2026 年 Q2 財報季之後，美股軟體族群出現一個值得重新檢視的現象。部分公司開始用財報數字證明：SaaS(軟體即服務)可能不再只是應用程式，而正轉型成 AI Agent基礎設施，提供AI背後的資料、權限、安全、工作流程、開發與監控等基礎設施。
2026年9月27日FinTasticRS 的產業資料顯示，SaaS – Dev 的 RS Rank 高達達 91，SaaS-SCap RS Rank 76；IT Software 83；整體 SaaS 87，Cyber Security 79。相對動能強勁。
我認為 2026年6月 AI Hardware(人工智慧硬體)與半導體回檔後造成資金輪動是軟體股上漲的一部分原因，但 Q2 財報讓這波行情開始多了一個可以檢驗的基本面假設：部分 SaaS 正成為 Agent 必須依賴的中介基礎設施，而且部分公司已經看到實際使用量增長。搭配強勁的相對動能，投資人有必要重新評估如何配置轉型成功的SaaS族群。
什麼樣的SaaS才有資格稱為AI Agent基礎設施？
轉型成功的AI Agent基礎設施，應該符合以下四個門檻:
- 有真正的 Agent 產品或 Agent 可調用的平台能力。 不是單純在既有產品裡放一個AI功能。
- Agent 會增加公司的核心工作負載（Agent usage increases the company’s core workload）。例如數據查詢（data query）、安全事件（security event）、構件（artifact）、網絡流量（network traffic）、遙測數據（telemetry）。
- 財報開始看到相對應的營收、ARR、RPO、客戶量或使用量成長。
- 公司有機會降低人工智慧推論成本（AI inference cost），或讓使用量營收（usage revenue）的增長速度高於人工智慧算力成本（AI compute cost）。
SaaS創造的新價值：降低Token成本
AI Agent基礎設施不只是提供上下文資料(Context)，還可能幫企業降低 AI 的單位推論成本。大型模型每次執行工作，都需要讀取上下文資料(Context)。如果 Agent 不知道哪些資料真正重要，它可能反覆搜尋、讀取大量文件、呼叫多個工具，再把大量 Token 丟進昂貴模型。擁有企業資料結構的 SaaS 可以先做上下文定位 (Context Grounding)，只把相關資料送進模型。可提高推論結果，同時減少工作量。
Atlassian 提供目前最清楚的例子。公司在 FY26 Q4 shareholder letter 表示，Agent 使用 Teamwork Graph 後，內部 benchmark 顯示最高可得到 44% 較高回答準確率、48% 較少 Token 使用量；MCP Server 與 Teamwork Graph CLI 的 MAU 單季超過翻倍至 100 萬以上，MCP calls 增加超過 400%，透過 MCP 建立的 Jira work items 與 Confluence pages 約為前季 4 倍。雖然這些僅屬於管理層口徑與公司內部測試，但至少已形成可以逐季追蹤的 operational KPI。
另一個降低 Token 成本的方法是 Model-neutral(模型中立)。
企業不需要每一個工作都使用最昂貴的前沿模型 (Frontier Model)。簡單分類可以使用便宜模型，只有複雜推理才需要高成本模型。SaaS 平台若掌握工作負荷(workload)與上下文管理(context)，就可以做動態模型路由 (Dynamic Model Routing)，自動在不同模型之間做成本、速度與品質最佳化。這也是 Snowflake、Atlassian 等平台未來可能產生的新價值：不是和 OpenAI、Anthropic、Google 比誰的模型最好，而是替企業決定哪個模型最適合這個任務。
AI Agent 基礎設施的經濟模型仍處於快速演化階段，評估其可行性絕不能僅著眼於 Token 的節省，關鍵在於 SaaS 公司投入龐大 AI 算力後，使用量營收（Usage Revenue）的增長速度能否實質超越 AI 算力成本（AI Compute Cost）的膨脹。若終端採用率迅速拉升，但算力支出增幅失控，毛利率的持續受壓甚至下滑（如同 Snowflake 近期財報所揭示的警訊），便意味著 AI 雖能帶動頂層營收擴張，卻尚未轉化為健康的底層經濟價值與獲利能力。
SNOW：企業資料層正在變成AI Agent的Context與模型路由中心
Snowflake 的核心服務是雲端資料平台(Cloud Data Platform)。企業把銷售、客戶、財務、供應鏈、產品與營運資料集中到 Snowflake，再進行儲存、查詢、分析與資料治理(Data Governance)。到了 AI Agent 時代，這個位置變得更重要：Agent 若要替企業完成真正的工作，首先必須取得正確的企業上下文(Context)，同時遵守資料權限、治理與安全規則。Snowflake 因此有機會從「資料倉儲」進一步變成 企業 AI 的資料與上下文控制層(Data & Context Control Plane)。
第二個價值是模型中立(Model-neutral)。Snowflake 的 Cortex AI Gateway 可以讓企業在不同大型語言模型(LLM)之間進行模型路由(Model Routing)，依任務複雜度、速度與成本選擇不同模型。這讓 Snowflake 不一定需要自己擁有最好的基礎模型，而是扮演「企業資料＋模型調度」平台。如果 Agent 必須先經過 Snowflake 取得資料，再由 Snowflake 決定該使用哪個模型，Snowflake 就不只是資料庫，而是 Agent 執行鏈上的中介基礎設施。
最新 Q2 FY27 開始提供財務證據。產品營收(Product Revenue)約 14.9 億美元、年增 37%，剩餘履約義務(RPO)約 90 億美元、年增 30%；公司將 FY27 產品營收指引從 58.4 億美元上調至約 60.7 億美元、年增 36%。管理層表示，AI 約貢獻近期成長加速的一半；CoCo 與 CoWork 的使用帳戶分別超過 9,100 與 5,800 家。後面這些屬於管理層自行揭露的 AI 使用量指標，不能直接等同於經審計的 AI 營收，但至少已建立「AI 使用增加 → 平台用量增加 → 產品營收加速」的初步證據鏈。
不過 Snowflake 也同時揭露 Agent 經濟模型最大的風險：AI 增加營收，但目前正在稀釋毛利率。 公司把 FY27 非一般公認會計原則產品毛利率(Non-GAAP Product Gross Margin)指引從 75% 下修至 74%，Q2 調整後產品毛利率約 74.7%，低於去年同期約 76.4%。管理層表示，快速增加的 AI 工作負載(AI Workload)目前貢獻毛利率較低。
因此 SNOW 接下來真正值得追蹤的已不只是 AI 使用量，而是：
AI 使用量增加 → 產品營收加速 → AI 單位成本下降 → 毛利率重新穩定。
只有走完整條鏈，Agent Infrastructure 才真正具有高品質的經濟價值。
TEAM：把Jira與Confluence的企業Context轉成Agent可以直接使用的知識圖譜
Atlassian 的主要 SaaS 產品 Jira 與 Confluence 分別管理工作任務與企業知識。對傳統使用者來說，它們是專案管理(Project Management)與知識管理(Knowledge Management)工具；但經過多年使用後，Atlassian 實際累積的是企業內部「什麼工作由誰負責、哪些文件與哪些專案有關、某項決策為什麼形成」的龐大關聯資料。
這就是 TEAM 在 AI Agent 時代最重要的資產：企業上下文(Context)。
Atlassian 正透過 Teamwork Graph(團隊工作知識圖譜)把 Jira、Confluence 與其他應用程式裡的任務、人員、文件與權限關係結構化，再讓 Rovo 與外部 Agent 透過模型上下文協定(MCP)調用。Agent 不必每次重新搜尋整間公司的資料，而可以直接取得與工作相關的 Context。這不只是提高回答品質，也有機會降低大型模型不必要的 Token 消耗。
Atlassian FY26 Q4 財報顯示，營收 18 億美元、年增 28%，雲端營收(Cloud Revenue) 12 億美元、年增 31%，訂閱年度經常性收入(Subscription ARR) 66 億美元、年增 23%，剩餘履約義務(RPO) 48 億美元、年增 44%。
Agent 使用量的成長更值得注意。公司揭露：
- Rovo 輔助動作(Rovo Assisted Actions)季增超過 50%
- 模型上下文協定月活躍使用者(MCP MAU)突破 100 萬、單季超過翻倍
- 模型上下文協定呼叫量(MCP Calls)增加超過 400%
- 透過 MCP 建立的 Jira 工作項目與 Confluence 頁面約為前季 4 倍
- 使用 Rovo 的客戶，其年度經常性收入(ARR)成長速度超過未使用客戶 2 倍
Atlassian 內部基準測試(Internal Benchmark)還顯示，使用 Teamwork Graph 進行上下文定位(Context Grounding)後，回答準確率最高提升 44%，Token 使用量最高降低 48%。必須注意，這兩項屬於公司自行進行的內部測試，尚非第三方獨立驗證。
即使如此，TEAM 仍是目前少數已經開始提供「Context → Agent 使用量 → 客戶擴張」完整證據的 SaaS。它未來真正的商業模式可能不再只是賣 Jira 帳號，而是成為人類員工與 AI Agent 共用的工作協調層(Coordination Layer)。workload 無法重現；或企業 Agent 直接透過 Microsoft、Google、Anthropic orchestration layer 繞過 Jira，TEAM 的 Context premium 就會被削弱。
CRWD、PANW、OKTA：Agent Security是最早被價格驗證的軟體主題
Cyber Security 是這輪軟體族群中最早突破長期均線並轉強的類別之一。現在 FinTasticRS 顯示 Cyber Security RS Rank 79，結構比較像先領漲、現在整理。基本面上，CRWD、PANW、OKTA 的共同論點很簡單：Agent 多一個，就多一個需要管理的身份、權限與攻擊面。
CRWD：從Endpoint Security走向AI Agent的安全與身分控制層
CrowdStrike 的核心產品 Falcon 原本以端點安全(Endpoint Security)為核心，透過雲端平台蒐集裝置、工作負載、身分與威脅遙測(Security Telemetry)，再提供偵測、回應、雲端安全與身分保護等功能。企業導入 AI Agent 後，安全邊界不再只有員工、電腦與伺服器，而開始增加大量非人類身分(Non-human Identity)、API、Agent 與自動化工作流程。
因此 CrowdStrike 的 Agent Infrastructure 價值很直觀：每增加一個能自行採取行動的 Agent，就多一個需要被驗證、監控、授權與偵測異常行為的新攻擊面(Attack Surface)。
公司也開始推出 AI 偵測與回應(AI Detection and Response，AIDR)、AI Agent 持續身分保護(Continuous Identity for AI Agents)等功能，把 Falcon 從傳統端點安全平台延伸到 Agent Security。
Q2 FY27 財報開始提供非常強的需求證據。營收 14.7 億美元、年增 26%，期末年度經常性收入(Ending ARR) 58.4 億美元、年增 25%，新增年度經常性收入(Net New ARR) 3.33 億美元、年增 51%。Falcon Flex ARR 超過 22.9 億美元、年增 101%。
更值得注意的是，公司在投資人資料中揭露 AI 偵測與回應(AIDR)期末 ARR 季增接近三倍。這項數字屬於管理層自行分類的產品 KPI，並非獨立財務報表科目，因此解讀要比公司整體 ARR 更保守；但它至少證明 AI Security 已經開始從產品故事進入可量化訂閱收入。
其中最重要的公司層級訊號仍是：新增 ARR +51% > 總 ARR +25% > 營收 +26%。
這代表近期新增訂單動能明顯高於既有營收成長，是目前 Agent Security 公司中最強的前瞻性訊號之一。
代價是估值。CRWD 的企業價值／未來十二個月營收(EV/NTM Revenue)已達 32.5 倍，未來十二個月營收成長率(NTM Revenue Growth)約 23%，成長調整 EV/Sales 約 1.41。基本面證據很強，但市場也已經替這個故事支付非常高的價格。
PANW：從防火牆公司轉向企業AI的Security Control Plane
Palo Alto Networks 最早以網路防火牆(Network Firewall)聞名，但近年的核心策略已經轉向平台化，把 Network Security、Cloud Security、Security Operations 與 Identity 等功能整合到同一套安全架構。
在 AI Agent 世界裡，這種平台位置比單一資安工具更重要。Agent 可能橫跨雲端、企業內網、應用程式、API 與身分系統執行工作，因此安全政策不能只存在於某一台防火牆或單一 Endpoint，而需要一個統一的安全控制平面(Security Control Plane)，管理「誰可以做什麼、在哪裡執行、什麼行為異常」。
這就是 PANW 的 Agent Infrastructure 邏輯。AI 不只是新的安全產品，而是讓 Network、Cloud、Identity 與安全營運中心(SOC)之間的整合需求變高。
最新 FY26 Q4 顯示，公司單季新增接近 10 億美元新增下一代安全年度經常性收入(Net New NGS ARR)。管理層表示成長來自網路與 AI 安全(Network & AI Security)、Cortex 與 Idira 等平台，也表示 AI 正提高資安在資訊長(CIO)預算中的優先程度。這些「AI 帶動需求」的說法主要屬於管理層對需求來源的歸因，PANW 尚未像 CRWD 一樣拆出獨立 AI Security ARR。
因此 PANW 的財務證據目前比較適合解讀為：平台 ARR 很強＋AI 安全需求可能是其中一項推力。而不是直接把全部 NGS ARR 增長歸因於 Agent。
估值上則比 CRWD 相對合理。附件顯示 PANW 的企業價值／未來十二個月營收(EV/NTM Revenue)約 19.5 倍，未來十二個月營收成長約 28%，成長調整 EV/Sales 約 0.70。這使 PANW 在高品質資安平台裡形成一個比較平衡的組合：AI 歸因沒有 CRWD 清楚，但估值壓力也明顯較低。
OKTA：AI Agent也需要自己的身分證與權限
Okta 的核心 SaaS 是身分與存取管理(Identity and Access Management)。傳統上，它負責確認一名員工「是誰」、可以登入哪些系統、可以存取哪些資料。AI Agent 普及之後，同樣的問題會出現在機器身上：某個 Agent 是誰？它代表哪個員工或部門？可以使用哪些 API？可以讀哪些資料？能不能替使用者在另一個應用程式裡執行操作？因此 AI Agent 本身正在形成新一代機器身分(Machine Identity)，而 Okta 希望成為這些 Agent 的中央身分控制層(Identity Control Plane)。
公司已推出 AI Agent 專用 Okta(Okta for AI Agents)、Agent 單一登入(Agent SSO)及跨應用存取(Cross App Access，XAA)，目標是讓 Agent-to-App 與 App-to-App 的授權不再由每個應用程式各自處理，而是交由企業中央的身分供應商(Identity Provider)管理。公司表示，Cross App Access 已有數十家早期採用者(Early Adopters)，包括 Anthropic、Atlassian、Cloudflare、Cursor、Datadog、Slack 與 Zoom 等；這仍屬於產品採用口徑，而不是 AI Agent ARR。
Q2 FY27 營收 8.05 億美元、年增 11%，訂閱營收(Subscription Revenue) +12%，剩餘履約義務(RPO) 48.6 億美元、+17%，一年內剩餘履約義務(cRPO) 25.9 億美元、+14%。一般公認會計原則營業利益率(GAAP Operating Margin)則從去年同期 6% 提升至 13%。
目前 OKTA 最大的差別在於：Agent Infrastructure 的產品位置已經成立，但 Agent 本身還沒有獨立財務變現(Monetization)證據。
所以它更像下一階段的驗證標的。若未來公司開始揭露 Agent ARR、Agent ACV 或 AI Identity 帶來的大型客戶擴張，市場才有更充分理由把這個新身分市場加入估值模型。
FROG：AI Coding Agent寫得越快，Software Supply Chain越重要
JFrog 的核心 SaaS 並不是寫程式，而是管理軟體開發後面的軟體供應鏈(Software Supply Chain)。開發者寫完程式之後會產生套件(Package)、二進位檔(Binary)、容器(Container)、模型(Model)與其他軟體成品(Artifact)，這些資產必須被儲存、版本管理、安全掃描、驗證並部署到正式環境。
AI Coding Agent 讓開發速度提高後，一家公司可能在相同時間內產生更多程式碼與更多 Artifact。AI Coding 因此不一定降低 JFrog 的價值，反而可能擴大企業需要治理與保護的軟體供應鏈工作量。
這就是 FROG 成為 Agent Infrastructure「鏟子股(Picks-and-shovels)」的原因。公司已把 JFrog plugin 接入 Claude Code，也提供 Cursor Coding Agent plugin，讓 AI Agent 產生的軟體成品直接進入 JFrog 的管理、安全與發布流程。
Q2 財報提供了相當強的支持：營收 1.638 億美元、年增 29%，雲端營收(Cloud Revenue) 8,750 萬美元、年增 53%，剩餘履約義務(RPO) 6.59 億美元、年增 38%，淨美元留存率(NDR)提升至 121%。年度經常性收入超過 100 萬美元的客戶($1M+ ARR Customers)由 61 家增加至 97 家，年增 59%。
公司同時表示相關安全解決方案已接觸超過 100 萬名 AI developers。這屬於管理層產品觸及口徑，不應理解成 100 萬付費客戶；真正值得重視的仍是 Cloud +53%、RPO +38%、NDR 回升以及大型客戶數量快速增加。
這些數字至少開始支持：AI Coding 增加工作量 → 雲端軟體供應鏈使用增加 → 客戶擴張與訂單增加。
FROG EV/NTM Revenue 約 14.8 倍，NTM Revenue Growth 約 17%，成長調整 EV/Sales 約 0.87。估值已不便宜，但相較 CRWD、NET 仍沒有進入最極端區域。
DDOG：AI Agent每執行一次任務，都會產生需要監控的Telemetry
Datadog 的核心服務是雲端可觀測性(Cloud Observability)。企業透過 Datadog 收集日誌(Logs)、指標(Metrics)、追蹤資料(Traces)、錯誤、網路活動與應用程式效能，確認複雜的雲端系統到底正在發生什麼事情。
AI Agent 普及之後，這項能力反而更重要。傳統軟體出錯時，人類通常知道自己做了什麼；Agent 則可能自主呼叫十幾個工具、存取多個系統並執行大量 API。企業因此需要知道：Agent 做了什麼？用了哪個模型？呼叫哪些工具？花多少 Token？在哪一步出錯？延遲多久？這些本質上全部是新的遙測資料(Telemetry)。
所以 DDOG 的 Agent Infrastructure 邏輯非常直接：Agent 越多 → Logs、Traces、Metrics、Token Usage、Tool Calls 越多 → Observability Workload 越大。
Datadog 也開始推出 Bits Code、Bits Chat 與 Bits Agent Builder，把原本監控人類建立的應用程式，延伸到監控與建立 Agent。
Q2 營收 11.2 億美元、年增 36%；年度經常性收入超過 10 萬美元的客戶($100K+ ARR Customers)約 4,720 家，去年同期約 3,850 家，增幅約 23%。營業現金流(Operating Cash Flow)為 3.16 億美元，自由現金流(FCF)為 2.79 億美元。
目前最大的優點，是 Agent thesis 不需要預測誰會成為最終的 AI App 贏家。只要企業 AI 系統總量增加，可觀測性工作量就可能同步增加。
DDOG 的企業價值／未來十二個月營收(EV/NTM Revenue)約 14.9 倍，未來十二個月營收成長率約 24%，成長調整 EV/Sales 約 0.62，是高估值軟體名單裡相對較均衡的公司之一。
但這也是超大型雲端服務商(Hyperscaler)直接競爭最激烈的一層。AWS CloudWatch、Microsoft Azure 原生監控工具都正在加入 Agent tracing、Token usage 與 AI observability，所以 Datadog 真正的護城河必須來自跨雲、跨模型、跨應用程式的統一觀測能力，而不是單一 AI 功能。
NET：Cloudflare正在爭取Agentic Internet的流量與控制入口
Cloudflare 過去最容易被理解成內容傳遞網路(CDN)與網站安全公司，但現在實際業務已經橫跨全球網路(Network)、邊緣運算(Edge Compute)、開發者平台(Developer Platform)、零信任安全(Zero Trust)與應用程式安全。
AI Agent 大量出現後，網際網路流量本身可能發生結構性變化。過去主要是「人 → 網站」，未來會大量出現：Agent → API、Agent → Website、Agent → Database、Agent → Agent。
Cloudflare 的 Agent Infrastructure 機會在於，它原本就位於網際網路流量、運算與安全的交界處。若大量機器對機器流量(Machine-to-machine Traffic)經過 Cloudflare，公司的 Worker、Gateway、Security 與 Network Service 使用量就可能同步增加。
公司因此把自己定位為代理式網際網路(Agentic Internet)的基礎設施、控制、安全與開發平台。這是管理層的產品定位，不能直接當成財務成果；真正需要看的仍是流量是否轉化成付費客戶與訂單。
Q2 2026 營收 6.961 億美元、年增 36%，一年內剩餘履約義務(cRPO) 年增 35%，公司並表示付費客戶(Paying Customers)、大型客戶(Large Customers)與開發者(Developers)皆創新高。
這提供的初步證據是：Developer adoption 增加＋合約成長仍接近營收增速。
但市場已經提前給予非常大的溢價。附件顯示 NET 的企業價值／未來十二個月營收(EV/NTM Revenue)約 31.0 倍，未來十二個月營收成長約 29%，成長調整 EV/Sales 約 1.07。
所以 NET 是最典型的：Agent Infrastructure 故事合理，但估值已要求故事持續成立。
RBRK：AI Agent越能自主行動，企業越需要一個可以「Undo」的資料安全層
Rubrik 的核心服務是資料安全與資安韌性(Data Security & Cyber Resilience)。企業使用 Rubrik 備份重要資料、保護資料不被勒索軟體破壞，並在事故發生後快速復原。
到了 AI Agent 時代，這個功能出現新的用途。Agent 不只會讀資料，也可能修改、刪除、搬移或重新設定企業資料。如果一個 Agent 因錯誤 Prompt、權限設定或惡意攻擊做錯大量操作，企業需要的不只是阻止攻擊，還要能回答：
Agent 改了什麼？哪些資料受到影響？怎麼恢復到執行前狀態？
因此 Rubrik 正把既有的備份與資料復原能力延伸成 Agent action monitoring、guardrails 與 rollback。可以把它理解成 AI Agent 世界的企業級復原鍵(Enterprise Undo Button)。
公司已推出 Rubrik AI 與 Agent Cloud，但目前還沒有獨立揭露 Agent Cloud ARR，因此 Agent revenue 仍屬產品選擇權(Optionality)，尚未像 CRWD 一樣形成明確的產品收入證據。
不過 Q2 核心業務數字本身很強。營收 4.273 億美元、年增 38%，訂閱年度經常性收入(Subscription ARR) 16.6 億美元、年增 33%，新增訂閱 ARR(Net New Subscription ARR) +35%，Cloud ARR +39%。訂閱 ARR 超過 10 萬美元的客戶達 3,084 家、年增 23%。
因此 RBRK 現階段比較合理的論點是：核心 Data Security 已高速成長，而 Agent Cloud 提供額外 TAM。
附件顯示 RBRK 的企業價值／未來十二個月營收(EV/NTM Revenue)約 10.2 倍、未來十二個月營收成長約 20%，成長調整 EV/Sales 約 0.51，是附件高估值 Top 10 中相對最低。
這使 RBRK 與 CRWD 形成很好的對照：CRWD 的 AI ARR 證據更強，但市場支付的估值也高得多；RBRK 的 Agent monetization 較早期，但估值容錯率相對高。
PLTR：從企業資料分析平台進一步變成Agent的決策與Execution Layer
Palantir 和一般 SaaS 最大的差別，是它從一開始就不只提供單一應用程式。Palantir Foundry 把企業不同資料來源整合起來，再透過 Ontology(企業語意本體)描述「人、機器、客戶、訂單、產品、工廠」之間的關係，讓軟體理解企業真實世界的運作方式。
到了 AI Agent 時代，Ontology 的價值進一步提升。大型語言模型知道很多公開知識，但通常不知道企業內部「這個客戶與哪張訂單有關」、「這座工廠的機器能不能停機」、「哪位員工有權批准這個動作」。
Palantir 的人工智慧平台(AIP)把大型語言模型接到這套企業資料與權限架構，再讓 Agent 執行實際工作流程。因此 PLTR 比多數 SaaS 更接近完整的：
企業上下文(Context)＋權限(Permission)＋決策(Decision)＋執行(Execution)平台。
這也是它被視為 Agent Infrastructure 最完整案例之一的原因。它並不是單純讓 Agent 查資料，而是希望讓企業 Agent 在受控環境裡直接執行業務。
最新基本面也支持市場的高期待。公司商業業務、AIP adoption 與大型合約延續非常強的成長動能，這使 Palantir 在附件中的未來十二個月營收成長率高達 63%。
但市場也已經充分反映這種稀缺性。附件顯示 PLTR 的企業價值／未來十二個月營收(EV/NTM Revenue)高達 42.7 倍，是整份名單最高。
若用本文的成長調整 EV/Sales 指標計算：42.7 ÷ 63 ≈ 0.68。
這代表若單純以「每一單位營收成長支付多少估值」比較，PLTR 並沒有 42.7 倍 headline multiple 看起來那麼誇張，甚至接近 SNOW、PANW。
但兩種說法可以同時成立：成長調整後估值並非最昂貴；絕對估值依然極高。
所以 PLTR 是這批公司裡最典型的高預期股票：Agent Infrastructure 架構非常完整，但股票要繼續上漲，需要公司長時間維持非常高的成長與營運槓桿。
競爭格局：SaaS真正最大的敵人可能不是彼此，而是Hyperscaler
Agent Infrastructure 最容易被忽略的風險，是大家都在搶同一個「中介層」。AWS Bedrock AgentCore 已經提供 Runtime、Gateway、Identity、Memory、Policy 與 Observability；CloudWatch 可以直接監控 traces、logs、token usage、latency 與 errors。
Microsoft Foundry Agent Service 也提供 managed runtime、Entra Agent ID、built-in memory、toolbox、MCP、observability 與 policy enforcement。
Google Gemini Enterprise Agent Platform 則已推出 Agent Runtime 與 Agent Identity 等能力。
這意味著今天被我們稱為「Agent Infrastructure」的很多 SaaS，其實正在與 AWS、Microsoft、Google 爭奪相同的控制層。
競爭可以分成四層：
| 中介層 | SaaS代表 | Hyperscaler直接競爭 |
|---|---|---|
| Identity | OKTA、CRWD | Microsoft Entra Agent ID、AWS AgentCore Identity |
| Observability | DDOG | CloudWatch、Azure Application Insights |
| Agent Runtime / Gateway | NET、SNOW部分能力 | AWS AgentCore、Microsoft Foundry、Google Gemini Agent Platform |
| Data / Context | SNOW、TEAM | BigQuery、Fabric、Vertex AI、Microsoft 365 Graph |
真正的護城河不能只是「我也有 Agent 平台」。而要是：我的資料、workflow、ecosystem 與客戶行為，是 hyperscaler 很難重新建立的。
TEAM 的 Teamwork Graph、SNOW 的 enterprise data footprint、CRWD 的 security telemetry、FROG 的 artifact graph，才是比較具有差異化的部分。
前沿模型公司同樣可能向下吃掉中介層
第二個替代風險來自 Anthropic、OpenAI、Google 等 Frontier Model Company(前沿模型公司)。MCP 這類 open protocol(開放協定)其實是雙面刃。對 SaaS 而言，它讓 Claude、ChatGPT、Cursor 等 Agent 更容易調用自己的 Context 與 Workflow，是分發利多。
但同一個標準也降低了切換成本。
如果企業未來主要入口變成 Claude、ChatGPT 或 Gemini，SaaS 有可能從「使用者入口」變成後端 API provider。這不一定不好，但會改變定價權。
因此最重要的問題變成：當模型層掌握使用者入口時，中介 SaaS 還能保留多少經濟價值？如果答案只是「提供資料 API」，估值應該下降。如果答案是「我控制不可替代的 permission、workflow、audit、proprietary context」，估值才有資格維持高位。
AI Agent 基礎設施股排名
如果同時考慮：Agent 財報證據、成長、估值、毛利率風險、競爭與 Falsification Risk(證偽風險)，以下是我心目中的排名：
| 排名 | 股票 | 判斷 |
|---|---|---|
| 1 | SNOW | AI consumption已進入營收，但需監控74% gross margin |
| 2 | DDOG | workload邏輯強、成長快、估值調整後合理 |
| 3 | FROG | supply-chain picks-and-shovels，Cloud/RPO證據佳 |
| 4 | TEAM | Context/Token evidence最強，但估值資料需另補 |
| 5 | RBRK | Agent monetization未完全證明，但風險調整估值較佳 |
| 6 | CRWD | 基本面證據極強，但32.5x EV/Sales已支付巨大溢價 |
| 7 | PANW | 平台＋FCF優秀，但organic AI attribution較難拆 |
| 8 | NET | Agentic Internet機會大，但31x Revenue安全邊際低 |
| 9 | OKTA | Identity位置正確，等待Agent ARR證明 |
| 10 | PLTR | business momentum最強之一，但valuation容錯率最低 |
這個排名不是固定答案。真正重要的是每季重新更新：證據強度有沒有增加？估值有沒有變便宜？競爭風險有沒有升高？
結論：Q2證明「AI Agent 基礎設施股值得重新研究」
這輪 SaaS 行情最值得注意的，是 Q2 財報第一次同時出現幾種可以追蹤的商業模式證據：TEAM 的企業上下文(Context)可能降低權杖(Token)使用量；SNOW 的模型中立(Model-neutral)與 AI 工作負載(AI Workload)開始推升平台使用量(Consumption)，但也帶來毛利率(Gross Margin)壓力；CRWD 的代理人安全(Agent Security)開始反映在年度經常性收入(ARR)；FROG 受惠於 AI 程式開發(AI Coding)增加軟體供應鏈(Software Supply Chain)工作量；DDOG 則受惠於 AI 系統增加可觀測性(Observability)需求。
這些證據都比單純「推出 AI 功能」更有意義，但現在仍不足以直接下結論：SaaS 已完成代理人基礎設施(Agent Infrastructure)的結構性重新估值(Re-rating)。 我會要求至少再觀察 2–3 季，確認下面這條鏈持續成立：
代理人使用量(Agent Usage) ↑ → ARR / RPO ↑ → 營收成長(Revenue Growth) ↑ → EPS / FCF 預估上修 ↑
同時還要驗證另一條更重要的線：AI 營收(AI Revenue) ↑ → 毛利率(Gross Margin)不惡化，甚至改善。
如果只有使用量與營收成長，卻沒有毛利率與自由現金流(FCF)改善，這可能只是「高成本的 AI 營收」。更何況這些中介層 SaaS 還要面對超大型雲端服務商(Hyperscaler)與前沿模型公司(Frontier Model Company)往下競爭。因此，真正值得長期高估值的公司，不會只是「能讓 Agent 使用」，而是：
Agent 必須使用它；使用越多，公司的單位經濟效益越好；同時 AWS、Microsoft、Google 或模型公司又很難取代。
所以現階段，我更願意把 Q2 財報解讀為：代理人基礎設施(Agent Infrastructure)論點的第一輪實證，而不是最終答案。對波段交易來說，仍然是那句話：上漲看動能。市場已經先投票。接下來真正決定這批軟體能不能守住 15 倍、20 倍，甚至 30 倍營收倍數(Revenue Multiple)的，不會是下一場 AI 發表會，而是下一季開始的 ARR、RPO、毛利率(Gross Margin)與自由現金流(FCF)。
重點關鍵字與專有名詞
- Agent Infrastructure(代理人基礎設施)： AI Agent 執行工作時必須依賴的資料、安全、身份、權限、網路、監控與工作流程。
- Model-neutral(模型中立)： 不綁定單一 AI 模型，可以依工作需求選擇不同模型。
- Model Routing(模型路由)： 根據成本、品質、速度與任務難度自動選擇 AI 模型。
- Token(模型計算單位)： LLM 處理輸入與輸出的基本計量單位，通常也直接影響 inference cost。
- Context Grounding(上下文定位)： 先提供與任務高度相關的資料，減少模型不必要的搜尋與推理。
- ARR(年度經常性收入)： Annual Recurring Revenue，訂閱收入換算成一年的經常性收入。
- Net New ARR(新增年度經常性收入)： 一季新增的 ARR，可用來觀察最新訂單動能。
- RPO(剩餘履約義務)： 已簽約、尚未認列的合約收入。
- cRPO(一年內剩餘履約義務)： 預計未來十二個月認列的 RPO。
- Gross Margin(毛利率)： 營收扣除直接提供產品或服務成本後的利潤率；AI inference cost 上升可能壓低毛利率。
- Growth-adjusted EV/Sales(成長調整EV/Sales)： 本文用 EV/NTM Revenue 除以 NTM Revenue Growth，作為類 PEG 的軟體股相對估值比較工具，並非標準會計或華爾街通用指標。
- Falsification Criteria(證偽條件)： 預先定義哪些未來數據出現時，代表目前投資論點可能錯誤。
- Hyperscaler(超大型雲端服務商)： AWS、Microsoft Azure、Google Cloud 等大型雲端平台。
- Frontier Model(前沿模型)： OpenAI、Anthropic、Google 等公司最先進的大型 AI 模型。
- Observability(可觀測性)： 透過 Logs、Metrics、Traces 等資訊監控系統與 Agent 的執行情況。
- RS Rank(相對強度排名)： 衡量股票或族群價格相對市場表現的動能指標；本文章只用它判斷市場行為，不把它視為基本面證據。
