AI按Token计费,需求暴涨利润为何反降
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O
2026年的AI行业,正处在一个让人费解的尴尬阶段。
眼下AI需求涨得飞快。
OpenRouter的数据显示,20个月里其平台调度的Token处理量涨了约250倍,达到128.4万亿枚;算力租赁市场也跟着往上走,H200的租赁价格年内涨了160%,B200涨了120%。
可真正落到口袋里的利润却少得可怜。还是OpenRouter的数据,9月第二周开源权重模型处理了72%的Token,拿到的平台总支出却只有27%。
平台端分不到钱,模型公司自己更是在亏。智谱2026年上半年经调整净亏损接近20亿元;大洋彼岸的OpenAI,第一季度运营亏损率也到了122%。
需求涨成这样,硬是没把模型公司的利润拉起来。到底是什么卡住了AI回收利润的路?
01、旧活被替掉,新账算不清
AI一进市场,最先挨冲击的是那些高度标准化的专用工具。
翻译、基础客服、代码补全这些过去要单独买的服务,如今被AI大模型一口吞了下去。
Anthropic的报告显示,计算机程序员的任务自动化覆盖率已达74.5%,客服代表达70.1%;翻译领域更厉害,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)
这些原本由大量中小服务商撑着的旧活,被AI直接抢走了。旧市场是真实存在的,大家对AI的需求自然也是真的。
需求是接住了,可算账的方式并没有一起继承过来。
传统专用市场买断的是"结果"。
买翻译按千字算钱,买编程按项目报价。这买卖就像去超市买明码标价的商品,客户付多少、拿到什么,事前都清清楚楚。
如今大部分主流大模型公司换了个路子,像水电煤一样按"消耗"来买,计价单位变成了Token。
客户要面对的,就成了一笔事前说不清的成本账。
头一个问题是Token消耗看不见。
用户拿AI干活时,事先没法知道会用掉多少Token。一个看着简单的任务,背后的调用链可能很长。这种"看不见"很容易让人不知不觉就产生大量调用,账单出来一看,成本往往远超预期。
据Axios援引AI顾问的真实爆料,一家企业向全员开放了Claude权限,也没设预算上限。由于没有工具能详细预估每次对话、每条调用链背后的Token消耗,公司方可能根本没算过,也没法提前测出大概的成本水位。
结果当月账单出来,直接砸出一个5亿美元的惊天大坑。5亿美元对不少上市公司来说,足以抹平全年的净利润,而这里只是一个月,对任何一家企业都算得上一场突如其来的财务灾难。
类似的事还有Uber,部署Claude Code后同样因为对调用量预估不足,短短四个月就把全年的AI预算用光了。
这种"事前算不出,事后吓一跳"的体验,很可能让客户用起来更谨慎,比如在权限、预算、调用范围上做限制。
Cloudera的调研曾指出,因为成本难以预估,89%的受访者说所在企业今年被迫缩减或重新设计了AI计划。
不止如此,这种不透明还让用户失去了比价的基础。
一瓶水两块钱,贵不贵大家心里有杆秤,性价比一眼就能看出来。可换成按Token计费的AI,每次任务消耗多少并不固定,用户很难算清这一趟到底是用AI合适,还是走老路子合适。
退一步说,就算用户认了这种计费方式,把每笔账单都看明白了,花掉的Token也未必能换回对等的商业价值。
Entelligence AI汇总的数据显示,每投入1美元Token,只有18美分产生了实际价值,44美分花在修Bug上,另有27美分流向返工。埃森哲的调研也给出类似结论:能与可量化业务成果挂钩的Token支出,占比不到20%。
企业掏了大价钱买AI,结果大半预算都在为它的“不成熟”和“失误”掏腰包。这样的投入产出比,本想靠AI“躺平”的企业反倒成了“倒贴”。
失衡的账本,一边可能把老客户直接劝退,复购率跟着丢;另一边也可能让新客户望而却步,未来的扩张空间被压住。
AI抢下了旧市场的饭碗,可价格说不清楚、价值又对不上,用户自然不乐意买单。传统市场原本的利润,也就没能传导到大模型公司手里。
02、写不进合同的“结果”
按消耗收不到钱,顺着这个思路往回找,似乎可以照搬传统专用工具“按结果收费”的老办法。问题是,这条路AI也走不通。
传统工具的结果是看得见摸得着的:翻译交译稿,客服结工单,代码补全生成一段程序。边界清楚,能验收,也能定价。
AI把能力的边界打破了。写诗、写代码、顺手分析一份财报,它都能干。一份标准合同很难写清楚“什么才算把活干完”“这么多活一起干值多少钱”。这就是“归因”的困境。
归因难,难在一个真实的商业结果往往由多个环节共同促成。
举个例子,企业上线AI营销,当季转化率提升20%。这20%里,多少是AI的功劳,多少来自人工运营的助力,又有多少是市场周期性回暖带来的?
云服务商优刻得的说法很直接:一个业务结果通常是多环节共同作用的产物,很难把最终效果单纯归到某一模型的单次调用上。AI、机器、人工、环境一起干活时,价值怎么切,成了AI计费绕不开的死结。
Stripe为此专门发布过按成果付费的指引,其中明确提醒,合同里若没有事先写明归因标准,客户和厂商就可能为“成果算谁的”起争议。
判定标准统一不了,按结果收费也就无从谈起。
市面上确实有按结果收费的厂商,但都局限在单一的闭环场景里。说白了,它们一般只让AI干一种活,而且只在AI干活时收钱。
海外做CRM的Salesforce,其Agentforce在客服场景中,只有AI独立完成闭环、不转人工才收费;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落了地,也产生了价值,单一应用算一种解法。可它把AI的能力收敛到一个场景里,等于又变回了一个专用工具。
结果难定义,归因难拆分。通用大模型想卖“结果”,至今仍拿不出一套运营模式,既能保住AI“什么都能干”的能力,又能把账算清楚。
僵局要破,通用大模型恐怕得另找一个能让价值真正落地的解法。
03、先立锚点,后建入口
卖“消耗”和卖“结果”这两套战术层面的收费模式都走不通,问题的关键就落在了战略上的“缺位”。
大模型公司一直想靠AI的通用能力“多管齐下”闯市场,用跨领域能力把原本零散的专用市场来一场“大一统”。
通用能力确实像黑洞一样吞并了大量专用市场的需求。但也正因为“什么都能干”,它落到具体业务场景里,反而显得缺了不可替代性。
通用工具怎么在市场上扎下根,这个难题其实不是AI才碰上的。翻一翻科技产品的演进史就能发现,那些后来长成庞然大物的通用工具,起步时往往都盯着一件很具体的事。手机就是现成的例子:如今它是个集成了各种功能的通用设备,人们拿它在互联网上能干的事情多得很,可早期它闯市场的方式相当直接——靠一块物理硬件,让人"随时随地能打电话"。
诺基亚1100从2003年上市一直卖到2009年停产,累计销量超过2.5亿台,是历史上卖得最多的手机。可放到今天看,这款机器的功能简陋到什么程度?连小学生手腕上的小天才电话手表都比它强。没有摄像头,没有应用生态,400小时的待机和防滑防尘外壳,全是为"随时能拨通电话"这一个需求服务的。

看时间、看日历、玩贪吃蛇这些功能,都是通话这个入口站稳之后才加上去的。说白了,它们是诺基亚的连带功能,不是核心卖点。没人会为了看时间、看日历专门去买一部手机,但为了信息传递更方便,人们愿意掏钱。后来诺基亚被智能手机淘汰,那是硬件形态在科技迭代中换了代,不是这套打法本身出了错。把产品本身的兴衰放到一边,它给AI留下的启示照样成立:要想在市场上站住,AI也得先找到一个高频、刚需的锚点。
换句话说,现在的AI活像一个塞满了各种APP的超级智能手机,写诗、画图、写代码都行,可它同样需要一个属于自己的"通话键"。
AI当然不会像诺基亚那样变成用户手里握着的"小长方体",但它能"嵌入"。这个嵌入节点可以落在B端企业的财务报销、设备维修上,也可以落在C端用户的AI搜索、旅行规划里。一旦AI作为节点嵌进去,它的产出就成了能被流程清楚记录的交付物。你不用去算AI占了多少功劳,只要看这个节点本身的效率有没有变化就够了。
联想的财务Agent就是一例,它直接覆盖32个财务核心流程,发票处理效率提升了50%。东风奕派的智能体"设备大师"把机器故障响应时间从10分钟压到4分钟,企业的损失也跟着降了下来……

(图源:飞书)
这么看,AI嵌入具体任务节点之后,就有了一个能清楚展示交付价值的容器。大模型公司也才能在这个基础上,重新搭起让客户心甘情愿掏钱的收费结构。这个结构长什么样,眼下还说不准。将来可能是收一笔固定的系统订阅费,也可能是按省下来的成本抽成,还可能演化出某种动态计价的方式。
但不管选哪条路,AI这门生意真要盈利,就得让AI的价值"算得清""看得见"。否则收费模型设计得再完美,也不过是一纸空文。商业世界里的顺序是先有价值、再谈收钱。连稳固的价值锚点都没找准,就急着跟客户算账,那注定只是一场残酷的"单相思"。
* 图片来源于网络,侵权请联系删除