BigBear.ai

1. 投資摘要

• BigBear.ai（BBAI）的 AI 產業鏈定位：BigBear.ai 是國防、邊境安全、供應鏈和製造場景的決策智慧/視覺 AI 軟體服務商，鏈上位置是“任務型 AI 應用 + 政府承包商”。 14
• AI 硬錨：Pangiam 收購後公司強化視覺 AI、數字身份和威脅檢測；核心客戶包括國防、DHS/邊境、港口和供應鏈場景。 45
• 最新財務硬數：FY2025 營收 1.277 億美元、毛利率約 22.3%；Q4 2025 營收 2730 萬美元、毛利率 20.3%；Q1 2026 營收 3440 萬美元、毛利率 34.0%、淨虧損 5680 萬美元。 12
• 最新事件：2026-05，公司釋出 Q1 2026，稱 backlog 增加 14%，包括超過 6000 萬美元國家安全合同，並確認全年營收展望。 23
• 核心產品：Decision intelligence、ProModel 模擬、Pangiam Threat Detection、數字身份、供應鏈安全平台、國防任務規劃。 45
• 競爭參照：Palantir、C3.ai、Booz Allen、Leidos、SAIC、Anduril、Scale AI、Primer。 78
• 本文不提供價格結論、交易方向或配置比例判斷，只做事實整理、產業位置拆解和可追蹤指標架構。1
• 關鍵缺口：AI 單獨營收、單客戶佔比、按模型/晶片/雲端資源拆分的毛利和資本支出，多數公司並未完整揭露，本文統一標註為 [未充分揭露]。16

2. 產業鏈位置

BigBear.ai不是簡單的“AI 概念股”，而是在 AI 產業鏈中承擔特定環節：BigBear.ai 是國防、邊境安全、供應鏈和製造場景的決策智慧/視覺 AI 軟體服務商，鏈上位置是“任務型 AI 應用 + 政府承包商”。 這個定位決定了營收彈性、毛利天花板和資本支出強度都要按環節分析，而不能直接套用訓練 GPU、雲端廠商或通用軟體公司的架構。14

鏈條節點	公司暴露	證據口徑	投研含義
上游依賴	核心晶片、雲端資源、車規 IP、GPU、網路、資料中心或行業資料，視公司業務而定	採購比例多數未揭露	若上游價格/供給受限，毛利和交付會先受壓
自身能力	產品、演算法、平台、工程交付和行業客戶認證	產品頁和財報揭露	決定是否有差異化，而非只看營收增速
下游客戶	企業、運營商、車廠、政府、雲端客戶或消費電子客戶	客戶名單和集中度多未揭露	驗收週期和議價能力決定現金流量
AI 增量	端側推論、Agentic AI、AI Cloud、LLM 監控、資料中心或視覺 AI	直接營收少數揭露，多數需 proxy	必須把“AI 營收”與“AI 敘事”分開
財務驗證	營收、毛利率、淨利、CFO、資本支出	最新財報和季度材料	判斷 AI 增量是否真正轉成獲利和現金

3. AI相關營收拆解

• 已揭露硬錨：Pangiam 收購後公司強化視覺 AI、數字身份和威脅檢測；核心客戶包括國防、DHS/邊境、港口和供應鏈場景。 45
• 財報口徑：FY2025 營收 1.277 億美元、毛利率約 22.3%；Q4 2025 營收 2730 萬美元、毛利率 20.3%；Q1 2026 營收 3440 萬美元、毛利率 34.0%、淨虧損 5680 萬美元。 12
• AI 直接營收：若公司未單列 AI 營收，本文不把全部營收視為 AI 營收，只按產品和客戶場景建立 proxy。
• AI proxy 1：與 AI 產品、AI Cloud、智慧代理、NPU、LLM Observability、車載 AI 或資料中心相關的營收線索。
• AI proxy 2：與 AI 需求同步變動的客戶專案、ARR、平台營收、IDC/雲端營收或 Core IoT 營收。
• AI proxy 3：若只揭露產品進展而未揭露金額，則只寫“技術/產品暴露”，不寫營收規模。
• 未揭露項：單一 AI 客戶、AI 產品毛利、AI 資本支出、AI 訂單轉營收週期和 AI 相關存貨均按 [未充分揭露] 處理。

專案	口徑	可用數字	證據等級	解釋
總營收/最新營收	公司最新財報	FY2025 營收 1.277 億美元、毛利率約 22.3%；Q4 2025 營收 2730 萬美元、毛利率 20.3%；Q1 2026 營收 3440 萬美元、毛利率 34.0%、淨虧損 5680 萬美元。	A/B	以公司 IR、交易所揭露或 SEC 為優先
AI 直接營收	公司是否單列	[未充分揭露] 或見上文硬錨	B/C	少數公司揭露平台/API/AI Cloud營收，多數只揭露產品線
毛利率	公司整體或分部	見最新財務硬數	A/B	判斷 AI 放量是否稀釋獲利
資本支出	資料中心/產線/裝置	[未充分揭露] 或財報口徑	B	AI 雲端和半導體公司尤其重要

4. 核心產品

• Decision intelligence：面向國防、製造、供應鏈、旅行與貿易等高後果場景，把資料融合、預測分析和任務決策支援嵌入客戶流程。45
• Pangiam Threat Detection：以計算機視覺和決策支援平台做 3D 行李安檢的影像異常檢測，並向安檢人員提供即時效能和升級處置資訊。6
• 數字身份與生物識別：Pangiam 併入後，公司將 facial recognition、advanced biometrics、computer vision 和 digital identity 組合為視覺 AI 產品線。7
• 國家安全解決方案：公司揭露的應用場景覆蓋國防、情報、邊境安全和任務規劃，但具體單客戶營收、專案毛利與驗收節奏仍為 [未充分揭露]。58
• 供應鏈與製造：官網將製造、倉儲、醫療和物流列為 AI 決策智慧應用場景，投資判斷應回到訂單、交付和毛利，而不是隻看行業標籤。4
• 旅行與貿易：公司把 AI 人臉識別、計算機視覺和威脅檢測用於海關、交通和機場安檢場景，商業化強度需以財報營收和 backlog 驗證。46
• 產品驗證方法：只把公司官網、財報、交易所公告或正式 IR 材料當作 A/B 級證據；媒體報道只用於補充事件時間線。
• 產品風險：AI 產品可能提升客戶粘性，但若硬體 BOM、雲端資源或人力交付佔比過高，規模增長未必自動提升獲利率。

5. 上下游

方向	關鍵物件	對公司影響	揭露狀態
上游晶片/算力	GPU、CPU、NPU、車規 IP、MCU、伺服器或雲端資源	影響產品能力、交付週期和毛利	多數採購佔比 [未充分揭露]
上游軟體/模型	開源模型、商業 LLM、資料平台、開發架構	影響產品可用性和客戶匯入速度	具體成本 [未充分揭露]
上游人才	演算法、晶片、雲端平台、行業交付團隊	影響研發費用率和交付質量	人員結構多為年度揭露
下游客戶	企業、政府、運營商、車廠、雲端客戶、消費電子客戶	影響訂單穩定性和回款	單客戶佔比通常 [未充分揭露]
渠道夥伴	雲端市場、系統整合商、OEM/ODM、開發者生態	影響獲客成本和海外擴張	夥伴營收貢獻 [未充分揭露]

6. 同業與競爭格局

BigBear.ai的競爭不能只按股票行業分類，而要按 AI 工作負載的位置來比：晶片公司比算力、功耗和生態；軟體公司比資料閉環、客戶留存和毛利；雲端/IDC 公司比電力、GPU、網路和資本成本。78

維度	本公司	同業參照	觀察重點
營收質量	AI 暴露與傳統業務混合	Palantir、C3.ai、Booz Allen、Leidos、SAIC、Anduril、Scale AI、Primer。	AI 營收是否單列、是否高毛利
獲利質量	毛利率/經營獲利/淨利	Palantir、C3.ai、Booz Allen、Leidos、SAIC、Anduril、Scale AI、Primer。	AI 增長是否稀釋獲利
客戶結構	企業/政府/車廠/運營商/雲端客戶	Palantir、C3.ai、Booz Allen、Leidos、SAIC、Anduril、Scale AI、Primer。	是否依賴大客戶或專案制驗收
技術壁壘	產品、演算法、平台、認證、生態	Palantir、C3.ai、Booz Allen、Leidos、SAIC、Anduril、Scale AI、Primer。	是否能形成複用而不是一次性交付

7. 護城河

1. 任務場景壁壘：國防、邊境、機場和供應鏈安全專案通常需要合規、整合和客戶驗收，切換成本高於普通橫向 SaaS，但仍要用 backlog、營收確認和現金流量驗證。14
2. 視覺 AI 組合：Pangiam 帶來的數字身份、威脅檢測和生物識別能力擴大了公司在 Vision AI 的產品面，但 AI 單項營收和毛利率仍未充分揭露。17
3. 開放整合能力：Pangiam Threat Detection 支援與第三方掃描硬體、檢測演算法和決策支援工具整合，這有助於進入既有安檢基礎設施。610
4. 行業資料和流程經驗：公司定位於高後果決策環境，價值來自客戶業務規則、任務流程和資料工程經驗，而不只是通用模型能力。48
5. 政府承包經驗：國防和國土安全客戶能帶來較長合同週期，也會帶來預算、審批和驗收波動，不能把合同公告直接等同當期營收。12
6. 跨場景複用：同一套視覺 AI、身份驗證和決策智慧能力可遷移到旅行、貿易、製造和供應鏈，但複用程度需看交付毛利和客戶擴張。46
7. 財務約束：若新增業務依賴大量定製交付或併購攤銷，產品壁壘可能被費用和現金消耗抵消，因此護城河最終要落到毛利率和經營現金流量。12 反向提醒：AI 敘事本身不是護城河。若 AI 專案主要依賴人力交付、低毛利硬體轉售或補貼獲客，規模擴大可能拉低 ROIC。

8. 財務質量(趨勢表+杜邦+逐季)

財務分析以公司最新揭露為準：FY2025 營收 1.277 億美元、毛利率約 22.3%；Q4 2025 營收 2730 萬美元、毛利率 20.3%；Q1 2026 營收 3440 萬美元、毛利率 34.0%、淨虧損 5680 萬美元。 12

指標	最新年度/期間	口徑	質量判斷
營收	FY2025 營收 1.277 億美元、毛利率約 22.3%；Q4 2025 營收 2730 萬美元、毛利率 20.3%；Q1 2026 營收 3440 萬美元、毛利率 34.0%、淨虧損 5680 萬美元。	公司財報/IR	看 AI 相關產品是否貢獻增量
毛利率	見揭露硬數或 [未充分揭露]	公司財報/IR	判斷軟體化或硬體化程度
淨利	見揭露硬數或 [未充分揭露]	公司財報/IR	專案制公司需看一次性損益
經營現金流量	見揭露硬數或 [未充分揭露]	現金流量量表/IR	比淨利更能識別質量
資本支出	見揭露硬數或 [未充分揭露]	現金流量/管理層口徑	雲端和半導體需要重點追蹤

杜邦拆解

• 淨利率：用淨利 / 營收衡量；若揭露淨利和營收，則可計算，否則保持 [未充分揭露]。1
• 資產週轉：專案制、雲端基礎設施和半導體公司的資產週轉差異很大，不能跨行業硬比。6
• 權益乘數：若債務或可轉債較高，ROE 可能被槓桿放大；本文不把高 ROE 自動等同於高質量。1
• ROIC：AI Cloud、半導體產線和資料中心需看資本支出回收期；軟體平台需看研發費用資本化和續費。2

近季橋

Q4 2025 營收 2730 萬美元；Q1 2026 營收 3440 萬美元；公司合同節奏和政府專案驗收導致季度波動大。 23

季度/期間	營收	獲利	現金流量/資本支出	AI 線索
上一年度	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	只採用已揭露產品/客戶/平台線索
最近中期/前三季	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	只採用已揭露產品/客戶/平台線索
最近季度	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	只採用已揭露產品/客戶/平台線索
下一期追蹤	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	見揭露或 [未充分揭露]	只採用已揭露產品/客戶/平台線索

9. 業績傳導

• 正向傳導：AI 客戶需求增加 → 營收確認或 ARR/訂單提升 → 毛利率或現金流量改善；需要用下一期財報驗證，而不是隻看新聞。12
• 正向傳導：產品從試點進入規模部署 → 營收確認或 ARR/訂單提升 → 毛利率或現金流量改善；需要用下一期財報驗證，而不是隻看新聞。12
• 正向傳導：平台/軟體 attach 提升 → 營收確認或 ARR/訂單提升 → 毛利率或現金流量改善；需要用下一期財報驗證，而不是隻看新聞。12
• 正向傳導：渠道或生態夥伴擴張 → 營收確認或 ARR/訂單提升 → 毛利率或現金流量改善；需要用下一期財報驗證，而不是隻看新聞。12
• 正向傳導：上游晶片/雲端資源供給改善 → 營收確認或 ARR/訂單提升 → 毛利率或現金流量改善；需要用下一期財報驗證，而不是隻看新聞。12
• 正向傳導：專案驗收和回款改善 → 營收確認或 ARR/訂單提升 → 毛利率或現金流量改善；需要用下一期財報驗證，而不是隻看新聞。12
• 反向傳導：硬體/雲端資源成本上升 → 獲利率下行或現金消耗擴大；若連續兩個季度發生，應下調對 AI 增量質量的判斷。16
• 反向傳導：客戶專案延期 → 獲利率下行或現金消耗擴大；若連續兩個季度發生，應下調對 AI 增量質量的判斷。16
• 反向傳導：政府/車廠/企業預算放緩 → 獲利率下行或現金消耗擴大；若連續兩個季度發生，應下調對 AI 增量質量的判斷。16
• 反向傳導：研發費用和銷售費用提前投入 → 獲利率下行或現金消耗擴大；若連續兩個季度發生，應下調對 AI 增量質量的判斷。16
• 反向傳導：一次性重組或併購攤銷 → 獲利率下行或現金消耗擴大；若連續兩個季度發生，應下調對 AI 增量質量的判斷。16

10. 經營拆分與反證架構

本節只拆分經營驅動，不做價格、規模口徑或市場口徑推導。判斷重點改為營收質量、毛利率、現金流量、客戶/訂單、產能利用率和產品採用是否強化業務敘事。

模組	關鍵經營變數	強敘事訊號	反證閾值
營收與採用	營收增速、ARR/訂單、客戶採用	營收增長由真實客戶採用和復購支撐	營收或訂單連續放緩，且缺少客戶採用證據
獲利質量	毛利率、費用率、現金流量	毛利率穩定，現金轉換改善	毛利率下行或現金流量惡化
競爭與客戶	客戶集中度、份額、替代風險	大客戶擴張且競爭格局穩定	客戶砍單、份額流失或替代方案加速

11. 風險

• AI 直接營收未單列，市場可能高估 AI 純度。12
• 客戶集中度和專案驗收節奏未充分揭露。12
• 上游晶片、GPU、雲端資源或車規 IP 供給限制。12
• 毛利率因硬體或交付佔比上升而下行。12
• 經營現金流量與淨利背離。12
• 研發費用和併購攤銷壓制獲利。12
• 地緣、出口管制、政府預算或行業監管變化。12
• 同業價格競爭導致續費或 ASP 下滑。12
• 新產品釋出不等於營收確認。12
• 資本支出回收期長於管理層預期。12

12. 常見誤讀糾偏

• 誤讀 1：把 BigBear.ai 當成純橫向軟體公司。糾偏：公司營收仍帶有政府承包、專案交付和併購整合特徵，季度營收和毛利率可能受驗收節奏影響。14
• 誤讀 2：把產品釋出等同於訂單和營收。糾偏：產品頁證明技術暴露，財報才證明商業化結果。
• 誤讀 3：把 Pangiam 併購後的視覺 AI 能力全部等同為高毛利 AI 營收。糾偏：公司揭露了產品與場景，但未單列視覺 AI 營收和毛利率。17
• 誤讀 4：把 backlog 或合同總額視為即時現金流量。糾偏：政府和安全專案通常按合同條款、里程碑和驗收確認營收，仍需逐季核對營收、應收和現金流量。23

13. 最新事件(帶日期)

• 2026-06-18：本文按已可檢索公開資料更新；未取得的新一期正式財報不做推斷。
• 2026-05，公司釋出 Q1 2026，稱 backlog 增加 14%，包括超過 6000 萬美元國家安全合同，並確認全年營收展望。 23
• 2025 年度/最近年度：FY2025 營收 1.277 億美元、毛利率約 22.3%；Q4 2025 營收 2730 萬美元、毛利率 20.3%；Q1 2026 營收 3440 萬美元、毛利率 34.0%、淨虧損 5680 萬美元。 1
• 產品側：Pangiam 收購後公司強化視覺 AI、數字身份和威脅檢測；核心客戶包括國防、DHS/邊境、港口和供應鏈場景。 45
• 同業側：Palantir、C3.ai、Booz Allen、Leidos、SAIC、Anduril、Scale AI、Primer。 的公開結果用於校驗賽道景氣，不作為本公司營收證明。78

14. 追蹤指標

• AI 直接營收或 proxy 佔比：下一期財報若揭露則更新；未揭露不倒推。12
• 毛利率與分部毛利率：下一期財報若揭露則更新；未揭露不倒推。12
• 經營現金流量和自由現金流量：下一期財報若揭露則更新；未揭露不倒推。12
• 資本支出、折舊和資料中心/產線利用率：下一期財報若揭露則更新；未揭露不倒推。12
• 客戶數量、ARR、訂單、backlog 或 lighthouse 使用者：下一期財報若揭露則更新；未揭露不倒推。12
• 研發費用率和銷售費用率：下一期財報若揭露則更新；未揭露不倒推。12
• AI 產品釋出後的商業化節奏：下一期財報若揭露則更新；未揭露不倒推。12
• 單客戶或政府專案集中度：下一期財報若揭露則更新；未揭露不倒推。12
• 上游 GPU/晶片/雲端資源供應：下一期財報若揭露則更新；未揭露不倒推。12
• 同業價格和新品代際：下一期財報若揭露則更新；未揭露不倒推。12

15. 來源

• 來源：BigBear.ai IR home: ir.bigbear.ai/
• 來源：BigBear.ai Q4 FY2025 results: ir.bigbear.ai/news-events/press-releases/detail/138/bigbear-ai-announces-fourth-quarter-2025-results-releases
• 來源：BigBear.ai Q1 2026 results: bigbear.ai/newsroom/bigbear-ai-announces-first-quarter-2026-results-increases-backlog-including-more-than-60-million-in-national-security-contracts-and-affirms-revenue-guidance/
• 來源：BigBear.ai corporate site: bigbear.ai/
• 來源：National security solution page: bigbear.ai/solutions/national-security/
• 來源：Pangiam Threat Detection page: bigbear.ai/solutions/computer-vision-and-digital-identity/pangiam-threat-detection/
• 來源：BigBear.ai completes Pangiam acquisition: bigbear.ai/newsroom/bigbear-ai-completes-pangiam-acquisition/
• 來源：BigBear.ai SEC filings: ir.bigbear.ai/financial-information/sec-filings
• 來源：BigBear.ai Q1 2026 10-Q summary: www.stocktitan.net/sec-filings/BBAI/10-q-big-bear-ai-holdings-inc-quarterly-earnings-report-3143869d8d99.html
• 來源：BigBear.ai and Smiths Detection complete testing and integration: ir.bigbear.ai/news-events/press-releases/detail/117/bigbear-ai-and-smiths-detection-complete-testing-and

16. 證據等級與未揭露項

證據等級	定義	本頁用法
A	公司財報、SEC/交易所公告、公司 IR 正式材料	財務硬數優先使用
B	公司官網產品頁、正式新聞稿、投資者演示	用於產品和事件線索
C	權威媒體、行業報告、金融資料聚合頁	用於補充但不單獨證明核心財務
D	市場傳聞、社媒、無來源摘要	不用於硬數

未揭露清單：

• AI 單獨營收：[未充分揭露]。
• AI 產品毛利率：[未充分揭露]。
• 單客戶營收佔比：[未充分揭露]。
• 客戶名單和合同金額：[未充分揭露]。
• 上游採購佔比：[未充分揭露]。
• 資本支出按 AI 專案拆分：[未充分揭露]。
• 模型/晶片/雲端資源成本：[未充分揭露]。
• 區域營收中的 AI 佔比：[未充分揭露]。
• 逐季完整現金流量橋：[未充分揭露]。
• 訂單轉營收週期：[未充分揭露]。

17. 結論邊界

本頁結論只覆蓋 BigBear.ai 在 AI 產業鏈中的事實位置、產品證據、財務質量和追蹤架構。所有數字均要求能回到來源；不能回到來源的硬數不寫，或者標為 [未充分揭露]。12 不提供交易方向、價格結論或配置比例判斷。