题图来自：AI生成
由于内部AI需求大增，今年上半年，某公司接洽了市面上所有能接触到的国内供应商。
综合考虑性能与价格后，最终和一家供应商签下了合同。没想到的是，上午签完合同，下午供应商找了回来，希望取消按次支付的限制，改用纯Token消耗计费。说来说去，就表达一个核心意思：
“能做，但得加钱。”
按照供应商的调整，采购成本将增加5倍。这家公司的AI负责人表示，“商业合作时临时变卦是大忌，我们内部流程绝不允许出现这种情况，只能将这家供应商拉黑，换了另一家。”
供应商临事变卦折射出国内AI在商用场景中，还在摸索、优化付费模式。供应商需要考虑方方面面的成本，如算力成本的分摊、不同产品间的生态鸿沟，以及自身的商业惯性等。传统IT与SaaS的边际成本几乎为零，而大模型与AI，无论是生产力的Coding还是桌面Agent，背后的成本是非线性增长。
Anthropic靠Coding基本跑通了ToB的商业模式，取得了阶段性成功。
企业订阅与API调用形成的高价值任务变现模式，正在被国内AI大厂复用。5月以来，百度、阿里、腾讯、华为、字节等AI云厂商都在自己的大会上，表达了聚焦结果交付、聚焦高价值场景的想法，可是这条路并不像主会场的视觉表现那般华丽。
模型大厂，背着成本起舞
2023年至今，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消耗呈几何增长。AI能做更多事情，需求随之爆发，简单来说就是用户单次算力消耗增长，使用规模不断扩大。
Token消耗飙升万倍，不等于企业也有对应万倍的需求。模型能力跑到前面，背着刚性物理算力成本的模型厂商们，迫切地希望给能力明码标价，回笼现金。
TechInsights数据显示，同期全球数据中心GPU出货量只增长了约2.5倍。而HBM高带宽存储和CoWoS先进封装迟至去年才陆续完成扩产。晶圆厂、封装线、存储产线这类重资产的扩张周期都是线性增长。
一位投资人认为，科技大厂资本开支将持续上调，以争夺算力供给。无尽的投入无法持久，恰好此时Anthropic率先在B端释放商业价值，让AI厂商看到了穿越迷雾的可能。
Anthropic找到了一条确定且能够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，迎来了爆发，其年化收益迈过了450亿美元。
算力供给释放了Anthropic的商业潜能，也证明AI在B端的商业化空间。潜能不等于短期就能维持收支平衡，而是企业的AI开支能否找到可被量化的收益。AI这个变量，让成本随着用量浮动，用量又因场景难以固定。
面对新的生意与模糊的商业模式，不少供应商专门组建FDE团队，打着帮企业AI落地的旗号，与标杆客户深度共创。例如微软投入25亿美元成立Microsoft Frontier Company的前沿部署工程，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。
如果是传统SaaS时代，供应商给出价格单与对应年费，客户签完合同自己部署即可。而AI时代，不同行业、不同体量、不同落地的情况下，开支差异巨大。客户讲不出所以然，背着成本的供应商不知道具体场景到底值多少钱，所以才派驻人员全程跟踪。
火山引擎的谭待曾提过一个解释框架，“单Token价格在涨，但创造的价值上升得更快。”逻辑固然无误，可是悬置了谁来验证价值上升得更快的问题，尤其是当卖方背着成本压力、买方缺乏评估效果的标尺时，这个问题变得更为棘手。
或许是考虑到上述情况，谭待给出了一个准入门槛：“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做筛选，但折射出模型厂商和企业客户都很难把账算清楚，只能先聚焦到落地效果中。
“不知道值多少钱”的困惑，在大厂实际业务运作中表现得更为直接、现实。
一位美团的内部人士透露，公司每年花在AI数据采购上的费用达二三十亿元，相对而言，整个研发部门的年度预算才不过10亿元。巨大的数据投入并没有带来理想中的效果，例如AI在其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一段路要走。
落地再难，但AI是未来，公司投入的决心不会改。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的时候，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。压力的来源从基于Seedance的视频生成产品即梦便能管窥一二。
一位知情人士告诉光子星球，即梦花费了字节内部至少半数的算力资源，不断涨价、削减免费权益等一系列动作后，回收的成本不过一成。算力烧得厉害，收不回成本影响业务持续性，或许是看到叫好不叫座，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Creat大会上的标杆产品“百度一镜”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。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，产品推陈出新，设置新的付费点，加速商业化。不过传递到具体的落地场景之中，账单却算不过来。
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之后再逐步推广。全局效率与本地沉没成本两本账有偏差，因此执行层有时更习惯于按照自己的逻辑来。
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，效率最高能到一天一部剧。AI覆盖了理解剧本、分镜、抽卡、审核、剪辑等许多环节。哪怕市面上有字节小云雀Agent的现成产品，但公司仍然坚持自研自建，还尝试产品化，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，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执着。
考虑到AI持续且巨大的投入黑洞，美团内部仅用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。”
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，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，极兔自研数十亿参数微调模型，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，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。
洋葱学园告诉光子星球，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，客户不愿意签署一份长期合同。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。包括将数据沉淀下来、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皆采用额度制套餐，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，可随着业务量增加，成本越来越高。为了控制成本，很多客户同时采用了字节、阿里、腾讯三家，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AI对生产力的改造进程。
模型厂商得借助产品落地，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，烧掉大量算力资源，仅一成左右的成本，头部尚且如此，身后其他玩家更好不到哪里去。
客户的账单是希望通过持续投入，找到确定性的产出。美团斥巨资买数据，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）明确的替代成本，给了买卖双方统一尺度。
国内有一些苗头，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。
技术已经能回答了能否做到，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，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，才真正转动了商业飞轮。