文章指出2026年AI行业面临需求暴涨但利润惨淡的悖论,核心症结在于现有按Token消耗计费模式导致成本不可预估、价值难归因,而按结果收费又因AI通用性与多因素协同难以界定边界;提出AI需效仿诺基亚‘通话键’逻辑,嵌入高频刚需业务节点(如财务报销、设备维修),以可度量的交付效果建立价值锚点和可持续收费模式。
2026年的AI行业,正卡在一个反直觉的尴尬期。
一面是当前的AI需求在一路疯涨。据OpenRouter数据,其平台调度的Token处理量在20个月内增长了约250倍,达到128.4万亿枚;算力租赁市场也随之水涨船高,H200的租赁价格年内上涨了160%,B200上涨120%。
然而,落入口袋的利润却异常惨淡。同样是OpenRouter数据显示,开源权重模型在9月第二周处理了72%的Token,却仅获得27%的平台总支出。
不仅平台端分不到钱,模型公司自己更是在流血。以智谱为例,其2026年上半年经调整净亏损近20亿元;而大洋彼岸的OpenAI,第一季度的运营亏损率也高达122%。
暴涨的需求,硬是没有拉起模型公司的利润。这不禁引人深思,卡住AI回收利润的到底是什么?
AI进军市场,最先受到伤害的是那些高度标准化的专用工具。
比如,翻译、基础客服、代码补全等过去需要独立购买的服务,如今正被AI大模型一口吞下。
据Anthropic的报告,计算机程序员的任务自动化覆盖率已经达到74.5%,客服代表达到70.1%;而在翻译领域更狠,据微软此前的研究表明,AI已经能够胜任口译与笔译工作中98%的内容。

(图源:Anthropic)
AI直接抢走了这些原本由庞大中小服务商支撑的旧活。原来的旧市场真实存在,大家对AI的需求自然也是真的。
但需求虽然接住了,算账的模式却并没有被一并继承。
传统专用市场买断的是“结果”。
比如买翻译,按千字算钱;买编程,按项目报价。这笔买卖就像去超市买明码标价的商品,客户付多少钱、拿到什么东西,都是事前明了的。
而如今大部分主流大模型公司却换了一种模式,像水电煤一样,采用按“消耗”购买的策略,计价单位变成了Token。
这就导致客户需要面对的,变成了一笔事前模糊不清的成本账。
首先就是Token的消耗不可见。
用户在使用AI完成任务时,无法提前预知会消耗多少Token。一个看似简单的任务,背后的调用链可能很长。这种“不可见性”很可能导致用户在不知不觉中就产生了大量调用,等账单一出来,成本往往远超预期。
比如,据Axios援引AI顾问的真实爆料,一家企业向全员开放Claude权限且未设预算上限,由于没有任何工具能详细预估每次对话、每个调用链背后的Token消耗,公司方可能根本没有,也无法提前测出大概的成本水位。
结果,当月账单出来时,直接给砸出了一个5亿美元的惊天大坑。5亿美元对于不少上市公司来说,足以抹平它们全年的净利润,而这里只是一个月,这对于任何一家企业来说,都称得上是一场突如其来的财务灾难。
无独有偶,Uber在部署Claude Code后,也是因为对调用量的预估不足,导致仅用了短短四个月后,就耗尽了全年的AI预算。
这种“事前算不出,事后吓一跳”的体验,很可能让客户在使用时要求更加谨慎,比如在权限、预算、调用范围等地方进行使用限制。
Cloudera的调研就曾指出,由于成本难以预估,89%的受访者表示其所在企业在今年被迫缩减或重新设计了他们的AI计划。
不仅如此,这种不透明还让用户失去了比价的基础。
买一瓶水,价值大约两块钱,大家心里有数,性价比高低一目了然;但面对按Token计费的AI,由于每次任务的消耗都不同,用户可能根本无法判断这次的任务是用AI划算,还是走传统渠道划算。
而就算用户咬咬牙接受了这种计费方式,或者看清了每一笔账单,Token的消耗也未必能给用户带来等价的商业价值。
Entelligence AI汇总的数据就显示,每投入1美元Token,仅18美分产生实际价值,44美分用于修Bug,27美分流向返工。埃森哲的调研也显示,仅有不到20%的Token支出能与可量化业务成果挂钩。
也就是说,企业花了大价钱买AI,结果大半的预算都在为它的“不成熟”和“失误”买单。就这投入产出比,让原本指望靠AI“躺平”的企业,反而变成“倒贴”的了。
这种失衡,不仅可能直接劝退了老客户,丢了复购率,也可能吓退了新客户,限制未来的扩张。
可见,AI虽然抢下了旧市场的饭碗,但价格不明确、带来不了对等的价值,使得用户并不乐意买单。传统市场的利润也因此未能传递给大模型公司。
按消耗卖不出钱,顺理成章的“解法”,似乎就是回过头去继承传统专用工具“按结果收费”的方式,但这条路,AI同样走不通。
在传统工具里,结果是具象的。翻译交出译稿,客服结掉工单,代码补全生成一段程序等。它们边界清晰,可被验收,也可被计价。
但AI打破了能力的边界。它既能写诗,也能写代码,甚至还能顺手把财报分析了。这就导致你很难用一份标准合同,去规定“什么才算把活干完了”“这么多活一起干了价值几何”。也就是有“归因”的困境。
归因之所以困难,是因为取得一个真实的商业结果,往往是由多个环节共同促成的。
比如企业上线了AI营销,当季转化率提升了20%。但这20%里,有多少属于AI的能力,有多少属于人工运营的助力,又有多少属于市场可能的周期性回暖?
云服务商优刻得对此就说得很直接,一个业务结果往往是多环节共同作用的产物,很难将最终效果单纯归因于某一模型的单次调用。也就是说,当AI、机器、人工、环境等多种因素协同工作时,价值的切割便成了AI计费的一个死结。
Stripe就为此专门发布了按成果付费的指引,其中明确提醒,如果合同中没有事先明确归因标准,客户和厂商就可能围绕“成果算谁的”发生争议。
没法统一判定标准,按结果收费便也无从谈起。
即便市场上存在按结果收费的厂商,也局限于单一的闭环场景领域。简单来说就是它们一般只让AI干一种活,并且只在AI干活时收费。
比如在海外做CRM的Salesforce,其Agentforce在客服场景中,只有当AI独立完成闭环、不转人工时才收费;国内的百融智能,在客服场景同样按“成功完成且无需转人工的工单”结算。
AI落地应用了,也产生了价值,单一应用或许是一种解法,但它也把AI的能力收敛到了一个场景里,变回了一个专用工具。
由此可见,结果难定义,归因难拆分,通用大模型卖“结果”时,仍然无法完全向市场交出一套既能保留AI“什么都能干”的能力,又能算得清账的运营模式。
那么,通用大模型若想打破这个僵局,可能就需要去寻找一个能让价值真正落地的新解法。
当卖“消耗”和卖“结果”这两套战术上的收费模式都走不通时,问题的关键就指向了一个战略上的“缺位”。
大模型公司一直试图用AI的通用能力“多管齐下”地进入市场,想用AI的跨领域能力将原本的零散的专用市场进行一场“大一统”。
虽然AI的通用能力确实能像黑洞一样吞并大量专用市场的需求,但也正因为“什么都能干”,让它在具体的业务场景里反而显得缺乏不可替代性。
其实,这种“通用工具如何扎根市场”的困境并非AI独有。回望科技产品的演进史,那些最终长成庞然大物的通用工具,在起点上往往都很具体。
比如,手机。它本身是一个集成了多种功能的通用设备,现在人们能用它在互联网上干许多事情。但在早期,它切入市场的方式非常直接,就是用一个物理硬件为人们带来“随时随地能打电话”的便利。
以诺基亚1100为例,它从2003年上市到2009年停产,总共卖出了超2.5亿台,成为历史上销量最高的手机。

放到今天看,这款手机的功能简陋得甚至比不上小学生手腕上的小天才电话手表。它没有摄像头,也没有应用生态,其长达400小时的待机与防滑防尘外壳,完全是为了保障“随时能拨通电话”这一单一需求设计的。
至于看时间、看日历、玩贪吃蛇等功能,都是在通话这个入口站稳之后才附加上去的,或者说这些是诺基亚的连带功能,而非核心卖点。用户不会为了看时间、看日历而单独购买,但却愿意为了信息的便利传递而付费。
后来,诺基亚被智能手机淘汰,那是硬件形态在科技迭代中发生更替的结果,并非这套打法本身的失误。如果剥离掉产品本身的兴衰,它留给AI的启示依然有效,那就是若要在市场上站稳,AI也必须先依靠一个高频、刚需的锚点。
换言之,现在的AI就像是一个塞满了各种APP的超级智能手机,能写诗、能画图、能写代码,但它也需要寻找一个属于自己的那个“通话键”。
诚然,AI毕竟不像诺基亚一样变成能被用户拿在手上的“小长方体”,但AI能做“嵌入”。无论这个“嵌入”节点是在B端企业的财务报销、设备维修,还是在C端用户的AI搜索、旅行规划之中。
而当AI作为一个节点嵌进去后,它的产出就变成了一个可以被流程清晰记录的交付物。你无需看AI占了多大功劳,只要看这个节点本身的效率有无变化即可。
比如联想的财务Agent,直接覆盖了32个财务核心流程,让发票处理效率提升了50%。东风奕派的智能体“设备大师”,将机器的故障响应时间从10分钟缩短到了4分钟,直接降低了企业的损失……

(图源:飞书)
可见,当AI嵌入具体的任务节点后,它便获得一个能清晰展示交付价值的容器。大模型公司也才能在这个基础上,重建让人心甘情愿掏钱的收费结构。
至于这个收费结构是什么,眼下还未可知。在未来,它或许是收一笔固定的系统订阅费,或许是按省下来的成本抽成,抑或是演化出某种动态计价模式。
但无论如何选择,AI这门生意要想真正盈利,得让AI价值“算得清”“看得见”,不然再完美的收费模型,也只是一纸空文。
毕竟在商业世界,得先有价值,再谈收钱。如果连稳固的价值锚点都没找准,就急着跟客户算账,就注定只会是一场残酷的“单相思”。
* 图片来源于网络,侵权请联系删除
本文来自微信公众号 “深眸财经”(ID:chutou0325),作者:夏琪