大厂AI商业化为何成一本糊涂账

今年上半年，一家公司因为内部AI需求暴涨，几乎把所有能谈的国内供应商都接触了一遍。

综合性能和价格，最终选中一家签了合同。结果上午刚盖完章，下午供应商就找上门来，要求取消按次付费的限制，改成纯Token消耗计费。翻来覆去就是一句话：

“能做，但得加钱。”

根据供应商的调整方案，采购成本直接翻了5倍。这家公司的AI负责人坦言，“商业合作临时变卦是忌讳，我们内部流程绝不允许这种事，只能把这家供应商拉黑，换了一家。”

供应商临时变卦这件事，其实折射出一个更本质的问题：国内AI在商用场景里，还在摸索怎么定价、怎么收费。供应商要考虑的成本维度太多——算力成本怎么分摊、不同产品之间的生态鸿沟怎么填、各自的商业惯性怎么打破。传统IT和SaaS的边际成本几乎为零，可大模型和AI不一样，无论是写代码的Coding工具，还是桌面端的Agent，背后的成本都是非线性增长的。

Anthropic靠Coding基本跑通了ToB的商业模式，算是拿到了阶段性成果。

企业订阅加API调用这种高价值任务变&现模式，正在被国内AI大厂照搬过来。今年5月以来，百度、阿里、腾讯、华&为、字节这些AI云厂商在自己大大小小的会上，都在讲聚焦结果交付、聚焦高价值场景。可这条路，远没有大会现场那么光鲜。

模型大厂，背着成本起舞

从2023年到现在，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消耗呈几何级数增长。AI能干的事多了，需求自然爆发，简单说就是用户单次消耗的算力涨了，用的规模也大了。

Token消耗涨了一万倍，不等于企业也有对应一万倍的需求。模型能力跑在前面，背着刚性物理算力成本的厂商们，迫切地想给能力标个价，赶紧回笼现金。

TechInsights的数据显示，同期全球数据中心GPU的出货量只增长了大约2.5倍。而HBM高带宽存储和CoWoS先进封装，去年才陆续完成扩产。晶圆厂、封装线、存储产线这些重资产，扩张周期都是线性的。

有投资人认为，科技大厂的资本支出还会继续上调，就是为了抢算力供给。可无底洞一样的投入终归不是办法。巧的是，Anthropic率先在B端释放了商业价值，让AI厂商看到了方向。Anthropic找到了一个确定且能让客户直接看到效果的路——Coding。今年五月和Space X签了大规模算力集群租赁协议之后，业务突然爆发，年化收益冲破了450亿美元。

算力供给释放了Anthropic的商业潜能，也证明了AI在B端的商业化空间。但潜能不等于短期就能收支平衡，关键是企业投在AI上的钱，能不能找到看得见摸得着的收益。AI这个变量，让成本跟着用量浮动，用量又因为场景不同，很难固定下来。

面对这种新生意和模糊的商业模式，不少供应商专门组建了FDE（前沿部署工程）团队，打着帮企业AI落地的旗号，和标杆客户深度共创。比如微软投了25亿美元成立Microsoft Frontier Company，整合了6000名工程师、技术顾问和销售团队，直接派驻到客户企业内部提供服务。

要是传统SaaS时代，供应商直接甩个价单和年费，客户签完合同自己部署就行。但到了AI时代，不同行业、不同体量、不同落地方式，开支差距大得离谱。客户说不清自己到底需要什么，背着成本的供应商也不知道某个具体场景到底值多少钱，所以才派人全程跟着。

火山引擎的谭待提过一个解释框架：“单Token价格在涨，但创造的价值上升得更快。”逻辑没问题，可问题是谁来验证这个“价值上升得更快”？尤其当卖方背着成本压力、买方缺乏评估效果的标尺时，这个问题就更棘手了。

或许正是考虑到这个情况，谭待给了一个准入门槛：“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筛选，实际上折射出模型厂商和企业客户都很难把账算清楚，只能先聚焦在落地效果上。

“不知道值多少钱”的困惑，在大厂实际业务中表现得更加直接和现实。

一位美团的内部人士透露，公司每年花在AI数据采购上的费用高达二三十亿元，而整个研发部门的年度预算才不过10亿元。这么大的数据投入，并没有带来理想中的效果。比如AI在其核心的路网识别场景中，准确率只维持在60%到70%之间，距离真正落地还有很长的路。

落地再难，AI也是未来，公司投入的决心不会变。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说：“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，客户也算不清收益。买卖双方都算不清账单的时候，市场就自发地倒向了眼前的现实——追求相对可控的成本。

谭待此前吐槽说，外面传的Seedance收入数据全是错的，而且偏高，搞得他压力很大。压力从何而来？从Seedance的视频生成产品即梦就能看出端倪。

一位知情人士告诉光子星球，即梦消耗了字节内部至少一半的算力资源。经过多次涨价、削减免费权益等一系列操作后，回收的成本也不过一成。算力烧得厉害，收不回成本就影响业务持续性。或许是看到了叫好不叫座的现象，一些巨头掌门人斩断了继续卷模型的想法。

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Create大会上的标杆产品“百度一镜”就是个典型案例——团队调用可灵这类外部模型能力，自己只做产品封装。即使这样，一镜的商业化也还在很早期的阶段。

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。可这些传递到具体的落地场景里，账单怎么都算不过来。

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己可控的部分，在这场AI无限循环游戏里寻找投入产出的确定性。

极兔上线了工单质检系统。在中国市场，工单二次投诉率降了23%。可在其他国家推广时，当地团队很谨慎，“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进。全局效率和本地沉没成本两本账有偏差，执行层有时候更习惯按自己的逻辑来。

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，效率高的时候一天能出一部剧。AI覆盖了理解剧本、分镜、抽卡、审核、剪辑等很多环节。哪怕市面上有字节小云雀Agent这种现成产品，公司仍然坚持自研自建，甚至还尝试产品化，向外提供服务。

“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，但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强。考虑到AI持续且巨大的投入黑洞，美团内部只用了4B和35B的小模型，只在测试和验证时才用某款“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，把Token开支压到可控范围。

这套思路和精打细算的物流公司不谋而合。在数据标注环节，极兔自研了数十亿参数的微调模型，用于本地闭环验证。只有涉及到全局调度和直面用户的场景，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，其余环节由技术部门硬扛。

有趣的是，一些Token开支不高的行业，比如在线教育，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应用比较普遍的环节。“错了影响可控，能及时纠正。”在高风险场景中引入校验机制，避免模型单独“裸奔”。

教育行业容错率极低，一个错误答案就可能让家长退费。当然，没说出来的原因还是成本——从80分做到95分，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。

这些控制策略的出现，不仅说明企业还在摸索投入产出的确定性，也暴露了模型厂商提供AI服务时缺乏有效绑定客户的能力。从多家公司的反馈来看，答案基本类似。有公司直接表示：“供应商确实表达过想锁定我们，但我们不想被锁定。”

模型迭代速度太快，SOTA（最优模型）换了一茬又一茬，客户不愿意签长期合同。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：数据沉淀下来、工作流固化为系统、集成上下游带来的高切换成本。

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都采用额度制套餐，缺乏有效绑定客户的手段。“Coding Plan其实就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，按理说是够用的。可随着业务量增加，成本越来越高。为了控制成本，很多客户同时用了字节、阿里、腾讯三家，互相比价，并且内部用多账户动态调剂。当问到如何应对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个问题。他们试图通过组建FDE团队，用人力服务来弥补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，比如阿里日前将三款企业级Agent产品合并，集中资源。

两本账，一道门

供应商和客户各自的账单对不上，这直接拖慢了AI对生产力和产业的改造进程。

模型厂商必须靠产品落地来摊薄物理算力成本。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，回收成本只有一成左右。头部都这样，身后的其他玩家更不用说了。

客户的账单，是希望通过持续投入找到确定性的产出。美团花巨资买数据，目的是替代一个还没算清楚价值的内部场景。极兔的工单质检系统在中国市场落地不错，但在其他国家推广时仍面临ROI测算的挑战。两家公司用两把不同的尺子量AI的产出，都需要找到更大的通用性。

Anthropic提供了一个参考系。它把Coding视为基础，然后扩展到泛白领和传统软件市场——用明确的可替代成本，给了买卖双方一个统一的标尺。

国内也有一些苗头。AI客服已经比较成熟，只是替代对象是时薪几十块钱的客服。如果涉及到一个没有标准价的内部流程，供应商和客户就会陷入反复博弈。

企业一旦能找到确定性的价值，投入也会变得确定。极兔表示，AI在问题件、客服等环节的人工介入率明显下降，减少了人力成本；AI智能路由优化线路超过预期，提高了经营效率。这些不断累加的确定性收益，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——这些都只是规避账单不断膨胀的权宜之计。

技术已经回答了能不能做到，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写进合同，那个“上午签完、下午不需要反悔”的时刻才算真正到来。

到了那个时候，AI进入生产力，商业飞轮才算真正开始转动。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：大厂AI商业化为何成一本糊涂账要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题