油服AI红利延后至2028年，降本增效仍是主线

概览

这篇研报探讨了人工智能在油气服务行业的应用现状与前景。伯恩斯坦修正了此前关于行业数字化追赶时间的判断，认为受地缘政治优先级变化影响，AI的全面普及将推迟至2028-2029年。尽管如此，研报强调AI仍是行业长期的重要驱动力，其价值主要体现在运营成本优化上。通过对五家代表性公司的样本分析，报告量化了AI对EBITDA的潜在提振作用，并指出SLB、Viridien和Technip Energies是这一趋势下的核心受益者。

核心观点

AI落地时间表推迟，但长期价值逻辑未变。研报指出，自2026年3月以来，随着中东冲突加剧，各国政府及油服公司CEO的关注点转向供应安全与基础设施多元化，导致数字化不再是首要议题。因此，行业AI应用的“追赶期”从此前的2026-2027年预期延后至2028-2029年。然而，这并不改变AI作为生产力工具的长期价值，Amara定律（短期高估、长期低估）在此处可能不适用，因为行业起步已非常晚，且实际需求迫切。 AI的经济价值以“降本”为主，“增收”为辅。目前全球油服行业的AI机会约为56亿美元/年，其中82%（约46亿美元）来自成本优化，仅18%（约10亿美元）来自新增收入。这一结构在未来五年市场扩容至170亿美元时仍将保持。具体而言，油田服务公司（OFS）如SLB和Viridien既能通过AI降低成本，也能通过提高采收率等方式创造新收入；而工程建造公司（E&C）如Technip Energies则几乎完全依赖内部成本优化，难以直接通过AI获得额外营收。 细分标的受益程度存在显著差异。在选取的五家公司样本中，AI预计将为整个行业带来约1.7%的增量EBITDA利润率。其中，SLB凭借领先的数字生态系统和Agentic AI工具Tela，预计EBITDA利润率可提升1.9个百分点；Viridien通过AI强化地球科学解释能力，利润率有望提升1.5个百分点。值得注意的是Technip Energies呈现“E&C悖论”：虽然AI不为其带来新增收入，但由于其初始EBITDA利润率较低（约10%），同等幅度的成本削减（1.5%）能转化为高达13.5%的EBITDA增幅，使其成为利润弹性最大的赢家之一。

分析框架

研报采用了“供给侧优先”的分析框架，认为相比波动剧烈的需求端，供给端的结构性约束（如数据孤岛、遗留系统、独家准入权）更能决定AI落地的节奏与价值分配。机构构建了一个包含五家代表性公司的样本池（覆盖OFS与E&C两大子板块），通过将AI影响拆解为“收入增量”与“成本减量”两个维度，分别测算其对标准化EBITDA的边际贡献。 此外，研报运用了分层架构模型来解构领先企业的数字化能力。以SLB为例，将其数字战略具象化为“数字城市”六层模型（从底层运营到顶层认知层），以此评估其技术护城河是否足以支撑估值溢价。对于Viridien，则重点分析其商业模式从“算力消耗计费”向“结果付费（Outcome-as-a-Service）”转型的可行性，以此判断其能否突破传统油服周期限制。

方法论与常识提炼

• 行业/产业分析框架供需框架

  供给侧分析法

  研报明确提出在分析AI对油服行业影响时‘更倾向于关注供给侧’，因为需求易变而供给（如基础设施、数据资产、准入壁垒）在短期内相对固定。这种方法帮助投资者识别那些拥有不可替代数据资产或独占性资源的赢家，而非仅仅追逐AI概念本身。

• 公司基本面与财务框架经营/财务杠杆分析

  E&C悖论（低利润率公司的成本杠杆）

  指在利润率较低的工程建造（E&C）公司中，即使AI不能带来收入增长，仅凭小幅度的运营成本降低也能撬动巨大的EBITDA增幅。这一常识提醒投资者，在评估AI价值时不应只看‘AI创收’故事，低利润率公司的‘AI降本’往往具有更高的业绩弹性。

• 事件博弈与行为金融预期差/预期管理

  Amara定律在垂直行业的适用性检验

  Amara定律通常指人们倾向于短期高估技术影响、长期低估。研报反向论证该定律可能不适用于油服行业，因为该行业数字化起步极晚且现实痛点明确，不存在‘过度炒作’阶段。这提示投资者在该领域不必过分担心泡沫破裂，反而应警惕因短期挫折而过早离场。

• 估值方法SOTP 分部估值

  Viridien的分部加总估值法

  针对业务多元的公司，研报将其拆分为数据库、设备、地球科学三个独立部分分别估值，再扣除总部成本和净债务。这种方法避免了单一倍数掩盖高增长AI/HPC业务价值的缺陷，适用于评估正在转型的传统技术服务公司。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• SLB (SLB)

  行业数字化领导者，拥有最完整的AI生态系统

  优势

  六层数字城市架构成熟；Agentic AI工具Tela已商用；与NVIDIA深度合作建设AI工厂；中东市场份额高

  劣势

  国际及海上市场敞口大，易受地缘政治冲击；向新能源转型存在执行不确定性

  对比

  相比同行，SLB是唯一能将AI同时转化为收入和成本优势的公司，数字业务规模远超对手

  风险

  油价下跌导致离岸资本开支缩减；数字化转型未能维持原有利润率水平

• Viridien (VIRI.FP)

  地球科学AI应用先锋，HPC算力潜在跨界者

  优势

  AI增强地震解释效率；专有算法支持结果付费模式；资产负债表改善中

  劣势

  与油价及宏观高度相关；历史上资产负债表较弱，利率上升增加财务成本

  对比

  在纯地震数据处理领域AI应用比综合油服商更深，但缺乏SLB的全产业链协同

  风险

  油价大幅波动；财务重组风险；利率不对称风险

• Technip Energies (TE.FP)

  E&C板块AI降本弹性最大标的

  优势

  数字加速计划（DAP）已启动55+项目；低利润率带来极高EBITDA弹性；LNG及能源转型布局

  劣势

  AI无法直接创造新收入；项目执行风险较高

  对比

  相比Tenaris等E&C同行，其数字化战略更聚焦于运营效率，利润修复空间更大

  风险

  霍尔木兹海峡封锁；通胀环境下执行成本超支；能源转型项目延期

• Tenaris (TEN.IM)

  管材制造商，AI主要用于内部提效

  优势

  全球化制造布局；受益于中东超级周期

  劣势

  AI增收潜力为零；定价权受限

  对比

  AI对EBITDA的提升幅度（+1.1%）低于SLB和Technip，更多依赖传统周期驱动

  风险

  美国反倾销措施；阿根廷政治风险；大股东与中小股东利益冲突

• Gaztransport & Technigaz (GTT.FP)

  LNG围护系统垄断者，AI受益有限

  优势

  极高的EBITDA利润率（~57%）；LNG船队存量基础庞大

  劣势

  AI对利润率提升仅0.9%，为样本中最低；业务模式特殊，AI应用场景窄

  对比

  相比其他标的，GTT更像稳健的现金牛，而非AI成长股

  风险

  LNG船订单取消；地缘政治风险；新业务拓展产生额外成本

关键数据

• 当前AI市场规模56亿美元/年其中成本优化占46亿美元（82%），新增收入占10亿美元（18%）
• 2030年AI市场规模预测约170亿美元未来5年增长约3倍，OFS占100亿，E&C占70亿
• 行业平均EBITDA利润率提升+1.7个百分点基于五家公司样本加权测算
• SLB数字业务增速预测10% CAGR (2026-2030)预计2030年收入达43亿美元，EBITDA利润率维持35%
• Technip Energies EBITDA弹性+13.5%源于1.5%的成本削减在低基数下的放大效应
• 油气行业IT支出占比1%远低于银行业（18%）和制造业（14%），显示数字化严重滞后

影响与含义

对于油气服务行业而言，AI不再是一个单纯的科技叙事，而是应对地缘政治风险和成本压力的生存工具。尽管短期内政府优先级转移导致数字化进程放缓，但这反而给了真正具备技术积淀的公司拉开差距的窗口期。对于投资者，这意味着应降低对AI概念股的短期爆发预期，转而关注那些能将AI转化为实实在在现金流和利润率改善的企业。特别是对于那些初始利润率较低的E&C公司，AI带来的边际改善可能被市场低估。同时，拥有专有数据和封闭生态系统的公司（如SLB）比单纯提供通用算力的厂商更具防御性和定价权。

风险

• 中东冲突持续导致数字化预算被安全支出挤占，AI落地进一步推迟
• 油价大幅下跌引发离岸资本开支削减，削弱AI投入意愿
• 数据碎片化与遗留系统集成困难导致AI项目陷入‘试点瘫痪’，无法规模化
• 生成式AI在关键任务中的准确性与安全性尚未得到充分验证，治理挑战严峻
• 部分公司资产负债表脆弱，高利率环境下难以支撑大规模技术投资

后续跟踪

• SLB数字业务季度收入增速及EBITDA利润率是否维持在35%以上
• Viridien HPC业务在非能源领域的商业化进展及Outcome-as-a-Service合同签署情况
• Technip Energies数字加速计划（DAP）的实际降本效果及2028年€1亿节省目标的达成进度
• 油气行业Agentic AI部署比例是否从当前的13%显著提升
• 中东地区政府对能源基础设施安全与数字化投资的优先级平衡变化