2026 年年中，AI 行业的主要经营指标，收入、调用量均保持高速增长。但拆分各家公司的财务与业务结构后可以发现，同一组增长数据背后，商业模式不尽相同。本文梳理当前 AI 商业模式中四个结构性悖论：成本、层级、责任与开闭源。这四个悖论指向同一个底层趋势：智能正在快速商品化，而利润仅停留在少数环节。
成本悖论：Token越便宜，账单越重
2023 年 3 月 GPT-4 发布时，每百万 Token的输入价格为 30 美元、输出价格为 60 美元。企业用其搭建客服系统，一个月的 API 费用可能超过整个客服团队的工资。三年后，同等智能水平的价格已下降超过 95%。
按常识推断，AI 开支应当随之收缩，但现实相反。2026 年 3 月，全球单周 Token调用量达 20.4 万亿；中国日均调用量突破 140 万亿，较 2024 年初增长超过千倍。这一现象与经济学中的杰文斯悖论（Je vons Para dox）一致：蒸汽机效率越高、单位耗煤越低，煤炭总消耗反而越大。Token单价下降，并没有带来总账单的下降。
原因在于需求结构的改变。价格足够低之后，大量原本不具备经济性的任务开始被纳入 AI 的处理范围，企业月度支出从 5 万美元升至 50 万美元，但完成的任务也是此前不敢设想的。更关键的是使用范式的迁移：过去的对话式交互以人的时间为上限，而 Agent （智能体） 可以 24 小时运行，一名员工背后可能挂有 10 个 Agent，用量可达纯人工交互的数十倍。有研究显示，智能体编程任务的 Token消耗约为普通问答的一千倍。单价下降一个数量级，总消耗可能上升两个数量级。
成本在产业链中的分配同样值得关注。以每月 20 美元的 Claude 订阅为例，模型公司扣除算力、渠道与运营成本后，净利空间较薄；而流向芯片层的利润，有时并不比模型公司少。用户为智能付费，利润却大量停留在上游。
面对账单压力，行业开始从省单价转向省任务：简单任务路由至小模型，为 Agent 设置任务预算以防止空转；核算单位也从每百万 Token的价格转为完成一件事的总成本。实践表明，使用同样的模型和用量，具备任务拆解、结果验证和流程接入能力的公司，产出效率显著更高。与此同时，补贴模式也在退潮：Claude Code 退出低价订阅，Copilot 改为按量计费。杰文斯效应并未消失：行业最终发现，需要优化的不是价目表，而是任务本身。
账单加重的同时，企业效率的提升却常常看不见。索洛早就指出过：计算机无处不在，唯独在生产率统计里找不到。电动机是现成的参照：1880 年代就已问世，美国工厂却用了约四十年才兑现效率，多数企业只是用电机替换蒸汽机，传动结构原样不动，而电力的价值恰恰要求产线重排。
今天的AI处境相同。Databricks 创始人 Ghodsi 讲过一个案例：一个数据连接器历来要开发九个月，引入大模型后首次尝试只省下一个半月；直到有人把流程拆解重做，才实现一个季度交付。他的结论是，瓶颈不在模型，在组织方式。
成本悖论因此有两层：杰文斯悖论说，token 越便宜，总账单越重；索洛悖论说，流程不改，效率进不了统计。前者要求优化任务，后者要求重构流程。
层级悖论：应用为王与应用已死
移动互联网时代的共识是应用为王：谁占据用户时间，谁就有机会通过广告和推荐变现，高频打低频，打开次数即价值。
AI 这一轮出现了反转。黄仁勋曾公开表示，经济价值最终会在应用层兑现，成功的应用将拉动整个产业。按照这一逻辑，资金应当向应用层聚集。但 2026 年夏天，一级市场的主流判断是应用已死：基础模型进化过快，做得太薄的应用随时可能被模型能力的自然延伸所覆盖。资本首先流向模型与基础设施，应用层仍有融资，但远不如上一轮那样被视为理所当然。
产业账本在一定程度上支持了资本的选择。按产业栈拆分，生成式 AI 生态年化收入约 4000 亿美元时，芯片层拿走约七成收入和近八成毛利；应用层收入约 600 亿美元，毛利率多在 0-30% 之间，而英伟达一类的芯片公司毛利率可达七成上下。云计算时代应用层占据最大份额的正三角形结构，在 AI 产业中倒置了过来。
模型层内部也在分化。偏企业 API、依靠存量客户用量滚雪球的公司，收入暴涨的同时推理毛利率可以从深度亏损一路修复至七成上下；而背负庞大免费用户的公司，营业端表现远不及收入标题。盈余并非均匀分布在整个模型层，而是向少数高留存、高毛利的路线集中。资本对应用的冷落，既有认知偏见，也有财务依据。
AI 产品竞争的不再是用户停留时长，而是用户是否愿意将一件重要任务托付给它。通用 ChatBot 和通用 Agent 大概率是头部模型公司的主战场，创业公司正面竞争的机会有限；仍能成立的方向，是把智能装入具体场景，按照问题真实发生的方式重做产品。用户不会因为产品接入了某个模型而留下，而是因为产品看得懂材料、记得住上下文、接得上后续服务。Harvey 在法律领域深耕多年，其积累的审查记录与判例数据，不是短期投入能够复制的。
由此可以得到一个简洁的判别标准：基础模型每增强一代，产品的价值是变大还是变小？变小的，多半是模型能力的包装；变大的，通常握有私有上下文、业务流程、完整交付能力或渠道。价值兑现的环节并未消失，只是成立的标准改变了：谁能在模型变强时，把自己变成更难替代的一环。
责任悖论：利润沿责任分布
先看两组数据。Anthropic 的年化收入 （ARR） 从 2024 年 12 月的约 10 亿美元，增至 2026 年 5 月的 470 亿美元以上，一年半增长超过四十倍。OpenAI 官方口径为：2023 年 ARR 20 亿美元，2024 年 60 亿美元，2025 年超过 200 亿美元，2026 年 2 月底已超过 250 亿美元。
但增速只能证明需求存在，无法证明利润能够留存。同样处于高增长中，Anthropic 的推理基础设施毛利率从一年前的 38% 提升至 70% 以上；而 OpenAI 在2025 年 11 月更新的内部文件，将自由现金流转正时点推迟至约 2030 年。同处 AI 产业，两类公司的增长已经出现分化。针对这种分化，市场上主要有三种解释，各自都有部分道理，也都遗漏了关键环节。
第一种解释是时间可以解决一切：推理成本每年下降一个数量级，当前压制毛利的算力账单，两三年后或许不再是问题。云计算、存储、带宽均走过早期烧钱换规模、成本曲线压平后利润自然浮现的路径。但这一解释难以回答一个事实：成本下降最快的两年，恰恰是利润分化最明显的两年。如果成本下降是解药，行业利润应当整体改善，而非一半改善、一半恶化。原因在于成本下降是普惠的，所有厂商同时受益，也同时通过降价将红利让渡给用户。把利润寄托在成本通缩上，等于承认自身不具备定价权。
第二种解释是应用层存在护城河：客服、工单类产品深嵌客户系统，数据积累与迁移成本构成防御。这一判断在五年前成立，但新一代 AI 工具的核心卖点正是迁移成本趋近于零——不替换客户的系统，而是直接接管现有流程。至于数据积累，基础模型一次大的能力跃升，就可能使积累数年的行业知识库大幅贬值。最具说明性的案例是 Intercom：它推出 Fin，按实际解决的问题计费，每单 0.99 美元，未解决不收费。这一定程度上说明，按席位售卖客服工具的旧模式已难以维持。
第三种解释是按结果收费不可行：工单是否解决、销售转化是否应归功于 AI，归因难以厘清。因此按 token、按席位收费才是常态，按结果收费只是边缘实验。归因难题确实存在，但它更可能构成定价权的来源而非障碍：正因为归因难以实现，能够在特定领域将归因做实的厂商，等于把归因能力本身变成了壁垒。并且部分领域的归因天然清晰，工单是否解决、催收是否回款、理赔是否结案，都可以写入合同进行验证。归因不实的领域不按结果收费，归因清晰的领域按结果收费，多种计费模式将长期并存。
排除上述三种解释后，剩下的结构性变量只有一个：厂商愿意为结果承担多大范围、多强约束的责任。责任越重，毛利越高，预算来源也越大。按 Token销售争夺的是 IT 预算，按结果销售切入的是人力预算：一个部门每月人力成本十万元，若 AI 能以一万元完成同等结果，定价空间将完全不同。
这也回答了另一个问题：为什么最容易起量的业务最难留住利润。客服、商品描述、语音转工单等业务量大、易演示、易签单，但也恰恰是责任含量最低、基础模型最容易直接覆盖的业务。相反，法律、医疗等低频、强监管、高错误成本的领域，交付重、销售周期长、叙事不性感，但销售的是流程、数据与责任，单次模型升级无法将其抹除。Harvey 选择法律并非偶然。
因此，评估一家 AI 公司的位置，与其关注增速与模型能力，不如回答两个问题：它敢于为哪部分结果负责，以及这部分结果的归因是否足够坚实。前者是意愿，后者是能力，缺一则无法获得结果溢价。这一标准并不保证判断准确，归因技术仍处早期，企业采购习惯的改变也慢于乐观预期。但方向上，利润大概率不流向增长最快的公司，而流向敢于负责、且负得起责的公司。
开闭源悖论：开源获得流量，闭源赢得收入
仅看用量，开源已经占据优势。OpenRouter 平台流量前五的模型全部为开放权重模型；开发者采用率方面，开源为 79%，闭源为 71%。中国模型是这一轮开源扩张的主力，在该平台的份额从一年前的不足 2% 升至 2026 年 4 月的 45% 以上，前十名模型中 Token用量占比达 61%。
仅看收入，闭源的优势同样明显。a16z 对 Global 2000 企业 CIO 的调查显示：企业在开源模型上的支出占比从上年的 19% 降至今年的 11%，闭源占 89%，平均每家企业年度大模型预算约 700 万美元。OpenRouter 平台内部也呈现同一结构：Anthropic 以 12% 的 Token份额获得 46% 的金额份额。
性能差距仅为个位数、价格便宜 5-20 倍，企业为何仍然选择闭源？因为企业采购的从来不只是智能本身，还包括可靠性、技术支持、合规保障，以及出现问题时的责任主体。够用与敢于用于核心业务是两回事。调查中另一个细节值得注意：开源与闭源的总拥有成本 （TCO） 正在收敛，闭源降价的速度快于开源建立信任的速度。混合部署因此成为常态：实验与边缘场景用开源，关键路径用闭源。
更深层的变化在于，开源阵营自身也不依靠模型盈利。不同厂商的开源动机并不相同。有的以平台生态为目标，用开放权重换取开发者入口和行业标准话语权，由既有主业反哺；有的把开源模型当成云业务的获客渠道，拉动开发者上云，进而带动云收入的持续增长。模型层正在快速商品化，利润池向两端迁移：上游的算力，下游的编排、数据与服务。
闭源阵营的困难在于，其溢价与能力代差强相关，开源每逼近一步，按 token 计费的定价权就松动一分。但稀缺并没有消失，只是分了层：前沿模型依然稀缺，够用的智能正在商品化。因此评估一家公司的位置，问题不在于它选择开源还是闭源，而在于它依靠什么获得收入，以及开源再进一步时，它的收入是增加还是减少。