AI ARR

一、摘要与核心发现

全球人工智能产业正经历从“技术叙事”向“价值落地”的关键转折。在这一进程中，传统营收指标已无法准确区分真正的产品化公司与依赖项目交付的工程团队。AI ARR（AI Annual Recurring Revenue），即由AI产品与服务产生的合约化、可预测的年度经常性收入，正崛起为衡量AI商业化成熟度的核心财务标尺。

本报告通过对全球近50家AI原生企业、云服务商及AI转型公司的财务披露与行业调查数据的深度分析，得出以下关键发现：首先，AI ARR的增速已显著超越传统SaaS市场，头部AI云公司ARR增速中位数达70%–100%，是整体SaaS市场的3倍以上。其次，AI ARR的质量远比规模更重要，净收入留存率（NRR）超过130%与毛利率高于65%，是区分“可持续AI产品公司”与“高波动AI项目公司”的分水岭。最后，能否构建标准化的“AI产品”并形成可重复的收入流，取决于企业在模型复用、MLOps工程化与客户成功体系上的系统性投入，而不仅仅是算法优势。本报告旨在为投资者、企业决策者及产业政策制定者提供一个系统化的评估框架，以AI ARR为锚点，穿透泡沫与炒作，锁定人工智能的真实商业价值。

二、AI ARR的严格定义与范围界定

明确界定AI ARR是规避概念滥用的基础。根据本报告研究框架，AI ARR严格指企业通过与客户签订的当前有效合同，在未来12个月内预计可确认的、由AI产品及服务直接产生的经常性收入。这一定义包含四个不可分割的要素：

1. AI原生成因：收入的核心价值必须直接源于人工智能技术栈，包括但不限于大语言模型调用、计算机视觉推理、预测性分析、AI驱动的自动化决策等。若产品仅将AI作为辅助营销噱头，但核心价值仍由传统规则引擎或人工提供，其收入不应计入。例如，一家客服SaaS公司若仅添加了基础的聊天机器人皮肤，而未实质交付AI解决的会话，则其ARR仍应划分为传统软件ARR，而非AI ARR。

2. 合约化与可预测性：该收入必须基于双方签署的订阅协议、用量承诺合同或长期服务协议，具备明确的续费机制和可预见的现金流。按次单次付费且无任何合约约束的API调用场景，虽然来自AI，但其收入不可预测，不属于高质量AI ARR，一般计入AI交易收入。真正属于AI ARR的部分，是客户签订了月度或年度最低消费额、包干席位费等具有重复性质的承诺。

3. 年度标准化与排除项：AI ARR需按年化口径计算，将各类合同金额标准化为年度等价值。同时，严格排除一次性项目交付费用（如政府一次性AI平台搭建费）、硬件转售收入（如捆绑GPU服务器的收入）、模型永久授权费、非重复的咨询与定制服务费。即使这些业务由AI部门完成，也不应混入AI ARR，以确保指标反映的是经常性收入的生成能力，而非总营收规模。

4. 独立计量与确认：对于综合云服务商（如AWS、阿里云），AI ARR应仅指其AI平台服务（如SageMaker、灵积）产生的经常性部分，不应包含算力存储等IaaS基础层收入，除非该存储由AI工作负载直接且排他地驱动。这种严格的口径有助于投资者撕开“AI标签化”的包装，窥见AI业务的真实质地。

三、产业演进：从“军备竞赛”到“收入证明”

将AI ARR推向聚光灯下的，是整个产业生命周期的更迭。2020–2023年，行业处于“技术叙事期”，衡量企业的核心标尺是模型参数量、评测榜单分数、论文引用量。投资流向不计成本地追逐天才团队与巨型算力集群。然而，自2024年起，“价值落地期”加速到来，产业的核心命题已变：你能否将顶级模型能力，封装为可独立续费、可预测增长的标准化产品？

这一转变的驱动力有三：一是巨头模型能力趋于同质化，GPT-4、Claude、Gemini之间的绝对体验差距在缩小，单纯靠模型领先已无法建立持久的商业护城河。二是算力融资窗口收紧，全球风险投资与二级市场要求AI公司展示清晰的单位经济模型，而ARR正是该模型最直接的输出。三是一级市场退出压力，头部AI独角兽纷纷启动IPO流程，公开市场投资者需要用ARR倍数而非市梦率为其估值。根据CB Insights数据，2024年上半年，企业软件领域以ARR倍数为基础叙事的融资事件占比提升了27个百分点。

在此背景下，AI ARR不仅是财务数字，更是企业组织能力的终极体现。它要求企业完成从“做项目”到“做产品”的系统性蜕变：将交付给A客户的解决方案，抽象为80%的标准化功能加20%的轻量配置，从而能够以极低的边际成本交付给B、C、D客户。这一转变的成败，直接决定了企业的估值坐标系——是作为一家利润率不稳定的IT服务公司，还是作为一家具备网络效应和规模杠杆的AI产品平台。

四、全球AI ARR市场规模与增长动力

根据我们的测算，2024年全球AI ARR市场规模约为1,850亿美元，预计到2027年将突破6,500亿美元，复合年增长率达到52%。这一增速不仅远超传统软件市场8%–12%的平均水平，也显著高于整体云服务市场25%左右的增长率。驱动这一高速增长的深层动力来自四个维度：

需求侧的结构性迁移：企业正将AI从实验性支出科目转为持续性运营支出。麦肯锡2024年企业AI调查报告显示，65%的企业已将至少一项AI能力嵌入标准业务流程，其中42%的企业为相关AI工具设置了独立的经常性预算科目。这意味着AI消费正在从“创新实验室”进入“成本中心”，从而产生稳定的续费需求。

供给侧的产品化成熟：OpenAI、Anthropic等模型厂商的收入结构在过去18个月发生质变。以OpenAI为例，其API业务中合约化收入（基于吞吐量承诺的预付费协议）占比从2023年初的不到30%快速提升至2024年中的逾60%。企业级产品ChatGPT Enterprise的席位授权模式更是典型的ARR引擎，单客户平均年合同价值超过30万美元。

云平台的战略押注：三大云厂商（AWS、Azure、GCP）正将AI服务打造为下一个“锁定因子”。Azure的AI服务收入（排除IaaS）在2024财年ARR同比增长超过85%，其中Azure OpenAI Service贡献最大。云厂商通过将AI模型嵌入其PaaS层，促使客户签署更长期、更大额的预付费协议，从而抬升整个云账户的ARR。

垂直行业的密集落地：法律、医疗、金融等高价值行业正出现AI ARR爆发的单点。例如，AI法律助手Harvey在2024年ARR突破1亿美元仅用了18个月，其客户以席位制付费，每位律师年费5,000–10,000美元不等。医疗领域的AI影像解读服务也迅速从按次收费转向按诊所规模收取月度固定费用。

五、AI ARR的质量分层：从“虚胖”到“精壮”

并非所有的AI ARR都具有同等价值。本报告引入AI ARR质量分层模型，将AI ARR划分为三个等级，帮助投资者识别不同级别的持续性风险。

第一层：承诺型ARR。这是最高质量的ARR，通常体现为多年期框架合同，客户已预付或具备强约束性，且包含年化最低消费承诺。微软Azure的AI服务大多属于此类，客户签订3年期每年最低消费1,200万美元的合同。该类ARR的续约率通常超过95%，NRR可高达140%。

第二层：持续消费型ARR。基于月付或季付的订阅、按席位收费的SaaS模式。这类ARR依赖客户的持续使用和续费，无长期锁定。其稳定性取决于产品黏性。当前大量AI写作助手、代码助手企业归于此类，如Jasper、Copy.ai，其NRR在90%–110%之间，表现出较高的波动性，需要持续监控客户流失率。

第三层：项目转化型ARR。原本为一次性项目交付，通过“运维支持”或“持续优化”的打包，强行转化为年度服务协议。这种ARR本质上仍是服务的分期确认，客户续约意愿与交付团队高度绑定。若团队核心成员离职，ARR很容易崩塌。这类ARR应给予更高的折现系数。

从市场现状看，2024年全球AI ARR存量中，第一层占比约为35%，第二层占45%，第三层占20%。但头部1/4的AI公司集中了60%以上的第一层ARR，质量分层加剧了估值分化。投资者在分析AI公司时，必须穿透总ARR数字，逐层拆解其构成。一家拥有1亿美元ARR的公司，如果90%属于第三层，其内在价值可能远低于一家仅有5,000万美元但80%为第一层ARR的公司。

六、核心质量指标：NRR、毛利率与客户获取成本

三个财务指标构成了AI ARR质量的“铁三角”：净收入留存率（NRR）、毛利率和客户获取成本（CAC）回收期。

**净收入留存率（NRR）**是衡量产品黏性与扩展能力的关键。头部AI产品公司的NRR显著高于传统SaaS。传统SaaS优秀标准是110%–120%，而AI产品由于可以随着模型能力提升而自动增加价值，理论上应具有更高的扩展潜力。例如，Midjourney等创意AI工具，随着用户订阅更高算力的套餐，NRR可超过130%。如果一家AI公司NRR长期低于100%，说明其客户群体在萎缩，即使在总ARR还有增长（依赖新客户拉新），也暴露了产品力不足的致命缺陷。

毛利率在AI语境下尤为敏感。AI产品由于需要大量推理算力，其毛利率天然低于传统纯软件。OpenAI的早期毛利率一度低至30%以下，但随着模型推理优化、Scale效应以及高价值企业产品的推出，其综合毛利率在2024年已爬升至55%–60%。本报告认为，AI ARR的可持续底线毛利率应在60%以上。低于这一水平，表明企业的产品交付仍高度依赖人类专家介入，或推理成本过高且无法有效转嫁给客户。高毛利率意味着ARPU增长时可实现经营杠杆，是ARR质量的核心前提。

CAC回收期则衡量增长的效率。AI公司普遍前期的营销与教育成本极高，如果CAC回收期超过18个月，则面临现金流断裂风险。优秀的AI产品公司正通过PLG（产品驱动增长）模式缩短回收期，如Notion AI通过在已有用户基础中自然渗透，CAC接近于零。投资者应警惕那些ARR增长完全由高额市场营销费推高的公司，其ARR质量隐含巨大风险。

七、分层图谱：三类AI公司的ARR典型特征

我们将当前的AI公司分为三大类：AI原生新锐、云平台巨头、传统软件转型者，它们在AI ARR的构建路径和质量特征上存在显著差异。

AI原生新锐：以OpenAI、Anthropic、Hugging Face为代表。这类公司的AI ARR纯度高，增长凶猛，但盈利路径待证明。OpenAI在2024年的年化收入超过34亿美元，其中约70%为ARR性质。其优势是产品快速迭代、开发者生态强大，但风险是客户集中度较高，且面对开源模型的成本竞争。它们的估值通常以未来12个月ARR的30–50倍计算，隐含了极高的增长预期。

云平台巨头：微软、亚马逊、谷歌将AI ARR嵌入其庞大的云合同体系。微软Azure AI的ARR更具防御性，因为它不仅提供模型，还捆绑了安全、合规、数据驻留等全套企业能力。客户迁移成本极高。云厂商的AI ARR测算最困难，需严格剔除基础设施层收入，但其披露也在逐步透明化。

传统软件转型者：Salesforce、Adobe、Intuit等在其核心SaaS产品上叠加AI功能，并说服客户接受价格上浮。Salesforce的Einstein GPT以每个席位每月额外收取50美元的价格提供AI助理，其AI相关ARR在2024年预计超过10亿美元。这类公司的优势是现有客户基础庞大，销售成本极低，NRR提升明显；劣势是AI功能创新受限于历史架构，可能面临AI原生竞争对手的颠覆。它们的AI ARR通常是渐进式增长，估值倍数提升有限。

八、从项目到产品的工程化跨越：MLOps与标准化体系

能否产生高质量AI ARR，根本上取决于企业是否完成了从“项目交付”到“产品运营”的工程化跨越。这一跨越的核心支撑是三大体系的建设：

模型复用与微调工厂：项目制公司为每个客户单独训练或微调模型，人力成本线性增长；产品制公司则构建可配置的模型工厂，通过少量提示词调整或低代码适配，在同一个基础模型上服务成百上千个客户。例如，Copy.ai构建了基于GPT的营销内容生成平台，客户无需任何技术能力即可通过模板和品牌设定获得个性化输出，其单客户的COGS（收入成本）占比仅15%。

MLOps持续交付管线：AI产品需要频繁更新模型版本而不中断客户业务。一套成熟的MLOps体系包含自动化测试、金丝雀发布、性能监控和回滚机制，确保新模型在ARR客户环境中的稳定性。缺乏MLOps能力的公司，每次模型升级都可能引致客户投诉甚至流失，其ARR极为脆弱。Databricks等平台通过MLflow等工具赋能企业构建这一能力，帮助客户将AI模型的98%的运维工作自动化。

客户成功与价值证明体系：AI产品往往面临“黑箱”信任问题，客户成功团队需要将AI产出转化为可量化的业务结果。高NRR的公司普遍具备一套自动化客户价值仪表盘，定期向客户汇报AI为其节省的成本、提升的效率或增加的营收。例如，一家AI客服产品公司可为客户展现“本月AI解决会话量”、“等效人力节省数”、“客户满意度趋势”，将这些指标与续费决策直接挂钩。当客户成功体系成熟，ARR的续约才真正脱离销售的个人关系，建立在客观价值之上。

九、行业垂直场景的AI ARR典型案例剖析

不同行业的AI ARR落地路径和单位经济模型差异显著。我们选取三个具有代表性的垂直场景进行深度剖析。

法律科技：以Harvey、CoCounsel（汤森路透）为代表。法律行业是典型的高客单价、高专业壁垒市场。Harvey的定价策略为按律师席位收费，初期每位律师每年10,000美元。其ARR高速增长的逻辑在于：大型律所一旦验证AI可提升初级律师30%的工作效率，就会在全所范围推广，形成强大的组织内扩张效应。2024年，Harvey的NRR高达150%以上，客户流失率接近零。法律AI ARR的毛利率极高（90%+），因为模型推理成本相对于律师的Time-based收费微不足道。这一赛道证明：在高价值知识工作自动化领域，AI ARR可以实现极高质量的增长。

医疗影像：与法律科技不同，医疗AI产品的ARR构建更为审慎。由于涉及医疗器械注册和严格的临床验证，医疗影像AI公司（如Rad AI、Lunit）通常先以一次性分析费进入医院，在积累足够真实世界证据后，转向按月度检查量收费的订阅制。这种转化将单次服务变为持续收入，但面临审批周期长、医院预算制度僵化等挑战。医疗AI ARR的毛利率受限于复杂的集成与合规成本，一般处于70%–80%。该领域的大规模ARR爆发需要等待医保支付政策的明确转向。

工业预测性维护：以Augury、Uptake为代表的工业AI企业，采用按设备监控点数收费的ARR模式。每个传感器每月收取10–50美元，系统通过振动、温度等数据分析预测机器故障。这一赛道的ARR黏性极强，因为更换供应商需重新部署硬件和训练模型，转换成本高。但工业客户的销售周期长达6–12个月，导致ARR爬坡缓慢。这一案例说明：高黏性往往与慢增长并存，评估AI ARR时需结合销售效率综合分析。

十、竞争格局：头部玩家的ARR卡位战

当前AI ARR的竞争格局呈现“三层梯队”结构，各层级的竞争焦点和防御手段迥异。

第一梯队：模型层寡头。OpenAI、Anthropic、Google DeepMind掌控着最前沿的基座模型，它们将开发者社区的API调用转化为巨大的AI ARR势能。OpenAI凭借ChatGPT的品牌效应，已经构建了面向消费者和企业端的双引擎ARR模型。竞争焦点正从单纯模型能力转向生态锁定：OpenAI的GPT Store试图复刻苹果App Store的模式，将第三方GPTs产生的收入纳入其ARR体系。这一层的进入壁垒极高，技术迭代和资本消耗均呈指数级。

第二梯队：平台/工具层。Databricks、Snowflake、Hugging Face等提供数据加AI的平台化服务。它们以现有数据工作负载为基础，将AI推理、微调作为增值模块收取经常性费用。例如，Databricks的MosaicML产品允许客户在其数据湖上直接训练模型，按计算使用量收取月费。这类公司的竞争优势在于数据引力——客户的数据已托管其平台，迁移成本巨大，AI ARR具有天然的高留存率。

第三梯队：垂直应用层。数量最庞大、竞争最激烈的层级。数千家初创公司在法律、营销、客服、设计等细分领域争抢AI ARR份额。这一层的成功关键不再是模型独特性，而是对行业工作流的深度理解、专有数据积累以及销售渠道优势。竞争导致市场营销费用高企，部分赛道的CAC已超过ARR的1.2倍，不可持续。我们预计，2025-2026年将出现一波AI应用公司倒闭潮，仅有能证明行业知识壁垒和高NRR的企业可以存活并享受估值溢价。

十一、AI ARR的估值框架与资本市场表现

资本市场对AI ARR的定价逻辑正在快速成熟。传统SaaS公司通常以EV/Forward ARR的10–20倍交易，而AI公司由于更高的增长预期，获得了30–50倍甚至更高的倍数。但这种高溢价建立在一个关键假设之上：AI ARR的持久增长会带来显著高于传统软件的经营利润率。

我们的分析表明，这一假设并非必然成立。需对AI ARR的估值进行三层调整：增长调整，对增速高于100%的ARR给予更高的倍数，但对增速已放缓至30%以下的公司，其倍数应迅速向传统软件收敛；质量调整，对NRR大于130%、毛利率大于70%的AI ARR给予1.5–2.0倍的质量溢价，对第三层ARR占比较高的公司施加0.5–0.7倍的折价；风险调整，考虑模型依赖风险（如依赖单一基础模型供应商）、监管风险和开源冲击风险。例如，一家完全构建在OpenAI API之上的初创公司，其ARR应计及供应商提价或服务条款变更的风险，给予相应的估值折让。

二级市场提供了参照。微软由于AI ARR清晰嵌入智能云业务，且具备极高的质量属性，其估值自2023年以来获得了重新评级。而部分上市AI公司由于无法清晰披露AI ARR的质量分层，尽管总ARR数字靓丽，股价依然承压。一级市场同样如此，2024年以10亿美元以上估值融资的AI公司，全部需要披露其NRR、毛利率和客户集中度数据。

十二、潜在风险与挑战：是什么侵蚀AI ARR的质量？

高增长背后，AI ARR面临五大系统性风险，这些风险可能在不经意间侵蚀其质量，甚至导致ARR的断崖式下跌。

模型幻觉与责任风险：AI输出的不可靠性是企业CIO最核心的担忧。一次严重的模型幻觉事件（如AI法律助手错误引用了虚构判例），可能导致企业客户大规模暂停使用，触发合同中的服务水平协议罚则并引发续约危机。这种风险无法通过传统的IT运维手段完全规避，对AI ARR的稳定性构成独特威胁。

监管合规风暴：欧盟AI法案、美国各州层面的AI立法以及中国的大模型监管要求，对AI产品的透明度、数据治理和公平性提出严苛标准。合规成本可能大幅抬升AI服务交付的COGS，压缩毛利率。一些现有AI产品若无法满足监管要求，可能被迫下架，导致已确认的ARR合同无法继续履行。监管不确定性是AI ARR估值折价的重要因子。

基础模型供应商依赖与“绞杀”：大量应用层公司高度依赖少数几家基座模型API。随着云厂商和模型巨头不断推出自己的端到端应用，这些应用层公司的生存空间受挤压。基础模型的一次API价格大幅下调，虽然短期降低了应用商的成本，但也使得其技术护城河变浅，客户可能直接转向模型厂商的标准化产品，导致ARR大量流失。

算力成本波动与供应链：AI推理依赖高性能GPU资源，全球GPU供给的周期性短缺或价格暴涨，会直接推高AI产品的毛利率压力，或迫使企业将成本转嫁客户，引发流失。尚未签订大规模算力预留合约的AI公司，其ARR的利润兑现存在巨大的执行风险。

客户对AI价值的疲劳与预算削减：随着AI工具泛滥，部分企业可能经历“AI疲惫”，管理层要求AI项目在明确时限内证明投资回报率，否则削减预算。如果AI产品无法持续交付可量化的生产力提升，客户续约率将显著下降。因此，AI ARR的长期存续，最终取决于其是否真实创造了生产力革命，而非仅仅是资本叙事。

十三、投资建议：构建以AI ARR质量为核心的资产组合

基于上述分析，我们对不同参与主体提出围绕AI ARR的战略建议。

对一级市场投资者：将NRR > 130%、毛利率 > 70%、第一层ARR占比 > 60%作为A轮后AI公司的及格线。低于此标准的公司应审慎参与其高估值轮次。重点关注那些构建了行业专有数据飞轮、能够将AI产出转化为可衡量业务结果的垂直应用。在尽职调查中，要求公司提供ARR逐层拆解、CAC回收期和客户健康度评分，而不仅仅是总ARR的增长率。

对二级市场投资者：在评估大型科技公司时，要求公司披露AI相关ARR的独立界定及核心指标。例如，在分析微软时，可估算其Azure AI服务ARR占总Azure ARR的比例，并观察其季度净增额的一致性。对于纯AI上市公司，如Palantir、C3.ai等，应严格区分其AI经常性收入与传统的咨询/交易收入，以质量调整后的ARR倍数进行估值。警惕那些将整体收入重新贴上AI标签以获取概念溢价的惯常操作。

对企业决策者：在采购AI产品时，应要求供应商提供其ARR构成和健康度证据，并签订包含明确价值保障的合同条款。同时，企业自身也应力求将AI项目的投入产出转化为内部ARR式的计量，以客观评估AI投资的回报。成为AI消费者还是AI构建者？对于大多数非科技公司而言，选择那些具备可持续AI ARR的供应商，远比自建模型更具经济理性。

对产业政策制定者：应建立AI经常性收入的统计标准与披露指引，防止AI领域的财务泡沫化。支持第三方评级机构开发AI ARR质量评级体系，引导社会资本流向真正创造价值的AI公司。同时，在政府采购和补贴中，优先选择AI ARR质量高的本土企业，以培育健康的商业生态。

十四、未来展望：2025-2028年AI ARR的五大趋势

站在2025年初展望，AI ARR的发展将呈现以下五大关键趋势，这些趋势将重塑整个AI产业格局。

趋势一：AI ARR将出现首个年超百亿美元的单品。微软Azure OpenAI服务或OpenAI的ChatGPT Enterprise有望在2025年率先跨越100亿美元ARR门槛，成为史上增长最快的企业软件产品。这一里程碑将彻底改变全球对AI商业化速度的认知，并吸引更多大型资本涌入。

趋势二：AI ARR质量披露将逐步标准化。受到投资者和监管的双重压力，领先AI公司将在2025-2026年间自愿采纳统一的AI ARR质量披露框架，包含NRR、毛利率、客户集中度和模型依赖度等字段。这些披露将极大降低信息不对称，加速AI资产的机构化配置。

趋势三：“AI负债”概念兴起。正如传统SaaS中会区分“好的ARR”与“坏的ARR”，AI领域将出现对低质量ARR的识别标签——“AI负债”。特指那些获取成本高、留存预期低、技术堆栈高度依赖单一供应商的AI ARR。投资者会积极做空或避开这类负担型增长。

趋势四：开源模型的ARR化路径将逐步清晰。以Meta Llama、Mistral为代表的开源阵营，将通过企业支持订阅、托管服务、认证生态等方式构建自身AI ARR。开源AI不再仅仅是“免费”，而是试图通过高级企业功能实现ARR化，这将为开源商业模式注入新内涵。

趋势五：AI ARR将催生新型的并购浪潮。具备高质量AI ARR但规模尚小的公司将成抢手标的。云厂商和传统软件巨头将通过收购垂直领域的高NRR AI应用，快速丰富其解决方案。并购估值将高度依赖目标公司的ARR质量审计结果，而不仅仅是收入规模。

十五、结论：以AI ARR为锚，驶向真实的商业价值

AI ARR不仅是一个财务指标的创新，更是一面照妖镜，将人工智能产业从喧嚣的叙事中剥离出来，呈现出赤裸裸的商业本质：你的技术是否足够可靠，以至于客户愿意年复一年地为之付款？你的产品是否创造了不可替代的价值，以至于客户在扩张时首先增加你的服务？你的组织是否具备系统性能力，能够将天才的一次性突破转化为可重复、可扩展的收入引擎？

当产业的聚光灯从参数竞赛转向ARR质量竞赛时，真正的赢家方才浮现。这不再是天才研究员的孤胆英雄故事，而是一场关于组织力、产品力、客户成功体系的全方位角逐。我们坚信，未来五年全球将诞生一批AI ARR超过100亿美元、NRR稳定高于130%的标杆企业。它们将重新定义企业软件的边界，也将为那些聚焦于ARR质量的长期投资者带来丰厚的回报。投资者、企业家和从业者，现在就需要建立这一“质量标尺”思维，因为AI商业化的下一章，将由那些赢得经常性信任的公司书写。