科技（举办了“2026年中报投资者调研与专家交流活动”。该活动通过展厅参观、业绩分享、专家圆桌论坛及现场Q&A等环节，全面展示公司在AI实时数据基础设施与Token业务模式领域的商业化进展，并共同探讨AITo B产业的发展趋势与
业内人士表示，企业AI落地已不再是“有没有模型”的问题，而是“模型如何真正融入业务流、创造可量化的价值”的问题。未来真正的护城河，不在技术参数里，而在每一个细分场景的深耕与信任积累之中。
据公司中期业绩报告披露，上半年公司实现营收9.67亿元，同比大幅增长389%，创下同期历史新高；盈利近亿元，实现首个上半年度盈利；毛利率达60.1%，保持高位稳定；ARPU大幅跃升240%，人均创收激增379%；客户留存率稳居90%以上。
当前，企业AI落地需求加速释放、市场化进程全面提速，科技加速落地Token业务模式，构建AI To B一体化平台服务，为客户提供从数据治理到模型部署的一站式AI基础设施。2026年上半年，科技不仅跑通了Token业务模式，Token收入占比大幅提升。
迅策科技表示，业绩的强劲增长得益于多重动能共振：企业级AI实时数据基础设施部署加速、多元化行业渗透加速、Token业务模式落地、国际化业务拓展及生态构建。同时，围绕企业AI落地，公司已经形成了算力、数据、Token、模型到应用的全链路产品矩阵。
面对未来，迅策科技构建了AI数据基础设施四阶跃迁的战略演进路径：从数据治理（1.0）起步，历经Token化跃迁（2.0），未来将继续向全球Token交换平台（3.0）迈进，加速企业小模型（4.0）的训练与规模化部署，并围绕商业模式演进、加速跨行业复制、开拓前沿应用、构建战略合作生态、稳步开拓海外业务五大方向落实战略举措，持续为客户创造商业价值，开启指数级增长新周期。
在专家圆桌讨论环节，国家自主智能无人系统重点实验室副主任、上海自主智能无人系统科学中心主任何斌，中国信息协会数据要素专委会副主任委员潘菲，北京中关村学院＆人工智能研究院研究员林镇阳，中央财经大学与数字财经研究中心主任陈波等四位专家，围绕数字经济发展趋势、企业数据治理痛点、数据Token化商业模式、行业智能化升级方向、数据安全合规及全球化机遇等议题展开深度对话。
在探讨发展趋势时，专家认为，当前企业数字化转型仍面临数据治理、价值释放等核心痛点，亟须高质量、场景化的数据基础设施支撑。何斌强调，企业数智化的根本驱动力在于数据全链条的打通——前端数据采样、中端数据处理、后端大模型训练。特别是随着大模型及OpenClaw等智能体的兴起，企业对数据的渴求呈指数级攀升。Token作为大模型训练和调用的最小单元，正成为智能时代的基本要素。未来，Token经济学将在企业数智化进程中扮演至关重要的角色。
陈波教授则从价值释放的视角指出，AI的出现为过去难以定量评估的数字化建设提供了客观标尺。Token在其中充当了关键的定价角色——应用场景与数据价值，都能直接反映在Token消耗上。他认为，AI不仅催生了智能化浪潮，更大幅降低了算法应用门槛，使得业务与技术深度绑定成为可能，推动进入一个全新阶段，市场容量与场景拓展空间空前广阔。
针对企业数据资产与AI融合发展的机遇与挑战，潘菲指出，过去几年数据领域从基建、制度到落地应用的价值化闭环几乎每个环节都存在堵点。如今，Token化服务模式的兴起让人们看到了破局的曙光。Token收费机制或许能够直接完成数据价值服务的可量化与可定价，由市场买单逻辑驱动，付费主动性直接来源于业务成效。
针对未来AI基础设施和智能化升级的重点行业，何斌指出，Token化是将企业数据转化为可供大模型调用的资产的关键步骤。当前，信息密集型行业进展较快，而能源、矿业、制造等传统行业由于数据基础薄弱，仍相对滞后。但随着物理AI的发展，各行业对数据驱动和模型训练的需求将急剧增加，传统行业将迎头赶上。
林镇阳主任则给出了两个值得重点关注的方向：一是科学领域，AI正推动科研进入以数据为驱动的第四范式。国际上已出现大规模投资，围绕AI加速科研探索会催生大量数据处理、智能算法工具的需求。二是泛健康领域，如情绪、心理、脑科学等，大语言模型构筑了群体知识库，但在个体身心连接、认知盲区探索方面仍有巨大空间。这些领域一旦突破，将伴随大规模的产业化进程，最终AI要回归到服务人本身。
圆桌讨论中，四位专家不约而同地指向同一共识：数据正在成为AI时代最关键的生产要素，而高质量、场景化的数据基础设施，将是企业释放AI价值、构建竞争壁垒的核心底座。
活动最后，公司管理层与现场嘉宾进行了深入的问答交流，详解公司AI To B落地的真实逻辑与破局之道。
面对“闭源模型能力是否已超过企业需求”的提问，迅策科技首席技术官杨阳给出了辩证的分析：不能简单二分化。在日常通用场景（如会议记录、报告撰写）中，大模型的能力确实已经远远过剩；但在核心生产环节（如工业质检、专业决策），单纯依靠大模型又远远不够。
迅策科技首席科学家唐博则从底层逻辑出发指出，问题的核心不在于模型本身，而在于数据的组织方式。他提出，传统信息化模式是“搭积木”——每上新应用就要重新做数据汇聚、治理、训练，成本高昂且不可持续。而AI原生应用的正确路径，是构建AI数据基础设施，将企业多维度数据积累在同一平台，通过本体建模、语义建模，让数据可以被重复调用和持续挖掘价值。企业的主要目标不再是开发一个个孤立的软件，而是在数据基础设施之上，不断生长出新的智能体和业务应用。
关于企业付费意愿的讨论，杨阳给出了一个极具启发性的观察：大多数客户根本分不清解决方案中模型、流程、数据各占多大比重，他们只关心“问题有没有被解决”，大家都会去关注模型这个热点，但在专业化场景里，客户付费的意愿和能力更多还是针对具体业务价值和成果。
这意味着，单纯卖模型能力是走不通的。真正To B的专业化服务，往往涉及硬件、软件、硬软结合，以及针对业务场景的数据整理、优化训练和应用开发。迅策的工作思路，始终是面向场景去设计和整合所有相关资源，最终按结果交付。
针对“行业Agent落地的专营化趋势”和人才瓶颈问题，杨阳指出一个容易被忽视的事实：传统软件公司往往追求标准化、教育用户适应产品，对专业化关注度本就不高；但专业的企业服务场景天然就是细分的、需要深耕的。迅策的拓展路径是：基于在金融领域积累的数据处理理念和产品服务方式，寻找可迁移的“土壤”。每进入一个新行业（如医疗、制造业），就必须找到深耕该领域的合作伙伴，共同挖掘隐性知识，将其转化为数据、资产和模型。
面对模型厂商涨价等风险，唐博明确指出，迅策的定位是做大模型的“最后一公里”，将大模型能力与企业业务实践结合，通过私域数据的Token化、训练和推理，真正让AI能用起来。
杨阳则用一个形象的比喻点明了关系：“大模型跟我们的关系，就像组件跟整车或者发动机跟整架飞机——没有人可以直接坐一个发动机去美国，还是要买张机票。”这意味着，迅策为客户交付的是完整的、可落地的解决方案，而大模型只是其中的关键组件。即使上游模型政策变化，迅策作为连接模型能力与企业需求的“整机集成商”，依然掌握着不可替代的议价权和客户黏性。
企业AI落地已不再是“有没有模型”的问题，而是“模型如何真正融入业务流、创造可量化的价值”的问题。未来真正的护城河，不在技术参数里，而在每一个细分场景的深耕与信任积累之中。迅策科技正在乐观地看待AI行业和方向，更谨慎地走好眼前每一步。