AI原生模式必须直面的成本与收益之困

在当下AI狂飙的时代，我们不难发现，AI在诸多领域的执行效能确实远超人类，因此，大大小小的企业纷纷涌入AI赛道，不少初创团队也开始投身于AI原生。作为一名真正的智能体从业者，我为各类企业搭建过通用及垂直领域的智能体，让企业切实感受到了效率的飞跃。然而，在这个过程中，我也察觉到了一些切实存在的隐患，想在此与大家探讨，甚至可以说是给AI原生的热潮降降温。首先，我们必须基于第一性原理来思考：企业是以盈利为目的的。基于此，我们再来审视营收与成本的问题。我们在利用AI提升产出的同时，也能清晰地看到资金在持续流失，这次流失的可是真金白银。关键在于，这些资金的消耗是否换来了营收的增长？以往的产业或软件升级，一旦完成，后期的维护成本往往不高。但若构建AI系统，除维护成本外，每次调用大模型都会产生额外开销。以股票投资为例，假设有个AI分析师，能根据海量信息预测某只股票的涨跌，若你按其建议买入赚了100元，但消耗的Token费用却高达200元，最终结果虽预测准确，但整体仍是亏损。上述情形尚属明显的盈利行为。而在真实的企业级应用中，若某公司日常事务全面采用AI原生模式，大事小事皆由AI处理吞吐，或许信息整理更高效了，但资金也随之流出，这种消耗是否带来了对等的收益？这是每家采用AI原生运作模式的企业必须深思的问题。最低成本情况：从单次调用看，似乎并不昂贵。例如使用Deepseek，单次可能仅需几分钱。可一旦上下文变长，或输入输出频率增加，账单便会如流水般上涨。比如我编写代码时，每小时大约花费一元，且还是在非全自动运行状态下。若启动自动化的数据飞轮，开销只会更加惊人。更普遍情形：若非纯文本交互，实际业务中常涉及文件、音频、图像、视频等多模态数据的传输、汇总、分析与归档。这些多模态内容转化为模型可识别的Token时，消耗量极其庞大。随着企业数据量不断累积，AI获取的上下文日益丰富，单次消耗的成本水涨船高，同时受上下文膨胀影响，其准确率也会相应下滑。举个直观例子，许多人在使用OpenClaw时，明显感觉钱花掉了，却未见实质性的生产力跃升。能靠OpenClaw提升生产力或实现盈利的案例凤毛麟角。回到投资类比，即便你把钱交给OpenClaw让其投资，且预测精准，但其带来的投资收益与Token开销相比，究竟是盈是亏？这无疑要打上问号。目前可见的盈利点：我主要服务于互联网企业构建智能体，真正目睹靠AI盈利的是视频制作领域，因其传统制作成本极高。例如，15秒广告视频可能需2000元，制作周期冗长。如今借助AI，几十元即可搞定，半小时便能完成，降本效果极为显著。而在其他领域，坦白说效果没这么明显，因为高产出未必等同于高回报。所以我认为，AI必须切实降低企业不可或缺的硬性投入，方能彰显其在企业中的价值。除前述视频内容外，还有产品层面的内容，只要能推向市场，皆可视为有效的降本增效。但有一点必须警惕：若产品本身与AI深度绑定，如用户每次使用均需消耗Token，这就意味着用户需持续付费，这在现实中难以长久，宛如当年梦幻西游与逆水寒般“呼吸都要花钱”。游戏能盈利，是因为维护成本远低于玩家投入。然而AI产品，除维护成本外，Token也需用户买单，这部分资金无法落入企业囊中。若定价过高，用户可能拒绝买单；若定价适中，但用户使用量极大，例如订阅模式下，企业利润反而会被压缩。结语随着模型能力持续增强，基础设施日益完善，我坚信未来AI的算力成本将大幅下滑，恰如移动互联网时代，流量资费在后期逐渐亲民一般。这期间仍需大量探索与优化，未来的发挥空间无比广阔。我也将持续致力于探索AI在企业真实场景中的落地，期盼AI真能为大家带来有价值的提升。欢迎诸位共同探讨交流～