ListenHub
3
8-5晓曼: 我最近看到一个特别有意思的说法，说很多AI公司和投资人啊，都做着一个“游艇梦”。
原野: 怎么个“游艇梦”法？
晓曼: 就是他们觉得，AI模型的成本不是每年都在成倍下降嘛。所以他们的算盘是这么打的：第一年，我先亏点钱，用20美元一个月的订阅价把用户圈进来；第二年，模型成本降了10倍，我这利润率不就一下子飙到90%了？第三年，就可以开开心心去挑游艇了。但现实好像很骨感，很多公司不仅没赚到钱，反而亏得更厉害了。
原野: 嗯，这个“游艇购物”的剧本，在现实里是彻底翻车了。这个设想里有个致命的逻辑漏洞，它建立在一个错误的假设上。
晓曼: 哦？什么假设？
原野: 它假设，模型便宜了，大家就会用便宜的。但现实是，用户永远只想要“最好的那个”。当一个更新、更强的模型，我们行话叫SOTA，也就是“State-of-the-Art”模型发布时，几乎百分之九十九的用户需求会立刻涌向它。
晓曼: 这么绝对吗？哪怕旧的模型便宜很多？
原野: 对，就是这么绝对。给你个例子，当初GPT-4刚出来的时候，价格是60美元，而上一代的GPT-3.5，价格只有它的二十六分之一，便宜得跟白送一样。但结果呢？大家还是挤破头去用GPT-4。
晓曼: 哇，便宜26倍都没人要，这有点反直觉啊。这背后是什么心理？
原野: 这其实是一种“认知贪婪”。你想想，当你在用AI帮你写代码、做研究、或者构思文案的时候，你是在用自己的时间换取一个结果。这个时候，你肯定想要一个最聪明、最强大的“大脑”来帮你，谁会为了给公司省几毛钱，故意用一个反应慢、还可能出错的“笨蛋版本”来浪费自己的生命呢？
晓曼: 有道理。时间成本才是最贵的。所以你的意思是，所谓的成本下降，其实是个伪命题？
原野: 不能说完全是伪命题，但它具有很强的迷惑性。这就好比有人跟你说，“你看，这车现在可便宜多了！”，然后他指着一辆1995年的本田思域。是，这辆具体的旧车是便宜了，但市场真正想要的是价值3万美元的2025年新款丰田凯美瑞。AI也是一样，成本下降的永远是那些过时的、没人想用的旧模型，而那个大家都在追逐的“最好的模型”，它的价格始终稳定在一个高位。
晓曼: 我明白了。所以指望靠旧模型降价来盈利，就像是拿着二手车市场的报价单去规划新车发布会的利润，完全搞错了对象。但这似乎也只是解释了为什么没能“坐享暴利”，还不至于让公司越亏越多吧？
原野: 问到点子上了。如果说“最强模型溢价”只是打破了公司的“游艇梦”，那接下来的这个因素，简直就是把船底都给凿穿了。它更隐蔽，也更致命。
晓曼: 愿闻其详。
原野: 就是用户对AI的使用方式，发生了根本性的变化，导致代币，也就是Token的消耗量，出现了爆炸式的增长。
晓曼: 怎么个爆炸式增长法？以前不也是聊天问答吗？
原野: 以前我们用AI，可能就是问一句话，它回一句话，消耗几百个Token。但现在呢？AI的能力强了，用户也变聪明了。他们会让AI执行一个“深度研究”任务，AI可能需要花3分钟做规划，再花20分钟去阅读各种资料，最后再花5分钟给你生成一份报告。这整个过程下来，消耗的Token可能是以前的几百倍，从1000个飙升到10万个。
晓曼: 哇，这个量级确实不一样了。
原野: 这还只是开始。未来，AI代理甚至可以连续工作24小时不出错。你想想，一个20分钟的研究任务成本可能就要1美元，那一个跑满24小时的AI代理，一天就能烧掉72美元。你那个20美元一个月的订阅费，连用户一天的重度使用都覆盖不了。
晓曼: 天哪，这账算不过来了。
原野: 这里最经典的案例就是Claude Code。他们曾经尝试过一个200美元一个月的“无限使用”套餐，而且设计得极其聪明。
晓曼: 他们怎么做的？
原野: 他们用了好几招。首先，定价就是别人的10倍，给自己留足缓冲。其次，他们会根据你任务的负载，自动切换模型。干重活的时候用最强的Opus，任务轻一点就换成便宜的Sonnet，读取文件这种简单工作就用最便宜的Haiku。甚至，他们还想办法把一部分计算任务转移到用户自己的电脑上运行。可以说是把能想到的优化都用上了。
晓曼: 听起来这套组合拳已经很极限了，应该能扛住吧？
原野: 结果是，用户的Token消耗还是像超新星爆发一样，彻底失控了。有一个月，他们消耗了惊人的一百亿个Token。
晓曼: 一百亿？这是什么概念？
原野: 相当于一个月内“读写”了一万两千五百本战争与和平。原因就是，用户一旦发现AI可以自动化执行任务，比如写个循环脚本让AI不停地去优化代码、检查工作、重构，再优化……AI就从一个聊天机器人，变成了一个24小时不间断工作的代码引擎。Token的消耗就和人类坐在电脑前的时间彻底脱钩了，物理定律接管了一切。
晓曼: 这就引出了一个很有趣的比喻，就像你发明了一台燃油效率更高的发动机，结果却用它造了一辆巨无霸卡车。虽然每升油能跑的里程是变多了，但你现在开的是一辆油耗高50倍的怪物。
原野: 没错，就是这个意思。AI的能力越强，它能消耗的、有意义的计算资源就越多。最终，Claude Code只能被迫取消了这个“无限套餐”。这证明了，在AI能力如此强大的今天，任何固定价格的“无限量”订阅模式，在经济上都是不可持续的。
晓曼: 这听起来简直就是个悖论啊：模型明明越来越便宜，提供服务的公司反而越来越亏钱。那面对这种算力黑洞，这些AI公司该怎么办呢？总不能坐着等死吧？
原野: 这就让他们陷入了一个经典的“囚徒困境”。
晓曼: 囚徒困境？怎么说？
原野: 每家公司心里都清楚，按实际使用量来计费，才能保证公司活下去。但问题是，用户讨厌按量计费，他们喜欢“无限畅享”的感觉。这时候，只要你的竞争对手推出一个20美元包月的“无限套餐”，为了抢占市场，你就不得不跟进。
晓曼: 我明白了。如果大家都按量付费，整个行业是健康的。但只要有一个人破坏规矩，选择用亏损换增长，其他人为了不被淘汰，就只能跟进。
原野: 对。最终结果就是，所有人都开始补贴那些重度用户，大家都在烧钱，都在发布看似漂亮的增长曲线图，然后，在某个时间点，一起走向财务崩溃，或者发布一则“重要的定价更新”公告。
晓曼: 真是绝望的循环。难道就真的没有出路了吗？
原野: 也不是完全没有。行业里已经开始探索一些新的生存之道了。目前看主要有两个方向。
晓曼: 快说说看。
原野: 第一个，是放弃消费者市场，转向企业级服务，建立“高转换成本”的护城河。
晓曼: 转换成本？这个怎么理解？
原野: 简单说，就是让客户换掉你的成本变得极高。比如一家叫Cognition的公司，他们直接跟花旗、高盛这种大型金融机构合作，把他们的AI工具部署给几万名工程师。这种单子虽然难拿，需要经历漫长的合规审查、安全审计、采购流程，但一旦拿下来，客户就几乎不可能流失了。
晓曼: 哦，因为企业想换一个供应商，就得把这一整套痛苦的流程再走一遍，内部的决策者和执行者都受不了。
原野: 完全正确。这就好比企业用的那些CRM或者ERP系统，一旦用上了，就很难再换。这时候，客户对价格的敏感度就会大大降低，公司也能获得80%到90%的超高利润率。这就算成功躲开了消费者市场的价格战。
晓曼: 这确实是一条路。那另一个方向呢？
原野: 另一个方向是“垂直整合”。就是不指望AI本身赚钱，而是把AI当成一个引流工具，来卖其他更赚钱的服务。
晓曼: 这个概念听起来有点复杂，能举个例子吗？
原野: 最典型的就是Replit。他们提供一个AI编程助手，但同时，他们还提供代码托管、数据库管理、应用部署和监控等一整套服务。AI帮你生成了代码，你总得有地方运行它吧？你的应用需要数据库吧？部署之后需要监控吧？
晓曼: 我懂了！AI本身可能是在亏钱的，但它源源不断地为你其他的收费服务创造了需求。这就像亚马逊用Kindle阅读器本身不赚钱，但靠卖电子书赚钱一样。
原野: 对，就是这个逻辑。他们把AI的成本看作是市场营销费用，然后在整个技术栈的每一个环节去捕获价值。让OpenAI和Anthropic去卷模型价格吧，我拥有的是整个生态。
晓曼: 所以，无论是建立企业级护城河，还是进行垂直整合，核心思想都是跳出“靠AI本身赚钱”这个死胡同。
原野: 完全正确。那些还在玩“固定订阅，不惜一切代价增长”游戏的公司，说白了，只是在排队等着一场非常昂贵的葬礼而已。
晓曼: 这么说来，我们今天其实理清了一个非常关键的脉络。首先，所谓的AI成本下降是个美丽的陷阱，因为用户永远追逐最贵、最强的那个模型，这导致前沿AI的价格始终居高不下。
原野: 是的，这是第一个现实。
晓曼: 其次，就算价格不变，AI能力的增强也打开了潘多拉魔盒，用户的使用方式从简单问答变成了驱动AI进行超长时间、超大消耗的任务，让任何固定订阅模式都难以为继。
原野: 对，这是第二个，也是更致命的现实。
晓曼: 在这种双重压力下，AI公司陷入了定价的“囚徒困境”，被迫在市场份额和财务健康之间玩火。而真正的出路，要么是像服务高盛那样，用高转换成本锁定高利润的企业客户；要么就是像Replit那样，进行垂直整合，把AI当成生态的入口，在别处赚钱。
原野: 总结得非常到位。
晓曼: AI领域的这个“成本悖论”和“代币短缺”危机，其实揭示了一个很深刻的道理：技术的进步，并不总是能带来线性的商业回报。当一个产品的核心能力越强，用户的“认知贪婪”和对极致体验的追求就越无止境，反而会把成本推向一个新的高度。这迫使AI公司必须跳出单一产品的思维，重新思考自己在整个价值链里的位置。它们可能不再是单纯的“模型提供商”，而必须成为“生态构建者”或者“企业级解决方案专家”。这不仅仅是一场商业模式的转型，更是一次对AI技术到底该如何在现实世界里创造并捕获价值的深刻反思。也许我们最该问的是：当AI本身变得无比强大和廉价时，真正稀缺和有价值的，又会是什么呢？