AI行情走弱的另一条线：OpenAI也不得不降价

TL;DR

· Uber 高管直说，Token 消耗和真实产品改善之间的链接「还不存在」；OpenAI 也承认企业 AI 成本正成为一个越来越现实的问题。

· AI 需求没有消失，但企业开始从试用转向 ROI 审计，模型厂商开始讨论降价，云、GPU 和数据中心的增长弹性需要重新验证。

· 关联标的：NVDA、MSFT、AMZN、GOOG、MU、AVGO、AMD、TSM、ARM、ORCL。

连涨两个月的 AI 美股行情，最近开始走弱回调，市场也开始在明面上寻找原因。

利率、估值拥挤、财报扰动都能解释这轮回调，但市场正在审计一条更底层的假设：企业消耗更多 Token，是否一定会带来更多收入、效率和利润。

过去两年，AI 交易有一条很顺的链条。企业大量使用 AI，Token（模型处理文本的计量单位）消耗上升，模型商收入增长，云厂商卖出更多算力，GPU、HBM（高带宽内存）、服务器、数据中心和电力需求继续扩张。只要 Token 用量继续增长，市场就可以把它理解成 AI 采用加速，并向上游硬件和资本开支给予更高估值。

但最近出现的一个变化是，连模型供应商自己也开始讨论成本问题。

据《华尔街日报》报道，OpenAI 正在研究进一步降低模型调用价格，以应对企业预算压力以及来自 Anthropic 等竞争对手的挑战。与此同时，OpenAI CEO Sam Altman 近期公开表示，越来越多企业开始把 AI 成本视为一个重要问题，一些客户甚至在第一季度就消耗完了原本规划给全年的 AI 预算。

这件事本身或许还不足以改变行业格局，但它释放了一个值得关注的信号：市场开始讨论的已经不只是模型能力，而是成本、定价和投资回报率。

现在松动的不是「企业还用不用 AI」，而是「企业愿不愿意继续为高价 Token 无条件买单」。

Uber 总裁兼首席运营官 Andrew Macdonald 在播客中说，Token 消耗增长和「有用的消费者功能」之间的链接「还不存在」。这句话来自买单方，而不是卖方、投行或模型创业公司。

如果此前市场相信「用量就是成功」，现在进入的是第二阶段：Token 最后能不能变成收入增长、人工成本下降或利润率改善。这个问题一旦被财务部门系统性提出，AI 产业链的估值语言就会从「需求无限」转向「回报验证」。

Uber 的高采用率暴露了预算压力

Uber 的案例值得看，不是因为它不懂 AI，也不是因为它不愿意使用 AI。恰恰相反，Uber 内部对 AI 编码工具的采用率非常高。据多家媒体报道，公司约 5000 名工程师中，月使用率一度达到 84% 至 95%，单个工程师月度账单从数百美元到 2000 美元不等。

问题恰恰出在这里。当使用率足够高，账单就不再是创新部门的小额试验费用，而会变成需要被运营层解释的真实成本。据公司 CTO 此前披露，Uber 的全年 Claude Code 预算在 4 个月内就被用完。Macdonald 形容，这是一个让人「头炸」的时刻。

在企业内部，AI 工具最早往往以「提高效率」的名义进入预算。工程师更快生成代码，客服更快回答问题，运营团队更快写报告，这些都是容易被感知的变化。

但当使用规模扩大后，财务部门看的会变成几个更硬的问题：有没有带来更多收入？有没有减少真实人力成本？有没有改善利润率？

Macdonald 提到的「tokenmaxxing」现象，也说明高用量可能和高价值脱钩。所谓 tokenmaxxing，指的是团队或个人为了最大化使用 AI 工具而大量消耗 Token。使用数据看起来很好，但未必对应更好的产品结果。对 AI 服务商来说，这是收入；对企业来说，它可能只是另一种失控的云账单。

Uber 的信号比一般的「AI 工具太贵」更值得重视。

它不是在说 AI 没用，而是在说，当 AI 从试验预算进入运营预算，企业需要证明每一美元 Token 支出能带来可衡量的业务结果。高采用率不再自动等于成功，反而会率先暴露成本结构。

成本压力开始在产业链上传导

企业买方开始算账，平台也在改变收费方式。

GitHub 已宣布，自 2026 年 6 月 1 日起，Copilot 转向用量计费模式，并引入每月 AI Credits（AI 使用额度）。对轻度用户来说，这可能只是账单结构变化；对频繁使用智能体功能的开发者来说，部分重度用户反映，单次会话成本可能达到数十美元，社区讨论也随之升温。

这件事的含义是，平台不再愿意把无限使用的 Token 成本完全包在固定订阅费里。

过去，用户付一个月费，平台承担背后的模型调用成本。现在，随着智能体调用次数、上下文长度和多轮任务增加，成本压力开始被显性化。用得越多，付得越多，这是对「无限 AI」叙事的一次修正。

更值得注意的是，这种压力已经从应用层传导到模型层。

过去两年，大模型行业的主流叙事一直是降本增效和规模扩张。但随着企业采购部门开始审计 ROI，模型供应商也面临新的问题：如果客户不愿意持续为高价 Token 买单，增长要靠什么维持？

OpenAI 最近释放出的信号很典型。一边是 Sam Altman 承认企业预算正在承受压力，另一边是市场传出 OpenAI 研究进一步降价方案的消息。这意味着行业关注点正在从「模型能力是否领先」转向「单位智能成本是否足够低」。

对于企业客户来说，最重要的问题不再是哪个模型最强，而是哪个模型能在相同预算下创造更多业务结果。

微软内部削减 Claude Code 授权许可，也在同一个方向上。据 The Verge、Axios、TechRadar 等媒体报道，微软 Experiences & Devices 部门取消了大部分内部 Claude Code 许可，并转向自有 Copilot 工具。具体规模和原因仍有待更多披露，不能直接写成微软已确认因成本而削减外部工具采购。

但这个动作至少说明，大型科技公司自己也在重新分配外部模型调用成本。

这对 AI 产业链的影响，不在于某一个工具收入少了多少，而在于买方纪律开始向上传导。企业可以限制额度、选择更便宜的模型、把部分任务转向开源或自建方案，也可以要求供应商折扣。模型商和应用层公司仍然会有需求，但定价权不再只由「模型更强」决定，还要由「客户能否算得过账」决定。

云厂商也会受到影响。过去，云收入中 AI 部分的叙事很强：模型训练、推理、企业应用都需要算力，Token 用量越多，云需求越有确定性。但如果企业开始压低单位 Token 成本，或者把高频低价值任务转向更便宜的推理路径，云厂商的收入弹性就可能低于市场此前预期。

高用量需要证明高价值

企业在这个时间点开始审计，一个原因是 AI 使用已经进入足够大的样本阶段，低效部分不再容易被忽略。

Entelligence.AI 在 2026 年 5 月发布的研究分析了 2444 家组织、超过 100 万个 Pull Request。按照其测算，在每 1 美元 AI Token 成本中，只有 0.18 美元产生了触达用户的实际价值，0.44 美元用于修复 AI 引入的 Bug，0.27 美元用于返工，0.11 美元消耗在审查摩擦中。

这个数据不能写成全行业结论。它来自供应商自有研究页面，也主要反映软件工程场景，不是独立审计或学术论文。但它足以说明一个问题：企业端确实存在 ROI 审计压力，尤其是在 AI 生成内容还需要人类复核、修正和集成的场景里。

AI 工具最容易展示的是生成速度，但企业真正付钱买的是可交付结果。如果 AI 生成的代码带来更多 Bug，后续需要更多审查、返工和测试，那么前端节省的时间会在后端重新出现。对于个人用户，这可能只是体验问题；对于大型企业，这会变成财务问题和组织管理问题。

这也解释了为什么 Token 用量增长不能再被简单等同于 AI 成功。

Token 是收入计费单位，也是成本计量单位。对模型商来说，更多 Token 意味着更多收入；对企业来说，更多 Token 只有在带来更多收入、更低成本或更高利润率时，才是值得持续扩大的预算项。

如果市场此前把 Token 增长当作硬件需求的领先指标，现在需要补上另一半：Token 的价值转化率。只有当 Token 消耗能稳定转化为业务结果，云厂商的 AI 收入、GPU 订单、HBM 扩产和数据中心建设，才有更扎实的终端支撑。

支付意愿会沿产业链向上传导

宏观策略师 Andreas Steno Larsen 近期提示，Silicon Data 相关的 LLM Token Expenditure Index（大模型 Token 支出指标）是当前市场值得跟踪的图表之一。相关报道显示，该指标追踪企业为每百万 Token 支付的支出或价格水平，2026 年初明显上行后，在 5 月底附近出现回落迹象。

这里需要保留边界。Silicon Data 公开页面更多是产品介绍，指数方法和完整历史数据并未充分公开。它不能被当作硬结论，但可以作为观察企业支付意愿变化的一个信号。

Token 支出指标回落，也不等于 AI 使用量下降。

事实上，当前市场更像是在见证 AI 行业从「算力竞争」向「单位智能成本竞争」切换。企业仍然需要 AI，但未必愿意继续按照过去的价格体系采购 AI。

如果 OpenAI 最终启动新一轮价格调整，那么企业端预算压力缓解的同时，也意味着模型行业正式进入价格竞争阶段。届时市场需要重新判断：未来增长来自新增需求，还是来自价格下降后的使用量扩张。

AI 需求仍可能增长，但增长的收入含金量和上游传导弹性可能发生变化。

这对不同环节的影响并不一样。应用层和模型层首先面临价格压力：企业会要求更清晰的 ROI，减少低价值调用，或者在不同模型之间做成本切换。

云厂商面临的是收入弹性问题：同样的使用量，如果单位价格下降、缓存和批处理提高、自建方案增加，云 AI 收入增速可能不如 Token 总量增长那么好看。

再往上游，GPU、HBM、先进封装、服务器和数据中心建设交易的是未来资本开支。如果企业端支付纪律让模型商和云厂商对未来收入更谨慎，硬件订单和数据中心建设节奏就会被重新评估。

Larsen 的警告不是说硬件需求立刻消失，而是说如果 Token 定价持续走弱，市场会开始怀疑这一轮 AI 基础设施投资周期的斜率。

AI 股回调和 Token 账单审计之间，不是简单因果关系。不能说芯片股下跌就是因为 Uber 烧完预算，但它们处在同一条链上：当估值已经反映长期高增长，任何关于终端支付意愿和 ROI 的信号，都会被放大为对上游资本开支的重估。

下一步看财报里的收入弹性和订单节奏

现在的证据还不能支持「AI 泡沫已经破裂」。企业没有停止使用 AI，开发者也不会回到没有 Copilot、Claude 或其他智能体工具的状态。更合理的判断是，AI 采用正在从早期狂热进入预算纪律阶段，市场开始区分哪些用例能证明回报，哪些只是制造账单。

接下来最重要的验证，不是再找一个公司说 AI 太贵，而是看云厂商和软件公司的财报语言是否变化。微软、亚马逊、谷歌的 AI 云收入增速，能否继续保持高弹性；Copilot、Claude Code 等企业工具在用量计费后，续约、降级和投诉如何变化；这些都会比单日股价更能说明买方纪律是否正在系统性增强。

硬件端则要看 GPU、HBM 和数据中心订单有没有下修迹象。只要云厂商资本开支继续上调、先进芯片订单仍然紧张，Token 支付意愿回落就更像一次健康调整。如果云 AI 收入弹性走弱，同时上游订单和数据中心建设节奏开始放缓，市场才会把它定价成更深的周期拐点。

AI 交易没有结束，但它的定价语言正在改变。以前市场问的是「用了多少 Token」，现在要问的是「这些 Token 最后变成了多少利润」。这个差距，会决定接下来 AI 产业链估值分化的方向。

点击了解律动BlockBeats 在招岗位

欢迎加入律动 BlockBeats 官方社群：

Telegram 订阅群：https://t.me/theblockbeats

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

Twitter 官方账号：https://twitter.com/BlockBeatsAsia