买了 AI，业务却没变好？Palantir CEO卡普为什么说企业在交“财富税”？

题图摄于加州 Fremont

企业不该只为调用量付费，更该为可验证的结果买单

导读 卡普炮轰的，不只是 OpenAI、Anthropic 的 token 账单，而是企业 AI 最难回答的一笔账：调用越多，为什么业务结果不一定越好？

企业正在为一件事买单：买了越来越贵的 AI，却没有拿到越来越清楚的结果。

上周，Palantir 首席执行官亚历克斯·卡普（ Alex Karp ）在 CNBC 的采访中谈到 token 收费时说：“出了大问题。”他讽刺一些企业把时间耗在 token 上，既拿不到足够价值，又担心数据、知识产权和竞争优势被带走；这样的账单，在他口中近似一笔“财富税”。

主持人问他是不是太生气了，卡普回得很硬：这不是个人情绪，而是“美国企业的声音”。

我看完这段采访后，真正记住的不是卡普的火气，而是他把很多企业私下抱怨的话挑明了：企业买 AI，究竟是在买算力消耗，还是在买业务结果？这两件事，听起来只差几个字，做起项目来却是两套完全不同的逻辑。

一、Token 不是原罪，问题是它很容易把人带偏

说实话，我并不是反对按 token 收费。模型理解问题、生成内容、调用工具，都要消耗算力；用 token 计量成本，就像云计算按 CPU、存储和流量收费，合理、透明，也适合企业从小范围试用开始。

但我觉得，token 最大的问题不在于贵，而在于它太容易让企业把“使用量”当成“价值”。知识库被问得更多、智能体连跑二十轮、会议纪要每天生成几百份，只能证明系统很忙，不能证明业务真的变好了。

很多企业 AI 项目的尴尬正在这里：客服没有少转人工，合同没有更快通过，研发也没有明显提速，账单却先长出来了。老板们其实不关心 token，他们只关心三件事：成本降没降？人少没少？错犯没犯？

在我看来，能进入管理层报表的，不该是“本月调用了多少 token”，而应是一次解决率、处理时长、人工介入率、错误率和收入贡献。再流畅的回答、再长的上下文，如果回答不了这些问题，就很容易沦为昂贵的玩具。

二、结果付费不是口号，但它有自己的边界

我很认同“为结果付费”的方向，但也不认为它是什么万能药。它最适合结果清晰、边界稳定、容易验收的任务。客服就是一个典型场景。Intercom 的客服智能体 Fin 按 outcome（结果）计费，每个 outcome 为 0.99 美元。它不会画大饼承诺增收，而是把 “有效服务” 定了清晰标准：客户在最后一次 AI 回复后没有再请求帮助，或完成预设流程并顺利交接给人工或工作流；一段对话只计一次费。

我觉得这个案例最值得借鉴的，不是 0.99 美元的价格，而是它把收费依据从单纯模型调用，锚定到了一个可观察的业务闭环。客户的问题有没有被妥善推进，比模型说了多少话更重要。

但到了合同审核、研发、供应链或制造现场，结果往往由模型、流程、员工和市场共同决定。如果强行要求厂商承诺固定降本金额，最后只会落进空口号式合同。。更现实的方式，是“按任务验收 + 服务水平约定”：按完成的标准合同初审量或单据处理量结算，同时约定抽检准确率、人工复核率和处理时限。国内企业原本就熟悉的项目制、按有效处理量结算，反而比那个0.99美元更适合作为参照。

三、也替 OpenAI 们说一句

聊完计费模式，我们也客观地站到大模型厂商的角度看一看。 OpenAI和Anthropic 的反驳同样成立：基础模型提供的是通用能力，不是企业最终利润。企业既没有重构流程，也没有准备好数据，连人工兜底机制都没设计，却反过来要求模型供应商为经营结果负责，这不公平。

我见过不少项目，把一个聊天窗口发给员工，就以为完成了智能化。现在的 AI 很像三国里的诸葛亮：出谋划策一流，却不能自己骑马冲锋。企业需要的不是更多会说话的诸葛亮，而是能在权限范围内真正干活、遇到异常会转交、做完事情能留痕的“AI 员工”。

这里的“AI 员工”不是替代人，而是与人协同完成标准化、可审计的任务：把人从重复判断和搬运中解放出来，把复杂例外和最终责任仍留给人。基于这个前提，token 计费不会消失；它只是不能再被当成价值证明。

四、比价格更危险的，是企业慢慢失去选择权

卡普还担心，企业会不会把数据、知识产权和业务经验，无意中交给未来可能与自己竞争的模型公司？这句话很有煽动力，但我认为必须把情绪和事实分开。

OpenAI 和 Anthropic 都公开表示，其企业产品和 API 默认不使用商业客户的输入输出训练模型，除非客户主动选择参与相关安排。不能把“企业数据必然被拿去训练”当作既定事实。

但企业真正要担心的，也不只是谁拿数据训练。数据放在哪里？日志留多久？提示词、知识库和工作流资产归谁？价格变了、模型变了——系统还能不能迁移？对我来说，这才是“主权 AI”在企业语境里的实际意思：不一定什么都本地部署，但不能把核心数据和关键流程完全交给单一供应商。

我更倾向于混合架构。一般文案、翻译、会议纪要可以调用外部先进模型；涉及客户隐私、核心财务、生产工艺和关键决策的任务，则放在本地或受控环境中，并保留审计与切换能力。企业真正要守住的，不是某一个模型，而是自己对业务能力的控制权。

五、卡普为什么急？因为这是一场定价权之争

这当然不是一次单纯的吐槽。采访前两天，Palantir 刚与英伟达宣布合作，将 NVIDIA Nemotron 开放权重模型部署到“主权环境”中，面向政府和关键基础设施客户。它想讲的是另一套故事：模型可以来自不同供应商，但数据、权限和最终执行流程，应掌握在客户手里。

我认同卡普对“只卖 token、不讲结果”的批评，但也不会把 Palantir 的方案当成天然答案。大模型公司可能造成锁定，流程平台同样可能造成锁定；供应商换了，企业也未必自动拥有了主权。

说穿了，模型公司希望模型成为统一入口，企业 AI 服务商希望掌握流程编排、数据治理和系统集成，企业客户则想既用到最强模型，又不被成本、数据和供应商锁死。企业 AI 最难、也最值钱的部分，常常不在模型接口，而在模型之外：数据怎么接，流程怎么改，责任怎么划，结果怎么验收。

六、企业应该怎样算这笔 AI 账

我认为成熟的企业 AI 采购不该先问“哪个模型最强”，而该先问：这个场景到底要改善什么结果？在我会参与的采购讨论里，至少会把下面四件事摆到台面上。

• 先定义结果，再选择模型。不要先买“万能助手”，再逼业务部门找用途。
• 把成本和结果放进同一张表。除了 token、席位和算力，也看解决率、处理时长、人工介入率、错误率和收入贡献。
• 按场景选择付费方式。低风险任务可按 token 或席位；高频、标准化任务可尝试按任务或结果；复杂核心业务更适合“用量 + 订阅 + 项目交付”的组合
• 把退出权和切换能力写进合同。签合同之前，我会先拿四件事去问供应商：

企业不会拒绝为 AI 付费。企业真正不愿意付费的，是一套无法证明结果，却不断要求增加消耗的 AI。

所以，下次大模型销售拿着 API 报价单走进会议室，企业最该问的也许不是：“每百万 token 能不能再便宜一点？”

而是：“这笔钱，最终替我解决了什么问题？”

你觉得，按结果付费最难落地的环节是什么：如何定义结果、如何验收，还是如何划分责任？欢迎在评论区聊聊。