By PanZhengQi in VMCardio —

AI单价下降下企业账单增长的真实成本逻辑

2026-09-23，Zylo发布分析称，其数据中AI原生软件支出同比增长334%，带AI功能的SaaS支出同比增长143%；同日多篇报道也指向一个共同问题：模型单价下降，并不必然带来企业AI总账单下降。

2026-09-23，Zylo发布分析称，其数据中AI原生软件支出同比增长334%，带AI功能的SaaS支出同比增长143%；同日多篇报道也指向一个共同问题：模型单价下降，并不必然带来企业AI总账单下降。（来源 1、来源 2）

核心判断

本次事件的核心，是企业采购和使用AI的成本结构正在从单一订阅或API单价，转向由直接AI软件和内嵌AI功能的SaaS决定，也由代理式工作流、多轮调用和缓存命中，以及人工复核和供应商条款共同决定。Zylo披露的334%与143%分别对应AI原生软件和带AI功能SaaS两个口径，不能相加，也不应写成全球全行业统计；它更适合作为企业软件组合中AI成本扩散的信号。（来源 1、来源 2）

AI单价下降下企业账单增长的真实成本逻辑

对企业财务和IT团队来说，更实用的判断是，单Token或单模型请求价格下降，可能降低某些调用的边际成本，但总账单仍可能因为使用量扩大、代理循环增加、许可证扩散或高价值场景上线而继续增长。Fortune报道中，McKinsey的Tanguy Catlin提出费用管理需要看用例、业务单元和代理，以及模型和用户；这说明成本治理的单位正在从“买了多少席位”扩展到“哪类任务消耗了多少资源并产生了多少可验证结果”。（来源 2）

新事件与时间线

Zylo的触发性信息发布于2026年9月23日。新闻稿未披露本次同比口径的具体样本数量、起止区间、同群追踪方式以及均值或中位数。（来源 1）

同一天，Fortune报道了前一日McKinsey Live虚拟讨论，主题是代理式AI经济性；Open Data Science也报道了GPT-6 Sol和Luna的API可用性与较低价格。三条信息构成了同一问题的不同侧面，Zylo提供企业软件支出增长信号，Fortune转述McKinsey关于代理任务成本的解释，ODSC提供模型API单价下降的背景。它们并不互相验证同一个统计结论，尤其不能说Fortune或ODSC独立证实了Zylo的334%。（来源 2、来源 3、来源 1）

多来源证据

Zylo给出的企业支出口径显示，大型组织中的增长更明显：员工超过10000人的企业AI原生支出同比增长507%；员工2501至10000人的组织在带AI功能SaaS上的支出同比增长447%。这些数字说明AI费用已不只出现在实验性工具采购中，也可能进入常规SaaS合同、附加模块或功能包；但来源没有披露行业分布、地域分布以及合同结构，因此不能据此推断所有企业都会出现同等涨幅。（来源 1）

Fortune报道提供了为什么“单位智能更便宜、总账单更高”可以同时成立的解释。Hämäläinen认为，能力相近的模型现在可以以更低成本运行，但企业让模型承担了更多推理和工作，尤其是自主代理场景；Catlin则强调，费用管理没有单一杠杆，需要从可见性、工作流优化和采购纪律共同入手。这是观点和管理框架，不是对Zylo数据的复核。（来源 2）

ODSC报道则显示，至少在其描述的标准API请求范围内，GPT-6 Sol和Luna面向开发者提供了明确的输入、输出和缓存价格：标准请求最高272000输入Token时，Sol为每百万输入Token2美元、每百万输出Token10美元，Luna为每百万输入Token0.10美元、每百万输出Token0.50美元，缓存输入另有更低价格。该信息只适用于ODSC所称API价格和请求条件，不能与订阅席位月费、企业套餐额度或其他产品积分混用。（来源 3）

结构性变化与相关方影响

对企业采购方而言，受影响的用户群至少包括三类，直接向ChatGPT、Claude、Cursor等AI原生软件付款的团队；在CRM、协作、开发和数据分析等既有SaaS中启用AI功能的部门；以及通过API构建内部工具、客服、编码代理或自动化流程的工程团队。前两类更容易表现为供应商合同、席位、附加费或套餐变化，第三类则更容易表现为用量、调用链、缓存和超额消费的波动。（来源 1、来源 3）

单任务成本的管理难点在于，企业最终买的是一次问题解决、一次代码修复、一次客户回复或一次业务流程完成。代理可能为了同一目标多次读取上下文、调用工具、改写结果并请求复核；如果成功率、复核时间和失败重试没有进入成本核算，API单价下降也可能被更长的执行链抵消。企业预算评估因此需要同时看供应商账单和任务结果，而不是只看模型价格表。（来源 2）

财务侧的影响也会更分散，同一业务目标可能同时出现在信用卡或采购系统中的AI工具付款，SaaS供应商的AI附加项、云账单中的模型调用，以及内部项目的人工复核工时。Zylo称其产品方向包括把基于用量的AI和传统SaaS支出统一到一个记录系统，这反映出企业对账难点已经从“有没有买软件”扩展到“谁在以什么方式消耗AI能力”。（来源 1）

三种情景

以下为用于预算评估的条件性情景，不是趋势预测。基准情景中，若模型API价格下降，而新增用例和调用量增长超过单位价格下降带来的节省，企业AI账单仍可能增长或保持较大波动。原因是更多部门把AI从试点带入日常工作，AI原生工具和内嵌AI SaaS同时扩张；同时，代理式工作流增加多轮调用和工具调用。这个情景并不要求每个模型都涨价，也不要求每项任务都更贵，只需要新增用例和调用量增速超过单位价格下降带来的节省。（来源 1、来源 2）

扩张情景是，企业在编码、客服以及知识管理和业务自动化中更积极部署代理，低价模型和缓存价格降低了试验门槛，却带来更大总调用量、更复杂供应商组合和更多超额使用风险。ODSC报道中的Sol和Luna定位分别覆盖更高要求的迭代工作和更高量、预算更紧的任务，这类分层价格有利于企业做模型路由，但也要求工程团队明确哪些任务需要高复杂度模型，哪些可以使用低成本模型。（来源 3、来源 2）

效率改善情景是，企业通过模型路由和缓存复用，限制不必要的代理循环，清理未使用许可证、管理配额和谈判供应商条款，使单位任务成本更可控。若缓存命中提高、低复杂度任务迁移到低价模型，复核时间下降，并且高价值场景能带来可衡量收益，则总账单即使继续增加，也可能更接近业务产出增长，而不是单纯的费用外溢。能够推翻这一乐观判断的新证据包括：任务成功率不足、人工复核工时持续上升，缓存效果低于预期或供应商套餐把低价API节省转化为其他费用。（来源 2、来源 3）

持续监测指标

企业应持续观察的第一组指标，是软件采购口径下的AI费用归属：AI原生工具供应商付款、带AI功能的SaaS合同或附加模块，以及部门级自助购买；还包括许可证使用率、续费涨幅和供应商集中度。Zylo披露的增长说明费用正在跨产品组合扩散，因此只盯单个AI平台账单，可能低估已经嵌入传统SaaS合同中的AI成本。（来源 1、来源 2）

第二组指标，是API和任务执行口径下的单位经济性：输入与输出Token、缓存输入占比和长上下文请求比例；代理循环次数、工具调用次数和失败重试；任务成功率、人工复核时间以及按业务单元分摊的成本。若只记录API总额，企业很难判断增长来自正常业务放量、设计浪费，还是模型选择不匹配。（来源 2）

第三组指标，是财务对账和付款风险：供应商账单、内部采购记录和卡片或账户交易记录，需要能对应到具体业务责任方；项目预算归属和超额消费通知也需要能对应到具体业务责任方。需要注意，付款限额、预算阈值或卡片控制只能帮助发现或约束部分交易风险，并不等于已经停止云端资源使用、取消供应商合同或免除已发生账单。（来源 1、来源 2）

分析限制

首先，Zylo新闻稿披露了同比增长比例和部分企业规模分组，但没有在正文中披露本次分析的具体样本数量和样本选择方式，也没有披露起止时间和同群追踪口径，行业构成、地区构成以及均值或中位数。因此，334%、143%、507%和447%应被视为Zylo数据集中的支出增长信号，而不是可直接外推到全球所有企业的软件支出统计。（来源 1）

其次，Fortune报道中的McKinsey观点解释的是成本机制和管理框架，不是对某一企业账单的审计结论；代理任务成本可能高度可变，但具体波动取决于任务设计和模型路由，也取决于上下文长度、缓存策略和复核要求。企业不能仅凭“模型更便宜”或“代理更昂贵”作预算结论，而应在自己的任务集上做成本、质量和人工复核测试。（来源 2）

最后，ODSC关于GPT-6 Sol和Luna的价格与评测信息来自其报道口径，且价格限定于标准API请求和特定输入Token范围；报道也提示不同处理层级和更长提示有不同费率，评测结果来自特定设置。企业若要把这些模型纳入生产预算，需要把API价格和订阅套餐分开核算，也要把内部开发工时、质量阈值和复核流程分开核算，不能把某一项Token价格下降自动等同于总账单下降。（来源 3）

VMCardio 观察

VMCardio观察企业AI支出时，更应关注已确认的充值、开卡和支付，以及卡片限额、交易记录与对账归属。卡片限额可约束付款金额，交易记录可用于核对支出；这些能力不能替代供应商账单和资源用量管理，也不代表停止资源消耗或取消应付账单。

VMCardio 官网

参考资料