他山之石可以攻玉。今年是 AI 大模型改变科技行业的第三年，美国在算力与商业模式方面领先。其 AI 应用产业面临的主要矛盾以及人工智能原生公司的经验教训，值得我们借鉴。
一、繁荣表象下的深层矛盾：成本与增长的失衡
观察美国三年来的 “人工智能 +” 发展，一个显著现象是：在 AI 垂直应用领域，融资消息不断，收入增长惊人，但却未出现真正定义时代的全球现象级产品。过去三年，AI 应用领域热点不断切换，从 AI 陪聊、AI 视频生成、AI 教育到通用 AI agent，如今 AI 编程成为新的明星赛道。市场观察者逐渐聚焦到一个核心问题：在科技巨头和大模型厂商主导的行业中，AI 创新公司正面临一个根本困境 —— 成本与增长难以兼顾。
从增长速度看，AI 垂直应用领域处于黄金时代。在各个细分赛道，都有企业借助 AI 迅速将代码、创意和算力转化为实际收入。
图：不同垂直应用赛道的代表性AI原生公司这些高估值背后是否存在泡沫？尤其是在面临成本难题时，其可持续性受到质疑。AI 编程赛道的繁荣，就是大模型淘金热的一个典型例子。
人工智能编程工具 Replit 的年化收入增长迅猛，2024 年 8 月仅为 200 万美元，2024 年全年达到 1000 万美元，2025 年 2 月飙升到 3200 多万美元，2025 年 7 月更是达到 1.44 亿美元。经过最新一轮融资，其估值已达 30 亿美元。来自瑞典的 AI 编程助手 Lovable 发展同样迅速，2025 年 7 月其年经常性收入突破 1 亿美元大关，自推出仅用了八个月就达到这一里程碑。此前在 2025 年 6 月，Lovable 宣布其年经常性收入为 7500 万美元，简单推算其一个月收入为 2500 万美元。经过最新一轮融资，Lovable 的估值达到 18 亿美元。另一款大型 AI 编程产品 Cursor 也成绩斐然，据彭博社报道，2025 年 6 月 Cursor 背后的创业公司 Anysphere 年收入突破 5 亿美元，三个月前公开报道的年化收入还是 2 亿美元，期间收入增长了 3 亿美元，其估值现已达到 200 亿美元。
AI 垂直应用本质上是大模型厂商最忠实的 “token 消费者”。它们凭借精准的用户群体、模型的强大能力和精准的产品设计，直接服务终端用户，拦截了部分原本属于大模型厂商的用户，这也是为何 Sam Altman 也要亲自下场做 AI 编程产品。
然而，在这繁荣背后，成本困境日益凸显。根据 The Information 的报道，随着用户需求激增，编程助手 Replit 的毛利润率在 36% 到 14% 之间剧烈波动。事实上，从国内外各种公开报道来看，AI 编程助手企业普遍毛利率偏低，基本在 30% - 40% 左右。
图：AI编程赛道代表性公司的基本毛利率情况
低毛利的核心原因是难以压缩且不可控的大模型 token 成本，这是 AI 编程助手的关键成本。以另一款 AI 编程产品 Windsurf 为例，其架构成本高昂，特别是大型语言模型（LLM）的使用成本。在激烈竞争下，为保持用户粘性，每当大模型厂商发布新模型，AI 编程产品就不得不跟进迭代底层模型。新模型虽能提升任务完成度和效果，但技术型用户对模型是否最新十分敏感，若不及时更新，易导致用户流失。目前，几款热门的 AI 编程产品尚未形成独特的核心竞争力。
从价格方面看，一方面，模型厂商竞争使单个 token 价格下降；另一方面，模型效果提升带动用户实际使用量大幅飙升。模型 token 价格下降 1 倍，模型使用量可能上涨数倍甚至 10 倍，这使得 AI 垂直应用企业的利润空间被压缩。大模型 API 调用的 Token 成本无法随规模扩大而有效稀释，这与传统 SaaS 企业（如 Salesforce 或 Zoom）以及典型订阅模式的 Netflix 财务模型截然不同。
二、矛盾根源剖析：token 成本与 scaling 定律引发的困境
Anthropic 的联合创始人 Dario Amodei 在播客节目中描述了模型投入成本和收入之间的滚动过程：2023 年训练一个模型花费 1 亿美元；2024 年模型创造 2 亿美元收入，但因 scaling 定律，训练模型成本上升到 10 亿美元；2025 年模型带来 20 亿美元收入，而训练模型成本可能高达 100 亿美元。从传统财务角度看，这是一个可怕的亏损循环。虽然 Dario Amodei 针对的是大模型厂商，但 AI 垂直应用赛道同样存在 “成本悖论”。该赛道本质上是大模型厂商的 “token 消费者” 或分发渠道。对于创业公司而言，token 成本是随使用量变化的变动成本，而非固定成本，几乎不存在边际效应递减。这意味着每多一个用户，就多一份 token 消耗；每多一次调用，就多一笔成本支出；用户任务越复杂，消耗 token 越多，成本越高。
构建一个简单的单位经济模型可说明这一问题。若一款 AI 产品定价为每月 10 美元，当用户量级不同时，收入和成本变化如下：1 个用户时，token 成本 6 美元，收入 10 美元，毛利润 4 美元，毛利率 40%；1 万个用户时，token 成本 6 万美元，收入 10 万美元，毛利润 4 万美元，毛利率 40%；100 万个用户时，token 成本 600 万美元，收入 1000 万美元，毛利润 400 万美元，毛利率仍为 40%。这种成本结构表明，token 成本无法压缩，是实实在在的 COGS，严重影响毛利润率。收入增长越快，成本膨胀越快，毛利率甚至可能不增反降。
这就是单一订阅模式的弊端，也是与 Netflix 这类订阅业务或 SaaS 模式的核心差异。其成本不会因用户增长而有效分摊，而是随订阅量增长。此外，企业拓展市场时，订阅模式可能并非理想的付费方式。在欧美市场，部分 AI 垂直项目因高端用户和高订阅渗透得以成功，但在其他市场，付费率低，商业模型不稳定。由于经济水平差异，全球许多国家用户抵触订阅，习惯一次性买断或免费 + 广告模式。
三、AI 应用个体困境：低护城河与激烈竞争
目前众多 AI 编程工具在技术上并无本质差异。以 Cursor 为例，其架构由 Electron 的 VS Code 封装器和类似 Copilot 的代理构成，代理负责 token 调用和任务处理，其他编程工具也类似。本文关注的几款 AI 编程产品虽为行业翘楚，但彼此差异仅体现在 UI 风格、开发环境便利性等狭窄领域，无法形成有效护城河。例如，Lovable 面向非技术创始人、小团队和初学者，简化应用创建过程，降低入门门槛；Replit 适合个人和小型团队，提供 “护栏” 功能帮助新手快速上手；Cursor 面向经验丰富的开发者，尤其是 VS Code 用户，需更多技术交互；Windsurf 定位一站式智能开发环境，适合初中级开发者，UI 类似现代 IDE。
而它们共同争夺的程序员群体规模有限。Slash 今年 5 月发布的数据推测全球开发者最新人数为 4700 万，即便如此，对于诞生一款稳定营收和利润的 AI 编程产品来说，用户数量仍显不足。或许只有这些赛道明星们持续竞争，最终可能仅剩下一家服务这 4700 万用户。
四、破局之策：从定价到商业模式的全面创新
（一）定价模式优化：混合订阅与按算力计费
从竞争角度看，AI 垂直应用创业公司竞争远超大模型企业。在资本驱动下，AI 行业公司估值模型更加残酷清晰。订阅模式在互联网商业模式中难度较大，收入增长依赖订阅价格提升和订阅人数增加，这要求企业服务能匹配提价并吸引更多订阅者。AI 应用产品本质上属于 API business，自身难以构建强大护城河，议价权较弱。在激烈竞争下，单一订阅价格模式难以持续，需采用更复杂的定价模型。首先是调整 token 价格模式，按任务收费无法反映任务复杂度和模型消耗，按算力计费能更精准与后台成本挂钩，保证毛利率。
已有企业迫于成本压力调整定价模式。如 Replit 原本每个 “checkpoint”（类似 agent 执行一次编程任务）收取 25 美分固定费用，但底层模型更新后任务运行成本大增，毛利率降为负值。为此，7 月份 Replit 宣布将定价模式从单一任务收费改为 “基于算力” 收费，根据任务执行所需算力定价，部分任务价格从 25 美分上涨到 2 美元。这一调整虽可缓解利润困境，但可能对订阅量产生负面影响。不过，其他 AI agent 同样面临成本压力，也将陆续调整价格，届时客户流失或可减缓，订阅量有望回升。据公开报道，Cursor 似乎也在同步进行类似定价模式调整。
（二）商业模式创新：拓展增值服务
仍以 AI 编程应用为例，面向微小企业端的应用是短暂的蓝海。许多企业 IT 部门已自行开发内部 AI 平台，但技术水平和数据安全保护参差不齐，这为 AI 垂直应用产品提供了增值服务空间。通过私有化部署，将数据安全和隐私保护等服务作为增值模块融入 AI 垂直应用服务，既能增加收入，又能扩大服务范围，增强服务安全性和稳定性。AI 垂直应用在服务用户过程中会积累大量行为数据和行业数据。这些数据经清洗和分析，能为企业客户提供有价值的行业报告、趋势预测或用户行为洞察。例如，AI 编程工具可分析数百万开发者编程习惯，为企业提供技术栈偏好、效率瓶颈等方面的洞察报告。
（三）大胆畅想：重新定义行业价格模式
回顾 2023 年 OpenAI 的生成式 AI 横空出世，三年来 AI 已渗透到日常生活诸多方面。未来，大模型可能成为像 “水、电、燃气和移动流量” 一样的基础服务。基于此，AI 垂直应用可衍生更多定价模式。参考水电燃气的付费方式，采用按使用量计费和阶梯定价。用户可先低价 “存储” 一定量 token，使用完毕后以稍高价格购买新 token。更具参考价值的是移动流量的定价模式，采用 “基础订阅费 + 流量包 / 算力包”。用户可根据实际使用量购买不同价位套餐，超出 token 使用量时，可额外支付 token 费用或购买新的 “token 包”，当月 token 余量还可转移到次月。
五、结语：AI 发展的必然与挑战
AI 大模型无疑是当今时代最激动人心的技术变革之一，AI 垂直应用的火热发展让人们与 AI 的距离更近。我们已享受大模型带来的诸多便利，工作中的繁琐任务可交给 AI 处理。随着大模型升级迭代，我们将更加依赖 AI，难以回到没有 AI 的日子。既然 AI 已如移动流量般普遍，那么跳出科技技术束缚，从日常角度思考定价，不失为一种创新。当前 AI 垂直应用的成本困境未来必将得到解决，尤其在中国，正如 DeepSeekV 3.1 通过算法创新推动中国芯片算力业生态化突破一样。我们有理由相信，在技术与商业模式的不断创新中，AI 应用产业将迎来新的发展阶段。