AI商業化，還是大廠的一本糊涂賬

由于內部AI需求大增，今年上半年，某公司接洽了市面上所有能接觸到的國內供應商。

綜合考慮性能與價格后，最終和一家供應商簽下了合同。沒想到的是，上午簽完合同，下午供應商找了回來，希望取消按次支付的限制，改用純Token消耗計費。說來說去，就表達一個核心意思：

“能做，但得加錢?！?/p>

按照供應商的調整，采購成本將增加5倍。這家公司的AI負責人表示，“商業合作時臨時變卦是大忌，我們內部流程絕不允許出現這種情況，只能將這家供應商拉黑，換了另一家?！?/p>

供應商臨事變卦折射出國內AI在商用場景中，還在摸索、優化付費模式。供應商需要考慮方方面面的成本，如算力成本的分攤、不同產品間的生態鴻溝，以及自身的商業慣性等。傳統IT與SaaS的邊際成本幾乎為零，而大模型與AI，無論是生產力的Coding還是桌面Agent，背后的成本是非線性增長。

Anthropic靠Coding基本跑通了ToB的商業模式，取得了階段性成功。

企業訂閱與API調用形成的高價值任務變現模式，正在被國內AI大廠復用。5月以來，百度、阿里、騰訊、華為、字節等AI云廠商都在自己的大會上，表達了聚焦結果交付、聚焦高價值場景的想法，可是這條路并不像主會場的視覺表現那般華麗。

模型大廠， 背著成本起舞

2023年至今，AI經歷了從Chatbot到Copilot輔助，再到Agent、Cloud Agent的迭代。

模型能處理的任務越來越復雜，多輪推理、工具調用、長鏈路執行，單次調用的Token消耗呈幾何增長。AI能做更多事情，需求隨之爆發，簡單來說就是用戶單次算力消耗增長，使用規模不斷擴大。

Token消耗飆升萬倍，不等于企業也有對應萬倍的需求。模型能力跑到前面，背著剛性物理算力成本的模型廠商們，迫切地希望給能力明碼標價，回籠現金。

TechInsights數據顯示，同期全球數據中心GPU出貨量只增長了約2.5倍。而HBM高帶寬存儲和CoWoS先進封裝遲至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周期都是線性增長。

一位投資人認為，科技大廠資本開支將持續上調，以爭奪算力供給。無盡的投入無法持久，恰好此時Anthropic率先在B端釋放商業價值，讓AI廠商看到了穿越迷霧的可能。

Anthropic找到了一條確定且能夠讓客戶直接看到效果的路——Coding，五月與Space X簽署大規模算力集群租賃協議后，迎來了爆發，其年化收益邁過了450億美元。

算力供給釋放了Anthropic的商業潛能，也證明AI在B端的商業化空間。潛能不等于短期就能維持收支平衡，而是企業的AI開支能否找到可被量化的收益。AI這個變量，讓成本隨著用量浮動，用量又因場景難以固定。

面對新的生意與模糊的商業模式，不少供應商專門組建FDE團隊，打著幫企業AI落地的旗號，與標桿客戶深度共創。例如微軟投入25億美元成立Microsoft Frontier Company的前沿部署工程，整合了6000名工程師、技術顧問和銷售團隊，直接派駐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。而AI時代，不同行業、不同體量、不同落地的情況下，開支差異巨大?？蛻糁v不出所以然，背著成本的供應商不知道具體場景到底值多少錢，所以才派駐人員全程跟蹤。

火山引擎的譚待曾提過一個解釋框架，“單Token價格在漲，但創造的價值上升得更快?！边壿嫻倘粺o誤，可是懸置了誰來驗證價值上升得更快的問題，尤其是當賣方背著成本壓力、買方缺乏評估效果的標尺時，這個問題變得更為棘手。

或許是考慮到上述情況，譚待給出了一個準入門檻：“收入目標沒到10億規模，最好別做Agent，做一個Skill就好了?！北砻嫔鲜枪淘谔婵蛻糇龊Y選，但折射出模型廠商和企業客戶都很難把賬算清楚，只能先聚焦到落地效果中。

“不知道值多少錢”的困惑，在大廠實際業務運作中表現得更為直接、現實。

一位美團的內部人士透露，公司每年花在AI數據采購上的費用達二三十億元，相對而言，整個研發部門的年度預算才不過10億元。巨大的數據投入并沒有帶來理想中的效果，例如AI在其核心的路網識別場景中，準確率僅維持在60%至70%之間，距離落地還有很長的一段路要走。

落地再難，但AI是未來，公司投入的決心不會改。上述人士告訴光子星球，美團王興曾在今年一次小范圍的高管會上表示，“做AI，我們不知道什么時候會火；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。當買賣雙方都算不清賬單的時候，市場開始自發地倒向眼前的現實，追求相對可控的成本。

譚待此前吐槽外面傳言Seedance的收入數據都是錯的，而且偏高，導致自己壓力很大。壓力的來源從基于Seedance的視頻生成產品即夢便能管窺一二。

一位知情人士告訴光子星球，即夢花費了字節內部至少半數的算力資源，取消折扣、上線vip模型等一系列動作后，回收的成本不過一成。算力燒得厲害，收不回成本影響業務持續性，或許是看到叫好不叫座，讓一些巨頭掌門人斬斷了卷模型的想法。

一位百度人士告訴光子星球，“Robin說百度不做模型能力，只做分發和產品封裝。”此前作為百度Creat大會上的標桿產品“百度一鏡”是個典型案例，團隊調用可靈這類外部模型能力，自己只做產品封裝。盡管如此，一鏡的商業化情況仍在早期階段。

企業客戶的 算盤

模型廠商的辦法是不斷加大投入，產品推陳出新，設置新的付費點，加速商業化。不過傳遞到具體的落地場景之中，賬單卻算不過來。

企業要想算清自己的成本賬并不容易，當落地業務出現權責關系不清晰時，一線業務只能轉向自身可控的部分，在這場AI無限循環游戲中尋找投入產出的確定性。

此前，極兔上線了工單質檢系統，在中國市場，工單二次投訴率大幅降低23%，但在其他國家推廣的過程中，當地團隊相對謹慎，“擔心大模型調用成本可能收不回來”，更傾向于等收益模型清晰之后再逐步推廣。全局效率與本地沉沒成本兩本賬有偏差，因此執行層有時更習慣于按照自己的邏輯來。

某頭部AI短劇公司因為擔心業務主導權旁落，同樣把注意力放在了控制上。

這家公司用AI做短劇，效率最高能到一天一部劇。AI覆蓋了理解劇本、分鏡、抽卡、審核、剪輯等許多環節。哪怕市面上有字節小云雀Agent的現成產品，但公司仍然堅持自研自建，還嘗試產品化，向外部提供服務。

“大公司的偏遠部門做不好，投入度不夠。”這家公司的負責人認為，生產環節可以全用AI，工具鏈必須掌握在自己手里?！坝脛e人的Agent，效率是別人的，隨時可能被收回。”

其實，大公司對成本的掌控欲反而比小公司更執著。

考慮到AI持續且巨大的投入黑洞，美團內部僅用4B與35B的小模型，只在測試和驗證時才會使用某款“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，其他就更沒戲了?！?/p>

光子星球了解到，在回報尚不清晰的情況下，美團內部認為應該先控制投入，并據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開支壓至可控范圍內。

這與最會精打細算的物流公司不謀而合。

在數據標注環節，極兔自研數十億參數微調模型，用于本地閉環驗證。只有涉及到全局調度與直面用戶的場景，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，其余環節則由技術部門硬扛。

有趣的是，一些Token開支并不高的行業，如在線教育也很清楚要把好鋼用在刀刃上。

洋蔥學園告訴光子星球，診斷、反饋、個性化推薦是目前AI應用較為普遍的環節?！板e了影響可控，能及時糾正?！痹诟唢L險場景引入校驗機制，避免出現模型單獨“裸奔”的情況。

教育行業容錯率極低，出現一個錯誤答案就可能讓家長退費。當然，沒有直說的原因仍然是成本。從80分做到95分的代價是成本指數級增長，與其追求昂貴的100分，不如把AI放在收支平衡的70分上面。

這些控制策略出現，不僅表明企業還在摸索投產的確定性，而且我們也發現模型廠商提供AI服務時，缺乏有效綁定客戶的能力。

我們詢問了多家公司，得到的答案基本類似，有公司直接表示，“供應商確實表達過鎖定我們的想法，但我們不想被鎖定。”

模型迭代速度很快，流水的SOTA，客戶不愿意簽署一份長期合同。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。包括將數據沉淀下來、將工作流固化為系統，以及集成上下游所帶來的高切換成本。

洋蔥學園沒有自研通用大模型，而是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。供應商剛積累起來的依賴，一次版本迭代就歸零。

作為生產力的AI Coding，Coding Plan皆采用額度制套餐，缺乏有效綁定客戶的手段。“Coding Plan其實是模型能力的分銷渠道，我們自己會采購多個廠商的Coding Plan。”

今年價格上漲之后，相同價格下給的用量更多，照理是夠用的，可隨著業務量增加，成本越來越高。為了控制成本，很多客戶同時采用了字節、阿里、騰訊三家，各方比價，并且內部會多賬戶動態調劑。我們曾詢問，如何應對Token價格可能持續上漲的預期時，廠商表示不排除會自己搞服務器。

供應商并非沒有意識到這一點，試圖通過組建FDE團隊，用人力服務彌合技術與商業模式綁定的割裂。同時，部分廠商開始調整產品結構，例如日前阿里將三款企業級Agent產品合并，集中資源。

兩本賬， 一道門

供應商與客戶各自的賬單難以對齊，阻滯AI對生產力的改造進程。

模型廠商得借助產品落地，攤銷物理算力成本。Token的背后是芯片、模型、工程能力的智力消耗。線性增長的物理供給，追不上需求的指數級增長。單論視頻模型，穩居頭部的即夢，燒掉大量算力資源，僅一成左右的成本，頭部尚且如此，身后其他玩家更好不到哪里去。

客戶的賬單是希望通過持續投入，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實現了較好的落地，但在其他國家推廣時仍面臨ROI測算挑戰。兩家公司用兩把不同的標尺度量AI產出，都需要找到更大的通用性。

Anthropic提供了一個參照系。這家公司將Coding視為基礎，并擴展至泛白領與傳統軟件市場（傳統+SaaS+云基礎設施）明確的替代成本，給了買賣雙方統一尺度。

國內有一些苗頭，AI客服相對成熟很多，只是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的內部流程，供應商與客戶就會陷入到反復博弈中。

企業一旦能夠找到確定性的價值，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，減少人力成本；AI智能路由優化線路超過預期，提高了經營效率，不斷累加的確定性收益，都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，只是規避賬單不斷膨脹的權宜之計。

技術已經能回答了能否做到，商業還沒回答值不值。

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，將之寫進合同，那個上午簽完、下午不再需要反悔的時刻就到了。

而此時，AI進入到生產力，才真正轉動了商業飛輪。

責任編輯 | 汪鵬