AI商业化进程：大厂面临的复杂账目与挑战

作者| 吴先之

编辑| 王 潘

随着企业内部的AI需求持续攀升，今年上半年，一家知名企业与市面上几乎所有能接触到的国内AI供应商进行了接洽。

经过对性能和价格的综合考量，该企业最终选定了一家供应商并签订了合同。然而，令人意想不到的是，合同签订后的当天下午，供应商便返回要求修改支付方式，希望取消按次支付的限制，转而采用纯Token消耗计费模式。其核心诉求简单明了：

“项目可以做，但费用得增加。”

按照供应商的新方案，采购成本将激增五倍。该企业的AI负责人表示：“在商业合作中，临时变卦是大忌，我们的内部流程绝不允许这种情况发生，因此只能将这家供应商列入黑名单，并选择了另一家合作伙伴。”

这一事件折射出国内AI在商用场景中，付费模式仍处于摸索和优化阶段。供应商需要平衡算力成本分摊、不同产品间的生态鸿沟以及自身的商业惯性等多重因素。与传统IT和SaaS服务边际成本几乎为零不同，大模型和AI技术，无论是用于生产力提升的Coding还是桌面Agent，其背后的成本都是非线性增长的。

Anthropic通过Coding成功跑通了ToB商业模式，取得了阶段性胜利。

企业订阅与API调用形成的高价值任务变现模式，正被国内AI大厂纷纷效仿。自5月以来，百度、阿里、腾讯、华为、字节等AI云厂商在各自的大会上，均表达了聚焦结果交付、聚焦高价值场景的愿景。然而，这条路远非主会场视觉表现那般光鲜亮丽。

模型大厂，在成本重压下艰难前行

2023年以来，AI技术经历了从Chatbot到Copilot辅助，再到Agent、Cloud Agent的快速迭代。

随着模型处理任务复杂度的提升，多轮推理、工具调用、长链路执行等需求不断增加，单次调用的Token消耗呈几何级数增长。AI能做的事情越来越多，需求也随之爆发，简单来说，就是用户单次算力消耗增加，使用规模不断扩大。

Token消耗飙升万倍，并不意味着企业需求也相应增长万倍。模型能力跑在前面，而背着刚性物理算力成本的模型厂商们，迫切希望为能力明码标价，以回笼资金。

TechInsights数据显示，同期全球数据中心GPU出货量仅增长了约2.5倍。而HBM高带宽存储和CoWoS先进封装的扩产直到去年才陆续完成。晶圆厂、封装线、存储产线等重资产的扩张周期都是线性增长的。

一位投资人认为，科技大厂将持续上调资本开支，以争夺算力供给。然而，无尽的投入难以持久，此时Anthropic率先在B端释放商业价值，为AI厂商指明了方向。

Anthropic找到了一条确定且能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，Anthropic迎来了爆发式增长，其年化收益突破了450亿美元。

算力供给的释放激发了Anthropic的商业潜能，也证明了AI在B端的商业化空间。然而，潜能并不等于短期就能实现收支平衡，关键在于企业的AI开支能否找到可被量化的收益。AI这个变量使得成本随着用量浮动，而用量又因场景难以固定。

面对新的商业模式和模糊的盈利路径，不少供应商专门组建了FDE团队，以帮助企业AI落地为名，与标杆客户深度共创。例如，微软投入25亿美元成立了Microsoft Frontier Company的前沿部署工程部门，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。

在传统SaaS时代，供应商只需给出价格单和对应年费，客户签完合同后自行部署即可。而在AI时代，不同行业、不同体量、不同落地场景下的开支差异巨大。客户难以说清具体需求，背着成本的供应商也不知道具体场景到底值多少钱，因此只能派驻人员全程跟踪。

火山引擎的谭待曾提出一个解释框架：“单Token价格在涨，但创造的价值上升得更快。”然而，这一逻辑并未解决谁来验证价值上升速度的问题。尤其是当卖方背着成本压力、买方缺乏评估效果的标尺时，这个问题变得更加棘手。

或许正是出于上述考虑，谭待给出了一个准入门槛：“收入目标没达到10亿规模的企业，最好别做Agent，做一个Skill就好了。”这表面上是供应商在替客户做筛选，实则折射出模型厂商和企业客户都难以算清账，只能先聚焦到落地效果上。

“不知道值多少钱”的困惑，在大厂的实际业务运作中表现得更为直接和现实。

一位美团内部人士透露，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。巨大的数据投入并未带来理想中的效果，例如AI在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路要走。

尽管落地难度大，但AI是未来，公司投入的决心不会改变。上述人士告诉徽声在线，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时，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。这一压力的来源从基于Seedance的视频生成产品即梦便能窥见一二。

一位知情人士告诉徽声在线，即梦花费了字节内部至少半数的算力资源，尽管取消了折扣、上线了vip模型等一系列动作，但回收的成本不过一成。算力消耗巨大而收益甚微，影响了业务的持续性。或许是看到了叫好不叫座的局面，让一些巨头掌门人斩断了卷模型的想法。

一位百度人士告诉徽声在线，“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”便是一个典型案例，该团队调用了可灵等外部模型能力，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，推出新产品，设置新的付费点，加速商业化进程。然而，当这些传递到具体的落地场景中时，账单却难以算清。

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了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后再逐步推广。全局效率与本地沉没成本两本账存在偏差，因此执行层有时更习惯于按照自己的逻辑来行事。

某头部AI短剧公司也出于类似考虑，把注意力放在了控制成本上。

这家公司利用AI制作短剧，效率最高时能达到一天一部剧。AI覆盖了理解剧本、分镜、抽卡、审核、剪辑等多个环节。尽管市面上有字节小云雀Agent等现成产品，但公司仍然坚持自研自建，并尝试产品化，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，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。”

实际上，大公司对成本的掌控欲往往比小公司更强烈。

考虑到AI持续且巨大的投入黑洞，美团内部仅使用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。”

徽声在线了解到，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与直面用户的场景时，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。

洋葱学园告诉徽声在线，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。

这些控制策略的出现，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在提供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让客户不愿意签署长期合同。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：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，而是接入了火山引擎豆包和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和Coding Plan均采用额度制套餐，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。但随着业务量增加，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、腾讯三家服务，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，阻滞了AI对生产力的改造进程。

模型厂商需要借助产品落地来摊销物理算力成本。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了大量算力资源，却仅回收了一成左右的成本。头部尚且如此，身后其他玩家的情况可想而知。

客户的账单则是希望通过持续投入找到确定性的产出。美团斥巨资购买数据，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），明确了替代成本，给了买卖双方一个统一的尺度。

国内也有一些苗头，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。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。

技术已经能回答能否做到的问题，商业还没回答值不值的问题。

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进入到生产力领域才真正转动了商业飞轮。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！