尽管在网络基础设施上投资了数十亿美元,许多电信公司仍在与低盈利能力作斗争,因为数据和语音等核心服务变得越来越商品化。
根据全球管理咨询公司凯尔尼的报告,电信公司可以通过分层化来打破这一循环——将其运营分为三个财务独立的层级。
这些层级包括:拥有基站和光纤管道等被动物理资产的基础设施公司(InfraCo);运营网络的网络公司(NetCo),包括路由器和核心处理设备;以及纯粹面向客户的服务公司(ServCo),负责销售、营销和产品打包。
凯尔尼合伙人兼报告联合作者佐罗瓦·辛格在接受采访时表示:"过去十年,电信行业从投资回报率角度来看非常困难。"
然而,通过分层化,电信公司的不同组成部分实现"运营独立和财务自给自足",辛格认为电信公司可以创建一个需要问责制和财务透明度的内部市场,从而可能推动利润并使其对投资者更有价值。
结束集团模式
如今大多数电信公司的运营方式像集团公司,各部门之间存在大量交叉补贴。这使得评估投资的真正价值变得困难。
辛格说:"很难理解在网络上花费的十亿美元是否真正影响了客户体验或覆盖范围,以及是否真正推动了回报。"
分层化强制各层级之间建立商业关系。服务公司像增值经销商一样,会根据客户的实际需求和支付意愿从网络公司购买网络能力。
辛格说:"服务公司会说,'嘿,我从你那里得到的这些服务,我可以在市场上销售。这些我不能。'这种透明度现在是不存在的。"
这避免了网络部门在客户可能不会重视到愿意支付溢价的技术改进(如超低延迟)上大量投资的情况。
辛格补充说:"你可以继续改进X,但如果它不能帮助我销售更多,你为什么要这样做?"他指出,分层化可能导致严苛的、商业驱动的辩论。
为了实现分层化,电信公司必须将网络功能不是作为广泛的服务,而是作为称为库存单位(SKU)的离散、模块化产品来处理。
例如,网络公司可能不是销售高端5G套餐,而是提供能力或SKU目录,如低延迟保证或特定应用的网络切片,每个都有自己的成本。然后服务公司会混合搭配这些SKU,为消费者和企业创建定制产品。
这将帮助电信公司更好地将5G服务货币化,其价值在于为从工业自动化到关键任务应急响应网络等应用提供特定的服务质量。此外,分层结构将允许更清晰的"价格发现",而不是猜测如何为服务定价,辛格说。
几家欧洲运营商已经接受了分层化。例如,捷克共和国的O2将其运营分为Cetin(向O2及其服务公司和其他第三方运营商提供批发网络SKU的网络公司)。此举有助于建立纪律性,并允许对所有依赖网络的产品进行准确的成本归属。
尽管有明显的好处,但分层化的道路是困难的。辛格指出,由于文化障碍和电信业务流程的运作方式,对组织结构的重大变革可能难以实施。与渐进式改进不同,分层化是一种需要完全承诺的转型。辛格补充说:"你要么做,要么不做。你不能采取小步骤。"
分层化还需要大量前期投资,包括改革传统的计费和支持系统(BSS)以处理基于模块化、基于SKU的目录,以及强烈的变革动力。辛格说:"没有外部催化剂,可能是私募股权公司或投资者的利润警告,公司走这条路的概率非常低。"
辛格说,分层化在政府严格监管的市场中更可能成功,他解释说在这些市场中,监管机构希望了解关键国家基础设施的运营情况,这正是网络公司有效提供的。但这也可能是一把双刃剑。他说:"你对监管机构越透明,他们就越可能监管你,所以这也是一个真正的风险。"
Q&A
Q1:电信公司分层化模式包括哪三个层级?
A:分层化模式包括三个财务独立的层级:基础设施公司(InfraCo),拥有基站和光纤管道等被动物理资产;网络公司(NetCo),运营网络设备如路由器和核心处理设备;服务公司(ServCo),纯粹面向客户,负责销售、营销和产品打包。
Q2:为什么传统电信公司模式难以评估投资价值?
A:传统电信公司像集团公司一样运营,各部门之间存在大量交叉补贴,这使得很难理解在网络上花费的资金是否真正影响了客户体验或覆盖范围,也难以评估是否真正推动了投资回报。
Q3:实施分层化模式面临哪些挑战?
A:分层化面临多重挑战:需要对组织结构进行重大变革,存在文化障碍;需要大量前期投资改革传统系统;需要外部催化剂如私募股权公司推动;在监管严格的市场中,透明度可能导致更多监管风险。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。