一家美國公司選擇100%接入DeepSeek的原因

一家公司每月付給 AI 廠商的錢，比發給員工的工資還多。CEO 的解法簡單粗暴：把 Claude 全換了。

Flo Crivello 在 X 上貼出的這張截圖，記錄的就是這個決定。沒有煽情，沒有宣言，只有一行冷冰冰的聲明："Pulled the trigger today and switched 100% of Lindy traffic to DeepSeek v4." 底下補了一句："Saves us millions of $ and we're actually seeing an increase in performance on many core use cases."

一家幾十人的舊金山公司，把原本跑在Claude 上的全部業務，切到了 DeepSeek。理由是賬單高到超過了全員工資。

這件事發于將近一個月前，到6 月底后勁才顯出來。6 月 27 日，DeepSeek 開源了 DSpark 投機解碼框架，生成速度提升 60% 到 85%。接著更新的還有Wayfinder Router，一個完全離線的模型路由工具，能在微秒級決定走本地還是云端。

Lindy 先跑了一步，工具隨后跟上。企業付不起“大腦”的溢價，需要“肌肉”來干活。

賬單高過工資

Lindy 沒有沖動切換。Crivello 四月份就公開說過，公司的推理成本已經超過了 payroll。團隊評估了六到九個月，中間還看過 Kimi K2.5 和 GLM-5.1，最終選了 DeepSeek v4。

遷移的工作量遠超預期。Crivello 的原話是："100x more work than we thought." 大量在線評估、離線評估、逐步灰度上線，看對留存的影響，再適配提示詞。這套流程走下來，光是遷移本身就要投入巨大成本。真正讓 Crivello 下定決心的，是試出來的結果。

在郵件分類、按用戶語氣預寫回復這些Lindy 的核心場景上，DeepSeek 表現超出預期。但 Crivello 也沒把話說滿：復雜的自動化流程，Claude 還是更強。

切換之后，成本曲線“斷崖式下跌”。Crivello 的原話是："You should see our AI cost curve right now. It's a cliff."

很多人會問：Claude 是公認的第一梯隊模型，換更便宜的 DeepSeek，為什么性能反而提升？答案不復雜。對郵件分類、日程管理、高頻自動化這類企業日常場景而言，模型參數過度冗余只會增加延遲與成本。DeepSeek 在這些特定任務上做了速度和實用性優化，沒有單純堆參數，于是在大量實際業務里，實現了“更便宜、更快、更穩”。

Lindy 的個案能不能代表全行業？說實話，難講。它做的是 AI 原生應用，成本結構和大廠完全不同。但問題是，6 月底更新的 Wayfinder Router，做的就是同一件事：幫企業在本地模型和托管 API 之間自動選最便宜的路線，微秒級決策，完全離線。如果只是Lindy一家的痛點，這種工具不會在這個時間點冒出來。

速度提升六成

DeepSeek 開源的 DSpark，沒有發布新模型。它是在 V4 現有權重上，附加了一個草稿模塊，通過半自回歸生成實現無損加速。生產環境下，V4-Flash 和 V4-Pro 的每用戶生成速度分別提升 60% 到 85%、57% 到 78%。離線測試里，接受長度比 Eagle3 高 26% 到 31%。

說白了，它沒讓模型變聰明，只是讓同樣的模型跑得更快、更省。對企業來說，這意味著用同樣的硬件能處理更多業務量。成本敏感的公司要的就是這個。

Wayfinder Router 的邏輯更直接。它通過分析提示詞的結構特征，長度、標題、代碼塊，在微秒級決定走本地模型還是云端 API，完全不需要調用其他模型做判斷。以前企業得靠人工或者外部服務來“選模型”，現在一個離線工具就搞定了。

兩個工具在6 月底出現，一個負責“跑更快”，一個負責“花更少”。它們都不追求“最強智商”，只追求“夠用且便宜”。

當行業不再為“參數翻倍”集體狂歡，轉而開始為“速度提升 60%”、“成本降一半”歡呼時，AI 就真正從實驗室走進了生意場。

各干各的活

Anthropic 的 Claude 當然很強。代碼能力、推理深度、安全性，都是第一梯隊。Lindy 自己也承認，在復雜的 workflow automation 上，Sonnet 仍然更好。

但像Lindy 這樣用 Claude 來寫郵件、管日程、做自動化工作流的企業，付的賬單里，有一部分是為“用不到的能力”買單。

5 月份，Vercel 的 AI Gateway 數據顯示：DeepSeek 的 token 流量占比從不到 1% 跳到 17%，但收入占比幾乎沒動。說明它承接的全是低價高頻的“體力活”。企業沒有放棄 Claude 去做最難的推理任務，只是把“下邊的事”交給了更便宜的模型。

企業在算完賬后，開始分層用模：高難度推理、復雜自動化、合規敏感場景，繼續用Claude；高頻低復雜度、對延遲敏感、成本壓力大的任務，交給 DeepSeek。兩種模型各干各的活，誰也不替代誰。

這種分層背后，是兩條路線的分化。美國企業繼續往“更聰明”的方向走，Claude、GPT 在頂尖推理上持續投入。中國企業在做另一件事：把價格打下來，讓中小企業用得起。DeepSeek 的路線很明確，不在“大腦”上硬碰硬，在“肌肉”上做到極致。Lindy 能切過來，靠的是中國在基礎設施層鋪的路。

DeepSeek 的出現，說明了一件事：不是所有企業都需要頂級模型干所有活。當 Lindy 發現切換后核心場景性能反而提升，成本斷崖下跌，那些只需要“夠用”的企業就會重新算賬。

結尾

過去，企業選用DeepSeek 往往帶著“降級備選”的無奈；如今，Lindy 的主動切換宣告了一個新現實：當開源模型的速度追上閉源，價格卻僅剩幾分之一時，“性價比”本身就是最核心的競爭力。

Lindy 后臺那條斷崖式下跌的成本曲線，記錄的不僅是供應商的更換，更是一家美國公司在算完賬后，對中國基礎設施的真實選擇。

AI 的世界正在裂變為兩條賽道：美國在往上走，打磨 Claude 和 GPT 的“大腦”，追求極致的智力上限；中國在往下扎，鋪平 DeepSeek 的“道路”，拉齊全球的準入門檻。這兩條路沒有輸贏，只有分工。對于企業而言，在這個從狂熱回歸理性的下半場，讓每一份算力都花在刀刃上，比擁有最聰明的模型更重要。