核心内容总结
这篇新闻聚焦国内AI商用化的“算账困境”：供应商因AI算力成本非线性增长（如Token消耗、GPU供给不足）算不清成本，企业客户因AI效果难量化算不清收益，导致合作中出现临时加价等矛盾。双方都在摸索破局之道——供应商尝试FDE团队、聚焦高价值场景，客户用小模型替代大模型、多供应商比价等。Anthropic靠Coding（明确替代程序员价值）跑通ToB模式，给国内提供了参考，但AI真正成为生产力，需双方把“糊涂账”变成“明白账”，让成本与收益对齐。
一、供应商临时加价：AI成本为啥这么“烧钱”？
传统IT/SaaS（如办公软件）卖出去后，多一个用户几乎不增加成本；但AI不一样，它的成本是“非线性增长”的：
- Token消耗爆炸：AI处理复杂任务（比如多轮对话、写代码、生成视频）时，每一个字、每一步指令都算“Token”，任务越复杂，Token用得越多，成本翻着倍涨。
- 算力供给跟不上：全球GPU（AI的“发动机”）出货量仅涨2.5倍，但需求却指数级增长；HBM存储、芯片封装这些重资产扩产慢，导致算力成本越来越高。
供应商签合同前可能低估了成本，签完才发现hold不住，只能临时要求加价（比如改成纯Token计费，成本涨5倍）——本质是“成本算不清”的焦虑。
二、企业客户的“省钱攻略”：怎么不被AI成本“套牢”？
面对AI的“无底洞”投入，企业纷纷想出控制成本的办法：
- 美团：日常用小模型（4B/35B参数）跑任务，只在测试时用最贵的大模型（探能力天花板），把Token成本压到最低。
- 极兔：自研小模型做数据标注闭环，只有全局调度、直面用户时才用外部大模型；国内工单质检效果好，但国外推广时先等收益模型清晰（怕成本收不回）。
- 洋葱学园：同时接入火山、DeepSeek等多家供应商，哪家便宜好用换哪家；高风险场景（如教育答题）加人工校验，既避免错误又控制成本。
- 短剧公司：坚持自研工具链，不用大公司的Agent——怕被卡脖子，也想掌握成本主导权。
三、买卖双方的“糊涂账”：为啥都算不清AI值多少钱？
供应商和客户都陷入“账算不明白”的困境：
- 供应商：不同行业、企业的AI需求差异太大（比如教育和物流的场景完全不同），不知道具体场景要花多少成本，只能派驻FDE团队（如微软6000人团队）跟踪，但还是难算准。
- 客户：AI效果难量化——美团花20-30亿买数据，路网识别准确率才60-70%；字节“即梦”烧了一半算力，只收回1成成本。传统SaaS是固定年费，但AI时代没有统一标尺，双方只能反复博弈。
四、Anthropic的成功：找“有明确替代价值”的场景
Anthropic靠Coding（写代码）跑通ToB模式，给国内指了一条路：
- 明确替代价值：Coding能直接替代程序员的部分工作，客户能算清“用AI写代码比雇人便宜多少”，所以愿意付费，Anthropic年化收益达450亿美元。
- 国内参考：AI客服也类似——替代时薪几十元的人工客服，价值明确，所以相对成熟。
启示：如果AI能替代某个有“明码标价”的工作（比如人工、传统软件），双方就能算清账，合作就稳定。
五、AI成为生产力的关键：让“糊涂账”变“明白账”
现在的权宜之计（比如谭待说“收入不到10亿别做Agent”、百度不做模型只做封装）只是暂时的，根本解决需要：
- 供应商：提供明确的价值清单（比如AI能减少多少人力、提高多少效率）。
- 客户：算清投入产出，把AI的收益写进合同（比如“用AI后工单投诉率降23%，节省X元人力成本”）。
只有双方账算清楚了，才不会出现“上午签合同下午加价”的情况，AI才能真正转动商业飞轮，成为生产力。
这篇新闻告诉我们：AI技术已经能“做事”，但商业还没学会“定价”——当成本和收益对齐的那天，AI才会真正走进各行各业。