【主題專訪】AI正在淘汰軟體股？法人分析師教你找出下一批贏家 ft. Freddy Business & Research

財女珍妮 · 2026-09-28

重點

章節

AI浪潮下的軟體股投資新思維：從法人分析師視角拆解3M選股框架與估值重構

在AI技術顛覆傳統軟體產業的關鍵時刻，前凱基證券分析師Freddy分享了從2016年至今的美股軟體股研究心法。本文深入探討法人如何透過用戶指標拆解營收、追蹤法說會關鍵提問，並以Meta為例分析其從廣告變現到賣算力的第二成長曲線轉型。Freddy更提出獨創的3M分析框架（市場規模、市佔率、毛利率），並以Datadog為例示範如何評估AI時代下軟體股的競爭優勢與估值變化。

從券商分析師到資本市場策略顧問：美股軟體股研究的十年演進

Freddy在節目中回顧了他的職業生涯起點，當時台灣的賣方券商幾乎沒有專門研究美股的團隊。他提到，約莫十年前，台灣只有少數壽險公司設有海外投資研究部門，而他的工作就是協助這些機構投資人進行股票研究，扮演「紅隊」的角色去挑戰他們的投資論點。這種獨特的訓練背景，讓他從一開始就必須以買方的思維邏輯來思考問題，而非單純地撰寫研究報告。

Freddy的粉專「Freddy Business and Research」以及他目前從事的資本市場策略顧問工作，正是他過去在凱基證券近十年分析師經驗的延伸。他特別提到，2016年至2021年是美國軟體股研究與投資的一個重大轉折點，無論是在研究範疇、資產配置還是獲利表現上，都經歷了顯著的變化。這段時期正好見證了尖牙股（FANX）的崛起與軟體即服務（SaaS）商業模式的黃金年代。

對於為何一入行就專注於美國軟體股，Freddy解釋這是一個相當特別的機會。當時台灣市場對美股的研究需求正在萌芽，而他抓住了這個藍海市場，從協助機構投資人開始，逐步建立起自己對美國網路與軟體股的深入理解。這段經歷也為他日後發展出獨特的研究方法論奠定了基礎。

美股與台股研究方法的根本差異：從P×Q拆解到用戶指標分析

Freddy指出，研究美股軟體股與台股的最大差異在於營收拆解的方式。台股公司的營收幾乎都可以拆解成價格（P）與數量（Q），例如一個零件的單價乘以出貨數量。然而，美國軟體股，特別是回到2016年的時間點，情況完全不同。以Facebook為例，如果公司不提供日活躍用戶（DAU）等關鍵指標，投資人僅能看到營收成長的數字，卻無法像拆解台股那樣進行分析。

這種差異迫使分析師必須從「生活選股法」進化到更系統性的研究方式。Freddy回憶，早期台灣投資人研究美股的方式，多半是從自己日常使用的服務出發，例如使用Google搜尋、觀看Netflix等，再進一步查看這些公司的財務三表。但法人分析師的做法則更進一步，會將營收與獲利拆解成一個個零組件。以Facebook為例，分析師會利用公司提供的用戶資料，計算出平均每用戶貢獻營收（ARPU），再透過第三方調查了解廣告單價的趨勢，進而推估用戶成長與變現能力。

Freddy強調，過去十年台灣人看美股的習慣發生了巨大改變。像財報狗、財女珍妮等平台，都試著將法人研究的方法論融入一般投資人的分析流程中。這使得資訊落差大幅縮小，但真正的門檻在於思維邏輯與系統性的分析框架，而非單純的資訊取得。

法說會提問的藝術：從Meta的DAU飽和到ARPU提升的評估轉向

Freddy分享了一個法人分析師的關鍵工作：仔細聆聽法說會（Earnings Call）中外資分析師的提問。他指出，這些提問往往指向財務模型中的特定環節，而這些環節正是市場會放大解讀、進而影響股價的關鍵因素。分析師必須在法說會前就建立好財務模型，才能精準判斷每個提問背後的意涵。

以Meta為例，Freddy觀察到評估指標在過去十年間發生了顯著演變。早期市場關注的是DAU與MAU的成長，但當Meta幾乎將全球可觸及的用戶都納入平台後，焦點轉向了ARPU的提升幅度。投資人開始追問：這些用戶還有多少變現空間？ARPU能否支撐營收成長？Freddy解釋，ARPU就是平均每用戶貢獻營收（Average Revenue Per User），這個指標直接決定了公司在用戶成長飽和後的營運動能。

然而，近兩年市場的關注點又進一步轉向資本支出與AI發展。Freddy從投資者關係（IR）的角度分析，當公司缺乏第二條成長曲線時，管理層通常會將焦點轉向獲利能力，例如強調每股盈餘（EPS）成長與營業利益率的表現。但當資本支出持續增加，市場開始對「投資將改善毛利率」的說法感到厭煩，甚至質疑公司是否在浪費資源。這也促使Meta開始尋找廣告之外的新成長動能。

Meta的第二成長曲線：AI訂閱與賣算力的路線之爭

Freddy與主持人深入討論了Meta未來的兩條潛在成長路徑：AI訂閱服務與賣算力（類似CoreWeave或Navis的模式）。主持人提問，從毛利率角度來看，AI訂閱似乎能更快速地提升獲利能力，因為它不需要大量基礎建設；但從長期競爭優勢來看，賣算力可能更難被取代。

Freddy從IR與投資者的雙重角度進行分析。他認為，單純從利潤角度出發，AI訂閱確實是更理所當然的選擇。因為Meta擁有龐大的用戶基礎，客戶取得成本與維運成本都可以利用現有的基礎建設來分攤，這本質上是在現有用戶基礎上提高ARPU，與過去的廣告變現模式一脈相承。然而，賣算力這條路線則更為有趣。雖然賣算力的毛利率未必如AI訂閱般亮眼——以AWS為例，其營業利益率約在30%至40%之間，而Meta整體的營業利益率更高——但賣算力為Meta開闢了一條面向企業端的新路徑。

Freddy指出，這將改變Meta的估值結構。市場可能不再僅以廣告公司的角度來評估其價值，而是會加入企業軟體、特別是基礎建設軟體的估值框架。這類似於當初Google開始單獨披露Google Cloud業務時的效果，為公司估值帶來了重新評級（Re-rating）的機會。

法人選股的四個核心問題：從量化篩選到買方思維的融入

Freddy分享了他研究公司的基本SOP，以四個核心問題為出發點。第一個問題是：這間公司如何賺錢？也就是商業模式與競爭優勢的持續時間。第二個問題則是他與純基本面分析師的最大差異：市場現在相信什麼？反映了什麼？他強調，投資人必須清楚自己與市場之間的認知差異在哪裡，因為每個人都有自己的信念，而市場也有其集體想法。最後的問題是：什麼事情的發生會證明自己是對或錯？

在實際操作上，Freddy的第一步通常是量化篩選。他會先找出驅動市場或產業發展的關鍵因素，然後用量化的方式縮小研究範圍。「我不會到沒有魚的地方去抓魚，所以我會先去找那個池子。」這種方法論其實是他在券商工作後期，從買方投資人身上逆向工程學來的。他發現，真正操盤的基金經理人會將總體經濟與類股輪動放在個股研究之前，而券商分析師往往只專注於自己負責的產業，忽略了更宏觀的資產配置邏輯。

Freddy也點出了台灣投資機構的一個劣勢：研究資源不足。除了少數大型投信或避險基金能將操盤與研究分開，大部分投信經理人必須一人分飾兩角，既要操盤又要做研究，甚至下班後還得閱讀大量報告。因此，能夠提供決策參考價值的研究，對他們來說格外珍貴。

資訊落差已大幅縮小：從Bloomberg終端機到AI時代的投資研究民主化

Freddy回憶，早期在券商做研究時，整個研究部門可能只有一台Bloomberg終端機，分析師和研究助理必須一大早搶機器、搶使用額度，就像現在使用AI的Token限制一樣。但如今，隨著財報狗、財女珍妮等平台的興起，以及AI工具的普及，法人與一般投資人之間的資訊落差已大幅縮小。幾乎所有人都能拉到同一個平台，獲得大約80%相同的資訊。

Freddy認為，現在研究股票的最大門檻已經不是資訊取得，而是思維邏輯。投資人是否擁有一套完整的選股方式與分析框架，才是決定成敗的關鍵。他鼓勵投資人不要覺得找到好公司來投資是一件遙不可及的事，因為公開資訊的透明度已經與過去不可同日而語。即使是外資券商的報告，現在透過各種LINE群組或券商業務的免費服務，也相對容易取得。

主持人順勢將話題延伸到軟體股的現狀。過去幾年，雲端運算從基礎設施（IaaS）到平台（PaaS）再到軟體即服務（SaaS）的架構，與當前的AI發展路徑高度相似。然而，曾經最受追捧的輕資產SaaS公司，如今卻似乎成了AI浪潮下的最大受害者。Freddy被問及：軟體股是否真的會被AI殲滅？

軟體股的AI末日論與轉型契機：基礎建設軟體 vs. 應用軟體的分化

Freddy分析，軟體股近期的壓力主要來自兩個層面：估值重估與美國債券殖利率上升。對於成長快速但獲利尚未穩定的公司來說，這構成了雙重打擊。但他認為，市場氣氛在過去半年已開始轉變。雖然「AI全面毀滅軟體業」的想法在一年到一年半前仍相當盛行，但愈來愈多基礎建設軟體公司，如資安、資料庫管理、監控等領域的業者，其體質與獲利表現依然穩健。

Freddy明確表示，他個人較看好基礎建設軟體，例如Cloudflare這類公司，它們成功找到了與AI使用量接軌的商業模式，在毛利率未明顯下滑的情況下持續擴大規模。相對地，他較看淡應用軟體，例如Adobe。他解釋，Adobe的訂閱制商業模式在AI時代面臨挑戰，因為其服務與AI之間出現了替代關係，且商業模式無法幫助其從AI使用量的增長中獲益。

Freddy用一個生動的比喻來區分兩者：「離晶片更近的軟體，越不容易被拔掉。」基礎建設軟體就像企業IT架構中的中介層，如果將它移除，整個系統就無法順利運作。而應用軟體則不然，例如將Adobe拿掉，使用者改用Figma或其他工具，似乎也無不可。這種「可替代性」正是AI時代軟體股投資的關鍵評估因素。

3M分析框架實戰：以Datadog為例拆解市場規模、市佔率與毛利率

Freddy以Datadog為例，完整示範了他的3M分析流程。首先，他強調研究的第一步是用一句話描述公司的商業本質。Datadog的核心業務是監測企業的IT設備，當客戶部署的機器數量愈多、雲端使用量愈大，需要監控的項目就愈多，進而帶動其模組銷售與使用量增長。這種與客戶IT擴張掛鉤的商業模式，決定了其營收的可持續性。

進入3M分析後，第一個M是市場規模（Market Size）。Freddy不會只仰賴第三方數據，而是會進行基本概算，例如企業IT支出中可能花費多少在監控服務上，以及每單位使用量的定價。他會將自己的估算與第三方數據進行比較，並特別關注市場規模的成長率。如果Datadog所處的次產業成長速度高於整體軟體產業，這意味著競爭可能較低，公司有更多空間透過產品優勢拉開與對手的差距。

第二個M是市佔率（Market Share）。Freddy會參考Gartner或G2等第三方研調機構的競品分析，將Datadog與Dynatrace、Splunk等公司進行比較。他特別提到，如果投資人本身是業界人士，當發現市場的分類方式與自己的產業認知有差異時，這可能正是自己的優勢來源。第三個M是毛利率（Margin）。Freddy觀察到，Datadog的毛利率從兩年前第三季的約81%降至最新一季的80%以下，但這並非競爭加劇所致，而是AI驅動的成本增加。這反映了AI時代軟體公司面臨的新挑戰：連軟體廠商都必須開始將AI成本納入毛利率的討論中。

SaaS公司的非財務指標：ARR、淨留存率與DCF估值框架的關聯

主持人提問，在評估SaaS公司時，年度經常性營收（ARR）與美元淨留存率（NRR）等非財務指標是否也納入Freddy的評估體系。Freddy解釋，這些指標在他的框架中，主要用於處理估值中的「能見度」問題。他將DCF（現金流量折現法）作為整個課程架構的基礎，因為所有估值指標，無論是本益比、股價淨值比或股價營收比，最終都要回歸到企業未來自由現金流量的折現值。

Freddy進一步說明，ARR與NRR等指標影響的是DCF模型中的兩個關鍵參數：折現率與高成長年限。如果一家公司的NRR高達120%，這意味著即使不增加新客戶，公司也有20%的保底營收成長。這種高能見度讓分析師可以降低折現率的設定，或延長高成長期間的假設。Freddy強調，軟體公司的評價往往藏在遠期，因此這些與遠期現金流相關的非財務指標，實際上可能影響公司60%以上的內在價值。

主持人好奇為何Freddy的課程選擇以DCF為核心估值框架，而非實務上更常用的PS Ratio（股價營收比）。Freddy回應，雖然實務上不太可能對每家公司都進行完整的DCF計算，但DCF提供了一個思維框架，讓投資人理解當某個財務或非財務指標發生變化時，它會觸動估值模型中的哪個環節。例如，2022年的暴力升息主要影響的是折現率，而非基本面；而當前的AI成本上升，則是影響了長期的利潤率假設。

AI時代軟體股估值的典範轉移：從訂閱制到使用量定價的挑戰

Freddy坦言，AI時代的軟體股估值正面臨前所未有的挑戰。過去，分析師可以透過訂閱制的滲透率來推估營收成長的天花板，但現在，能夠存活的軟體公司必須與AI使用量掛鉤。這意味著營收的可預測性大幅降低，因為AI使用量的成長路徑遠比訂閱用戶數的增長更難估計。Freddy形容，這就像「短期會甩來甩去，每次估都會錯」。

他進一步指出，即使公司成功與AI使用量接軌，其競爭優勢的持續時間也難以像過去一樣精準預估。因為前沿模型實驗室（Frontier Model Labs）隨時可能推出新功能，對現有軟體公司造成威脅，就像過去Amazon宣布進軍藥局，藥局股價就應聲下跌一樣。Freddy誠實地表示，他目前也沒有一個標準答案，但可以確定的是，能夠精準評估競爭優勢的時間窗口正在縮短。

儘管如此，Freddy仍對軟體產業的長期前景抱持信心。他認為，AI技術最終必須被包裝成商品應用，才能進入企業端與消費者端。這正是軟體公司的核心價值所在。在實務估值上，Freddy傾向使用類似公司比較法，如本益比、股價營收比等，但強調必須根據產業特性進行調整，例如將股權激勵費用（SBC）從自由現金流中扣除，因為對軟體公司而言，SBC就相當於半導體廠的資本支出。

基本面好但股價不給力？檢查論述與催化劑的決策框架

主持人提出一個實務上常見的困境：當一家公司的基本面良好，但股價持續低迷時，投資人應該如何制定買進策略？Freddy認為，這時必須回到兩個關鍵檢查點。第一是重新審視基本論述是否仍然成立。例如，如果原本預估一家SaaS公司的長期毛利率為80%，但因為AI成本上升，遠期毛利率可能降至70%，這就是一個重大變化，必須重新評估其對估值的影響。

第二個檢查點是催化劑（Catalyst）。Freddy指出，如果投資人只有一個長期趨勢的信念，例如「軟體產業的成長總是快於整體IT支出」，這雖然可能是對的，但在一個三年左右的投資周期內，需要更具體的催化劑來加速或提升投資論述的品質。投資人必須盤點在可預見的範圍內，是否有任何事件可能觸發市場對該公司的重新評價。

Freddy將這個決策框架與他的課程設計連結起來。他的課程從量化篩選（QMB）開始，到3M框架的商業模式解析，再到財務偵探（包括SBC等項目的調整），最後才是投資論述、催化劑與估值。這個順序正是他從研究一家公司到做出投資決策的完整SOP，體現了一種自上而下（Top-Down）的研究角度。

從作業設計看分析師養成：動態調整與可複製的研究模式

主持人注意到Freddy的課程設計相當獨特，每兩週完成一則深度研究實戰，並好奇為何選擇雙週更新的模式。Freddy解釋，這其實是模擬他過去帶研究員的訓練流程。他會先讓研究員整理新聞，兩週後要求針對新聞進行評論，然後在晨會後坐下來討論：你看到了什麼？忽略了什麼？你的推測有沒有證據？這種循序漸進的方式，讓研究員的能力一層層疊加上去。

Freddy強調，他希望課程作業不是一個孤立的單元，而是一個連續的動態調整過程。學員在完成每次作業時，應該回顧並修改之前寫過的內容。他比喻，自己回顧2016年寫的第一份報告時，覺得「跟大便一樣」，但正是透過不斷的累積與修正，才能發現當初遺漏了什麼，並在未來做出調整。這種「新的東西加進來後，必須回頭檢視過去」的習慣，是分析師養成的核心。

Freddy透露，他在設計課程時，是從作業開始逆向思考的。他先設想最終的成果應該是一份可以直接拿去向基金經理人進行投資推薦（Pitch）的報告，然後再回推要完成這份報告需要哪些步驟，以及什麼樣的順序安排最能幫助學員達成目標。主持人總結，這堂課最特別的地方在於它不僅提供輸入，更強調輸出成果，讓學員能夠自我檢視進步，並將這套分析模式複製到其他公司上。

結論

在AI浪潮重塑軟體產業格局的當下，Freddy的分享為投資人提供了一套從法人視角出發的系統性分析框架。從理解商業本質、運用3M分析法評估競爭優勢，到結合DCF思維與類似公司比較法進行估值，這套方法論不僅適用於軟體股，更可延伸至其他產業。關鍵在於，投資人必須建立自己的思維邏輯與選股流程，而非僅依賴資訊的取得。當AI技術持續演進，那些能將技術包裝成商品應用、並與AI使用量成功掛鉤的軟體公司，將有機會在下一波競爭中脫穎而出。

相關個股