From Token to Work AI 企业经济转化框架 v1.0

这不是“SaaS 加一个 AI 功能”，而是企业软件生产函数在改变

从 Salesforce Koa 出发，真正值得留下来的不是一个产品发布，而是一条需求侧资本循环：模型输出 Token，SaaS 提供企业上下文、权限与执行接口，Agent 把推理变成 Completed Work，企业再用成本节省与新增毛利润决定是否继续扩大 AI 预算。

Koa 让“垂直模型 + Frontier Model + SaaS Harness”第一次变得很具象

Salesforce 在 2026 年 9 月发布 Koa：它不是从零训练的新 frontier model，而是在 NVIDIA Nemotron 3 Super 上进行 post-training，用 Salesforce 根据近三十年 CRM 部署经验构造的专有 synthetic scenarios 学习多步骤 CRM reasoning、tool use 与 decision-making。Salesforce 控制 Koa 权重，并在自己的 trust boundary 内完成后训练与推理。

但 Koa 并不意味着 Salesforce 与 frontier models 二选一。Claudeforce 同时把 Claude 的推理能力接入 Salesforce 的 data、workflow、business logic、actions 与 governance；Salesforce in Claude 首批就提供 37 个预构建 sales skills。更准确的架构是：高价值开放式推理交给 frontier model，标准 CRM 工作可交给垂直模型，再由 Salesforce 企业执行层统一约束和落地。

SaaS 的护城河：Enterprise Interaction Graph，而不只是“数据很多”

一个 Data Lake 可以告诉模型“发生过什么”，但企业真正执行工作还需要知道“这些对象之间是什么关系、现在处于什么状态、谁有权做什么、下一步应该走哪条流程、一次动作会怎样改变经济活动”。这才是深度 SaaS 在 Agent 时代可能反而升值的原因。

企业软件开始出现新的“数字劳动计量单位”

传统 SaaS 的生产函数接近 Employees × Seats × ARPU。Agent 时代更可能逐步迁移到 Work Volume × Price / Work。厂商已经在用不同口径尝试给数字工作定价与计量，因此未来看 SaaS 不能只问“有多少 seat”，还要问“完成了多少真实工作”。

不可机械横比：Salesforce AWU、Adobe Agent Job、Workday AI Action 和 SAP Agent Action 的抽象层不同。真正可比的终点应统一到 Successful Business Work：一个 case 是否解决、一个 lead 是否 qualified、一个 incident 是否关闭、一个 invoice exception 是否纠正。

从“会回答”到“会干活”：真实企业案例已经开始形成证据墙

证据层级：以上均来自厂商官方客户案例，属于公司/客户自报，不等于独立随机对照实验。Uber 的“低七位数收入”是 anticipated impact，不是已经确认的财报收入；SAP Project Billing Agent 的 -75% discrepancy time / -75% revenue leakage 也是产品预期能力，不应与已落地客户结果混为一谈。

经济价值终于可以开始计量：EVW 与 PCW

真正有意义的不是“一个 Token 值多少钱”，而是一次成功工作创造多少经济价值、消耗多少物理算力。两个指标把企业 ROI 与算力供给放进同一语言。

EY：第一次把“一个成功工作”换算成美元

EY 披露首月约 103,000 个 resolution notes，约 70% 无需修改直接接受；单这一项预计每年节省 66,000 小时、价值 $2.3M。按月度 run-rate 机械年化，约 1.236M notes/年，对应约 $1.86 / generated note；若只以 70% 无修改接受的工作作分母，则约 $2.66 / accepted work。这是本文计算值，不是 EY 或 ServiceNow 官方 KPI。

Salesforce：平台层已经能观察 Inference-to-Work proxy

Salesforce FY26 Q4 披露累计约 19T tokens 与 2.4B AWUs；Q1 FY27 累计超过 28.6T tokens 与 3.8B AWUs。机械相除约从 7,917 → 7,526 tokens/AWU。但 AWU 类型、模型组合、缓存、任务复杂度都在变化，所以这只能作为平台混合口径 proxy，不能当成固定单位成本。

成熟 SaaS 毛利池说明“价值捕获空间”存在，但不能代替 Agent 独立毛利

Salesforce Q2 FY27 Subscription & Support 收入 $10.82B、对应成本 $2.021B，推导毛利率约 81.3%。这说明成熟 SaaS 业务具备很高的软件毛利结构；但它不是 Agentforce 独立毛利率，也不能直接用来倒推 Koa / Claude inference 成本。

最好的 Agent 软件生意，和最大的 GPU workload，不一定是同一类

不同企业工作有两个完全不同的维度：Value / Work 决定软件价值捕获；Work Elasticity 决定 AI 变便宜后会不会创造大量新增工作。把二者分开后，Sales、IT/Security 与 ERP/Finance 的经济学明显不同。

企业 AI 很赚钱，不等于 NVIDIA 一定需要同比更多 GPU

要把 Enterprise ROI 接回 NVIDIA、NeoCloud、数据中心和电力，必须引入第二个弹性：单位工作所需的算力正在因为 smaller models、MoE、KV cache、routing、量化与更高 GPU 性能持续下降。经济价值可以上升，而总 GPU-seconds 仍可能下降。

如果单位工作的算力消耗下降 50%，Work Volume 必须增长超过 100%，总 inference 才继续增长。Salesforce Q2 FY27 单季 AWU 环比 +97%，已经说明 Work Expansion 很快；但公司没有同时披露同口径 Q2 token / GPU-seconds 数据，因此还不能宣布 Jevons Effect 已被证明。

为什么最终指标必须从 Tokens / Work 升级到 GPU-seconds / Successful Work

NVIDIA 对 Nemotron 3 Super 的 B200 agentic trace 给出的生产 benchmark 是：median input 64K、median output 400、KV cache hit 90%，系统吞吐量约 1,388.4 output tokens/sec/GPU。这个案例清楚说明：raw token 数并不等于物理 compute；缓存率、模型架构、精度与 routing 都会改变 GPU 消耗。

以后每个季度，不重写故事，只更新三张账

Salesforce、ServiceNow、SAP、Workday、Adobe 以后最重要的新信息，不是再多一个“AI feature”，而是有没有新增一条可审计的桥：Usage → Successful Work → Economic Value → Vendor Monetization → More Work → More Compute。

截至 2026 年 9 月，我们到底证明到了哪里？

主要来源与证据边界