2026 年年中,AI 行业的主要经营指标,收入、调用量均保持高速增长。但拆分各家公司的财务与业务结构后可以发现,同一组增长数据背后,商业模式不尽相同。本文梳理当前 AI 商业模式中四个结构性悖论:成本、层级、责任与开闭源。这四个悖论指向同一个底层趋势:智能正在快速商品化,而利润仅停留在少数环节。
成本悖论:Token越便宜,账单越重
2023 年 3 月 GPT-4 发布时,每百万 Token的输入价格为 30 美元、输出价格为 60 美元。企业用其搭建客服系统,一个月的 API 费用可能超过整个客服团队的工资。三年后,同等智能水平的价格已下降超过 95%。
按常识推断,AI 开支应当随之收缩,但现实相反。2026 年 3 月,全球单周 Token调用量达 20.4 万亿;中国日均调用量突破 140 万亿,较 2024 年初增长超过千倍。这一现象与经济学中的杰文斯悖论(Je vons Para dox)一致:蒸汽机效率越高、单位耗煤越低,煤炭总消耗反而越大。Token单价下降,并没有带来总账单的下降。
原因在于需求结构的改变。价格足够低之后,大量原本不具备经济性的任务开始被纳入 AI 的处理范围,企业月度支出从 5 万美元升至 50 万美元,但完成的任务也是此前不敢设想的。更关键的是使用范式的迁移:过去的对话式交互以人的时间为上限,而 Agent (智能体) 可以 24 小时运行,一名员工背后可能挂有 10 个 Agent,用量可达纯人工交互的数十倍。有研究显示,智能体编程任务的 Token消耗约为普通问答的一千倍。单价下降一个数量级,总消耗可能上升两个数量级。
成本在产业链中的分配同样值得关注。以每月 20 美元的 Claude 订阅为例,模型公司扣除算力、渠道与运营成本后,净利空间较薄;而流向芯片层的利润,有时并不比模型公司少。用户为智能付费,利润却大量停留在上游。
面对账单压力,行业开始从省单价转向省任务:简单任务路由至小模型,为 Agent 设置任务预算以防止空转;核算单位也从每百万 Token的价格转为完成一件事的总成本。实践表明,使用同样的模型和用量,具备任务拆解、结果验证和流程接入能力的公司,产出效率显著更高。与此同时,补贴模式也在退潮:Claude Code 退出低价订阅,Copilot 改为按量计费。杰文斯效应并未消失:行业最终发现,需要优化的不是价目表,而是任务本身。
账单加重的同时,企业效率的提升却常常看不见。索洛早就指出过:计算机无处不在,唯独在生产率统计里找不到。电动机是现成的参照:1880 年代就已问世,美国工厂却用了约四十年才兑现效率,多数企业只是用电机替换蒸汽机,传动结构原样不动,而电力的价值恰恰要求产线重排。
今天的AI处境相同。Databricks 创始人 Ghodsi 讲过一个案例:一个数据连接器历来要开发九个月,引入大模型后首次尝试只省下一个半月;直到有人把流程拆解重做,才实现一个季度交付。他的结论是,瓶颈不在模型,在组织方式。
成本悖论因此有两层:杰文斯悖论说,token 越便宜,总账单越重;索洛悖论说,流程不改,效率进不了统计。前者要求优化任务,后者要求重构流程。
层级悖论:应用为王与应用已死
移动互联网时代的共识是应用为王:谁占据用户时间,谁就有机会通过广告和推荐变现,高频打低频,打开次数即价值。
AI 这一轮出现了反转。黄仁勋曾公开表示,经济价值最终会在应用层兑现,成功的应用将拉动整个产业。按照这一逻辑,资金应当向应用层聚集。但 2026 年夏天,一级市场的主流判断是应用已死:基础模型进化过快,做得太薄的应用随时可能被模型能力的自然延伸所覆盖。资本首先流向模型与基础设施,应用层仍有融资,但远不如上一轮那样被视为理所当然。
产业账本在一定程度上支持了资本的选择。按产业栈拆分,生成式 AI 生态年化收入约 4000 亿美元时,芯片层拿走约七成收入和近八成毛利;应用层收入约 600 亿美元,毛利率多在 0-30% 之间,而英伟达一类的芯片公司毛利率可达七成上下。云计算时代应用层占据最大份额的正三角形结构,在 AI 产业中倒置了过来。
模型层内部也在分化。偏企业 API、依靠存量客户用量滚雪球的公司,收入暴涨的同时推理毛利率可以从深度亏损一路修复至七成上下;而背负庞大免费用户的公司,营业端表现远不及收入标题。盈余并非均匀分布在整个模型层,而是向少数高留存、高毛利的路线集中。资本对应用的冷落,既有认知偏见,也有财务依据。
AI 产品竞争的不再是用户停留时长,而是用户是否愿意将一件重要任务托付给它。通用 ChatBot 和通用 Agent 大概率是头部模型公司的主战场,创业公司正面竞争的机会有限;仍能成立的方向,是把智能装入具体场景,按照问题真实发生的方式重做产品。用户不会因为产品接入了某个模型而留下,而是因为产品看得懂材料、记得住上下文、接得上后续服务。Harvey 在法律领域深耕多年,其积累的审查记录与判例数据,不是短期投入能够复制的。
由此可以得到一个简洁的判别标准:基础模型每增强一代,产品的价值是变大还是变小?变小的,多半是模型能力的包装;变大的,通常握有私有上下文、业务流程、完整交付能力或渠道。价值兑现的环节并未消失,只是成立的标准改变了:谁能在模型变强时,把自己变成更难替代的一环。
责任悖论:利润沿责任分布
先看两组数据。Anthropic 的年化收入 (ARR) 从 2024 年 12 月的约 10 亿美元,增至 2026 年 5 月的 470 亿美元以上,一年半增长超过四十倍。OpenAI 官方口径为:2023 年 ARR 20 亿美元,2024 年 60 亿美元,2025 年超过 200 亿美元,2026 年 2 月底已超过 250 亿美元。
但增速只能证明需求存在,无法证明利润能够留存。同样处于高增长中,Anthropic 的推理基础设施毛利率从一年前的 38% 提升至 70% 以上;而 OpenAI 在2025 年 11 月更新的内部文件,将自由现金流转正时点推迟至约 2030 年。同处 AI 产业,两类公司的增长已经出现分化。针对这种分化,市场上主要有三种解释,各自都有部分道理,也都遗漏了关键环节。
第一种解释是时间可以解决一切:推理成本每年下降一个数量级,当前压制毛利的算力账单,两三年后或许不再是问题。云计算、存储、带宽均走过早期烧钱换规模、成本曲线压平后利润自然浮现的路径。但这一解释难以回答一个事实:成本下降最快的两年,恰恰是利润分化最明显的两年。如果成本下降是解药,行业利润应当整体改善,而非一半改善、一半恶化。原因在于成本下降是普惠的,所有厂商同时受益,也同时通过降价将红利让渡给用户。把利润寄托在成本通缩上,等于承认自身不具备定价权。
第二种解释是应用层存在护城河:客服、工单类产品深嵌客户系统,数据积累与迁移成本构成防御。这一判断在五年前成立,但新一代 AI 工具的核心卖点正是迁移成本趋近于零——不替换客户的系统,而是直接接管现有流程。至于数据积累,基础模型一次大的能力跃升,就可能使积累数年的行业知识库大幅贬值。最具说明性的案例是 Intercom:它推出 Fin,按实际解决的问题计费,每单 0.99 美元,未解决不收费。这一定程度上说明,按席位售卖客服工具的旧模式已难以维持。
第三种解释是按结果收费不可行:工单是否解决、销售转化是否应归功于 AI,归因难以厘清。因此按 token、按席位收费才是常态,按结果收费只是边缘实验。归因难题确实存在,但它更可能构成定价权的来源而非障碍:正因为归因难以实现,能够在特定领域将归因做实的厂商,等于把归因能力本身变成了壁垒。并且部分领域的归因天然清晰,工单是否解决、催收是否回款、理赔是否结案,都可以写入合同进行验证。归因不实的领域不按结果收费,归因清晰的领域按结果收费,多种计费模式将长期并存。
排除上述三种解释后,剩下的结构性变量只有一个:厂商愿意为结果承担多大范围、多强约束的责任。责任越重,毛利越高,预算来源也越大。按 Token销售争夺的是 IT 预算,按结果销售切入的是人力预算:一个部门每月人力成本十万元,若 AI 能以一万元完成同等结果,定价空间将完全不同。
这也回答了另一个问题:为什么最容易起量的业务最难留住利润。客服、商品描述、语音转工单等业务量大、易演示、易签单,但也恰恰是责任含量最低、基础模型最容易直接覆盖的业务。相反,法律、医疗等低频、强监管、高错误成本的领域,交付重、销售周期长、叙事不性感,但销售的是流程、数据与责任,单次模型升级无法将其抹除。Harvey 选择法律并非偶然。
因此,评估一家 AI 公司的位置,与其关注增速与模型能力,不如回答两个问题:它敢于为哪部分结果负责,以及这部分结果的归因是否足够坚实。前者是意愿,后者是能力,缺一则无法获得结果溢价。这一标准并不保证判断准确,归因技术仍处早期,企业采购习惯的改变也慢于乐观预期。但方向上,利润大概率不流向增长最快的公司,而流向敢于负责、且负得起责的公司。
开闭源悖论:开源获得流量,闭源赢得收入
仅看用量,开源已经占据优势。OpenRouter 平台流量前五的模型全部为开放权重模型;开发者采用率方面,开源为 79%,闭源为 71%。中国模型是这一轮开源扩张的主力,在该平台的份额从一年前的不足 2% 升至 2026 年 4 月的 45% 以上,前十名模型中 Token用量占比达 61%。
仅看收入,闭源的优势同样明显。a16z 对 Global 2000 企业 CIO 的调查显示:企业在开源模型上的支出占比从上年的 19% 降至今年的 11%,闭源占 89%,平均每家企业年度大模型预算约 700 万美元。OpenRouter 平台内部也呈现同一结构:Anthropic 以 12% 的 Token份额获得 46% 的金额份额。
性能差距仅为个位数、价格便宜 5-20 倍,企业为何仍然选择闭源?因为企业采购的从来不只是智能本身,还包括可靠性、技术支持、合规保障,以及出现问题时的责任主体。够用与敢于用于核心业务是两回事。调查中另一个细节值得注意:开源与闭源的总拥有成本 (TCO) 正在收敛,闭源降价的速度快于开源建立信任的速度。混合部署因此成为常态:实验与边缘场景用开源,关键路径用闭源。
更深层的变化在于,开源阵营自身也不依靠模型盈利。不同厂商的开源动机并不相同。有的以平台生态为目标,用开放权重换取开发者入口和行业标准话语权,由既有主业反哺;有的把开源模型当成云业务的获客渠道,拉动开发者上云,进而带动云收入的持续增长。模型层正在快速商品化,利润池向两端迁移:上游的算力,下游的编排、数据与服务。
闭源阵营的困难在于,其溢价与能力代差强相关,开源每逼近一步,按 token 计费的定价权就松动一分。但稀缺并没有消失,只是分了层:前沿模型依然稀缺,够用的智能正在商品化。因此评估一家公司的位置,问题不在于它选择开源还是闭源,而在于它依靠什么获得收入,以及开源再进一步时,它的收入是增加还是减少。
本文来自微信公众号“腾讯研究院”(ID:cyberlawrc),作者:刘琼
