AI投资逻辑正在接受更严格的财务检验。
文章作者、来源：ME News
TL;DR
- AI使用量与商业收入开始出现明显分化。 Ramp数据显示，2026年8月和9月，企业Token支出连续两个月几乎没有增长，尽管Token消耗量仍在上升。10月初支出创下新高，但仅比8月峰值高出1.5%。
- 头部客户对AI公司越来越重要。 Ramp追踪的企业中，仅1%的公司贡献了OpenAI和Anthropic约80%的相关支出；YipitData估算，Anthropic前1%客户的支出占比已从一年前的25%上升至46%。
- 价格下降正在削弱用量增长带来的收入增量。 截至10月21日，Ornn的Anthropic Token价格指数降至每百万Token约0.80美元，OpenAI为0.44美元。更低的推理成本正在惠及客户，但不一定同步转化为模型厂商的收入增长。
- AI投资逻辑正在接受更严格的财务检验。 当企业付费渗透率增长放缓、客户议价能力增强，而基础设施资本开支继续扩大，市场需要证明的已不只是算力需求，而是这些需求能否带来足够的利润与现金流。
一、AI行业出现了一个值得警惕的现象：使用量增加，收入却没有同步增长
过去几年，AI行业形成了一套颇具说服力的增长叙事：模型能力持续提升，推理成本不断下降，企业因此会部署更多AI应用，Token消耗量随之快速增长，最终支撑起庞大的云计算和数据中心投资。按照这一逻辑，算力越便宜，市场规模反而可能越大。
但进入2026年下半年，真实支付数据开始让这套逻辑面临考验。
美国企业费用管理平台Ramp在10月14日发布的AI Index报告显示，8月和9月，企业Token支出连续两个月几乎零增长。虽然10月初出现回升并创下新高，但相比8月此前的峰值，累计增幅只有1.5%。与此同时，企业使用的Token数量仍在增加。
这意味着，AI正在变得更普及、更高频，却未必正在以同样的速度变得更赚钱。
这种背离尤其值得关注，因为Ramp掌握的是企业支付和账单数据，而不是厂商发布的产品调用量或市场预测。截至最新统计，其AI Index样本已覆盖超过8.5万家美国企业。当然，这不是美国全部企业的随机抽样，也无法涵盖企业所有支付渠道，但与单纯的使用量指标相比，它至少更接近企业实际愿意掏多少钱。
需要强调的是，支出增速放缓不能直接解释为AI行业整体收入下降。Ramp的最新周度数据还显示，截至10月11日的一周，企业Token支出较四周前对应的一周增长23%，说明市场仍有明显需求，只是增长节奏已经不再像此前那样顺畅。
在我看来，这组数据真正揭示的变化，不是AI需求突然消失，而是市场开始从技术扩张阶段进入商业效率检验阶段。过去，投资者主要关心企业调用了多少模型、消耗了多少算力；现在，另一个更传统的问题正在变得重要：这些使用量究竟能产生多少收入，以及收入能够留下多少利润。
二、1%的客户撑起大部分收入，AI市场的繁荣仍高度集中
比支出停滞更加值得注意的，是AI商业收入的客户结构。
Ramp此前披露，在其追踪的企业样本中，排名前1%的企业贡献了OpenAI和Anthropic约80%的相关支出。另一家数据研究机构YipitData则发现，2026年8月，Anthropic前1%客户贡献的相关支出占比达到46%，而2025年8月这一比例只有25%。
这两组数字不能直接放在一起比较。Ramp统计的是其平台企业对两家模型厂商的支付情况，YipitData使用的是自身追踪口径；其中的支出占比也不完全等同于经过审计的企业整体营收占比。不过，两份独立数据共同指向了一个趋势：AI商业化虽然在不断扩大客户覆盖面，但收入越来越依赖少数高强度使用者。
这种结构并不令人意外。对于普通企业，AI可能只是员工办公订阅、文档处理和日常信息检索工具；对于将模型嵌入软件开发、自动化工作流或产品服务的企业，AI则可能成为持续运转的生产系统。两类客户产生的使用量和支出规模，本来就存在巨大差异。
Ramp的9月数据直观体现了这种分化。在已经为AI付费的企业中，普通企业每名员工的月度AI支出中位数仅为15.70美元，而支出最高的1%企业群体内部，对应指标的中位数达到9567.53美元。后者虽然较8月回升11.7%，但仍比7月的高点低3.1%。
这说明，大规模AI消费仍主要发生在少数深度使用场景中，而非所有企业都已经形成稳定、高额的AI预算。
客户高度集中有其积极的一面。大型企业往往具备更明确的使用场景，也更有能力将AI嵌入实际业务，因而能够迅速帮助模型厂商扩大收入。但是，当少数客户贡献了绝大部分业务，厂商也必然需要面对另一个问题：这些大客户是否拥有足够强的议价能力？
答案正在逐渐清晰。Ramp首席经济学家Ara Kharazian在10月报告中提到，根据他接触到的企业合同情况，客户在谈判中往往处于更有利的位置，模型厂商愿意提供低于公开标价的折扣，长期合同也未必意味着更高的支出承诺。
这至少说明，在企业端，领先模型厂商并没有因为技术壁垒而获得不受约束的定价权。尤其当不同模型之间的能力差距缩小，企业又能够通过路由系统切换供应商时，大客户的规模优势可能越来越容易转化为价格优势。
对于模型厂商而言，拥有大客户和拥有能够持续提价的大客户，是两件不同的事。
三、Token价格大幅下降，正在改写AI公司的收入公式
理解当前AI商业化的困难，需要回到一个简单的收入公式：Token相关收入取决于付费Token数量与平均实现价格，而不是仅仅取决于Token消耗量。
过去两年，市场把Token增长视作AI需求扩张的直接证据，这一指标确实有其价值，但如果单位价格下降得足够快，使用量增加未必能带来同等比例的收入增长。
Ornn的Token价格指数提供了一个观察窗口。截至2026年10月21日，Anthropic的价格指数降至每百万Token约0.80美元，较一个月前下降约49.5%；OpenAI对应指数为0.44美元。这里的价格是不同付费模型公开定价经过用量加权后的综合指标，不应理解为所有客户实际支付的统一成交价。
企业支付数据呈现出类似趋势。Ramp数据显示，截至10月11日的一周，与9月13日当周相比，企业Token使用量增加52.4%，但支出只增加23%。同一时期，OpenAI与Anthropic合并统计的每百万Token综合价格下降25.4%。
更重要的是，这种价格变化并非完全来自厂商主动下调报价。
随着不同能力等级的模型日益丰富，企业可以将复杂任务交给高性能模型，把简单任务分配给成本更低的模型。同时，提示词缓存、模型路由和推理效率优化，也在降低完成相同业务任务所需的实际费用。Axios在10月22日的报道中同样指出，企业转向更便宜的开放权重模型，以及缓存使用增加，都是平均Token价格走低的推动因素。
从企业采购者的角度看，这是实实在在的效率改善。原本需要花费100美元完成的任务，如果现在只需50美元，即使任务量增加，企业也可能不需要提高预算。
但从模型供应商的角度看，事情没有那么简单。假设单位Token价格下降50%，企业就需要把付费Token数量提高一倍，才能维持原有收入。如果还要支撑持续增加的研发费用、推理基础设施和营销投入，那么实际需要的收入增长可能更高。
当然，价格下降也可能扩大市场。一些过去因成本过高而不具备经济性的应用，可能因此获得商业可行性。这也是AI产业长期增长的重要希望。
问题在于，目前已经观察到的使用量扩张，尚不足以证明其能够稳定抵消价格下降带来的收入压力。市场真正需要关注的，不是某个模型又降低了多少推理价格，而是降价之后，新增需求能否持续提升收入和利润总额。
四、企业AI渗透率超过55%，但付费增长正在进入更难的阶段
除了价格因素，另一个挑战来自付费客户增长速度的变化。
Ramp数据显示，2026年9月，其样本企业AI付费采用率达到55.9%，环比增加0.62个百分点。相比AI商业化早期的迅速扩张，这一增长已经明显放缓，尽管仍略高于8月0.40个百分点的增幅。
从具体厂商来看，Anthropic的企业付费采用率达到43.8%，OpenAI达到40.6%，两者之间的差距正在缩小。由于同一家企业可以同时购买多个模型，这些比例并不能简单理解为排他性的市场份额。
行业之间的采用程度也存在明显差异。9月，Ramp样本中信息行业的AI付费采用率达到79.9%，金融与保险行业为73.7%，而零售业为49.9%，建筑业为43.2%。这说明AI并非在所有行业都已经接近全面渗透，更不能仅凭总体数字判断美国企业市场已经饱和。
但是，采用率上升和真正形成业务依赖之间，还有相当长的距离。
企业愿意为员工购买AI工具，可能只需要相对简单的预算审批；要把AI嵌入核心业务流程，则涉及数据治理、系统集成、安全审查、结果可靠性以及组织调整。尤其对于金融、医疗等行业，模型能够完成某项任务，并不意味着企业可以立即将其投入不受监督的生产环境。
因此，企业AI付费渗透率的增长放缓，未必代表技术价值已经见顶，更可能意味着容易部署、容易验证价值的场景正在逐渐被覆盖，剩余市场需要投入更多组织成本才能转化为稳定收入。
Kharazian据此判断，AI增长可能逐渐从扩大付费企业数量，转向提高现有客户的使用深度。我认为这一方向基本成立，但还需要补充一个限制条件：使用深度提高只有带来更高的实际支付意愿，才能转化为模型厂商的收入增长。
如果新增使用主要来自低价格模型，或者企业通过效率优化抵消了用量增长，市场仍可能出现使用规模持续扩张、客户支出却增长有限的局面。
五、杰文斯悖论不是保证书，万亿美元算力投资仍需利润支撑
围绕AI基础设施投资，过去最常被引用的经济学概念之一是“杰文斯悖论”。
这一理论通常被用来解释，当某种资源的使用效率提高、成本下降后，总需求反而可能增加。AI行业据此形成了一个重要判断：推理越便宜，AI应用就会越普及，最终所需要的算力甚至可能比降价前更多。
从实际Token消耗趋势看，这一逻辑并非没有依据。AI使用量确实在增加，智能体应用也可能通过多步骤执行、反复调用模型，产生远高于普通聊天交互的Token需求。
但需要区分的是，杰文斯悖论讨论的是资源消耗的变化，并不自动保证相关供应商能够获得足够的收入，更不保证资本投入能够产生理想回报。
这是当前市场容易混淆的两件事。即使总Token需求增长十倍，如果平均价格下降得更快，或者收入增长需要付出过高的资本和运营成本，最终财务结果仍可能无法达到投资者的预期。
高盛2026年9月发布的研究进一步量化了这种压力。基于2026年至2027年大型算力企业的平均年度资本开支，该机构估计，相关企业需要每年产生约3080亿美元的AI收入，才能覆盖相应的折旧及运营费用；如果要求达到10%至20%的投资资本回报率，所需年度收入将上升至约4170亿至5260亿美元。
这些数字是基于特定资本开支和成本假设建立的情景估算，并非对未来必然发生的收入缺口作出的判断，但它说明了基础设施投资对商业化规模的要求。
与此同时，高盛研究显示，主要超大规模云计算企业的已实现投资资本回报率已从约40%下降至25%。Apollo首席经济学家Torsten Slok在10月20日进一步指出，企业算力需求具有明显价格敏感性，投资资本增长快于收益增长，正在给基础设施的长期回报带来压力。
当然，这还不是AI投资失败的证据。高盛的另一组数据表明，亚马逊、Alphabet、微软和甲骨文的云业务同比收入增速，已从2024年的约25%加快至2026年第二季度的48%。资本回报率下降，也不能全部归因于AI项目本身，因为这些企业仍有庞大的既有业务和多种资本投入。
Anthropic自身的经营表现同样提供了重要的另一面。彭博社10月中旬援引知情人士消息称，Anthropic向潜在投资者披露，第三季度营收达到168亿美元，并实现经调整后的季度盈利。这与企业Token支出增长放缓并不矛盾，因为Ramp覆盖的只是部分客户和支付场景。
这些积极数据提醒我们，不能把短期支付增速放缓直接推导为整个AI行业已经失去增长能力。
不过，算力投资与传统软件业务存在根本区别。数据中心、芯片、供电和网络设施需要在收入兑现之前投入大量资本，设备还面临折旧、技术迭代和利用率风险。一旦未来收入增长无法匹配前期投入，资本回报率便会受到持续挤压。
这也是为什么AI商业化已经不能只看需求是否增长，还必须看需求增长能够支持怎样的资本回报。
六、AI商业化的下一阶段，真正重要的是谁能把使用量变成利润
如果把目前的行业变化放在更长的时间尺度上，AI商业化其实正在经历一次增长逻辑的转换。
第一阶段是能力驱动的市场扩张。企业愿意尝试新模型，投资者愿意为技术领先和用户增长支付溢价，模型厂商可以依靠快速增加的客户数量扩大收入。
第二阶段则是效率和利润驱动的竞争。随着企业拥有更多模型选择，价格、可靠性、集成成本和实际业务收益的重要性不断提高。领先厂商需要证明的，不再只是自己的模型足够聪明，而是客户使用这些模型之后，可以获得值得持续付费的经济回报。
从这个角度出发，未来最值得跟踪的指标至少包括三个层面：首先是客户留存和净收入扩张，即既有客户是否愿意持续购买更多服务；其次是单位Token收入与推理成本之间的差额，判断降价之后毛利空间是否仍然改善；最后是企业实际产生的收入增长、利润提升和成本节约，检验AI投入是否具备可重复的投资回报。
这三个层面也决定了产业链中谁拥有更强的长期议价能力。模型能力领先固然重要，但如果技术优势迅速被追赶、价格不断下降，模型本身可能越来越难维持高溢价。相比之下，能够深入企业工作流、控制实际业务入口，并持续证明生产效率改善的服务商，有机会形成更稳定的客户关系。
对于OpenAI和Anthropic而言，短期竞争仍然围绕模型能力、开发者生态和企业客户展开，但长期竞争将更多体现在收入质量上。对基础设施投资者而言，也需要逐渐从GPU出货量、数据中心建设规模，转向观察利用率、现金流和投资资本回报率。
我的判断是，2026年下半年的这些数据并不意味着AI商业化已经触及天花板，却足以说明，此前市场把Token增长直接等同于收入增长、再把收入增长等同于投资回报的推理链条，已经需要重新审视。
AI完全可能成为一项改变经济运行方式的通用技术，也完全可能在创造巨大社会和企业价值的同时，让部分模型厂商或基础设施投资者难以获得预期利润。技术价值与股东回报之间，从来不存在自动兑现的关系。
当前的客户集中、价格下跌和支出增长放缓，恰恰是检验这种关系的早期信号。对于AI行业而言，算力需求还能增长多少固然重要，但客户愿意为这些算力持续支付多少钱，以及厂商最终能够留下多少现金流，才是决定这一轮巨额投资能否获得合理回报的关键。
当技术能力不断突破，商业竞争最终仍要回到最基本的经济规律：企业愿意付费，是因为获得的价值高于付出的成本；投资者愿意持续投入，是因为未来可以得到与风险相匹配的回报。
AI行业正在进入必须同时回答这两个问题的阶段。