戴爾AI伺服器營收預估翻倍!「AI工廠」戰略如何推動2027年達500億美元?

一個數字震驚了所有人:曾被視為面臨轉型壓力的PC大廠戴爾(Dell),在短短兩年內,將其AI基礎設施業務從零打造至驚人的250億美元規模。這股強勁動能,不僅讓公司全年營收飆升至1,135億美元的歷史新高,更預示著AI時代的全新商業版圖正在成形。戴爾的轉型故事,無疑是傳統科技巨頭在人工智慧浪潮中,成功找到新航道的最佳寫照。

表象:AI伺服器訂單狂潮,營收屢創新高

戴爾財務長David Kennedy直言,過去12個月,公司在AI最佳化伺服器業務上展現出前所未有的強勁動能。光是第四季,AI伺服器訂單金額就高達340億美元,全年累計更是達到640億美元,而期末待出貨訂單(backlog)也累積了430億美元的驚人數字。更令人矚目的是,第四季AI伺服器營收年增率高達342%,一舉達到90億美元,其業務管線(pipeline)在接下來五季的展望,「從未如此高」的說法,無疑為市場注入一劑強心針。

這股狂潮並非一時,而是有其深層的市場需求支撐。展望2027會計年度,戴爾預估其AI最佳化伺服器營收將上看500億美元,較前一年預期成長103%。這不僅是數字上的躍升,更反映了企業界對AI技術的迫切渴望與焦慮。Kennedy觀察到,無論是新興雲端服務商(neo-cloud)、各國政府推動的主權AI部署,還是企業客戶加速導入AI的廣泛需求,都成為推動這波成長的關鍵力量。他深刻指出:

「企業對於『若不跟上就會落後』的焦慮,正在成為更強的推力。」

這句話點出了當前市場的真實心態,也解釋了為何戴爾的AI伺服器需求會如此爆發性成長。華爾街的分析師們也紛紛上修對戴爾的預期,美國銀行分析師近期甚至將戴爾當季AI伺服器預測提高到約150億美元,並將全年預測上調至約600億美元,而晨星也因持續的AI需求,提高了其合理價值估計。

真相:AI factory 核心戰略與供應鏈優勢

戴爾之所以能在這場AI競賽中脫穎而出,其核心策略便是所謂的「AI factory」端到端基礎設施架構。這套架構不單純是硬體堆疊,而是涵蓋了與Nvidia合作的GPU伺服器、龐大的儲存系統,以及高效的網路設備,形成一套完整的AI運算生態系。Kennedy強調,資料的管理、儲存、使用與部署是關鍵,而戴爾能以99.9%以上的系統可用率建置、部署與維護客戶系統,成為其差異化的競爭優勢。截至目前,戴爾已為客戶部署超過4,000個企業AI factory,其中光是第四季就新增逾750個,展現其強大的執行力。

不過,市場對於AI基礎設施需求殷切,卻也面臨零組件供應不足的挑戰。Kennedy坦言,生態系統中的零組件短缺確實存在,難以完全滿足當前AI基礎設施的龐大需求。然而,他認為戴爾與供應商長期建立的深厚關係,讓公司在搶奪關鍵零組件上具備獨特的優勢。相較於部分同業難以提供明確指引,戴爾能夠完整發布2027會計年度的財測,正是因為:

「這反映公司已取得足以支撐財測指引的供應承諾。」

這番話透露出戴爾在供應鏈管理上的自信與實力。至於市場關心的獲利能力,Kennedy對AI伺服器的毛利壓力並不擔心。他表示,戴爾的目標是維持AI基礎設施業務的中單位數營業利益率,儘管單一產品毛利可能不如以往,但當規模達到500億美元時,這仍將代表可觀的獲利。

深層影響:AI滲透企業內部,效率與轉型並行

有趣的是,戴爾不僅將AI基礎設施賣給客戶,更將AI技術深度導入自家內部營運。Kennedy透露,他自己已開始讓AI代理人處理財務部門的對帳與會計分錄,大幅提升效率。供應鏈與服務團隊也已導入數位分身,模擬與優化流程。就連內部銷售團隊也受惠於聊天式CRM模型,每週替業務人員省下數小時的寶貴時間。他甚至在財務團隊內培養資料科學家,並依公司治理框架打造專屬代理人,讓AI協助管理行事曆、處理電子郵件,甚至細看各國與各產品線的預測資料。

然而,AI的導入也伴隨著組織結構的調整。戴爾財報顯示,2026會計年度總員工數約減少10%,約1.1萬人,這已是連續第三年出現類似幅度的下滑。公司為此認列了5.69億美元的資遣費,並表示裁減主要來自組織重整、限制外部招募,以及與業務現代化相關的成本調整。對於AI與人類工作的關係,Kennedy有其獨到的見解:

「AI並非取代責任,而是讓工作更快、更有效率。對稽核與監管的責任仍然存在,只是團隊能更快做出判斷。」

他強調,前提是資料必須乾淨、提示(Prompt)要夠精準,因為AI代理人可以24小時不間斷運作,這對提升整體營運效率無疑是巨大的助益。

未解之問:AI浪潮下的平衡與挑戰

戴爾在AI伺服器領域的快速崛起,無疑為其轉型之路寫下亮麗篇章。然而,這股強勁的AI需求能否持續維持高成長?供應鏈的零組件瓶頸是否會成為未來擴張的隱憂?而AI在提升企業效率的同時,又將如何重塑人類的工作模式與社會結構?這些深層的問題,或許才是這場AI浪潮中最值得我們持續關注的未解之問。