|
撰文 | 吴先之 上半年，商业受内部AI需求激增驱动，化还糊涂某企业广泛接洽了国内主流AI供应商。大厂的本在综合评估性能与价格后，商业该企业最终与一家供应商签约。化还糊涂然而，大厂的本签约仅数小时，商业供应商便提出变更计费模式：取消按次支付限制，化还糊涂改为纯Token消耗计费。大厂的本其核心诉求直指一点：“能做，商业但得加钱。化还糊涂” 据供应商调整方案，大厂的本采购成本预计激增5倍。商业该企业AI负责人对此表示，化还糊涂商业合作中临时变卦是大厂的本大忌，内部流程严禁此类情况，最终决定将该供应商拉黑并更换合作方。 这一“临事变卦”事件，折射出国内AI商用场景下付费模式的探索期阵痛。供应商需权衡算力分摊、生态鸿沟及商业惯性等多重成本。与传统IT和SaaS近乎为零的边际成本不同，大模型及AI应用（无论是Coding辅助还是桌面Agent）背后的成本呈非线性增长。 相比之下，Anthropic凭借Coding场景跑通了ToB商业模式，取得阶段性成功。企业订阅与API调用形成的高价值任务变现模式，正被百度、阿里、腾讯、华为、字节等国内AI云厂商复用。5月以来，各大厂在大会上均强调聚焦结果交付与高价值场景，但这条商业化之路远比发布会上的视觉呈现更为艰难。 模型大厂：背负成本起舞自2023年以来，AI技术经历了从Chatbot到Copilot，再到Agent及Cloud Agent的迭代。模型处理的任务日益复杂，涉及多轮推理、工具调用及长链路执行，导致单次调用的Token消耗呈几何级增长。AI能力的提升激发了需求爆发，用户单次算力消耗增加，使用规模随之扩大。 然而，Token消耗飙升万倍，并不意味着企业需求同步增长万倍。模型能力超前，但背负刚性物理算力成本的厂商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出货量仅增长约2.5倍。HBM高带宽存储和CoWoS先进封装直至去年才陆续扩产。晶圆厂、封装线及存储产线等重资产扩张周期均为线性增长。 一位投资人指出，科技大厂将持续上调资本开支以争夺算力供给。这种无尽投入不可持续，Anthropic率先在B端释放商业价值，为AI厂商提供了穿越迷雾的可能。 Anthropic找到了一条让客户直观看到效果的路径——Coding。五月与SpaceX签署大规模算力集群租赁协议后，其业务迎来爆发，年化收益突破450亿美元。 算力供给释放了Anthropic的商业潜能，也证明了AI在B端的广阔空间。但潜能不等于短期收支平衡，关键在于企业AI开支能否找到可量化的收益。AI作为变量，使成本随用量浮动，而用量又因场景难以固定。
面对模糊的商业模式，不少供应商组建FDE（前端部署工程）团队，以协助企业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Microsoft Frontier Company，整合6000名工程师、技术顾问及销售团队，直接派驻客户企业内部提供服务。 在传统SaaS时代，供应商提供价格单与年费，客户自行部署即可。而在AI时代，不同行业、体量及落地场景下的开支差异巨大。客户难以量化价值，供应商因背负成本压力无法确定场景定价，因此需派驻人员全程跟踪。 火山引擎谭待曾提出解释框架：“单Token价格在涨，但创造的价值上升得更快。”逻辑虽无误，但悬置了“价值上升更快”由谁验证的问题。当卖方背负成本压力、买方缺乏评估标尺时，这一问题尤为棘手。 鉴于此，谭待设定了准入门槛：“收入目标未达10亿规模，建议不做Agent，仅做一个Skill即可。”这表面是供应商替客户筛选，实则折射出模型厂商与企业客户均难以厘清账目，只能聚焦于落地效果。 “不知道值多少钱”的困惑，在大厂实际业务中表现得更为直接。 一位美团内部人士透露，公司每年AI数据采购费用达二三十亿元，而整个研发部门年度预算仅约10亿元。巨额数据投入并未带来预期效果，例如在核心路网识别场景中，AI准确率仅维持在60%至70%，距离真正落地仍有长路要走。 尽管落地艰难，但AI被视为未来，公司投入决心不变。上述人士向光子星球表示，美团王兴曾在高管会上指出：“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。当双方均无法厘清账单时，市场自发倒向现实，追求相对可控的成本。 谭待此前吐槽外界关于Seedance的收入数据有误且偏高，导致自身压力巨大。这种压力从即梦（Seedance的视频生成产品）可见一斑。
一位知情人士透露，即梦消耗了字节内部至少半数的算力资源。在取消折扣、上线VIP模型等措施后，回收成本仅一成左右。算力消耗巨大且成本回收困难，影响业务持续性。或许正是看到“叫好不叫座”的局面，部分巨头掌门人开始重新审视卷模型的战略。 一位百度人士向光子星球透露，“Robin（李彦宏）表示百度不做模型能力，只做分发和产品封装。”此前百度Creat大会上的标杆产品“百度一镜”即为典型案例，团队调用可灵等外部模型能力，自身仅做产品封装。尽管如此，“一镜”的商业化仍处于早期阶段。 企业客户：精打细算的算盘模型厂商的策略是加大投入、推陈出新、设置新付费点以加速商业化。但在具体落地场景中，账单却难以厘清。 企业厘清成本账并非易事。当落地业务权责不清时，一线业务往往转向自身可控部分，在AI无限循环游戏中寻找投入产出的确定性。 此前，极兔上线工单质检系统，在中国市场使工单二次投诉率大幅降低23%。但在海外推广时，当地团队较为谨慎，“担心大模型调用成本无法收回”，更倾向于等待收益模型清晰后再逐步推广。全局效率与本地沉没成本的两本账存在偏差，导致执行层常按自身逻辑行事。 某头部AI短剧公司因担忧业务主导权旁落，同样注重控制权。 该公司利用AI制作短剧，效率最高可达一天一部。AI覆盖剧本理解、分镜、抽卡、审核、剪辑等环节。即便市面上有字节小云雀Agent等现成产品，该公司仍坚持自研自建，并尝试产品化以向外部提供服务。 “大公司偏远部门往往因投入度不足而做不好。”该公司负责人认为，生产环节可全用AI，但工具链必须掌握在自己手中，“使用别人的Agent，效率归属他人，且随时可能被收回。” 事实上，大公司对成本的掌控欲往往比小公司更强。 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，仅在测试和验证阶段才使用某款“最贵最好”的大模型。其逻辑简单直接：“如果最顶级的模型都搞不定，其他模型更没戏。” 光子星球了解到，在回报尚不清晰的情况下，美团主张先控制投入，并总结出一套落地经验：先用最贵的模型探出能力天花板，再用小模型处理日常任务，从而将Token开支控制在合理范围内。
这与擅长精打细算的物流公司策略不谋而合。 在数据标注环节，极兔自研数十亿参数微调模型，用于本地闭环验证。仅在全局调度与直面用户的场景中，才调用外部大模型以保证效果。贵的模型优先用于必须贵的地方，其余环节则由技术部门硬扛。 有趣的是，Token开支并不高的在线教育行业，也深知要把好钢用在刀刃上。 洋葱学园向光子星球表示，诊断、反馈、个性化推荐是目前AI应用较普遍的环节。“错误影响可控，能及时纠正。”在高风险场景引入校验机制，避免模型单独“裸奔”。 教育行业容错率极低，一个错误答案可能导致家长退费。未明言的原因仍是成本。从80分提升到95分的代价是成本指数级增长，与其追求昂贵的100分，不如将AI置于收支平衡的70分水平。 这些控制策略的出现，不仅表明企业仍在摸索投产的确定性，也反映出模型厂商在绑定客户方面缺乏有效手段。 我们询问多家公司，得到的答案基本一致。有公司直言：“供应商确实表达过锁定我们的想法，但我们不想被锁定。” 模型迭代迅速，SOTA（最先进）标准流转频繁，客户不愿签署长期合同。此外，AI在生产力领域的商业模式，缺乏传统SaaS绑定客户的三个条件：数据沉淀、工作流固化及集成上下游带来的高切换成本。 洋葱学园未自研通用大模型，而是接入火山引擎豆包和DeepSeek。基模涨价即换一家，能力提升即切换。供应商刚积累的依赖，一次版本迭代便归零。 作为生产力工具的AI Coding，其Coding Plan多采用额度制套餐，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。” 今年价格上涨后，相同价格下用量增加，理论上够用，但随着业务量增加，成本依然攀升。为控制成本，许多客户同时采用字节、阿里、腾讯三家服务，进行比价及内部多账户动态调剂。当被问及如何应对Token价格持续上涨的预期时，厂商表示不排除自建服务器。 供应商并非未意识到此点，试图通过组建FDE团队，以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，例如阿里近日将三款企业级Agent产品合并，以集中资源。 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。 模型厂商需借助产品落地来摊销物理算力成本。Token背后是芯片、模型及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，成本回收率仅一成左右，头部尚且如此，其他玩家处境更艰难。 客户的账单则希望通过持续投入，找到确定性的产出。美团斥巨资购买数据，旨在替代一个尚未算清价值的内部场景；极兔的工单质检系统在中国市场落地良好，但在海外推广时仍面临ROI测算挑战。两家公司用不同的标尺度量AI产出，均需寻找更大的通用性。 Anthropic提供了一个参照系。该公司将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），提供了明确的替代成本，为买卖双方建立了统一尺度。 国内已有苗头，AI客服相对成熟，但其替代对象是时薪较低的客服。若涉及无标准价的内部流程，供应商与客户便会陷入反复博弈。
企业一旦找到确定性价值，投入也将变得确定。极兔曾表示，AI在问题件处理、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出预期，提高了经营效率。不断累积的确定性收益，让企业看到了实实在在的价值。 谭待所言“收入不到10亿别做Agent”、百度“不做模型只做封装”、美团“将最贵模型压在测试环节”，皆是规避账单膨胀的权宜之计。 技术已能回答“能否做到”，但商业尚未回答“值不值”。 当企业能清楚某个环节的花费，或供应商能提供可写入合同的替代价值清单时，那个“上午签约、下午反悔”的时刻将不再出现。 此时，AI真正进入生产力领域，商业飞轮才算真正转动。
微信号｜TMTweb 别忘了扫码关注我们！ |
