10月20日，“科技股股价与业绩为何出现严重背离”成为热榜话题。讨论的核心是一组矛盾：AI 相关的资本开支仍在快速上升，但对应业务的当期利润并未同步改善，股价却在预期驱动下持续走高。这个矛盾对零售企业的直接意义在于，当资本市场开始用现金流而不是叙事给 AI 定价，品牌内部对 AI 项目的评估口径也必须跟着换。
核心结论
第一，叙事定价与现金流定价是两套完全不同的语言。叙事阶段看的是投入规模、模型能力与团队背景；现金流阶段看的是单位投入带来的增量毛利、回收周期与可复制性。零售企业的 AI 项目大多处在从叙事向现金流过渡的阶段，如果继续用叙事口径汇报，很难在预算收紧时保住项目。
第二，衡量 AI 投入的指标必须落到运营变量上。前三季度经济运行总体平稳，高质量发展取得新成效，统计局三季度数据显示宏观层面仍在强调质量而非速度，这一取向会传导到企业的投资决策：能够证明效率提升的项目优先，只有概念的项目延后。零售场景里可被证明的变量包括缺货率、拣货时长、预测偏差与内容生产周期。
背离是怎么形成的
资本开支与收入确认的时间差
AI 基础设施的投入在当期体现为资本开支与折旧，收入却要在应用落地后才能确认，两者之间存在十二到二十四个月的时间差。这个时间差在财报上表现为利润率承压而估值上升，市场愿意为时间差付费的前提是相信应用会落地，一旦落地节奏低于预期，估值就会快速回撤。
预期管理的放大器效应
卖方研究对 AI 相关业务的预测往往采用自上而下的方法，先给一个行业渗透率，再乘市场规模。这种方法的误差会被逐层放大，最终形成的预期与企业的实际订单之间可能出现数倍差距。当季报披露时，预期与现实的落差就会以股价波动的形式释放。对品牌，越早建立这套口径，后续调整的空间越大。
算力成本的重估
推理成本在过去一年明显下降，这改变了 AI 应用的商业模型。原本因为成本过高而无法落地的场景开始变得可行，但同时意味着算力供应商的单价与毛利承压。成本下降对应用层是利好，对基础设施层是压力，同一个板块内部因此出现分化，这也是股价与业绩背离的结构性原因。
最佳实践
第一项动作是把 AI 预算拆成基础设施、应用开发与运营三块，分别设定考核口径。基础设施看单位算力成本与利用率，应用开发看上线周期与调用量，运营看指标改善幅度。三块混在一起核算，最容易出现的结果是基础设施吃掉大部分预算，应用层拿不到资源。这一步的收益不会立刻出现在报表上，但会决定下一轮谈判的位置。
用小规模对照实验替代全面推广
AI 项目最常见的失败路径是一次性全量上线，然后用整体业绩变化来论证效果，而整体业绩受太多因素影响，无法归因。更可靠的做法是选十到二十家门店做对照实验，控制其他变量，观察四周后的指标差异。实验成本低，结论可信度高，也更容易说服预算委员会。对门店而言，这意味着日常动作需要与总部口径保持一致。
第三项动作是建立项目退出的标准。任何 AI 项目在立项时就应约定止损条件，比如连续两个季度指标改善低于阈值就暂停。没有退出机制的项目会持续消耗资源，最终拖累整个技术预算的可信度。这一点在资本市场转向现金流定价之后，变得比过去任何时候都重要。
零售场景的 AI 投入产出表
建议把 AI 项目按四个象限分类：高频高价值、高频低价值、低频高价值、低频低价值。零售场景中，需求预测与补货属于高频高价值，智能客服属于高频低价值，门店选址属于低频高价值，内容生成属于高频中价值。资源应优先投向第一象限，第二象限用标准化工具解决，避免定制开发。
每个象限都要绑定一个可测量的运营指标。需求预测绑定预测偏差与缺货率，智能客服绑定一次解决率与人工转接率，内容生成绑定产出周期与合规返工率。指标一旦确定，项目的验收标准就清晰了，也就不需要用模型参数规模来证明价值。把这条落到考核里，执行才不至于停在文件层面。
常见误区
第一个误区是用效率提升替代收入增长来论证价值。效率提升确实能改善利润，但如果提升的幅度无法覆盖投入的折旧，项目的净现值为负。正确的算法是把节省的人力与损耗折算成现金流，再与投入的资本开支对比，得出回收周期。读者据此可以自行判断，这个结论的适用边界在哪里。
第二个误区是忽略数据准备的成本。多数 AI 项目在立项时只计算模型与算力，不计算数据清洗、标注与治理的投入，而后者往往占总成本的一半以上。零售企业的商品主数据、门店主数据、促销规则通常存在大量不一致，不做治理直接上模型，输出结果无法使用。对内容团队，这类结构比措辞更值得复用。
从估值口径反推管理口径
资本市场对 AI 的定价从叙事转向现金流，会给企业内部管理带来一个明确信号：能被折算成现金流的项目更容易获得预算。这意味着技术团队需要用财务语言表达价值，而不是用技术语言表达先进性。把模型指标翻译成缺货率、周转天数、毛利额，是当前最稀缺的能力。
第二个信号是项目数量的收缩。在叙事阶段，多立项可以讲更大的故事；在现金流阶段，项目越多，资源越分散，单个项目的回收周期越长。收敛到三到五个核心场景，把它们做深，比铺开二十个项目更符合当下的资本偏好。把时间节点标清，是这类叙事最基本的可信度来源。
第三个信号是对外部采购的重新评估。自研的合理性取决于场景的独特性与数据壁垒，通用能力自研往往不划算。把通用能力交给外部供应商，把资源集中在自有数据能形成差异的环节，是更稳妥的分工方式。这一层信息不增加成本，却能显著提升可核对性。对品牌，越早建立这套口径，后续调整的空间越大。
总结
科技股的价格与业绩背离，本质是市场定价语言从叙事切换到现金流的过程中出现的摩擦。零售企业不必判断股价，但必须读懂这个信号：AI 项目的价值要用运营指标与现金流证明，而不是用模型规模证明。把预算拆块、用对照实验、设退出机制，是三条可直接落地的动作。
对内容与搜索侧同样如此。当品牌对外讲述 AI 能力时，具体到缺货率下降几个百分点、内容产出周期缩短几天，比描述模型参数更有说服力，也更容易被搜索引擎与生成式引擎识别为可信内容。这一步的收益不会立刻出现在报表上，但会决定下一轮谈判的位置。对门店而言，这意味着日常动作需要与总部口径保持一致。
数据来源
常见问题
股价与业绩背离会持续多久？
A: 取决于应用落地节奏，通常与资本开支到收入确认的十二到二十四个月时间差相关。
零售企业的 AI 项目该优先投哪里？
A: 优先高频高价值场景，如需求预测与补货，其次是门店选址等低频高价值场景。
如何证明 AI 项目的价值？
A: 绑定可测量的运营指标，如缺货率、拣货时长、预测偏差与内容返工率。
为什么要做小规模对照实验？
A: 整体业绩受多因素影响无法归因，对照实验能控制变量并得出可信结论。
AI 项目最常见的隐性成本是什么？
A: 数据清洗、标注与治理，往往占总成本一半以上，立项时常被忽略。
项目退出机制为什么重要？
A: 没有止损条件的项目会持续消耗资源，拖累整个技术预算的可信度。
