本文來自微信公眾號： 硅基觀察Pro ，作者：硅基君，原文標(biāo)題：《一年25萬VS每月1500美元！大廠AI預(yù)算徹底分裂了》

一家企業(yè)，一年到底該給員工用多少AI Token？

黃仁勛給出的答案，可能會把很多CFO嚇一跳：25萬美元。

按照這個標(biāo)準(zhǔn)，英偉達(dá)給工程師團(tuán)隊批下的年度Token預(yù)算，高達(dá)20億美元。

但另一邊，Uber卻走到了完全相反的方向。

今年4月，它提前花光了2026年全年的AI編碼預(yù)算。隨后，公司直接給工程師設(shè)了一道硬上限：每人每月1500美元。

《福布斯》甚至專門算過一筆賬，最后給文章起了個很扎心的標(biāo)題：

“人工智能的成本，已經(jīng)高過被它取代的人才?！?/p>

這就有意思了。

同樣是最頂級的科技公司，同樣是在買AI，一邊敢按人均25萬美元配預(yù)算，一邊卻開始精打細(xì)算到每月1500美元，差距怎么會大到這個地步？

最近，海外投資機(jī)構(gòu)Leonis Capital專門寫了一篇文章討論這件事。他們給出的答案很有意思：

企業(yè)買AI，實際上正在跑兩套完全不同的經(jīng)濟(jì)學(xué)。

一種把AI當(dāng)成本，目標(biāo)是用更少的錢完成同樣的事。另一種把AI當(dāng)增長資本，只要它能創(chuàng)造更多產(chǎn)品、更多客戶、更多收入，Token花得越多，反而越劃算。

理解這兩套經(jīng)濟(jì)學(xué)，可能比討論哪家模型更強(qiáng)，更接近AI商業(yè)化真正的核心。

/01/

當(dāng)智能成為商業(yè)模式瓶頸

在Leonis Capital看來，這里問題的背后藏著兩個悖論：

第一，為什么有些公司拼命砍AI成本，另一些卻毫不吝惜地買最貴的前沿模型？

第二，如果開源正在逼近前沿水平，封閉模型憑什么還能收那么高的溢價？

這兩個問題底下，其實是同一個問題——智能，是不是商業(yè)模式的瓶頸？

兩個答案，對應(yīng)兩門完全不同的經(jīng)濟(jì)學(xué)。

擴(kuò)張型市場：產(chǎn)出隨智能提升而增長。更高的智能水平就直接等于更多的收益。買家會掏錢買能買到的最好的模型，不問價格。

這有點像賽車?；ㄊ畠|美元買前沿AI，就像在賽道上買最快的賽車，而圈速是唯一目標(biāo)。性能就是一切，性能越強(qiáng)，你越愿意付錢。

效率型市場：產(chǎn)出被非智能的約束條件卡死。一旦智能超過了其他約束設(shè)定的那條線，再多的智能也變不出額外的產(chǎn)出。這時候，買家只會支付被替代勞動力的價格。

AI在這里的作用是邊際的：替代勞動力、處理工單、提取字段、匯總文檔、處理理賠。一旦模型足夠勝任，額外的智能就毫無意義。

最終帶來的結(jié)果是，擴(kuò)張市場最終會走向結(jié)果定價，藥物發(fā)現(xiàn)的收入分成、交易收益的利潤分成——不再像基礎(chǔ)設(shè)施，而更像咨詢或服務(wù)。

而效率市場則趨向基礎(chǔ)設(shè)施邏輯，按token或API調(diào)用計費，上限透明，收入模式像水電煤。

所以，在同時服務(wù)兩類買家的應(yīng)用層里，同樣的收入，估值倍數(shù)應(yīng)該天差地別。

/02/

Token狂歡背后的4個趨勢

到這里，很多人會想走一條捷徑：把任務(wù)分分類不就行了？

比如"客戶支持=提效，寫代碼=擴(kuò)張"。但這條路很難走通。

因為同一個任務(wù)可能屬于不同的市場，取決于買家想用它來干什么。

軟件工程是最典型的例子。Uber工程師約70%已提交代碼都由AI生成，但它依然在拼命限制支出——因為網(wǎng)約車平臺的乘客需求不受AI限制，更復(fù)雜的代碼變不成更多訂單。

但對一家早期創(chuàng)業(yè)公司來說，十倍的代碼量真的可以變成十倍的產(chǎn)品、十倍的客戶。

于是諷刺的一幕出現(xiàn)了：高速增長的創(chuàng)業(yè)公司，比預(yù)算是它一千倍的大企業(yè)，更舍得為前沿編碼掏錢。

同一家公司甚至能同時跑兩套邏輯。

Coinbase今年6月公開了自己的策略：token用量還在漲，AI總支出卻砍掉近一半——默認(rèn)走更便宜的開源模型，把任務(wù)路由到"滿足條件的最便宜模型"。

但在預(yù)測市場這條新業(yè)務(wù)線上，策略完全相反：押注前沿模型能把市場本身做大。

同一家公司，相反的目標(biāo)，截然相反的支出邏輯。

在這個框架下，一個結(jié)論幾乎無法回避：幾乎所有財富500強(qiáng)，都是效率型買家。

它們的生意不受AI制約，而是受需求、分銷、監(jiān)管、有形資產(chǎn)、網(wǎng)絡(luò)效應(yīng)、員工人數(shù)，以及所有那些讓大公司真正運轉(zhuǎn)起來的東西制約。

所以"代幣最大化"的熱潮過后，絕大多數(shù)公司會回歸效率導(dǎo)向。目前98%從業(yè)者都在管理AI支出，高于2025年的63%；73%的企業(yè)在過去一年里超出了自己的AI成本預(yù)期。

這意味著，效率型買家曾經(jīng)為效率提升付了過高的價錢，現(xiàn)在開始回調(diào)。由此可以推出幾個判斷：

第一，下一階段代幣的關(guān)鍵詞核心是"分配"。

企業(yè)會把AI當(dāng)成一個投資組合：模型訪問權(quán)限不再是全公司的普遍權(quán)利，而是一種升級策略。考核指標(biāo)也會從席位數(shù)、基準(zhǔn)評分，轉(zhuǎn)向每個任務(wù)成本和每一美元價值。

第二，開源模型的機(jī)會來了，而且比想象中大。

一旦越過任務(wù)閾值，GPT-5.6、Kimi 3、GLM 5.2產(chǎn)生的商業(yè)價值幾乎相同。

第三，閉源前沿實驗室，必須逃離效率市場。

閉源實驗室必須逃離效率市場。它們相當(dāng)大一部分收入，來自編碼這類"對買家而言其實是效率任務(wù)"的工作，而這塊正被開源一點點蠶食。

Anthropic的路線圖就是這種壓力的直接體現(xiàn)：2025年7月推出Claude for Financial Services，2026年6月推出Claude Science。

從寫代碼，到做金融，到做藥。這條路線圖，就是在逃離效率市場。

第四，效率市場正在按基礎(chǔ)設(shè)施的邏輯定價。

于是定價最終會走向按token或API調(diào)用計費，配上上限和可觀測的賬單。

競爭也隨之往下沉——推理成本、部署、定制、工作流集成，以及那些讓企業(yè)能真正管住AI開銷的、瑣碎的監(jiān)控工具。這就是為什么OpenRouter能做到5000萬美元的年化收入，并引來數(shù)十億美元的收購意向。

它押注的本質(zhì)上是，效率市場會是最大的細(xì)分市場，而目前嚴(yán)重供給不足。

/03/

競爭形態(tài)，決定了大模型收入的持續(xù)性

因為在擴(kuò)張市場里，智能的價值沒有上限。

橋水旗下的AIA宏觀基金是只由AI運營的基金：AI代理交易，人類監(jiān)督。2023年底以約20億美元起步，到2026年中規(guī)模漲到約45億美元，年化11.3%，與旗艦的人工基金Pure Alpha持平。

當(dāng)alpha可以直接歸因于智能水平時，模型質(zhì)量是唯一變量，token價格不在考慮范圍內(nèi)。但擴(kuò)張型買家從來不是孤立購買——他們彼此競爭。

而競爭的形態(tài)，決定了實驗室收入的持續(xù)性。

一種是零和博弈。更強(qiáng)的智能，只是在重新分配一個有限的盤子。

對沖基金的alpha最典型：一家賺，就意味著另一家虧。所以當(dāng)一家用上前沿模型，對手只有兩個選擇——跟進(jìn)，或者出局。

而當(dāng)所有基金都用上同一個模型，優(yōu)勢歸零。總產(chǎn)出沒變，整個行業(yè)的成本卻永久抬高了。

咨詢行業(yè)更隱蔽，但本質(zhì)一樣：麥肯錫用了，BCG就得跟上，而咨詢公司的總預(yù)算并不會多出一分錢。

這筆支出，實際上是競爭對手之間相互征收的一種稅。而模型提供商，負(fù)責(zé)收這筆稅。

類似的故事曾經(jīng)在高頻交易上發(fā)生過。

2010年，Spread Networks花了約3億美元，橫穿阿勒格尼山脈鋪了一條827英里的光纜，把芝加哥到新澤西的往返時間從17毫秒壓到13毫秒。

所有基金都必須跟進(jìn)，否則就落后，所以基站運營商和交易所成了最大贏家。

后來微波取代光纖，Spread Networks以1.31億美元被Zayo收購，不到建設(shè)成本的一半。

這種零和型支出有兩個特征：

極其焦灼，只要競爭還在，誰都不敢先停手。所以過去二十年，盡管每個廣告主都怨聲載道，廣告技術(shù)支出一直在漲。

極其脆弱，一旦結(jié)構(gòu)性條件改變就瞬間瓦解。當(dāng)年交易所設(shè)了障礙，HFT軍備競賽就戛然而止。整合、監(jiān)管、或一次心照不宣的休戰(zhàn)，對任何零和型AI競賽都有同樣效果。

第二類叫正和。更強(qiáng)的智能，會把整個蛋糕做大。

藥物研發(fā)最明顯。每家公司成功率翻倍，就會有更多藥問世。競爭對手共同創(chuàng)造出更多治愈方案和更多總收入。

GLP-1類藥物2025年銷售額約1320億美元，同比增長超30%——在這個盤子面前，研發(fā)下一個分子的那點算力成本根本不值一提。

芯片設(shè)計、材料科學(xué)同理。更優(yōu)秀的代碼庫，不會讓對手的代碼庫變差。這看起來更像投資，而不是稅。

正和型支出沒有外部力量能輕易掐斷，但它最終一定會撞上非智能的瓶頸——藥物研發(fā)支出會一路攀升，直到撞上臨床試驗?zāi)芰虮O(jiān)管審批的天花板，然后無論模型多強(qiáng)，支出都會停在那里。

對前沿實驗室來說，這里有個戰(zhàn)略級結(jié)論：

組合，比總量更重要。

兩個利潤同樣豐厚的實驗室，一個主要靠零和客戶，一個主要靠正和客戶，生意本質(zhì)上完全不同——前者像收稅，穩(wěn)定但脆弱；后者像投資，持久但會撞墻。

目前沒有任何人量化過這個組合。這是AI行業(yè)最該被看見、卻還沒人做的指標(biāo)，我們懷疑實驗室自己也沒算過。

/04/

總結(jié)

把兩個悖論重新拼在一起，圍繞AI支出的整場討論，會呈現(xiàn)出一副完全不同的樣子。

市場一直在問：AI到底值不值企業(yè)付的這個價？

這個問題本身就是錯的。因為它把兩個根本不該放在一起平均的市場，硬生生平均了。

正確的問題只有一個：每一美元的AI投入，要產(chǎn)出的那個東西，智能是不是它的瓶頸？

如果是——幾乎任何價格下，前沿AI都是便宜的。

如果不是——最便宜且達(dá)標(biāo)的模型才是唯一理性選擇，付高價的買家只是在多付錢。

但這個結(jié)論讓幾乎所有人不舒服。

前沿實驗室不舒服：相當(dāng)一部分收入岌岌可危，取決于能不能比開源更快跑進(jìn)新的擴(kuò)張市場。

開源實驗室也不舒服：瞄準(zhǔn)的恰恰是規(guī)模最大、利潤最薄的那塊，效益取決于能否以商品級利潤率吃下效率市場。

企業(yè)不舒服：大多數(shù)企業(yè)其實都是效率型買家，任何無法與真實瓶頸掛鉤的AI項目，不過是一場披著戰(zhàn)略外衣的表演。

AI敘事本身也不舒服："AI將改變每家公司的所有職能"這個激動人心的故事，注定只在少數(shù)情況下成立。

所以，對那一小部分真正被智能卡住脖子的市場而言，真正有趣的問題幾乎與成本無關(guān)：

當(dāng)"可用的智能水平"最終不再是人類產(chǎn)出的限制時，會發(fā)生什么？

AI市場的大部分目標(biāo)仍然是降低成本，這無可厚非。但真正值得盯住的，是更高智能的價值究竟在哪里持續(xù)攀升。

那里才是前沿。那里，才是AI存在的意義。