相比目前1.45万亿美元的实际暴露薪资成本，与5.68万亿美元的理论潜在规模，大模型商的实际的收入水平仍处在早期：Anthropic约500亿美元的ARR仅相当于3.2%的实际暴露薪资池，或0.8%的理想薪资暴露池——端侧收入空间的想象力仍是巨大的。
随着年初AI Agent出圈后，过去两年疯狂烧算力有了短期答案——Token消费量大幅增长带来了ARR指数级上升。进而，Agent替代人工，节约人工成本的逻辑认知被强化。
Agent对人工的替代能力决定了ARR的增速与想象空间，而ARR又决定了资本开支的合理性；因此，(潜在)被替代的劳动力所对应的薪资水平成为关键变量，尤其是提供了AI端侧收入想象空间的一个锚定参考。
当前推演都基于对AI商业化本质的认知，即“企业用模型能力去替代、辅助或重组原本由人工完成的任务”；企业为AI付费，并不是因为技术本身构成一个新支出项，而是因为它可以降低单位劳动成本、提升人效，或改变部分岗位的任务结构。
因此，大模型公司收入最终能够触达的上限，就应回到其影响的劳动力（收入）本身。最直观理解“这轮ARR史诗级增长上限”的方式就是计算“可被AI重新定价的工资池”到底有多大。
我们将不同职业对AI技术的暴露度和2025年BLS全美就业与薪资调查 (Occupational Employment and Wage Statistics)中830个职位进行匹配估算，从宏观（就业人数、薪资总数）和微观（行业结构，替代比率）视角了得到了一些描述性结论，整体基本符合对AI技术更迭的常规认知。
宏观视角下，在美国约10.83万亿美元的总薪资收入中，按Anthropic的实际使用/暴露口径(observed exposure)估算，约1.45万亿美元工资成本已处于AI技术暴露范围内，占比13.4%；若采用OpenAI/Eloundou的理论暴露度口径，潜在影响规模则可达到约5.68万亿美元，占比超过52%。
按人数计算，美国约1.56亿就业人口中，按Anthropic的实际使用/暴露口径(observed exposure)，约1835万人已处于AI技术暴露范围内，占比11.8%；若采用OpenAI/Eloundou的理论暴露度口径，潜在影响规模则可达到约6830万人，占比达到43.9%。
以上的数字只是一个静态表达，1.45万亿的工资成本应被理解为“在当前渗透率和模型能力下，ARR收入的理想上限”。这个上限必然面临着“折价比例”，例如企业可能只需用1万美元AI支出就可以等效替代10万人工成本（降本）。
同时，我们也特别提示这个工资成本在企业视角下面临着边际”低估“：企业的实际用工成本面临就业时长的波动（BLS采用时薪×2080h)，工资(salary)基础上的各类奖金（期权）、福利、养老金（benefit)以及税费等。
与之相对的是，以BEA/NIPA全口径计算的劳动者报酬：工资薪金12.96万亿美元（对应10.83万亿美元）；工资薪金补充项为 2.77 万亿美元。因此，实际AI所对应的劳动力成本替代上限（企业实际支出）可能要高出上图30%。
但哪怕我们使用最窄口径计算，当前大模型商仅数百亿美元的年化收入（例如Anthropic的470亿美元ARR）依然只相当于当前暴露薪资池的3.2%，或者理想薪资池的0.8%——端侧收入空间的想象力仍是巨大的。
这里我们简单描述一下所使用的两个暴露度指标：
“实际暴露率”基于的是AI（Claude）已经在多大程度上进入了该职业的任务结构：比如，任务是否理论上可由AI完成？任务是否已经在Claude使用中出现？是否属于工作场景？是纯自动化还是辅助使用？以及相关任务在总工时中的占比。
“理论暴露率”基于的是AI（GPT）的能力边界：模型理论上能影响这个职业多少任务，反映了AI能力边界对应的潜在暴露上限，是一个更加主观的估计。
需要明确的是，职位对AI技术的暴露率只是基于目前可获得数据的估计，其实际兑现程度既有可能随着技术进步而变大，也可能因为技术鸿沟而变小。并且“暴露”不等于“替代”，也不等同于失业或企业可直接节省的工资成本。它衡量的是某一职业中的任务有多大比例可能被AI辅助、重组或部分自动化。
但总的来说，过去自动化更多影响制造业和重复性体力劳动（低薪），而本轮AI更直接触及高工资、知识密集型和服务业岗位。也正因如此，它对美国经济的影响，可能首先体现为工资成本的变化，而不是就业人数的线性下降。
从工资的分布来看，不同职业对AI技术的理论暴露度(theoretical exposure)相对于年度平工资分布存在明显右偏，即AI技术对高收入人群的理论影响要明显高于中低低收入人群。
例如，下图中收入水平最低的人群(黄点)的分布明显偏下（AI暴露度较小），其中代表性的职业包括了洗衣房员工(收入分位数0.1%，暴露度10%)、烘焙师（收入分位数4.8%，暴露度14.7%）以及轮胎工（收入分位数7.5%，暴露度0）。
而收入水平最高的人群（红点）的分布则明显偏上（AI暴露度较大），其中代表性的职业包括了金融产品经理（收入分位数96.6%，暴露度78.6%）、HR（收入分位数95.3%，暴露度76%）以及航天工程师（收入分位数92.5%，暴露度89.3%）。
从职业分布的角度，理论上最有可能被AI替代的行业是计算机与数学(87.6%），商业与金融（78.2%），以及法律(78.0%）。
但实际观察到的暴露度排序与理论值并不一致，实际暴露度最高的行业是计算机与数学(35.3%），办公室与行政支持（33.2%），以及销售相关职位(24.6%）。
这也体现出，AI对劳动力的替代并不是单纯由“模型能力”决定的，还受到工作属性、责任归属和组织流程的约束。以法律行业为例，“案头工作”并非全部，还包含和当事人沟通、利益协调、诉讼策略判断以及责任承担。金融行业也类似，金融服务表面上高度数据化，但仍依赖客户关系、风偏识别、大量非标化信息判断等。
相比之下，编程等岗位的部分任务更容易被 AI 介入，是因为其工作对象更明确、反馈链条更短、沟通密度相对较低。代码是否能运行、测试是否通过、功能是否实现，往往得到的反馈就是简单的0和1（成功与失败）。
1.45万亿美元的薪资实际暴露额基本被前五大行业所承担，包括了办公室与行政支持（2896亿），商业与金融业（2474亿），管理岗位（2217亿），计算机与数学（2152亿）以及销售相关职位（1995亿）。
这也对未来专用大模型to B业务的发展提供了新的发展视角，如果追求确定性可以深耕一些已经出现明显替代的行业（行政、计算机、金融等），如果追求“0到1的业务突破”，则教育行业、医疗诊断业等仍呈现出较大潜力。
在此基础上，我们再进一步的观察所有754个子职业，从实际暴露度的视角进行观察，得出了前20个最容易被AI替代的职业。其中，有8个职业的归属大类都是计算机与数学，共计159万人，占整个大行业人数的30.2%。这也凸显出计算机行业在AI技术冲击下的脆弱性。
考虑到信息技术业的替代在短期是大模型商收入的重要来源，我们选择计算机与数学行业(BLS code 15)深入到内部，寻找相对技能水平（以薪资作为代理变量）和AI暴露度之间的关系。
数据反馈出的现实比较残酷，对于计算机行业而言，薪资（所对应的技能）高低和AI暴露度之间没有必然联系，换言之在面对AI冲击时，全行业接近于“一视同仁”。
除此之外，我们再关注另一个“降本增效”潜力巨大的行业：管理与金融业。与计算机行业相比，金融业的实际暴露度依然偏低，但是Market Research Analysts（64.8%）以及Financial and Investment Analysts（57.2%）依然面临着较大的替代风险。
相较于计算机行业的“一视同仁”，由于金融行业的部分岗位需要“担责”（例如审计，会计…），且不同岗位间工作产出标准化衡量度层次不齐，所以对AI技术的暴露度呈现出较大差异。
最后，尽管当前AI收入已进入快速扩张阶段，但相比目前1.45万亿美元的实际可代替薪资成本，与5.68万亿美元的理论潜在规模，其实际的收入水平仍处在早期。
这存在双向的理解：对模型商而言，仅相当于3.2%的实际暴露薪资池，或0.8%的理想薪资暴露池的年化收入（Anthropic最新ARR约470亿美元），都还有着巨大的想象空间；但对劳动力而言，薪资可以被“挤压”的空间亦是巨大的。
这意味着，AI的宏观影响不会简单表现为就业数量的线性下降。更可能出现的是：部分单一职责岗位被替代，大量多职责岗位被重组；部分工资成本被压缩，更多劳动过程被重新定价。尤其是AI Agent带有工资越高、替代率越高的属性，这使得AI未来对收入消费的潜在冲击可能更大。
当然，我们再次强调，“暴露规模”不等于“替代规模”，暴露意味着任务可能被AI辅助、自动化或重新组织，但并不意味着这些工资收入会等比例消失。本文只是基于暴露度来做大模型收入规模理论上限的测算，也没有把随之而来的“创新”远景纳入考量。
真正决定AI经济影响的，仍然是企业采用速度、模型能力边界、组织流程改造和监管约束。但从当前数据看，AI收入端的中期空间，不应只从软件市场规模理解，而应从更大的劳动力成本池中寻找估算锚定。
风险提示
AI技术对职业暴露度更新不够及时全面，存在数据统计偏差；AI Agent能力发展弱于预期，导致对应的劳动力规模产生明显变化；全球央行快速转向，带来全球二轮通胀风险，压制全球需求，劳动力裁员胜过AI影响，降本增效属性被淡化，引发更大规模AI投资回报率担忧。
注：本文摘自国金证券2026年7月2日发布的研究报告《AI洪流三部曲：ARR的边界》；分析师：宋雪涛 S1130525030001、钟天 S1130526020001