当AI账单砸到桌面上：SAP停招背后的真实经济学
SAP暂停了大部分差旅和招聘。理由不是营收下滑，而是AI的账单正在失控。
一张让CFO失眠的账单
8月中旬，404 Media爆了一条新闻：SAP，全球最大的软件公司之一，上个月内部宣布暂停绝大部分差旅和招聘。原因？AI成本飙升。
SAP不是什么烧钱的创业公司。年营收超过300亿欧元的百年德国企业，开始因为AI成本而节衣缩食。这说明问题已经不是PPT里的假设性风险了，而是CFO桌上实实在在的数字。
有意思的是，SAP并没有暂停AI相关的差旅和招聘。翻译一下：砍掉常规开支来给AI让路。管理层的判断很明确，AI投入不会减，钱得从别处挤。
我觉得这件事暴露了一个大家不太愿意承认的事实：AI推理成本已经从「基础设施费用里的小项」变成了「需要CFO亲自过问的科目」。
OpenAI的另一招：开始在ChatGPT里卖广告
几乎同一时间，OpenAI确认他们开始在ChatGPT里测试广告。社区炸锅是意料之中的事。
📷 Photo by Tyler on Unsplash
很多人第一反应是：「OpenAI不是融资了几百亿吗，怎么还差这点广告钱？」
但仔细想想，这其实是一个很自然的商业逻辑。OpenAI目前的收入模型主要靠订阅（Plus、Pro、Team、Enterprise）和API调用费。订阅制的天花板是明确的——用户数有上限，付费意愿有上限。而广告，从Google和Meta的经验来看，是一个可以无限增长的现金牛。
问题在于，ChatGPT的用户预期和Google搜索完全不同。用户打开ChatGPT，是为了获取一个干净、专注的答案。广告的引入会直接侵蚀这个核心体验。而且，如果广告主的投放是基于用户与AI的对话内容来定向的，那隐私问题就更加敏感了。
说真的，OpenAI的处境挺尴尬的。投资者要增长曲线，但订阅制的天花板肉眼可见。广告是一条现成的路，问题是这条路的尽头可能会把ChatGPT最核心的用户体验给毁了。
AI成本的冰山结构
SAP和OpenAI，处境不同，但指向同一个问题：AI的商业模式还在烧钱阶段，而燃料越来越贵了。
让我们拆解一下AI的真实成本结构：
| 成本类别 | 具体内容 | 趋势 |
|---|---|---|
| 推理计算 | GPU集群运行、API调用费 | 持续上升，模型越大越贵 |
| 数据管道 | 数据清洗、标注、存储 | 随数据量增长 |
| 模型训练 | 一次性投入但频率增加 | 新模型发布加速，成本复现 |
| 企业集成 | 定制部署、API对接、运维 | 随推广范围扩大 |
| 合规与安全 | 内容审核、数据隐私、审计 | 法规收紧后快速上升 |
推理计算成本最值得盯。过去两年模型参数从几百亿膨胀到两万亿（通义千问刚发的Qwen3.8就是2.4万亿参数），可单位推理成本的降幅远远跟不上这个膨胀速度。
翻译成人话：每个token虽然便宜了一点点，但用户想要更长的回答、更高质量的输出，结果单次对话的总成本反而在涨。
企业用户的两难
站在SAP这样的大企业角度，AI推广的逻辑其实很清晰：
- 不做AI，竞争对手会做，市场份额可能流失
- 做了AI，短期成本暴增，利润表难看
- 规模用起来之后，效率可能提升，成本可能摊薄——但「可能」二字前面还有很长的验证期
这个困境不是SAP独有的。几乎每一个在认真推广AI的大企业都面临类似的张力。Kinney Drugs因为AI电话助手的体验太差而被数百名客户投诉后被迫撤回，BBC调查发现科技公司高管声称AI减少工作量的同时员工实际每周工作90小时——这些案例都在说明一件事：
AI的部署成本远不止技术层面。组织摩擦、用户信任的流失、员工的适应期，这些隐性成本加在一起，往往比GPU账单更难处理。
📷 Photo by Steve A Johnson on Unsplash
一个被忽视的信号：开源模型的经济学意义
同一天还有一条新闻：阿里发布了Qwen3.8-2.4T，2.4万亿参数、95B激活的Max级开源模型。表面上和SAP的账单危机没什么关系，但把两件事放在一起看，会注意到一个有意思的关联。
开源大模型正在把「AI推理焦虑」的门槛往下拉。
当企业可以自行部署开源模型的时候，推理成本就从「按token付费」变成了「一次性硬件投入+电费」。对于有自有算力的企业（比如大型云服务商、有GPU集群的科技公司），这可能是更经济的路线。
还有一个更极端的例子：Needle 2，只有14MB、45M参数，树莓派上能跑500 tok/s。这个产品直接告诉你一件事——不是所有AI任务都需要万亿参数的模型。
这对SAP式的困境提供了一个潜在的出口：不是所有企业AI场景都需要调用最贵、最大的模型。用小模型处理大部分常规任务，只在关键决策点调用大模型，可能是一个更可持续的架构。
算力即货币：谁在支付代价？
FT中文网今天有篇文章叫「AI革命下半场：算力即货币」。标题有点唬人，不过核心论点确实值得琢磨。
大家都在说「AI创造价值」，但很少有人追问一个更直接的问题：这些价值到底被谁赚走了？
目前的情况大致是：
- GPU厂商（NVIDIA）：赚取硬件差价，利润暴增
- 云服务商（AWS、Azure、GCP）：赚取算力租赁利润
- AI模型公司（OpenAI、Anthropic）：赚取API调用费和订阅费
- 企业用户（SAP等）：支付AI部署和运营成本，期待效率提升
- 终端消费者：享受AI产品，但可能承担广告和数据隐私代价
这条链里，越往上游利润越厚，越往下游越吃亏。SAP停招，说到底是因为它卡在中间位置：上游的算力钱要付，下游的员工适应成本也得自己消化。
几个我觉得值得思考的问题
这场「AI成本危机」其实才刚开场。有几个趋势我觉得值得盯着看：
-
推理成本会不会逼出新商业模式？纯订阅的天花板隐约可见，广告代价又太高。说不定会出现「按效果付费」之类的新花样。
-
开源模型会不会彻底改变企业AI的成本结构？如果Qwen3.8这种级别可以自部署，推理成本的边际变化会非常大。
-
「AI减少工作量」的说法什么时候会被现实啪啪打脸？BBC的报道不是孤例。我的直觉是：AI让简单工作自动化的同时，反而拉高了复杂工作的量。因为AI降低了「做得更多」的门槛。
-
谁在替AI的隐性成本买单？员工培训、组织重组、用户信任的流失，这些不会出现在GPU账单上，但最终都会从利润表里扣出来。
写在最后
SAP因为AI成本暂停招聘这件事，大概比十篇关于「AGI即将到来」的论文都更值得琢磨。
AI革命不是只在实验室里发生的。它同时发生在CFO的办公室，发生在员工的工位上，发生在每一场IT预算审批会上。技术乐观主义者喜欢讨论AI的上限能有多高，但决定AI能不能大规模落地的，其实是它的底线在哪里。
当一个年营收300亿欧元的公司因为AI成本开始砍其他开支，这还不算危机，但绝对是一个值得认真对待的信号。
AI很贵。不是贵到用不起，而是贵到得认真想清楚怎么用。接下来的几个月，可能会有越来越多企业用行动来验证这个判断。
参考资料：404 Media关于SAP的报道、OpenAI官方公告、FT中文网「算力即货币」分析、BBC关于AI与工作时长的调查、Hacker News社区讨论