PKSHA Technology 3993.T·AI 產業鏈公司投研

1. 投資摘要

結論先行：PKSHA Technology 在 AI 產業鏈中的位置是“日本 AI SaaS、演算法模組、客服 AI 與企業自動化”，不是晶片廠，也不是純基礎模型公司；研究重點是 AI 功能能否提高訂閱、雲端用量、企業客戶留存和獲利率。1 2
PKSHA FY2025 營收約 204 億日元，營業獲利約 37 億日元，AI SaaS 和演算法解決方案構成核心。1 2
FY2026Q2 累計營收約 117 億日元、營業獲利約 23 億日元，公司繼續揭露 AI SaaS 增長。1 2
營收分為 AI SaaS 與 AI Solution/Algorithm Solutions，客戶專案、訂閱和模組化演算法並存。1 2
AI 單獨營收基本等同公司主營，但按具體模型、客戶和 API 呼叫量的明細未充分揭露。1 2
經營追蹤口徑應看 AI SaaS ARR/NRR、AI Solution 專案驗收、客戶數、營業獲利率和經營現金流量；FY2026Q2 累計營收與營業獲利繼續增長，但模型呼叫量、單個 AI SKU 營收和客戶集中度仍為 [未充分揭露]。 2 3
研究架構用三條線交叉驗證：營收是否真實、毛利和現金流量是否承接、AI 產品是否進入客戶流程而非停留在釋出會。5 6
最關鍵的反證是：AI 敘事提高費用和資本支出，但沒有帶來訂閱/雲端營收、留存率或經營現金流量的同步改善。7 8

2. 產業鏈位置

鏈條座標：chain-cloud / pksha-technology，上游是算力、雲端、模型、資料和行業整合，下游是企業客戶、開發者、運營商或消費者應用。1
AI 價值來源不是“擁有大型模型”本身，而是把模型能力嵌入既有軟體、雲端、通訊或客服流程後，提高使用頻次、自動化率和續費意願。5 6
PKSHA 位於日本企業 AI 應用層，上游依賴雲端/模型/API、日語語料和演算法研發，下游主要是客服、金融、製造、零售、交通等企業流程；價值來自把日語 NLP、對話 AI 和自動化嵌入客戶系統。 2 3
上游關鍵變數包括 GPU/伺服器折舊、雲端推論成本、模型 API 成本、資料合規和渠道費用；公司層面對這些變數的逐項揭露通常不足。4 7
下游關鍵變數包括大客戶簽約、ARR/訂閱、雲端資源利用率、企業專案驗收和消費者付費率。1 8

3. AI相關營收拆解

口徑	可確認營收	AI 歸因	置信度	說明
公司總營收	見財務表	不能全部歸為 AI	A	集團營收是分母，不是 AI 營收口徑。1
AI/雲端/訂閱寬口徑	PKSHA FY2025 營收約 204 億日元	與 AI 功能、雲端遷移或自動化相關	B	依賴公司揭露和產品結構。2
AI 單獨營收	[未充分揭露]	不能倒推	A	未揭露模型呼叫、AI SKU、客戶單價時不估算。3
客戶/行業拆分	[未充分揭露]	只寫客戶型別	B/C	個別案例不等於營收佔比。6
毛利貢獻	[未充分揭露]	需看雲端成本/服務成本	B	AI 功能可能提升 ARPU，也可能增加推論成本。7

投研上只把已收費的訂閱、雲端資源、軟體模組、專案驗收營收計入 AI 相關營收；新聞稿中的“接入 AI”不直接計入營收。1 9
若公司只揭露總營收而不揭露 AI SKU，本文用“proxy”描述，不把 proxy 寫成硬營收。2 10

4. 核心產品

產品/服務	AI 連線方式	商業化路徑	揭露缺口
PKSHA AI SaaS	嵌入生成式 AI、預測、搜尋、語音、視覺或自動化能力	訂閱、雲端用量、專案制或服務費	SKU 營收/客戶留存 [未充分揭露] 1
PKSHA Chatbot/FAQ/Voicebot	嵌入生成式 AI、預測、搜尋、語音、視覺或自動化能力	訂閱、雲端用量、專案制或服務費	SKU 營收/客戶留存 [未充分揭露] 2
演算法模組與機器學習解決方案	嵌入生成式 AI、預測、搜尋、語音、視覺或自動化能力	訂閱、雲端用量、專案制或服務費	SKU 營收/客戶留存 [未充分揭露] 3
企業搜尋、文本理解和客服自動化	嵌入生成式 AI、預測、搜尋、語音、視覺或自動化能力	訂閱、雲端用量、專案制或服務費	SKU 營收/客戶留存 [未充分揭露] 4
Mobility & MaaS 相關演算法	嵌入生成式 AI、預測、搜尋、語音、視覺或自動化能力	訂閱、雲端用量、專案制或服務費	SKU 營收/客戶留存 [未充分揭露] 5

產品判斷重點不是功能列表，而是這些功能是否改變客戶預算科目：從一次性專案轉成訂閱，從人工服務轉成自動化，從普通雲端資源轉成高利用率 AI 資源。5 6
若 AI 功能只是免費增強，短期體現為留存和競爭力；若形成獨立 SKU，才可能直接進入營收拆分。2 3

5. 上下游

上游	依賴項	影響	揭露
日本企業語料、客服日誌和業務資料	算力/資料/模型/渠道	影響成本、交付和毛利率	[未充分揭露] 1
雲端服務與推論計算資源	算力/資料/模型/渠道	影響成本、交付和毛利率	[未充分揭露] 2
大學/研究人才和演算法研發	算力/資料/模型/渠道	影響成本、交付和毛利率	[未充分揭露] 3
LLM/API 成本和訓練成本未充分揭露	算力/資料/模型/渠道	影響成本、交付和毛利率	[未充分揭露] 4
下游	需求來源	營收確認	風險
---	---	---	---
日本大型企業客服和後臺部門	AI 降本、增效、合規或體驗升級	訂閱、用量、專案驗收或廣告	客戶集中和預算週期 5
金融、製造、零售和交通客戶	AI 降本、增效、合規或體驗升級	訂閱、用量、專案驗收或廣告	客戶集中和預算週期 6
SaaS 訂閱使用者與系統整合夥伴	AI 降本、增效、合規或體驗升級	訂閱、用量、專案驗收或廣告	客戶集中和預算週期 7
需要日語 NLP 的企業應用團隊	AI 降本、增效、合規或體驗升級	訂閱、用量、專案驗收或廣告	客戶集中和預算週期 8

上游漲價或推論成本上升，會先擠壓毛利率，再影響銷售策略；下游預算收縮會先體現在新增 ARR、雲端用量和專案驗收延期。7 8

6. 同業與競爭格局

同業	競爭維度	PKSHA Technology 的相對位置
NTT Data AI	產品、客戶、生態或價格	需按區域、客戶規模和部署方式比較，不能只比模型引數 1
NEC/Fujitsu AI	產品、客戶、生態或價格	需按區域、客戶規模和部署方式比較，不能只比模型引數 2
Preferred Networks	產品、客戶、生態或價格	需按區域、客戶規模和部署方式比較，不能只比模型引數 3
User Local	產品、客戶、生態或價格	需按區域、客戶規模和部署方式比較，不能只比模型引數 4
PKSHA 在客服 AI 與 SaaS 側競爭的各類創業公司	產品、客戶、生態或價格	需按區域、客戶規模和部署方式比較，不能只比模型引數 5

競爭格局的硬指標包括 ARR/雲端營收增速、毛利率、淨留存率、客戶數、單客戶 ACV、服務成本、銷售週期和現金流量。1 2
AI 軟體和雲端服務的競爭不是單點功能競爭，更多是工作流嵌入、資料權限、合規、本地化和系統整合能力競爭。5 6
如果競爭對手以低價或捆綁雲端資源獲客，短期營收可能增長，但獲利率和現金流量會暴露真實質量。7 8

7. 護城河

日語 NLP 與企業客服資料積累。驗證指標：續費、客戶擴張、毛利率、現金流量和新客戶獲取效率。1 2
SaaS 與專案解決方案雙輪驅動。驗證指標：續費、客戶擴張、毛利率、現金流量和新客戶獲取效率。2 3
演算法模組複用帶來規模效應。驗證指標：續費、客戶擴張、毛利率、現金流量和新客戶獲取效率。3 4
日本大企業客戶關係和本地化優勢。驗證指標：續費、客戶擴張、毛利率、現金流量和新客戶獲取效率。4 5
大學和研究網路：PKSHA 源於演算法研發背景，持續釋出對話 AI、AI agent 和行業套件；技術壁壘需要通過產品複用、客戶續約和毛利率驗證，而不是論文或新聞數量本身。 7 10
護城河不能只看釋出會，還要看產品是否進入客戶的核心繫統、歷史資料、權限體系和預算流程。2 6

8. 財務質量(趨勢表+杜邦+逐季)

8.1 趨勢表

期間	營收	AI/雲端/訂閱線索	毛利率	獲利/現金流量	來源口徑
FY2023	約 130	AI SaaS/解決方案	未充分揭露	營業獲利增長	年報 1
FY2024	約 168	AI SaaS	未充分揭露	獲利改善	年報 2
FY2025	約 204	AI SaaS+解決方案	未充分揭露	營業獲利約 37	FY2025 results 3
FY2026Q2	約 117	AI SaaS	未充分揭露	營業獲利約 23	Q2 results 4

8.2 杜邦拆解

淨利率：由毛利率、研發費用率、銷售費用率、雲端資源/折舊和一次性專案共同決定；AI 投入增加時，營收和獲利可能不同步。1 2
資產週轉：雲端和資料中心公司要看伺服器、IDC 和應收賬款週轉；軟體公司要看遞延營收和銷售效率。3 4
權益乘數：若公司有併購債務、租賃負債或重資本雲端資源，淨負債會放大週期波動；淨現金公司則有更大研發和併購彈性。5 6
ROE 的改善必須來自獲利率和週轉改善，而不是一次性收益或會計重分類。7 8

8.3 逐季/半年度追蹤


FY2025Q3	未充分揭露	AI SaaS	未充分揭露	未充分揭露	ARR/客戶數 3
FY2025Q4	未充分揭露	解決方案	未充分揭露	未充分揭露	全年獲利 4
FY2026Q1	未充分揭露	AI SaaS	未充分揭露	未充分揭露	增長延續 5
FY2026Q2	約 117 累計	AI SaaS/解決方案	未充分揭露	未充分揭露	獲利率追蹤 6

財務質量優先順序：經營現金流量 > 經常性營收/ARR > 毛利率 > 調整後獲利 > 新聞稿訂單。1 3

9. 業績傳導

AI/自動化需求 -> PKSHA Technology 產品使用量或訂閱增長
  -> 客戶續費、擴容、專案驗收或雲端資源消耗
  -> 營收確認
  -> 取決於毛利率、推論成本、銷售費用和折舊
  -> 經營現金流量和自由現金流量
  -> 市場重新評估傳統業務與 AI 業務的權重

變數	正向傳導	負向傳導	追蹤口徑
需求	客戶把 AI 納入正式預算	POC 多、付費少	ARR/雲端營收/專案驗收 1
成本	推論和雲端資源單位成本下降	GPU/雲端成本上升	毛利率/折舊/頻寬 4
競爭	產品嵌入工作流	平台廠商捆綁壓價	淨留存/價格 6

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

揭露風險：AI 單獨營收、模型成本、客戶集中度、專案毛利和採購結構未充分揭露，容易被市場過度線性外推。1 2
競爭風險：雲端廠、平台廠、開源模型和大型軟體廠可能把類似功能打包進基礎套餐。5 6
成本風險：GPU、雲端、頻寬、電力、折舊和大型模型 API 成本可能吞噬 AI 功能帶來的 ARPU。4 7
客戶風險：大客戶專案延期、預算凍結、合同重新議價會先衝擊新增訂單和現金流量。3 8
模型/API 與資料合規風險：生成式 AI 功能會增加推論、雲端和安全治理成本；若客戶資料權限、日誌留存或行業合規無法滿足要求，專案驗收和續費會受影響。 7 10
會計風險：調整後獲利、一次性收益、併購攤銷和股權激勵需要與經營現金流量交叉驗證。1 3

12. 常見誤讀糾偏

誤讀一：把公司總營收全部當成 AI 營收。糾偏：只有 AI SKU、雲端算力、AI 驅動訂閱、自動化專案或明確揭露的 AI 營收才能計入，未揭露部分只能寫 proxy。1 2
誤讀二：把產品釋出等同於商業化成功。糾偏：真正的證據是客戶續費、ARR、雲端營收、毛利率和現金流量，而不是模型演示。5 6
誤讀三：營收增長必然帶來獲利增長。糾偏：AI 雲端和專案制業務可能同時抬高折舊、推論成本、銷售費用和應收賬款。4 8
誤讀四：把 AI agent 產品釋出等同於 ARR 增長。糾偏：ChatAgent、AI Suite 等產品更新只有在帶來新增訂閱、客戶擴張或專案驗收時才進入財務，未揭露的 SKU 營收不能倒推。 3 7

13. 最新事件(帶日期)

日期	事件	投研含義
2026-05-14	揭露 FY2026Q2 業績，營收和營業獲利繼續增長。	需要與後續營收、毛利率和現金流量交叉驗證。1
2025-11-13	釋出 FY2025 全年業績，揭露營收與獲利。	需要與後續營收、毛利率和現金流量交叉驗證。2
2025-08-14	更新 FY2025Q3 業績，AI SaaS 增長延續。	需要與後續營收、毛利率和現金流量交叉驗證。3

事件追蹤只記錄已經發生的公告、財報、產品釋出或合作，不把市場傳聞寫成確定事實。9 10

14. 追蹤指標

指標	為什麼重要	觀察方式
AI/雲端/訂閱營收	驗證商業化	財報分部、ARR、管理層揭露 1
毛利率	驗證 AI 成本能否被客戶支付	季度毛利率、雲端成本、服務成本 2
客戶與留存	驗證護城河	大客戶數量、淨留存、續費率 4
產品收費	區分功能增強與營收新增	AI SKU、訂閱包、用量計費 5
競爭價格	判斷獲利率風險	同業套餐、雲端價格、折扣 6
合規事件	影響公共/金融客戶	監管公告、資料安全政策 8

追蹤頻率：財報季更新硬數，重大產品和合作只作為線索；若沒有營收或現金流量驗證，不上調結論強度。9 10

15. 來源

來源：PKSHA IR：pkshatech.com/ir/
來源：PKSHA financial results：pkshatech.com/ir/library/results/
來源：PKSHA annual reports：pkshatech.com/ir/library/annual/
來源：PKSHA products：pkshatech.com/business/
來源：PKSHA AI SaaS：aisaas.pkshatech.com/
來源：Tokyo Stock Exchange 3993：www.jpx.co.jp/english/
來源：PKSHA news：pkshatech.com/news/
來源：Marketscreener PKSHA：www.marketscreener.com/quote/stock/PKSHA-TECHNOLOGY-INC-37892959/
來源：IR Bank 3993：irbank.net/E33391
來源：AnnualReports/Company docs：pkshatech.com/ir/

三步設好你的觀察臺

選 1-3 個想觀察的人或賽道

看一份樣張

設定一次異動告警

PKSHA Technology

1. 投資摘要

2. 產業鏈位置

3. AI相關營收拆解

4. 核心產品

5. 上下游

6. 同業與競爭格局

7. 護城河

8. 財務質量(趨勢表+杜邦+逐季)

8.1 趨勢表

8.2 杜邦拆解

8.3 逐季/半年度追蹤

9. 業績傳導

10. 經營拆分與反證架構

11. 風險

12. 常見誤讀糾偏

13. 最新事件(帶日期)

14. 追蹤指標

15. 來源

1. 投資摘要

2. 產業鏈位置

3. AI相關營收拆解

4. 核心產品

5. 上下游

6. 同業與競爭格局

7. 護城河

8. 財務質量(趨勢表+杜邦+逐季)

8.1 趨勢表

8.2 杜邦拆解

8.3 逐季/半年度追蹤

9. 業績傳導

10. 經營拆分與反證架構

11. 風險

12. 常見誤讀糾偏

13. 最新事件(帶日期)

14. 追蹤指標

15. 來源

相關推薦

同產業鏈 · 相關公司

相關概念