夜雨聆风最会卖模型的两家公司，最近不约而同做了一件看起来不太“软件”的事。
它们开始做企业部署和咨询。
5 月 11 日，OpenAI 宣布成立 OpenAI Deployment Company，定位是帮助企业把前沿 AI 系统真正部署到日常工作中。OpenAI 还表示，这家公司会把专门做前沿 AI 部署的工程师嵌入客户组织，和业务负责人、一线团队一起识别高价值场景，重新设计关键流程，并把 AI 能力变成可持续运行的系统。
一周前，Anthropic 也宣布与 Blackstone、Hellman & Friedman、Goldman Sachs 成立一家新的企业 AI 服务公司，目标是帮助中型企业把 Claude 放进核心运营。Anthropic 在公告里写得很直接：很多社区银行、中型制造商、区域医疗系统都能从 AI 中受益，但缺少内部资源去构建和运行前沿 AI 部署。
这不是一个边缘动作。
它说明，模型公司已经看到了企业 AI 落地里最真实的断点：把 API 或聊天框交给企业，不等于企业就能自动获得生产力。
模型能力越来越强，Token 调用越来越多，员工使用越来越频繁，但这些东西和企业的收入、利润、交付效率之间，并不会天然连成一条直线。
AI 当然会继续向前。
但从“个人觉得好用”，到“企业真的赚到钱”，中间隔着组织、流程、考核、权限、数据、责任和商业模式。
这才是今天企业 AI 最值得讨论的问题。
· · ·
账单开始要求解释
同一时间，AI 账单正在给企业敲钟。
Axios 报道称，一位 AI 顾问提到，其企业客户因为没有给员工的 Claude 使用设置上限，单月花掉了 5 亿美元。这个案例来自匿名信源，不能当作行业平均情况，但它之所以能引发传播，不是因为数字足够夸张，而是因为它戳中了企业 AI 落地里最现实的问题：公司到底是在为生产力买单，还是在为“看起来很忙”的 AI 使用量买单？
类似的压力已经不只是传闻。TechCrunch 援引 Bloomberg 报道称，Uber 已经给员工使用 Claude Code、Cursor 等智能编程工具设置每人每月 1500 美元的上限，并通过内部仪表盘追踪使用情况。
但这并不意味着 AI 需求是假的。
恰恰相反，Token 的增长是真实的。Wired 报道称，加拿大皇家银行 CEO 披露其 Token 用量在 6 个月内增长了 500%；Cisco CEO Chuck Robbins 也在财报电话会上提到，随着内部 AI 聊天机器人的使用率提高，Token 用量已经变得“相当疯狂”。
所以，今天真正该讨论的不是“AI 会不会继续普及”。
这个问题已经没有太大悬念。
更值得追问的是：
企业端正在暴涨的 Token 消费里，有多少最终能转化成组织效率、成本下降和收入增长？又有多少只是被消耗在没有改变的业务流里，变成一层看不见的伪生产力？
从企业经营的角度看，一笔 AI 支出并不复杂。
它可以不在当月回本，也可以被视为战略投入，但它迟早要回答一个问题：这笔钱到底买来了什么？
是减少了岗位？
是缩短了交付周期？
是提升了客户转化？
是降低了错误率？
是创造了新的产品收入？
还是只是让员工生成了更多文档、更多会议纪要、更多代码草稿、更多内部材料？
问题在于，今天很多企业的 AI 支出，还停留在“效率改善的可能性”上。
员工写代码更快了，报告出初稿更快了，客服回复更快了，会议纪要更完整了，邮件写得更顺了。
这些当然有价值。
但它们离企业利润表之间，还隔着一条很长的链路。
· · ·
AI 最先放大的，是个人
一个研究员，以前一周写 5 篇报告。现在用了 AI，初稿从三天缩短到几个小时，资料整理也快了很多。
站在个人体验上，这当然是生产力提升。
但如果企业最终还是只需要他一周交 5 篇报告，团队人数没有减少，客户付费没有增加，报告产品没有变化，销售转化也没有提升，那么被释放出来的产能去了哪里？
它可能变成了更从容的排版。
可能变成了更长的修改链条。
可能变成了更频繁的内部同步。
也可能变成了更隐蔽的摸鱼时间。
这不是 AI 没有提高生产力。
恰恰相反，AI 提高的是个人节点产能，但企业没有同步提高组织产能利用率。
这个区别很重要。
个人节点产能提升，是员工层面的效率故事；组织产能利用率提升，才是公司层面的财务故事。
前者能让员工觉得“AI 真好用”，后者才能让 CFO 认为“这笔钱值得花”。
这也是为什么“一人公司”会在 AI 时代突然变得有想象力。
Sam Altman 曾在接受 Alexis Ohanian 采访时提到，他和一些科技 CEO 朋友讨论过第一家“一人十亿美元公司”会在哪一年出现，并认为这在 AI 之前不可想象，现在则会发生。
这句话不一定要被理解成一个精确预测。
它真正说明的是：AI 最先打破的，不是企业边界，而是个人能力边界。
一个人现在可以用模型完成过去需要助理、设计、运营、客服、代码、财务、法务共同参与的一部分工作。对独立开发者、内容创作者、自由职业者、小型服务商来说，这种变化非常直接。
过去一个小团队才能跑出的雏形，现在可能由一个能力不错的人，加上一组模型、插件和自动化工具先跑出来。
但企业不是这样运转的。
企业不是一群高效个人的简单加总。它还有审批、协作、权限、预算、责任、合规、绩效、客户交付和部门边界。
一个工程师生成代码快了，不代表产品上线一定快了。
一个销售写邮件快了，不代表客户一定更愿意买单。
一个客服回复更快了，不代表售后政策、库存系统和客户体验跟着改善。
一个财务分析师做表更快了，也不代表管理层的决策周期会同步缩短。
这就是传统企业使用 AI 时最容易被忽略的地方：
AI 把个人变快了，但组织还没有找到适应这种速度的形态。
· · ·
组织没有变化，效率就会被摩擦吃掉
OpenAI 和 Anthropic 下场做企业部署，本质上就是看到了这个问题。
它们当然不是觉得 AI 不行。
恰恰相反，正因为模型能力已经足够强，下一阶段的瓶颈才从“模型能不能做”转向“企业能不能用起来”。
OpenAI 在公告里说，真正的影响来自帮助人和组织安全、有效、大规模地使用这些系统；OpenAI Deployment Company 的工作，是把模型接进客户的数据、工具、控制系统和业务流程，让团队在日常工作中可靠使用。
Anthropic 也把重点放在“贴近业务”上。它举的例子不是让企业多买 Claude 账号，而是让工程团队和医生、IT 人员坐下来，围绕医疗文档、编码、预授权、合规审查这些真实流程做系统。
这就是问题的关键。
AI 不是接进系统就自动变成组织能力。
它需要新的流程、新的指标、新的分工和新的责任边界。
McKinsey 在 2025 年全球 AI 调研中也提到，虽然几乎所有受访组织都在使用 AI，但多数组织仍处在实验或试点阶段，尚未开始在企业范围内规模化；只有 39% 的受访者表示 AI 对企业层面的 EBIT 产生了影响，而真正高绩效组织的共同特征之一，是更频繁地重新设计工作流，并把 AI 嵌入业务流程、追踪 AI 方案的 KPI。
这句话翻译成企业语言，就是：
AI 的难点不是“有没有工具”，而是“组织愿不愿意围绕工具重新安排工作”。
如果组织不变，AI 会把单点变快，但系统吞吐量不一定变化。
研究员写得更快，但审批还是慢的。
客服回复更快，但售后政策没有变。
工程师生成代码更快，但评审、测试、上线、产品决策还是原来的节奏。
财务分析自动化了，但管理层仍然只看原来的报表周期。
多出来的效率不会自动变成利润。
它会被组织摩擦吃掉。
· · ·
目前更普遍兑现的是降本，不是增收
站在今天这个时间点，AI 在企业端更普遍兑现的，是降本，不是增收。
降本路径相对清楚。
少请一个外包团队，减少一部分初级岗位，让同样规模的团队处理更多任务，把低价值、重复性、标准化的工作交给模型，这些都更容易进入成本结构。
尤其是客服、代码辅助、内容初稿、数据清洗、内部知识检索、流程自动化这些场景，AI 很容易先表现为人力替代或人效提升。
但增收要难得多。
增收意味着企业要用 AI 做出新的产品，创造新的客户价值，改变交付方式，提升转化率，甚至重新定义用户愿意为什么付费。
这不是买几个 Copilot 账号、开放几个内部工具、给员工发一批 Claude 许可证就能自然发生的。
很多企业现在的问题在于，它们把“个人效率提升”过早外推成了“企业收入增长”。
这一步中间缺了组织重构。
比如一个内容团队用 AI 把稿件生产效率提高 3 倍，但公司没有新的分发能力，没有新的商业化方式，没有更强的客户需求，也没有减少团队人数，那么最终结果可能只是内部产物变多、修改轮次变长、会议材料更厚。
收入不一定增加。
成本却已经增加了。
BCG 在 2025 年的研究里把这个差距讲得很清楚：全球只有 5% 的企业属于所谓 AI future-built 公司，35% 正在规模化并开始产生价值，而 60% 的公司尽管投入很大，却几乎没有获得实质性的收入和成本收益。BCG 还指出，这 5% 的公司获得了远高于其他公司的收入增长和成本下降。
这说明，AI 的价值不是平均释放的。
它更像一场组织能力的分水岭。
AI 对企业的影响顺序，很可能不是“先增收，再降本”。
更可能是：
个人效率先提升。
企业先用它降本。
少数真正重构产品和业务模式的公司，再把它转化为增收。
第一步已经很明显。
第二步正在发生。
第三步还没有行业普适性。
· · ·
Token 增长真实，但不能线性外推
当然，账单变贵不全是企业乱用 AI 的结果。
供给侧本身也在发生变化。
过去一年，前沿模型越来越强调复杂推理、长上下文、多轮工具调用和 Agent 工作流。模型变强，往往意味着要读更多上下文，生成更多中间步骤，调用更多工具，甚至在用户看不见的地方消耗更多推理 Token。
对用户来说，最终看到的是一个更好的答案。
对企业账单来说，背后是更厚的一层算力成本。
这就是 Token 时代的技术通胀。
但也正因为如此，Token 消费的早期狂飙，不能简单外推成长期收入曲线。
研发期、试点期、员工尝鲜期和生产期，不应该用同一条曲线衡量。
研发阶段需要反复试 Prompt、拉长上下文、跑 Agent 循环、测试工具链，Token 消耗天然很高。可一旦进入生产环境，企业会开始算账：哪些任务可以缓存，哪些任务可以批处理，哪些任务可以交给更便宜的小模型，哪些人不该拥有无限额度。
OpenAI 的价格页已经明确列出，Batch API 可节省 50% 的输入和输出成本，缓存输入相比普通输入也有明显折扣。Anthropic 的定价文档也显示，Prompt caching 可以用复用提示词的方式降低成本，缓存读取 Token 的价格只有标准输入 Token 的 10%，而这些折扣还可以与 Batch API 等其他价格机制叠加。
这意味着，缓存、批处理、模型路由和权限控制，不只是技术优化，而是财务工具。
企业迟早会学会一件事：
不是所有任务都需要最聪明的模型。
格式检查、摘要提取、简单客服、数据清洗，不应该长期调用最贵的旗舰模型。
真正合理的架构，是把不同智力水平的模型放到不同岗位上：便宜模型处理高频长尾任务，强模型只负责高价值决策节点。
这不是技术洁癖，而是财务纪律。
更麻烦的是，Token 计费本身并不总是透明。
一篇 2026 年 5 月发布在 arXiv 上的论文《Token Inflation》指出，按 Token 计费已经成为商业大模型的标准定价方式，但模型、分词器和执行过程往往由服务商隐藏，用户只能依赖服务商提供的计数结果。论文在一个最宽松设置下发现，隐藏推理 Token 的使用量可以在不被检测到的情况下平均膨胀 1469%。
这不等于说主流模型厂商正在系统性注水。
但它说明了一个信任问题：当计费单位不可被用户独立验证，而服务商又按这个单位收费时，企业天然会对账单产生不信任。
这种不信任会带来一个后果：
企业开始反击。
过去云计算普及之后，企业很快从“先上云再说”进入“谁花了多少钱、哪个业务线怎么分摊、哪部分资源闲置”的 FinOps 阶段。
现在同样的事情正在 AI 领域重演，只是对象从云服务器变成了 Token、模型调用、上下文长度、Agent 循环次数和工具链成本。
所以，个别企业 Token 泡沫的破裂，不会否定 AI 普及。
它改变的不是 AI 的方向，而是增长的斜率。
· · ·
从 Token 到结果，定价也会被迫变化
如果企业越来越不愿意只为 Token 买单，那么 AI 的计费模式一定会变化。
过去 SaaS 的主流模式是按席位收费。每个员工一个账号，每个月多少钱。后来云计算和 API 服务普及，按用量计费成为主流。到了 AI 时代，Token 计费顺理成章地成为底层模型厂商最自然的商业模式。
但问题是，Token 是厂商的成本单位，不一定是客户的价值单位。
客户真正关心的不是消耗了多少 Token，而是解决了多少问题。
所以，越来越多 AI 应用会朝结果计费靠近。
Zendesk 早在 2024 年就推出了面向 AI agents 的 outcome-based pricing，强调客户只在 AI 自主解决问题时付费。HubSpot 在 2026 年也把 Customer Agent 和 Prospecting Agent 转向按结果计费，例如 Customer Agent 按每次成功解决的对话收费，Prospecting Agent 按推荐给团队的潜在线索收费。
这条路在美国会更容易先跑起来。
原因不是美国企业一定更先进，而是它们长期接受 SaaS 订阅、软件付费和标准化系统。CRM、客服工单、数据仓库、财务系统、营销自动化系统的接口更成熟，AI 更容易嵌进业务流，也更容易度量“解决了什么”。
中国市场则会更复杂。
过去很多中国 SaaS 没有真正跑起来，一个重要原因就是企业客户对“只提升效率、不直接产生结果”的软件支出一直很谨慎。不是完全不付费，而是更愿意为明确结果付费。
到了 AI 时代，这种倾向会更强。
中国企业不会长期为“员工感觉更高效”买单。它会更直接地问：
能不能帮我拿到线索？
能不能帮我转化订单？
能不能减少一个岗位？
能不能缩短交付周期？
能不能让库存周转更快？
这意味着，国内 AI 应用层可能更早进入重交付、重结果、重分润的模式。
但按结果计费也不是万能解。
它最大的问题是归因。
一笔订单到底是 AI 的功劳，还是销售团队的功劳？
一次客服问题被解决，到底是模型解决的，还是后台规则、历史知识库、人工兜底一起解决的？
一个工程团队效率提升，到底该归功于代码模型、项目管理、测试平台，还是团队本来就更成熟？
在 B 端长周期决策里，结果很少是单一变量造成的。
所以未来更可能出现的，不是某种计费模式一统天下，而是混合结构：
底层模型仍然按 Token、调用、缓存、工具和算力计费。
应用层根据行业场景，叠加席位费、保底费、成功费、分润或项目制交付。
底层卖算力，应用层卖结果。
中间的差价，就取决于谁能真正改造业务流，而不是只把大模型塞进旧流程里。
· · ·
路线需要修正，不是方向被否定
必须把话说清楚：
AI 浪潮是毋庸置疑的。
今天讨论 Token 浪费、ROI 泡沫和伪生产力，并不是否定 AI 的长期价值。恰恰相反，只有当一项技术真的进入企业预算，它才会开始接受最冷酷的财务检验。
没有人会认真审计一个玩具。
企业开始审计 AI，说明 AI 已经从演示走进运营。
这也是 OpenAI 和 Anthropic 开始做企业部署服务的真正含义。
它们不是从模型公司退回咨询公司，而是在承认一件事：AI 商业化的下一关，不只是继续堆模型能力，而是帮助企业把模型能力放进组织内部，变成可度量、可持续、可复制的结果。
这些问题最终都会被解决。
模型会继续降本。
推理会继续优化。
缓存、路由、批处理和小模型会成熟。
企业会逐步学会重新设计工作流。
组织也会找到更适合 AI 时代的分工方式。
但这并不意味着市场对 AI 的所有预期都不需要修正。
真正需要修正的，是那条过于顺滑的增长叙事：
Token 调用增长，不等于组织生产力增长。
组织生产力增长，不等于收入增长。
个人效率提升，也不等于企业利润提升。
AI 对个人来说，是杠杆。
它能让一个人完成过去一个小团队才能完成的工作，也可能让一部分岗位被重新计量。
AI 对企业来说，是组织压力测试。
它会暴露哪些岗位只是信息搬运，哪些流程只是层层转发，哪些会议只是低效同步，哪些部门边界本来就不该存在。
但它不会自动替企业完成重构。
更不用说整个半导体和基础设施产业链。
截至 2026 财年第一季度，英伟达单季收入达到 816 亿美元，其中数据中心收入 752 亿美元，同比增长 92%。这当然说明 AI 基础设施需求仍然强劲，但也说明当下半导体繁荣高度依赖数据中心资本开支。
Reuters Breakingviews 也提到，仅 Amazon、Microsoft、Alphabet 和 Meta 四家公司，2026 年预计就在数据中心和 AI 芯片上投入约 6300 亿美元。这个数字越大，越说明产业链上游正在押注一个前提：终端企业和消费者会持续把更多任务交给 AI，并最终创造足够高的回报。
如果终端企业因为 ROI 压力收紧 AI 预算，寒气不会只停在应用层。
它会沿着云厂商、模型公司、数据中心、GPU、HBM、光模块、电力设备一路向上传导。
这就是 AI 产业链的长鞭效应。
但这也不是 AI 的终局。
它更像一次必要的挤水分。
泡沫会挤掉一部分无效使用，留下真正能被成本、流程和结果验证的应用。
预期路线需要修正，增长曲线需要重画，但技术方向没有变。
AI 已经证明了它能放大个人。
它正在更确定地改变企业的成本结构。
至于它能否普遍改变企业的收入结构，还要看企业能不能完成更深一层的产品、流程和商业模式重构。
下一阶段，市场要看的不再是谁用得最多，而是谁用得最值。
AI 释放生产力的起点在个人，财务兑现的第一站往往是降本，组织层面的增收只有在业务流、产品形态和商业模式被重新设计之后，才会真正发生。
路不会直，但方向没有变。
道路是曲折的，前途是光明的。只是这条路，不会按照最乐观的销售 PPT 走。
