AI市場回落的另一條線：OpenAI被迫削減價格

太長不看

· Uber 的一位高層直接表示，代幣消費與實際產品改進之間的連結「尚未存在」；OpenAI 也承認，企業 AI 成本正成為一個日益現實的問題。

· 人工智慧需求並未消失，但企業正從試驗轉向投資報酬率審計，模型供應商開始討論降價，雲端、GPU 和資料中心需求的成長彈性需要重新驗證。

· 相關股票代號：NVDA、MSFT、AMZN、GOOG、MU、AVGO、AMD、TSM、ARM、ORCL。

人工智慧股票市場先前已連續上漲兩個月，但最近開始走弱回落，市場目前正在公開尋找原因。

利率、估值擁擠和獲利中斷等因素可以解釋這種回調，但市場現在正在檢驗一個更基本的假設：隨著企業消耗更多代幣，是否一定會帶來更多收入、效率和利潤。

過去兩年，人工智慧交易呈現出平穩的發展態勢。企業廣泛應用人工智慧，Token（模型中文字處理的計量單位）消耗量上升，模型供應商收入成長，雲端服務供應商出售更多算力，對GPU、HBM（高頻寬記憶體）、伺服器、資料中心和電力等設備的需求持續擴大。只要Token的使用量持續成長，市場就會將其解讀為人工智慧加速普及的標誌，從而提高上游硬體和資本支出的估值。

然而，最近的變化是，就連模型供應商自己也開始討論成本問題。

根據《華爾街日報》報道，OpenAI正在研究進一步降低模型調用價格，以應對企業預算壓力以及來自Anthropic等競爭對手的挑戰。同時，OpenAI執行長Sam Altman近期公開表示，越來越多的企業開始將人工智慧成本視為一個重大問題，有些客戶甚至在第一季就耗盡了原先的年度人工智慧預算。

雖然這項發展可能不足以改變產業格局，但它釋放出一個值得注意的訊號：市場不再只是討論模型的效能，還討論成本、定價和投資報酬率。

現在的問題不再是“企業是否還在使用人工智慧”，而是“企業是否願意繼續無條件地為代幣支付高價”。

Uber總裁兼營運長安德魯麥克唐納在一次播客節目中表示，代幣消費成長與「有意義的消費者功能」之間目前尚無關聯。這說法來自買方，而非賣方、投資銀行或新創公司。

如果說先前的市場共識是“使用量即成功”，那麼我們現在正進入第二階段：代幣最終能否轉化為收入成長、勞動成本降低或利潤率提升。一旦財務部門系統性地提出這個問題，人工智慧產業鏈的估值語言將從「無限需求」轉向「回報驗證」。

Uber的高用戶採納率暴露了預算壓力

Uber的案例值得關注，並非因為它不了解人工智慧，也不是因為它不願意使用人工智慧。恰恰相反，Uber內部對人工智慧編碼工具的採用率非常高。根據多家媒體報道，在約5,000名工程師中，每月採用率一度達到84%至95%，每位工程師每月的相關費用從幾百美元到2,000美元不等。

問題就出在這裡。當採用率夠高時，這項支出就不再是小規模創新部門的實驗性費用，而是營運層需要解釋的實實在在的成本。據該公司技術長先前透露，Uber 的年度 Claude Code 預算在短短四個月內就用完了。麥克唐納稱之為“令人震驚”的時刻。

在公司內部，人工智慧工具最初通常以「提高效率」為幌子進入預算。工程師編寫程式碼更快，客戶服務反應更快，營運團隊撰寫報告更快——這些都是很容易被感知到的變化。

但隨著使用規模的擴大，財務部門將仔細檢視幾個更棘手的問題：收入是否增加？實際的人力成本是否有所降低？利潤率是否有所提高？

Macdonald提到的「Tokenmaxxing」現像也表明，高使用量可能與高價值脫節。 Tokenmaxxing指的是團隊或個人消耗大量Token以最大化AI工具的使用。雖然使用數據看起來不錯，但這並不一定意味著更好的產品成果。對於AI服務提供者而言，這代表著收入；而對企業來說，這可能只是另一筆失控的雲端帳單。

Uber發出的信號比通常的「人工智慧工具太貴」的抱怨更有意義。

這並非否定人工智慧的實用性，而是強調當人工智慧從實驗預算過渡到營運預算時，企業需要證明每一美元的代幣支出都能帶來可衡量的業務成果。高採用率不再等同於成功；相反，它們首先會暴露成本結構。

成本壓力開始蔓延至整個供應鏈

企業買家開始仔細計算成本，平台也正在改變收費結構。

GitHub 宣布，自 2026 年 6 月 1 日起，Copilot 將過渡到基於使用量的計費模式，並推出每月 AI 積分。對於輕度用戶而言，這可能只會導致計費結構的變化；然而，對於經常使用 AI 輔助編碼功能的開發者來說，一些重度用戶反映，每次使用的費用可能高達數十美元，這引發了社區的熱烈討論。

這說明平台不再願意在固定訂閱費內完全承擔無限代幣使用的成本。

過去，使用者只需支付月費，平台則承擔底層模型推理的成本。如今，隨著人工智慧輔助編碼呼叫次數、上下文長度和多輪任務的增加，成本壓力日益凸顯。用得越多，付得越多，這標誌著「人工智慧無限」的說法正在被修正。

更值得注意的是，這種壓力現在已經從應用層傳遞到模型層。

過去兩年，大型模型產業的主流討論集中在降低成本、提高效率和擴大規模。然而，隨著企業採購部門開始審核投資報酬率，模型提供者也面臨新的挑戰：如果客戶不願意繼續為高價代幣買單，成長該如何維持？

OpenAI 近期的種種跡象頗具代表性。一方面，Sam Altman 承認企業預算面臨壓力；另一方面，市場報告 OpenAI 正在推動降價計畫。這表明，行業關注點正從「模型能力是否領先」轉向「智慧的單位成本是否足夠低」。

對於企業客戶而言，最關鍵的問題不再是哪個型號功能最強大，而是哪個型號能夠在相同的預算下帶來更多的業務成果。

微軟內部削減 Claude Code 許可證的舉措也朝著同一個方向發展。根據 The Verge、Axios、TechRadar 等媒體報道，微軟體驗與設備部門已停止使用大部分內部 Claude Code 許可證，轉而使用其自主研發的 Copilot 工具。具體規模和原因尚待進一步揭露；目前尚無法斷定微軟是否已確認因成本原因而削減外部工具採購。

然而，這項舉措至少表明，即使是大型科技公司也在重新分配外部模型推斷成本。

人工智慧產業鏈受到的影響並非體現在某個特定工具的收入下降了多少，而是體現在買方決策向上游轉移。企業可以限制預算，選擇更便宜的模型，將部分任務轉移到開源或內部解決方案，甚至要求供應商折扣。模型供應商和應用層公司仍然會有需求，但定價權將不再僅僅取決於“模型的強大程度”，還要取決於“客戶是否能夠證明其成本合理”。

雲端服務提供者也將受到影響。過去，雲端收入的驅動力主要來自人工智慧：模型訓練、推理和企業應用都需要運算能力，而更多的代幣使用會帶來更可預測的雲端需求。然而，如果企業開始降低單位代幣成本，或將高頻低價值任務轉移到成本較低的推理路徑上，雲端服務供應商的收入彈性可能會低於市場預期。

高使用率需要證明高價值的合理性。

現在企業進行審計是有原因的：人工智慧的使用已經達到了足夠大的樣本階段，低效率的部分不再容易被忽略。

Entelligence.AI 於 2026 年 5 月發布的研究分析了 2444 個組織和超過 100 萬個 Pull Request。據他們估計，每 1 美元的 AI 代幣成本中，只有 0.18 美元產生了實際的用戶價值，0.44 美元用於修復 AI 引入的錯誤，0.27 美元用於返工，0.11 美元則消耗在審核流程中。

這些數據不應被視為業界普遍結論。它來自供應商的專有研究頁面，主要反映軟體工程場景，並非獨立審計或學術論文。然而，它足以說明一個問題：企業方面確實存在投資回報率審計的壓力，尤其是在人工智慧產生的內容仍需手動審核、修正和整合的情況下。

人工智慧工具最容易展現的是產生速度，但企業真正付費的是最終交付的成果。如果人工智慧產生的程式碼引入了更多錯誤，需要額外的審查、返工和測試，那麼前端節省的時間最終會在後端重新消耗。對於個人使用者而言，這可能只是一個體驗問題；但對於大型企業來說，這會演變成一個財務和組織問題。

這也解釋了為什麼代幣使用量的成長不能再簡單地等同於人工智慧的成功。

代幣是收入計費和成本計量的單位。對於模型供應商而言，代幣越多，收入就越多；對於企業而言，只有當增加代幣能夠帶來更多收入、降低成本或提高利潤率時，增加預算才值得。

如果說市場先前將代幣成長視為硬體需求的領先指標，那麼現在需要補充另一半：代幣價值轉換率。只有當代幣消費能夠持續轉化為實際業務成果時，雲端服務供應商的AI收入、GPU訂單、HBM擴容以及資料中心建置才能獲得更堅實的終端支撐。

支付意願將沿著價值鏈向上傳遞。

宏觀策略師 Andreas Steno Larsen 近期指出，Silicon Data 旗下的 LLM 代幣支出指數（大型模型代幣支出指數）是當前市場值得關注的關鍵指標之一。報告顯示，該指數追蹤企業購買每百萬個代幣的支出或價格水平，該指數在 2026 年初出現顯著上漲，隨後在 5 月底左右出現回調跡象。

這裡需要注意一點。 Silicon Data 的公開頁面更像是產品介紹，其指數的計算方法和完整的歷史數據並未完全公開。因此，它不能被視為最終結論，但可以作為觀察企業支付意願變化的一個參考訊號。

代幣支出指數的下降並不一定意味著人工智慧使用量的下降。

事實上，目前市場更像是見證了人工智慧產業從「算力競爭」轉向「單位智慧成本競爭」的轉變。企業仍然需要人工智慧，但他們可能不願意繼續沿用先前的定價體系來購買人工智慧產品。

如果 OpenAI 最終啟動新一輪價格調整，這將緩解企業方面的預算壓力，並標誌著模型產業正式進入價格競爭階段。屆時，市場需要重新評估：未來的成長將來自新增需求，還是來自價格下降後用戶數的成長？

人工智慧需求可能仍會成長，但這種成長的價值和上游傳輸彈性可能會改變。

這種影響在各個階段有所不同。應用層和模型層將首先面臨價格壓力：企業將要求更清晰的投資回報率，減少低價值調用，或在不同模型之間切換的成本。

雲端服務供應商面臨收入彈性問題：在相同的使用量下，如果單位價格下降、快取和批量處理增加、自建解決方案增多，雲端 AI 收入的成長率可能不如代幣總量的成長那麼令人印象深刻。

再往上游看，GPU、HBM、先進封裝、伺服器和資料中心建置等交易都涉及未來的資本支出。如果企業支付紀律導致模型供應商和雲端服務供應商對未來收入更加謹慎，那麼硬體訂單和資料中心建置的步伐將會被重新評估。

Larsen 的警告並非硬體需求會立即消失，而是如果代幣價格繼續走弱，市場將開始質疑這個人工智慧基礎設施投資週期的斜率。

AI股票回檔與代幣計費審計之間並非簡單的因果關係。不能說晶片股下跌是因為Uber耗盡了預算，但它們確實存在關聯：當估值已經反映出長期高成長預期時，任何關於終端用戶支付意願和投資回報率的訊號都會被放大，從而引發對上游資本支出的重新評估。

下一步：查看財務報告中的收入彈性和訂單節奏

現有證據並不支持「人工智慧泡沫破裂」的說法。企業並未停止使用人工智慧，開發人員也不會回到沒有Copilot、Claude或其他智慧工具的狀態。更合理的評估是，人工智慧的應用正從早期的熱情轉向預算控制，市場開始區分哪些應用情境能帶來投資回報，哪些只是徒然支出。

接下來最重要的驗證並非尋找另一家聲稱人工智慧成本過高的公司，而是觀察雲端服務供應商和軟體公司財務報告中措辭的變化。微軟、亞馬遜和谷歌的人工智慧雲端營收成長率能否維持高彈性？在採用按使用量計費模式後，Copilot 和 Claude Code 等企業級工具的續約、降級和投訴情況會發生怎樣的變化？相較於單日股價波動，這些因素更能反映消費者自律性是否系統性地增強。

在硬體方面，密切關注GPU、HBM和資料中心訂單減少的跡象至關重要。只要雲端服務提供者繼續增加資本支出，且高階晶片訂單保持緊張，代幣支付意願的下降看起來更像是一種健康的調整。只有當雲端AI收入彈性減弱，同時上游訂單和資料中心建設速度開始放緩時，市場才會將其視為更深層的周期性轉折點。

人工智慧交易尚未結束，但其定價語言正在改變。過去，市場關注的是“使用了多少代幣”，而現在則需要關注“這些代幣最終帶來了多少利潤”。這種差異將決定人工智慧產業鏈上估值差異化的方向。