文 | wiwi

一個AI應用最嚇人的時刻，可能不是沒人用，而是突然有人用了。

后臺注冊數上漲，生成次數上漲，用戶停留時長上漲。放在傳統(tǒng)互聯網產品里，這幾乎是一組值得慶祝的數據：流量來了，驗證開始了，接下來只要想辦法轉化就行。但AI產品的后臺還有另一張表——Token消耗在漲，模型調用在漲，失敗重試次數在漲，月底賬單也在漲。更尷尬的是，最活躍的那批人，未必是最愿意付錢的人，他們可能只是最會試、最會改、最會把免費額度用到極致。

過去，免費用戶的問題是不給你錢。現在，免費用戶的問題是不給你錢，但會花你的錢。

這就是5月AI模型調用"補貼戰(zhàn)"真正值得看的地方。

先是孫宇晨上線了一個叫B.AI的平臺，打法很直接：日補貼10萬元人民幣、100億Token。一周之內，注冊用戶突破170萬。幾天后，獵豹移動CEO傅盛的EasyRouter跟進，新用戶送400積分，全線模型85折，DeepSeek-V4-Pro低至25折。再往后，連特朗普家族關聯的WLFI項目都坐不住了，5月5日推出了綁定加密代幣USD1結算的WorldRouter，換100萬積分要么砸250萬WLFI代幣，要么直接付9999美元。

短短一周，三個背景完全不同的玩家擠進了同一條賽道——AI模型調用的轉售生意。打法也幾乎一樣：用補貼換用戶規(guī)模。

問題是，這場補貼戰(zhàn)燒的不是抽象的獲客預算，而是按Token計費的真實算力賬單。用戶每調用一次，平臺就要實打實付一次錢給上游模型廠商。傳統(tǒng)互聯網補貼燒的是市場費用，AI補貼燒的是交付成本。

B.AI、EasyRouter、WorldRouter這類玩家背后都有資本和品牌撐著，虧得起、補得起。但同一條賽道上還有一類規(guī)模小得多、也脆弱得多的玩家——AI中轉站，它們的下場提前預告了這場補貼戰(zhàn)可能走向哪里。《每日經濟新聞》記錄過一個典型樣本：有開發(fā)者花25元買了某中轉站的月租服務、每日120美元額度，用了20天，平臺就以"封殺嚴重、成本上漲"為由把價格漲到三四倍，沒多久干脆關停。

25元月租，兜底每日120美元額度，這筆賬從一開始就很難算平。它能維持多久，取決于新用戶進來的速度，能不能跑贏真實調用成本和套利消耗——而真實世界里，新用戶往往不是沖著產品來的，是沖著漏洞來的：圍繞AI免費額度的套利早就形成了一套成熟打法：有人重置設備指紋反復領取Cursor試用額度，有人批量注冊賬號套邀請積分，有人把高級會員賬號拆給多人"拼車"，還有人逆向網頁端接口，把原本不對外開放的能力重新封裝成API轉賣。安全機構"威脅獵人"在Manus AI相關案例中發(fā)現，至少62個店鋪在販賣積分商品，部分商家甚至出售自動化注冊腳本。

這說明，AI產品一旦把"免費"和"補貼"當成拉新武器，最先沖進來的未必是真用戶，可能是套利者。

免費用戶在互聯網時代是一種增長資產，留著慢慢轉化就行；但在AI時代，免費用戶隨時可能變成一個成本黑洞——他越愛用、越會用、用得越頻繁，公司流出去的真金白銀就越多，這中間甚至不需要他懷著惡意，只是正常的"反復試、反復改、反復抽卡"，配合上面這幾種現成打法，就足夠讓一個補貼預算迅速見底。

一場注定算不平的賬

中轉站把"低價換規(guī)模"這套邏輯，推向了最極端的版本。它賣的是低價、不限量和"模型平權"，背后卻要承受最真實的按量成本——一邊是25元月租、不限額度、折扣積分這些誘人的拉新話術，另一邊是上游按Token結算、隨時可能被封號、還有一群人專門盯著漏洞做高頻套利。這套生意只要風控稍微粗放一點，商家就不是在賺差價，而是在替每一個用戶墊付算力——前面那個"25元月租撐不住每日120美元額度"的樣本就是縮影：它沒有大廠的資金儲備去抗這種消耗，還沒等到規(guī)模效應跑出來證明商業(yè)模式，賬上的錢已經先被自己的用戶和那套套利打法一起掏空了。所以，中轉站不是AI應用成本問題的例外，而是它最赤裸的版本。

很多AI創(chuàng)業(yè)者還在沿用互聯網時代的舊劇本：先用低價、免費、補貼把用戶拉進來，再慢慢想辦法變現。但這套劇本成立有一個隱藏前提——用戶增長帶來的邊際成本足夠低。傳統(tǒng)互聯網產品多一個用戶，平臺增加的是相對可控的服務器、帶寬和運營成本，軟件本身已經寫好，服務可以被低成本復制，只要規(guī)模起來，總有機會通過廣告、會員、抽傭或增值服務把前期補貼攤回來。AI應用不是這樣：它不是把一套寫好的軟件復制給用戶，而是在每一次使用里重新交付一次智能服務——用戶多問一句，模型就多推理一次；多生成一張圖，系統(tǒng)就多消耗一次算力；多跑一輪Agent，后臺就可能多調用幾次工具、多重試幾次失敗步驟。這意味著，在很多AI產品上，增長曲線和現金流曲線第一次可能變成反方向：用戶越多，賬單越厚；使用越深，成本越高；補貼越大，虧損越快。創(chuàng)業(yè)者以為自己等來了增長，結果可能只是等來了一群更會消耗算力的人。

連巨頭也開始重算Token賬

如果說中小創(chuàng)業(yè)者死于"補貼換增長"的舊劇本失靈，那么大公司最近暴露的問題說明，這其實是AI這門生意本身的結構性麻煩，跟公司大小關系不大。

據多家科技媒體報道，微軟旗下負責Windows、Microsoft 365、Outlook、Teams等產品線的"體驗與設備"部門，要求團隊在2026年6月30日財年結束前停止使用Claude Code，轉向自家GitHub Copilot CLI。該部門副總裁Rajesh Jha給出的理由是Copilot CLI能讓微軟"直接參與塑造產品，貼合自家代碼庫、工作流和安全要求"，但多家媒體的報道都指出，這背后也有壓低運營成本的考量——Claude Code在過去半年里恰恰在微軟員工中迅速走紅。

Uber的處境被自己的COO公開擺上了臺面。據Fortune報道，Uber在2026年還沒過去四個月，就已經燒完了全年的AI編程工具預算。COO Andrew Macdonald在內部坦言，公司很難把飆升的token消耗和實際產出對應起來："很難把這些數據和'我們確實多產出了25%有用的消費者功能'這件事劃上等號"，"如果沒法直接證明這筆錢換來了多少實際功能，這筆交易就越來越難站得住"。

Uber真正頭疼的，從來不是"花多了"，而是"不知道錢到底花值了沒有"——這和中小創(chuàng)業(yè)者面臨的，其實是同一個問題。

傳統(tǒng)軟件的成本是可預期的：買多少席位，付多少錢，員工用得越多，通常說明工具越有價值。但AI工具不是這樣——一個工程師點下"讓Agent修這個bug"，后臺可能只是讀幾段代碼，也可能拉完整個倉庫上下文、跑測試、失敗、重試、再重寫一遍。用戶看到的是一次任務，財務看到的是一串不可預測的Token消耗。

斯坦福數字經濟實驗室的研究把這個問題量化了：同樣是編程任務，Agent式任務消耗的Token量，最高可以達到普通代碼問答、推理類任務的1000倍；同一個任務重復跑多次，Token消耗本身也可能相差30倍。這意味著，AI工具最麻煩的地方不是"貴"，而是"貴得不穩(wěn)定"——在傳統(tǒng)SaaS里，預算超了，至少知道多買了多少席位、多服務了多少人；在AI工具里，預算超了，可能只是因為某些任務多繞了幾圈、某些Agent多讀了幾遍上下文，卻被賬單完整記錄下來。

Uber的困境正是這套不確定性在財務報表上的投影。這也是為什么AI工具很難繼續(xù)用傳統(tǒng)軟件訂閱邏輯來理解——傳統(tǒng)SaaS買的是一個相對固定的功能包，賬單可預測；AI工具買的是一段不確定的消耗過程，同一筆錢，結果可以天差地別。

放到創(chuàng)業(yè)公司身上，這個問題只會更尖銳。大公司還可以用預算、采購、管理制度去慢慢收口；創(chuàng)業(yè)公司沒有這個緩沖區(qū)——一個產品如果定價太低、額度太松、模型調用太重，還沒等到PMF，就可能先被一批重度免費用戶拖進負毛利。

最危險的用戶，往往是最活躍的用戶

AI產品最容易騙過創(chuàng)業(yè)者的一組指標，是活躍度。后臺看起來很好看：DAU在漲，生成次數在漲，使用時長在漲，社群里也有人不斷曬截圖。傳統(tǒng)互聯網里，這些都是值得開香檳的信號——流量來了，驗證開始了，接下來只要想辦法轉化就行。但在AI產品里，它們可能只是另一種壞消息：一群人正在更高頻地消耗你的算力，卻沒有更高頻地給你付錢。財務報表上對應的是另一張表——模型調用次數、上下文長度、失敗重試次數，以及月底越來越厚的推理賬單。來的不一定是客戶，可能只是成本。

更反直覺的是，最活躍的用戶未必最值得留。一個用戶每天來20次，卻只在免費額度里反復生成、不付費、不轉介紹，這種活躍只是在加速虧損；另一個用戶每月只來3次，但帶著明確任務、愿意為結果付費、愿意把工具接進真實工作流，反而更接近真正的客戶。訂閱分析機構RevenueCat在拆解AI應用的成本結構時提到過一個細節(jié)：他們接觸的一個團隊后來專門給產品加了一套用量限額，理由很直接——就是為了防止一小群重度用戶拖累整體的算力成本。這恰恰說明，活躍度這個指標在AI產品里已經不再天然等于好消息，團隊得先分清楚這群人里誰在幫你賺錢、誰只是在幫你花錢。換句話說，傳統(tǒng)互聯網產品看規(guī)模，AI產品要先看每一類用戶身上能不能跑出正向毛利——這對資金本就緊張的中小創(chuàng)業(yè)者和獨立開發(fā)者尤其致命，大公司還能用戰(zhàn)略虧損扛一陣子，小團隊一旦被一批不付費的重度用戶拖進負毛利，可能等不到產品打磨出來就先沒錢了。

更麻煩的是，AI產品越好用，這個問題越明顯——越智能，用戶越想讓它承擔復雜任務；越像助手，用戶越容易把原本需要人力完成的工作都丟給它。在傳統(tǒng)軟件里，好用通常意味著更高留存；在AI應用里，好用還意味著更高消耗。所以AI創(chuàng)業(yè)者不能只問"用戶有沒有回來"，還要問"用戶回來一次，我賺了還是虧了"。

所以免費額度、邀請獎勵、試用權限這些原本用來"拉新"的工具，現在更應該被當作一道"過濾器"來設計——目的不是讓盡可能多的人進來試，而是盡快篩出哪些人是真需求、哪些人只是來薅一把就走。

自救不是多拉用戶，而是少服務錯誤用戶

所以，AI創(chuàng)業(yè)的自救，不是繼續(xù)拉更多用戶，而是先學會拒絕一部分用戶。這句話放在傳統(tǒng)互聯網時代幾乎不可理解——那時候用戶越多，故事越大，估值越好講。但在AI應用里，如果用戶結構是錯的，規(guī)模只會把虧損放大；如果定價模型是錯的，增長只會讓賬單更快爆掉。

面對"用得越多虧得越多"的局面，創(chuàng)業(yè)者們能走的路其實不多，無非幾條，而且方向是一致的：先篩人，再省錢，最后才考慮換一群更好算賬的客戶。

第一步不是無差別漲價，而是更精準地限流：把免費額度從一項福利改造成一道篩選器。這也是最近大半年行業(yè)里能明顯看到的趨勢——越來越多AI工具砍掉了"永久免費"選項，把免費額度從按月發(fā)放改成按次數嚴格配給，甚至直接把入門價格抬高一截。這能立竿見影地止血，但代價也很現實：粗暴漲價容易把剛剛攢起來的用戶池沖走一大半，尤其是那批本來就是沖著"便宜"或"免費"才進來的人。

第二步不是盲目換模型，而是做成本分層：把調用大模型的部分需求換成參數更小、成本更低的模型，能在本地跑的盡量放到端側推理，用混合路由把簡單問題甩給便宜模型、復雜問題才調用貴模型。這條路能從根上壓低單次調用成本，但門檻也最高——需要團隊有足夠的工程能力做模型蒸餾、量化和路由調度，不是每個創(chuàng)業(yè)團隊都耗得起這個研發(fā)周期。

第三步不是一頭扎進B端，而是換成更能算賬的客戶：C端用戶對價格敏感、忠誠度低、產品稍微收緊免費額度就可能流失，相比之下企業(yè)客戶的付費邏輯更清晰——只要能把效率提升、合規(guī)風控、降本增效這些結果講清楚、算明白賬，企業(yè)愿意為結果買單。這也是為什么過去這一年，不少最初沖著C端流量起家的AI應用，陸續(xù)開始把資源往企業(yè)服務上傾斜。但B端這條路同樣不輕松，需求碎片化、交付周期長、銷售門檻高，對缺乏行業(yè)資源的團隊來說，轉身沒那么容易。

三步都走不通的，最后只能選擇關停。這中間，"還沒等到商業(yè)模式跑通，賬上的錢已經先被用戶花完"幾乎是出現頻率最高的死亡原因。

誰在這場游戲里永遠不會輸

這場"用戶越多越危險"的悖論里，有一群參與者幾乎是穩(wěn)賺不賠的。

不管下游的中轉站、套殼應用、AI原生產品是活下來還是死掉，云服務廠商的算力租金、基礎模型公司的API調用費都不會少收一分錢。換句話說，創(chuàng)業(yè)者和用戶在臺前打補貼戰(zhàn)、拼套利手法，真正穩(wěn)坐收錢的是站在產業(yè)鏈最上游的那一層。基礎模型公司近一段時間持續(xù)壓低API價格，看起來是在讓利下游開發(fā)者，但價格越低，接入的應用層創(chuàng)業(yè)者就越多，生態(tài)鎖定也就越深——一旦基礎模型方在未來某個時點上調價格，下游早已對其形成依賴的創(chuàng)業(yè)者，幾乎沒有討價還價的空間。從這個角度看，這場補貼大戰(zhàn)的真正贏家從一開始就不是創(chuàng)業(yè)者，也未必是用戶，而是這條產業(yè)鏈里離算力和模型最近的那一層。

AI創(chuàng)業(yè)不是不能免費，也不是不能補貼。真正的問題是，免費和補貼在AI時代不再只是一筆市場費用，而是會實時發(fā)生的交付成本——傳統(tǒng)互聯網里，錯誤的用戶最多讓轉化率變難看；AI應用里，錯誤的用戶會直接讓現金流變難看。

傳統(tǒng)互聯網創(chuàng)業(yè)最怕沒人用。AI創(chuàng)業(yè)正在進入另一個階段：最怕來了一群很愛用、很會用、但不愿意付錢的人——他們看起來像種子用戶，實際上是一張正在變厚的賬單。

說到底，免費用戶在AI時代不再只是一筆可以慢慢轉化的資產，更像一張有賬期的應收款：轉化成付費，它就是收入；過了賬期還沒轉化，它就會變成壞賬。

區(qū)別只是，傳統(tǒng)壞賬記在財務報表上，AI應用的壞賬，會先記在創(chuàng)始人的云賬單里。