未來真正值錢的 AI 公司，不一定是模型最會說話的公司，而是最能把每一份智能消耗轉化為任務結果、業務效率和產業價值的公司。AI 產業的下一階段，不是 token 越便宜越好，而是每一個 token 都要更值錢。

本文作者系盤古智庫學術委員、數字經濟研究院副秘書長張禮立，文章來源于“張禮立數字經濟研究”微信公眾號。

本文大約3300字，讀完約8分鐘。

OpenAI 與 Anthropic 可能展開價格戰的消息，表面看是兩家頭部 AI 公司在爭奪用戶，深處看卻是 AI 產業第一次真正進入“經濟核算階段”。

過去兩年，AI 行業最常被討論的是模型能力：誰的模型更強，誰的推理更好，誰的代碼能力更穩，誰的多模態更驚艷。資本、媒體和用戶都愿意為“最強模型”付出溢價。但當 AI 真正進入企業，情況開始變化。企業不再只問“模型強不強”，而開始問“賬單貴不貴”；不再只看“有沒有用 AI”，而開始追問“這些 token 到底換來了多少結果”。這就是這則新聞真正值得觀察的地方。

據 Reuters 轉述《華爾街日報》報道，OpenAI 正在考慮大幅下調 AI 服務價格，以應對與 Anthropic 之間的用戶爭奪；相關討論仍在進行中，Reuters 也說明其未能獨立確認該報道。消息同時提到，企業高管正在對 AI 使用成本產生壓力，Sam Altman 近期也承認成本已經成為一個“巨大問題”。 我覺得可以把這件事放在 Anthropic 企業端崛起、Claude Code 受歡迎、OpenAI 重點推動 Codex、企業開始控制 agentic AI 支出、以及 IPO 前商業模式壓力測試的背景下討論。我的判斷是：這不是一場簡單的 token 降價戰，而是 AI 產業從“智能展示”走向“價值核算”的開始。

01 這不是傳統意義上的價格戰

如果按照傳統互聯網的邏輯，一家公司降價，另一家公司跟進，用戶得利，市場擴大，最后用規模攤薄成本。但大模型服務不完全遵循這個邏輯。AI 背后不是幾乎零邊際成本的軟件分發，而是實實在在的算力、存儲、網絡、電力、冷卻和數據中心資本開支。

所以，AI 不可能無限降價。價格可以優化，單位 token 成本可以下降，模型推理效率可以提升，緩存、批處理和模型路由可以降低實際使用成本，但底層資源消耗不會憑空消失。OpenAI 官方價格頁顯示，GPT-5.5 的 API 標價為每百萬 input tokens 5 美元、output tokens 30 美元；Anthropic 官方信息顯示，Claude Opus 4.8 regular usage 價格為每百萬 input tokens 5 美元、output tokens 25 美元。 這說明頭部旗艦模型仍然保持高價值任務的價格錨點，并沒有進入“無底線低價”階段。

因此，所謂 AI 價格戰，更可能是一場結構性降價，而不是全面價格崩塌。消費端、開發者端、低階模型、高頻入口場景，可能會率先降價；企業核心任務、復雜推理、高可靠代碼、合規與安全要求較高的場景，仍然會保持溢價。

真正的問題不是 token 便不便宜，而是每一個 token 能不能創造足夠價值。

02 從 tokenmaxxing 到 valuemaxxing

前一篇《禮立觀察·科技評論》里，我們討論過 tokenmaxxing：企業和員工為了證明自己“用上了 AI”，不斷推高 token 使用量。但現在，價格戰的討論進一步說明，AI 行業必須從 tokenmaxxing 走向 valuemaxxing。tokenmaxxing 關注的是“用了多少 AI”；valuemaxxing 關注的是“每一次 AI 調用到底創造了多少價值”。這兩個詞背后，是兩套完全不同的產業邏輯。

如果企業只看 token 消耗，它很容易得到一個看似繁榮的 AI 使用曲線：員工都在用，調用量在漲，模型賬單在增加。但這并不必然意味著生產力提升。真正成熟的企業，下一步一定會追問：這些 token 是否減少了返工？是否縮短了交付周期？是否提高了代碼質量？是否改善了客戶體驗？是否降低了銷售、客服、研發、運營和管理成本？

這才是 AI 真正進入企業之后的核心問題。過去，AI 公司賣的是“智能能力”；現在，企業客戶要買的是“可驗證結果”。這也是價格戰背后最重要的變化：AI 的競爭正在從“誰更聰明”變成“誰更劃算”，再進一步變成“誰更能交付結果”。

03 OpenAI 為什么會感到壓力

OpenAI 的壓力來自兩個方向。

一方面，是 Anthropic 在企業端的快速崛起，尤其是 Claude Code 在開發者和企業工程團隊中的擴散。代碼場景是 AI 最容易形成高頻、高價值和強粘性的場景之一，因為它可以直接嵌入研發流程，影響交付效率。上傳材料中提到，Anthropic 的編程工具 Claude Code 帶動營收增長，也讓 OpenAI 將 Codex 作為重點方向。 這說明，AI 的戰場已經不只是聊天框，而是進入了企業真實工作流。

另一方面，是客戶開始重新審視 AI 成本。早期企業采用 AI，很多時候帶著試驗心態，先買、先用、先探索。但當使用量上來，賬單變大，管理層就一定會從“有沒有用 AI”轉向“用得值不值”。Reuters 報道中也提到，企業高管已經開始對高昂的 AI 使用成本表示不滿。

這不是 AI 熱潮結束，而是 AI 進入經營預算。創新預算講故事，經營預算看回報。到了這個階段，企業不會只問模型強不強，而會問單位任務成本是多少、供應商能否替換、結果是否可衡量。我的判斷是：OpenAI 如果考慮降價，并不說明商業模式被證偽，而說明 AI 開始從“戰略試點”進入“經營成本項”。一旦進入經營成本項，客戶就會開始用更冷靜的方式計算 AI。

04 價格戰真正改變的是產業規則

這場競爭真正會改變的，不是某一個模型價格，而是 AI 產業的評價體系。

第一，模型公司不能只靠“最強模型”講故事，還必須證明“單位智能成本”持續下降。誰能用更少 token、更低延遲、更穩定結果完成更多任務，誰就更有優勢。

第二，企業客戶會更主動地做模型組合。過去企業可能愿意直接采購最強模型，現在會開始區分任務類型：復雜推理用旗艦模型，常規客服用輕量模型，內部檢索用本地模型，代碼審查用專用模型。未來企業 AI 架構，很可能不是一個模型打天下，而是多模型、多供應商、多層級成本管理。

第三，應用公司會迎來機會。模型降價會壓縮基礎模型公司的部分溢價，卻會放大應用層的價值。因為客戶最終要的不是便宜 token，而是穩定、可交付、可治理的業務結果。誰能把模型能力封裝進真實行業流程，誰就能把“token 成本”變成“業務價值”。

第四，投資人會改變看 AI 公司的方式。過去看模型榜單、用戶增長和估值故事；未來要看毛利結構、推理成本、客戶留存、任務完成率、工作流滲透率和單位任務經濟性。Reuters 報道稱，OpenAI 與 Anthropic 均已走向 IPO 進程，OpenAI 也被報道已秘密提交 IPO 文件；這意味著，公開市場會更直接地審視它們的收入質量、成本結構和客戶粘性。

我的判斷是：AI 價格戰不會結束 AI 的高價值敘事，但會結束“只要會調用模型就能講大故事”的階段。

05 對中國 AI 產業的啟示

對中國 AI 產業來說，這件事有三點啟示。

第一，中國大模型公司不能只卷參數、榜單和發布會，必須更早進入成本效率競爭。中國企業客戶對價格更敏感，對 ROI 更現實。如果模型能力不錯，但推理成本過高、穩定性不足、交付閉環不清晰，很難真正進入企業核心流程。

第二，中國 AI 的機會不在簡單復制 OpenAI 或 Anthropic，而在行業場景和工作流深處。制造、供應鏈、跨境貿易、金融風控、政企服務、園區運營、客服銷售、財稅法務，這些都是中國企業真實存在的復雜流程。誰能把 AI 做進這些流程，誰就可能把模型能力轉化為產業服務能力。

第三，中國企業應該盡快建立自己的 AI 成本治理體系。不要只統計用了多少 AI，而要統計每個任務、每個流程、每個部門的 AI 投入產出。未來企業的 AI 管理，不應該停留在“買了哪些模型”，而要進入“哪些任務適合 AI、用哪個模型最劃算、結果誰審核、成本如何分攤、價值如何評估”。

這里尤其要提醒一點：標價便宜，不等于實際便宜。斯坦福、伯克利等研究者關于 reasoning model 成本的研究指出，列示 API 價格并不總能反映實際推理成本；在部分模型對比中，標價更低的模型反而因為 thinking tokens 消耗更多而導致總成本更高。 這對中國企業尤其重要：選擇 AI 供應商，不能只看每百萬 token 單價，而要看一個任務從輸入、推理、輸出、審核到完成的總成本。

這也是我一直強調的判斷：AI 真正進入企業后，競爭的核心不是誰更會聊天，而是誰更會完成任務；不是誰燒掉更多 token，而是誰能把智能變成更低成本、更高質量、更可驗證的結果。

結語：便宜不是終點，價值才是終點

OpenAI 和 Anthropic 如果真的展開價格競爭，短期看是用戶爭奪，長期看是商業模式測試。它會推動 AI 使用成本下降，也會讓企業更快接受 AI；但它同時會逼迫整個行業回答一個更嚴肅的問題：AI 到底是在創造價值，還是只是在制造更大的賬單？

所以，這場價格戰的真正意義，不是 token 會不會便宜，而是 AI 行業終于開始從“智能展示”走向“價值核算”。

未來真正值錢的 AI 公司，不一定是模型最會說話的公司，而是最能把每一份智能消耗轉化為任務結果、業務效率和產業價值的公司。

AI 產業的下一階段，不是 token 越便宜越好，而是每一個 token 都要更值錢。■

文章來源于“張禮立數字經濟研究”微信公眾號

???????

圖文編輯：張洵

責任編輯：劉菁波