ARTICLE · 1244610
AI越来越聪明,现金流却越来越紧?699元会员背后的六家公司生意经
从Kimi、DeepSeek到OpenAI、Claude：谁在为人工智能的未来买单？
最近，AI圈出现了一件颇有意思的事。
10月24日，国产大模型Kimi的新一代旗舰模型K3.1 Pro引发关注。
在公开发布的部分编程和智能体评测中，新模型展现了相当不错的竞争力。
但社交平台上，一位用户却晒出了一张让人哭笑不得的截图：
花699元购买了Max会员，开启高速模式，运行复杂任务约15分钟，就触及了使用额度限制。
用户甚至开玩笑说，想申请未成年人退款。
不过，仔细看截图，事情并没有那么夸张。
月度额度只使用了4.1%，真正触及上限的是短周期使用频限，约3小时后便可以恢复。
因此，这不是699元只够使用15分钟，而是高强度任务触发了产品的短周期资源限制。
但它引出了一个比会员价格更值得讨论的问题：
为什么AI模型越来越强，服务价格有时反而越来越难让人理解？
有人主打低价，有人提供免费服务，有人把高级会员卖到数百元，还有企业投入巨额资金建设数据中心。
它们究竟在经营什么？
是卖模型、卖算力、卖企业服务，还是在争夺下一代互联网入口？
更关键的是，这些庞大的研发投入，最终由谁支付？
本文试着从六家代表性AI企业切入，拆解它们的商业逻辑，并提出三个比模型排行榜更值得关注的指标：
单位任务成本、付费客户留存、自由现金流。
因为技术领先可以赢得掌声，但现金流才能支撑长期经营。
一、699元背后：AI公司最头疼的可能不是用户太少
先说Kimi。
根据10月24日的官方定价信息，Kimi Max会员月费699元。
新发布的K3.1 Pro标准版API价格为：每百万Token输入13元、输出68元。高速版本分别为26元和136元。
有意思的是，标准版的价格相比上一代K3反而下降了约三分之一。
也就是说，模型能力在提升，部分API单价在下降，但高强度用户依然会遇到使用限制。
为什么？
因为今天的AI，已经不只是聊天机器人。
过去，你问一句天气如何，AI回答几句话，计算量相对有限。
现在，你可能让它分析几十篇研报、阅读几万行代码、修改程序、运行测试，发现问题后再重新尝试。
这类能够连续调用工具、执行多步骤任务的系统，通常被称为Agent，也就是智能体。
用户看到的可能只是最后一份报告，或一段修改好的程序。
但为了交付这个结果，AI可能已经经历多轮计算。
更复杂的是，每一轮调用还可能涉及历史对话、代码文件和其他上下文信息。
如果每次都要处理大量内容，推理成本自然会增加。
当然，缓存、模型路由和工程优化能够降低其中一部分费用，不能简单把全部上下文长度乘以调用次数，就当作实际成本。
问题在于：
用户购买的是一个月的使用权，企业承担的却是随任务强度变化的计算成本。
这就像一家自助餐厅。
有人进来吃一碗面，有人却能连续吃好几小时。
如果大家都支付同样的价格，经营者就必须考虑如何设计合理的服务规则。
AI会员的使用额度、并发限制、优先队列和高速模式，本质上也具有类似作用。
但这并不说明某家企业一定算力不足，更不能由此认定其业务亏损。
服务限制可能涉及成本控制、系统稳定性、容量管理，也可能是产品分层策略。
一句话：
价格筛选客户，额度管理资源，真正决定长期竞争力的还是交付价值与成本之间的关系。
二、为什么AI公司如此重视排行榜？
理解AI行业，必须先理解一个特殊现象：
在这个市场，产品还没卖出去，能力证明往往已经开始了。
汽车有销量，手机有出货量，软件有付费客户。
但一款刚发布的大模型，怎么让全球开发者和企业相信它值得使用？
排行榜提供了一种相对直观的参考。
例如，Kimi K3.1 Pro发布材料中，其Terminal-Bench 4.0编程智能体评测得分为65.7%，接近同一比较材料中Claude Opus 5.5的66.4%。
这当然不能证明Kimi在所有真实场景中都与Claude表现相当。
评测环境、测试集、推理预算和工具设置，都可能影响最终结果。
但这样的成绩，至少能够帮助市场识别模型在特定任务上的技术潜力。
对AI创业公司来说，公开评测可能同时打开三扇门。
第一扇门，是开发者。
技术表现足够吸引人，才会有人主动试用、分享，甚至把它接入自己的软件。
第二扇门，是企业客户。
企业采购AI服务，往往要先建立候选名单，再做安全、稳定性、成本及业务适配测试。
第三扇门，是资本市场。
技术实力、用户采用情况和商业化前景，都可能影响投资机构的估值判断。
于是，一条可能的商业路径便形成了：
技术突破 → 市场关注 → 开发者采用 → 商业订单 → 收入增长 → 融资能力提升。
但需要强调：排行榜不是采购合同，更不是融资保证书。
部分企业取得优异成绩，也完全可能出于技术积累和产品迭代，而非某种特定资本市场目的。
真正值得关注的是：
当技术能力越来越接近，模型评测上的微小差距，是否还能转化成持续的商业优势？
三、六家AI公司，实际上在经营六种不同的生意
虽然大家都在提供AI模型，但商业资源、客户结构和资金来源并不相同。
简单概括：
Kimi： 前沿模型能力＋订阅/API＋开发者及企业市场。考验技术投入如何转化为可持续毛利。 DeepSeek： 模型效率＋开放生态＋低价推理服务。考验成本优势能否转化为足够的收入和现金流。 豆包： 大规模用户＋字节跳动生态＋火山引擎。考验生态协同及企业商业化效率。 OpenAI： 大众入口＋企业服务＋开发者平台。考验高速扩张与巨额算力需求的平衡。 Grok： 模型业务＋基础设施＋集团资源协同。考验重资产投入和资产利用效率。 Claude： 专业工作流＋企业付费＋云平台渠道。考验高价值客户留存、算力成本和渠道依赖。
这并不是技术实力排名，而是对各家经营模式的观察。
1. Kimi：技术成绩很好，商业化必须跟上
Kimi很适合用来观察独立AI创业公司的处境。
与拥有庞大成熟业务的大型互联网企业不同，独立AI公司需要不断向市场证明两件事：
模型能力有竞争力。
这种竞争力能够变成收入。
Kimi近年来同时发展用户订阅、开发者API、编程工具和企业服务，显然不只是希望成为一款聊天应用。
公开媒体2026年9月曾报道，月之暗面计划在年底实现20亿美元年化收入目标。
这里的“年化收入”，可以理解为按照某个时期的收入速度推算一年的规模，而不是已经实现的全年收入，更不是利润。
这仍然说明市场需求正在被重视，但能否维持增长，要看用户是否持续付费，以及收入对应的服务成本。
当旗舰模型能力上升，更多专业开发者和企业客户可能愿意尝试。
但如果复杂任务消耗大量算力，而订阅价格不能覆盖对应成本，收入增长也可能无法带来同等幅度的盈利改善。
Kimi需要解决的，是如何将技术优势变成产品优势，再将产品优势转化为现金回报。
技术领先可以带来流量，客户持续付费才能验证商业价值。
2. DeepSeek：不是不花钱，而是努力把同样的事做得更便宜
DeepSeek的商业逻辑很有代表性。
假设两辆汽车都能跑100公里。
一辆消耗10升油，另一辆只需要5升。
后者当然拥有明显的效率优势。
DeepSeek通过模型架构、训练优化、推理工程和缓存等方式，形成了具有竞争力的模型服务成本与定价。
但要特别注意：
API价格低，不代表企业总成本低，更不代表每笔交易都一定赚钱。
研发人员、模型训练、算力储备都需要投入。
低价还可能需要足够大的调用量，才能摊薄固定成本。
而且不同模型完成同一任务的成功率不同，不能只比较Token单价。
2026年10月22日，路透社报道DeepSeek正在推进约150亿美元规模的融资，具体交易条款仍可能调整。
这提供了一个值得研究的现象：
即便以技术效率和低价服务闻名，前沿AI企业仍可能需要大量长期资本支持。
融资并不意味着经营失败，也不能说明现有现金不足。
它还可能用于扩大研发投入、提前储备算力以及争取市场机会。
但投资人最终仍然要判断，规模扩大之后，企业能否获得合理回报。
把成本做低是技术竞争力，把低成本变成正向现金流，才是商业竞争力。
3. 豆包：免费不一定亏，关键是谁承担成本
豆包的商业模式又不一样。
它背靠字节跳动，拥有内容、产品分发、用户运营及云计算等资源。
因此，消费者使用AI未必必须马上产生直接利润。
如果AI提高用户活跃度、改善内容生产效率，或者促进既有业务增长，它也可能间接创造价值。
与此同时，字节还可以通过火山引擎向企业销售模型调用、智能体开发及云服务。
对这类拥有成熟生态的企业而言，AI可能同时是一种产品和一项基础能力。
这也解释了为什么不能简单认为：
某家产品免费使用较多，就一定拥有最低的算力成本。
还可能是企业选择了不同的投入和商业回收方式。
当然，生态补贴也不是免费的午餐。
集团同样需要衡量投入产出比。
只是与独立创业公司相比，大型科技企业可以在更多业务环节之间进行资源配置。
对创业公司，AI可能是必须直接赚钱的主业；对大型生态企业，AI也可能是提高其他业务价值的基础设施。
4. OpenAI：入口足够大，但规模也会放大成本问题
OpenAI的特点是业务覆盖广。
消费者订阅、企业服务、开发者API，以及各种智能体产品，共同构成收入来源。
庞大的用户基础可以帮助分摊研发投入，同时形成品牌和开发者生态优势。
但规模扩大并非只有好处。
简单聊天和复杂任务，消耗的算力可能存在巨大差异。
如果用户持续向高强度编程、研究和自动化工作迁移，平均每位活跃用户的计算资源消耗也可能增长。
因此，OpenAI需要通过模型分层、缓存、资源调度、价格设计和基础设施投资，持续管理单位服务成本。
另一方面，大规模算力合同和基础设施建设，又会提前占用资金或形成长期付款承诺。
所以，即便企业年化收入不断增加，也不能直接判断它已实现正向自由现金流。
规模可以摊薄成本，也可能在扩张阶段放大资金需求。
OpenAI的核心挑战之一，就是让收入增长逐步追上、甚至超过支出和投资需求的增长。
5. Grok：不只竞争模型，也竞争基础设施
Grok背后的xAI，还有一条不同于传统软件企业的路径。
2026年2月2日，SpaceX宣布收购xAI，将AI业务纳入更大的集团体系。
这使其模型业务与航天、卫星通信、算力基础设施等资源之间，产生了更多协同的可能性。
这样的布局并不局限于向普通消费者出售AI订阅。
如果未来能够有效共享技术、客户资源与基础设施，可能提升资产的综合利用效率。
但资产整合并不等于经营成本自动下降。
服务器设备需要采购，数据中心需要电力，设备折旧和融资成本也不会因为集团规模变大而消失。
对于这类重资产布局，最重要的问题是：
投入的设备是否充分利用？
每增加一单位算力投资，能产生多少可持续收入？
投资回收周期有多长？
拥有基础设施是一种优势，但资产利用率决定这种优势能否转化为经济回报。
6. Claude：找到愿意为生产效率付费的人
Claude的商业定位，在六家企业中值得特别注意。
它当然也有个人消费者，但在编程、专业知识工作和企业级服务方面，形成了较为鲜明的产品形象。
为什么这类客户很重要？
因为企业采购AI工具，不一定特别在意每月几十元或几百元的价格差异。
它更在意，这项工具究竟能节省多少时间、提高多少工作质量。
假设一名程序员使用AI后，每月能够减少数小时重复劳动，而且工作质量没有下降。
那么，对企业来说，真正的价值可能远远超过工具的订阅价格。
但Claude也不是不需要资本支持的例外。
路透社2026年9月29日报道，Anthropic在2025年有47%的销售收入通过亚马逊与谷歌云平台渠道产生，向相关渠道支付了约3.51亿美元分销费用。
这意味着，云服务商可能同时是投资者、算力供应商、销售渠道，甚至还是AI领域的竞争者。
商业合作带来客户资源与效率，也可能形成渠道依赖和费用压力。
卖给谁，比单纯卖出多少次Token更重要；但企业收入质量，还要结合渠道费用和现金流判断。
四、AI公司真正的难题：收入增长，不代表现金流改善
看到这里，会发现六家公司虽然经营方式不同，却面临一个共同问题：
研发和算力往往需要提前投入，而客户收入需要逐步积累。
我们做一道简单的算术题。
假设一家AI企业有1万名付费会员，每人每月支付699元。
理论上：
每月订阅收入699万元。
全年订阅收入8388万元。
注意，这只是极端简化的示意测算，没有考虑折扣、退费、税费以及其他实际因素。
更重要的是，这8388万元并不是利润，也不等于最终能够自由支配的现金。
用户可能产生不同的推理成本。
企业还需要承担研发、人员、销售以及各种运营开支。
如果企业还在不断增加算力投入，现金需求可能进一步增加。
从财务角度看，有必要分清三本账。
第一本：经营现金流。
企业向客户收取费用，同时支付人员、云服务、运营等日常经营支出。
它反映主营业务实际产生或消耗的现金。
第二本：投资现金流。
例如购买服务器、建设自有数据中心等资本性投入。
这些资金通常先付出去，再通过未来多年服务逐渐收回。
需要注意，云服务采购、租赁付款以及长期合同承诺，不一定全部计入投资现金流，具体取决于会计处理。
第三本：融资现金流。
企业通过股权融资、发行债务等方式获得资金，用于支持经营与扩张。
融资可以增加现金储备，却不等于产品本身已经实现盈利。
这里有个值得警惕的错觉：
一家企业融资很多，可能说明资本市场高度认可它的未来。
但融资金额越大，不代表它的经营模式已经越成熟。
同样，一家公司暂时亏损，也不代表其商业模式没有前景。
关键在于未来的现金回收能力，是否足以支持长期投入。
收入证明有人愿意付钱，毛利证明服务可能赚钱，自由现金流才进一步检验扩张能否持续。
五、资本为什么愿意不断为AI投入巨额资金？
这个问题不能只从“看好AI”四个字解释。
更深层的原因，是投资者可能认为AI具有明显的规模经济、生态优势和长期增长潜力。
例如，一旦某款模型成为大量软件的基础能力，企业就可能获得持续的API调用收入。
如果某个智能体进入企业日常业务流程，切换成本可能上升，客户合作关系也可能更稳定。
如果模型研发能力、数据资源、渠道和算力形成协同，领先企业可能建立一定竞争壁垒。
因此，投资者愿意在企业尚未形成稳定利润之前，提前支持增长。
但这里也存在风险。
当企业竞相扩建算力，市场可能出现投资节奏领先于实际需求的情况。
若未来计算资源价格下降过快、设备利用率不及预期，或者模型能力差异不断缩小，部分项目的投资回收周期就可能延长。
还有一种值得关注的商业结构：
大型科技企业投资AI公司。
AI公司向这些科技企业采购云计算服务。
云服务商又通过自己的平台帮助AI公司销售产品。
这可以形成真实的产业协同。
但如果投资、采购、收入与融资高度交织，研究者就需要进一步区分：
最终客户支付了多少真实收入？
相关收入是否需要向渠道支付费用？
长期采购承诺有多大？
经营现金流是否改善？
这些问题不能靠排行榜回答，也不能单凭一张融资新闻判断。
当然，上述交易结构本身并不意味着存在财务造假或不当行为。
它只是说明：AI产业的资本循环，比传统的软件订阅业务更加复杂。
资本可以提前购买增长机会，但最终仍需要客户创造的现金回报来验证投资价值。
六、从投资角度看，真正重要的三个指标
分析AI公司，不妨少看一点排行榜，多看三组数字。
第一，完成一个有效任务，到底花多少钱？
这叫单位任务成本。
假设两款AI模型都能修复同一个程序错误。
A模型调用三次成功。
B模型虽然单次调用更便宜，却要调用十次才能完成。
谁的性价比更高？
答案不能只看Token价格。
还要看任务成功率、耗时、重试次数、人工干预，以及完成结果的实际质量。
这也是为什么未来模型竞争可能逐步从“每百万Token多少钱”，走向“完成一项有效工作需要多少钱”。
真正有价值的不是便宜的Token，而是便宜且可靠的任务成果。
第二，客户是否愿意长期付费？
新模型发布后，注册人数可能迅速增加。
但尝鲜用户未必会长期留下。
如果企业客户开始把AI接入客服、研发、设计、分析等生产流程，并持续扩大采购，商业价值就更容易被验证。
因此，比单纯用户增长更值得观察的，是付费客户留存、续约情况以及客户采购金额的变化。
不过，客户持续付费仍不代表服务商一定盈利，还必须与交付成本放在一起分析。
流量可以靠热点获得，真正的商业价值需要在持续使用中验证。
第三，自由现金流何时能够持续改善？
这可能是三项指标中最关键、也最难判断的一项。
简单理解，自由现金流可以近似看成：
经营活动产生的现金，减去维持与扩张业务所需的资本性支出。
对高度依赖租赁算力的企业，还应结合长期云采购承诺、租赁义务和其他合同安排一起观察。
一家AI企业即便账面收入增长很快，如果为了支持增长还需要投入更多现金，就可能继续依赖外部融资。
这在成长阶段并不罕见。
真正需要研究的是：
随着企业规模扩大，单位任务成本有没有下降？
客户续约和付费情况有没有改善？
新增收入能否带来更多经营现金？
长期投入是否逐渐产生合理回报？
如果这些问题能够得到积极回答，企业的商业模式就更具有说服力。
七、下一场AI竞争，也许不是谁最聪明
过去几年，AI行业的关键词是参数、算力和排行榜。
谁的模型更强，谁能完成更复杂的任务，往往成为市场关注的中心。
但随着模型能力持续提升，另一场竞争正在变得更加重要。
谁能用更少的计算资源，完成同样高质量的任务？
谁能真正嵌入企业工作流程，让客户持续付费？
谁能把收入增长转化为毛利改善，再逐步形成可持续的现金回报？
从这个角度看，Kimi的699元会员争议，其实只是整个AI行业的一张小小切片。
价格如何制定，资源如何分配，用户如何付费，企业如何融资，最终都指向同一件事：
技术能力必须找到可持续的经济回报路径。
未来可能出现这样的结果：
模型最强的企业，不一定拥有最多用户。
用户最多的产品，不一定创造最多利润。
融资能力最强的公司，也不一定拥有最健康的现金流。
真正具有长期竞争力的企业，可能需要同时做好三件事：持续创新、控制成本，以及创造客户愿意反复付费的价值。
AI的下一场竞争，未必只是参数和排行榜，而是单位经济效益、现金流和资本效率。
写在最后
你现在每个月为几款AI工具付费？
它们究竟帮你节省了多少时间，创造了多少实际价值？
如果一家AI企业每年仍需巨额融资才能维持扩张，你认为这意味着高成长阶段的正常投入，还是需要警惕的现金流压力？
欢迎在评论区聊聊你的看法。
资料与说明
本文基于截至2026年10月24日可获得的公开资料撰写。
主要参考：
Kimi官方K3.1 Pro定价说明及模型发布资料（2026年10月）。 DeepSeek开放平台定价资料，以及路透社2026年10月22日有关融资进展的报道。 路透社2026年2月2日关于SpaceX收购xAI的报道。 路透社2026年9月29日关于Anthropic云平台渠道收入及分销费用的报道。 TechCrunch 2026年9月11日关于月之暗面收入目标的报道。 OpenAI、Anthropic、火山引擎等企业公开产品及商业信息。
文中涉及的定价和产品权益可能随时间调整；部分评测数据来自厂商发布材料，不能直接视为所有应用场景下的独立验证结果。融资消息与未来收入目标不等于已实现经营成果。
有关企业经营策略、行业竞争和商业模式的讨论属于基于公开信息的分析，不代表相关企业已确认的内部经营决策，不构成对任何企业或个人不当行为的指控。
本文仅供行业研究与交流，不构成投资建议。
