从卖Token到卖结果，大模型商业化的路正在变宽

2025年3月，通用 AI 智能体 Manus 在内测阶段刷屏，邀请码在二手平台被炒到数万元。热度很快退去，但同期发生的另一件事更值得琢磨：OpenAI 宣布支持 Anthropic 在 2024年11月开源的 MCP 协议，Google 随后跟进。

三家在模型能力上互相较劲的公司，很少在同一个技术标准上走到一起。MCP 解决的是个很朴素的问题，让模型能稳定地调用外部工具和数据。这件事看着像工程细节，却决定了大模型能不能从聊天框走进企业的报销系统、仓库和产线。

推理成本被打了下去，账才算得过来

2025年1月，DeepSeek 发布并开源 R1，权重按 MIT 协议放开。它的 API 定价把复杂推理的成本压到另一个量级，也逼着国内几家大厂在随后几个月里重新调整价格表。

成本是商业化的分母。当一次推理的调用费从几块钱掉到几分钱，过去算不过账的场景就重新变得可行。工单分类、合同条款比对、质检报告生成，这些单次价值不高但调用量巨大的任务，第一次具备了规模化的前提。

开源带来的另一个变化是部署位置。企业不必再把核心数据送到别人的服务器上，可以选择在自己的机房里跑一套私有模型。金融、能源、政务这些对数据流向极度敏感的行业，这几乎是唯一可行的起点。

从会说变成会做，中间隔着工具调用

2025年上半年，大模型一体机成了服务器厂商的标配产品。浪潮、联想、新华三先后推出搭载国产芯片的整机方案，卖点不是参数量，而是开箱即用和不出内网。

硬件能进机房，软件却未必接得上业务。企业的真实流程分散在 ERP、CRM、OA 和一堆自建系统里，模型再聪明，拿不到数据就只能空谈。

MCP 这类协议的价值正在这里。它把工具接入变成一套统一规范，模型不必为每个系统单独适配。Anthropic 开源之后半年内，社区里出现了上千个服务器实现，覆盖数据库、代码仓库、日历和支付接口。生态一旦形成，接入成本会沿着一条陡峭的曲线往下走。

收费方式正在变形

按 Token 计费是模型厂商最熟悉的模式，但对企业的业务部门并不友好。他们关心的是这单有没有解决，而不是消耗了多少字符。于是从 2024 年下半年起，一批海外厂商把定价锚点挪到了结果上。

Salesforce 在 2024年9月推出 Agentforce，采用按对话计费；Intercom 的客服 AI 产品 Fin 按成功解决的工单收费，每次约 0.99 美元；Bret Taylor 创办的 Sierra 也把定价和问题解决率绑定在一起。

这种转变的意义在于风险重新分配。厂商拿不到钱是因为没解决问题，客户不必为无效调用买单。对采购方来说，AI 项目的投入产出从预测变成了可结算的数字，审批流程会顺畅很多。

落地路径已经分叉

今天的商业化很少有统一路径，几条支线并行推进，各自适配不同的客户。

• 私有化部署走央国企和大型金融机构，预算充足，合规优先，项目周期长但复购稳定。
• 云端 API 加智能体平台服务中小客户，启动成本低，靠调用量和坐席数收费，增长快但客户黏性弱。
• 端侧和一体机面向数据不能出门的场景，硬件溢价明显，是目前毛利最好的一类生意。

国内的智能体平台也在补位。字节的扣子、阿里云百炼、腾讯元器都提供了从编排到发布的一站式工具，企业不需要养一支算法团队，就能把模型接进自己的业务流程。

Anysphere 旗下的 Cursor 提供了另一个参照。这款 AI 编程工具在 2025年年中把年化收入做到 5 亿美元级别，靠的不是卖模型，而是把模型包进开发者的日常动作里。工具做到这个位置，用户就很难换掉它。

真正卡住落地的是责任划分

模型能力在 2025年已经不是瓶颈。企业客户问得最多的问题换成了另一个：如果它给的建议是错的，谁来签字负责。

医疗、法律、信贷审批这些领域，答案直接关联到人和钱。多数企业目前的解法是保留人工复核环节，让模型做初筛而不是终审。这既限制了效率上限，也决定了单位经济模型的形状。

数据治理是另一道门槛。企业内部的数据往往散在几十个系统里，格式混乱、权限复杂，清洗和打通的成本经常超过模型本身的采购费用。项目做不下去，多数时候不是算法不行，是数据没准备好。

把技术语言翻译成业务语言

大模型商业化的路径拓宽，靠的不只是更强的模型，还有把能力拆成业务能听懂、能结算、能追责的产品形态。MCP 让接入变简单，开源降低部署门槛，按结果收费解决信任问题，三者叠加才构成一条完整通路。

Aiii人工智能创研院（Aiii.org.cn）长期跟踪大模型从技术突破到产业落地的中间环节。这类观察的价值在于，看清哪些环节正在被基础设施化的力量抹平，哪些仍要靠人力一点点磨合。

接下来的看点不在榜单分数，而在有多少业务流程愿意把关键节点交给模型，以及这些交付能否被清楚地定价。这个问题答好了，路径自然会越来越宽。