AI的聪明，终究要用于赚钱

2026年7月，AI走到了微妙关口。

钱还在往里砸——四家头部云厂商2026年资本开支合计7250亿美元，比2025年猛增77%。但资本市场已经换了脸色，“七巨头”上半年整体下跌。

7月，Meta计划出租闲置算力的消息一出，Meta自己大涨，算力产业链却集体扑街。

同月，微软开始大面积取消Claude Code内部许可证。就在半年前，微软刚把这套AI编程工具开放给数千名工程师，使用率从32%飙到84%，有人一个月Token费用就花掉500到2000美元——微软也经不起这么折腾。

还有一个信号更宏观：Silicon Data的Token支出指数，自2024年底创立以来近乎翻倍，2026年5月见顶后已回落近20%。

指数回落背后是更具体的现实：大厂程序员发现模型接口开始排队了，有人抱怨“现在用AI像抢车位”，额度一到月底就见底。

三件事指向同一个变化：过去三年聊模型能力，今天开始聊商业回报。

AI，不是互联网

AI的生意和互联网的生意，底层逻辑天然有所区别。

互联网时代：固定成本高，边际成本趋近零。微信多一亿用户，服务器成本增加有限。流量是资产，用户越多越赚钱。

AI时代：用户增长→Token增长→GPU消耗增长→成本同步增长。用户每说一句话都在消耗资源。

互联网时代，流量是资产，在AI时代，流量可能变成负债。

但这里有一个容易搞混的地方。

很多人觉得AI烧钱烧在训练上——动不动几百万美元跑一次模型，听着就吓人。但训练其实是一次性的研发投入，就像买一台矿机，贵是贵，买完就完了。

真正要命的，是推理。用户每问一句话，你就要付一次钱。像电费，机器开着就在流血。

训练烧钱未必致命——融资能覆盖。推理如果算不过来账，用户越多，倒得越快。

那Token指数回落近20%怎么理解？不一定是不用AI了，也可能是在更省着用。工程上各种优化——MoE、蒸馏、KV Cache、缓存命中——让同样一件事消耗的Token变少了；企业也在把调用从贵的大模型往便宜的模型迁移，低价值的用法则干脆砍掉。几股力量合在一起，Token增速自然就慢下来了。

如果算力成本只是数字上的问题，靠技术优化和规模效应总能慢慢解决。但AI商业化真正棘手的，是一个更深层的错位：它创造的价值，和它收取费用的方式之间，隔着一条看不见的裂缝。

员工喜欢AI，老板只看账单

正如学生上补课班，买单的是家长一样，AI产业有一个挺独特的结构性问题：用它的人和为它付钱的人，不是同一个人。

员工可太喜欢AI了：写周报、做PPT、整理会议纪要、生成代码。效率的提升是每个人都能直接感受到的。但老板关心的是另一套东西：收入增加了吗？成本降下来了吗？人员减少了吗？

很多AI创造的是效率价值，却没有转化成财务价值。

一百个员工每人每天省下30分钟，听起来很美好。但工资没降，岗位没减，利润没增——软件费用反而还多了一笔。在员工眼里，这是“效率神器”；在老板的利润表上，它往往只是一笔“管理费用”的增加。

有人总结得很精准：先给你无限Token随便用，等你已经离不开AI了，再开始限制额度。问题就在于，2025到2026年，这一批工具集体从“聊天”升级成了“Agent”，突然变得特别能烧钱。

效率提升这件事，在没有变成利润之前，老板是看不见的。他只看得见账单。于是有了一个很自然的反应：既然AI这么能烧钱，那就限制着用。

一个对比很清楚：RPA（机器人流程自动化）为什么卖得动？因为它替代了3个岗位，软件成本增加10万，人工成本减少30万——ROI清清楚楚。而很多Copilot类产品呢，软件成本增加了，人工成本却没变——ROI是模糊的。

但问题还不止于此。RPA之所以ROI清晰，是因为它做的事是确定的、重复的、出错了可以立刻修正的。而很多AI产品面对的场景，远比这复杂。复杂性带来的不仅是算力消耗，还有一个更棘手的东西：不确定性。

当结果不确定，企业就得掂量——这个不确定，我承担得起吗？

有些场景对准确率没有那么苛刻。比如会议纪要、法律初审、代码辅助、财务审核，准确率85%就可以接受。只要AI犯错带来的成本，比人工全量处理的成本低，这商业模式就有机会跑通。

但换到自动驾驶、医疗诊断、金融交易、司法裁决这些场景，逻辑就完全不同了。在这里，决定商业价值的不是效率，而是责任。AI离决策层越近，责任就越大，企业对精度的要求就越高，验证成本就越高，商业化的周期也就拉得越长。

同样是AI犯错：会议纪要写错一个数字，损失可能就是5分钟的回查时间；医疗诊断给错一个用药建议，一旦引发诉讼，赔偿金额往往几十上百万。

深圳一家AI教育硬件公司推出的AI拍学机，累计用户超过25万，但至今未能盈利。原因在于每一次识别都要消耗Token，用户越活跃，成本越高。

为了控制开支，公司不得不采用端云协同、小模型处理高频任务、缓存重复结果等方式压缩推理成本。

最近Momenta成功上市后，创始人曹旭东表示，1000万辆车，按一年1万公里累计，当年的驾驶里程就有1000亿公里。这些数据足以覆盖很多场景。这里面涉及的问题，人开一辈子车可能都不会遇到。但他同时也说，正常情况下，人开车差不多1万公里左右，会遇到一次难以处理的场景。

题做错了大不了重做，但换成自动驾驶，一瞬间的判断失误，可能就是生命代价。这就是为何Momenta必须采用真实数据背后的考量。AI越靠近决策层，商业化的瓶颈往往越不是算力，而是责任。

AI当然要算账，但别过了头

过去几年，行业看的是用户数、DAU、Token、参数规模。未来几年，大家盯着的指标会变成：单用户毛利、推理成本、客户续费率、ROI、自由现金流。

互联网时代，规模几乎天然带来利润；AI时代，只有先证明利润，规模才有意义。

中金公司的研究测算显示，从算力自建的角度看，推理成本大概是每百万Token 2美元；从算力租赁的角度看，大约是2.6美元。Bessemer Venture Partners在《State of AI 2025》报告里也指出，AI公司的毛利率远远低于传统SaaS，大概在60%上下，有些公司甚至低到了25%。

当VC的尽调清单里开始出现“单用户收入是否能够覆盖推理成本，并留下足够毛利”这样的语句时，AI行业的技术叙事，就彻底让位给了商业叙事。

2026年，还发生了一个很微妙但影响深远的变化：到底是谁决定AI资源的分配？

过去三年，资源往往听工程师的。大家讨论的是参数、算力、模型能力。今天，财务部门开始拿到越来越大的话语权。大家讨论的，变成了ROI、毛利率、现金流。过去三年一直坐在后排的CFO，现在坐到了副驾驶的位置上。

飞书CEO谢欣在今年1月的一次演讲里也提到，企业落地AI的时候，安全管控部门和财务预算部门正在成为主要的阻力。他的建议是，财务预算要从ROI思维，升级成COI思维，也就是关注“不作为的成本”。

但这里也需要警惕另一种极端。如果说工程师高估了技术，那么财务可能低估了未来。很多颠覆式创新——Agent、Physical AI、世界模型——天然就不符合短期ROI那套逻辑。

过去三年，工程师坐在驾驶位，财务坐在后排。今天，财务坐到了副驾驶，开始盯着油表看了。但如果财务一把抢过方向盘，同样也可能错过未来。

那么问题来了，谁会率先跑通商业模式？

像初级法律辅助、工业质检、初级金融风控辅助、行业知识库、垂直SaaS，这类场景有一个共同点：责任边界清晰，结果能用钱衡量，ROI算得过来。说白了，就是AI犯错的代价可以接受，省下来的钱看得见、摸得着。

什么样的可能面临危险？那些千篇一律的通用聊天机器人、免费AI助手、同质化严重的AI应用。用户量看着挺大，可钱从哪儿来，没人说得清楚。

安联研究算了一笔账，目前AI领域的投资增速，和实际销售收入之间，存在着接近46%的“增长断层”。这个数字，比2001年互联网泡沫破裂期的32%还要严重。换句话说，钱是真砸进去了，收入却没跟上。

把目光放长一点，真正的机会，可能藏在“开源模型+行业数据+工作流”这个组合里。企业未来买的，未必是模型本身，而是模型背后的行业能力。谁更懂某个行业的数据和流程，谁就能把AI变成可收费的服务。

当然，如果Agent或者Physical AI哪天突然突破了，现在的算力格局可能又得重新洗牌。但不管怎么洗，ROI这个问题不会消失，只会换一种方式，重新出现在下一张利润表上。

值得注意的是，过度追求短期ROI同样可能埋下隐患。近期《哈佛商业评论》提到，一些企业在用AI削减初级岗位后，18个月内便出现人才断层。财务能计算成本，却未必能计算未来能力的价值。

尾声

过去三年，AI行业拼的是谁的模型更聪明；从2026年开始，拼的是谁先赚到钱。

技术突破当然重要，但真正决定行业格局的，不再只是参数、Token和算力，而是谁能把AI变成客户愿意持续买单的生意。

AI迎来的不止是技术瓶颈，更是商业化大考。

免责声明（上下滑动查看全部）

任何在本文出现的信息（包括但不限于个股、评论、预测、图表、指标、理论、任何形式的表述等）均只作为参考，投资人须对任何自主决定的投资行为负责。另，本文中的任何观点、分析及预测不构成对阅读者任何形式的投资建议，亦不对因使用本文内容所引发的直接或间接损失负任何责任。投资有风险，过往业绩不预示未来表现。财经早餐力求文章所载内容及观点客观公正，但不保证其准确性、完整性、及时性等。本文仅代表作者本人观点。

⭐星标财经早餐，好内容不错过⭐

觉得好看，请点“在看”，欢迎点赞评论和转发