文 | 光子星球
由于内部 AI 需求大增，今年上半年，某公司接洽了市面上所有能接触到的国内供应商。
综合考虑性能与价格后，最终和一家供应商签下了合同。没想到的是，上午签完合同，下午供应商找了回来，希望取消按次支付的限制，改用纯 Token 消耗计费。说来说去，就表达一个核心意思：
" 能做，但得加钱。"
按照供应商的调整，采购成本将增加 5 倍。这家公司的 AI 负责人表示，" 商业合作时临时变卦是大忌，我们内部流程绝不允许出现这种情况，只能将这家供应商拉黑，换了另一家。"
供应商临事变卦折射出国内 AI 在商用场景中，还在摸索、优化付费模式。供应商需要考虑方方面面的成本，如算力成本的分摊、不同产品间的生态鸿沟，以及自身的商业惯性等。传统 IT 与 SaaS 的边际成本几乎为零，而大模型与 AI，无论是生产力的 Coding 还是桌面 Agent，背后的成本是非线性增长。
Anthropic 靠 Coding 基本跑通了 ToB 的商业模式，取得了阶段性成功。
企业订阅与 API 调用形成的高价值任务变现模式，正在被国内 AI 大厂复用。5 月以来，百度、阿里、腾讯、华为、字节等 AI 云厂商都在自己的大会上，表达了聚焦结果交付、聚焦高价值场景的想法，可是这条路并不像主会场的视觉表现那般华丽。
模型大厂，背着成本起舞
2023 年至今，AI 经历了从 Chatbot 到 Copilot 辅助，再到 Agent、Cloud Agent 的迭代。
模型能处理的任务越来越复杂，多轮推理、工具调用、长链路执行，单次调用的 Token 消耗呈几何增长。AI 能做更多事情，需求随之爆发，简单来说就是用户单次算力消耗增长，使用规模不断扩大。
Token 消耗飙升万倍，不等于企业也有对应万倍的需求。模型能力跑到前面，背着刚性物理算力成本的模型厂商们，迫切地希望给能力明码标价，回笼现金。
TechInsights 数据显示，同期全球数据中心 GPU 出货量只增长了约 2.5 倍。而 HBM 高带宽存储和 CoWoS 先进封装迟至去年才陆续完成扩产。晶圆厂、封装线、存储产线这类重资产的扩张周期都是线性增长。
一位投资人认为，科技大厂资本开支将持续上调，以争夺算力供给。无尽的投入无法持久，恰好此时 Anthropic 率先在 B 端释放商业价值，让 AI 厂商看到了穿越迷雾的可能。
Anthropic 找到了一条确定且能够让客户直接看到效果的路—— Coding，五月与 Space X 签署大规模算力集群租赁协议后，迎来了爆发，其年化收益迈过了 450 亿美元。
算力供给释放了 Anthropic 的商业潜能，也证明 AI 在 B 端的商业化空间。潜能不等于短期就能维持收支平衡，而是企业的 AI 开支能否找到可被量化的收益。AI 这个变量，让成本随着用量浮动，用量又因场景难以固定。
面对新的生意与模糊的商业模式，不少供应商专门组建 FDE 团队，打着帮企业 AI 落地的旗号，与标杆客户深度共创。例如微软投入 25 亿美元成立 Microsoft Frontier Company 的前沿部署工程，整合了 6000 名工程师、技术顾问和销售团队，直接派驻客户企业内部提供服务。
如果是传统 SaaS 时代，供应商给出价格单与对应年费，客户签完合同自己部署即可。而 AI 时代，不同行业、不同体量、不同落地的情况下，开支差异巨大。客户讲不出所以然，背着成本的供应商不知道具体场景到底值多少钱，所以才派驻人员全程跟踪。
火山引擎的谭待曾提过一个解释框架，" 单 Token 价格在涨，但创造的价值上升得更快。" 逻辑固然无误，可是悬置了谁来验证价值上升得更快的问题，尤其是当卖方背着成本压力、买方缺乏评估效果的标尺时，这个问题变得更为棘手。
或许是考虑到上述情况，谭待给出了一个准入门槛：" 收入目标没到 10 亿规模，最好别做 Agent，做一个 Skill 就好了。" 表面上是供应商在替客户做筛选，但折射出模型厂商和企业客户都很难把账算清楚，只能先聚焦到落地效果中。
" 不知道值多少钱 " 的困惑，在大厂实际业务运作中表现得更为直接、现实。
一位美团的内部人士透露，公司每年花在 AI 数据采购上的费用达二三十亿元，相对而言，整个研发部门的年度预算才不过 10 亿元。巨大的数据投入并没有带来理想中的效果，例如 AI 在其核心的路网识别场景中，准确率仅维持在 60% 至 70% 之间，距离落地还有很长的一段路要走。
落地再难，但 AI 是未来，公司投入的决心不会改。上述人士告诉光子星球，美团王兴曾在今年一次小范围的高管会上表示，" 做 AI，我们不知道什么时候会火；如果不做，我们可能都活不过三年。"
供应商算不清成本，客户算不清收益。当买卖双方都算不清账单的时候，市场开始自发地倒向眼前的现实，追求相对可控的成本。
谭待此前吐槽外面传言 Seedance 的收入数据都是错的，而且偏高，导致自己压力很大。压力的来源从基于 Seedance 的视频生成产品即梦便能管窥一二。
一位知情人士告诉光子星球，即梦花费了字节内部至少半数的算力资源，不断涨价、削减免费权益等一系列动作后，回收的成本不过一成。算力烧得厉害，收不回成本影响业务持续性，或许是看到叫好不叫座，让一些巨头掌门人斩断了卷模型的想法。
一位百度人士告诉光子星球，"Robin 说百度不做模型能力，只做分发和产品封装。" 此前作为百度 Creat 大会上的标杆产品 " 百度一镜 " 是个典型案例，团队调用可灵这类外部模型能力，自己只做产品封装。尽管如此，一镜的商业化情况仍在早期阶段。
企业客户的算盘
模型厂商的办法是不断加大投入，产品推陈出新，设置新的付费点，加速商业化。不过传递到具体的落地场景之中，账单却算不过来。
企业要想算清自己的成本账并不容易，当落地业务出现权责关系不清晰时，一线业务只能转向自身可控的部分，在这场 AI 无限循环游戏中寻找投入产出的确定性。
此前，极兔上线了工单质检系统，在中国市场，工单二次投诉率大幅降低 23%，但在其他国家推广的过程中，当地团队相对谨慎，" 担心大模型调用成本可能收不回来 "，更倾向于等收益模型清晰之后再逐步推广。全局效率与本地沉没成本两本账有偏差，因此执行层有时更习惯于按照自己的逻辑来。
某头部 AI 短剧公司因为担心业务主导权旁落，同样把注意力放在了控制上。
这家公司用 AI 做短剧，效率最高能到一天一部剧。AI 覆盖了理解剧本、分镜、抽卡、审核、剪辑等许多环节。哪怕市面上有字节小云雀 Agent 的现成产品，但公司仍然坚持自研自建，还尝试产品化，向外部提供服务。
" 大公司的偏远部门做不好，投入度不够。" 这家公司的负责人认为，生产环节可以全用 AI，工具链必须掌握在自己手里。" 用别人的 Agent，效率是别人的，随时可能被收回。"
其实，大公司对成本的掌控欲反而比小公司更执着。
考虑到 AI 持续且巨大的投入黑洞，美团内部仅用 4B 与 35B 的小模型，只在测试和验证时才会使用某款 " 最贵最好 " 的大模型。他们的逻辑很简单，" 如果最顶级的模型都搞不定，其他就更没戏了。"
光子星球了解到，在回报尚不清晰的情况下，美团内部认为应该先控制投入，并据此总结了一套落地经验：先用最贵的模型探出能力天花板，再用小模型跑日常任务，从而将 Token 开支压至可控范围内。
这与最会精打细算的物流公司不谋而合。
在数据标注环节，极兔自研数十亿参数微调模型，用于本地闭环验证。只有涉及到全局调度与直面用户的场景，才会调用外部大模型，以保证效果。贵的模型优先用在必须贵的地方，其余环节则由技术部门硬扛。
有趣的是，一些 Token 开支并不高的行业，如在线教育也很清楚要把好钢用在刀刃上。
洋葱学园告诉光子星球，诊断、反馈、个性化推荐是目前 AI 应用较为普遍的环节。" 错了影响可控，能及时纠正。" 在高风险场景引入校验机制，避免出现模型单独 " 裸奔 " 的情况。
教育行业容错率极低，出现一个错误答案就可能让家长退费。当然，没有直说的原因仍然是成本。从 80 分做到 95 分的代价是成本指数级增长，与其追求昂贵的 100 分，不如把 AI 放在收支平衡的 70 分上面。
这些控制策略出现，不仅表明企业还在摸索投产的确定性，而且我们也发现模型厂商提供 AI 服务时，缺乏有效绑定客户的能力。
我们询问了多家公司，得到的答案基本类似，有公司直接表示，" 供应商确实表达过锁定我们的想法，但我们不想被锁定。"
模型迭代速度很快，流水的 SOTA，客户不愿意签署一份长期合同。而且 AI 在生产力方面的商业模式，缺乏传统 SaaS 绑定客户的三个条件。包括将数据沉淀下来、将工作流固化为系统，以及集成上下游所带来的高切换成本。
洋葱学园没有自研通用大模型，而是接入火山引擎豆包和 DeepSeek。基模涨价就换一家，能力提升就切换。供应商刚积累起来的依赖，一次版本迭代就归零。
作为生产力的 AI Coding，Coding Plan 皆采用额度制套餐，缺乏有效绑定客户的手段。"Coding Plan 其实是模型能力的分销渠道，我们自己会采购多个厂商的 Coding Plan。"
今年价格上涨之后，相同价格下给的用量更多，照理是够用的，可随着业务量增加，成本越来越高。为了控制成本，很多客户同时采用了字节、阿里、腾讯三家，各方比价，并且内部会多账户动态调剂。我们曾询问，如何应对 Token 价格可能持续上涨的预期时，厂商表示不排除会自己搞服务器。
供应商并非没有意识到这一点，试图通过组建 FDE 团队，用人力服务弥合技术与商业模式绑定的割裂。同时，部分厂商开始调整产品结构，例如日前阿里将三款企业级 Agent 产品合并，集中资源。
两本账，一道门
供应商与客户各自的账单难以对齐，阻滞 AI 对生产力的改造进程。
模型厂商得借助产品落地，摊销物理算力成本。Token 的背后是芯片、模型、工程能力的智力消耗。线性增长的物理供给，追不上需求的指数级增长。单论视频模型，稳居头部的即梦，烧掉大量算力资源，仅一成左右的成本，头部尚且如此，身后其他玩家更好不到哪里去。
客户的账单是希望通过持续投入，找到确定性的产出。美团斥巨资买数据，目的是替代一个尚未算清楚价值的内部场景。极兔的工单质检系统在中国市场实现了较好的落地，但在其他国家推广时仍面临 ROI 测算挑战。两家公司用两把不同的标尺度量 AI 产出，都需要找到更大的通用性。
Anthropic 提供了一个参照系。这家公司将 Coding 视为基础，并扩展至泛白领与传统软件市场（传统 +SaaS+ 云基础设施）明确的替代成本，给了买卖双方统一尺度。
国内有一些苗头，AI 客服相对成熟很多，只是替代对象是时薪几十元的客服。如果涉及到一个没有标准价的内部流程，供应商与客户就会陷入到反复博弈中。
企业一旦能够找到确定性的价值，投入也将随之变得确定。极兔就曾表示 AI 在问题件、客服等环节的人工介入率明显下降，减少人力成本；AI 智能路由优化线路超过预期，提高了经营效率，不断累加的确定性收益，都让企业看到了实实在在的价值。
谭待说收入不到 10 亿别做 Agent、百度不做模型只做封装、美团把最贵的模型压在测试环节，只是规避账单不断膨胀的权宜之计。
技术已经能回答了能否做到，商业还没回答值不值。
企业能清楚某个环节的花费，或者供应商能提供替代价值的清单，将之写进合同，那个上午签完、下午不再需要反悔的时刻就到了。
而此时，AI 进入到生产力，才真正转动了商业飞轮。
