瑞銀：六成企業開始限制AI支出，轉向低成本模型與中國開源方案
瑞銀分析師團隊報告指出，約60%的企業已採取某種形式限制人工智能開支，主要為Token使用設置護欄。企業正通過模型路由等技術手段，將高價前沿模型從默認選項降級為按需使用的奢侈項，並開始評估部署阿里Qwen、DeepSeek等中國開源模型。一家大型全球銀行已在本地部署Qwen以平衡高端模型使用。雲廠商和硬件層所受衝擊相對有限，而軟件公司既面臨客戶預算壓縮，也迎來成為Token優化平臺的機會。
瑞銀證券分析師Karl Keirstead團隊在6月23日發佈的報告中指出，Token支出優化正在企業信息技術治理中迅速蔓延。前期調研顯示，約60%的企業已以某種方式限制人工智能開支，核心動作是為Token使用加設護欄。這意味著AI支出的成本管理已從個別企業的自發行為，演變為更廣泛的行業現象。
企業並未停用AI，而是開始審視Token賬單。在AI應用的早期階段，企業普遍鼓勵員工試用，優先追求採用率，成本紀律較弱。但隨著AI Agent和代碼工具的普及，Token消耗從小流量演變為持續運行的大流量，極端案例開始出現：有公司年內Token預算被大量消耗，被迫將內部AI工具從5個收縮至2個；有企業在AWS Bedrock上出現單個用戶單月花費3.5萬美元的情況；還有DevOps團隊成員每週Token用量達到配額的100%至200%。Databricks首席執行官將這一變化描述為“一個大減速帶，不是小減速帶”。
真正被壓縮的往往是投資回報率不清晰的使用場景。對於軟件工程師代碼產出提升、客服AI Agent減少呼叫量等可量化收益的場景，企業願意承受高Token賬單。而成本優化的關鍵手段並非簡單限額，而是模型路由——將不同任務分配給不同模型，僅對複雜推理、關鍵代碼等任務調用最昂貴的模型。以Anthropic模型定價為例，從Haiku 4.5到Fable/Mythos 5，輸出Token價格相差10倍，這一價差使得按任務選模型具有顯著的成本意義。微軟近期推出的MAI小語言模型也瞄準了這一方向，目標是為企業提供“夠用但更便宜”的選項。
降檔趨勢還推動企業更大規模地評估開源模型，尤其是來自中國的開源模型，包括阿里Qwen、DeepSeek、MiniMax、智譜GLM以及Moonshot旗下的Kimi。據報告描述，一家大型全球銀行為管理Token支出，已在本地部署Qwen，以平衡Claude等高端模型的使用。本地化部署將成本結構從按Token付費轉變為本地硬件容量配置，同時規避了使用外部託管中國模型的合規風險。雲平臺方面，AWS Bedrock的模型選項已包含MiniMax、Kimi、Qwen、DeepSeek、GLM；微軟則通過Azure AI Foundry提供DeepSeek。
在產業鏈傳導上，模型層是成本壓力的直接承壓點，雲和硬件層所受衝擊相對有限。AWS、Azure、Google Cloud已是多模型平臺，客戶從高價模型切換至小模型或開源模型，可能影響雲廠商的模型API收入增速，但只要推理仍在雲上運行，算力需求便不會消失。硬件層判斷整體偏向樂觀，新一代算力剛開始形成規模，多模態數據流需求仍在擴展算力邊界。
軟件公司處於最為複雜的位置。Salesforce、ServiceNow、Workday等大型席位制SaaS公司一方面面對客戶預算重排，另一方面推動向“席位加使用量”計費模式過渡，而客戶剛被AI賬單衝擊時，接受新計費模型的意願明顯下降。但軟件公司也握有反制牌，例如Palantir約一個月前商業化的AIP Evolve工具，在一個案例中推薦更換模型後，Token成本下降97%，上線前三週採用率達到90%。軟件公司的結構性優勢在於不綁定單一模型，可定位為模型中立的調度平臺。
分析師認為，當前Token優化更接近新技術擴散早期的成本治理，而非需求逆轉。一個保守的路徑假設是：若企業原本AI Token支出為100，預計增長至150，優化後實際可能落在120至130區間，增速被壓低而非需求倒退。瑞銀旗下Evidence Lab的調查顯示，僅8%的企業已在生產環境中大規模部署AI Agent，AI Agent真正大規模消耗Token的階段才剛開始。法律AI公司Harvey的數據也印證了優化與擴張可同時發生，其Token消耗從1月的1萬億增長至5月的12萬億至13萬億。此輪變化的結果不是AI需求消失，而是重塑贏家排序——高價模型收入增速受壓，低成本模型和路由工具受益，雲平臺繼續承接多模型部署需求，軟件公司則站在被砍預算與成為省錢工具的岔路口上。
為什麼重要企業AI成本治理從個別行為演變為行業現象，直接影響模型供應商、雲廠商和軟件公司的受益格局，尤其涉及中國開源模型的全球採用進展。