AI预算削减暗示泡沫破灭？真正的财富流转刚刚启动

社群究竟提供什么价值？内容来源是什么？这篇文章给你答案

近来企业AI应用出现了一个显著转变：过去大家“尽可能多地使用AI”

这个转变表面上看起来像是负面消息。

因为很多人会解读为：企业意识到AI成本过高，于是开始管控支出，将来OpenAI、Anthropic、云服务商、AI应用公司的营收或许会受到冲击。

但我不认为可以如此简单地下结论。

真正关键的信号是：企业已经将AI作为正式的生产工具来运营了。

之前是试验、探索、鼓励员工多尝试；

现在逐步走向预算规划、审批流程、模型分层、投资回报率评估阶段。对AI行业来说，这反而表明它正从“试验阶段”迈向“企业采购阶段”。

1. 先厘清几个核心概念

这里最关键的术语是Token。

Token可以大致理解为AI模型处理文本时的“计数单位”。你输入一段文字，模型需要将其分解为众多小片段来解析，这些小片段就是token。模型回应你时，也会生成token。企业使用Claude、Codex、ChatGPT、Cursor、Copilot，实质上都在耗费token。

因此，AI的商业模式中有一个非常根本的要素：谁消耗token，谁就创造营收；谁能使token消耗持续攀升，谁就把握了AI商业化的核心指标。

第二个术语是TokenMaxxing。

这个词可以理解为“无节制刷token”。有些公司前段时期鼓励员工尽量多用AI，期望通过大量使用来提升生产力。

Meta内部甚至有人制作了一个“Claudeconomics”仪表板，统计公司内谁使用Claude最频繁。结果Meta员工30天内消耗超过60万亿token，单个最高用户大约消耗2800亿token。

员工还开始争夺类似“Token传奇”“缓存向导”这样的排名，有些人甚至让AI代理花数小时进行研究，只是为了多耗费token。

这听起来很离谱，但它揭示了一个事实：AI的使用一旦放开，重度用户的消耗会极为惊人。

第三个术语是ARR。

ARR即年度经常性收入。简而言之，就是一家软件公司或AI公司按当前订阅、API调用、企业合同推算出的年度收入能力。例如一家公司现在每月稳定收入1亿美元，粗略年化ARR就是12亿美元。

为什么ARR重要？因为AI公司目前没有稳定利润，资本市场更看重收入增长速度，尤其是OpenAI、Anthropic、Cursor、GitHub Copilot这类产品的企业端渗透速度。

第四个术语是API/TaaS。

API可以理解为企业调用AI模型的接口。企业自身的产品、客服、代码工具、数据分析系统，皆可通过API调用OpenAI、Anthropic、AWS Bedrock、Google Vertex、Azure等平台上的模型。

TaaS即“Token即服务”。企业未必自己训练模型，而是通过各类API平台购买推理能力。这背后对应的是云厂商、模型公司、推理平台和GPU算力需求。

2. 市场担忧AI预算触顶，但实际情况更为复杂

当前市场有一种忧虑：企业使用AI过于激进，预算难以承受，因此接下来会削减AI开支。

这种忧虑有现实依据。Uber就出现过类似状况：Claude Code和Codex的年度预算4个月便耗尽，后来公司为员工设定了每人每月1500美元的上限，超出后需单独审批。

但这类案例不能轻易推广到所有企业。

一个极为关键的细节是，AI支出高度集中于少数重度用户。Ramp数据显示，AI支出排名前1%的客户，每位员工每年支出接近9万美元；

排名前10%的客户，每位员工每年约7300美元；但中位数客户每位员工每年仅136美元。很多财富500强企业的人均AI支出仍远低于2000美元，甚至一些传统行业每位员工还不到100美元。

这显示企业AI使用仍处于极不均衡的状态。

少数科技公司、工程团队、数据科学团队、AI创业公司已深度使用，消耗非常庞大；但大量传统企业、金融企业、制造业企业，仍停留在很初期的阶段。

所以，如今出现“预算管控”，并不等同于AI需求触顶。更准确的理解是：第一批重度用户已步入成本管理阶段，但更大的企业用户群体才刚刚开始渗透。

这与许多科技周期早期十分相似。

最早采用新技术的人往往很激进，成本曲线也不稳定。当企业开始制定预算、进行审批、做权限分级，反而代表它不再仅是创新部门的玩物，而开始进入正式采购体系。

3. 企业开始对AI分层：昂贵模型处理难事，便宜模型应对日常事务

这里有一个非常值得注意的趋势：企业并未完全停止使用AI，而是开始“精细化运用AI”。

最典型的做法是：将默认模型从更昂贵的模型切换至更便宜的模型。

例如有一家全球旅游科技公司，1500名员工中有800名工程师，每年AI支出接近1000万美元。它近期将默认Claude模型从Opus切换至Sonnet。Opus仍可使用，但员工需主动切换。大多数员工默认预算为每月200美元，但根据岗位和资历，有些人可提升至数万美元。

Opus可理解为更强、更贵的模型，适合复杂任务；Sonnet相对便宜，足以应对诸多日常工作。企业的选择说明：它们并非想取消AI，而是期望将高端模型用于真正有价值的场景，将普通任务交给更便宜的模型。

还有一家美国前三的航空航天与国防制造商，最初给员工每月250美元额度，有些重度用户4天便用完。后来公司关闭了Opus 4.8和快速模式，认为这些高级功能并非必需。

AI模型公司的收入增长，不能仅看用户数量，还要看模型组合，即用户究竟在使用高价模型还是低价模型。

如果越来越多企业将默认模型降级，短期可能压制高端模型的单价和收入质量；但如果低价模型带来更大规模使用，总token需求仍可能继续扩大。

也就是说，AI产业进入下一阶段后，市场需关注两个变量：

一个是token数量增长，即企业到底调用了多少AI。

另一个是单token价格和模型结构，即这些调用发生在高端模型、便宜模型，还是开源模型上。

这将直接影响OpenAI、Anthropic、云厂商、推理平台和GPU需求的收入结构。

4. 真正有投资回报率的场景，企业愿意持续投入

企业现在开始核算，但只要能看到投资回报率，预算反而会增加。

投资回报率即ROI。放在AI领域，意思很直白：花1美元购买AI工具，能否换来更多产出、更少人工、更快流程、更高收入。

一些细节很能说明问题。

亚马逊内部招聘首席工程师，以前从初筛电话到团队匹配，整个流程需6到9个月。使用AI工具进行面试记录、生成报告后，流程缩短至3到4个月。

一家服务85%财富500强企业的数据分析公司，员工原来需一周完成的工作，现在几小时便可完成。

一家法律数据和风险解决方案公司，某些岗位每月token预算达2000美元，运营岗位仅200美元。

原因很简单：不同岗位的AI回报率差异极大。能够将一周工作压缩到几小时的岗位，企业愿意给予更高预算；普通支持类岗位，预算就低很多。

这里有一个更深层的变化：AI正成为企业的人力杠杆。

过去企业提升产出，主要依靠招募更多人。现在企业开始思考：同样的人员，配备AI工具，能否完成更多工作？如果可以，AI预算就会与人力预算放在一起比较。

这对软件和云计算行业的意义非常重大。

过去企业购买软件，很多时候是提升管理效率；现在企业购买AI，是直接影响白领员工产出。只要AI能缩短招聘周期、提高代码产出、生成销售材料、处理数据分析、自动撰写报告，它就不再是可有可无的工具，而会变成企业运营成本的一部分。

当然，这也会带来一个现实问题：员工效率提升后，公司对员工的产出要求也会提高。有些员工反馈，AI将一周工作变成几小时，但公司随之安排更多工作，结果自己比以前更忙碌。

这说明AI并非简单地让人少工作。对企业来说，它更像是提升单位员工产出的工具。

5. 投资层面最重要的结论：AI需求未消失，但赢家结构将变化

我认为这里最重要的投资结论有三点。

第一，企业AI支出并未明显触顶。

现在看到的预算管控，更像是企业进入正式采购和成本管理阶段。真正需要警惕的情形，是企业发现AI没有投资回报率，然后大规模削减预算。但目前看到的情况，是许多企业一边设限，一边继续提高预算；一边降低默认模型，一边允许关键岗位申请更高额度。

所以AI商业化的主线尚未结束。尤其是编码、数据分析、招聘、销售支持、企业知识工作这些场景，仍在快速渗透。

第二，编码仍是AI商业化最强的场景。

当前OpenAI和Anthropic超过70%的ARR可归因于编码用例。这个比例非常高。也就是说，当前AI收入最核心的抓手不是普通人聊天，而是程序员、工程师、开发团队、代码生成、代码审查、代码修改、数据库开发这些场景。

这也解释了为何Claude Code、Codex、Cursor、GitHub Copilot这类产品如此关键。它们直接嵌入工作流，能带来明确的效率提升，也更容易让企业持续付费。

这条线对投资的含义很清楚：AI应用层里，最先跑出来的仍是能直接提高劳动生产率的垂直场景。泛泛而谈的AI应用，估值再高也需谨慎；能嵌入企业工作流、能证明投资回报率、能持续消耗token的产品，才更具价值。

第三，低价token和推理平台将日益重要。

企业开始管控预算后，会自然寻找更便宜的token。M365企业版用户可免费使用标准Copilot聊天，很多员工会先用Copilot起草、整理思路，再将更贵的Claude或Codex留给关键任务。

这个细节颇有意思，它说明企业内部已开始出现“token套利”：便宜模型做粗加工，贵模型做精加工。

这对微软很有利。因为Copilot嵌入Microsoft 365中，本身就占据企业入口。很多金融、传统行业员工已被限制在微软平台内使用AI，这会强化微软在企业AI入口上的优势。

同时，这也利好AWS Bedrock、Google Vertex、Azure、Databricks这类企业AI平台。因为企业最终需要的不只是一个模型，而是一个可管理、可审计、可接入内部数据、可控制成本的AI使用平台。

另外，Together、Fireworks、Baseten这类TaaS提供商目前ARR已超过40亿美元，这说明“便宜、稳定、可规模化调用模型”的需求非常旺盛。未来AI推理不会只集中在最强模型上，便宜模型、开源模型、企业私有化部署、混合模型调用都将日益重要。

最后说一下我会重点跟踪什么

接下来判断AI产业有无转折点，不能只看英伟达业绩，也不能只看某一家AI公司ARR。

我会重点跟踪这5个指标：

以下内容以及SemiAnalysis的全文放在社群

社群定期发布的Citrini Research的调仓新增仓位，在5月公布以来，大多标的都有还不错的涨幅