上午刚签完合同，下午供应商就找回来要求加钱——采购成本直接翻了5倍。
这不是段子，而是今年上半年发生在某家科技公司身上的真事。由于内部AI需求大增，这家公司接洽了市面上几乎所有能接触到的国内供应商，综合考虑性能与价格后最终签下合同。结果上午签字，下午供应商就反悔了——取消按次支付限制，改用纯Token消耗计费，核心意思就四个字：能做，但得加钱。
供应商临阵变卦，折射出国内AI在商用场景中的一个尴尬现实：买卖双方都算不清这笔账。
传统IT和SaaS的边际成本几乎为零，但大模型和AI不一样——无论是编程工具还是桌面Agent，背后的成本都是非线性增长的。
AI能处理的任务越来越复杂，多轮推理、工具调用、长链路执行，单次调用的Token消耗呈几何级增长。与此同时，全球数据中心GPU出货量同期只增长了约2.5倍，芯片、存储这些重资产的扩张周期都是线性的。
最典型的是字节跳动的视频生成产品即梦。一位知情人士透露，即梦花费了字节内部至少半数的算力资源，不断涨价、削减免费权益之后，回收的成本不过一成。算力烧得厉害，收不回成本，让一些巨头掌门人开始重新思考卷模型的价值。
火山引擎的谭待给过一个准入门槛：收入目标没到10亿规模，最好别做Agent，做一个Skill就好了。表面上看是替客户做筛选，背后折射的是模型厂商和企业客户都很难把账算清楚。
供应商算不清成本，客户也算不清收益。
美团每年花在AI数据采购上的费用高达二三十亿元，而整个研发部门的年度预算才不过10亿元。巨大的数据投入并没有带来理想中的效果——在其核心的路网识别场景中，AI准确率仅维持在60%到70%之间，距离落地还有很长一段路要走。
极兔在国内上线了工单质检系统，二次投诉率大幅降低23%。但在其他国家推广时，当地团队很谨慎——担心大模型调用成本可能收不回来，更倾向于等收益模型清晰之后再逐步推广。
一家头部AI短剧公司则走了另一条路。哪怕市面上有现成的第三方Agent产品，他们仍然坚持自研自建，甚至尝试产品化向外部提供服务。这家公司的负责人说得直白：生产环节可以全用AI，工具链必须掌握在自己手里——用别人的Agent，效率是别人的，随时可能被收回。
美团、极兔、洋葱学园等不同行业的企业，不约而同形成了一套相似的成本控制逻辑：先用顶级大模型探出能力天花板，再用小模型跑日常任务，仅在必须的高效果环节调用高价大模型，把AI投入控制在收支平衡区间。
Anthropic提供了一个可以参考的样本。
这家公司找到了一条确定且能让客户直接看到效果的路——编程。5月与SpaceX签署大规模算力集群租赁协议后，其年化收益迈过了450亿美元。
编程这件事有一个好处：有仓库、有测试、有PR、有bug、有交付周期，企业能算清楚ROI。相比帮我想个营销创意，能不能修bug、跑测试、写内部工具，更容易进入企业预算。
但国内的情况更复杂。AI作为生产力服务，目前还不具备传统SaaS绑定客户的三个条件：数据沉淀、工作流固化、高切换成本。客户会多家比价动态切换，基模涨价或版本迭代就会换供应商。
供应商算不清成本，客户算不清收益。当买卖双方都算不清账单的时候，市场开始自发地倒向眼前的现实——追求相对可控的成本，在确定性强的场景里先落地。
技术已经能回答能否做到，商业还没回答值不值。企业能清楚某个环节的花费，或者供应商能提供替代价值的清单，将之写进合同，那个上午签完、下午不再需要反悔的时刻才算真正到来。而在此之前，AI进入生产力，还只是一本糊涂账。
