过去两个月，圈子里流传着两种截然相反的观点。一些人观察到算力和模型厂商的收入增长迅猛，认为企业 AI 支出会继续失控膨胀，他们的理论武器是 Jevons 悖论：1865 年英国经济学家 Jevons 发现，蒸汽机烧煤的效率提高之后，英国的煤耗不减反增，因为煤变便宜了，原来烧不起煤的工厂和用途开始大量上马。放到 AI 上就是：模型越便宜，能开机的新用途越多，总支出反而越大。另一些人则认为，由于宏观经济因素和项目 ROI 的挑战，AI 的需求遇到了瓶颈，PoC 无法进入生产线，企业的 AI 开支正在减少。
这两个说法到底谁对？恰好有一批数据能用来检验。Ramp 是一家替美国企业管钱的公司，企业用它发公司信用卡、付发票账单，每一笔支出都会留下流水记录。它的首席经济学家 Ara Kharazian 每月发布一份 AI Index，专门追踪企业花在 AI 上的钱；统计方法见 Ramp 官方方法论与数据来源说明。我们最关心的三组数字，模型用了多少 token、花了多少钱、每个 token 的实际价格多少，来自其中接入 Token Spend Management 的企业样本：Ramp 直接连到企业的模型厂商后台，只计 API 用量与账单、不含订阅，也不含工资单外的个人垫付报销（口径见 作者澄清），拉取真实的调用量和计费数据，不是靠企业自己填问卷。
从整个时间线上看，2026 年企业的 AI 需求并没有出现爆炸性或衰退式变化，而是在经历一个转变：token 总量在上升，有效单价下降，使用模式转向了更便宜的标准化方案。这种账单趋于平稳或轻微下滑的趋势，是由大量工程团队强化成本管理、企业设置默认档位、采用路由策略等共同推动的。
先用第一条数据排除一种可能：企业没有停止用 AI。Ramp 统计的是”当月给哪家模型厂商付过钱”的公司比例，买订阅、买 API token 都算。数据显示这个比例还在涨：8 月美国企业里超过一半当月为 AI 付过费，比一年前多了约 11 个百分点（底层数据表）。最猛的是 Anthropic：一年前只有六分之一的企业在给它付钱（7 月刊），现在接近一半。需求的基本盘在扩大，退潮论到这里就说不通了（Ramp 8 月刊）。
采用率为什么还在涨，但外面老有人说 AI 退潮？调用量在涨、单价在下沉、用量在下切档，两股力量把账单冲平。看懂这个传导，先看价格。
账单和调用量分开跑，最直观的原因是 token 单价一直在掉。注意这里的单价不是官网牌价，是企业实际结账的有效均价：把输入、输出、缓存折扣全都折进去，按真实用量加权算出来的数。
Ramp 9 月报告的数字是：每百万 token 的有效单价今年 3 月 1.15 美元见顶，此后六个月一路下行，9 月初只卖 0.68 美元，跌了四成。我另拉了它图表底层的日度 CSV 序列复算，8 月还在加速，越跌越快。
降价打到两家身上的深度不一样。同一批企业、同一段时间，OpenAI 的实际成交价从峰值跌了近六成，Anthropic 只跌了四成。一个在拿价格换市场，一个还在守溢价。
这种降幅差异不全是两家官方降价频率造成的，它也反映出两边客户调用组成的差异。混合单价是一个内生指标，哪怕单款模型的牌价不动，只要工程师把调用主力从旗舰模型切到轻量档，加权后的均价就会自己掉下来。两家厂商的用户群在任务分布上不一样，即使牌价调整幅度相同，落在账单上的斜率也会不同。这属于组成层面的解释，本轮数据没有拆出量化的归因比例。
单价虽然跌去了四成，但企业总调用量并没有跟着萎缩。The Decoder 在 2026 年 10 月 2 日根据 Ramp 的数据指出，要是以 7 月支出达峰为基准，企业消耗的 token 总量到 9 月底反而多了约 50%，并在 9 月最后一周刷出了历史最高纪录。
先泼一盆冷水：别拿这两个数字去算”需求价格弹性”。50% 和跌四成来自不同的时间窗口，而且单价下跌大半就是企业换挡换出来的，不是市场给了个便宜价格大家蜂拥而上。
钱到底往哪去了，看 Ramp 的周度档位序列最清楚。最贵的旗舰档走了一条倒 V 走势：7 月里还在涨，8 月初冲上高峰，随后四个星期连续回落；Ramp 9 月报告写它占总用量约 45%，比 8 月初的峰值矮了一截。
旗舰档让出来的位置，被中间档全盘接走：同样九个星期，标准档的份额几乎每周都在涨，从一个零头涨到超过三分之一。轻量档和零散模型反而一路萎缩。用量没有去开源、没有去自建，是在商业模型的梯队里整体下沉了一格。
这种用量迁移，其实就是工程团队在主动干预。Ramp 报告里引述了多家企业客户的反馈：他们已经在公司层面统一设置默认模型档位，以此减少前沿模型的使用；他们觉得标准档模型性能足够强大，同时成本效益明显更高。做功能探索或搭 PoC 的时候，工程师习惯直接挂最贵的旗舰模型保效果；等功能铺开进生产环境，翻倍的账单就会逼着架构师改路由。像文本分类、内容摘要、格式校验、内网检索这类流水线任务，GPT-5.6 Terra 或 Claude Sonnet 这一档的模型就能高准确率完成，用不着让旗舰模型在这些任务上空转。
这不是 Ramp 一家账本的特殊现象。独立的评测机构 Artificial Analysis 用固定的一批任务测新旧两代模型，结果一样：新模型跑同样的活，花的钱只有上一代一半，跑出来的 token 反而更多（9 月 22 日报告）。单任务账单看着只便宜一半，实际生成量大过一半，合起来就是”花更少的钱，干更多的活”。
还有一个常被误读的走向：这轮换挡没有流向开源和自建。Ramp 的数据显示企业 AI 支出里开源占比不到 5%，Kharazian 10 月 1 日在 X 上特别强调了这点。用量在商业模型的梯队内部下沉，没有跳出这个梯队。
价格下降，企业主动降档，但调用量仍在增长。8 月，账单开始逐步下降。
Ramp 每月统计按”员工人均 AI 支出”排名的头部 1% 企业，这批公司花钱最凶（CSV 序列）。直觉版：他们人均每月的 AI 账单，1 月约三千美元，7 月冲到约八千美元，半年翻了一倍多；8 月第一次回头，降到七千二，掉了约一成。就算跌完，也还有去年同期的近三倍。这个跌，是发生在一根大阳线里的。
“8 月大家都去休假了”是 Ramp 先给的解释。但它自己三年的数据拆穿了这个说法：同样放暑假，去年 8 月头部企业的账单是涨的，今年才是跌的。更说得通的推手就是前两节那两条：单价在降，企业在换挡。
翻 36 个月的历史，单月回调并不新鲜，最长的一次连跌四个月后照样创新高。所以 8 月这一跌，诚实的读法是：账单见顶回落可能是新趋势，但目前只有一个月的证据，9 月的报告才是判决。
9 月最新的周度走向（Kharazian 9 月 25 日披露）：8 月那轮下滑，到 9 月中旬已经调头回升，只是还没涨回 7 月高点。账单是波动着往下走的，不是直线跳水。
企业付钱变省了，新闻里模型厂商的营收却还在创新高，钱从哪来？以 OpenAI 为例：Axios 9 月底引述知情人士称其年化收入已接近七百亿美元（路透社随后确认），其中企业端收入一个季度里翻倍。厂商的增长不靠老客户多花钱，靠的是大批新客户、新场景涌进来。Ramp 看到的是存量客户账单被压平，厂商收的是增量市场的钱，两边不矛盾。
Anthropic 的口径更分裂：融资通稿自报的年化（5 月自报 470 亿）、媒体转述的年化、招股书里的历史实收，三套数字相差一个数量级，谁也不能拿去算谁的利润表。格局倒是清楚：最近一周企业买模型花的每一块钱里，Anthropic 拿走约一半（The Decoder 引 Ramp 数据）。
这么一路换挡下来，真正被压住的是厂商的利润模型。据 Epoch AI 和 Exponential View 的历史测算，上一代旗舰（GPT-5 组合）卖四个月挣到的毛利，才勉强追平它发布前烧掉的研发费。旗舰身上背着研发账，便宜档可不背。现在客户整体往便宜档搬，等于营收还在涨、利润的质地已经变了。不过这也得看具体条件：只要换挡停了，或者新客户的增量足够大，这种压力也就不成立了。科技分析师 Azeem Azhar 当面问过 Ramp 这个样本能不能代表普通企业，并没有数据回应；读这份指数时要记住，它看的是先行者，不是全行业平均。
对做技术决策的人来说，这条曲线有着非常直接的工程含义。Ramp 图表里画出来的这条走势，其实是千千万万工程师日常选型动作加总出来的。大家把以前无差别调用旗舰的流水线拆开，数据清洗、格式整理、意图分发都交给标准档，只在最关键的判断环节保留前沿模型，每一个改动，都会在这条曲线上留下一票。
工程选型的评价指标也在改变。盯着排行榜名次或官网每百万token的标价，在实际业务里参考价值有限。更有意义的约束是算到每一次成功交付的总成本。贵的前沿模型如果第一轮就正确理解复杂意图、不用纠错，综合成本可能低于需要多轮重试和校验的标准档模型；反之，在容错率高的文本提取或语义整理任务上用旗舰模型，是纯浪费。成本纪律的落点是让任务复杂度和模型梯队对齐，而不是无脑选最便宜的模型。
2026 年 8 月 19 日，Stripe 宣布以约 75 亿美元收购模型路由平台 OpenRouter。《纽约时报》引述知情人士报出这个价格（NYT 报道），彭博社也曾追踪过交易细节（Bloomberg 报道）。官宣通稿挂在 Stripe 官网，Patrick Collison 在里面说：“Token 正在成为使用 AI 构建产品的核心货币。”
这一收购让 Stripe 拿到企业收入侧的流水，知道每个客户向终端用户收了多少钱；OpenRouter 握有调用侧的网关，记录每个应用往哪家模型打多少 token。当这两套系统接在一起，一个基础设施第一次能够在全行业规模上同时看见一个单体经济的进账与出账。
用量在涨，单价在跌，企业的账单反而开始逐步下降。一个问题留在最后：我们会先在 Stripe 和 OpenRouter 拼出的真实账本里看清企业 AI 的盈利底牌，还是会在模型厂商下一轮经审计的财报里，看到这场换挡对算力繁荣的校准？