AI大模型第一次算总账：微软砍预算，一个月烧掉一亿美元

微软内部原计划用于Anthropic Claude的年度预算超过10亿美元，目前已被削减三分之一以上。Meta公司通过Claude编程工具的内部使用者从6万骤降至约3万。这两个全球最顶尖的科技公司在同一个月内做出相似的动作——对同一个AI供应商说“不够便宜”。

这不是临时性的预算调整，而是AI产业正在经历的结构性转折。

账单为什么会这么吓人？

问题的核心在于AI Agent模式的运转逻辑。

Agent具备自我迭代、自主规划任务链条的特性。它不是用户问一句、AI答一句的被动交互，而是在后台持续运行、反复调用模型的能力。一个复杂的软件开发任务可能需要数百次甚至上千次的模型调用来完成代码生成、调试和验证循环。

“越好用、越复杂，账单就越吓人。”

新智元引用The Information的报道指出，Meta在28天内消耗了超过1．05亿美元的Claude费用。这意味着仅这一家公司的某项业务线，一个月就能产生千万美元级别的API费用。如果乘以所有客户、所有产品线，数字会变得更为庞大。

更关键的是，这种消耗不具备线性特征。随着模型能力增强、Agent使用场景扩展，Token消耗呈指数级增长趋势。过去可以接受的成本结构正在被彻底颠覆。

微软的做法是明确的成本管控信号——将开发者的人均月配额从10万美元大幅降至约1万美元，降幅达90％。这不是简单的节流，而是强制引导团队迁移到自有方案，包括GitHub Copilot和其他微软自研模型。

从合作伙伴变成竞争对手

Meta的情况更有意思。使用者数量下降并不仅仅是因为裁员或预算收紧，而是因为这家社交巨头成功推出了自研替代品。

根据报道，Meta开发了MetaCode和Muse Code等内部编码辅助工具，这些自研模型逐步替代了对Claude的需求。当自有方案足够好用时，企业就不愿意再将核心代码和数据交给外部供应商。

这揭示了一个更深层次的产业矛盾：客户对AI供应商的角色认知正在发生根本性变化。过去，科技公司乐于与外部模型厂商建立合作关系；现在，它们开始意识到——自己的最大客户同时也是潜在的竞争对手。

防止数据泄露、模型蒸馏和核心技术外溢，成为大厂自建AI能力体系的另一重驱动力。据公开信息显示，阿里巴巴已经全面停用了Claude Code，转向自研路线。

Anthropic的两难处境

与此同时，Anthropic正处于极其微妙的时刻。这家公司在2026年9月下旬向美国证券交易委员会正式递交了上市招股说明书，预计将成为史上最大规模的IPO之一。

招股书显示了一些令人侧目但也可理解的数据：2025年全年营收约46亿美元，同比增长12倍；但在同一时期录得超过80亿美元的经营亏损，运营总支出接近130亿美元。其中绝大部分投入了算力基础设施采购。到了2026年第二季度，单季收入达到创纪录的115亿美元，并连续两个季度在非GAAP基础上实现经营盈利。

市场给出的回应毫不吝啬——现有二级市场价格已将估值推至约1．5万亿美元，投行普遍预测IPO发行价有望突破2万亿美元。

然而客户大规模流失的压力已经摆在台面上。Anthropic应对的策略是降价和改善政策：Fable 5．1模型的缓存读取成本降低了75％，重负载情况下最多可便宜45％。同时改善了数据留存政策以挽回客户信心。

招股书中还披露了一个值得注意的细节——去年将近四分之一的收入来源于极少数头部客户，具体身份尚未完全公开。这种客户集中度本身就构成了商业独立性上的潜在隐患。当最大的两个客户同时开始减少采购量时，收入的波动风险就会显著放大。

谁在赚钱？谁在承压？

这场成本核算的转变对整个AI产业链的影响是分布式的。

对于芯片制造商而言，需求端并没有明显放缓——Anthropic计划未来数年内投入超过5180亿美元用于云计算和基础设施，微软和谷歌也在持续扩张AI算力布局。GPU和AI加速芯片的市场依然火爆。

但对于独立AI模型厂商来说，压力显而易见。Anthropic面临的不仅是价格竞争，更是“大客户流失”的风险。当少数头部客户掌握了相当比例的议价权时，供应商的定价策略将被迫变得更加保守。

微软则可能从中受益。GitHub Copilot作为其自研AI方案的核心产品，在企业级市场中将迎来更多来自内部团队的迁移订单。这种从外部采购转向内部开发的模式，长期来看有助于构建更完整的AI生态闭环。

接下来关注什么？

判断AI行业是否真的进入了“成本拐点”阶段，以下几个指标值得关注：

第一，各大厂自研模型的进展速度。 如果MetaCode、Google Gemini Enterprise等自有方案的准确率和使用体验持续逼近甚至超越第三方模型，外部采购的替代效应将进一步加速。

第二，Anthropic IPO的实际定价和客户保留情况。 无论最终发行价如何，上市后首个财报季度的收入增速将是检验客户流失程度的重要标尺。

第三，云服务提供商的算力利用率数据。 AWS、Azure和Google Cloud的AI相关收入占比及增长率，能够反映整个行业对底层算力的实际消耗规模是否在放缓。

第四，开发者社区的工具迁移趋势。 编程辅助、智能客服、自动化运维等高频应用场景中，从第三方API转向开源或自研方案的开发者比例变化，是最直接的终端信号。

第五，中小企业的AI adoption成本和门槛。 如果大厂纷纷削减外部预算，意味着他们已经在寻找降低成本的方案。这些经验能否下沉到中小企业市场，将决定AI应用的真正普及程度。