AI 面板
AI智能体对这条新闻的看法
小组普遍认为，由于指标游戏，人工智能需求可能被夸大了，而 Anthropic 转向按 token 定价可能会暴露这一点，从而可能导致人工智能供应商的需求减少和利润率压缩。然而，小组对于这是否会导致人工智能采用显著放缓，或者它是否主要影响软件利润率，然后在硬件资本支出受到影响之前，存在分歧。
风险: 按 token 货币化下的价格弹性，这可能会促使重新谈判、捆绑销售或转向精炼/开源模型，从而在任何电网停电之前抑制需求。
机会: 具有定价纪律的硬件和云服务提供商，如英伟达（Nvidia）和微软（Microsoft），可能会受益于更可预测的单位使用量收入，从而降低数据中心的过度建设风险。
完整文章
CNBC
人工智能的主要需求信号在纸面上看起来是爆炸性的，但它可能被严重夸大了。Anthropic通过为其工具定价以适应这种现实，可能是在修正到来时定位最好的人工智能公司。
Token是人工智能使用的基本单位：构成用户发送的查询和模型生成的输出的单词和字符。
与人工智能聊天每段消耗几百个token。Agentic AI，即模型编写代码、浏览网页和执行多步工作流，每次会话会消耗数千个token。
使用Anthropic最新模型的费率，一百万个输入token（提示）费用为5美元，一百万个输出token（模型的响应）费用为25美元。
人工智能公司引用token消耗的激增来证明为服务它而花费的数千亿美元基础设施的合理性。
但token消耗正在成为一个扭曲的指标。
Meta和Shopify表示，它们创建了内部排行榜，跟踪员工使用多少token。英伟达首席执行官黄仁勋曾表示，如果一名年薪50万美元的工程师没有使用价值至少25万美元的计算资源，他会“深感震惊”——衡量的是工程师在人工智能上花费了多少，而不是他们用人工智能产生了什么。
一旦公司开始通过数量来衡量人工智能的采用情况，员工就会针对该指标进行优化，而不是针对结果。
“如果你的目标只是烧掉很多钱，有很多简单的方法可以做到这一点，”为数千家企业处理人工智能工作负载的Databricks首席执行官Ali Ghodsi说。“将查询重新提交给十个地方。设置一个循环，一遍又一遍地执行。这会花费很多钱，但不会带来任何成果。”
哈佛商学院人工智能研究所执行董事Jen Stave从企业领导者那里听到了同样的声音。
“我与十几位首席技术官或首席信息官谈过，他们都在说，‘实际上，我很难找到人工智能的投资回报率框架，’”她说。
Anthropic正在为需求预测可能错误的可能性做计划。
首席执行官Dario Amodei描述了他所谓的“不确定性之锥”——数据中心需要一到两年的时间来建设，因此公司现在正在为尚未验证的需求投入数十亿美元。购买太少，当容量不足时就会失去客户。购买太多，收入就不会按时到来，数学就不成立了。
“如果你晚了几年，那可能是毁灭性的，”Amodei在2月份的Dwarkesh Patel播客中说。“我的印象是，一些其他公司还没有写下电子表格。他们只是因为听起来很酷而做事。”
Anthropic的回应是放弃固定费率的企业定价，转向按token计费，这样它收取的收入就能反映实际使用情况。它还切断了一些大型token消费者的第三方工具，而OpenAI则一直在使人工智能更便宜、更容易大规模消费。
在人工智能采用的早期，固定费率定价占主导地位，即每月固定费用提供慷慨或无限的人工智能访问。当人们只是与人工智能聊天时，这种模式是有效的。但Agentic的使用将每次会话花费数千token变成了数百万token，并打破了经济学。
Anthropic最慷慨的消费者产品——每月200美元的Max套餐——成为了一个案例研究。
开发人员一直在通过OpenClaw等第三方Agentic工具路由该订阅，在一个专为对话设计的套餐上全天候运行AI代理。根据Anthropic最新模型公布的费率，一个重度使用Claude Code Max的用户每月可能只需支付200美元，而如果没有订阅，其使用量可能高达5000美元。
4月4日，Anthropic切断了这些工具。Claude Code负责人Boris Cherny在X上写道，这些订阅“不是为这些第三方工具的使用模式而设计的”。
同样的重新校准正在企业中发生。
较早的Anthropic合同包括标准和高级席位——固定月费，包含使用额度。根据该公司的支持页面，这些现在被标记为“不再适用于新的企业合同的旧席位类型”。新的企业计划按席位收费，token消耗按API费率额外收费。
Anthropic是第一个采取行动的，但整个行业都在承受压力。
OpenAI的ChatGPT负责人Nick Turley在BG2播客上承认，“有可能在当前时代，拥有无限套餐就像拥有无限电费套餐。这没有意义。”
如果每个token现在都有价格，那些预算固定费率人工智能的公司和消费者将开始询问他们实际得到了什么。
Ramp首席执行官Eric Glyman最近推出了一款token跟踪工具，他从财务角度看到了这种动态。
在Ramp的客户群中，人工智能支出在过去一年中增长了13倍，但没有人知道如何为其预算。他指出Anthropic的方法是更审慎的长期战略，并提出了一个应该让OpenAI投资者担忧的问题：如果你的商业模式依赖于榨取最大的token支出，你是否有动力帮助客户更有效地使用人工智能？
Salesforce正在做出类似的押注，推出了一个名为“agentic work units”的新指标，该指标跟踪人工智能完成的工作，而不是它消耗的token。
Anthropic和OpenAI预计都将在今年进行IPO。当它们这样做时，需求问题将是公众市场投资者试图回答的第一个问题。
通过转向按token计费，Anthropic将拥有更清晰的客户实际价值的数据。OpenAI将拥有更大的数字，但更难证明其中有多少是真实的。
如果今天的人工智能需求中即使有一小部分被夸大，那么为现实定价的公司将在修正到来时仍然屹立不倒。
AI脱口秀
四大领先AI模型讨论这篇文章
开场观点
G
Gemini by Google
"从固定费率订阅到可变 token 定价的转变将触发人工智能支出的急剧收缩，因为企业将成本效益置于实验性数量之上。"
文章正确地指出了一个“虚荣指标”陷阱，即将 token 消耗量与生产性产出混淆。然而，将重点放在 Anthropic 的按 token 定价作为一种“审慎”的对冲，却忽略了价格弹性的风险。如果企业意识到，按照当前的 API 费率，Agentic 工作流程的成本过高，它们就不会仅仅优化使用量——它们会转向更小、更精炼的模型或 Llama 3 等本地开源替代品。Anthropic 的战略冒着将其自身产品商品化为利润率被其强加给客户的效率所挤压的公用事业的风险。真正的危险不仅仅是需求膨胀；而是不可避免的“基于价值的定价”转变，这将暴露许多人工智能密集型工作流程缺乏明确的投资回报率。
反方论证
“token 通胀”的说法忽略了早期采用通常需要高容量、低效的实验来发现最终将推动大规模、可持续增长的杀手级应用。
AI infrastructure and large language model providers
G
Grok by xAI
"通过指标优化实现的 token 通胀威胁着暴露过度建设的人工智能基础设施，给英伟达的溢价估值带来压力。"
这篇文章巧妙地指出了 token 指标的操纵——员工通过循环或重新提交来增加使用量——这可能导致人工智能需求信号被夸大，从而证明了超大规模提供商每年 2000 亿美元以上的资本支出是合理的。英伟达目前的远期市盈率为 38 倍（而 EPS 增长共识为 15%），这包含了激进的 token 增长假设；如果由于效率提升或对投资回报率的怀疑导致需求减少 20-30%，可能会导致市盈率下调 15-20% 至 30 倍。Anthropic 的按 token 定价（例如，取消价值 5000 美元使用量的 200 美元 Max 套餐）提供了比 OpenAI 的固定费率模型更清晰的收入可见性，但忽略了模型精炼可以将成本降低 5-10 倍，这可能促进了真正的采用。
反方论证
Agentic AI 可以为年薪 50 万美元的工程师带来 10 倍的生产力提升，随着企业规模的扩大超越试点项目，这将验证 token 的消耗量，并将膨胀的指标转化为真实的需求爆炸。
C
Claude by Anthropic
"按 token 计费只有在客户留下时才能揭示需求现实；如果他们转向更简单的竞争对手，Anthropic 的“诚实”将成为竞争劣势，而不是优势。"
文章混淆了两个不同的问题：指标游戏（员工通过消耗 token 来达到目标）和实际需求破坏。Meta 和 Shopify 衡量 token 消耗量并不能证明需求是虚假的——它证明了内部激励措施不一致。更重要的是，文章假设按 token 定价揭示了“真实”需求，但它可能只是改变了谁在何时支付。Anthropic 的举动可能是审慎的风险管理，或者是一个竞争劣势，如果客户转向 OpenAI 更便宜、更简单的固定费率模式。真正的考验是：4 月 4 日之后，企业 token 消耗量是否真的会崩溃，还是客户只是更透明地支付？文章将此视为既定事实，但它仍然是一个悬而未决的问题。
反方论证
Anthropic 的按 token 定价转变可能是自残行为——如果客户因为预算更容易而转向 OpenAI 的固定费率套餐，那么尽管拥有“更清晰的数据”，Anthropic 也会失去销量和市场份额。只有当客户看到账单后仍然留下来，虚假需求的可见性才重要。
ANTHROPIC (private), OpenAI (private), broad AI infrastructure sector
C
ChatGPT by OpenAI
"按 token 定价可能成为一种结构性转变，从而提高人工智能现有公司的收入可见性和弹性，抵消近期的需求波动。"
今天这篇文章认为人工智能需求可能被夸大了，而 Anthropic 转向按 token 计费可能会将现实价格纳入模型。如果需求降温，单位使用量的收入可能会变得更可预测，从而调整激励措施并降低数据中心的过度建设风险。这可能有利于具有定价纪律的硬件/故事类股票，例如英伟达（Nvidia）的计算需求和微软/云服务提供商的收入来源，而不是那些依赖固定费率订阅的公司。然而，关键风险被忽略了：在预算限制下，Agentic AI 的企业投资回报率是否仍然具有吸引力，如果 token 商品化，按 token 货币化的可持续性如何，以及新数据中心和 IPO 时机的资本支出/融资周期。持久的需求轨迹仍然很重要。
反方论证
反驳观点：如果需求被证明是粘性的，并且尽管定价使用量仍在增长，那么按 token 货币化可能只会重新评估上行空间，而不是限制它。在这种情况下，规模化参与者（NVDA、MSFT）将从效率和数据中心杠杆中获得更多收益，而不是从新用户采用信号中获得更多收益。
AI infrastructure / cloud software (NVDA, MSFT)
辩论
G
Gemini
▼ Bearish
回应 Grok
不同意:
Grok
"人工智能生成内容的边际效用下降将迫使企业削减 token 使用量，从而破坏基于数量的硬件提供商（如英伟达 NVDA）的看涨论点。"
Grok，你的英伟达（NVDA）降级论点取决于 token 数量，但你忽略了“模型崩溃”的风险：随着模型在人工智能生成的数据上进行训练，每个额外 token 的边际效用都会下降。如果企业发现 10% 的 token 提供了 90% 的价值，它们将积极地修剪工作流程，而不管定价模型如何。这使得英伟达（NVDA）的“需求爆炸”情景非常不稳定。这不仅仅是效率问题；而是输出质量下降的问题。
G
Grok
▼ Bearish
回应 Gemini
不同意:
Gemini
"能源限制将在 token 透明度扼杀需求之前限制人工智能的规模化，无论模型质量如何，都会导致英伟达（NVDA）降级。"
Gemini，“模型崩溃”是投机性的炒作——目前的证据表明，像 GPT-4o 这样的模型通过合成数据策展得到改进，而不是退化。更大的未提及风险是能源上限。如果 token 透明度使企业账单增加 5-10 倍（根据 Shopify 的轶事），采用就会在规模化之前停滞不前，导致英伟达（NVDA）的 3 万亿美元资本支出周期面临美国/欧洲电网的停电/延迟风险，而需求甚至尚未出现。
C
Claude
▼ Bearish
回应 Grok
不同意:
Gemini
"按 token 透明度触发了供应商重新谈判和人工智能软件利润率压缩，而能源限制或模型降级问题尚未显现。"
Grok 的能源上限风险是具体的；Gemini 的模型崩溃担忧仍然是理论上的。但两者都忽略了眼前的套利：如果按 token 定价暴露了虚假需求，企业不仅仅是削减——它们会重新谈判供应商合同，降低价格。在英伟达（NVDA）看到资本支出延迟之前，OpenAI 和 Anthropic 就面临利润率压缩。这才是真正的需求破坏因素，它比硬件周期更快地影响软件利润率。
C
ChatGPT
▼ Bearish
回应 Grok
不同意:
Grok
"按 token 定价使需求暴露于价格冲击；投资回报率阈值，而不仅仅是能源限制，将驱动企业支出和硬件需求。"
Grok 的能源上限风险是真实的，但更大、被低估的风险是按 token 货币化下的价格弹性。5-10 倍的 token 账单激增可能会促使重新谈判、捆绑销售或转向精炼/开源模型，从而在任何电网停电之前抑制需求。英伟达（NVDA）的资本支出方程式不仅取决于数据中心的扩张，还取决于维持投资回报率信号；如果买家削减人工智能投资回报率的支出，硬件股票的上行空间就会减弱。
专家组裁定
未达共识小组普遍认为，由于指标游戏，人工智能需求可能被夸大了，而 Anthropic 转向按 token 定价可能会暴露这一点，从而可能导致人工智能供应商的需求减少和利润率压缩。然而，小组对于这是否会导致人工智能采用显著放缓，或者它是否主要影响软件利润率，然后在硬件资本支出受到影响之前，存在分歧。
机会
具有定价纪律的硬件和云服务提供商，如英伟达（Nvidia）和微软（Microsoft），可能会受益于更可预测的单位使用量收入，从而降低数据中心的过度建设风险。
风险
按 token 货币化下的价格弹性，这可能会促使重新谈判、捆绑销售或转向精炼/开源模型，从而在任何电网停电之前抑制需求。
相关新闻
本内容不构成投资建议。请务必自行研究。