人工智能行业的“可卡因模式”：价值十亿美元的陷阱——廉价人工智能代币为何可能很快摧毁中产阶级？——图片来源：Xper.Digital
危险的AI锁定：为什么从ChatGPT切换到其他平台可能很快会损失数百万美元，以及为什么你的商业模式是建立在借贷资金之上的。
开源而非云陷阱：如何让你的AI战略免受价格暴涨的影响
建筑胜过炒作：人工智能未来价格的残酷真相
当前人工智能的热潮掩盖了一个令人不安的经济真相：OpenAI 或 Anthropic 等供应商提供的极低价格的人工智能服务纯属假象。这些科技巨头在数十亿美元投资者资金的补贴下，正诱使中小企业陷入危险的依赖之中。但当投资者要求回报，而这些看似廉价的代币价格突然飙升时，会发生什么？任何盲目地将自身 IT 架构与单一供应商的接口相匹配的企业，都将面临在不久的将来遭遇惨痛教训和成本大幅上涨的风险。本文将揭示当前人工智能价格水平为何不可持续，被低估的“锁定效应”是如何运作的，以及为何采用开源模型的智能混合架构才是企业长期保持竞争力和敏捷性的唯一途径。.
与此相关：
为什么历史上最便宜的代币实际上最贵——以及为什么几乎所有中型公司都要在两年内付出代价。
经济史上总有一些时刻，整个市场会将幻觉误认为现实。20世纪90年代初的个人电脑热潮便是如此，2010年后的零利率环境亦是如此，而千禧年之交的互联网泡沫更是其中之一。2023年至2026年间生成式人工智能的蓬勃发展无疑也属于此类。只不过这一次，幻觉并非虚高的股价，而是更为寻常的东西：代币价格。云服务提供商的账单上数百万个不起眼的小数字，让欧洲中小企业误以为，一个高度复杂的语言模型请求只需几分之一美分，而且这些成本将保持稳定，甚至可以以此为基础构建完整的商业模式。然而，确凿的数据却讲述着截然不同的故事，而且毫不含糊。.
OpenAI在2025财年创造了约130.7亿美元的收入，是上一财年37亿美元的三倍。与此同时，总成本和支出攀升至约340亿美元。这导致其运营亏损209.2亿美元，GAAP净亏损385.3亿美元，后者受到公司转型为公益公司（Public Benefit Corporation）带来的约415.5亿美元的一次性会计影响。剔除这一一次性影响后，运营现金消耗约为80亿美元。换句话说，公司每赚1美元，就要花费1.60美元至1.69美元。Anthropic的情况也十分相似。该公司当年实现了约90亿美元的收入，但消耗了52亿美元的现金，并预计2026年将出现250亿美元的资金缺口，而其收入目标为300亿美元。到 2028 年的预测显示，OpenAI 的累计亏损将达到约 740 亿美元，盈亏平衡点现已正式推迟到 2029 年至 2030 年。.
这些数据并非企业家胆识或特定技术愿景的体现，而是支撑当今API价格的经济基础。终端用户为GPT-5.4或Claude Sonnet的一百万个发行代币支付的价格，并未反映实际的推理边际成本，更遑论培训、人员和基础设施的相应成本。它反映的是投资者愿意补贴全球每一次API请求，他们相信市场力量和定价权最终会将今天的损失转化为未来的回报。对于身处乌尔姆、慕尼黑或多特蒙德，正在将会计软件、CRM或内容管道连接到这些提供商API的用户而言，这意味着一个非常具体的问题：他们的商业模式建立在提供商看来不可持续的价格水平之上。这种模式是建立在借贷资本之上的，而借贷资本最终需要回报。.
与此相关：
第一枪的经济学
在行为经济学中，有一种机制在枯燥的教科书中常被称为“渗透定价”或“掠夺性定价”。而在更通俗易懂的街头经济学领域，同样的过程则被简单地称为“首击逻辑”：首次消费免费或远低于成本，建立依赖性，然后调整价格。这种策略与有组织的贸易一样古老；它适用于报纸订阅、流媒体服务、信用卡和操作系统。当满足两个条件时，这种策略尤其有效：转换成本随使用时间的延长而增加，并且提供商之后可以占据客户和替代供应来源之间的位置。生成式人工智能满足这两个条件，但令人惊讶的是，这两个条件在德国中型企业的董事会会议上却很少被提及。.
当前的API价格战进一步强化了这种错觉。从2025年初到2026年中期，主要供应商提供的语言模型访问价格下降了60%到80%。GPT-4o的输入价格从每百万代币5美元降至2.5美元，而o3的输入价格在12个月内从每百万代币10美元降至2美元，输出价格从每百万代币40美元降至8美元。DeepSeek V4的输入价格为28美分，目前低于整个西方市场的价格水平；Gemini 2.5 Flash的价格为30美分；GPT-5.4 mini的价格为40美分。这些数字对用户的短期现金流有利，但从经济角度来看是不可持续的。任何供应商都无法在如此巨大的运营亏损下持续降低价格。唯一的问题是，投资者何时才能看到回报，以及价格届时会上涨多少。来自类似平台市场的历史模式表明，调整并非线性过程，而是在整合阶段结束后以迅猛之势发生。Uber 和 Lyft 在上市后的短短几个季度内就将车费提高了 30% 到 60%，Netflix 在几年内将其基础套餐的价格翻了一番，而亚马逊网络服务 (AWS) 则不断降低其最初极具竞争力的预留时段折扣，并缩减其免费配额。.
对于欧洲用户而言，这场讨论之所以尤为重要，是因为代币价格仅仅是冰山一角。人工智能集成的真正成本在于架构、数据连接、提示库、评估套件以及流程渗透。一家如今将其全部内容制作、翻译工作流程和客户沟通都转移到供应商聊天完成端点的中型营销机构，其构建的架构远不止简单的API调用。每一个精心调校的系统提示都是一项投资，每一个函数调用定义都是一项投资，每一位已深入理解模型特定特征的受训员工也都是一项投资。即使供应商最终将价格翻倍甚至三倍，这些投资也无法被抵消。它们是供应商计算出的转换阈值的一部分，并会影响其后续的定价权。.
成瘾的剖析
要理解为什么人工智能系统的转换成本远高于其他类似软件领域，就必须考虑现代模型与应用逻辑的嵌入程度。传统的数据库迁移项目可以使用标准 SQL 相对轻松地从一个供应商迁移到另一个供应商，因为查询语言是标准化的。但语言模型却不存在这种标准化。虽然 OpenAI 的聊天自动补全界面已成为事实上的行业标准，并被大多数竞争对手效仿，但实际的应用逻辑并不在于界面，而在于模型的行为。GPT-5.4 的系统提示能够清晰地传达所需的结构、语气和细节程度，而 Claude Sonnet 的提示则可能出现细微的偏差。在高效的 B2B 营销工作流程中，这些偏差可能意味着一份可用的草稿与随后半小时的重写之间的差别。这些模型特性难以量化，但它们真实存在，并且正是供应商锁定的核心所在。.
此外，还有辅助服务的具体配置问题。任何在其应用程序中使用特定供应商的文件搜索功能、助手 API、内置向量存储或集成工具定义的用户，都已将其应用程序架构的很大一部分外包出去。在这种情况下，更换供应商并非仅仅意味着替换一个 API URL，而是需要重新编程多个核心组件。对于那些对其系统进行微调的客户而言，这一点尤为关键：经过精细调校的模型版本仍然属于供应商所有，而投入的训练成本会在切换供应商后付诸东流。唯一可移植的资源是训练数据集本身，前提是公司内部对其有完整的文档记录，但令人惊讶的是，这种情况在实践中往往并不常见。因此，对自身供应商锁定风险进行全面审计应涵盖五个层面：模型本身、提示层、嵌入和向量层、工具和功能定义层，以及包含代理框架和回退链的编排层。只有那些清楚自己在每个层面上使用的服务提供商、切换服务提供商的成本以及已经实施的缓解策略的人，才能真正称得上是经过深思熟虑的商业决策。否则，就属于无意中被锁定，严格意义上讲，这都是技术债务。.
从需要大量咨询的迁移项目中总结出一条实用的经验法则：如果在三十天内更换服务商的成本未知或超过一百万欧元，那么您就面临锁定问题。这个数字当然只是一个近似值，但它的优势在于能够引发一场业务讨论，否则讨论往往会陷入技术细节的泥潭。因为关键问题不在于技术上是否可行，而在于如果当前服务商提价，更换服务商是否仍然经济可行。.
投资者逻辑与客户逻辑之间的差距
为了评估即将到来的价格走势，我们有必要将关注点从用户转移到投资者身上。OpenAI 的估值约为 8520 亿美元，计划进行 IPO，估值目标高达 1 万亿美元，仅在 2025 年就向微软支付了约 172 亿美元。这笔款项占其总成本的 50.5%，超过了其年收入。任何了解这意味着什么的人都会明白形势的紧迫性。该公司目前财务状况并不自给自足，而是依赖于持续不断的资金注入。多位分析师估计，到 2029 年或 2030 年实现预期盈亏平衡点之前，累计亏损将达到 1150 亿美元，这一数额甚至超过了部分欧洲 DAX 指数成分股公司的总市值。投资者提供如此巨额资金并非出于慈善目的。他们预期，在亏损阶段结束后，市场结构将会出现，届时幸存的供应商将能够行使定价权。而这种定价权正是他们真正的投资目标。.
Anthropic 的情况与此模式有所不同，颇为有趣。该公司预计到 2027 年，其亏损率将从目前约占营收 70% 的水平降至 9%，而 OpenAI 同期亏损率预计仍将维持在 57%。造成这种差异的原因并非在于产品质量的提升，而在于其战略性不同的客户群体。Anthropic 更专注于企业客户，其产品组合中面向消费者的聊天机器人使用成本相对较低，因此能够更快地稳定毛利率。对于这家欧洲中型企业而言，这代表着一种微妙但重要的差异：并非所有供应商都会同时或以相同的幅度提价。价格调整的时机和幅度将取决于投资者的压力和各自的客户结构。但价格调整的方向是一致的，那就是上涨，而不是下跌。.
还有一点值得关注。经济学家埃德·齐特龙和其他分析师指出，OpenAI所谓的“计算成本”很大一部分源于微软和英伟达之间的循环交易。资金从英伟达流向人工智能初创公司，这些初创公司再将资金支付给云服务提供商，云服务提供商从英伟达购买芯片，而收入在每个环节都被记录下来。这并非道德批判，而是对一个降低市场抵御外部冲击能力的网络结构的描述。如果英伟达无法维持其增长速度，人工智能初创公司将失去至关重要的资金流入，而目前享受补贴的API价格将变得更加难以为继。.
开源的真正含义
目前，这场辩论常常陷入意识形态的漩涡，无法真正展现问题的本质。那些倡导开放模型的人很快就被贴上浪漫的反企业激进主义标签，这削弱了论点的经济实质。事实上，过去18个月里，开放语言模型的市场发生了根本性的变化，如今的讨论不再是商业前沿模型与业余模仿者之间的较量，而是两种功能几乎相同但运营成本截然不同的选择之间的较量。.
具体来说：GLM-5.1 在要求严苛的 SWE-Bench Pro 测试中取得了 58.4% 的得分，超过了 GPT-5.4 (57.7%) 和 Claude Opus 4.6 (57.3%)。Qwen 3.6-35B-A3B 是一款混合专家模型，拥有 350 亿个参数，每个令牌仅启用 30 亿个参数，在 SWE-Bench Verified 测试中取得了 73.4% 的得分，并且可以在两张 RTX 5060 Ti 显卡上以每秒 21.7 个令牌的速度运行。Mistral Large 3 拥有 6750 亿个混合专家参数，其性能达到了 GPT-5.2 的 92%，而成本仅为 GPT-5.2 的约 15%。谷歌的开源模型 Gemma 3 27B 在 Chatbot Arena 的评估中，即使仅运行在单个 GPU 上，其性能也优于 Meta 的 4050 亿参数模型和 DeepSeek 的 6850 亿参数模型。这些数据并非来自开源社区的个别报告，而是独立基准测试的结果，这些测试结果正日益成为企业决策的依据。.
经济效益显著。根据行业标准计算，在苹果 M4 Max 上部署 Qwen 3.5 32B 企业版，每百万个代币的电力成本约为 2 美分。分摊到三年硬件使用成本，相当于每百万个代币约 8 美分。相比之下，GPT-4o 的输入成本为每百万个代币 2.5 美元，输出成本为 10 美元；而 Claude Sonnet 的输入成本为 3 美元，输出成本为 15 美元。因此，成本差异高达两到三百倍。即使实际考虑维护、冗余、电力供应和人员等运营成本，对于中等使用量而言，成本优势仍然高达一到两个数量级。在 H100 服务器上自托管 Qwen-27B 实例与使用 OpenAI API 之间的盈亏平衡点约为每月 45 亿个代币。这听起来很多，但许多拥有完善的内容本地化、翻译工作流程和自动化客户互动系统的中型B2B营销机构，在12到18个月内就能达到这个规模。那些超过这个门槛却仍然使用云服务商的企业，实际上是在用自己的营业利润来补贴云服务的亏损。.
此类分析的完整性之一在于承认模型的局限性。自托管涉及运营成本，需要专业人员，对硬件要求高，而且并非总是最佳选择，尤其对于峰值负载波动较大的小型企业而言。在八张 H100 卡上部署 GLM 5.1 的成本约为每月 25,000 至 35,000 美元，而在 A100 上部署 Gemma 4-31B 的成本则在 2,500 至 3,500 美元之间。这些数字并非微不足道，但首先，只要合理利用，这些成本就能迅速收回；其次，这些成本是可预测的。可预测性才是本地部署解决方案真正的经济价值所在，因为它能稳定成本计算，从而消除未来 API 定价带来的价格风险。对于一家为客户提供 12 或 24 个月固定合同期的公司而言，可预测的成本可能比任何计算出的成本优势都更有价值。.
🎯🎯🎯 数据驱动的 B2B 行业中心，作为一种准内部解决方案
准内部解决方案：Xpert.Digital 如何弥合 B2B 营销和销售中的运营差距——智能内容驱动型业务——图片：Xpert.Digital
Xpert.Digital 是一个以数据驱动的 B2B 行业中心，由 Konrad Wolfenstein 领导。该公司为工业合作伙伴提供外部的、准内部解决方案，弥补其在市场营销、内容和销售方面的运营缺口，而无需客户投入额外资源。.
更多信息请点击这里：
如何摆脱对美国云服务的依赖：架构而非服务提供商。
数据保护：一个被忽视的竞争维度
除了纯粹的成本因素之外，还有第二个维度在德语国家被系统性地低估，而这同时也是一个日益重要的法律问题。通用数据保护条例 (GDPR)、《数据法》、《人工智能法》及其相应的国家实施细则，共同构建了一个监管环境，使得将敏感的商业数据传输到美国云服务提供商变得越来越棘手。尽管所有主要服务提供商目前都提供欧洲数据驻留保证，并承诺数据不会被用于训练未来的模型，但《云法》所赋予的美国安全机构访问云数据的法律不确定性，无法通过合同完全消除。对于代表政府机构、健康保险公司、国防承包商或高度机密的B2B客户开展业务的公司而言，这构成了一种结构性劣势，其影响远不止价格比较那么简单。.
在公司自有数据中心或欧洲托管服务提供商处运行的自托管开放式模型，从根本上规避了这个问题。它无需根据《通用数据保护条例》(GDPR)第五章做出数据传输决定，不受《云法案》(CLOUD Act)披露要求的约束，并且可以轻松纳入数据处理协议。这种合法地缩小攻击面的做法，虽然难以量化，但却是一项商业优势，并且正日益成为招标、采购流程以及与敏感客户签订框架协议的先决条件。如今，任何瞄准公共部门、医疗保健或国防行业的企业都很难回避这个问题。.
与此相关：
建筑设计比供应商选择更重要。
综合考虑这些因素所获得的关键战略洞察并非在于哪个模型在当下最佳，而在于如何构建自身系统，从而避免未来模型选择成为生死攸关的问题。一个清晰抽象的人工智能系统至少包含四层。最底层是模型层，即实际调用聊天补全接口的部分。其上是模型网关层，它允许通过统一接口访问不同的模型，并将其组织成回退链。LiteLLM 或 OpenRouter 等工具可以胜任这一角色，并且只需几天即可完成生产环境的部署。再上一层是提示层，实际指令以版本化的工件形式维护，理想情况下，还应包含一个兼容性矩阵，记录哪些提示版本已在哪些模型上成功验证。最顶层是编排和评估层，它由黄金数据集、自动评分标准和影子部署组成，确保模型变更基于可靠的对比数据，而非猜测。.
如果一家公司按照这四个层级构建其人工智能应用，那么它可以以人日而非人月来衡量模型切换所需的工作量。它可以将关键请求转发给前沿模型，并将标准请求重定向到成本效益高的开放模型。它可以通过强制将隐私敏感操作限制在本地实例上，仅允许匿名化或非关键请求访问云端，来加强数据主权。而且，最重要的是，它可以做到一件事：用确凿的数据向投资者、监事会或顾问委员会证明，其人工智能战略并非基于暂时的市场扭曲，而是基于合理的成本结构。.
那些忽略这些层级，直接针对单一服务提供商的聊天完成端点编写所有业务逻辑的人，或许能省去一层抽象层的工作量。然而，他们却承担着风险，而这种风险的代价往往在为时已晚时才会显现。无论是 Salesforce、SAP 还是 Oracle，类似的平台依赖经验都表明，这些风险并非线性发展，而是突如其来，通常表现为与合同续签相关的价格调整，而这种调整往往来得猝不及防。.
过渡的时机
虽然无法精确预测投资者何时才能看到季度回报，但相关指标已经很明确。OpenAI 计划进行 IPO，估值可能达到一万亿美元，这必然要求其在明确的时间框架内实现营收和成本的收支平衡。分析师预计其运营将在 2029 年至 2030 年间实现扭亏为盈。Anthropic 的目标是到 2027 年将亏损减少到营收的九分之一。预计其 2028 年营收约为 700 亿美元，由此可以推断出实现这一目标所需的隐性价格上涨幅度，约为当前价格的两到三倍。对于用户而言，这意味着预计在未来 18 至 36 个月内将出现结构性的价格调整；调整幅度目前尚不明确，但方向是确定的。.
如今，任何人如果仅以当前代币价格为基础，计算人工智能项目五年投资回报率，都极有可能出错。然而，如果在规划中将代币价格溢价提高 100% 到 200%，且计算结果仍然成立，则说明该项目拥有稳健的商业模式。而那些计算结果不再成立的项目，则应考虑转向开放的、自主运营的模式是否能够挽救其业务。这项评估不应被视为一个IT项目，而应作为最高管理层的战略问题来处理，因为它关系到公司未来十年竞争力的基石。.
为什么未来的人工智能能力会与今天的有所不同？
这项分析的一个显著副作用是重新定义了目前人工智能能力的概念。在公众认知中，如果一家公司的员工能够熟练使用知名供应商的聊天界面，如果其内部流程能够通过其应用程序接口（API）得到增强，如果其销售演示中充斥着各种流行语，那么这家公司就被认为是具备人工智能能力的。这种能力定义将在即将到来的定价阶段接受严峻的经济可行性考验。真正的能力在于构建一个系统，该系统底层模型保持可互换性，公司自身的提示信息以版本化的方式保存，评估套件能够在数小时而非数月内验证模型变更，并且公司的数据架构能够兼容不同的运营模式。.
这种转变也将改变人工智能经理的职业定位。2027年至2030年间，中型企业的人工智能经理将不再是能言善辩的“速写家”，而更像是一位基础设施架构师，需要将成本中心、合规性要求和模型可移植性整合到一个稳健的系统架构中。供应商忠诚度将成为一项战略性问题，其重要性堪比上世纪90年代末选择数据库系统或本世纪10年代末选择云服务提供商。那些及早且有意识地解决这些问题的企业将获得谈判优势、成本稳定性和监管方面的保障。而那些忽视这些问题的企业则假定云巨头将无限期地亏损，但事实证明，这种假定将是IT史上代价最昂贵的误判。.
冷静的结论
生成式人工智能是当今时代最重要的生产力提升技术之一，这一点毋庸置疑。正确的做法并非放弃它，而是谨慎地使用它。然而，使用并不意味着放弃控制权，低价也并不意味着价格会永远低廉。任何冷静地审视领先供应商数据的人都会发现，如今的API价格并非反映市场经济平衡，而是价格调整前的初始价格，而价格调整的时机则由供应商而非客户决定。希望避免价格调整的公司可以采取三种措施：构建具有可互换模型的清晰架构；针对特定用例，合理配置一定比例的开放且可自主管理的模型；以及建立持续评估机制，将模型切换视为常规流程而非特殊情况。.
如今，任何委托或负责人工智能项目的管理团队都应该采取务实的做法。首先，计算当前人工智能使用成本，并在此基础上加价100%到利润率。然后评估该应用在当前价格水平下是否仍然可行。如果不可行，则考虑采用混合架构：标准任务由内部运营的开放模型处理，而前沿模型仅用于那些能够显著提升质量的任务。将提示信息、评估数据集和微调数据保存为可移植格式。此外，不要将人工智能供应商视为战略合作伙伴，而应将其视为供应商，并持续比较其价格，同时积极降低其转换成本。这种方法既不咄咄逼人，也不过于谨慎；它仅仅是一个精明的商人对待成本项目的基本态度，因为在短短几年内，这项成本很可能成为损益表中五大项目之一。.
这场争论的真正导火索并非OpenAI、Anthropic和谷歌亏损。那是这些公司股东的个人赌博。真正的导火索在于，数百万欧洲用户公司正在不自知地拿自身的运营未来做着同样的赌博。史上最便宜的代币，却发出了市场有史以来最昂贵的价格信号，因为它们会基于暂时的市场扭曲而引发投资决策。那些今天就接受这一事实的人，可以据此构建自身的架构。而那些等到账单来临时才接受这一事实的人，早已错过了应对的最佳时机。架构胜过炒作。永远如此。.
您的全球营销和业务拓展合作伙伴
☑️ 我们的业务语言是英语或德语。
☑️ 新增：用您的母语进行通信！
Konrad Wolfenstein
我和我的团队很乐意为您提供私人顾问服务。.
您可以通过填写此处的联系表格联系我wolfenstein@xpert.digital：，或者直接致电+49 7348 4088 965。我的邮箱地址是
我期待着我们的合作项目。.
