AI 时代下，互联网应用应该何去何从：从流量经济到算力经济的范式迁移

概览

从边际成本、token 成本、模型分层、上下文工程、工作流嵌入、价值计费和成本治理等角度，分析 AI 时代互联网应用从流量经济转向算力经济后的产品与架构选择。

摘要

过去二十年，互联网应用的商业逻辑建立在一个核心前提上：软件的边际交付成本足够低。用户规模越大，固定成本被摊薄，服务器、带宽、研发、运维等成本占收入比例下降，企业就有机会获得高毛利和规模利润。

但生成式 AI 正在改写这个前提。一个传统 App 的一次点击、一次查询、一次刷新，往往只是数据库、缓存、搜索引擎和业务服务的组合调用；而一个 AI 化 App 的一次请求，只要经过大模型，就会变成一次真实的 token 消耗。token 不是抽象概念，它背后对应 GPU 时间、显存、内存带宽、电力、散热、SSD、网络和数据中心资本开支。

这意味着，AI 时代的软件企业不再只是“写代码、买服务器、扩大用户”的公司，而正在变成某种意义上的“算力经纪人”。如果企业不能重新设计产品形态、成本结构、定价模型和技术架构，那么 AI 不但不会降本增效，反而会把企业拖入“用户越多、亏损越大”的陷阱。

我的判断很明确：未来真正活下来的 AI 应用，不是简单把 ChatGPT 接进 App 的公司，而是能把 AI 调用变成可计量、可压缩、可分层、可定价、可复用的工程系统的公司。

---

一、传统互联网应用的利润逻辑：规模越大，边际成本越低

传统互联网应用的经济模型可以简化为：

固定研发成本 + 基础设施成本 + 获客成本 = 总成本 用户规模扩大后，单位用户成本下降，平台进入规模收益阶段。

以典型互联网系统为例，用户请求通常经过如下链路：

Client
  -> CDN / Gateway
  -> Application Service
  -> Cache / DB / Search / MQ
  -> Response

在这个模型下，大部分成本具有明显的规模摊薄特征。

比如，开发一个功能的研发成本是固定的；数据库、缓存、网关、搜索集群虽然会随着流量增长扩容，但不是每一次请求都对应一个高价值稀缺资源消耗。缓存命中、批处理、异步化、冷热分层、CDN、索引优化、连接池、对象存储等技术，都在持续降低单位请求成本。

所以过去的软件公司有一个非常强的商业优势：

用户越多，单位服务成本越低。

这就是为什么 SaaS、社交、电商、本地生活、内容社区、工具软件等行业，一旦跨过冷启动和增长阶段，就可能拥有很高的毛利率。

但 AI 接入后，这个逻辑被破坏了。

---

二、AI 应用的成本逻辑：每一次智能，都对应一次算力燃烧

大模型调用不是普通 RPC。

一次普通业务请求，可能只消耗毫秒级 CPU 时间和少量网络 IO；但一次大模型请求，尤其是复杂对话、长上下文、Agent、多模态、代码生成、知识库检索增强，可能消耗大量 token 和 GPU 推理资源。

以公开 API 价格为例，OpenAI 官方价格页显示，不同模型按输入、缓存输入、输出 token 分别计费，例如 gpt-5.5、gpt-5.4、mini、nano 等模型在每百万 token 上价格差异巨大，输出 token 通常明显贵于输入 token。(OpenAI开发者)

这说明一个关键事实：

AI 请求不是“请求次数”成本，而是“语义计算量”成本。

传统系统里，你可以把一次查询优化成缓存命中；但 AI 系统里，如果用户每次都要求模型重新理解、推理、生成，那么每次请求都会变成真实成本。

更麻烦的是，AI 应用常常不是一次模型调用，而是一串模型调用：

用户输入
  -> 意图识别模型
  -> RAG 检索
  -> Query Rewrite
  -> 主模型推理
  -> 工具调用
  -> 结果校验
  -> 二次生成
  -> 安全审查
  -> 最终回答

看起来用户只点了一次按钮，后端可能已经发生了 3 到 10 次模型调用。

这就是 AI 应用的第一性原理变化：

传统互联网应用的核心成本是“服务请求”。 AI 应用的核心成本是“推理 token”。 而 token 的边际成本，不会因为用户增长天然归零。

---

三、AI 降本增效的悖论：为了省人力，却增加了推理成本

很多企业接入 AI 的初衷是降本增效。

例如：

客服接入 AI，减少人工客服；
办公系统接入 AI，提高员工效率；
搜索接入 AI，提升答案质量；
电商接入 AI，提高转化率；
研发平台接入 AI，提高编码效率；
运营系统接入 AI，自动生成内容。

这些方向本身没有错。

错的是，很多企业把 AI 当成“免费智能插件”，而不是一套新的成本中心。

一个客服系统过去的成本主要是人工客服、工单系统、知识库维护。接入 AI 后，如果每个用户问题都直接调用大模型，而且上下文越来越长、输出越来越长、还要多轮追问，那么 AI 账单会迅速膨胀。

一个内容社区过去主要靠推荐算法、搜索、缓存和 CDN 承载流量。接入 AI 后，如果每个帖子摘要、评论总结、智能回复、内容审核、创作辅助都走大模型，成本结构会发生根本变化。

一个研发平台过去主要卖 IDE、代码托管、CI/CD、制品库。接入 AI 编程助手后，每次补全、解释、重构、测试生成、代码审查，背后都是 token 成本。用户越活跃，成本越高。

这就是 AI 降本增效的悖论：

AI 可以降低人的成本， 但它会增加机器智能成本。 如果机器智能成本不能被产品价值覆盖，所谓降本增效就是伪命题。

尤其危险的是，有些企业会把 AI 功能免费送给用户，作为增长手段。这在早期看起来能提高活跃度，但中长期可能变成财务黑洞。

AI 免费化，最容易制造“高活跃、低收入、高亏损”的坏生意。

---

四、自建大模型不是万能解：软件利润可能被硬件吞噬

很多企业看到 API 成本高，会自然想到：

那我自己部署模型，不就省钱了吗？

这个判断只对了一半。

自建模型确实可以降低一部分长期推理成本，尤其是调用量稳定、场景明确、数据敏感、模型可裁剪的企业。但是，自建大模型不是把 API 成本消灭了，而是把成本从“按 token 付费”变成了“资本开支 + 运维开支 + 硬件折旧 + 能源 + 人才成本”。

企业要面对的是：

GPU 采购成本
GPU 云租赁成本
显存和内存成本
高速网络成本
SSD / NVMe 存储成本
机房、电力、散热成本
模型部署和推理框架成本
模型压缩、量化、蒸馏成本
推理调度和弹性伸缩成本
模型安全、合规、评测成本

公开资料显示，高端 AI GPU 价格仍然非常高。例如部分市场报告估算，H100、H200、B200 等商用 AI GPU 单卡价格通常在数万美元级别，8 卡服务器可能达到数十万美元级别。(IntuitionLabs)

更宏观地看，AI 基础设施已经成为巨头级资本竞赛。有报道指出，Amazon、Alphabet、Microsoft、Meta 等巨头在 AI 基础设施上的资本开支已达到数千亿美元级别，并且 2026 年仍在继续扩大。(金融时报)

这对软件企业意味着什么？

意味着 AI 时代的利润分配链条正在变化：

过去：
用户付费 -> 软件企业 -> 少量云服务 / 服务器成本 -> 软件企业保留高毛利

现在：
用户付费 -> 软件企业 -> 模型 API / GPU / 云厂商 / 芯片 / 数据中心 -> 软件企业利润被压缩

过去软件公司吃“代码红利”；现在 AI 应用公司越来越多地被迫吃“算力差价”。

问题是，算力差价不是普通软件公司的优势。真正掌握议价权的是：

芯片厂商
云厂商
模型厂商
数据中心运营商
能源资源方
拥有海量用户和现金流的平台公司

普通软件企业如果只是把别人的大模型包装成自己的产品，长期护城河会非常薄。

我的判断比较直接：

如果一个软件企业的 AI 能力只是“调用大模型 API + 做一个 UI”，那么它不是 AI 公司，而是大模型厂商的渠道商。

渠道商可以赚钱，但很难获得高估值、高毛利和长期定价权。

---

五、互联网应用接入 AI 后，商业模型正在从“用户规模”转向“单位经济”

传统互联网更关注 DAU、MAU、留存、时长、转化率。

AI 互联网应用必须额外关注一个指标：

AI Gross Margin = AI 功能收入 - AI 推理成本 - AI 相关基础设施成本

更细一点，应该拆成：

单用户收入 ARPU
单用户 AI 请求次数
单次请求平均输入 token
单次请求平均输出 token
模型单价
缓存命中率
小模型拦截率
人工替代价值
业务转化增量

一个 AI 功能是否值得上线，不应该只看用户喜不喜欢，而应该看：

用户愿不愿意为它付费？
它是否提高转化率？
它是否降低人工成本？
它是否提高留存？
它是否形成数据闭环？
它是否有不可替代的业务壁垒？

如果答案都是否定的，那么这个 AI 功能就是“成本型玩具”。

这类功能有很多：

无差别 AI 聊天入口
每个页面都加一个 AI 总结
没有业务闭环的智能推荐语
低频使用的 AI 小助手
用户不付费的长文本生成
无法提升转化率的智能问答

这些功能看起来很先进，但商业价值很弱。

真正值得保留的是：

能直接提升 GMV 的 AI
能直接降低人工成本的 AI
能提高专业人员产出的 AI
能形成行业数据壁垒的 AI
能嵌入核心工作流的 AI
能让用户愿意升级套餐的 AI

AI 时代，软件企业必须从“功能思维”转向“单位经济思维”。

不是所有功能都值得 AI 化。凡是不能带来收入、效率、留存、转化、风控收益的 AI 功能，都应该被砍掉。

---

六、软件企业的第一条出路：AI 分层，而不是所有请求都上大模型

最错误的 AI 架构，是所有请求都直接打到最强模型。

正确做法是模型分层。

规则系统
  -> 小模型
  -> 中模型
  -> 大模型
  -> 专家模型
  -> 人工兜底

不同问题使用不同能力等级。

例如：

简单分类：规则 / embedding / 小模型
FAQ 问答：RAG + 小模型
结构化抽取：小模型 / 专用模型
复杂推理：大模型
高价值决策：大模型 + 人工审核

一个成熟的 AI 应用后端不应该是：

App -> GPT-5.5 -> Response

而应该是：

App
  -> AI Gateway
  -> Intent Router
  -> Cache
  -> Prompt Optimizer
  -> Model Router
      -> Rule Engine
      -> Small Model
      -> Medium Model
      -> Large Model
      -> Domain Model
  -> Tool Runtime
  -> Cost Controller
  -> Response

AI Gateway 将成为未来软件企业的重要基础设施。它要做的不只是转发请求，而是：

模型路由
token 预算控制
提示词压缩
上下文裁剪
语义缓存
结果缓存
多模型降级
租户级限流
用户级成本统计
请求审计
效果评估
A/B 测试
安全过滤

换句话说，AI 应用不能裸连模型。

裸连大模型，就像微服务系统裸连数据库一样，是工程上极其幼稚的做法。

---

七、第二条出路：从 Prompt 工程转向 Context 工程

很多企业把 AI 能力理解成写 Prompt。

这是浅层理解。

AI 应用真正的核心不是 Prompt，而是 Context。

Prompt 只是指令，Context 才是业务资产。

例如，用户问：

帮我分析这个客户是否值得继续跟进。

大模型本身不知道客户是谁，也不知道企业的销售阶段、合同金额、历史沟通、行业属性、回款风险、竞争对手、内部资源、客户决策链。

真正有价值的是把这些上下文组织好：

客户画像
历史订单
CRM 记录
沟通纪要
合同风险
行业知识
相似客户案例
销售阶段
企业内部规则

这才是软件企业的机会。

因为模型厂商拥有通用智能，但它不拥有企业内部上下文。

所以软件企业应该把护城河建立在：

行业知识库
业务流程数据
用户行为数据
企业私有数据
领域规则
工作流编排
权限体系
审计体系
数据闭环

未来 AI 应用竞争的关键不是：

谁的 Prompt 写得更好？

而是：

谁能更低成本、更安全、更准确地把业务上下文喂给模型？

这也是为什么 RAG、知识图谱、向量检索、结构化数据融合、权限感知检索、上下文压缩会变得重要。

Prompt 是技巧，Context 是资产。软件企业不应该迷信 Prompt，而应该建设自己的 Context Infrastructure。

---

八、第三条出路：把 AI 从“聊天框”嵌入“业务工作流”

当前很多 App 接入 AI 的方式非常粗糙：

页面右下角加一个 AI 助手
首页加一个 AI 搜索框
详情页加一个 AI 总结按钮
输入框旁边加一个 AI 生成按钮

这类接入方式的问题是：AI 和业务流程是分离的。

用户仍然需要自己判断什么时候用 AI、怎么问 AI、如何把 AI 结果搬回业务系统。

真正有价值的 AI 应用，应该嵌入工作流。

例如，在电商系统里，AI 不应该只是“帮我写商品文案”，而应该进入完整链路：

商品资料采集
  -> 标题生成
  -> 卖点提炼
  -> 图片审核
  -> 价格建议
  -> 人群匹配
  -> 投放文案
  -> 转化率分析
  -> 自动迭代

在客服系统里，AI 不应该只是“智能问答”，而应该进入：

问题识别
  -> 用户身份判断
  -> 订单查询
  -> 风险识别
  -> 解决方案生成
  -> 工单流转
  -> 满意度预测
  -> 人工接管

在研发系统里，AI 不应该只是“代码聊天”，而应该进入：

需求分析
  -> 技术方案
  -> 代码生成
  -> 单元测试
  -> Code Review
  -> CI 失败诊断
  -> 性能分析
  -> 发布风险评估

只有进入工作流，AI 才能创造可衡量价值。

单独的 AI 聊天框，用户很容易觉得新鲜；但新鲜感过后，使用频率会下降。嵌入工作流的 AI，则会成为生产系统的一部分。

AI 应用的终局不是聊天机器人，而是业务流程自动化。

---

九、第四条出路：从“免费 AI”转向“价值计费”

传统 SaaS 常见定价方式是：

按账号收费
按套餐收费
按功能模块收费
按存储容量收费
按调用次数收费

AI 时代，这些定价方式都需要重构。

因为 AI 成本和用户数不完全线性，而和使用深度、token 长度、模型等级、生成次数、Agent 步数高度相关。

所以 AI 应用更适合采用混合定价：

基础订阅费
+ AI 点数包
+ 高级模型加价
+ 长上下文加价
+ Agent 自动化任务加价
+ 企业知识库加价
+ SLA / 私有部署加价

对于企业客户，甚至应该按业务价值计费：

每节省一个客服工单收费
每生成一个合格销售线索收费
每完成一次自动审计收费
每处理一份合同收费
每完成一次代码迁移收费

这比单纯按 token 加价更合理。

原因是用户不关心 token，用户关心结果。

但是企业内部必须严密核算 token 成本。

也就是说：

对内：按 token、模型、链路、租户核算成本；
对外：按业务价值、套餐、结果、效率提升收费。

这是 AI 产品经理和架构师必须共同设计的地方。

如果产品定价完全不考虑 token 成本，技术团队迟早背锅；如果定价完全按 token 转嫁给用户，用户体验又会变差。

比较好的做法是：

免费版：小模型 + 低额度 + 强限制
专业版：中模型 + 日常额度
企业版：大模型 + 私有知识库 + SLA
旗舰版：Agent 自动化 + 私有部署 + 成本审计

AI 功能绝不能长期无限免费。无限免费 AI，本质上是在补贴算力产业链。

---

十、第五条出路：做垂直领域，而不是通用助手

通用 AI 助手的竞争非常残酷。

因为通用助手直接面对大模型厂商、手机厂商、操作系统厂商、浏览器厂商、办公套件厂商。

普通软件企业很难在这个层面胜出。

真正适合软件企业的方向是垂直领域。

例如：

AI 法务
AI 财税
AI 医疗辅助
AI 工业质检
AI 运维诊断
AI 研发效能
AI 客服
AI 教育
AI 招聘
AI 数据分析
AI 供应链
AI 金融风控

垂直领域的优势在于：

有专业知识壁垒
有行业数据壁垒
有合规门槛
有业务流程复杂度
有客户付费能力
有结果可衡量

通用助手回答“帮我写个总结”，价值很低；但垂直系统回答“这份合同里有哪些付款风险、违约风险、管辖权风险”，价值就高得多。

通用模型可以提供智力底座，但行业软件企业应该提供：

领域数据
领域流程
领域评测
领域工具
领域权限
领域责任边界

这才是可持续商业模式。

未来大部分软件企业不应该做通用 AI，而应该做行业 AI。通用 AI 是巨头战场，行业 AI 才是软件公司的主场。

---

十一、第六条出路：建设 AI 成本治理体系

过去企业会做 FinOps，治理云资源成本。

AI 时代需要 AI FinOps。

企业必须知道：

哪个用户消耗最多 token？
哪个功能消耗最多 token？
哪个 Prompt 造成输出膨胀？
哪个 Agent 链路调用次数过多？
哪个模型性价比最低？
哪些请求可以缓存？
哪些请求可以用小模型？
哪些场景应该降级？
哪些 AI 功能根本没人付费？

AI 成本治理应该成为基础设施能力。

建议每个 AI 应用都建立如下指标：

request_count
input_tokens
output_tokens
cached_tokens
cost_per_request
cost_per_user
cost_per_tenant
cost_per_feature
cost_per_successful_task
model_latency
model_error_rate
cache_hit_rate
small_model_route_rate
fallback_rate
human_handoff_rate

并且要有强制预算控制：

单用户每日 token 上限
单租户每日成本上限
单请求最大上下文长度
单 Agent 最大执行步数
单任务最大模型调用次数
低价值用户降级模型
异常请求熔断
高成本功能灰度开放

这和你熟悉的微服务治理非常像。

过去我们治理的是：

QPS
RT
错误率
限流
熔断
降级
容量

AI 时代还要治理：

TPS：Tokens Per Second
TPR：Tokens Per Request
CPU/GPU Cost Per Task
Model Cost Per Tenant
Prompt Inflation
Context Explosion
Agent Step Explosion

可以说，AI Gateway 会成为新一代服务治理入口。

谁掌握 AI 成本治理，谁才有资格大规模上线 AI。

---

十二、第七条出路：利用小模型、蒸馏、缓存和边缘模型降低成本

软件企业不能只依赖最强大模型。

成本优化的技术路线非常清晰：

1. 小模型优先

大量任务并不需要最强模型。

例如：

文本分类
关键词抽取
意图识别
格式转换
简单摘要
FAQ 匹配
敏感词检测
路由判断

这些任务完全可以用小模型、规则、embedding、传统 NLP、甚至 SQL 完成。

2. 语义缓存

用户的问题虽然表达不同，但语义可能相似。

例如：

怎么退款？
我想退货怎么办？
订单不想要了怎么处理？

这类问题可以通过 embedding 检索复用结果，而不是每次调用大模型。

3. Prompt 压缩

很多 AI 应用的 Prompt 写得极其浪费，系统提示、历史上下文、知识片段反复塞入，导致 token 膨胀。

应该做：

上下文裁剪
历史摘要
知识片段去重
结构化 Prompt
短输出约束
模板复用
cached input

OpenAI 官方价格中也区分了 cached input，说明缓存输入已经是模型计费和成本优化里的重要机制。(OpenAI开发者)

4. RAG 精准检索

RAG 不是把一堆文档塞给模型，而是要精准检索、重排、过滤、压缩。

错误的 RAG 会增加 token 成本，还会降低回答质量。

5. 模型蒸馏

把大模型在特定领域的能力蒸馏给小模型，用小模型承担高频任务。

6. 本地化和边缘推理

对于隐私敏感、低延迟、低复杂度任务，可以考虑端侧模型或边缘模型。

例如：

输入法预测
本地摘要
简单分类
图片初筛
语音唤醒
个人知识检索

但端侧模型不是银弹。它适合低成本、高频、隐私敏感场景，不适合所有复杂推理。

---

十三、第八条出路：从“卖软件”转向“卖智能结果”

AI 时代，软件企业的价值表达会发生变化。

过去用户买软件，是买工具。

例如：

买 CRM 管客户
买 ERP 管资源
买 Jira 管项目
买 IDE 写代码
买 BI 看报表

AI 时代，用户更可能为结果付费。

例如：

不是买客服系统，而是买自动解决率；
不是买代码工具，而是买研发提效；
不是买营销系统，而是买转化提升；
不是买法务系统，而是买合同风险识别；
不是买 BI 系统，而是买经营洞察。

这会推动软件企业从工具型公司变成结果型公司。

但结果型公司也有更高责任：

结果是否准确？
错误由谁承担？
是否可解释？
是否可审计？
是否可追溯？
是否符合合规？
是否有人工兜底？

所以未来的 AI 软件，不只是生成答案，还要提供证据链。

一个成熟的 AI 系统应该输出：

结论
依据
引用来源
置信度
风险提示
可执行建议
人工复核入口
审计日志

这比单纯生成一段漂亮文字重要得多。

AI 软件的价值，不是“会说话”，而是“能负责”。

---

十四、第九条出路：建立自己的数据飞轮，而不是只做模型包装

软件企业最大的危险，是变成大模型壳公司。

大模型壳公司的典型特征：

没有独占数据
没有深度流程
没有行业 know-how
没有客户系统集成
没有成本治理
没有模型优化能力
没有复用资产

这种公司短期能靠新鲜感增长，但长期会被模型厂商、平台厂商、竞品快速复制。

真正有价值的软件企业必须建立数据飞轮：

用户使用产品
  -> 产生业务数据
  -> AI 辅助决策
  -> 用户反馈结果
  -> 系统评估效果
  -> 优化模型和规则
  -> 提升业务表现
  -> 吸引更多用户

这个飞轮里，最重要的是反馈数据。

例如：

AI 推荐的销售话术是否成交？
AI 生成的代码是否通过测试？
AI 审核的合同风险是否被法务认可？
AI 客服答案是否解决问题？
AI 运维诊断是否定位根因？

没有反馈，就没有优化。

没有优化，就没有护城河。

AI 应用的核心资产不是模型调用记录，而是带结果标签的业务反馈数据。

---

十五、互联网应用未来的三种命运

我认为 AI 时代的软件企业会分化成三类。

第一类：被 AI 成本拖垮的应用

这类企业的特点是：

盲目接入 AI
所有请求打大模型
AI 功能免费
没有成本治理
没有业务闭环
用户不愿付费
模型账单持续上涨

最终结果是：用户看起来增长，财务越来越差。

这类企业会死得很快。

第二类：成为大模型生态的插件和渠道

这类企业有一定产品能力，但没有数据和流程壁垒。

它们可以赚钱，但利润会被模型厂商、云厂商压缩。

典型特征：

依赖单一模型供应商
功能容易复制
价格没有主导权
客户迁移成本低

这类企业能活，但很难成为巨头。

第三类：成为行业智能基础设施

这类企业会胜出。

它们的特点是：

深耕垂直行业
掌握业务上下文
拥有专有数据
嵌入核心流程
有 AI 成本治理
有模型路由能力
有反馈闭环
有结果交付能力

它们不是简单卖 AI，而是卖行业智能化能力。

未来最有价值的软件企业，应该长这样：

行业 SaaS
+ AI Gateway
+ Context Infrastructure
+ Domain Model
+ Workflow Automation
+ Cost Governance
+ Data Feedback Loop

---

十六、给软件企业的战略建议

1. 不要为了 AI 而 AI

所有 AI 功能上线前必须回答：

解决了什么高价值问题？
是否比传统方式更好？
是否能带来收入或节省成本？
用户是否愿意为它付费？
单位经济是否成立？

回答不清楚，就不要上线。

2. 把 token 当成数据库连接一样治理

过去优秀工程师不会随便开数据库连接，不会无限查库，不会全表扫描。

AI 时代也一样：

不要无限上下文
不要无限输出
不要无限 Agent 步数
不要所有请求上大模型
不要没有预算控制

token 是资源，不是空气。

3. 先做高价值、低频、强付费场景

不要一开始就做高频低价值 AI。

优先做：

合同审查
故障诊断
销售线索分析
代码迁移
财务分析
智能客服复杂问题
企业知识问答

这些场景用户愿意付费，能覆盖推理成本。

4. 构建 AI Gateway 和成本观测系统

没有 AI Gateway 的公司，不应该大规模 AI 化。

至少要有：

模型路由
token 统计
用户限额
租户成本
缓存
降级
审计
评估

5. 做行业数据，不要只做 Prompt

Prompt 不是长期壁垒。

长期壁垒来自：

数据
流程
系统集成
行业经验
反馈闭环
合规能力

6. 定价必须覆盖 AI 成本

AI 功能不能长期无限免费。

免费可以作为试用，但必须限制：

次数
上下文长度
模型等级
功能范围
并发能力

企业版必须把 AI 成本纳入合同。

7. 自建模型要谨慎

自建模型适合：

调用量足够大
场景足够稳定
数据安全要求高
团队有模型工程能力
有 GPU 运维能力
能做模型压缩和调度

否则，自建模型很可能只是把 API 账单换成 GPU 账单。

---

十七、最终判断：AI 不是软件行业的终点，而是软件行业的成本重构

AI 不会消灭互联网应用。

但 AI 会消灭一批成本结构错误的互联网应用。

过去，互联网企业比拼的是：

流量
增长
推荐
供应链
组织效率

未来，AI 应用还要比拼：

算力效率
上下文工程
模型路由
行业数据
成本治理
结果交付

软件企业的核心矛盾已经从：

如何获得更多用户？

变成：

如何让每一次智能调用都产生足够高的商业价值？

这是 AI 时代互联网应用必须面对的新现实。

我的结论是：

互联网应用不应该盲目 AI 化，而应该价值驱动地 AI 化；不应该把 AI 当功能，而应该把 AI 当生产系统；不应该追求“所有地方都有 AI”，而应该追求“每一次 AI 调用都有利润”。

未来的软件企业，谁能把 AI 从“炫技功能”变成“可盈利的智能基础设施”，谁就能活下来。

否则，软件企业辛辛苦苦做出来的利润，最终只会流向 GPU、云厂商、模型厂商和数据中心。