调用、算力消耗、API计费和应用成本放入同一核算框架，使AI支出具备可比较、可拆解和可优化的产业属性。推理降本激活大量任务需求，从而改变AI应用的需求边界。

Token经济价值链包括Token生产层、效率层、调度层和消费层。Token生产层最先承接调用放量带来的基础设施需求，AI芯片、服务器、智算中心和云平台率先兑现收入。Token效率层通过模型压缩、缓存复用、推理加速和服务工程降低单位任务成本，是AI应用规模化落地的关键瓶颈。Token调度层在多模型环境中形成资源配置价值，通过统一接入、权限管理、模型选择、调用监控和成本账单，把分散模型供给转化为可配置的企业AI资源。Token消费层决定需求规模和价值留存能力，高频任务、业务数据和结果交付能力，决定Token消耗能否从单次调用转化为持续业务支出。

中国Token经济的结构性机会更集中在推理侧。训练侧受高端算力和先进芯片约束，推理侧更依赖工程优化、端侧部署和场景适配，更符合本土产业条件。中国Token经济将围绕平台型、模型效率型和场景入口型企业形成分层竞争。未来五年，端侧入口、平台调度、行业采购和监管合规将决定Token经济能否从调用放量走向商业闭环。

核心观点与关键数据

人工智能（AI）已成为客户体验（CX）团队的秘密武器，但成功并非坦途。Medallia市场研究调查显示，60%的CX从业者认为AI表现超出预期，36%认为完全符合承诺，但准确性、失业风险、数据保护、偏见和伦理使用是主要担忧。

AI在CX中的应用与影响

• 生成式AI（GenAI）：90%的CX从业者尝试过ChatGPT等工具，42%至少使用过一次。
• 高速增长公司：42%进行“非常高”的AI投资，且投资与回报成正比。
• AI影响：多数人认为AI对工作表现有积极影响，但仅部分归为“非常积极”，主要障碍是员工困惑、短期规划不足、数据准备不当。

组织战略与未来展望

• 战略规划：75%的公司有明确的AI战略，数据分析是首要用例。
• 衡量指标：节省时间（46%）、速度提升（43%）、成本降低（42%）是主要衡量方式。
• 未来趋势：组织正探索AI在数据分析、后台质量提升和客户互动中的应用，生成式AI潜力巨大。

担忧与建议

• 主要担忧：准确性、失业风险、数据保护、偏见和伦理使用。
• 建议：CX从业者主导AI战略，重视数据安全与隐私，选择供应商需谨慎。

结论

AI在CX领域潜力巨大，但需平衡机遇与风险。CX从业者需主导AI实施，确保数据安全与准确性，以实现NPS提升、生产力提高等目标。生成式AI将进一步推动客户体验升级。

ARM CPU与GPU协同推理的优势及机遇

Ampere AI推理优化框架与性能表现

Ampere AI推理优化框架（AIO）专为AmpereOne云原生处理器设计，通过与AmpereOne平台的深度协同优化，在SLM（小语言模型）和MoE（混合专家）模型推理场景中实现低成本与高能效的双重突破。Fedimoss官网测试数据显示，AmpereOne 192核ARM CPU在Llama-3.2-1B上tg吞吐量达4242.553tokens/s，在Qwen3-30B-A3B（MoE）上达769.691 tokens/s，验证了ARMCPU在SLM和MoE模型推理场景中的可行性与效率。落地案例中，某加密货币服务提供商部署该方案后营销文章生成周期从2天缩短至60分钟。

跨环境异构推理的架构趋势与工程落地

Agentic AI工作负载呈"推理-调用-决策"交替执行模式，GPU利用率间歇化，高核心密度ARM CPU可承担请求路由、Prompt预处理、工具编排、代码执行调度、KV Cache管理及部分Decode任务。芯片架构层面呈现CPU-GPU紧耦合集成趋势，Apple Silicon、NVIDIA Grace Blackwell等均反映此方向。"GPU Prefill + CPU Decode"异构混合推理路径中，GPU处理Prefill阶段，ARM CPU处理Decode阶段，可提升异构集群整体资源利用率。Fedimoss AITHER跨环境推理云已实现ARM CPU与GPU异构协同，MoE模型中Attention+共享专家常驻GPU、路由专家卸载至CPU内存；三级协同使KV Cache内存消耗增长显著慢于上下文长度增长；"GPU Prefill + CPUDecode"架构进一步提升异构集群整体资源利用率，降低LLM服务长期TCO。

ARM CPU的系统性壁垒与发展机遇

Arm架构已成为覆盖云、边、端全场景的统一计算底座，生态优势突出。Arm AGI CPU基于Neoverse V3平台，136核、最高3.7GHz频率、12个DDR5内存，已有Meta、OpenAI、Oracle等重要客户。Arm的核心竞争优势已从传统能效领先，升级为兼具性能与生态的系统性壁垒。Arm AGI CPU可实现单机架性能较高，具备业界领先的内存带宽和高性能、高能效的单线程处理器核心。

投资建议

AI基础设施正进入推理效率竞争阶段，MoE稀疏化、Agentic AI等趋势推动算力需求转向系统级效率优化，ARM CPU兼具性能与生态的系统性壁垒，将迎来重要的发展机遇。建议重点关注集智股份、中国长城、禾盛新材、广合科技等。

风险提示

CPU工程化落地不及预期风险；AI推理需求增长不及预期风险；行业竞争加剧风险。