办公任务可能带来下一轮令牌需求：Astra的进步如何转化为韩国上市公司利润

9月3日发布的GPT-6 Astra，以及9月10日公布的金融工作与数据分析产品，共同指向AI竞争问题的变化：重点开始从单次回答的质量，转向系统能否持续执行受托任务，直到完成。OpenAI的金融产品连接数据、来源和企业文档模板，数据分析产品则连接内部信息与访问权限。¹²³

这可能使开发者较早采用的高强度使用方式，扩展至更广泛的办公职能。但产品发布不等于令牌需求已经爆发。把办公人员数量乘以一个开发者的令牌消耗，也不是可靠的市场预测。

投资论点是有条件的：更好的电脑操作与长时间执行能力，若能减少人工干预，就可能增加真正被委托给AI的工作。韩国股票投资者随后需要辨别，哪些企业能把新增需求转化为存储芯片销量和价格、电力设备订单，或持续的软件利润。

编程较早具备了执行与验证相连的环境

软件开发有可读取的代码仓库、可执行的工具，以及用来检查结果的测试。系统可以修改程序、检查失败原因，然后重试。这并不意味着所有软件成果都容易验证。更有限的解释是，相比信息分散的办公流程，开发环境更容易先把执行与评估连接起来。

2026年4月公开的一项编程智能体研究发现，不同模型和执行路径的令牌消耗差异很大，甚至重复执行同一任务也会出现显著差异。更多支出并不总能换来更高准确率。这也是不能直接把开发者使用量外推到所有办公人员的原因。⁴

办公流程存在另一类阻力：邮件里的承诺、客户系统中的状态、Excel计算和内部制度，可能分别存放在不同系统。回答正确，不能抵消错误更新业务记录的后果。只有把权限和审批也接入流程，回答才可能变成真正完成的工作。

因此，“编程之后是办公”不是指前一个市场结束后，后一个才开始。二者早已重叠。这里的判断是，非开发岗位的重复使用强度，可能成为下一阶段增长来源。

电脑操作扩大覆盖范围，持续执行改变委托的经济性

电脑操作能力是读取屏幕、点击控件和输入信息。长时间任务执行能力则是跨步骤保持目标和证据、从错误中恢复，并检查结果。前者扩大可处理的流程范围，后者降低人一直在旁监督的负担。

二者可以相互强化。点击准确却在第十步忘记目标，仍然难以委托；能够长期推理，却需要人把每个结果转录到业务系统，也仍有明显限制。这是经济层面的解释，不是关于模型架构的已验证数学定律。

公开评测改善与企业生产环境的采用证据，需要分开理解。

来源：OpenAI。OSWorld采用v2026.08.08离线子集。评测设置和工具环境可能不同于实际服务，执行环境的改进也会影响结果。¹

每一步可靠性的小幅改善，可能明显扩大可委托任务的范围。例如，假设50个独立步骤全部成功才算完成，每步成功率98%时，总成功概率为0.98的50次方，约36.4%；每步99.5%时则约77.8%。真实错误存在相关性，也有检查点、重试和恢复，所以这些数字仅说明累积效应，不能当作Astra的企业任务成功率。

企业也不应把所有流程都设计成屏幕点击。有稳定的程序接口，也就是API时，通常应优先使用，再用视觉操作补上无法连接的部分。机会在于不必更换所有旧系统，也能连接原本断开的工作环节。

模型能力开始与数据接入和运行基础设施结合

9月10日发布的ChatGPT Financial Services尝试把金融数据与文档工作，连接到企业模板和管理控制。数据分析产品则连接获准使用的数据与业务背景。这说明高性能模型本身并不足够，访问能力与结果验证也必须到位。²³

Agents API公开测试版提供上下文管理、工具执行和多智能体协调的运行基础设施。如果企业不必分别搭建持久运行环境，把模型进步转化为付费任务的成本就可能下降。公开测试和功能说明可以确认，但所有客户的总支出与部署回报仍需另行验证。⁵

较早形成重复使用的市场，可能并不是所有办公岗位的完全无人化。资料比较、销售准备、定期报告、费用核对等边界清晰且结果可检查的任务，更可能先进入日常流程。付款、具有约束力的合同以及人事决策，因错误损失更大，应保留适当的人工授权。

一句简短指令，背后可能是长链条计算

“比较三家供应商，准备下一次会议资料”只有一句话。但执行时需要查找邮件和报价、统一交易条件、制作表格、核对数据与来源、套用公司模板。发现缺失信息后，还可能重新运行其中部分步骤。

最终回答很短，并不意味着模型调用很少。检索材料、工具返回值、中间检查和修改都会消耗令牌。令牌是模型处理输入与输出的单位，不是用户提问次数或句子数量。

Anthropic在2025年6月表示，在其自身研究系统的数据中，智能体通常使用约为普通对话4倍的令牌，多智能体系统约为15倍。这是特定公司和系统的比较，并非企业工作通用的倍数。但它提供了一个实际机制：当对话变成可执行的任务时，消耗强度可能明显提高。⁶

可持续增长不应来自低效地反复做同一件事，而应来自原本因准备成本过高而没有开展的工作，例如更多客户定制方案、更频繁的库存核对或更全面的竞争研究。单纯增加失败重试，不能证明客户愿意长期付费。

实际委托频率，比办公人口总量更重要

月度令牌＝目标员工数×实际使用比例×每位活跃用户每天委托任务数×工作日数×每项任务累计令牌。

每项任务的累计量包括所有模型调用的输入和输出、重试及检查，也包括额外智能体产生的调用。此后再乘智能体数量或重试倍数，会重复计算。

以下敏感性分析固定为同一家拥有1,000名员工的组织，每月22个工作日。所有数字都是假设，不是客户观测值，也不是2027年的市场预测。

基准计算为1,000×20%×10×22×2,000＝88,000,000令牌。常规委托为1,000×50%×3×22×40,000＝1,320,000,000。各行代表相互替代的状态，不是应全部加到基准之上的新增需求。一次对话与一项完成的工作，产出也并不相同。

15倍不是依靠用户数量增加15倍，而是活跃用户增加2.5倍，同时每人每日令牌由2万增至12万，即6倍。反过来，如果采用仅停留在每天做一次摘要，增长幅度就会小得多。

非开发人员更多，并不能直接证明其需求何时超过编程。采用率、委托频率和单任务强度都必须达到一定水平。分类时还要避免把业务用户生成的代码、开发者完成的文档工作重复统计。

每项任务0.56美元的例子，说明的是经济门槛

Astra Standard公开API价格为每百万输入令牌10美元、每百万输出令牌50美元。假设一项不使用缓存的任务累计消耗36,000个输入令牌和4,000个输出令牌。¹

模型费用＝36,000÷1,000,000×10美元＋4,000÷1,000,000×50美元＝0.56美元。

4,000个输出令牌是全部调用中计费输出的总量，不是最终报告长度。如果推理令牌作为输出计费，也必须计入。缓存、更便宜模型的分流和额外工具费用都会改变真实账单。

常规委托情景产生500位用户×3项任务×22天＝每月33,000项任务。按上述成本计算，月模型费用为18,480美元，每位活跃用户36.96美元。浏览器运行、数据许可、系统集成、安全、培训和故障处理均未包含。

委托净收益＝已实现的人力节省或新增商业价值－模型和工具费用－人工检查与返工－错误损失－分摊的运营与集成费用。

假设一项低风险、产出等价的工作由人完成需要30分钟，每小时经济价值50美元，原成本为25美元。使用AI后检查需要5分钟，失败的20%任务全部重做，则期望返工时间为6分钟。人工成本约9.17美元，加模型费用后约9.73美元，留下约15.27美元来覆盖其他费用与错误损失。80%的成功率只是此例假设，并非来自评测分数。

如果检查需要25分钟，同样条件下成本升至约26.39美元。推理便宜也无法挽救任务经济性。节省时间更不自动等于工资现金支出下降，必须通过人员重新配置、增加产出或避免追加招聘才能实现。

因此，长时间执行能力最重要的指标，不是智能体可以持续运行多久，而是每项完成任务还需要多少人工干预时间。

令牌、账单、计算和存储不是同一个量

把15倍令牌直接换成15倍半导体需求，会跳过多次转换。

固定任务构成作示例，逻辑令牌增加15倍，而每令牌计算量下降80%，则计算需求是3倍；若每令牌下降95%，则需求是0.75倍。计算分别为15×0.20与15×0.05。这是敏感性演示，不是工程进步预测。

更低成本可以带来更多使用，但不保证总支出增长。其他条件相同时，数量增长必须足以抵消单价下降。价格降低后新增的工作，与原有任务所需计算量下降，需要同时考虑。

并发也应单独观察。同样的日使用量，如果集中在上班时段，会要求更大容量；把容忍延迟的工作安排到夜间批处理，则可能提高现有设备利用率，推迟新建投资。智能体数量乘以24小时，并不会自动产生新需求。

存储投资应看层次分工，而不只是HBM

AI除了保存模型权重，还会保留此前上下文的中间计算结果。可复用的注意力状态通常称为KV缓存。长时间任务和大量并发用户，可能提高保存位置与读取速度的重要性。

但并非所有状态都必须一直放在昂贵的高带宽内存HBM里。英伟达2026年3月公布的STX与CMX，提出额外的上下文存储层，既扩展可访问上下文，也提高现有GPU使用效率。厂商的性能数字取决于具体配置，不等于全行业的实测效率提升。⁷

HyMCache研究7月首次提交，8月修订后标题为A CXL Memory Rack for Multi-Turn LLM Serving，探索通过DRAM与SSD组合保存可复用状态。其中一项比较以部分性能损失换取大幅减少DRAM。它是研究结果，不是大规模商用证明，但足以反驳令牌与某一种存储产品必然同比增长的简单推断。⁸

对韩国投资者有意义的假设，不是HBM消失与HBM必然暴增之间二选一，而是高速HBM、服务器DRAM和大容量企业级SSD如何分工，以及供应商如何在各层获取利润。令牌量也不等于存档文档量：反复读取同一资料，会增加逻辑令牌，却未必增加原始数据存储。

韩国上市公司有四种不同的利润传导路径

下面是按业务关联度组织的研究顺序，不是考虑当前股价后的买入排名。

SK海力士：关注HBM以外的增长，也保留周期判断

SK海力士8月26日的产品介绍同时展示了HBM、服务器DRAM和企业级SSD。这意味着面对更细分的存储层次，企业拥有多个参与途径。但展示一款产品，不代表所有产品会在同一时期贡献同等规模收入。⁹

应追踪产品级数量与价格，而非只看被冠以AI名称的收入总额。HBM增长时，如果服务器DRAM或NAND价格转弱，整体结果仍会不同。经营现金流也需要扣除资本支出与营运资金需求后再判断。

它是这条投资论点的直接研究对象，但直接受益不等于低估。如果供给优势已经充分反映在预期中，行业景气也可能对应较低股票回报。

三星电子：广泛覆盖与业务抵消同时存在

三星在7月30日公布二季度业绩时，把下半年智能体AI发展与服务器DRAM、企业级SSD及HBM需求联系起来。这证明供应商也在提出类似的需求假设，但它仍是管理层展望，而非对未来供需的独立验证。¹⁰

多种存储产品提供不同增长通道，但股东利润取决于客户认证后的盈利量产、良率和产品组合。其他半导体与消费产品业务，也会影响合并结果。

因此，不应把Astra发布直接加到盈利模型中。先要判断已有AI支出预期之外到底增加多少需求，再看它改变销量、价格还是利润率。对既有订单的新叙事，不是新增利润。

LS ELECTRIC：投资订单和建设，而非每个令牌的收费权

8月24日，LS ELECTRIC公布北美AI数据中心电力设备合同扩额，修订后总额约2,309亿韩元。这是调整后的合同总额，不是可全额叠加在原订单上的新增金额。数据中心业务联系有实际合同支持，但该合同早于Astra发布，不能归因于Astra。¹¹

如果办公推理只是提高现有基础设施利用率，新的电力设备订单不会立即增加。持续需求必须转化为获得融资、能够接入电力的建设。高融资成本和工程延期，可以与有利的长期需求前景并存。

验证顺序是新订单、在手订单转化为收入、项目利润、现金回款。若把企业当成每处理一个令牌就收取一次费用的商业模式，会忽略设备行业的时间差和执行风险。

三星SDS：承担运行责任比转售模型更重要

三星SDS将FabriX描述为连接多个模型与企业系统，并支持智能体创建、运行和治理的平台。Brity Copilot则把AI接入邮件与会议。企业数据、访问权限和运行责任，使其可能参与办公AI普及。¹²¹³

与此同时，前沿模型厂商也直接扩展企业产品和数据连接。简单的聊天窗口或模型访问权转售，可能遭遇价格竞争。更有防御力的业务，可能是处理旧系统例外、权限、审计记录和故障，并获得反复续约。²⁵

付费使用增加，不保证股东利润增加；如果模型成本和集成人工增长更快，利润反而承压。投资者需要外部客户的重复合同、部署后的留存，以及扣除推理成本的利润率。本文核查的产品资料，不足以推算独立AI业务的利润率。

行业判断正确，股票仍可能下跌

股价变化倍数＝每股收益变化倍数×估值倍数变化。

如果每股收益增长30%，市盈率却从20倍降至15倍，则股价为1.30×15÷20＝原来的0.975倍，下跌2.5%。这是计算示例，不是任何列举公司的当前估值，并假定收益口径和预测期间一致。

不能把存储行业最好季度的利润乘以四，就视为永久盈利能力。应考虑供给增长、价格正常化、折旧、投资和现金流。设备合同总额不是即时利润，软件收入也应扣除转售成本。

本文并非逐只股票核实当日价格与市场盈利预测的完整估值报告，因此不编造目标价或买入价。实际买入需要反推当前企业价值隐含的增长，再判断新增订单与重复使用能否超过这些预期。

优先研究存储供应商的理由，是不用押注某个办公应用获胜，也能参与多个模型的普及。但模型客户的多元化，不等于存储周期风险分散。同时持有韩国两大厂商，仍面临共同的AI资本支出与存储价格风险。

从2026年第四季度开始，看重复使用和人工介入

观察窗口设为2026年第四季度与2027年第一季度。这是研究安排，不是保证采用将在该时段发生的预测。

如果两个季度后仍无法证明非开发岗位反复使用及单任务经济性，就应推迟“下一轮需求即将到来”的时间判断。如果采用增加，但效率改进抵消硬件需求，软件采用论点可以保留，半导体受益强度则应降低。安全事故导致权限收缩，或长期依赖人工救场，也都是重要反证。

Astra可能扩大的，是完成任务的市场，而非更长回答的市场。韩国股票的买入依据，出现在这种可能性形成反复支出，并兑现为超出股价既有预期的企业现金流时。

资料核查截至2026年9月11日。产品及公司披露属于发布方陈述，与独立生产环境验证相区分。令牌、成本和股价敏感性均为作者假设示例，不构成针对个人情况的投资建议。

来源