Sinuri ng Barclays ang estruktura ng kita sa AI: Sa bawat $100 na kita ng mga kumpanya ng modelo, $35-$40 ay napupunta sa mga cloud provider, na nagdudulot ng $10-$20 na operating profit para sa kanila.

May-akda | Kozmon

      Editor | Hard AI

Sa bawat $100 na kinikita ng kumpanya ng AI models, humigit-kumulang $35-40 ay napupunta bilang inference computing expense sa tatlong pangunahing cloud provider: AWS, Azure, at GCP. Kumukuha ang mga cloud provider ng $10-20 bilang operating profit mula dito, na may operating profit margin na nasa 35%-45%.

Ito ang pangunahing natuklasan ng ulat sa unit economics ng AI industry na inilabas ng Barclays noong Agosto 28.

Kasabay nito, ang profit margin ng bayad na inference ng AI laboratoryo ay mula mahigit sampung porsyento noong 2025 ay sumikad sa mahigit 50%-65% sa 2026, na may adjusted gross margin na tumaas ng 30-50 percentage points year-on-year. Ang pwersa ay nagmumula sa enterprise-level na kliyente at agentic workflows na naging kinakailangang produkto sa merkado.

Ayon kay Ross Sandler, analyst ng Barclays, posibleng mas mataas pa ang totoong profit margin kumpara sa inireport, ngunit dahil sa tumitinding kompetisyon at pagdami ng kakayahan sa computing, aasahang unti-unti itong bababa.

Iisang industriya, dalawang mukha ng pananalapi

Nagtayo ang Barclays ng dalawang hypothetical na modelo ng AI frontier laboratories para analisahin ang profit gap. Ang “Laboratoryo A” ay may 70% kita mula API at 30% mula subscription; samantalang sa “Laboratoryo B,” kabaligtaran – 80% ay mula subscription at 20% lamang mula API.

Mas mataas ang inference profit margin ng API kumpara sa subscription. Bukod pa rito, dahil sa pagkakaiba ng cost allocation sa training at profit sharing, naghahatid ito ng 17 percentage points na gap sa adjusted gross margin—tinatayang 55% para sa Laboratoryo A, at 38% para sa Laboratoryo B.

Pinalalala pa ito ng paraan ng revenue recognition. Kinukuwenta ng Laboratoryo A ang indirect API revenue gamit ang gross method, samantalang net method naman sa Laboratoryo B, o posibleng hindi kinikilala ang indirect API revenue mula sa strategic partner operations. Inihalintulad ito ng Barclays sa UBER at LYFT: magkapareho ang core business, pero dahil sa magkaibang accounting standards, magkaiba ang nairereport na numero. Kapag nagsimulang maglabas ang AI labs ng GAAP reports, kailangang alamin ng investors ang pagkakaibang ito kapag nagkokompara ng mga kumpanya.

Biglang taas ng inference profit margin

Partikular sa bawat linya ng produkto——

Ang inference profit margin ng mga subscription product (tulad ng Claude Code, Codex) ay tinatayang nasa 70% at ito ang pinakamababa sa tatlong linya ng produkto. Ang dahilan ay nais ng AI labs na magbigay ng subsidy sa token cost para mapanatili ang user base. Karaniwan, batay sa monthly fee at may limit sa usage, kamakailan ay mas madalas nang mag-reset ang mga limitasyon, na posibleng bunsod ng retention pressure at pagbuti ng modelo efficiency.

Ang direct API ang pinakamaagang business model ng AI labs at pinakamalaking pinagmumulan ng profit margin. Ang mga developer gaya ng Cursor, Figma, at iba pa ay nagbabayad ayon sa token consumption. Tinatantya ng Barclays na ang kasalukuyang inference profit margin ng API ay lampas 80%. Ang pagpapabuti ng token efficiency ng modelo (mas kaunting tokens para sa parehong gawain), taas ng nominal pricing ng API, at infrastructure-level optimization ng inference service (quantization, speculator technology, susunod na henerasyon ng computing power)—ay patuloy na nagpapalawak ng profit margin. Ayon sa Barclays, ang API inference profit margin noong ikalawang quarter ng 2026 ay mas mataas pa sa ipinapakita sa report graph, ngunit inaasahang eventually ay bababa ito.

Ang indirect API ay may kaparehong end-user experience sa direct API, ngunit ang billing relations ay direkta sa pagitan ng user at ng cloud provider. Habang tumataas ang share ng indirect API sa revenue, lalo pang lalaki ang difference sa comparability ng financial statements dahil sa magkaibang accounting treatments ng mga laboratoryo.

Magkano ang kinikita ng cloud providers

Sa bawat $100 na kita ng AI laboratory, tumutumbas sa $35 cloud revenue mula kay Laboratoryo A, na nagreresulta sa $11.8 profit matapos ibawas ang infrastructure cost, o 34% operating profit margin. Sa Laboratoryo B, dahil may strategic partner revenue sharing (20% ng kita, may cumulative cap), mas mataas ang nakuha ng cloud provider—$41 revenue, $19.1 profit, 47% operating profit margin.

Itinuro ng Barclays na pinapataas ng revenue sharing ang nominal profit margin ng cloud providers, pero kung tatanggalin ito, pareho lang ang profit per token. Inaasahang mag-zero out ang sharing na ito pagsapit ng 2028.

Ang agentic subscription products ay lumilikha ng dagdag na halaga para sa cloud providers. Kinakailangan ng ganitong stateful runtime products na mag-access pa ng ibang software resources tulad ng databases, kaya mas mataas ang value per unit revenue, at sa ilang eksena, may revenue sharing arrangement pa sa pagitan ng cloud provider at AI laboratory.

Mula training-dominated patungong inference-dominated

Tantya ng Barclays, ang kabuuang kita ng AI laboratories ay aakyat mula $7 bilyon noong 2024, papuntang $137 bilyon noong 2026, at aabot sa $690 bilyon noong 2028. Aggressive pa ang estimation gamit ang year-end ARR: halos $200 bilyon sa dulo ng 2026, at $782 bilyon sa dulo ng 2028.

Sa ngayon, training expenditure ay nasa humigit-kumulang 48% ng kita ng AI laboratories, ibig sabihin halos bawat kita sa laboratory ay match din ng kita ng cloud provider. Ngunit bumababa nang mabilis ang bahagi ng training cost—mula 96% noong 2024, patungong 35% noong 2027, at 30% sa 2028. Habang mas lumaki ang profit mula inference kaysa training, tuloy-tuloy na bubuti ang overall profitability ng AI laboratory.

Bumaba din ang ratio ng AI revenue ng cloud provider kumpara sa revenue ng AI laboratory: mula 153% noong 2024, bababa sa 90% pagsapit ng 2026, at inaasahang magiging 73% sa 2028. Sabi ng Barclays, ang AWS, Azure, at GCP ay magpapatuloy sa paghahawak ng share sa AI laboratory computing spend sa susunod na dalawang taon, ngunit simula 2028, may papasok na AI infrastructure projects na self-built, na magiging unang pagpipilian ng mga AI laboratories—kaya posibleng magsimula nang mawalan ng market share sa training at inference ang tatlong pangunahing cloud provider.