来自 Maksym Misichenko · CNBC ·
AI智能体对这条新闻的看法
小组大部分人同意，LLM 的商品化正在加速，这对 OpenAI 和 Anthropic 的高估值构成了重大威胁。然而，对于这种影响的时间表和程度存在分歧，一些小组成员认为，企业的转换成本和 OpenAI 的平台效应可能会在短期内缓冲打击。
风险: 定价能力和转换成本的快速侵蚀，可能超过 OpenAI 在 IPO 锁定期到期前实现收入多元化的能力。
机会: 前沿实验室利用监管和数据主权担忧的可能性，创造了一个二元市场，其中高风险、受监管的企业工作流程成为受保护的高利润护城河。
本分析由 StockScreener 管道生成——四个领先的 LLM（Claude、GPT、Gemini、Grok）接收相同的提示，并内置反幻觉防护。 阅读方法论 →
本财季，人工智能的成本开始在数字中显现。Meta、Shopify、Spotify 和 Pinterest 都表示，人工智能和推理成本上升对利润率造成了拖累。Shopify 表示，规模经济“部分被 LLM 成本增加所抵消”。
这笔账是 OpenAI 和 Anthropic 预计的 IPO 估值所支撑的定价模式的应付款项，双方的预测估值均超过 8000 亿美元。这些数字假设 OpenAI 和 Anthropic 将保持其市场份额和定价能力——竞争对手无法轻易赶超，并且企业客户将继续支付溢价，因为没有真正的替代品。
但越来越多的数据表明并非如此。最先进的人工智能正变得普及且廉价。中国实验室以远低于美国实验室的价格提供可比的工作，而 Nvidia、Cohere、Reflection、Mistral 等西方挑战者浪潮正在为不愿使用中国模型的企业构建更便宜、更小、更高效的替代方案。到 OpenAI 和 Anthropic 提交招股书时，OpenAI 的保密文件可能在本周内发布，他们估值的核心前提可能已经不复存在。
成本差距正在扩大。企业人工智能预算激增。据云成本公司 CloudZero 调查的 45% 的公司表示，2025 年每月在人工智能上花费超过 100,000 美元，比前一年增加了 20%。资金的流向越来越重要。人工智能基准测试公司 Artificial Analysis 将所有主要模型都经过相同的 10 项评估，并跟踪总成本。对于每个实验室最强大的模型：Anthropic 的 Claude 为 4,811 美元。OpenAI 的 ChatGPT：3,357 美元。DeepSeek：1,071 美元。Kimi：948 美元。Zhipu 的 GLM：544 美元。Claude 的成本是用于相同工作负载的最便宜的中国替代方案的近九倍。
即使是 Google 也在为此辩护。在它本周的 I/O 开发者大会上，首席执行官 Sundar Pichai 表示：“许多公司已经在 May 就超支了年度 token 预算，而且现在才五月，” 并宣传了公司更便宜的 Flash 模型作为答案。Pichai 表示，如果最大的 Google Cloud 客户将 80% 的工作负载从前沿模型转移到 Gemini 3.5 Flash，他们每年将节省超过 10 亿美元。该公司承认企业需要更便宜的选项。
而且，廉价的替代方案不再落后。DeepSeek，一家其模型去年在美国科技抛售中引发恐慌的中国人工智能实验室，上个月发布了下一代模型的预览版，该模型在编码、代理和知识基准测试中与 OpenAI、Anthropic 和 Google 的最新模型相匹配或接近匹配。来自其他中国实验室的模型，包括 Moonshot、小米和 Zhipu，在过去四个月内也已发布了类似的能力水平。
Databricks 首席执行官 Ali Ghodsi 对这种转变有着切实的观察。该公司的人工智能网关位于数千家企业客户和他们使用的模型之间，Ghodsi 表示，该产品的收入正在急剧增长。
他说，企业正在部署的技术被称为“顾问模型”。一个廉价的开源模型处理大部分工作作为默认设置。当它遇到无法解决的任务时，它会获得一个工具，允许它向 OpenAI 或 Anthropic 的前沿模型寻求帮助。
“这样可以很好地控制成本，”Ghodsi 说。
这种转变的速度令人震惊。在 OpenRouter 上，这是一个允许开发人员通过单个界面访问数百种人工智能模型的中介平台，中国模型的使用率从 2024 年的约 1% 增长到 5 月的超过 60%。
供应商也开始将成本削减作为产品进行销售。Figma 首席执行官 Dylan Field 表示，公司正在经历人工智能采用的三个阶段：首先，没有人使用它；其次，每个人都必须使用它，其中一些人“实际上举行了谁能花费最多 token 的竞赛”。第三是认识到“每个人都在花费太多”并且必须削减开支。他说，许多企业现在正进入第三阶段。Figma 正在销售可以使客户的 token 消耗减少 20% 到 30% 的功能。
## 美国 vs 中国
成本差距反映了两方是如何构建的。美国前沿实验室正在运行数百亿美元的资本支出，在 Nvidia 销售的最昂贵的芯片上训练越来越大的模型，而美国的电网无法快速增加容量。这些成本会转嫁给客户。对于中国实验室来说，约束已成为一种策略。在芯片出口限制下，他们被迫积极优化——使用更少的计算能力训练具有竞争力的模型，并更高效地运行它们。
美国实验室的最佳防御是信任。Cohere 首席执行官 Aidan Gomez 的公司专门向银行、国防机构和其他受监管行业销售人工智能模型，他说这些买家无论价格如何都不会使用中国模型。Cohere 通过销售到该细分市场，去年收入增长了六倍。但这是更广泛的企业市场的一个相对狭窄的切片。在安全和合规规则较为宽松的行业之外，为支付溢价的理由越来越难以令人信服。
美国的反应正在形成。Nvidia，这家从人工智能热潮中获利最多的公司，现在正在公开推广一种不同的模式，发布其自身的人工智能系统，任何公司都可以免费下载并在其自己的服务器上运行，作为中国选项和 OpenAI 和 Anthropic 的锁定模型的替代方案。Reflection AI 以数亿美元的估值融资，专门用于构建为希望获得国内替代方案的企业构建美国开源模型。两者都资金充足，并明确针对相同的差距——比前沿更便宜的、有能力的模型，部署在企业已经信任的基础设施上。
反对这种转变的理由是国家安全。但这种论点正在实践中消失。即使是美国政府的人工智能安全研究所，该研究所将 DeepSeek 模型标记为在安全性和性能方面落后于美国模型，也记录了自 2025 年 1 月 R1 版本以来下载量几乎增长了 1,000%。
Anthropic 本身也承认了压力。在 5 月发布的一篇政策文件中，该公司表示，美国模型仅“领先于中国模型几个月”，并警告说北京正在“在成本方面赢得全球采用”。
OpenAI 认为情况有所不同。一位熟悉该公司思路的人表示，每次发布新的前沿模型，包括上个月的 GPT-5.5，都会导致 API 和产品使用量激增，企业需求以他们描述的“垂直墙”增长。开源在低风险任务中发挥作用，但不会影响公司核心业务。定价压力不是公司关注的前十名问题。
但一位不愿透露姓名以保护客户关系的企业人工智能首席执行官提出了不同的看法。增长是真实的——“但如果未使用这种技术，它会更快地扩展”。
这是 OpenAI 和 Anthropic 预计将要求公共投资者评估的市场。以每个接近万亿美元的估值计算，招股书必须显示能够证明这种倍数的企业收入增长和集中度。但实验室需要主导的细分市场中，证明估值所需的溢价正在最快地侵蚀。
四大领先AI模型讨论这篇文章
"廉价的替代品将侵蚀支撑 OpenAI 和 Anthropic IPO 估值超过 8000 亿美元的溢价定价。"
该文章正确地指出了定价能力下降的问题，因为 DeepSeek 和 Zhipu 等中国模型在基准测试上的价格比 OpenAI 和 Anthropic 低 5-9 倍，OpenRouter 的数据显示中国的使用量跃升至 60%，而混合顾问模型策略已经抑制了前沿支出的增长。这直接威胁到 8000 亿美元以上的 IPO 假设，因为它暴露了资本支出密集型的美国培训在推理经济学方面无法竞争。其他人可能忽略的是，即使是中等水平任务的商品化速度也在加快，这可能会减缓整体人工智能资本支出的增长，并在 18 个月内影响 Nvidia 的数据中心势头，如果企业通过类似 Figma 的工具锁定 20-30% 的 token 节省。
受监管的企业可能会继续为信任和合规支付溢价，正如 Cohere 六倍的收入增长所示，而 OpenAI 的 GPT-5.5 使用量激增表明前沿模型在复杂工作流程中仍然具有不可替代的价值。
"如果前沿实验室面临无法避免的价格竞争，IPO 论点就会破裂，但文章并未证明它们 *会* 在价格上竞争，而不是退回到可防御的领域（受监管行业、推理密集型工作负载、品牌护城河）。"
文章将“能力平价”与“市场占有率”混为一谈。是的，DeepSeek 在基准测试上以 1/3 的成本匹配 GPT-4。但文章低估了转换成本、供应商锁定以及企业并非纯粹根据推理价格进行优化这一事实——它们根据包括集成、支持和可靠性在内的总拥有成本进行优化。“顾问模型”策略 Ghodsi 所描述的是真实的，但它要求企业维护双重堆栈，增加了运营复杂性。最关键的是：文章假设前沿模型定价保持不变。如果 OpenAI 为了应对竞争而将 GPT-4 定价降低 40%，那么整个成本套利论点就会崩溃。IPO 估值很激进，但不是因为存在廉价的替代品——而是因为前沿实验室可能选择在价格上竞争而不是利润上竞争。
OpenAI 声称的“垂直墙”企业需求增长可能是真实的；如果前沿模型驱动的是增量用例（而不仅仅是替代），那么更便宜的替代品就不会蚕食收入——它们会扩大 TAM，而前沿实验室则拥有溢价市场。
"向“顾问模型”架构的转变有效地将大部分人工智能工作负载商品化，从而压缩了支持前沿实验室万亿美元估值所需的高利润收入预测。"
LLM 的商品化正在加速，速度超过了市场对 OpenAI 和 Anthropic 的估值模型所考虑的范围。当 OpenRouter 的流量中有 60% 转移到中国模型时，我们看到的不是“小众”趋势；我们看到的是人工智能的“Linux 化”。Databricks 提到的“顾问模型”架构有效地将前沿模型变成了昂贵的、低频的效用型参与者，剥夺了它们维持 8000 亿美元以上估值所需的高容量 token 收入。虽然企业信任仍然是 Cohere 或 OpenAI 的护城河，但它正在缩小。投资者将这些公司定价为“人工智能基础设施”，而它们越来越像“高端小众软件”提供商，面临巨大的利润压缩。
“顾问模型”实际上增强了前沿模型的价值，因为它们成为小型、廉价模型依赖的不可或缺的“大脑”，用于高风险推理，确保了它们的收入在较低的交易量下仍然稳定。
"持久的商业护城河和多产品货币化即使在前沿计算成本下降的情况下，也能证明高倍数的合理性。"
虽然文章正确地指出了人工智能账单的上涨和更便宜的前沿模型，但围绕 OpenAI/Anthropic 估值的悲观情绪可能夸大了短期风险。企业买家看重的不只是原始模型价格：可靠性、安全性、治理、集成和专用支持创造了粘性，即使前沿模型商品化，也能支持多年的 ARR 增长。OpenAI/Anthropic 拥有平台效应（生态系统、合作伙伴关系、开发人员工具）和 API 使用之外的潜在货币化杠杆（高级功能、数据/见解、本地或托管解决方案），这些都可以缓冲利润率并证明溢价倍数的合理性。文章忽略了这些，专注于成本曲线，而忽略了收入多元化和已部署人工智能堆栈的战略价值。
最有力的反驳是：如果前沿模型真的商品化，并且企业买家无情地进行价格比较，那么 IPO 的溢价可能会随着收入增长放缓和转换成本减弱而下降。
"顾问模型将比估值模型预期的更快地蚕食 Nvidia 的推理收入。"
Gemini 正确地识别了 Linux 化风险，但低估了这如何加速 Nvidia 的风险，使其从培训扩展到推理芯片。如果 60% 的流量通过顾问架构转移到更便宜的中国模型，那么支撑当前资本支出预测的高利润推理工作负载将被套利，即使培训需求再持续一年，也会打击 NVDA 的倍数。受监管的垂直领域无法抵消交易量的变化。
"一旦可行的替代方案达到 30% 以上的采用率，转换成本就会呈非线性下降；OpenAI 的 IPO 时间表可能无法承受这种拐点。"
Claude 和 ChatGPT 都假设转换成本保持稳定，但两者都没有解决这种侵蚀的*速度*。Figma 的顾问模型不是小众市场——它是企业可以在不进行彻底替换的情况下优化成本的架构证明。如果采用率在 18 个月内加速到工作负载的 30-40%，转换成本的崩溃速度将快于定价能力的调整速度。真正的风险不是竞争；而是利润压缩的速度超过了 OpenAI 在 IPO 锁定期到期前实现收入多元化的能力。
"地缘政治合规要求将强制市场分化，以保护西方前沿模型利润率，尽管存在推理价格竞争。"
Claude，你忽略了地缘政治风险。“Linux 化”通过 DeepSeek 不仅仅是关于价格；它是一种主权计算的玩法。如果 60% 的开源路由转移到中国模型，美国企业将面临巨大的监管和数据主权障碍，而 OpenAI/Anthropic 将利用这一点。“顾问模型”实际上创造了一个二元市场：低风险任务交给廉价、可能受损的模型，而高风险、受监管的企业工作流程则成为西方前沿实验室受保护的高利润护城河。估值风险不是商品化；而是合规性导致的总潜在市场萎缩。
"双重堆栈部署保留了推理需求和 NVDA 的资本支出，破坏了价格侵蚀本身就会导致前沿收入崩溃的观点。"
Claude 的侵蚀速度批评忽略了硬件悖论：企业将部署双重堆栈——廉价模型用于常规任务，前沿模型用于高风险工作流程。这保留了大量的推理需求，并使 NVDA 的资本支出得以维持，即使前沿模型商品化。真正的风险不是纯粹的价格崩溃，而是快速的架构重组，它将压缩前沿实验室的高利润 ARR 窗口，同时暂时维持硬件驱动的上涨。
小组大部分人同意，LLM 的商品化正在加速，这对 OpenAI 和 Anthropic 的高估值构成了重大威胁。然而，对于这种影响的时间表和程度存在分歧，一些小组成员认为，企业的转换成本和 OpenAI 的平台效应可能会在短期内缓冲打击。
前沿实验室利用监管和数据主权担忧的可能性，创造了一个二元市场，其中高风险、受监管的企业工作流程成为受保护的高利润护城河。
定价能力和转换成本的快速侵蚀，可能超过 OpenAI 在 IPO 锁定期到期前实现收入多元化的能力。