2026年第一季度，OpenAI实现57亿美元营收，以近10亿美元的优势领先Anthropic。这一数据来自科技媒体The Information援引两位知情人士的报道。表面上看，OpenAI在营收竞赛中占据上风，但深入分析后会发现，支撑这一增长的AI Token定价模式，正对两家实验室赖以生存的企业客户群构成严峻挑战。
营收差距背后的结构性隐忧
从年化营收角度看，Anthropic已接近450亿美元，远超OpenAI在2月份公布的250亿美元年化数据。据《华尔街日报》报道，Anthropic第二季度营收预计将从第一季度的48亿美元翻倍至109亿美元。OpenAI尚未披露其第二季度预测。这意味着，第一季度数据实际上“美化”了OpenAI的相对表现——在单季度中落后的公司，年化增速反而更快。对于关注两家公司IPO进程的投资者而言，这一反转值得警惕。
更值得关注的是估值差异。据《纽约时报》报道，Anthropic正在进行新一轮300亿至500亿美元的融资，估值高达9500亿美元，已超过OpenAI此前公布的8500亿美元估值。对散户投资者而言，估值差距才是更关键的指标——因为它直接决定了IPO定价。
Token计费模式正在击穿企业预算
当我们将目光投向为这些AI服务买单的企业内部时，营收增长的故事变得复杂。Uber首席技术官Praveen Neppalli Naga向The Information证实，该公司在四个月内就耗尽了2026年全年的AI预算。导火索是Claude Code的采用率从32%飙升至84%，覆盖了其5000名工程师团队。随着采用率飙升，每位工程师的月度API成本从500美元到2000美元不等。Naga表示，公司现在“回到起点”重新制定预算。
这并非孤例。据The Verge报道，微软体验与设备部门——涵盖Windows、Microsoft 365、Outlook、Teams和Surface——计划在2026年6月30日前逐步减少Claude Code的使用。这一时间点与微软财年结束吻合，财务考量显然是影响因素之一，但报道指出，主要驱动力是平台整合至GitHub Copilot CLI。换句话说，Token成本创造了一个迫使供应商整合的“强制函数”，单靠财务激励可能不会如此迅速地触发这一决策。
此外，微软旗下的GitHub宣布，自2026年6月1日起，其Copilot AI编程助手将从固定费率订阅转向基于使用量的计费模式。这一变化将用与Token消耗挂钩的GitHub AI Credits取代高级请求单元。据一位开发者反映，其预估月度成本将从4月的约67欧元飙升至新模型下的约966欧元。这一变化在企业预算本已承压之际，进一步消除了预算的可预测性。
Token消耗为何如此迅猛？
前沿AI模型的成本结构解释了企业客户为何资金告急。Token是AI模型处理的计算单位——每一次提示、每一次响应、每一次长上下文代码库分析都在消耗它们。根据Anthropic官方文档，Claude Code平均每位开发者每天花费6美元，90%的用户日成本低于12美元。然而，这一平均值掩盖了“尾部风险”。到2026年3月，Uber 84%的开发者被归类为“代理型编码用户”——他们将整个工作流程委托给AI，而不仅仅是接受自动补全建议。代理型工作流每次会话消耗的Token远多于单轮补全。在试点阶段看似合理的单位经济学，在规模化采用阶段便难以为继。
驱动Token价格的底层基础设施成本并不神秘。按需定价的NVIDIA H100 GPU，在专业供应商处为每小时1.49美元，在Microsoft Azure上则为每小时6.98美元。AI实验室必须同时运行数千块这样的GPU，才能为企业客户提供规模化服务。这些成本直接传导至API Token定价。
Gemini Flash为何更便宜？
在此背景下，Alphabet的定价策略显得与众不同。据VentureBeat报道，谷歌在I/O 2026大会上发布了Gemini 3.5 Flash，称其速度更快、成本更低、更智能，每年可为企业节省超过10亿美元的AI成本。Sundar Pichai表示，如果顶尖企业将80%的工作负载转移到Gemini 3.5 Flash和前沿模型的组合上，每年可节省超过10亿美元。
Gemini Flash之所以便宜，有其结构性原因——OpenAI和Anthropic难以复制。首先，谷歌自研Tensor Processing Units，减少了对第三方GPU定价的依赖。其次，截至2026年3月，谷歌开发者在其内部Antigravity平台上每天处理约5000亿Token，到5月中旬这一数字已飙升至超过3万亿。据VentureBeat对谷歌I/O简报的报道，这种内部规模创造了数据飞轮效应，随着时间推移提升了模型效率并降低了每Token的服务成本。第三，Gemini Flash针对速度和成本效率进行了优化，而非追求最大推理深度。企业将其用于结构化任务时，运行的是更轻量级的模型，因此支付更少。
长期视角：基础设施终将跟上
Token定价危机可能只是过渡性的。据NVIDIA官方新闻室消息，其Rubin平台的目标是将推理Token成本相比Blackwell架构降低10倍。根据Ramp的企业支出数据，研究机构Artefact指出，主要供应商每百万Token的平均成本从约10美元降至2.50美元，仅用了一年时间。Epoch AI的研究进一步表明，综合考虑定价和效率提升，推理成本正在逐年大幅下降。
然而，这一长期趋势并不能解决短期问题。实际上，单位价格下降只是故事的一半。组织对AI的消费方式已经发生了如此巨大的变化，以至于更低的每Token成本被更高的使用量所抵消。按照2024年Token费率制定预算的企业发现，2026年采用水平的代理型AI工作流消耗的Token是电子表格预测值的数倍。
这对投资者意味着什么？
OpenAI和Anthropic的营收数据确实是里程碑式的。然而，企业成本压力是一个真实变量，它将影响两家公司的IPO估值。如果主要客户触及预算上限并缩减使用量，两家实验室为2026年下半年设定的增长率将更难维持。反之，如果基础设施效率提升足够快，能够降低企业Token成本，需求显然是存在的——Uber的工程师并非不想使用Claude Code，而是没有足够的预算来支付它。这与产品本身无效是完全不同的问题。
AI补贴时代尚未结束，但正在走向终结。对投资者而言，问题不在于这些模型是否有价值，而在于谁将吸收企业预算与模型实际消耗之间的成本缺口——直到硬件性能赶上需求。
