AI 单价暴跌，为何企业账单越涨越高？

人工智能的单位推理成本正以断崖式速度下行，但企业的 AI 账单却在持续攀升。这一看似矛盾的现象背后，是「单价暴跌、消耗爆发」的双曲线作用机制。36 氪转载的 Michael Watkins 分析文章指出，理解这一机制正在成为企业决策层的核心命题。

两条曲线：单位价格与消耗总量的反向运动

单位性能成本指数级下行

行业数据印证了算力价格的快速下降。Epoch AI 评估六项核心基准后发现，达成特定性能标准的算力成本，依任务类型差异，每年降幅在 9 倍至 900 倍之间。以解答博士级科学问题为例，达到 GPT-4 级性能的单位成本每年缩减约 40 倍；Andreessen Horowitz 的测算也显示，同等性能模型的市场均价每年下跌 90%。

推动价格快速下行的核心动力是白热化的市场竞争，中国开源力量的冲击尤为突出：

• DeepSeek、阿里巴巴、智谱、月之暗面（Moonshot）、Meta 等推出的开源权重模型，锚定了全行业的价格底线。
• 一旦某项高阶能力被开源模型成功复刻，闭源厂商的高溢价定价权便会瞬间瓦解。
• 截至 2026 年年中，顶级开源模型与专有前沿模型的技术代差，已从「数年」收窄至「数月」。

前沿能力与代理工作流推高消耗

与此同时，代表行业顶尖水平的「前沿能力」依然掌握定价权。OpenAI 推出首款具备前沿推理能力的模型时，初始定价仍维持在每百万 Token 60 美元的高位。更关键的是，代理式工作流（Agentic Workflow）为完成一项任务，需要经过目标拆解、工具调用、结果校验、自我修正等多轮迭代，每一步都要重复提交海量上下文信息。

• Gartner 测算：代理式工作流的 Token 消耗量是传统聊天交互的 5 至 30 倍。
• 2025 年 4 月针对八大前沿模型的软件工程基准研究显示：代理式编程任务的 Token 开销是同等对话请求的 1000 倍。
• 即便同一任务的不同运行实例，算力消耗波动也可达 30 倍。

将两条曲线结合，企业的 AI 账单即「单位价格 × 消耗总量」。假设某项任务去年单次成本为 1 美元、今年降至 10 美分（降幅 90%），但代理化工作流让单次任务的调用频次暴涨 50 倍，实际账单就会从 1 美元升至 5 美元，价格红利被完全抵消。

微观层面的冲击同样显著：Uber 首席技术官透露，公司 2026 年度 AI 预算仅四个月便消耗殆尽，根源是 5000 名工程师全面启用智能代理编程工具，单人月均成本攀升至 500 至 2000 美元。Menlo Ventures 数据显示，2025 年企业对大语言模型的投入半年内便实现翻倍；Gartner 预测，2026 年全球企业在 AI 模型与平台上的支出将超过 643 亿美元。

持续移动的分水岭

只有同时审视两条曲线，才能看清 AI 商业格局的真实面貌：模型能力以极快的半衰期向价格底线坠落，本季度还具备高价值的差异化壁垒，下一季度就可能沦为免费的通用能力，新一代前沿能力随即补位登顶。这条分水岭的动态迁移永不停歇，且始终保持单向演进。

汽车行业的「代际迭代机制」是理解这一现象的参照——旧款逐年贬值降价，新款始终维持高价，循环往复。但在 AI 领域，「年款」并非以自然年为单位，实际技术迭代周期已压缩至季度级。如果企业高管仍沿用传统的年度规划节奏，决策节奏实质上已落后市场整整三个技术周期。

AI 已不再是持久的竞争优势

经典战略管理理论的 VRIO 框架指出，一项资源要构建长期竞争优势，必须同时满足价值性、稀缺性与不可替代性。上一代 AI 模型虽具备极高价值，却已失去稀缺性与模仿壁垒。当某项能力跌入免费的价格底线，就自然成为所有竞争对手乃至新进入者的通用基础设施。

战略学界对这一演化路径早已熟知：当一项创新价值巨大却极易复制时，最终捕获商业价值的往往不是创新的直接应用者，而是掌握「互补性资产」的主体。在 AI 时代，这些不可替代的互补性资产包括：

• 无法被爬取的专有数据；
• 严格的监管准入资质；
• 成熟的分销渠道；
• 实体基础设施；
• 机构级信任；
• 在前沿技术演进关键期保持持续投入的资本实力。

「模型代际迭代机制」为经典战略框架叠加了更残酷的动态属性。即便企业拥有雄厚的静态资产，若无法围绕新一代 AI 能力完成敏捷的组织重构，原有优势仍会被持续侵蚀。真正持久的竞争优势，来自战略管理学定义的「动态能力」——持续识别 AI 能力所属代际的洞察力、比竞争对手更快落地商品化能力的技术执行力，以及随价格底线下移精准调配人才与资本的组织弹性。静态护城河决定企业当下的竞争位势，重构迭代速度决定企业能否保持长期领先。

给企业高管的战略启示

文章以年营收 100 亿美元的区域性医疗集团为例，将 AI 项目拆分为三类并提出差异化策略：

• 基础模型能力：如 AI 医疗文书助手、账单编码匹配、患者留言分诊等。这类能力技术门槛已被完全突破，采购应遵循「短期化」原则——坚持签订短期协议，绝不为价格持续下跌的能力锁定当前高价。
• 前沿模型能力：如处理复杂保险拒赔申诉、辅助疑难病症临床诊断、精准匹配临床试验等。这是企业拉开差异化竞争差距的战略核心战场，应采取「少而精」的限时试点策略，预设明确的临床或财务硬指标，达标项目快速纳入长期业务体系，未达标项目果断终止，切不可陷入「无限试点循环」。
• 持久互补性资产：如积累多年的纵向患者病历库、法律与伦理问责权等。这类资产无法被复制，也无法被模型承担，是抵御技术贬值最持久的屏障。

三种演化情景

硬件投入的确定性很高，真正的未知数是这些投入能转化为多少有效智能产出。文章勾勒了三种潜在方向：

1. 商品化趋同：开源模型在 12 个月内彻底追平前沿模型的能力差距，智能彻底成为通用工具。战略方向是将前沿能力预算压缩至最低水平，全力在企业内部深度落地商品化 AI 能力。监测信号包括开源模型迅速登顶前沿榜单、前沿厂商大幅下调 API 价格等。
2. 前沿复利：技术代差长期维持在 18 个月甚至更久，前沿模型在深度推理、科学研究与复杂优化领域展现出不可替代的实质优势。METR 数据显示，2019 至 2025 年间模型自主完成任务的能力翻倍周期约为 7 个月，2023 年后的新模型更是缩短至 4 个月。战略方向是中型企业应尽快联合组建采购联盟，趁当前仍有议价筹码时锁定算力资源。
3. 监管平台：在医疗等高监管行业，制约 AI 落地的瓶颈不再是智能水平，而是合规证据积累与监管审批周期。战略方向是将评估与治理体系作为最稀缺的战略资产。

文章最后指出一个耐人寻味的现实错位：多数企业正盲目按照情景一规划未来，AI 供应商却在按照情景二制定高价。这一错位，是 AI 时代企业战略决策中最值得警惕的认知偏差。