AI成本效益压力对Anthropic的影响

表面看，Palantir的Alex Karp在电视直播中指责按token计价模式已失灵，但更深层的论点在于价值最终归属何方。Karp指出这是一种三重榨取：AI实验室对每个token收费，同时学习你输入的专有数据和工作流程，久而久之，你试图建立的竞争优势反而被商品化 ^[1]。在他看来，企业实际上是在付费向供应商交出自己的“阿尔法”——“我得不到任何价值，而他们却拿走了我的知识产权” ^[1]。

正是这种重构，使他将批评与“自建替代方案”联系起来：企业真正想要的是“掌控自己的算力、模型、数据栈和阿尔法……拥有生产资料的所有权”，而不是将其转移给他人 ^[1]。这对一家销售企业数据平台、并与Nvidia合作定制模型的公司而言，无疑是一次巧妙的推销，但之所以引发共鸣，是因为它点中了CFO和CTO们早已感受到的焦虑：按使用量计费将企业自身的使用增长转化为无限责任，而工作流越有价值，你为持续租用它支付的费用就越高。

成本效益之所以成为采购标准，是因为数字确实令人震惊。Meta警告员工，内部AI使用量在2026年预计将达数十亿美元，并在员工约30天内消耗73.7万亿token后，实施了支出上限 ^[2]。Uber据报在四个月内耗尽了整个2026年AI编码预算，并将每位员工的工具月消费上限设为1,500美元 ^[2]，还有一家企业因未设使用限制，单月支出高达约5亿美元 ^[3]。

在此背景下，价格差距尤为明显。Anthropic的Opus 4.7/4.8每百万输入token收费5美元，输出收费25美元，Fable 5为10美元/50美元，而Grok 4.5为2美元/6美元，OpenAI的廉价Luna层级为1美元/6美元，DeepSeek V4-Pro接近0.435美元/0.87美元 ^[4][5]。当亚马逊CTO Werner Vogels表示“大多数工作负载并不需要‘最大、最高端的模型’” ^[3]时，他描述的正是每个财务团队正在计算的算术：对于大量任务而言，成本仅为十分之一的“足够好”模型更具优势。

更隐蔽的风险是结构性的。目前约95%的企业AI使用仍运行在最昂贵的前沿模型上，仅约5%转向更便宜的模型 ^[6]——这意味着支撑前沿模型估值的溢价收入依赖于这一比例维持不变。而模型路由（将简单提示发送至廉价模型，仅将复杂任务保留给前沿模型）正是侵蚀这一比例的机制，今年夏天它已成为OpenAI和Anthropic公认的结构性问题 ^[6]。

微软将数万个Excel和Outlook提示词转向其自研MAI模型，正是这一策略的大规模实践，其明确目标是“减少并最终消除”对Anthropic的支出 ^[5]。如果路由和自研替代从5%上升至常态水平，这些公司估值中隐含的“高溢价需求”假设将被削弱——并非因为模型变差，而是因为买家终于学会不再为普通任务支付前沿价格。

社区反应揭示了一个值得深思的矛盾。Reddit上，关于“按token计价昂贵且投资回报模糊”的诊断获得广泛认同，但Karp的动机却引发公开质疑，最尖锐的观点认为，一个从开源权重模型胜利中受益的人，自然会预测其胜利。也有观点反复为Anthropic的商业模式辩护，认为它显然懂得如何盈利，并能持续推出前沿模型。这种利益关联的提醒是关键的细微差别：趋势是真实的，但最响亮的发声者恰好有产品可售。

此外，成本恐慌叙事低估了一个关于持久性的论点。有关廉价AI威胁的报道指出，美国实验室仍掌握着受监管、高信任度的工作负载——如银行、电网、国防和医疗——这些领域出于合规和安全考虑，绝不会采用中国开源权重模型。从业者也报告称，替代并非纯粹出于价格：企业厌恶波动且不可预测的token账单，往往更倾向于选择名义上更贵但价格固定的协议，这表明Anthropic面临的压力不仅是价格水平，更是定价结构本身。