AI商用困局：当供应商算不清成本，客户算不明收益

签完合同，下午就反悔 由于内部AI需求激增，今年上半年，一家企业密集接洽了所有能触达的国内AI供应商。经过性能与价格综合评估，最终选定一家签约。不料上午落笔，下午对方即登门，提出取消按次计费，改为纯Token消耗模式——核心诉求只有一句：“能做，但得加钱。”调整后采购成本将暴涨5倍。企业AI负责人直言：“商业合作中临时变卦是红线，我们流程绝不容忍，当场终止合作，更换供应商。” 模型厂商背着成本起舞 这不是个案，而是当前国内AI商用落地的缩影：供应商在交付能力的同时，正艰难摸索可持续的付费逻辑。传统SaaS边际成本趋近于零，而大模型调用却呈现非线性成本结构——多轮推理、工具调用、长链路执行，单次Token消耗呈几何级增长。用户单次算力消耗飙升，使用规模扩大，但企业真实需求并未同步万倍增长。模型能力跑在前面，物理算力供给却受制于重资产周期：全球GPU出货量两年仅增2.5倍，HBM与CoWoS产能去年才完成爬坡。技术迭代是指数级的，基建扩张却是线性的。 Anthropic给出了一条参照路径 Anthropic以Coding为锚点，率先跑通ToB商业化闭环：它不卖模型本身，而是将能力嵌入高价值、可量化、有明确替代成本的场景——比如替代资深工程师写代码。五月与SpaceX签署大规模算力租赁协议后，年化收入突破450亿美元。关键在于，它让客户清楚看到“省下了多少人天”“缩短了多少交付周期”。这种结果导向的定价，正在被百度、阿里、腾讯、华为、字节等厂商复刻。但主会场PPT再炫，落地时仍要直面一个问题：谁来定义“效果”？谁来验证“价值上升得更快”？ 客户开始自己掌舵 面对模糊的账单，越来越多企业选择收回主导权。美团年投AI数据采购超20亿元，远超研发总预算，但在核心路网识别场景准确率仅60%–70%；即便如此，王兴在内部会上表态：“不做AI，可能活不过三年。”但投入决心不等于盲目烧钱——他们用最贵的大模型探边界，再用4B/35B小模型跑日常，把Token开支压进可控区间。极兔上线工单质检系统后，在中国市场投诉率下降23%，海外推广却因ROI难测算而暂缓；其策略是：本地闭环用自研微调模型，仅在全局调度与用户直面环节调用外部大模型。洋葱学园则将AI严格限定在诊断、反馈、个性化推荐等容错率高的环节，高风险场景必加人工校验——不是不愿用100分模型，而是80分到95分的成本是指数级跃升。 绑定失效，服务补位 传统SaaS靠数据沉淀、流程固化、生态集成实现客户锁定，而AI时代这三重护城河正在瓦解。模型迭代太快，“流水的SOTA”，客户拒绝长期绑定；基模涨价就换厂商，能力升级就切换接口——火山引擎豆包、DeepSeek、字节小云雀，在洋葱学园眼中只是可插拔模块。Coding Plan本质是分销渠道，头部客户往往同时采购多家厂商额度，动态比价、多账户调剂，甚至已开始评估自建服务器的可能性。供应商也意识到技术绑定失效，转而组建FDE（前沿部署工程）团队，像微软那样派驻6000人深入客户现场，用人力服务弥合商业逻辑断层。阿里近期将三款企业级Agent产品合并，亦是资源聚焦、提升交付确定性的信号。 两本账，一道门 供应商的账本写着芯片折旧、集群运维、模型迭代；客户的账本记着人力节省、效率提升、错误率下降。二者尚未对齐，AI就难以真正转动商业飞轮。极兔在问题件处理与智能路由上已积累可量化的收益，AI介入率下降、线路优化超预期，这些确定性正推动其持续投入；而Anthropic的成功，恰恰在于它把“替代一个资深工程师”变成了可写进合同的条款。当企业能说清某个环节花了多少钱、省下多少成本，当供应商能提供清晰的价值替代清单，那个上午签约、下午反悔的荒诞时刻，才会真正终结。技术早已回答‘能不能’，商业还在追问‘值不值’——而答案，不在实验室里，而在每一笔可验证的落地账单中。