过去两年，AI行业像在参加一场没有终点的考试：参数要更大，榜单要更高，上下文要更长，发布会上的每一个数字都必须压过对手。可当企业真正把AI接进客服、营销、代码开发和内部审批后，问题突然变了——不是“谁最强”，而是“谁最合适、谁更便宜、谁更可控”。

竞争焦点正在从单一模型能力，转向路由分发、成本控制、数据治理、部署方式和算力效率。换句话说，大模型仍然重要，但它开始从舞台中央退到系统内部，成为可以被组合、替换和调度的一块“发动机”。

一、企业不再迷信“最强模型”

模型能力还在进步，但企业的采购逻辑已经变得现实。一个能在基准测试中多拿几分的模型，如果调用价格高、响应慢、数据不能落在本地、接入业务系统又很麻烦，最终可能输给一个“没有那么强、但够用”的模型。

尤其当AI从试验项目进入生产环境，调用量会从每天几百次变成几万次、几百万次。此时，每百万Token相差几美元，乘上庞大的请求量，就会变成一笔无法忽视的成本。企业CFO关心的不是模型在排行榜上排第几，而是每完成一张工单、生成一段代码、审核一份合同，到底要花多少钱。

Perplexity研究团队展示的搜索增强模型训练视觉图

二、模型不再是产品，真正的产品是“协调系统”

Srinivas给出的判断很直接：模型本身不再是核心产品，真正关键的是把模型放进业务框架、连接工具和数据，并让系统知道什么时候该用什么模型。

一条普通客服咨询，可能只需要便宜的小模型；一段复杂代码的排错，才值得调用昂贵的前沿模型；涉及隐私的内部文件，可以交给本地部署模型；需要最新信息时，再调用搜索工具。用户看到的是一次完整回答，背后却可能经历了“分类—路由—检索—工具调用—模型升级—结果校验”的一整套流程。

这意味着，未来AI产品的护城河未必是“我独家拥有某个模型”，而可能是：我更懂用户意图、更了解业务流程、更会调用工具、更能控制成本，也更能在不同模型之间平滑切换。

三、路由器从幕后走到台前

这种变化已经不是概念。亚马逊云科技推出的Bedrock智能提示路由，会根据请求内容，在同一模型家族中动态选择更合适的模型。AWS公开称，在不牺牲准确率的前提下，智能路由最高可降低约30%的成本。

它背后的逻辑并不复杂：简单问题交给更快、更便宜的模型；只有当任务复杂度上升时，才升级到更强模型。对企业而言，这就像给AI系统装上了一个“自动挡变速箱”，不需要每一次都用最高档烧油。

Amazon Bedrock智能提示路由模型选择界面

四、价格差距，正在改写模型选择

公开价格已经把问题摆到了桌面上。Perplexity Agent API在2026年7月列出的价格显示，不同模型每百万输出Token的价格可以相差十几倍甚至二十倍。高端闭源模型依然拥有更高的能力上限，但对于大量日常任务，企业很难忽视低成本模型的吸引力。

Perplexity Agent API公开价格快照（2026年7月；能力不可直接等同）

以公开价计算，GPT-5.6 Sol的输出价格约为GLM 5.2的6.8倍，是Gemini 3.1 Flash Lite的20倍。当然，这并不等于便宜模型能完成同样复杂的任务。真正的价值恰恰在于：系统先判断任务是否需要“顶配”，再决定是否付出这笔溢价。

五、开源模型从“技术玩具”进入企业生产

开源模型的进步，让企业第一次拥有了更大的选择权。财联社报道提到，Perplexity预告的新系统将让中国智谱的GLM 5.2承担更多低成本任务，只在必要时调用更强模型。

Ollama则在2026年7月披露，其平台已有890万开发者使用，并称服务已进入85%的《财富》500强企业。需要说明的是，“85%”是Ollama自己的业务口径，并非第三方审计数据，但它仍能反映出一个趋势：开源模型已经从个人电脑上的尝鲜工具，逐渐进入航空、保险、医疗等更重视隐私和控制权的行业。

Ollama联合创始人 Jeff Morgan 与 Michael Chiang

不过，开源不等于零成本。模型可以免费下载，但硬件、运维、量化、升级、漏洞修复、合规审计和效果评测都需要人力。对很多中小企业来说，直接调用云端API仍然更省事；对数据敏感、调用量巨大或需要深度定制的企业，本地部署才更有吸引力。

六、“90%的Token来自开源模型”是一种激进预测

Benchmark合伙人Peter Fenton提出了一个非常激进的判断：未来18到24个月，超过90%的Token可能由开源模型生成。这不是已经发生的事实，也不是行业共识数据，而是一位投资人的趋势预测。

但这句话值得重视，因为它点出了前沿模型公司的压力。如果大量常规任务被“足够好”的开源模型接走，OpenAI、Anthropic等公司最赚钱的推理业务就会面对价格下压。前沿模型仍然能卖高价，但必须把高价留给真正复杂、真正关键的任务，而不是所有请求。

七、数据中心不会消失，但工作会被重新分配

AI走向本地，并不意味着大型数据中心失去价值。更可能出现的是混合系统：常规摘要、分类、简单问答在电脑、手机或企业服务器上完成；复杂推理、超大上下文和高并发任务继续送往云端。

这会改变算力需求的结构。未来不只是追求最强GPU，还会更关注推理芯片、内存带宽、能耗、模型压缩和边缘设备。谁能用更少的电、更少的显存、更短的延迟生成“足够有价值的Token”，谁就更有竞争力。

八、AI下半场，谁可能真正拿走利润？

模型公司不会失去价值，但“只靠模型领先”会越来越难。能力差距在缩小，价格竞争在加剧，企业又希望避免被单一供应商锁定。真正能持续赚钱的，可能是那些把模型、数据、工具和业务流程整合起来的公司。

对普通企业而言，最重要的不是押注某一家模型厂商，而是建立可替换的架构：模型可以换，数据仍在自己手里；价格上涨可以切换，效果下降可以回退；每一次调用都能追踪成本，每一个关键结果都能评测质量。

结尾：AI不再追求“一把锤子敲所有钉子”

AI上半场解决的是“模型能不能做”；下半场解决的是“这件事值不值得用它做、该用哪个模型做、怎样做得更便宜、更安全、更稳定”。

大模型的能力仍会继续突破，但企业不会再为每一次请求都买最贵的算力。未来的AI系统更像一支分工明确的团队：便宜模型处理日常工作，专业模型解决特定问题，最强模型只在关键时刻出场，而路由、工具、数据和评测负责把它们组织起来。

真正的竞争，已经从“造出一台最强发动机”，走向“造出一辆最省油、最好开、还能随时换发动机的车”。这才是AI下半场最值得关注的变化。