头部AI支出企业8月人均消费骤降近10%

Ramp AI Index 9月份的追踪数据揭示了一个值得注意的变化：美国前1%的AI支出企业，在8月份的人均消费出现了接近10%的回落。把时间线拉长来看，从2026年3月至今，AI模型单价每百万Token的跌幅已经达到41%。在这两条曲线的交汇处，一个清晰的信号浮现出来——企业正在主动调整AI投入的结构，把非核心任务从昂贵的前沿模型，逐步迁移到成本更低的替代方案上。

这种迁移不是临时的应急反应，而是一种策略性的重新分配。过去企业选模型，看的是上限在哪里；现在更多考虑的是，这个任务值不值得用那么贵的模型去跑。简单的文本分类、数据清洗、基础润色这类工作，用GPT-4或Claude 3去处理，性价比确实很低。Ramp AI Index的观察显示，越来越多企业开始采用「任务复杂度路由」的思路：在代码层面对请求做动态分配，低复杂度任务交给低成本模型，高复杂度场景才留给前沿模型。

效果是直接的：调用量在涨，但总体账单在往下走。这对OpenAI、Anthropic这类前沿模型供应商来说，构成了双重挤压。一方面单价在持续下滑，另一方面营收又高度依赖调用量的指数级增长，否则价格战的受益方只会是用户，供应商自己容易被拖进利润困境。

如果企业想跟上这波成本优化的节奏，可以参考一套比较实用的框架。

第一，把现有的AI应用场景按复杂度切开。分成两类：一类是精准度要求极高的，比如法律文档分析；另一类是容忍5%到10%误差的，比如内部邮件起草。数据显示，大约70%的任务属于后一类，根本不需要顶级模型撑门面。

第二，在应用层实现分级调用的逻辑。用一个低成本模型先判断请求的复杂度，如果判定为简单，就直接由它处理，其单价大约是顶级模型的十分之一；只有在复杂度较高时，才把请求转发给前沿模型。这个切换可以用置信度阈值来控制，比如设定0.8作为分界线，避免误判。

第三，定期做Token价格审计。模型供应商的价格调整很频繁，企业需要持续对比Token消耗和实际账单，防止因为版本升级或者折扣政策变动导致成本意外上涨。

成本降下来当然好，但过度依赖低成本模型也存在「性能退化」的隐忧。有案例显示，把客服机器人迁到轻量化模型之后，成本降低了60%，但处理复杂问题的能力下降了大约15%。这种退化在日常使用中往往表现为回答变得平庸，用户信任度慢慢往下掉，而且很难在测试集上提前被发现。

所以有两条建议需要留意。对于依赖逻辑推理的业务场景——法律、医疗、复杂代码生成——不建议盲目迁移模型，功能性退化带来的代价可能远高于节省的成本。对于非核心任务，比如文档摘要、邮件起草，现在正是切换低成本替代方案的合适窗口。

不同规模的企业，面对的处境也不太一样。初创企业在这波趋势里受益比较直接，API价格持续下行让推理成本降低，产品毛利率得以提升，AI投入显得更划算。大型企业则更多表现出一种「去泡沫化」的倾向，10%的降幅背后是管理层对ROI的严格审视。如果一名员工每天能因此节省一小时工作，但AI Token的月费高达50美元，这笔账在财务上并不成立，再大的公司也得算清楚。

文中图片保留如下：