AI行业的核心矛盾正在从“能不能用”转向“用不用得起”。Sam Altman公开承认，运行AI的成本已从年初几乎无人讨论，变成企业客户面前的“巨大问题”，这让生成式AI的商业化焦点迅速转向单位经济、预算约束和投资回报。
据AI媒体Fello AI 6月3日报道，Altman在OpenAI于6月2日面向企业客户的线下活动上表示，2026年初，AI运行成本“从未被提起”，客户对支出水平“完全满意”。但到现在，AI成本已经成为企业采购和部署中的主要问题。
这番表态之所以引发关注，是因为Altman同时披露了使用量的极端变化。OpenAI最大客户之一每月消耗约1000亿个tokens，约相当于750亿个单词。而六年半前，OpenAI最高使用者的月消耗量约为10万个tokens。单一顶级用户的使用规模已放大约100万倍。
这表明AI支出进入审查阶段，企业开始设置tokens上限、切换更便宜模型、采用智能路由，模型供应商则面临收入增长与客户控费之间的张力。投资者需要关注的不再只是AI采用率，还包括推理成本、客户ROI和盈利路径。
成本问题突然浮出水面Altman的最新表态显示，企业AI支出的讨论基调已经发生变化。
Altman称，半年前企业客户几乎不担心AI花费，相关问题“从未出现”。但现在，成本已经成为“huge issue”。这意味着企业对AI的态度正在从快速试用、扩大部署，转向预算管理和效率评估。
Altman还披露，OpenAI单一最大客户每月消耗约1000亿个tokens。tokens是AI模型读取和生成内容的基本计量单位，大致相当于四分之三个单词。换言之，这一客户每月处理的文本规模约为750亿个单词。而且Altman承认，OpenAI发现公司外部还有人消耗更多tokens。
Tokens爆炸正在击穿企业预算AI账单已从技术部门的使用数据，变成企业预算问题。
Peter Steinberger，OpenClaw背后的开发者，曾发布截图显示，30天内消耗6030亿个tokens，单月费用约130万美元。报道称，在他加入OpenAI后，OpenAI承担了这笔账单。
据Fello AI援引《纽约时报》报道，一名OpenAI员工一周内消耗2100亿个tokens。McKinsey & Company作为客户也跨过每月1000亿个tokens的门槛。
企业侧的压力更直接。Uber工程团队的2026年全年AI预算在四个月内耗尽，之后公司设置了硬性tokens上限。Uber个别工程师每月AI支出在150美元至2000美元之间，Amazon也关闭了内部tokens排行榜。
Altman在活动中还引用了客户间流传的说法：“我的公司在一季度花完了整个2026年预算，你能让它更高效吗？”这句话概括了企业当前的核心诉求，AI能力仍有吸引力，但无上限使用已经难以持续。
烧钱逻辑来自低价竞争和自动化使用成本压力之所以在短时间内变得突出，关键在于AI行业早期的定价和使用模式。
在AI热潮的大部分时间里，大模型公司将服务价格压低到运行成本之下，以换取市场份额。OpenAI每获得1美元收入，约需支出1.35美元，亏损主要来自推理，也就是模型响应海量请求的成本，而不只是训练新模型的费用。
这种模式在使用量有限时可以维持。但随着智能体工具出现，AI开始循环调用、反复执行任务并自主运行，tokens消耗不再是线性增长，而是成倍放大。
Altman还提到，下一阶段可能出现“constant running proactive AI”，即持续运行、主动工作的AI智能体。如果当前企业已经难以承受按请求触发的AI成本，那么长期后台运行的AI将进一步考验预算和商业模式。
控费成为企业AI部署的新规则企业并未停止使用AI，但使用方式正在变得更克制。
最直接的变化是设置上限。Uber在预算快速消耗后，对tokens使用设定硬性限制。Amazon关闭内部排行榜，也反映出企业不再鼓励单纯追求使用量。
第二个变化是模型分层。并非所有任务都需要最贵、最强的模型。日常写作、简单问答、常规代码辅助可以由更便宜、更快的模型处理，复杂推理任务才交给高端模型。Fello AI称，智能路由可帮助许多团队节省60%至80%的成本。
第三个变化是压缩重复订阅。企业和个人此前可能同时购买多个AI产品，但实际使用往往集中在少数场景。随着财务约束加强，AI采购会更重视模型匹配、费用透明和使用效率。
这意味着AI行业的竞争重点正在从“谁的模型最强”扩展到“谁能以更低成本完成足够好的任务”。
从增长叙事转向单位经济Altman的表态不等于AI投资进入全面收缩，也不意味着行业需求崩塌。更准确地说，AI正在从早期试点和无约束扩张，进入预算纪律阶段。
对投资者来说，关键问题包括三点。
第一，收入增长是否建立在可持续的成本结构上。如果模型公司通过低于成本的价格扩大采用率，短期收入可能增长，但推理成本会压缩盈利路径。
第二，企业客户是否能看到明确回报。Altman承认，客户花了很多钱在AI上，但ROI和成本控制正在成为最公平的批评之一。预算帽、模型切换和智能路由，都会影响模型供应商的收入质量。
第三，下一代智能体是否会放大成本问题。持续运行的主动AI可能提升生产力，也可能让tokens消耗进一步失控。谁能在性能、成本和稳定性之间取得平衡，谁就更可能在企业市场获得长期优势。
AI行业的烧钱问题并非突然出现，只是现在被账单显性化了。Altman的公开承认，标志着生成式AI进入一个更现实的阶段：客户仍想要AI，但不再愿意为无限增长的tokens无条件买单。
