云从科技机构调研纪要

调研日期: 2026-04-26 云从科技集团股份有限公司成立于2015年,是一家人工智能平台公司,致力于助推人工智能产业化进程和各行业智慧化转型升级。公司自主研发的人工智能核心技术打造的人机协同操作系统,通过对业务数据、硬件设备和软件应用的全面连接,把握人工智能生态的核心入口,为客户提供信息化、数字化和智能化的人工智能服务。此外,公司还基于人机协同操作系统,为更广泛的客户群体提供以人工智能技术为核心的行业解决方案,涉及智慧金融、智慧治理、智慧出行、智慧商业等多个领域。 问题1: 公司2025年全年营收增长25.88%,但2026年一季度营收同比出现下滑。能否解释一下一季度收入下滑的原因?这是季节性因素还是公司主动调整的结果? 答:两方面因素均有体现。首先是季节性原因,公司的收入结构本就呈现出Q4大于Q3大于Q2大于Q1的规律性特征。此外,本季度部分重点项目受技术升级带来的客户需求优化影响,验收与交付节奏有所顺延,未能在报告期内满足收入确认条件,属于节奏性递延,不代表全年趋势。 另一方面,也涉及公司主动推进商业模式转型的因素。随着公司商业模式的调整,在Token经济下的变化,对部分盈利能力较弱或不符合新交付逻辑的存量业务进行了主动优化,短期内对营收规模产生了一定影响。但从质量指标来看,一季度归母净利润亏损同比收窄89.5%、综合毛利率大幅回升至47.98%、经营活动现金流量净额实现转正,这几项指标共同表明公司经营质量正在发生实质性改善。 问题2: 2025年毛利率同比有所下降,但一季度又大幅回升,毛利率波动背后的驱动逻辑是什么?未来趋势如何? 答:2025年全年综合毛利率为28.62%,较上年下降7.19个百分点,主要原因是业务结构发生了阶段性变化。算力基建类业务在2025年快速放量,该类业务处于市场拓展初期,毛利率相对偏低,叠加硬件采购成本上升,对整体毛利率形成了阶段性拖累。若剔除低毛利的算力基建部分,AI解决方案等传统优势业务的毛利率仍维持在较高水平,核心业务盈利能力保持稳健。2026年一季度,综合毛利率回升至47.98%,较2025年全年提升约19个百分点,反映出业务结构持续优化、高毛利订阅类及平台类业务占比提升的积极成效,这正是公司推进商业模式转型所预期看到的方向。随着Token收费业务和AI岗位服务的规模化落地,预计整体毛利率将保持在较为良性的水平,盈利能力有望持续改善。 问题3: 公司2025年算力建设业务快速放量,但强调这与市场上的算力租赁业务有所不同。能否具体说明云从在算力方向的战略定位? 答:市场上的算力租赁业务,我们把这个归纳为Token租赁商,其核心竞争力在于算力资源的规模积累、供应链整合能力以及集权运营效率 ,部分专注于此的公司在这一赛道具有显著优势。但云从的资源禀赋和战略选择与之不同,单纯依靠算力租赁转售并非公司的核心方向。云从开展算力基建业务,目的是为行业AI服务提供国产化、自主可控的底层算力支撑,并与智能体能力协同交付,构建“算力基建+AI智能体”的差异化解决方案。公司不以Token转售获取通道利润,而是将Token封装为行业智能岗位,特别是专业岗位能力,面向客户提供以业务结果为导向的AI服务,按任务或订阅方式收费。从商业逻辑来看,算力是公司服务交付的基础设施,而非盈利的核心来源。 问题4: 公司如何理解Token经济的竞争格局?在这一体系中,云从的差异化定位与核心竞争壁垒是什么?答:公司将Token经济的参与者大致划分为四类:一是算力租赁商,以算力资源和供应链为核心竞争力;二是基础模型厂商,以模型能力、成本和开源生态取胜;三是中间件与API网关平台,以多模型调度和路由能力为核心;四是行业Native服务商,依托行业Skill、私域数据和流程嵌入构建壁垒。云从的主战场集中于第三类和第四类。公司的差异化体现在三个层面。底座层面,我们将CWOS升级为GrowthOS,采用多模型智能调度架构,不绑定任何单一大模型厂商,可根据任务 需求、成本与质量灵活切换底层模型,调度优化所实现的成本节约构成公司的利润来源之一。平台层面,公司构建了AI Native组织框架、知识工厂飞轮和行业智能体SKU体系,将十年行业Know-How转化为可复用的AI能力单元。应用层面,一方面公司在政务、金融、出行等垂直行业深度嵌入客户业务流程,建立了较高的决策链信任与客户转移成本。行业专业知识的深度积累,是通用AI厂商难以在短期内复制的核心壁垒。另一方面,通过生态的建立,和新的行业内的公司进行合作,将能力也进行这样的封装,以快速进行新业务的落地。 问题5: 公司提出L1、L2、L3三层商业模式架构,能否分别解释各层的定位、解决的核心问题及当前商业化进展?答:三层架构为递进关系,附加值与竞争壁垒随层级提升而加深。 L1为国产合规Token网关,解决的是“用得了”的问题。政务、金融、制造等高合规要求客户,首要需求是在数据不出境、芯片自主可控、模型可审计的前提下安全使用AI能力。L1提供国产化的多模型路由网关,统一管理调度,向客户呈现一致、合规、安全的使用界面。这一层毛利率相对较低,但是进入客户系统的基础入口,也是L2、L3服务的底层支撑。 L2为行业智能体SKU,解决的是“用得好”的问题。公司针对具体行业场景,将十年积累的行业Know-How封装为可直接调用的智能体能力包,例如政务领域的文件审核智能体、金融领域的风控分析智能体、交通领域的港口调度智能体,客户按需调用、按任务付费,无需自行开发。技术壁垒来源于行业专业知识的不可复制性。 L3为托管式AI岗位服务,解决的是“用出价值”的问题,也是公司毛利率最高、战略意义最深的业务形态。公司直接为客户提供可替代特定专业岗位的AI员工服务,涵盖AI审核员、AI调度员、AI治理员等,由公司负责部署、运营与持续迭代优化,客户按岗位月订阅和使用量付费,亦可探索按业务KPI的效果分成模式。目前已有部分种子客户在验证这一模式,预计这部分将于2026年下半年逐步起量,届时公司收入结构将向经常性收入比例持续提升的方向演进。 问题6: 公司提出全面推进“AI Native组织”建设,能否具体说明这一举措的内涵及其对公司降本增效的实质性贡献?答:AI Native组织建设并非停留于理念层面,而是对内部工作流程的系统性重构。其核心逻辑是:AI由辅助工具转变为工作流的主要编 排者,员工的角色随之分化为三类——操作者负责处理AI尚无法覆盖的边界情形,审核者负责把控AI输出的质量与合规性,架构师负责设计与持续优化AI工作流体系本身。 该举措已体现出明显的降本成效。2025年,管理、销售及研发三项费用合计(含开发支出)同比下降34.17%,全年经营现金净流出从2024年的-3.07亿收窄至-0.81亿,AI原生化转型是重要贡献因素之一。目前,公司法务、财务、人力资源及内部研究分析等职能岗位均已有智能体系统投入运行。 此举亦具有重要的战略示范意义——公司将自身作为AI岗位运营的首要实践场景,在内部充分验证并完善方法论后,其次在一些生态客户和公司进行输出,做好模式验证,最后再将这套体系作为L3服务向客户输出,以实践背书增强客户信任。 问题7: AI智能体是重要的发展方向,能否举出目前落地较为成熟的典型应用场景? 答:目前市场上在两个方向已有较为成熟的客户合作与场景验证。 第一个方向是面向开发者、营销服务商及垂类产品公司的营销与研发类场景。这类客户对AI工具的使用需求量大,公司将多模态能力与行业Know-How深度融合,围绕内容生产等核心场景提供封装服务,有效提升客户作业效率。 第二个方向是面向政企客户的专业岗位替代场景。以网安领域为例,我们公司承建了武汉临空港网安基地智算中心项目,构建了“算力基建+安全模型+内容审核智能体”的完整解决方案,AI系统承担内容审核、安全检测等高重复性专业判断工作,相关模式已上升为国家规范,在AI安全市场形成了较高的准入壁垒。 此外,公司内部的法务、财务、人力资源及研究分析等职能岗位也已投入运行智能体,以自身实践持续验证和完善AI岗位服务方法论。 问题8:云从目前在底层模型上采取开源与闭源结合的策略,底层一定程度依赖第三方模型,公司的价值主张与利润空间如何得到保障?如何应对上下游的挤压? 答:公司的价值主张不在于拥有通用基础大模型本身,而在于能够将模型能力与行业专业知识深度融合,形成面向客户可交付、可运营的解 决方案。 从上游角度来看,公司的GrowthOS采用多模型智能调度架构,不绑定任何单一大模型厂商,可根据任务需求、成本与质量目标动态调用最优模型。上游Token成本的持续下降,包括DeepSeek等开源模型的普及以及国产算力的规模化降本,对公司构成利好,调度优化所释放的成本空间即为公司可获取的利润来源之一。 从下游角度来看,公司的核心壁垒体现在三个维度:其一,行业Know-How的深度编码,十年垂直行业积累所形成的专业知识体系,是短期资金投入无法快速复制的;其二,私域数据飞轮,公司在客户现场运营所积累的脱敏业务数据,持续反哺行业模型的迭代优化,形成越用越强的数据壁垒;其三,流程嵌入与责任承担,当公司的AI员工深度集成于客户核心业务流程,客户替换供应商所面临的不只是技术迁移成本,还涉及业务中断风险与合规连续性问题,实质性的转移成本构成了稳固的客户黏性。 问题9: 面对to C端开发者市场大量开源工具和标准化场景的快速迭代,以及大模型厂商向应用层下探的竞争压力,云从的应对策略是 什么? 答:公司对to C市场的策略是有所侧重、精准定位,而非全面铺开。 面向互联网开发者的标准化场景,市场竞争高度激烈,迭代速度快。公司不以追求开发者用户规模为优先目标,而是聚焦于两类具备差异化价值的细分群体:一是具备一定工具使用能力、但在产品封装和底层架构上存在明显短板的应用型创业者,此类用户需要的是开箱即用、快速产出的封装能力,而非自行跟进模型迭代;二是特定机构,这类客户对数据安全有较高要求,对外部开源工具持审慎态度,公司在此类机构中具备一定的信任基础与合作积累。 针对大模型厂商向应用层延伸的竞争态势,公司认为两者在客户定位和服务深度上存在本质差异:大模型厂商倾向于提供通用化应用,且通常绑定自家模型生态;而公司专注于垂直行业的深度场景落地,以多模型路由的灵活性与行业Know-How的不可复制性构建差异化优势,在相当长的时间维度内,两条路径具有各自独立的市场空间。