文｜陆弃 9月18日，美国“商业内幕”援引美国银行一份最新报告称，中国AI行业正在经历一次定价逻辑的变化：此前围绕Token展开的全面降价，正在逐步转向按照任务完成效率进行分层定价。 DeepSeek等低成本模型出现后，中国AI市场曾经历激烈的价格竞争，而如今，企业开始重新计算一个更现实的问题——用户花一块钱，到底能够让AI完成多少真正有价值的工作。 这意味着，中国AI所谓的“价格战”并没有结束，而是在换一种方式继续。过去比的是谁的Token更便宜，现在比的是谁能用更少的计算资源、更少的人为干预和更短的时间，把一项复杂任务真正做完。 价格仍然重要，但它正在从最终指标退到成本指标的位置，AI行业由此开始从“卖模型”走向“卖效率”。 这一变化其实并不突然。DeepSeek等低成本模型进入市场后，最直接的冲击就是迅速压低了行业价格。模型能力不断接近的情况下，如果所有企业都依靠降低Token价格争夺客户，结果很容易陷入循环：一家降价，其他企业跟进；价格进一步下降，用户却未必因此增加同等规模的付费。模型调用量可以迅速增长，收入和利润却未必同步增长。 更重要的是，Token本身并不是企业真正需要购买的东西。企业真正需要的是代码能够运行、报告能够生成、客户问题能够解决、数据能够分析、流程能够自动完成。一个模型即使每百万Token便宜一半，如果完成同一项任务需要消耗更多Token，或者经常出现错误，需要工程师反复修改，那么实际成本未必更低。 这正是“任务成本”开始成为关键指标的原因。美国银行的分析认为，基础推理能力正在逐渐商品化，而更强的推理、长上下文、多模态和Agent工作流仍然能够形成差异化。 在这种情况下，企业不会简单地追求“最便宜的模型”，而会开始计算哪一种模型最适合哪一种工作。 比如，简单的文本分类、信息提取和批量摘要，完全可以交给成本较低的模型；涉及复杂推理、长文档分析或者连续执行多个步骤的任务，则可能需要更强的模型。于是，一个企业真正需要的可能不是一个“全能模型”，而是一套根据任务自动分配模型的系统。AI采购从买一个产品，逐渐变成管理一条工作流。 这其实也是今年硅谷出现“modelmaxxing”趋势背后的商业逻辑。此前一些企业鼓励员工尽可能大量使用AI，甚至把Token消耗本身视为生产力增长的表现。但当账单不断增加，企业开始意识到，员工个人效率提高，并不自动意味着公司的利润增加。大量生成、反复修改、人工审查和错误纠正，都会形成隐藏成本。真正需要衡量的，是AI介入之后，一项业务流程究竟节省了多少时间和资金。 一旦计价方式发生变化，整个产业链的利益分配也会随之改变。 单纯依靠模型API收费的公司，未来可能越来越难通过规模增长获得高利润，因为基础模型之间的价格和能力差距会不断收窄。相反，掌握算力、芯片、存储、云平台以及企业级部署能力的公司，可能拥有更稳定的议价空间。美国银行因此判断，长期利润可能更多集中在AI芯片、半导体设备、存储和大型云计算平台等环节。 这并不意味着模型公司没有价值，而是模型本身正在逐渐从稀缺资源变成基础设施。就像互联网时代，单纯提供网页并不等于拥有最大的商业价值，真正能够控制流量入口、基础设施和用户工作流程的企业，往往更容易形成长期收益。 AI同样可能经历这样的价值迁移：模型能力越普及，模型本身的价格越容易下降；模型与业务结合越深，围绕模型形成的基础设施和服务价值反而越突出。 对于中国AI产业而言，这种变化还有一层特殊意义。美国出口管制提高了先进算力获取难度，也迫使中国企业更加重视模型效率和计算成本。路透社9月16日的分析指出，中国部分AI公司在算力约束和资金投入相对有限的情况下，正在通过低成本模型、开放权重和效率优化保持竞争力，但激烈竞争也使不少公司的收入和利润承受压力。 所以，中国AI下一阶段真正需要解决的问题，已经不是简单的“还能不能把价格降下去”。价格可以继续下降，甚至还会出现新的价格战，但如果所有企业都把竞争建立在降价之上，最终消耗的可能是研发能力和商业模式本身。真正有意义的降本，是让同样的算力完成更多任务，让同样的员工完成更高价值的工作，让AI从一个昂贵的工具变成能够持续创造收益的生产环节。 这也意味着，未来判断一家AI公司的竞争力，不能只看模型参数、榜单排名或者每百万Token多少钱。更应该看它能否稳定完成任务，能否进入企业真实业务，能否降低整体运营成本，能否形成从模型到云、从芯片到应用的完整商业闭环。 AI的价值最终不会停留在“回答得多聪明”，而要落实到“解决了多少问题”。 价格战真正结束的标志，并不是价格不再下降，而是市场开始不再把低价本身视为最大的竞争优势。中国AI经历过一次由价格打开市场的阶段，现在正在进入一个更难的阶段：低价只是门票，效率才是尺度，商业回报才是最终检验。对于整个行业而言，这