AI 边际成本下降，为何企业的账单却越来越贵？
全文阅读时长约22分钟
人工智能行业正演化出一套定价逻辑：老一代模型能力加速沦为普惠商品，前沿模型却始终占据价值高地。Michael Watkins 将深度拆解这一机制对企业竞争优势底层逻辑的重构作用。
速读要点
- 基础设施级 AI 能力的成本正呈指数级下行，但具备行业前沿探索能力的模型因算力消耗巨大、性能迭代节奏极快，价格始终维持高位。
- 商品化的通用 AI 无法构筑持久竞争壁垒，决策层的核心命题是精准甄别：哪些能力即将沦为行业普惠标配，哪些才能真正拉开业务差距。
- 企业的长期竞争优势依托三大支柱：精准押注前沿能力；夯实专有数据、信任体系、分销渠道等互补性资产；在大模型加速贬值的周期中，敏捷推进组织与资源的动态重构。
2026 年 3 月贝莱德美国基础设施峰会上，OpenAI 首席执行官 Sam Altman 描绘了这样一幅图景：“未来，智能将像水电一样成为通用公用事业，客户按量计费、随取随用。”
面对持续走高的算力预算曲线，将 AI 定价逻辑寄托于 “公用事业化”，无疑给企业高管吃下了一颗定心丸。公用事业天然意味着低廉的边际成本，而廉价智能似乎预示着 AI 终将走出管理层的成本议题 —— 就像当年的互联网宽带与长途通话：只需提前布局、静待技术普及，成本问题便会自然消解。
但现实恰恰相反。宽带的发展早已印证了这一认知误区：尽管单兆字节数据传输成本大幅下跌，企业整体网络开支却从未缩减。当宽带不再稀缺，企业需求便迅速从简单的文本邮件升级到超高清视频流。
算力消费的扩张速度，始终远超单位价格的下降幅度。在 AI 算力领域，这一规律不仅同样成立，迭代节奏还要更为迅猛。
2021 年底 OpenAI 首次开放 GPT-3 接口时，每调用 100 万 Token（约合 75 万英文单词）收费 60 美元；仅三年后，同等性能模型处理等量文本的成本已跌至 6 美分，降幅高达千倍。
但与此同时，头部企业调用最新一代前沿模型的支出却从未下降。智能的普惠并非同步落地，而是呈现出鲜明的 “错峰降价” 特征：上一代模型能力加速趋近免费，当前的前沿能力依旧价格高昂。这一商业演化规律，在可预见的未来难以改变。
Uber 首席技术官此前透露，公司 2026 年度的 AI 预算仅四个月便消耗殆尽 —— 根源是 5000 名工程师全面启用智能代理（Agentic）编程工具，单人月均算力成本达到 500‑2000 美元。
拆解两条关键曲线
第一条曲线，是固定性能 AI 能力的单位价格走势。 行业数据给出了明确佐证：算力价格正呈断崖式下跌。AI 成本研究机构 Epoch AI 评估六项核心基准后发现，达成特定性能标准的算力成本，依任务类型差异，每年降幅在 9 倍至 900 倍之间。
以解答博士级科学问题为例，达到 GPT-4 级性能的单位成本每年缩减约 40 倍；知名创投机构 Andreessen Horowitz 的测算也显示，同等性能模型的市场均价每年下跌 90%。
推动价格快速下行的核心动力是白热化的市场竞争，其中中国开源力量带来的冲击尤为突出。DeepSeek、阿里巴巴、智谱、月之暗面（Moonshot）以及 Meta 推出的开源权重模型，为全行业锚定了坚实的价格底线：一旦某项高阶能力被开源模型成功复刻，企业即可在自有硬件上本地部署，闭源厂商的高溢价定价权便会瞬间瓦解。
更值得关注的是，这条价格底线正加速上移 —— 截至 2026 年年中，顶级开源模型与专有前沿模型的技术代差，已从最初的 “数年” 收窄至 “数月”。正是这条持续抬升的价格底线，为 Altman “智能走向充裕” 的判断提供了现实支撑。
与此同时，第二条曲线则呈反向急剧攀升态势。 当旧有技术能力走向普惠时，代表行业顶尖水平的 “前沿能力” 依旧牢牢掌握定价权。OpenAI 推出首款具备前沿推理能力的模型时，初始定价仍维持在每百万 Token 60 美元的高位。更严峻的是，完成单项复杂任务的算力开销呈几何级增长。
传统问答交互通常仅触发一次模型调用；而智能代理系统（Agentic System）为完成一项任务，需要经过目标拆解、工具调用、结果校验、自我修正等多轮迭代，每一步都要重复提交海量上下文信息。
据 Gartner 测算，代理式工作流的 Token 消耗量是传统聊天交互的 5 至 30 倍；今年 4 月一项针对八大前沿模型的软件工程基准研究显示，代理式编程任务的 Token 开销是同等对话请求的 1000 倍，成本主要来自频繁重复的输入上下文，而非生成的结果。即便是同一任务的不同运行实例，算力消耗的波动也可达 30 倍；模型本身还存在系统性低估开销的倾向。
将两条曲线结合来看，困扰管理层的成本悖论便有了答案。企业的 AI 账单是 “单位价格” 与 “消耗总量” 的乘积。假设某项 AI 任务去年单次成本为 1 美元，今年降至 10 美分（降幅 90%），但如果代理化工作流让单项任务的调用频次暴涨 50 倍，实际账单就会从 1 美元升至 5 美元。价格下降带来的成本红利，完全被使用量的爆发式增长抵消。
这也解释了为何在 AI 行业迎来史上最大降价潮的当下，企业的模型支出反而屡创新高。Menlo Ventures 的数据显示，2025 年企业对大语言模型的投入半年内便实现翻倍；Gartner 预测，2026 年全球企业在 AI 模型与平台上的支出将超过 643 亿美元。
微观层面的冲击同样显著：Uber 首席技术官今年 4 月坦言，公司 2026 全年的 AI 预算仅支撑了四个月，核心原因就是代理编程工具覆盖 5000 名工程师后，单人月均成本攀升至 500 至 2000 美元。“单价暴跌、总额飙升” 已不是个别现象，而是全行业高管共同面临的普遍难题。
本季度还价值不菲的差异化壁垒，下一季度就可能沦为免费的通用能力。技术的分水岭始终在单向迭代，从未停止移动。
持续移动的分水岭
只有同时审视以上两条曲线，才能看清 AI 商业格局的真实面貌：模型能力永远不会停留在前沿高地，而是以极快的半衰期加速向价格底线坠落。
本季度还具备高价值的差异化壁垒，下一季度就可能沦为免费的通用能力，新一代前沿能力随即补位登顶。这条分水岭的动态迁移永不停歇，且始终保持单向演进。
汽车行业的 “代际迭代机制” 机制是理解这一现象的最佳参照：旧款逐年贬值降价，新款始终维持高价，循环往复。但必须明确的是，AI 领域的 “年款” 绝非以自然年为单位 —— 实际技术迭代周期已压缩至季度级。
如果企业高管仍沿用传统的年度规划节奏，决策节奏实质上已落后市场整整三个技术周期。
AI 何时不再构成竞争优势？
经典战略管理理论指出，一项资源要构建长期竞争优势，必须同时满足价值性、稀缺性与不可替代性（即 VRIO 框架）。上一代 AI 模型虽具备极高价值，却已失去稀缺性与模仿壁垒。当某项能力跌入免费的价格底线，就自然成为所有竞争对手乃至新进入者的通用基础设施。
AI 应用正迅速从 “差异化工具” 退化为 “行业准入门槛”；那些在 2024 至 2025 年因成功部署 AI 而沾沾自喜的企业，终将发现这些举措并未构筑起持久的竞争护城河。
战略学界对这一演化路径早已熟知。当一项创新价值巨大却极易复制时，最终捕获商业价值的往往不是创新的直接应用者，而是掌握价值创造所需 “互补性资产” 的主体。
在 AI 时代，这些不可替代的互补性资产包括：无法被爬取的专有数据、严格的监管准入资质、成熟的分销渠道、实体基础设施、机构级信任，以及在前沿技术演进关键期保持持续投入的资本实力。
然而，“模型代际迭代机制” 机制为经典战略框架叠加了更残酷的动态属性。当外部环境以季度为单位对 AI 能力重新定价，即便企业拥有雄厚的静态资产，若无法围绕新一代 AI 能力完成敏捷的组织重构，原有优势仍会被持续侵蚀。
真正持久的竞争优势，来自战略管理学定义的 “动态能力”：持续识别 AI 能力所属 “代际” 的洞察力、比竞争对手更快落地商品化能力的技术执行力，以及随价格底线下移精准调配人才与资本的组织弹性。静态护城河决定你当下的竞争位势，重构迭代速度决定你能否保持长期领先。
‘模型代际迭代机制’ 这一认知框架，将从根本上重塑各行业高管的决策逻辑。
给企业高管的战略启示
“模型代际迭代机制” 这一认知框架，将从根本上重塑各行业高管的决策逻辑。医疗健康行业是印证这一演化逻辑的典型样本，它兼具专有数据、强监管、持证专业人才与低利润率等所有结构性特征。
试想一家年营收 100 亿美元的区域性非营利医疗集团，旗下运营十余家医院与庞大的门诊网络，同时有 40 个 AI 项目在争夺有限的资本预算。
传统决策流程通常侧重计算投资回报率（ROI），但如今的高管更应该追问：“哪些项目在 18 个月后会沦为免费的普惠能力？”
基础模型能力：例如 AI 医疗文书助手聆听问诊并自动生成病历、工具自动匹配账单编码、系统对患者留言进行智能分诊、呼叫中心自动化处理常规诉求等。各行业都存在这类场景：法律行业的初级合同审查、软件开发的一线售后支持、金融领域的自动对账。
这类能力虽具备业务价值（一项覆盖美国六大医疗系统的多中心研究显示，相关行政负担显著降低），但技术门槛已完全被突破，竞争对手能以极低成本快速跟进。商品化能力带来的效率红利会反映在运营利润率与员工留存率上，却无法改变竞争格局。
因此，这类能力的采购必须遵循 “短期化” 原则：坚持签订短期协议，绝不为价格持续下跌的能力锁定当前高价，始终预判价格底线会进一步下探。
前沿模型能力：在医疗领域，包括处理复杂的保险拒赔申诉、优化跨院区患者流转调度、辅助疑难病症临床诊断、精准匹配临床试验等。在其他行业，则对应多步复合交易分析、供应链动态优化、前沿工程设计等。
这类任务高度依赖最新一代模型的推理能力，每次调用都产生较高的实际成本，且输出稳定性仍有提升空间。
但这正是企业拉开差异化竞争差距的战略核心战场。对此，高管应采取 “少而精” 的限时试点策略，预设明确的临床或财务硬指标；达标项目快速纳入长期业务体系，未达标项目果断终止，切不可陷入 “无限试点循环”—— 因为下一代模型推出后，上一代试点的评估结论就会立刻失效。
持久互补性资产：在医疗场景中，典型代表是积累 20 年的纵向患者病历库，以及其与特定人群临床预后的深度关联数据。这类资产无法通过公开数据爬取获得，竞争对手也难以在短期内复制。在其他领域，则对应丰富的客户历史行为数据、特许经营牌照、独家分销网络与实体服务网点。
此外，“法律与伦理问责权” 是极为坚实的信任资产。没有患者或监管机构会允许模型完全决定患者出院，模型本身也无法作为主体承担医疗事故的法律责任。审计意见、工程安全认证、受托法律咨询亦是同理。
在知识密集型服务业，问责能力本身就是产品的核心价值。它甚至是抵御技术贬值最持久的屏障：即便 AI 能力随 “模型年款” 快速迭代贬值，监管机构、司法体系与患者对 “人类专家签字背书” 的需求却具备极强的刚性。这也是成熟企业面对资本雄厚、掌握同等 AI 模型的挑战者时，依然能够稳固市场地位的核心底气。
未来数年驱动 AI 能力演进的核心投入要素，在物理层面早已确定：算力芯片采购协议已签订，电力供应完成长期签约，数据中心建设资本也已落实到位。
演化周期的三种潜在情景
真正的不确定性在于 “代际差” 的演变：前沿能力究竟能保持多大的领先优势，这种差距是否会持续加速扩大。
未来数年 AI 能力演进的硬件投入已基本确定：芯片采购已成定局，电力合同落地，数据中心资本开支筹措完毕。
硬件投入的确定性很高，真正的未知数是这些投入能转化为多少有效智能产出。以下三种情景勾勒了未来的可能方向。
情景一 、商品化趋同
开源模型在 12 个月内彻底追平前沿模型的能力差距，且前沿能力在实际业务场景中的边际提升十分有限。届时，智能将彻底成为通用工具，竞争优势将重新回归传统的运营效率、专有数据与战略执行力。
- 战略方向：将前沿能力预算压缩至最低水平，全力在企业内部深度落地商品化 AI 能力。
- 监测信号：开源模型迅速登顶前沿榜单；前沿厂商在竞争压力下大幅下调 API 价格；性能差距无法在实际业务流程中转化为商业收益。
情景二 、前沿复利
技术代差长期维持在 18 个月甚至更久，前沿模型在深度推理、科学研究与复杂优化领域展现出不可替代的实质优势。
获取第一梯队模型的使用权，成为类似资本注入的战略级生产要素。在医疗领域，顶级学术医疗中心与全国性医疗巨头，将与无力承担前沿算力成本的区域性机构迅速拉开差距。
- 战略方向：中型企业应尽快联合组建采购联盟，趁当前仍有议价筹码时锁定算力资源。
- 监测信号：性能差距不再仅体现为基准跑分，而是转化为长期临床或商业成果的显著差异；厂商建立起梯度极大的阶梯定价体系；前沿专属功能推出两年后仍无开源替代品；模型可独立完成的长流程任务复杂度呈指数级增长。
非营利研究机构 METR 的数据显示，2019 至 2025 年间，模型自主完成任务的能力翻倍周期约为 7 个月，2023 年后的新模型更是缩短至 4 个月。
情景三 、监管平台
在医疗等高监管行业，无论模型能力多么突出，法律责任界定、支付方结算规则、FDA 医疗器械审批流程以及各州 AI 立法，都会构成严格的落地瓶颈。制约企业 AI 落地的瓶颈不再是智能水平，而是合规证据积累与监管审批周期。
- 战略方向：最稀缺的战略资产将是评估与治理体系 —— 即企业证明某套 AI 系统在特定场景中安全有效的合规能力。
- 监测信号：CMS（美国医疗保险和医疗补助服务中心）与 FDA 对具备自我进化能力模型的监管态度；AI 辅助决策引发医疗事故的早期司法判例；各州监管法规的分化程度。无论身处哪个行业，都必须提前为这类合规平台期做好准备。
综合以上三大情境，现实是，多数企业正盲目按照情景一规划未来，AI 供应商却在按照情景二制定高价。
高管层的五大战略行动指南
以下五项举措，是企业必须常态化构建的 “动态能力”—— 一套能随 AI 价格底线持续下行灵活调整的组织运行机制。
1.引入 “模型代际迭代机制” 评估
确保不同复杂度的业务任务，精准匹配对应层级的模型。对已商品化的能力，以极低的成本大规模采购并全员落地；对前沿探索项目，则精准投入资源并配套严格的实效评估机制。
在下一次资本开支评审中，为所有 AI 项目新增核心指标 ——“该项能力预计何时跌入免费商品化区间”。凡是预测 18 个月内将实现商品化的能力，一律直接外购，禁止自主研发。
2.坚决拒绝长期供应商绑定
如果前沿实验室只能在极短的时间窗口内收取技术溢价，那么企业用 “长期采购承诺” 或 “数据共享授权” 换取折扣，本质上是用自身资金帮供应商为即将到来的技术贬值买单。价格下降带来的成本红利理应留给企业，而非转化为供应商的利润。
高管需警惕供应商从 “按 Token 计费” 转向 “按任务 / 席位 / 工作流集成计费” 的套路 —— 这本质上是厂商试图将持续贬值的资产（模型），转化为高粘性、高切换成本的长期资产（渠道绑定与用户锁定）。
将所有商品化能力的合同期限严格控制在 12 个月以内，并将提示词工程、工作流架构与评估数据的可迁移性列为签约的硬性前提。
3. 对专有数据进行战略治理
对企业专有数据建立严格的治理体系，清晰认知企业究竟付出了什么、换回了什么。那些为了抢先获得 AI 接口而签署宽泛数据共享协议的企业，最终会遗憾地发现：它们用自身唯一持久的竞争护城河，只换来了短短 18 个月的先发优势。
全面盘点组织内部具备独占性、竞争对手无法复制的数据资产；核查现有合同中数据的授权访问权限；明确企业为此获得了哪些对等回报。
4. 在企业内部全面建设自主可控的评估体系
无论未来走向哪种情景，“精准判断模型是否真正适配自身业务场景” 的能力，都是全行业最稀缺的战略资产。这是整套行动指南中最具 “确定性价值” 的基础投入。
其最终形态不是孤立的阶段性研究，而是一套持续运行的实测机制：让智能代理系统与人类员工在真实业务场景中并行作业，基于实际产出动态评估，并根据实证积累，逐步扩大系统权限或及时收回权限。
组建一支精干的常设评估团队，明确任何模型采购或续约前，必须将候选模型放入固定的真实业务数据集进行实测，禁止直接采信厂商提供的公开基准跑分；将这项评估能力比照网络安全基础设施，纳入长期固定预算。
5. 打造深厚的治理、问责与信任机制
评估解决的是模型 “能做什么”，治理决定的是模型 “可以做什么”，以及系统失控时由谁承担最终责任。这两条边界的演进节奏并不一致：某项能力可能在技术上早已成熟，但监管机构、终端客户乃至企业内部专家，在心理与合规层面尚未做好接纳准备。
企业必须将这种 “组织与社会接受度” 本身视为需要战略培育的能力：确保每一项自主决策都有具体责任人签字背书；一旦实证数据出现异常，具备立即收回决策权的熔断机制；同时留存完整的决策日志，以备监管审查或司法质询时进行合规举证。
在情景三的监管平台期下，治理能力将成为企业最核心的生存底线；而在情景一与情景二中，它是企业在不冒核心经营风险的前提下，比竞争对手更快落地 AI 的核心驱动力。
与此同时，商品化价格底线还带来了敏感的司法管辖权问题：当前性价比最高、性能强劲的模型，越来越多来自中国厂商 —— 它们大多采用许可宽松的开源模式，便于本地化部署，但如果使用其云端托管服务，可能导致企业数据面临跨境监管风险，也难以满足金融、医疗等高监管行业的合规审计要求。
“价格低廉” 绝不等于 “部署合规”。由于模型无法签署审计意见、无法持有特许经营牌照、也无法作为主体承担医疗事故赔偿，在高监管市场中，模型供应商最终必须依托现有企业主体进入市场，而非绕过它们。这是传统企业在谈判中必须坚守的核心议价筹码。
引入任何低成本模型前，必须明确两个核心问题：“数据最终流向哪里？”“谁为合规风险签字负责？” 如果答案分别是 “境外” 和 “无人负责”，要么选择自建私有化部署，要么支付溢价选择高合规模型。
规模化部署 AI 所需的组织动态能力构建流程见图 1
图 1：规模化部署 AI 所需的核心动态能力构建模型
五个核心提问
- 我们的哪些 AI 项目，将在 18 个月内彻底沦为竞争对手可免费获取的通用能力？
- 哪些现有合同，正让我们以 2026 年的高价，锁定一项 2027 年就会沦为廉价商品的服务？
- 我们掌握哪些竞争对手无法复制的独家数据？我们是否已经轻易出让了这些核心资产的访问权限？
- 我们建立了怎样的实测机制，来科学验证新模型是否真正适配我们的业务场景？
- 如果我们的某套自主代理系统明天引发重大业务损失或法律纠纷，最终由谁承担责任？
终局拷问
Altman 关于 “智能终将充裕并成为公用事业” 的判断，在趋势层面或许符合技术规律。算力成本持续下行也有数据支撑。但 “充裕且低廉” 绝不等于 “在决定生死的关键时刻随时可用”—— 这正是公用事业比喻在战略解释力上的根本局限。
传统公用事业能以极低边际成本提供服务，本质上依托于高资本密集型的自然垄断属性，需要数十年的沉没成本回收期。这也是计量收费始终存在、欠费立即停止服务的底层商业逻辑。
因此，“代际迭代陷阱” 最危险的地方，不是 AI 不会越来越便宜，而是高管可能将 “价格持续下行” 错误地当作延缓决策、统一采购标准或提前锁定供应商合作的理由。
企业真正需要思考的核心战略问题是：哪些能力正在加速贬值，哪些能力依然值得投入重金布局前沿。
对绝大多数应用场景而言，当企业核心诉求是极致的执行效率与严格的成本控制时，免费的商品化能力将越来越成为最优选择。
只有极少数真正能实现战略突破的关键应用，才值得投入企业的前沿预算，也才值得首席执行官（CEO）投入精力关注。
关于作者
Michael Watkins
IMD 领导力与组织变革讲席教授
Michael D. Watkins 现任瑞士国际管理发展学院（IMD）领导力与组织变革讲席教授，著有《上任 90 天》（The First 90 Days）、《掌控下一步》（Mastering Your Next Move）、《可预见的意外》（Predictable Surprises）等 15 部全球畅销的领导力与谈判学经典著作。其最新作品《战略思维的六项修炼》（Mastering Strategic Thinking）聚焦锤炼企业高管的战略思考能力，助力组织穿越周期、开拓未来。
Watkins 教授曾入选全球顶尖管理思想家榜单 “Thinkers 50”，是公认的组织转型领域权威专家。他的学术研究与管理洞见多次被收录进《哈佛商业评论》（Harvard Business Review）领导力、团队建设、战略执行及新任高管主题的 HBR Guides 与 “10 Must Reads” 精选合集。
过去二十年间，他创立的 “上任 90 天（First 90 Days®）” 方法论，已成功帮助数万名领导者顺利完成关键岗位的转型；这些实战经验既来自他在 IMD、欧洲工商管理学院（INSEAD）及哈佛商学院的教学积累，也源于他创办的专业咨询机构 Genesis Advisers 的长期实践。他在哈佛商学院获得决策科学博士学位。
在 IMD，Watkins 教授主导面向新任高管的 “First 90 Days” 公开课程，并联合负责面向未来企业领袖的 “商业领导力转型”（Transition to Business Leadership, TBL）高管项目，以及 “高级管理人员发展项目”（Program for Executive Development）。
关于瑞士IMD国际管理发展学院
瑞士IMD国际管理发展学院（International Institute for Management Development，IMD）近八十年来始终处于领导力发展的前沿。由企业创立并致力于服务企业发展，IMD是一所植根瑞士、辐射全球的独立教育机构。IMD总部位于洛桑，并在新加坡、深圳和开普敦设有战略中心，每年为来自120多个国家的超过20,000名高层管理人员提供培训。我们拥有超过145,000名校友，构建起一个影响深远的全球精英网络。
作为常年稳居全球顶尖商学院行列的教育机构，IMD致力于将最前沿的研究与商业实践相融合，协助领导者应对复杂挑战、拓展解决方案并实现可持续的实际影响。我们始终秉持“真实学习，真实影响力”的理念，推动学以致用、以用促效。
本文来自微信公众号“I by IMD洞察”，作者：I by IMD，36氪经授权发布。