AI行情走弱的另一條線：OpenAI也不得不降價

TL;DR

· Uber 高管直言，Token 消耗與真實產品改善之間的關聯「尚不存在」；OpenAI 也承認企業 AI 成本正成為一個越來越現實的問題。

· AI 需求並未消失，但企業開始從試用轉向 ROI 審計，模型廠商開始討論降價，雲端、GPU 和資料中心的成長彈性需要重新驗證。

· 相關標的：NVDA、MSFT、AMZN、GOOG、MU、AVGO、AMD、TSM、ARM、ORCL。

連漲兩個月的 AI 美股行情，最近開始走弱回調，市場也開始在明面上尋找原因。

利率、估值擁擠、財報擾動都能解釋這輪回調，但市場正在審計一條更底層的假設：企業消耗更多 Token，是否一定會帶來更多收入、效率和利潤。

過去兩年，AI 交易有一條很順的鏈條。企業大量使用 AI，Token（模型處理文本的計量單位）消耗上升，模型商收入成長，雲端廠商賣出更多算力，GPU、HBM（高帶寬記憶體）、伺服器、資料中心和電力需求持續擴張。只要 Token 用量繼續成長，市場就可以將它理解成 AI 採用加速，並向上游硬體和資本支出給予更高估值。

但最近出現的一個變化是，連模型供應商自己也開始討論成本問題。

據《華爾街日報》報導，OpenAI 正在研究進一步降低模型調用價格，以應對企業預算壓力以及來自 Anthropic 等競爭對手的挑戰。與此同時，OpenAI CEO Sam Altman 近期公開表示，越來越多企業開始將 AI 成本視為一個重要問題，一些客戶甚至在第一季度就消耗完了原本規劃給全年的 AI 預算。

這件事本身或許還不足以改變產業格局，但它釋放了一個值得關注的信號：市場開始討論的已經不只是模型能力，而是成本、定價和投資回報率。

現在鬆動的不是「企業還用不用 AI」，而是「企業願不願意繼續為高價 Token 無條件買單」。

Uber 總裁兼首席營運官 Andrew Macdonald 在播客中說，Token 消耗增長和「有用的消費者功能」之間的連結「尚不存在」。這句話來自買單方，而不是賣方、投行或模型創業公司。

如果此前市場相信「用量就是成功」，現在進入的是第二階段：Token 最後能不能變成收入成長、人工成本下降或利潤率改善。這個問題一旦被財務部門系統性提出，AI 產業鏈的估值語言就會從「需求無限」轉向「回報驗證」。

Uber 的高採用率暴露了預算壓力

Uber 的案例值得看，不是因為它不懂 AI，也不是因為它不願意使用 AI。恰恰相反，Uber 內部對 AI 編碼工具的採用率非常高。據多家媒體報導，該公司約 5000 名工程師中，月使用率一度達到 84% 至 95%，單個工程師月度帳單從數百美元到 2000 美元不等。

問題恰恰出在這裡。當使用率足夠高，帳單就不再是創新部門的小額試驗費用，而會變成需要被營運層解釋的真實成本。據公司 CTO 先前披露，Uber 的全年 Claude Code 預算在 4 個月內就被用完。Macdonald 形容，這是一個讓人「頭炸」的時刻。

在企業內部，AI 工具最早往往以「提高效率」的名義進入預算。工程師更快生成程式碼，客服更快回答問題，營運團隊更快寫報告，這些都是容易被感知的變化。

但當使用規模擴大後，財務部門看的會變成幾個更硬的問題：有沒有帶來更多收入？有沒有減少真實人力成本？有沒有改善利潤率？

Macdonald 提到的「tokenmaxxing」現象，也說明高用量可能和高價值脫鉤。所謂 tokenmaxxing，指的是團隊或個人為了最大化使用 AI 工具而大量消耗 Token。使用數據看起來很好，但未必對應更好的產品結果。對 AI 服務商來說，這是收入；對企業來說，它可能只是另一種失控的雲帳單。

Uber 的信號比一般的「AI 工具太貴」更值得重視。

它不是在說 AI 沒用，而是在說，當 AI 從試驗預算進入營運預算，企業需要證明每一美元 Token 支出能帶來可衡量的業務結果。高採用率不再自動等於成功，反而會率先暴露成本結構。

成本壓力開始在產業鏈傳導

企業買方開始算帳，平台也在改變收費方式。

GitHub 已宣布，自 2026 年 6 月 1 日起，Copilot 轉向用量計費模式，並引入每月 AI Credits（AI 使用額度）。對輕度用戶來說，這可能只是帳單結構變化；對頻繁使用智能體功能的開發者來說，部分重度用戶反映，單次會話成本可能達到數十美元，社群討論也隨之升溫。

這件事的含義是，平台不再願意把無限使用的 Token 成本完全包在固定訂閱費裡。

過去，使用者付一個月費，平台承擔背後的模型調用成本。現在，隨著智能體調用次數、上下文長度和多輪任務增加，成本壓力開始被顯性化。用得越多，付得越多，這是對「無限 AI」敘事的一次修正。

更值得注意的是，這種壓力已經從應用層傳導到模型層。

過去兩年，大模型產業的主流敘事一直是降本增效和規模擴張。但隨著企業採購部門開始審計 ROI，模型供應商也面臨新的問題：如果客戶不願意持續為高價 Token 買單，成長要靠什麼維持？

OpenAI 最近釋出的信號很典型。一邊是 Sam Altman 承認企業預算正在承受壓力，另一邊是市場傳出 OpenAI 研究進一步降價方案的消息。這意味著產業關注點正在從「模型能力是否領先」轉向「單位智能成本是否足夠低」。

對於企業客戶來說，最重要的問題不再是哪個模型最強，而是哪個模型能在相同預算下創造更多業務結果。

微軟內部削減 Claude Code 授權許可，也在同一個方向上。據 The Verge、Axios、TechRadar 等媒體報導，微軟 Experiences & Devices 部門取消了大部分內部 Claude Code 許可，並轉向自有 Copilot 工具。具體規模和原因仍有待更多披露，不能直接寫成微軟已確認因成本而削減外部工具採購。

但這個動作至少說明，大型科技公司自己也在重新分配外部模型調用成本。

這對 AI 產業鏈的影響，不在於某一個工具收入少了多少，而在於買方紀律開始向上傳導。企業可以限制額度、選擇更便宜的模型、把部分任務轉向開源或自建方案，也可以要求供應商折扣。模型商和應用層公司仍然會有需求，但定價權不再只由「模型更強」決定，還要由「客戶能否算得過帳」決定。

雲端廠商也會受到影響。過去，雲端收入中 AI 部分的敘事很強：模型訓練、推理、企業應用都需要算力，Token 用量越多，雲端需求越有確定性。但如果企業開始壓低單位 Token 成本，或者把高頻低價值任務轉向更便宜的推理路徑，雲端廠商的收入彈性就可能低於市場此前預期。

高用量需要證明高價值

企業在這個時間點開始審計，一個原因是 AI 使用已經進入足夠大的樣本階段，低效部分不再容易被忽略。

Entelligence.AI 在 2026 年 5 月發布的研究分析了 2444 家組織、超過 100 萬個 Pull Request。按照其測算，在每 1 美元 AI Token 成本中，只有 0.18 美元產生了觸達用戶的實際價值，0.44 美元用於修復 AI 引入的 Bug，0.27 美元用於返工，0.11 美元消耗在審查摩擦中。

這個數據不能寫成全行業結論。它來自供應商自有研究頁面，也主要反映軟體工程場景，不是獨立審計或學術論文。但它足以說明一個問題：企業端確實存在 ROI 審計壓力，尤其是在 AI 生成內容還需要人類復核、修正和整合的場景裡。

AI 工具最容易展示的是生成速度，但企業真正付錢買的是可交付結果。如果 AI 生成的程式碼帶來更多 Bug，後續需要更多審查、返工和測試，那麼前端節省的時間會在後端重新出現。對個人用戶，這可能只是體驗問題；對大型企業，這會變成財務問題和組織管理問題。

這也解釋了為什麼 Token 用量增長不能再被簡單等同於 AI 成功。

Token 是收入計費單位，也是成本計量單位。對模型商來說，更多 Token 意味著更多收入；對企業來說，更多 Token 只有在帶來更多收入、更低成本或更高利潤率時，才是值得持續擴大的預算項。

如果市場此前把 Token 增長當作硬體需求的領先指標，現在需要補上另一半：Token 的價值轉化率。只有當 Token 消耗能穩定轉化為業務結果，雲端廠商的 AI 收入、GPU 訂單、HBM 擴產和資料中心建設，才有更扎實的終端支撐。

支付意願會沿產業鏈向上傳導

宏觀策略師 Andreas Steno Larsen 近期提示，Silicon Data 相關的 LLM Token Expenditure Index（大模型 Token 支出指標）是當前市場值得跟蹤的圖表之一。相關報導顯示，該指標追蹤企業為每百萬 Token 支付的支出或價格水平，2026 年初明顯上行後，在 5 月底附近出現回落跡象。

這裡需要保留邊界。Silicon Data 公開頁面更多是產品介紹，指數方法和完整歷史數據並未充分公開。它不能被當作硬結論，但可以作為觀察企業支付意願變化的一個信號。

Token 支出指標回落，也不等於 AI 使用量下降。

事實上，當前市場更像是在見證 AI 行業從「算力競爭」向「單位智能成本競爭」切換。企業仍然需要 AI，但未必願意繼續按照過去的價格體系採購 AI。

如果 OpenAI 最終啟動新一輪價格調整，那麼企業端預算壓力緩解的同時，也意味著模型產業正式進入價格競爭階段。屆時市場需要重新判斷：未來成長來自新增需求，還是來自價格下降後的使用量擴張。

AI 需求仍可能成長，但成長的收入含金量和上游傳導彈性可能發生變化。

這對不同環節的影響並不一樣。應用層和模型層首先面臨價格壓力：企業會要求更清晰的 ROI，減少低價值調用，或者在不同模型之間做成本切換。

雲端廠商面臨的是收入彈性問題：同樣的使用量，如果單位價格下降、快取和批次處理提高、自建方案增加，雲端 AI 收入增速可能不如 Token 總量增長那麼好看。

再往上游，GPU、HBM、先進封裝、伺服器和資料中心建設交易的是未來資本支出。如果企業端支付紀律讓模型商和雲端廠商對未來收入更謹慎，硬體訂單和資料中心建設節奏就會被重新評估。

Larsen 的警告不是說硬體需求立刻消失，而是說如果 Token 定價持續走弱，市場會開始懷疑這一輪 AI 基礎建設投資週期的斜率。

AI 股回調和 Token 帳單審計之間，不是簡單因果關係。不能說晶片股下跌就是因為 Uber 燒完預算，但它們處在同一條鏈上：當估值已經反映長期高成長，任何關於終端支付意願和 ROI 的信號，都會被放大為對上游資本支出的重估。

下一步看財報裡的收入彈性和訂單節奏

現在的證據還不能支持「AI 泡沫已經破裂」。企業沒有停止使用 AI，開發者也不會回到沒有 Copilot、Claude 或其他智能體工具的狀態。更合理的判斷是，AI 採用正在從早期狂熱進入預算紀律階段，市場開始區分哪些用例能證明回報，哪些只是製造帳單。

接下來最重要的驗證，不是再找一個公司說 AI 太貴，而是看雲端廠商和軟體公司的財報語言是否變化。微軟、亞馬遜、谷歌的 AI 雲收入增速，能否繼續保持高彈性；Copilot、Claude Code 等企業工具在用量計費後，續約、降級和投訴如何變化；這些都會比單日股價更能說明買方紀律是否正在系統性增強。

硬體端則要看 GPU、HBM 和資料中心訂單有沒有下修跡象。只要雲端資本支出繼續上調、先進晶片訂單仍然緊張，Token 支付意願回落就更像一次健康調整。如果雲端 AI 收入彈性走弱，同時上游訂單和資料中心建設節奏開始放緩，市場才會將它定價成更深的週期轉折點。

AI 交易沒有結束，但它的定價語言正在改變。以前市場問的是「用了多少 Token」，現在要問的是「這些 Token 最後變成了多少利潤」。這個差距，會決定接下來 AI 產業鏈估值分化的方向。

點擊了解律動BlockBeats 在招崗位

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia