AI商業化，還是大廠的一本糊塗賬

AI商業化，供應商與客戶之間的賬，顯然還沒有人能算清楚。近期就發生了一個典型案例：某家公司因為內部AI需求大增，今年上半年幾乎接洽了市面上所有能接觸到的國內供應商，綜合性能與價格後，最終選定一家簽約。沒想到上午剛簽完合同，下午供應商就回頭要求修改計費方式，希望取消原本的按次付費限制，改為純Token消耗計費，說白了就是一句話：「能做，但得加錢。」按照供應商的調整方案，這家公司的採購成本將直接暴增五倍。該公司的AI負責人對此相當不滿，直言「商業合作臨時變卦是大忌」，最後只能將這家供應商拉黑，另尋合作對象。供應商臨時反悔，背後折射出的是國內AI商用場景中付費模式仍在摸索與優化的現實。

供應商必須考量算力成本如何分攤、不同產品之間的生態鴻溝，以及自身長久以來的商業慣性。過去傳統IT與SaaS服務的邊際成本幾乎為零，但大模型與AI截然不同，無論是生產力工具中的Coding，還是桌面端的Agent，背後的成本都是非線性增長。這讓供應商在定價上面臨極大壓力。在這樣的背景下，Anthropic靠著Coding領域的應用，幾乎已經跑通了ToB的商業模式，取得了階段性的成功。這種將企業訂閱與API調用結合，形成高價值任務變現的模式，也正被國內的AI大廠紛紛複製。今年五月以來，百度、阿里、騰訊、華為、字節等AI雲廠商，都在各自的大會上反覆強調要聚焦結果交付、聚焦高價值場景。

然而，這條路並不像大會展示的那樣華麗。模型大廠其實是揹著沉重的成本在前進。從2023年至今，AI經歷了從Chatbot到Copilot輔助，再到Agent與Cloud Agent的快速迭代。模型能處理的任務越來越複雜，多輪推理、工具調用、長鏈路執行等，使得單次調用的Token消耗呈幾何級數增長。AI能做的事情變多了，需求也隨之爆發，用戶的單次算力消耗與使用規模同步擴大。Token消耗飆升萬倍，並不代表企業也有對應萬倍的需求。模型能力跑得太快，但背後是剛性的物理算力成本，這讓模型廠商迫切希望為自己的能力明碼標價，以回籠現金。

根據TechInsights的數據，同期全球數據中心GPU出貨量僅增長約2.5倍，而高帶寬存儲（HBM）與先進封裝（CoWoS）一直到去年才陸續完成擴產。晶圓廠、封裝線、存儲產線這類重資產的擴張週期都是線性增長，根本追不上需求。有投資人認為，科技大廠的資本開支將持續上調，只為了爭奪算力供給。在這種無盡投入無法持久的情況下，Anthropic率先在B端釋放出商業價值，讓其他AI廠商看到了穿越迷霧的可能。Anthropic找到了一條確定且能讓客戶直接看到效果的路徑——Coding，並在五月與Space X簽署大規模算力集群租賃協議後迎來爆發，年化收益已突破450億美元。

算力供給的釋放確實激發了Anthropic的商業潛能，也證明了AI在B端的商業化空間。但潛能並不等於短期內就能維持收支平衡，真正的問題在於：企業的AI開支，是否能夠找到可以被量化的收益？AI這個變量，讓成本隨著用量浮動，而用量又因為場景不同而難以固定。面對這種模糊的商業模式，不少供應商專門組建了FDE團隊，打著幫企業AI落地的旗號，與標杆客戶進行深度共創。例如微軟就投入了25億美元成立Microsoft Frontier Company，整合了6000名工程師、技術顧問和銷售團隊，直接派駐到客戶企業內部提供服務。如果是傳統SaaS時代，供應商給出價格單與對應年費，客戶簽完合同自己部署即可。

但在AI時代，不同行業、不同體量、不同落地情況，開支差異巨大。客戶往往講不出自己的具體需求，而揹著成本壓力的供應商也不知道特定場景到底值多少錢，所以才需要派駐人員全程跟蹤。火山引擎的譚待曾提出一個解釋框架：「單Token價格在上漲，但創造的價值上升得更快。」這個邏輯雖然沒錯，但卻懸置了一個關鍵問題：誰來驗證價值上升得更快？特別是當賣方揹著成本壓力、買方缺乏評估效果的標尺時，這個問題變得格外棘手。或許是考慮到這種情況，譚待也給出了一個實際的准入門檻：「收入目標沒到10億規模，最好別做Agent，做一個Skill就好了。

」這表面上是在替客戶做篩選，但實際上反映出模型廠商和企業客戶都很難把這筆帳算清楚，只能先聚焦在具體的落地效果上。這種「不知道值多少錢」的困惑，在大廠的實際業務運作中表現得更為直接。一位美團的內部人士透露，公司每年花在AI數據採購上的費用高達二、三十億元，而整個研發部門的年度預算也不過10億元。如此巨大的數據投入，並沒有帶來理想中的效果。例如在路網識別這個核心場景中，AI的準確率僅維持在60%至70%之間，距離真正落地還有很長一段路。然而，落地再難，AI依然是未來方向，公司投入的決心不會動搖。

上述人士指出，美團創辦人王興曾在今年一次小範圍的高管會上明確表示：「做AI，我們不知道什麼時候會火；如果不做，我們可能都活不過三年。」供應商算不清成本，客戶算不清收益，買賣雙方都算不清帳單的時候，市場開始自發地倒向眼前的現實，追求相對可控的成本。譚待也曾吐槽，外面傳言Seedance的收入數據都是錯的，而且偏高，讓自己壓力很大。壓力的來源，從基於Seedance的視頻生成產品即夢便能看出端倪。知情人士透露，即夢耗費了字節內部至少半數的算力資源。即便透過不斷漲價、削減免費權益等手段，回收的成本也不過一成。算力燒得厲害，卻收不回成本，這直接影響業務的持續性。

或許正是看到這種叫好不叫座的現象，讓一些巨頭掌門人開始調整策略。一位百度人士告訴光子星球，Robin（李彥宏）已經表明，百度不做模型能力，只做分發和產品封裝。以百度Create大會上的標杆產品「百度一鏡」為例，團隊直接調用可靈這類外部模型能力，自己只負責產品封裝。即便如此，一鏡的商業化仍處於非常早期的階段。企業客戶想算清自己的成本帳同樣不容易。當落地業務出現權責關係不清晰的情況時，一線業務團隊只能轉向自身可控的部分，在這場AI的無限循環遊戲中尋找投入產出的確定性。以極兔為例，他們上線了工單質檢系統後，在中國市場的工單二次投訴率大幅降低了23%。

然而，當他們想把這套系統推廣到其他國家時，當地團隊卻相當謹慎，擔心大模型調用成本可能收不回來，傾向於等收益模型清晰之後再逐步推廣。全局效率與本地沉沒成本的帳本出現偏差，執行層自然習慣按自己的邏輯行事。還有一家頭部AI短劇公司，因為擔心業務主導權旁落，同樣將注意力放在控制上。這家公司用AI做短劇，效率最高可達一天一部劇，AI覆蓋了劇本理解、分鏡、抽卡、審核、剪輯等許多環節。即便市面上有字節小云雀Agent這類現成產品，他們仍然堅持自研自建，甚至嘗試產品化，向外提供服務。負責人認為，大公司的偏遠部門投入度不夠，做不好這種事。

他表示，生產環節可以全部用AI，但工具鏈必須掌握在自己手裡，「用別人的Agent，效率是別人的，隨時可能被收回。」

事實上，大公司對成本的掌控欲，反而比小公司更執著。由於AI投入持續且巨大，美團內部僅使用4B與35B的小模型，只在測試和驗證階段才會動用那款「最貴最好」的大模型。他們的邏輯很簡單：如果最頂級的模型都搞不定，其他模型就更沒戲了。美團內部就此總結了一套落地經驗：先用最貴的模型探出能力天花板，再用小模型跑日常任務，從而將Token開支壓縮到可控範圍內。這種思路與最會精打細算的物流公司不謀而合。極兔在數據標註環節，就自研了數十億參數的微調模型，用於本地閉環驗證，只有涉及到全局調度或直面用戶的場景，才會調用外部大模型，以保證效果。貴的模型優先用在必須貴的地方，其餘環節則由技術部門硬扛。

有趣的是，一些Token開支並不高的行業，如線上教育，也深知要把好鋼用在刀刃上。洋蔥學園透露，診斷、反饋、個性化推薦是目前AI應用較為普遍的環節，因為這些環節出錯影響可控，能及時糾正。而在高風險場景，他們會引入校驗機制，避免模型單獨「裸奔」。畢竟教育行業容錯率極低，一個錯誤答案就可能導致家長退費。但沒有明說的理由，仍然是成本。從80分做到95分的代價，是成本的指數級增長，與其追求昂貴的100分，不如把AI放在收支平衡的70分上。這些控制策略的出現，不僅說明企業還在摸索投入產出的確定性，也反映出模型廠商在提供AI服務時，缺乏有效綁定客戶的能力。

多家公司受訪時都給出了類似答案，有公司直接表示，供應商確實表達過想鎖定的意圖，但他們並不想被鎖定。模型迭代速度極快，流水的SOTA（State-of-the-Art），客戶不願意簽署長期合同。而且AI在生產力方面的商業模式，缺乏傳統SaaS綁定客戶的三個條件：將數據沉澱下來、將工作流固化為系統、以及集成上下游所帶來的高昂切換成本。洋蔥學園沒有自研通用大模型，而是同時接入火山引擎豆包和DeepSeek，基模漲價就換一家，能力提升就切換，供應商剛累積起來的依賴，一次版本迭代就歸零。作為生產力工具的AI Coding，同樣採用額度制套餐，缺乏有效綁定客戶的手段。

有業者透露，Coding Plan其實就是模型能力的分銷渠道，他們自己會採購多家廠商的方案。今年價格上漲後，相同價格下給的用量雖然更多，但隨著業務量增加，成本仍然持續攀升。為了控制成本，許多客戶同時採用字節、阿里、騰訊三家供應商，相互比價，內部還會用多個帳戶動態調劑。當被問到如何應對Token價格可能持續上漲時，廠商甚至表示不排除自己搞服務器。供應商並非沒有意識到這個問題，他們試圖透過組建FDE團隊，用人力服務來彌合技術與商業模式之間的割裂，同時也開始調整產品結構，例如阿里就將三款企業級Agent產品合併，集中資源。供應商與客戶各自的帳本難以對齊，直接阻礙了AI對生產力的改造進程。

模型廠商需要靠產品落地來攤銷物理算力成本，Token的背後是晶片、模型與工程能力的智力消耗。線性增長的物理供給，遠遠追不上需求的指數級增長。以視頻模型為例，穩居頭部的即夢燒掉大量算力資源，回收成本僅一成左右，頭部尚且如此，身後的其他玩家自然更難樂觀。客戶的帳本則是希望透過持續投入，找到確定性的產出。美團斥巨資買數據，目的是替代一個尚未算清楚價值的內部場景；極兔的工單質檢系統在中國市場效果顯著，但推廣到其他國家時，仍面臨ROI的測算挑戰。兩家公司用完全不同的標尺度量AI的產出，都需要找到更大的通用性。Anthropic提供了一個重要的參照系。

該公司將Coding視為基礎，並逐步擴展至泛白領與傳統軟體市場，明確了替代成本，等於給了買賣雙方一個統一的衡量尺度。國內其實也出現了一些苗頭，例如AI客服已經相對成熟，但它的替代對象是時薪幾十元的客服。如果涉及到一個沒有標準價格的內部流程，供應商與客戶就會陷入反覆博弈。企業一旦能為AI找到確定性的價值，投入也將隨之變得確定。極兔就曾表示，AI在問題件、客服等環節的人工介入率明顯下降，直接減少了人力成本；AI智能路徑優化也超過預期，提高了經營效率。這些不斷累加的確定性收益，讓企業看到了實實在在的價值。

譚待說收入不到10億別做Agent、百度不做模型只做封裝、美團把最貴的模型壓在測試環節，這些都只是為了規避帳單不斷膨脹的權宜之計。技術已經能夠回答「能否做到」，但商業還沒有回答「值不值得」。只有當企業能清楚某個環節的花費，或者供應商能提供替代價值的清單並將其寫進合同時，那個上午簽完合同、下午不需要反悔的時刻才會真正到來。而到了那時，AI進入生產力，才算真正轉動了商業飛輪。