文 | 吴怼怼

豆包戳破了一个幻觉

晚点一篇关于豆包、Seedance   和   AI   商业化的报道，把一个行业里越来越难回避的问题摆到了台前：AI   到底怎么赚钱？

截至上半年，每天 2   亿多人使用的豆包，日收入不足百万元，主要来自电商佣金；而到了今年   5   月，豆包应用每天消耗的算力成本可能已经达到数千万元。文字聊天本身不算贵，但一旦进入推理、图片识别、语音聊天、视频聊天等多模态功能，成本会陡然上升。

这还没有计算训练模型所需的智算中心投入。一座大型智算中心往往需要数万张 AI   芯片，还要配套供电、网络、散热、运维和数据中心基础设施。也就是说，AI   更像软件、云计算、电力、半导体和重资产制造业的混合体。

类似的变化也出现在其他大厂身上。

腾讯已经把 WorkBuddy   企业版、政务版等智能体开发平台推到更重要的位置。元宝的战略能级反而降下来了。相比一个聊天入口，这些产品更接近企业生产力工具、开发者工具和 MaaS   平台，面向的是有预算、有组织流程、有明确效率诉求的   B   端客户。

微软也在重新计算 AI   的账本。过去   Copilot   更像一个标准化订阅产品，但当企业   Agent   开始持续调用模型、执行任务、消耗推理资源，" 每人每月固定价格 " 的模式就开始变得吃力。微软已经在部分   Copilot   和   Agent   服务中推进按量计费，让企业基于实际使用量付费，并通过预算和成本管理来控制账单。

Anthropic 走得更直接。Claude Enterprise   的   usage-based   企业计划，已经从单纯订阅转向 " 席位费   +   用量费 " 的混合模式：企业先为用户席位付费，真正的模型使用量则按   token   单独计费。

这也是这轮 AI   浪潮和移动互联网最大的不同。

过去做 App，可以先免费、先   DAU、先时长、先占入口，再靠广告、电商、会员、游戏、金融和生活服务慢慢变现。今日头条、抖音、小红书、快手，都是这个逻辑的产物。内容分发的边际成本相对较低，用户多刷一小时，平台并不会按比例多烧掉一小时的高价   GPU。

但 AI   不一样。AI   是每一次交互都要消耗算力的产品。用户越活跃，成本越真实；上下文越长，显存越紧张；输出越复杂，GPU   占用时间越长；一旦进入图片、语音、视频和   Agent，成本结构就更像工业生产，而不是互联网流量分发。

这意味着，AI 的第一性原理不是 " 流量 "，而是 " 算力 "。

豆包的问题，不是没有用户。恰恰相反，它的问题是用户太多，但商业化还没有跟上。两亿日活说明需求真实存在，但需求不等于收入，收入不等于利润。如果大量用户免费聊天、免费生成、免费调用多模态能力，而平台无法把这些使用转化成足够高的收入，那么规模本身就会变成成本负担。

这就是所谓的 " 移动互联网式 AI   叙事 " 的幻觉：过去我们相信，先有用户，后有商业化。但   AI   时代，用户增长和成本增长高度绑定。一个   AI   产品不能只讲   DAU、时长和下载量，还必须回答一个更朴素的问题：每一次调用到底花了多少钱？这些成本最后由谁买单？

从这个角度看，豆包和 Seedance   的差别就变得非常清楚。

豆包是面向大众的通用 AI   助手，用户规模庞大，但付费理由不够强。普通用户当然会觉得   AI   好用，可以问问题、写东西、陪聊、查资料、生成图片。但这些价值很碎，很难稳定变成月费。尤其在中国市场，用户已经被免费内容、免费小说、免费视频、免费会议软件和免费工具教育了很多年。让大众为 " 更聪明一点的数字服务 " 持续付费，本来就很难。

Seedance 则不同。它面对的是生产者，是短剧公司、漫剧公司、广告公司、内容制作团队。它不是让普通用户为 " 好玩 " 付钱，而是帮助原本就有预算的行业降低成本、提高效率。以前一段视频需要人画分镜、做动画、跑后期，现在   AI   可以承担一部分生产流程。客户算账很直接：如果   AI   生成的视频足够可用，并且比人便宜、比旧流程快，那就值得付费。

所以，AI 商业化的关键不是   C   端还是   B   端，而是有没有明确的付费理由。

AI 编程为什么更容易收费？因为它直接面对程序员、研发团队和软件公司。AI   可以缩短开发时间，提高代码产出，替代一部分重复劳动。企业不是为 " 聊天 " 付费，而是为更快交付软件付费。

AI 视频为什么有机会？因为它直接嵌入了内容生产预算。短剧公司、广告公司、游戏公司、影视团队本来就要花钱买制作能力，AI   只要能把成本降下来，就能拿走一部分预算。

AI 客服、AI   法务、AI   投研、AI   设计、AI   销售线索、AI   数据分析，也是同一个逻辑。

每一次对话，背后都是一张电费单

这也解释了为什么现在看起来最赚钱的是 " 卖铲子 " 的公司。

芯片、云、数据中心、电力、散热、网络，是 AI   时代最先确定受益的环节。不管最后是   OpenAI、Anthropic、Google、字节、阿里，还是某个新的应用公司获胜，它们都必须训练模型、部署推理、购买或租用算力。卖铲子的人站在最上游，不需要判断谁挖到金子，只要大家继续挖，就有人买铲子。

这就是英伟达和云厂商最强的地方。

但如果因此判断 "AI 最终只有卖铲子的赚钱 "，可能又过于悲观。更准确的说法是：卖铲子的先赚钱，基础模型层高度集中，下游应用要死掉一大批，但真正嵌入工作流、掌握付费场景的应用仍然有机会。

AI 的终极商业模式，可能不是单一模式，而是三种模式的混合。

第一种，是 C   端的 " 健身房模式 "。

健身房会员制的核心，是大多数人交了钱但不常去，少数高频用户被低频用户补贴。AI 订阅也有类似逻辑。轻度用户每月问几次、生成几张图，平台赚钱；重度用户天天写代码、跑   Agent、做视频、读长文档，平台亏钱。

AI 订阅的理想用户，是 " 愿意为能力付费，但不会把额度用穿 " 的用户。

这和健身房最喜欢的用户一模一样：办了年卡，偶尔来几次，还觉得自己拥有了健康生活方式。

问题是，AI 最有价值的用户，往往恰恰是最高频、最高成本的用户。程序员、设计师、短剧公司、投研人员、内容团队，越觉得 AI 有用，越会高强度使用。于是平台就不能再靠 " 健身房式会员 " 糊弄过去，必须转向用量计费或结果计费。

所以，AI 订阅真正赌的是：用户愿意付费，但不要用得太狠。

这也是为什么纯粹的无限量订阅很难长期成立。AI 的边际成本太清楚了，每一次   token、每一张图、每一秒视频、每一次深度研究，都能换算成   GPU   时间、电费、显存、调度和折旧。如果重度用户大量涌入，订阅模型就会被打穿。

订阅不是终局，额度才是账本

因此，未来 C   端   AI   更可能变成 " 会员   +   额度   +   超额包 "。普通聊天接近无限，高级模型有次数限制，图片和视频生成用点数，深度研究按次数，代码   Agent   按任务量。用户看到的是会员、点数、创作额度、深度研究次数；平台内部计算的则是   token、GPU   秒、推理成本和单位毛利。

第二种，是 B   端的 " 云服务模式 "。

云服务的商业模式，本质上是云厂商先重资产建设数据中心、服务器、芯片、网络和基础软件，然后把这些资源切成标准化能力，按需租给企业。企业不用自己建机房、买服务器、招运维，而是按计算、存储、数据库、带宽和 API   调用付费。

B 端   AI   很像云服务。模型   API、MaaS   平台、企业   Agent、知识库、AI   编程、AI   视频生成，本质上都是把 " 智能能力 " 变成一种可计量资源。企业用了多少   token、多少上下文、多少图片识别、多少语音转写、多少视频秒数、多少   Agent   执行时间，就对应多少成本。

但 AI   又比传统云更复杂。云服务卖的是资源，AI   最好卖的是结果。

企业客户关心的是：客服成本有没有下降，代码交付有没有变快，广告素材有没有变多，视频生产有没有更便宜，投研报告有没有更高效，法务审查有没有减少人力。

所以，最好的 B   端   AI   商业模式是：后台像云一样按资源结算，前台像   SaaS   或行业工具一样按价值收费。

企业为结果付费

对客户说的是：我帮你处理了一千个客服会话，生成了一百条广告素材，完成了一段可运行代码，做完了一份投研报告。

对公司内部算的是：这些任务消耗了多少 token、多少   GPU   秒、多少失败重试、多少工程调度成本。

第三种，是 " 结果收费模式 "。

AI 最终不是卖模型，也不是卖   token，而是卖可验证的业务结果。

如果一个 AI   应用只是把用户请求转发给上游模型，它本质上是在帮上游卖   token，自己很难留下利润。真正能赚钱的下游，必须把   token   封装成工作流，把算力变成结果，把结果变成账单。

Codex、Claude code、Cursor 这类   AI   编程工具，重构了开发者写代码的界面。微软把   Copilot   嵌入   Office，字节把   AI   嵌入广告投放、剪映、短剧制作和电商商家工具，也是在卖生产工具。

这才是 AI   应用层真正的机会：不是再做一个 " 我也能聊天 " 的   App，而是成为某个行业工作流的一部分。

这里就要回到 token。

token 是什么？它不是   GPU   本身，而是模型处理信息的基本计量单位。输入   token   是模型读进去的内容，输出   token   是模型生成出来的内容。token   越多，通常意味着模型要读得更多、算得更久、生成得更多，最后就会转化成   GPU   计算量、显存占用、推理时间、电力、散热和系统调度成本。

token 像   AI   时代的电表。用户看到的是问答、图片、视频和代码，平台后台看到的是   token、GPU   秒和单位任务毛利。

GPU 则像发电厂和工厂设备。它不是被   token   一点点 " 磨没 " 的，但长期高负载运行会带来电力消耗、热损耗、显存压力、硬件老化和会计折旧。

更关键的是，AI GPU   的寿命不只是物理寿命，而是经济寿命。卡还没坏，但新一代芯片性能更强、能耗更低，旧卡的单位   token   成本过高，就会被迫退到低端任务，甚至经济报废。

这就是 AI   基建周期里最大的变量。

铲子先赚钱，淘金者还在算账

短期看，卖铲子的人最确定。芯片、云、数据中心、电力、散热都会继续受益。基础模型公司会继续烧钱争夺门票。下游应用则会经历残酷筛选。

中期看，市场会越来越关心 ROI。大厂的资本开支能不能转化成真实收入？企业   AI   的收入增速能不能追上算力投入？GPU   云价格会不会下跌？数据中心利用率够不够高？折旧年限到底该按传统服务器算，还是按更短的技术周期算？

长期看，基础模型层会高度集中，但应用层不会消失。真正的赢家会出现在三个地方：掌握算力入口的基础设施公司，掌握企业工作流的软件公司，以及能把   AI   直接转化成业务结果的垂直应用公司。

最后的问题：谁来买单？

所以，AI 的终极商业模式究竟是什么？

答案可能是：

C 端像健身房，用订阅、额度和沉没成本管理用户；

B   端像云服务，用   token、调用量、年框合同和企业锁定收费；

高阶应用像 SaaS   和外包服务的结合，用   AI   完成具体任务，再按结果收钱。

订阅可以当入口，但不能当终局。

AI 行业正在进入 " 谁能把算力变成现金流 " 的阶段。

过去一年，大家讲的是参数、榜单、DAU、下载量和多模态能力。接下来更重要的会是：单位推理成本、token 毛利、企业续费率、任务成功率、客户预算来源、工作流嵌入深度和可验证   ROI。

创造价值和捕获利润，是两回事。

AI 会提高社会效率，但提高效率的人未必能赚到钱。

AI   会重塑很多行业，但不是每个   AI   应用都能成为公司。

AI   会成为基础设施，但基础设施的生意，最终一定要回到一个非常朴素的问题：

这一轮烧掉的算力，最后到底由谁买单？