本文来自微信公众号： 数智人文观 ，作者：何菲
“贵”是表象，是时候反思当下的AI商业模式了。
最近，我一直在观察AI圈的各类前沿讨论。大家热衷于探讨模型能力的边界、Agent的未来形态，以及本地AI的崛起。其中，陈大年的一个判断让我感触颇深：本地模型试图解决的一个核心痛点，除了安全隐私问题，还有一个重要的痛点是：“贵”。
陈大年是盛大网络、连尚网络创始人，20岁开始创业，是跟张小龙、雷军同期的知名中国初代程序员，他的观点确实值得一看。
“贵”是痛点，这句话初听极其反直觉。毕竟在过去两年里，大模型行业最惨烈的战役就是价格战，同样一次API调用的成本，如今已经比两年前便宜了很多。然而，硬币的另一面却是：越来越多真正将AI接入业务的企业和个人发现，AI的综合成本并没有想象中那么低。
对很多从业者而言，每个月仅仅是几百美元的模型订阅费，就已经让人感受到压力；对企业来说，一旦AI从偶尔使用的聊天工具变成长期运行的生产系统，模型调用、Agent执行、工具使用和反复推理产生的成本还会进一步放大。
然而，AI的“贵”，真的是技术发展的必然吗？
答案是否定的。传统软件时代，我们购买并下载一个Office套件，安装到电脑后便获得了长期的使用权，微软不会在你每一次打开Word或敲击键盘时重新向你收费。智能手机上的App生态亦是如此，硬件买断之后，软件可以持续在后台运行，用户不会因为每一次点击屏幕而重新计算成本。
为什么偏偏到了AI产业，却逐渐演化出了一种令人窒息的模式：每对话一次，就产生一次费用；每执行一步推理，都对应着新的计算成本？
因此，我们今天真正需要思考的，或许不再是AI的智商还能提高多少，而是AI的商业运行逻辑。只有弄明白AI为什么贵，以及这种昂贵，在一定程度上抑制了AI的主动性，我们才能看清下一代人工智能究竟该走向何方。
一、贵是表象，问题在于模式
AI之所以让人觉得“太贵”，表面上看是一道关于算力单价的算术题，但往深层剖析，它其实是一个商业模式的问题。
今天绝大多数占据主流的AI服务，本质上依然死死绑定在云端计算的战车上。用户在终端提出需求，远端庞大的数据中心随即开始调度GPU集群，千亿参数的模型完成一次繁重的矩阵计算，最后将结果顺着光缆返回。模型越大、上下文越长、推理过程越复杂，背后的芯片、电力、服务器和网络成本也就越高。
如果AI仅仅是偶尔被用来总结一篇文章、改一封邮件，或者提供一些灵感，那么，这种云端调用的模式并没有太大的问题，对于C端个人用户来说，每月支付几十美元的订阅费并非不可接受。
但当这套逻辑被平移到真正的企业生产场景时，性质就发生了根本性变化。
未来真正具备革命性价值的AI，绝不仅仅是帮员工制作精美的PPT，而是需要深度嵌入企业的核心业务流，长期、稳定、持续地参与工作。它可能需要在一夜之间读取数以万计的内部文档，高频调用不同的外部工具，并在遇到逻辑死胡同时反复自我验证、试错和重新执行。这意味着人类下达的一次宏观任务指令，在AI的黑盒里往往不再对应“一次调用”，而是会被拆解为成百上千次连串的推理计算过程。
目前主流的商业大模型，普遍采用按Token消耗量计费的模式。这意味着AI一旦从“偶尔使用”变成“长期运行”，成本就会迅速累积。
于是，整个科技产业目睹了一个看似极其荒谬却又无比真实的悖论：一边是各大模型厂商疯狂宣发API价格暴降，各种斩杀线；另一边，却是企业真正把AI规模化用起来之后，总账单越垒越高。据《财经》此前的报道，金山办公仅在2026年6月这一个月内，其数千名员工就消耗了约4万亿个Token，由此产生的算力成本高达数百万元。
这个数字真正值得注意的，并不是“数百元到底贵不贵”，而是当AI进入生产流程以后，企业越来越难像购买传统软件那样提前准确预测使用成本。
传统IT时代，企业的CIO可以通过统筹购买账号数量来精准预测年度预算。但在进入Agent时代后，一项复杂的业务究竟需要AI进行多少轮的链式推理？中途需要调用多少次外部插件？这些变量在事前几乎无法进行数学预测。而且，AI越是试图承担复杂、高级的工作，其隐性成本就越难控制。
贵，本身不是阻断交易的死穴，如果一家企业每个月在AI上投入五万元，能够换回五十万元的净利润增长，恐怕没有多少企业家会抱怨它太贵。当下企业真正的焦虑在于：面对每个月不断增长的AI账单，他们却无法在资产负债表上找到对等的价值回馈。
普华永道针对全球CEO的一项最新调查显示：在过去一年中，高达56%的受访CEO坦言，AI的引入并没有为企业带来明显的收入增长或成本下降；仅有屈指可数的12%的企业，真正看到了增收与降本的双赢局面。
这也是为什么，行业开始重新讨论AI到底该怎么计价。
因为用户真正想买的，从来不是Token本身，也不是一次计算，而是一件事情被完成。而今天的AI，很多时候依然是“计算一次、产生一次新增成本”。所以，“贵”表面上是价格问题，往下一层看，其实是运行模式的问题。
当AI只是偶尔被调用，这套模式问题不大；但如果未来的AI要长期在线、持续工作、反复试错，这种模式就会开始变得越来越笨重。也正是在这里，“贵”开始和另一个问题连在一起：AI的主动性。
二、被困在计费表里的“主动性”
如果说“按次计费”只是让企业的CFO感到肉痛，那么这种模式更深远影响在于：它在物理和心理双重层面上，抑制了AI的“主动性”。
这就触及了我们今天必须厘清的第二个核心逻辑。如今的AI，不管它的生成物多么逼真、逻辑多么严密，在绝大多数应用场景下，它依然只是一个被动响应的“会说话的工具”。它就像一台聪明但慵懒的应答机，人类拨一下，它动一下。它能完美回答你的提问，却绝不会在凌晨三点主动醒来，替你巡视全网数据、排查出供应链的潜在风险，并主动生成预警邮件发送给相关部门。
主动性，天然意味着极高的容错率、庞大的冗余计算以及持续不断的后台运行。一个真正能够“主动替人类把事情做完”的AI系统，其工作路径注定不可能是直线的。面对一个开放式的商业难题，主动型AI需要不断试探，它会先花掉几千Token去网上检索资料；如果发现信息不匹配，它需要自我推翻，换个角度重新检索，可能再消耗数千Token；接着，它要把海量的碎片信息整合成中间态草稿，此处可能再消耗几万Token；然后，它还要启动自我审查机制，判断这篇草稿是否切题，Token继续燃烧……直到历经数次循环，它才会输出最终的结果。
信任在商业世界里永远是建立在可控性之上的。当AI的每一步操作、每一次外部调用都要牵动计费表的齿轮时，用户在心理上就不可避免地竖起了一道高墙。他们根本不敢放心大胆地让AI自己去跑。这就好比你坐进了一辆按秒计费的出租车，看着计价器疯狂跳字，哪怕司机拍着胸脯保证他正在绕路寻找一条绝对不会堵车的捷径，你的第一反应依然是极致焦虑，甚至会忍不住大喊“马上停车”。
AI也是一样。主动性需要空间，而这个空间里必然包含很多“无效计算”：试错、回滚、检查、重做，甚至一条最后没有产生结果的探索路径。
如果每一次尝试都要额外付费，企业自然会给Agent设置调用上限、循环次数和预算边界。个人用户也会下意识减少使用频率，不敢让它在后台长时间运行。
试想一下，如果AI能够彻底摆脱按次计费的紧箍咒，变得足够便宜，甚至其运行成本趋近于固定费用，局面将会发生怎样的逆转？只有在那种毫无财务压力的环境下，用户才有可能真正放下戒备心，把那些复杂的、长周期的、需要反复试错的繁杂事务彻底托付给机器。
那么，有没有一种方式，让AI可以低成本、长期地运行？
已经有一些企业在探索一种新的AI大模型方式：本地模型。
什么叫本地模型？跟你每次问答去打开一个网页不同，本地模型的数据不会走出你的电脑、你的手机，它属于你，只属于你。断网可用，千人千面。
对于成本问题，本地模型则提供了另一种思路：不是继续压低每一次调用的价格，而是改变计算发生在哪里，以及成本以什么方式产生。陈大年对此有一句很形象的概括：“Token不要钱，付电费就好。”这当然不意味着本地AI没有成本，电脑、芯片、电力和模型维护都需要投入，但当模型运行在自己的设备上，一部分原本随调用次数不断增加的支出，就可能转化为相对固定的硬件和运行成本。
所以，“贵”表面上是一个价格问题，往下看是一个成本结构和运行模式问题。而再往下一层，它真正影响的，其实是人类敢不敢把事情交给AI。AI只有足够便宜，才有可能获得足够大的试错空间；只有获得足够大的试错空间，它才可能从一个“会说话的工具”，逐渐变成一个真正能够主动完成任务的系统。
三、跨越商业模式的鸿沟：从按次计费到产业繁荣
过去的科技产业里，类似的变化并不少见。很多时候，一项技术真正走向普及，不只是因为技术本身变强了，也因为使用它的成本结构发生了变化。
PC互联网就是最典型的例子。早期上网按时长、按流量计费，拨号上网，用户天然会控制在线时间；到了宽带、Wi-Fi和移动流量逐渐普及之后，人们才开始习惯长期在线，不再为每打开一个网页、播放一段视频计算成本。当“联网”越来越便宜甚至变得无感，如今的短视频、直播、移动支付等需要持续在线的应用才迎来了真正的爆发节点。
软件行业也经历过类似变化。传统ERP往往需要企业一次性购买昂贵的软件许可，再承担部署、定制和维护费用，中小企业很难负担。SaaS出现之后，企业可以按月订阅、按需使用，把一次性的大额投入拆成持续的小额支出，软件因此得以进入更多企业。
这两个例子背后其实是同一件事：当一种技术的使用成本下降，或者计费方式变得更符合用户的使用习惯，用户才会敢于更高频、更持续地使用它。今天的AI，也正在面对类似的问题。
今天的云端大模型Token计费制，正处于整个AI产业的“拨号上网时代”。它虽然强大，但它让人精打细算、步步惊心。
AI要迎来真正的大爆发，就必须经历一次属于它自己的、从“拨号按分计费”到“宽带无限包月”的模式跨越。因此，整个行业有必要重新审视甚至重构AI运行路线。无论是通过端侧芯片算力的疯狂内卷，让本地模型足以免费胜任日常的复杂推理，还是通过颠覆性的系统架构创新，让云端推理成本发生指数级的降低，其核心目的都只有一个：彻底改变AI的成本结构。
只有当AI在设备上的运行，就如同我们电脑里常驻的Office软件一样理所当然；又或是如同我们每月缴纳的固定宽带费一样毫无波澜时，真正的AI革命才会拉开序幕。
所以，今天讨论AI的“贵”，真正值得关注的，并不是某一家模型公司的API到底降到了多少钱，打了几折。
往前看一层，这是一个价格问题；再往下一层，它是一个运行和商业模式问题；而继续往下，它最终关系到的，是我们是否敢于让AI真正获得主动性。
过去几年，整个AI产业一直在追问：模型还能变得多聪明？这个问题当然仍然重要。但更重要的是：我们能不能让这种智能足够便宜、足够持续、足够没有使用负担，以至于人们终于愿意把事情真正交给它去做？
当用户不再需要为AI的每一次思考精打细算，Agent才能真正拥有反复尝试的空间；当AI可以长期、低成本地持续工作，它才有机会从一个“会说话的工具”，逐渐变成一个能够主动完成任务的系统。
某种意义上，这也许才是AI真正走向普及之前，需要跨过去的那道门槛。
