5月9號上午，我穿上雪球調研團的隊服，來到深圳南山調研極光（Aurora Mobile，納斯達克股票代碼：JG）。很榮幸得到多位高管接待，下面跟大家分享我的調研成果。

1.極光的業務

開發者業務（國內）是極光現階段的第一大業務，大概占極光收入的60%，其特色是穩固的基本盤。我們的手機平時會收到各種APP的推送消息，這些推送服務大多依賴于第三方，即SaaS（Software as a Service）模式的服務。通過提供PaaS層的API，開發者調用起來非常容易，因此極光的客戶以開發者群體為主。目前有77萬開發者使用極光的服務，累計支撐超過180萬APP的推送需求，每天通過平臺發送的消息量高達128億條。中國移動等三大運營商的日均短信發送量才100億條，128億條的體量是極其巨大的，也是極光積累海量數據的基礎。

極光API每天的調用量有4億次，比如我們在Agoda上買一張機票，Agoda需要發推送消息，告訴我們出票了，一般會調用API，去實時地觸發。

極光主要的商業模式是訂閱式服務，基礎功能免費，但如果要用高級功能，就要轉成付費版本，付費版本按年訂閱付費。

極光現在有大于5千個高凈值客戶，有制造業和新能源汽車，比如英偉達、特斯拉、比亞迪，也有優衣庫、全家、羅森就這類零售業態的，還有資深投顧和中石油、中石化、中國鐵塔這些央企和運營商。

開發者業務比較平穩，國內新增的APP或者新的業態相對較少，極光開發者業務（國內）實現5%的平穩增長，并為其他業務線提供支撐。

第二大業務是垂直行業應用，通過數據價值變現，占了總收入的30%（增速20%），跟開發者業務（國內）一起共占了90%。數據要素擁有政策和趨勢紅利，極光主要在以下兩個方向上做數據架構的商業化。

一是金融科技，主要用來幫助金融機構識別欺詐。極光在移動端APP的行為數據非常豐富，比如經常在手機上玩博彩的用戶，其借貸風險就高。在手機上頻繁切換VPN IP的用戶，有可能涉嫌詐騙。這些用戶行為會被量化為分值，服務于金融機構的風控系統，并按查詢次數計費。

二是行業洞察，主要的客戶群體是投資機構。極光提供涵蓋線上和線下的全面統計數據，為投資決策提供依據。比如高盛、摩根發布的拼多多研究報告中就引用了極光的數據。

第三大業務是出海的開發者業務。

從兩、三年前開始，國內需求相對疲軟，從中國出海的客戶推動公司出海，于是公司建立了完全海外版的服務，叫EngageLab。

海外產品跟國內的需求不一樣，郵件服務需求非常強勁，于是極光并購了閃達，并且把它的服務一起打包到海外產品里面。

在海外客戶的收入來源里面，有50%是中國出海企業，比如比亞迪、霸王茶姬、極兔、海底撈、庫迪咖啡等，另外50%是本土客戶。基于極光在國內業務打下的基礎，隨著中國企業出海，迎來了一波發展紅利。海外開發者業務的收入目前占比只有10%，但年增速超過100%。公司認為出海業務會成為第二增長曲線。

最后是企業級AI智能體。

兩年前極光開發這個產品，不僅可以構建AI智能體，也有專門的團隊去幫客戶把AI智能體嵌入到不同的業務流程里面去。業務流程可能是客戶的流程、外部的流程、hr的流程、內部的流程等等，最后在流程里面跑起來，有效降低人力成本。

AI業務的收費標準按照客戶減少的人工成本來定價，如果客戶減少了10個人的成本，極光大概收2個人的錢。客戶一般會先買一點量，如果發現確實能省錢，就會增購。

AI業務去年才開始商業化，每個季度都以三位數百分比的速度增長。雖然目前基數尚小，但公司認為，它極有可能成為第三增長曲線。

我們不難發現，極光收入占比越低的業務增速越快。

2.公司認為自身有以下優勢

龐大的客戶基礎：大于5千個高凈值客戶，以及大于77萬個注冊開發者。

場景理解能力：公司擅長嵌入到企業的業務流程，客戶對極光比較信任，極光的產品設計得很靈活，可以非常容易地嵌入。

大量數據資產：數據可以反哺到AI上，目前上線的有幾百個客戶，能夠節省人力資源。

現金流也很好，極光所有的客戶都是先付錢，再給服務。

3.未來的戰略與預期

未來三年，極光的戰略方向是鞏固國內基本盤，利用國內數據要素的政策紅利，做好隨著行業大數據應用業務的增長，這可以保證帶來穩定的現金流。加速海外的擴張，特別是開發者業務的海外擴張。在AI業務發力，希望成為第三增長曲線。

用一句話概括就是，立足開發者服務，延伸數據價值，開拓國際市場，布局AI未來。

公司預計未來開發者業務（海外）和AI業務的增速會很快。目標是：在未來三年內，使企業級AI agent業務營收占比達到公司總營收的10%，開發者業務（海外）營收占比達到20%。

4.旗下的產品矩陣與使用場景

首先是月狐數據，這個產品在我去調研之前就已下載并試用。它能夠查到各大APP的新增用戶、日活月活、留存率等核心指標，以及年齡結構、男女占比、城市分布、使用時長等詳細用戶畫像。除了分析單一APP，還可以對多個APP進行對比，比如幾大平臺的用戶重合度，行業整體數據等等。月狐是綜合了用戶手機幾十至上百款APP的行為統計出來的數據，甚至在某種程度上比各大APP運營商更了解其用戶。APP運營商的數據更深入，而月狐數據則在廣度上有優勢。使用者主要是投資者、投資機構和行業分析機構。

然后是AI智能體，公司最先做的是GPTBot.ai這個域名，面向海外提供服務。原因在于GPT3.5發布的時候，國內還沒有相關的好產品，正好EngageLab業務也在出海，所以先推出GPTBot.ai面向全球用戶。

經過一年左右的發展，在產品比較成熟，國內各種模型也相繼推出之后，公司就推出了面向中國大陸企業用戶的GPTBot.cn。在用戶占比方面，.ai約占了70%，.cn約占了30%。

GPTBot的作用是幫助客戶提升效率和削減成本。

智能客服是第一大場景，占了60%左右。有游戲客服、電商售前和售后客服，其中售后客服可以解決用戶大部分的問題，包括退換貨和訂單查詢，也跟一些機器人公司有合作。

第二是企業搜索場景，企業可能既用企微，也用釘釘等工具，數據分散在不同的地方，只需做一個簡單的授權，AI就可以讀寫企業的知識。讀到知識之后，AI幫助梳理，多模態、圖片、視頻、音頻等信息的整合，做好權限系統，實現知識的自動更新。對企業來說，可以通過一個簡單的搜索框或對話框，完成對企業內部知識的檢索、分析甚至出報告等等。比較典型的有銀行和金融類型的客戶，或者知識密集型行業，傳統制造業也需求強烈，因為制造業里面的資料沉淀多，但IT能力有限，資料的體系化管理、結構化管理是非常難的。

第三是頗有潛力的營銷場景，可以幫助銷售團隊做初篩。比如銷售線索進入公司之后，以前是銷售團隊直接跟進，打電話、發郵件，效率較低。現在很多公司選擇用AI做初篩，也就是AI發一封郵件，客戶一旦回了郵件，全部由AI來接管郵件的回復。給跟進的AI設定一個目標，AI會把話題往該目標引導，同時判定郵件往來是否達到門檻，如果跨過了門檻，就會把這條線索上報到CRM系統。上報到CRM系統之后，會對客戶過往的記錄、需求做一個系統化的整理，然后提供給銷售人員，銷售人員不用再跟進初篩線索。傳統市場部SDR團隊的工作將被替代或提效。

最后是數據分析場景，國內對數據分析的需求很旺盛。在海外，數據流通比較便利，有很多數據分析的工具，但國內SaaS服務的門檻相對高，數據流通不太方便，大家希望用AI讀自己的數據，做財務報告以及審計。

除了這4個大場景以外，還有非常多的場景，但暫未形成規模化的表現。

公司演示了對AI需求千奇百怪的案例。比如做寵物社交的客戶希望用AI來識別寵物的聲音，判斷寵物的情緒，教育行業的客戶需要AI推薦講師。做新零售的客戶希望分析SKU在線率和缺貨率的數據，然后AI會執行數據庫的查詢，查詢完之后告訴客戶哪些在線率比較低、哪些授信率比較低，這兩項可能是數據異常的品類，提供庫存優化的建議。汽車4S店維修工程師可能會有專業上的問題，由廠家來維護AI智能體，然后給一些排除故障的方案。甚至有做房地產和瓷磚的客戶，上傳一張瓷磚的圖片，要求AI做瓷磚品類的分析和質檢。

整體來說，產品分為幾個框架，一個是應用場景，也就是智能體，這是最核心的應用模塊，每個智能體都要嵌入到企業的某個業務流程里面。第二塊是工作流，類似于工具。第三塊是模型，主要接入國內主流的模型。

公司面向企業服務，對模型做了篩選，可以穩定應用生產的模型，才會接入，除了大模型以外，也接入了一些專業模型來輔助業務。

5.財務狀況與研發費用

去年Q4營收有9315萬，Adjusted EBITDA 連續六個季度為正，意味著2024年實現盈利。

開發者訂閱服務收入留存率（NDR）達到95%。

廣告業務增長迅猛，但波動性大，由于618和雙十一、雙十二的原因，Q2和Q4都會有廣告收入的高峰期，也會帶來毛利率的波動。

開發者業務國內市場逐漸飽和，原來公司的研發團隊服務于快速增長的市場。疫情之后，公司發現市場增速下滑，因此國內產品的研發可以縮減。公司認為，如果想要利潤很容易，SaaS產品賣得很穩定，客戶會一直續費，對于產品，又沒有新的迭代需求，只要維護好就可以了。

作出判斷之后，公司就把國內產品線的研發縮減到維護和小規模迭代的水平，把研發資源投入到出海和AI這兩個戰略上面。

2021年開始，所有互聯網公司都在降本增效，極光也順應大勢，內部管理效率大幅提升，原來極光偏中臺化，在21年之后，就在管理上去中臺，管理上優化以及資源上更加精準的調配。

其次AI帶來效率提升、效能提升。原來招一個畢業生，可能要經過兩三年的培訓，才能變成中級工程師。現在一個聰明的、剛畢業的學生，加上AI輔助，已經相當于中級工程師的水平，這對成本和效率的提升非常大。會使用AI工具，是公司招聘的一個標準。

研發費用會有減有增，不能盲目投入，是一個有節奏、契合市場規模逐步調整的過程。短期來看，雖然研發費用有所下降，但這些錢時刻準備著往新的方向投，配合市場的節奏來做。

6.大模型與月狐數據

我問了一些問題。

AI大模型有通用的也有垂直的，但界線似乎比較模糊，比如DeepSeek一下就從量化投資領域橫空出世，變成通用大模型，它們之間的競爭關系是怎么樣的？GPTBots集成了多個大模型（LLM），每個模型各有特點，公司如何幫助企業選擇大模型，實現“最優解”？

極光董事長兼首席執行官羅偉東表示，幻方做大模型和量化，是兩個不同的業務，原來做量化賺錢，賺了錢就買卡（芯片），因為量化維護的關系，買了很多卡（芯片），后面量化可能不太好做，正好有硬件技術、有資源，于是就做成通用大模型。

第二個問題，我們支持多個不同的大模型，在客戶角度看，首先得滿足業務場景的需求，因為現在大模型的成本對客戶場景來講是幾乎可以忽略不計的。客戶首先考慮的是準確性，這個模型能不能解決，會不會出岔子。有時候一個場景可能會用到多個模型。可能解決問題的第一個步驟用這個模型，第二個步驟給另外一個模型，再解決之后又給第三個模型，所以模型的選擇跟問題以及問題的解決方案設計有關系。優先保證解決問題的前提下，再看用更低成本的模型能不能實現同樣的目的，幫客戶節省這方面的成本。

產品VP劉基石認為，關于通用模型和垂直模型，趨勢已經非常明朗，未來就是通用模型的。垂直模型有幾個比較大的問題，它的訓練成本很高，以我的判斷和行業內的共識，一些中廠的資金和人才能力，是很難把底座模型給訓練好的。DeepSeek證明了通用模型是未來。通用大模型加一些知識庫，加一些垂直領域知識的微調，就可以得到一個非常好的金融模型，也就是底座模型足夠好，然后才能在垂直領域做得更好。以Open Ai為例，在他的路線圖里面要做統一模型。這個模型包含了多模態，就是音頻、視頻、圖片輸入、輸出以及推理、非推理一體性的模型。未來不再區分推理模型、非推理模型，其實是一個蠻明朗的趨勢。

我試用了月狐數據，該產品是To B的，對我們投資者而言也非常好使，未來的發展方向是更傾向于繼續服務企業，做精做深，還是會逐漸延伸到C端，做大做標準化呢？

總經理陳光炎認為是一個不錯的提議，之前考慮過這個方向，但是得專業的投資者，才能對這些數據有理解。當時我們想，在To C市場里面，怎樣準確的觸達、拓客，To C產品的運營和我們十幾年來的強項To B很不一樣，當時覺得在產品定位上可能還不太成熟。如果說有一個很精準的客戶群體，比如雪球，那確實可以考慮往To C這邊摸索一下。

本次調研還探討了其他問題，展開了深入、充分的交流。公司給我的印象是簡約、靈活、用心、細致，洞察市場需求，努力把事情做好。

干貨多多，滿載而歸。