2026年5月的一个周一早晨，某中小企业的CTO打开Anthropic的账单面板，愣住了。切换到按代币计费的第一天，公司的AI支出涨了7倍。这位CTO的原话是：“我们造了个怪物。”
这不是虚构。这是《金融时报》记者Jamie John等人报道中引用的真实场景。此前，这家公司每用户每月付200美元，工程师们无限制地调用Claude。如今按代币计价后，同样的使用量对应的账单骤然膨胀。CTO的反应直白而本能——削减预算、限制使用、重新考虑每一行由AI生成的代码是否真的值那个价。
持这种反应的不止一家。过去两个月里，从Fortune 200的大企业到硅谷的AI优先创业公司，CTO和CFO们突然开始做同一道数学题：AI的产出，够不够还它的账单？
一、补贴机器：40倍到70倍的燃烧
David Rosenthal（博客名dshr）在其6月23日发布的《AI’s Affordability Crisis》一文中，将AI平台的商业模式概括为”毒贩算法”——第一口免费，上瘾后加价。这个比喻不够优雅，但描述的现象有数据支撑。
半分析（SemiAnalysis）机构进行了一次极限测试：在每月200美元的订阅额度下，用户最多可以消耗多少代币？结果：Anthropic的Claude能烧掉8000美元，OpenAI的ChatGPT则能烧掉14000美元。这意味着，这两家平台对企业客户的隐性补贴分别达到40倍和70倍。
补贴的规模还可以从另一个角度来量度。2025年OpenAI的财务数据——由科技记者Ed Zitron披露——显示：收入130.7亿美元，总成本与费用340亿美元，运营亏损209.2亿美元。其中一笔415.5亿美元的非现金损失来自”非营利转营利实体的公允价值变动”，但即便剔除非现金项，运营亏损仍在百亿美元量级。
更令人侧目的细节是：OpenAI将收入的44%（57.3亿美元）花在了销售与市场营销上——并且在这个投入水平下，企业采纳率的增速依然趋于平缓。
这组数据引出两种截然相反的解读。悲观者说：你的产品免费送都没人要，凭什么敢想提价后的前景？乐观者——包括部分HN讨论参与者——则认为，44%的营销占比恰恰说明市场需求还需要教育，一旦普及曲线跨过临界点，营销费用占比会自然下降。谁对，目前没有定论。
二、企业的集体刹车
HN用户”burningChrome”提供了一线视角。他在一家Fortune 200企业工作，公司经历了标准的AI采纳弧线：前三月的”狂野西部”——所有团队自由使用任何LLM，有的团队甚至因为自建了AI工具而取消了多个SaaS供应商合同，因为他们”觉得成本是零”。随后公司签了Anthropic和Google的企业合同。一个月后，管理层发现代币消耗远超预期，全面切断Claude和Gemini的访问权限。想要恢复访问？需要填写多份表格、经过多层审批、提交扎实的业务论证——在此之前，还得先排进数千人的等候名单。
“公司现在处于损害控制模式。有人看到了账单，决定关掉这场派对。“他的总结简洁而致命。
这不是孤例。多位HN评论者描述了相似的轨迹。有用户指出，公司IT部门开始群发邮件，教育开发者”便宜模型够用了”，同时对高价值模型的使用设置代币或金额上限。另一位为Fortune 100做客户项目的评论者观察到一个通用模式：企业开始给开发者每月500美元的AI额度，要求他们基于交付产出（而非代码行数）证明生产力的提升。
笔者不判断这些做法是否合理。但可以确认一条工程层面的判断：当客户的采购决策从”先用再说”转向”ROI先行”，定价权力的天平正在从卖方滑向买方。
三、另一面：AI也许值这个价
然而，说”AI太贵”之前，需要确立比较基准。部分HN评论者提出了有力的反论。
用户”travisb”算了一笔不同的账：AI是”终极承包商”——即需即用、无空闲期成本、无招聘周期、无合同谈判。一个人类工程师的全额成本（工资+福利+办公空间+管理开销）在美国约为每小时95美元。如果AI能在大量任务上等效替代人类产出，每小时200美元以上依然具备经济合理性。“按照这种利用率水平，AI供应商的财务数据会好看很多。”
用户”qurren”的质疑更直接：“如果工程师年薪X，AI帮他们多产出3倍的工作量，企业应该心甘情愿付到2X的AI费用。“但现实中，他观察到的情况恰恰相反——很多公司在AI支出达到0.1X时就开始抱怨。
这种不对称行为暗示：要么企业对AI的实际生产力贡献缺乏信心，要么企业本质上是在博弈——获取AI的生产力增益，同时指望供应商继续烧钱补贴。
还有一项重要的会计澄清。HN用户”raincole”指出，OpenAI 2025年的385亿美元净亏损中，约300亿来自非营利转营利的”一次性会计处理”。剔除这一项后，OpenAI的核心运营亏损远小于账面数字，且内部目标指向2026年实现盈利。这意味着dshr原文引用的385亿数据可能夸大了持续性亏损的规模。
投资者视角也在分化。一位自述来自财富管理行业的HN用户观察到，过去几个月里，客户对话已从”怎么搭上AI这班车”转向”AI崩盘时怎么保全资产”。但另一位立刻质疑消息来源的可信度，追问”你是在财富管理办公室工作，还是在转述别人的看法？“——这个追问本身，暴露了当前AI经济讨论中”叙事”和”事实”的模糊边界。
四、裂缝在技术侧，还是账单侧？
dshr文章中的一个关键数据来自《金融时报》和Panmure Liberum的分析：在”零成本”的最乐观假设下——仅计算收入相对资本支出的回报——五大超大规模云厂商的AI投资隐含回报率如下：微软-9.2%，Alphabet-15.7%，亚马逊+7.2%，Meta-28.8%，甲骨文-35.6%。只有亚马逊勉强为正。
这组数据需要两重上下文来理解。首先，它假设零运营成本，严重低估了实际亏损深度。其次，它衡量的是”已发生投入”相对”当前收入”的回报——如果未来收入大幅增长（无论是来自模型能力飞跃还是价格上调），这些数字可能被显著改写。哪种假设成立，取决于你是否相信收入曲线能追上投资曲线的陡峭程度。
Will Lockett做了一个高度简化的测算：假设AI行业在未来几年累积约3万亿美元债务，以3%利率、10年期计算，每年仅偿债就需要3090亿美元利润。乐观假设AI达到10%利润率、具备与人类劳动力成本平价、且能完成大多数工种——每个被替代岗位为AI企业贡献约6600美元年利润。那么，仅偿债就需替代4680万个美国就业岗位，相当于美国当前就业岗位的约27%。
笔者指出两处工程级修正。其一，人类劳动力的雇主总成本不仅包含薪资，还包含社保税、医保、办公空间等——根据美国劳工统计局数据，福利成本约占雇主总成本的30.1%，因此每个岗位的等效利润约为9500美元，所需替代岗位数降至约3250万。其二，这个测算假设了AI能够达到人类等效能力——而2024年MIT的一项研究显示，在77%的场景下，使用人类仍然优于AI。这两个方向的不确定性方向相反，彼此无法消解。
五、开源与降价：两条可能的出口
HN讨论中浮现了两个可能削弱危机叙事的变量。
第一条是开源模型的冲击。“tacone”指出，OpenAI和Anthropic的两强格局天然缺乏价格竞争压力；而中国模型和开源模型在价格维度上展开了真正的竞争。GLM 5.2等开源模型正在以极低成本逼近前沿模型的性能水平。有用户提出了一个朴素的问题：为什么要每月花8000美元用Claude，而不花一个月的费用买一台AMD机器或Mac Mini，然后跑同等水平的开源模型？
这个逻辑线的盲区在于延迟和吞吐量。正如”wqaatwt”所指出的：云端批量推理的效率远高于单机本地推理——硬件成本之外，延迟和吞吐量同样关键。对于对延迟敏感的Agent应用，本地部署未必经济。
第二条是平台主动降价的可能性。dshr原文引述Sam Altman的说法，称成本已成为客户的”巨大问题”，OpenAI正在考虑”大幅”降价以对抗Anthropic在企业市场的领先。而Anthropic则在6月宣布”暂停”其Claude Agent SDK的代币计费变更——在提价生效前踩了刹车。但笔者注意到这里面有一个逻辑张力：如果降价在商业上可行，为什么两家都要熬到IPO前夜才考虑？如果降价不可行，这更像是”在IPO完成前维持增长叙事”的短期让步。
六、危机叙事的第三条路
HN用户”woeirua”提供了一个绕开”技术成本”层面的解释框架：“这本质上是一个金融可行性问题。模型本身在以极快速度变便宜——明年这时候，Fable 5 的价格会低于今天的Sonnet。问题不在这里。问题是，很多公司会发现他们从AI中根本拿不到ROI。更快的代码产出不等于更多利润。大多数企业的想法本身就是糟糕的想法——用AI更快地实施糟糕想法，不会带来利润增长。”
这个视角把争论从”技术侧”彻底搬到了”应用侧”。它暗示，即便推理成本降为零，AI的经济可持续性依然存疑——因为价值提取的瓶颈，在于需求本身的质量。
用户”gexla”的自述强化了这层怀疑：“每次我在工具里看到成本指示器，想起自己可能正在做一个没用的东西，我就意识到——大概所有人都在做同样的事。花着想象出来的钱，构建着想象出来的价值。然后我打开社交媒体，看到一堵堵AI生成的内容墙，全在讨论技能、系统、Agent和’Karpathy维基系统’，用来制造更多没用的东西。”
这是存在论层面的不安。但也应该承认，这种情绪可能是一种幸存者偏差——真正创造价值的人未必来HN讨论成本问题。
关于未来的走势，数据池里盛满了矛盾信号。超大规模云厂商2026年的AI基础设施投入预计达到7250亿美元，同比增长约36%。与此同时，企业客户的预算管控已经启动，从无限制使用转向按ROI分配。这两个趋势不可能同时持续——要么证明投入物有所值并实现收入追赶，要么面临一次剧烈的价格发现。
信谁、不信谁，取决于你如何回答一个核心问题：当补贴停止、当企业不再”怕错过”而是”怕亏本”，AI产业留下的是革命性生产力工具，还是一场经典的资本错配？
这不是笔者能回答的问题。但它是每一个关注这个行业的人需要持续追问的问题。
以上分析基于目前的公开信息和社区讨论。如果你有不同视角或补充信息，欢迎讨论。