内部AI需求激增下，某公司于今年上半年全面考察了市面上所有可接触到的国内供应商。综合性能与价格考量，最终选定一家供应商签订合同。谁料上午刚签完，下午供应商就提出来，希望取消按次支付的计费方式，改为纯Token消耗模式。说白了，核心诉求就是：

“能继续合作，但价格要调整。”

供应商提出的方案，意味着采购成本将增加5倍。该公司AI负责人明确表态，“商业合作中最忌讳中途变卦，我们内部流程绝对不允许此类情况发生，只能选择终止合作，另寻合作伙伴。”

供应商临阵更换计费方案，恰恰反映出国内AI在落地商用场景时，付费模式仍在探索、优化阶段。供应商自身也需要权衡多重成本因素，包括算力成本的分摊方式、不同产品间的生态衔接问题，以及自身商业模式的惯性思维等。传统IT与SaaS的边际成本几乎为零，可大模型与AI，不管是生产力的 Coding 还桌面 Agent，背后的成本呈现非线性增长趋势。

Anthropic 通过 Coding 方式，基本打通了ToB的商业模式，取得了阶段性进展。

企业订阅与API调用相结合的高价值任务变现模式，正被国内AI大厂借鉴和尝试。今年5月以来，百度、阿里、腾讯、华为、字节等AI云服务商，在各自的行业大会上，都传递出聚焦结果交付、聚焦高价值应用场景的信号，然而这条路并非看上去那般 гладкий。

模型大厂，在成本压力下艰难前行

自2023年起，AI经历了从Chatbot到Copilot辅助，再进一步到Agent、Cloud Agent的演进。

模型能完成的任务日益复杂化，涉及多轮推理、工具调用、长链路执行等，单次调用的Token消耗量急剧增加。AI能提供的功能更丰富，用户需求随之释放，具体体现就是用户单次算力消耗上升，使用规模持续扩大。

Token消耗量提升了万倍，不代表企业也有相应万倍的需求。模型能力虽然先进，但需要承受刚性物理算力成本的压力，模型厂商迫切需要合理定价，实现资金回笼。

TechInsights数据显示，同期全球数据中心GPU出货量仅增长了约2.5倍。至于HBM高带宽存储和CoWoS先进封装技术，直到去年才逐步完成扩产计划。晶圆厂、封装线、存储产线这类重资产的建设周期，通常呈现线性扩张特征。

一位投资人分析认为，科技巨头资本开支将持续攀升，目的是争夺有限的算力供给资源。但持续的投入难以长期维持，恰逢Anthropic率先在B端实现商业价值释放，为AI厂商指明了方向。

Anthropic 找到一条清晰且能让客户直观感受到价值的方式——Coding，五月与Space X达成大规模算力集群租赁合作后，迅速获得增长，其年化收益达到了450亿美元级别。

算力供给的释放，激发了Anthropic的商业潜力，也验证了AI在B端市场化的可能性。潜力不等于短期即可实现收支平衡，关键在于企业AI支出能否转化为可量化的实际收益。AI的特性决定了成本随用量浮动，而用量又受具体场景影响难以固定。

面对新的商业形态和模糊的盈利模式，不少供应商专门设立了FDE团队，以协助企业AI落地实施为名，与标杆客户进行深度合作。比如微软斥资25亿美元组建Microsoft Frontier Company的前沿部署工程，整合了6000名工程师、技术顾问和销售精英，直接进驻客户企业内部提供支持服务。

如果是传统SaaS时代，供应商递交报价单和对应年费，客户签约后自行部署即可。可进入AI时代，不同行业、不同规模、不同应用场景导致开支差异巨大。客户往往难以清晰说明需求，而承担成本压力的供应商又无法精确估算具体场景的价值，所以才会派遣人员全程跟踪服务。

火山引擎的谭待曾提出一个评估框架，“单Token价格在上升，但创造的价值增长更快。”此论点看似合理，但隐含了谁来验证价值增长速度的问题，尤其是在卖方承担成本压力、买方缺乏效果评估标尺的情况下，这一问题更显复杂。

或许是基于前述考虑，谭待提出了某种准入规则