Ramp 顶级企业 AI 支出下滑，给超大规模云厂商增长押注带来挑战

尽管企业 AI 消费多年来快速扩张，Ramp 上 AI 支出最高的企业用户在 8 月的支出仍下降了 9.7%。这一降幅使 AI 使用企业中排名前 1% 的公司每名员工月度支出从 7,976 美元降至 7,205 美元。夏季放缓可以解释其中一部分原因；Token 成本下降以及对更低价模型日益增长的偏好，则指向了一个影响更深远的解释。

同一份数据表明，企业采用率仍在上升，但幅度微弱。Ramp 发现，其 56% 的客户在 8 月购买了 AI 产品，仅比 7 月高出 0.4 个百分点。这种组合——采用放缓，加上最大客户的支出下降——挑战了基础设施繁荣背后的假设。

OpenAI、Anthropic 及其超大规模云厂商合作伙伴需要不断扩大的使用量，以抵消单位价格下降的影响。企业买家越来越希望以最低成本，选择能够可靠完成各项任务的模型。销售更多智能能力与交付更低成本结果之间的差异，如今正处于 AI 经济学的核心。

Ramp AI 支出在 8 月失去增长动能

8 月的下滑之所以重要，是因为它出现在那些被预期将推动未来 AI 收入不成比例增长的客户群体中。

Ramp 的最新分析基于来自逾 7 万家企业的匿名交易数据。这个金融平台追踪 AI 订阅和 Token 使用的付款，为企业采购提供了直接视角。

9 月 AI 指数显示，采用率在 8 月仍持续增长。然而，其增速已放缓到足以引发疑问：在经历数月高强度扩张后，需求是否仍能保持强劲。

Anthropic 在 Ramp 所测量企业中的采用率达到 43.8%，环比提升 0.34 个百分点。OpenAI 则仅上升 0.09 个百分点，达到 39.8%。

这些比例衡量的是向各提供商付费的公司，而不是排他性的市场份额。企业可以同时购买多家 AI 供应商的产品。Ramp 此前发现，使用 OpenAI 或 Anthropic 的客户中，52% 同时使用两者。

更令人意外的变化出现在支出强度上。排名前 1% 的采用者中，每名员工的月度 AI 支出从经修订后的 7 月数据 7,976 美元降至 7,205 美元。

Ramp 提醒称，这一群体包含的企业数量相对较少。因此，其估算值比中位数企业或前 10% 企业的数据波动更大。延迟入账的交易也促使 Ramp 上调了 7 月的结果。

这种方法论上的提醒，意味着不能将单月波动视为持续退潮的证据。但这并不使下滑变得无关紧要。前 1% 的企业贡献了模型提供商可获得收入中的异常高份额。

这些重度采用者与典型企业存在显著差异。Ramp 的夏季支出数据显示，7 月每名员工的 AI 月度支出中位数为 11.95 美元。前 10% 的企业支出约为 650 美元，而前 1% 超过了 7,400 美元。

这一差距说明，整体采用率可能具有误导性。新增一家参与程度较低的客户，无法弥补一家在整个运营体系中部署 Agent、编码系统和自动化工作流的公司所减少的支出。

8 月历来也是活动疲软的时期。Ramp 观察到，2025 年 8 月至 10 月期间，采用率几乎没有增长，随后在年末附近重新扩张。工程团队通常会在夏季休假，从而减少交互式和自动化使用。

因此，季节性仍是可信的解释。不过，支出下滑同时伴随着一些不会在员工返岗后消失的结构性变化：Token 正变得更便宜，企业正在设定默认模型，买家也在更严格地审视回报。

最好将此次放缓视为早期信号，而非既定结论。它表明，企业 AI 收入不再会随着采用率提升而自动增长。

更便宜的 Token 正在改变增长的含义

更低的 Token 成本有利于客户，但迫使模型提供商必须创造更多使用量，才能维持同样的收入。

Ramp 的有效价格指数在 9 月初降至每百万 Token 0.68 美元，较 3 月创下的 2026 年峰值 1.15 美元低 41%。竞争以及提供商降价推动了这一变化。

Token 是语言模型处理或生成的一小段文本单位。提供商通常根据消耗的输入和输出 Token 数量向 API 客户收费。

更低的单位成本不一定意味着 AI 活动减少。一家企业可能处理更多文档、生成更多代码或运行更多 Agent，同时支付更少费用。即使有用产出增长，支出也可能下降。

这种区别使 Ramp 的 AI 支出成为采用强度并不完美的代理指标。交易记录显示资金流向供应商，却无法直接揭示已完成的任务、生成的 Token、节省的员工时间或创造的商业价值。

不过，收入最终仍关系到模型开发商和基础设施供应商。如果价格下降快于使用量增长，更高的技术使用量反而会带来较弱的商业增长。

这正是 8 月数据所呈现的核心逆转。AI 服务正如竞争原本预期的那样变得更易获得，但这种成功削弱了采用率与收入之间的联系。

模型组合进一步加剧了压力。Ramp 表示，企业越来越多地使用 GPT-5.6 Terra 和 Anthropic Sonnet 系列等标准模型。企业告诉 Ramp，这些系统仍具备足够能力，成本却低于前沿替代方案。

根据 Ramp 的说法，包括 Opus、Fable 和 Sol 在内的前沿模型占测量 Token 总量的 45%。其占比曾在 8 月达到 53%，之后有所回落。

具体的模型名称和份额将持续变化。其背后的客户行为则更具持久性。企业正认识到，撰写邮件、分类、提取信息和常规编码，很少需要最强大的模型。

模型路由将这一决策制度化。路由器会评估请求，并将其引导至在能力、延迟和成本之间提供可接受平衡的系统。

在 Ramp 发布 8 月数据之前，企业路由转变已经显现。Bain 顾问 Jue Wang 描述称，企业会为真正需要它们的任务保留昂贵系统。

这种做法改变了竞争单位。提供商不再只是争夺全公司的合同或首选聊天机器人位置，而是争夺客户路由层内的每一类工作。

一家前沿实验室可能赢得高难度研究和编码请求，却将摘要、分类和常规查询输给更便宜的系统。该客户可能仍是活跃账户，但带来的收入会更少。

这对企业买家而言是令人欢迎的效率提升。它类似于云优化：团队根据工作负载匹配适当的计算资源，而不是为每项任务都选择最大的实例。

这种转变也可能暴露薄弱的 AI 项目。低成本推理无法挽救一个结果不可靠、需要大量审查或解决了无关紧要问题的工作流。

因此，企业必须衡量结果，而不是 Token 总量。一个可搜索的 AI 知识库只有在员工能更快检索到有用信息时才会创造价值。仅凭其 Token 消耗，几乎无法说明这一结果。

价格下降可能随着时间推移扩大需求。然而，Ramp 对 8 月的观察表明，这种扩张尚未完全补偿提供商有效价格下降带来的影响。

超大规模云厂商的押注需要用规模战胜效率

基础设施建设押注于：更便宜的智能能力将创造足够多的额外工作，以抵消每单位计算收入的下降。

OpenAI、Anthropic 和其他模型公司正在大举投入，以训练和服务能力不断提升的系统。云合作伙伴则基于持续需求的预期建设数据中心、保障电力供应并采购加速器。

这一投资逻辑并不要求每家企业都像 Ramp 前 1% 的客户那样支出。它确实要求足够多的客户、工作流和自动化 Agent 保持持续增长，以支撑已部署的产能。

8 月数据从两个方向对这一预期施压。采用率增长减速，而最坚定用户群体中的人均支出下降。任一变化单独来看，都不足以推翻这一论点。

但两者结合，揭示了一种脆弱性。市场预期重度采用者会比提供商降价更快地持续发现有价值的工作负载。

这种关系类似于一个生产效率快速提升的规模型业务。更低成本可以吸引客户并刺激消费，也可能在客户攫取大部分节省时压缩收入。

AI 公司希望前一种效应占主导地位。企业财务团队则希望是后一种。竞争决定了收益如何分配。

OpenAI 的回应是鼓励客户衡量价值，而非单纯的 Token 成本。其提出的概念——每美元有用智能——关注 AI 是否能准确且经济地完成有意义的工作。

这一框架有其合理性。当重复失败、人工修正或升级处理抹去表面节省时，最便宜的模型就不是最佳选择。

不过，这一框架也服务于前沿提供商的商业利益。他们需要买家考虑任务成功率，而不只是比较不同模型的 Token 价格。

许多企业似乎接受以结果为导向的论点，同时拒绝由一个高价模型处理所有工作的想法。它们会以低成本处理简单任务，并将前沿系统留给复杂请求。

关于 Agent 经济性的研究支持这种谨慎态度。一项工作流经济性分析发现，模型选择、工作流设计、重试和人工监督能够从根本上改变总成本。

Agent 会放大这些变量，因为它们需要完成多步骤任务。一次用户请求可能触发规划、工具调用、搜索、验证以及重复的模型交互。

这为恢复增长创造了一条可信路径。即使每个 Token 都变得更便宜，自主工作流消耗的 Token 仍可能远多于一次对话式提示。因此，更多 Agent 可能恢复使用量增长。

然而，消费增加并不保证价值按比例增长。设计不佳的 Agent 可能反复检查同一份材料、调用不必要的工具，或重复失败步骤而不改善结果。

企业正开始区分高效自动化与 Token 活动。这一变化威胁到那些将使用量作为成功指标的商业策略。

影响范围超出了模型实验室。超大规模云厂商从 AI 应用背后的计算、存储、网络和托管服务中获利。它们也直接投资前沿开发商，并为预期需求预留产能。

如果客户通过更小的模型、更好的缓存和更具选择性的路由获得相同产出，基础设施需求仍可能维持高位，但增长速度可能低于激进预期。

使用量与支出之间的区别在这里变得至关重要。更多 token 并不总是意味着需要按比例增加算力。量化、优化推理和专用硬件可以降低生成每次响应所需的资源。

提供商可以通过发布更强大的模型、改进开发者工具，或打造触达非技术岗位员工的应用来应对。每种策略都在寻求早期工程应用之外的新需求。

这有助于解释市场为何日益聚焦于 AI 工作空间、研究助手和协作型智能体。技术团队较早采用了 AI。下一波收入来源必须涵盖运营、财务、营销、法务及其他知识密集型职能。

如今的押注取决于这些岗位中持续、具有价值的重复使用。员工很少打开的已购订阅能够支撑采用率统计，却几乎无法带来扩张收入。

Ramp 数据无法证明什么

单个月份的波动无法区分季节性停滞与企业需求的持久变化。

Ramp 的数据集提供了异常直接的证据，因为它观察的是实际付款情况。但它仍只代表 Ramp 客户，其行业构成和技术偏好与整体经济并不相同。

信息、金融和专业服务等技术性行业在样本中处于采用领先地位。这种倾向可能使该指数成为早期指标，但也可能高估美国企业整体的采用水平。

美国人口普查局的企业采用调查提供了有益的对照。TechCrunch 报道称，8 月更新数据显示，报告使用 AI 的企业比例约为 22%，远低于 Ramp 的 56%。

两项调查衡量的是不同的人群和行为。Ramp 检测被归类为 AI 支出的采购；人口普查局则询问企业是否在生产商品和服务时使用 AI。

两项指标都无法覆盖整个市场。员工可能使用企业系统之外的免费工具或自行购买的订阅服务。企业也可能为实际有效使用很少的 AI 产品付费。

Ramp 对前 1% 企业的估算尤其值得谨慎看待。少数几家公司的账单日期、年度合同或延迟交易，都可能改变该群体的月度中位数。

Ramp 在收到额外交易后，将 7 月支出从约 7,400 美元上调至接近 8,000 美元。8 月结果仍可能出现类似调整。

休假模式带来了另一种噪声来源。如果工程师在 8 月生成的 token 较少，项目重启后支出可能反弹。此前年末的回升支持这种可能性。

即使出现反弹，也无法消除定价挑战。休假归来的员工将面对比 2026 年早些时候更便宜的模型，以及更注重成本的默认设置。

现有数据同样无法确定，支出下降是否反映了产出减弱。企业支付更少费用，可能仍以更高效率完成同样的工作。这代表采用成功，而非退却。

反过来，一家高支出企业也可能生成大量低价值产出。Token 总量无法区分高效自动化与浪费。

这一衡量缺口对买方很重要。财务团队需要按工作流、团队、模型和已完成成果追踪支出。产品负责人需要关注质量、周期时间、纠错率和用户留存。

开发者也需要类似的完整视图。一个反复失败的低价模型，在多次重试和调试后可能成本更高。一个昂贵的模型若能正确完成困难任务，反而可能更经济。

对模型提供商而言，这种模糊性既带来安慰，也蕴含风险。支出下降可能意味着客户经济效益更健康，从而在未来加速部署；也可能暴露出用户支付意愿的上限。

开放权重模型尚不足以解释这种广泛转变。Ramp 发现，8 月仅有 6.4% 的 AI 支出企业使用了模型服务或推理平台。

这一数字是开放模型使用率的上限估计，因为路由平台也可能提供闭源模型。Ramp 将所有企业的采用率定为 3.6%。

因此，开放模型仍是补充背景，而不是这个故事中的主要对手。眼下的竞争来自同一批大型提供商销售的更便宜标准产品。

这种动态能够在无需客户更换供应商的情况下压低平均收入。Anthropic 客户可以将工作从 Opus 转向 Sonnet。OpenAI 客户则可以为常规任务选择成本更低的模型。

供应商采用率可以上升，而收入质量却可能下降。这正是为何 8 月的组合值得关注，即使尚无人将其称为趋势。

三个信号将决定这是否是一次警告

下一项考验在于：当客户持续将更多工作导向经济型模型时，支出能否恢复。

第一个信号是 Ramp 前 1% 企业在 9 月和 10 月的支出。若大幅反弹至接近 7 月的水平，将强化季节性解释。

必须结合交易修订来评估这种恢复。Ramp 收到额外付款后，初步的增长或下降都可能改变。数个月的数据将比单次观察提供更可靠的趋势。

若持续下降，则会强化结构性解释。这将表明，更便宜的 token 和更严格的模型选择，正以快于新增工作负载扩张的速度压低收入。

第二个信号是前沿模型在 token 总量中的份额。Ramp 将该份额定为 45%，低于此前 8 月高点的 53%。

若持续回升，将表明企业仍能找到足够多的困难任务，足以证明高级系统的溢价合理。这将支持提供商关于更强能力能够创造更佳经济效益的说法。

若进一步下降，则表明标准模型正在承接更多日常工作。这会迫使前沿实验室提升差异化、降低价格，或将先进能力打包进更广泛的产品。

原始模型份额仍需结合背景理解。若前沿模型价格仍然更高，它可以凭借更少的 token 产生可观收入。提供商也可能调整打包方式、折扣或订阅结构。

第三个信号是技术团队以外的采用情况。AI 实验室正日益瞄准分析师、管理者、营销人员和其他知识工作者所开展的协作型工作。

这些群体的强劲重复使用将把客户基础扩展到早期工程采用者之外。它还将创造与软件发布周期和开发人员规模关联较弱的工作流。

仅凭采购无法解决这一问题。企业必须证明，非技术用户会回归、完成有意义的任务，并在初次试用后扩大使用范围。

读者应关注产品留存、工作流量和报告的任务成果。这些指标揭示的信息多于产品发布公告或账户数量。

企业买方还应审视自身节省的来源。由更优路由带来的支出下降是健康的；由项目被放弃导致的支出下降，则表明部署失败。

团队可以通过将 AI 活动与已保存的决策、项目记录和已完成工作关联起来，来支撑这种区分。维护良好的第二大脑能够保留评估这些结果所需的长期背景。

更广泛的市场并不需要人均支出永远增长。能力提升、成本下降会让企业受益。高效采用能够以更少支出创造更多价值。

模型开发商和超大规模云服务商面临的是另一套方程。他们的投资计划需要最终能够证明巨额基础设施投入合理性的收入。

Ramp 的 AI 支出数据揭示了这两种结果之间的冲突。即便更多人使用 AI，对客户有利的变化也可能挤压供应商。

8 月仍可能被证明只是由休假驱动的暂时停滞。接下来的几次数据将显示，重度用户是恢复了支出，还是已永久学会用更便宜的模型完成更多工作。

对开发者和企业领导者而言，实际问题已经很明确：AI 支出是在产生已完成且有价值的工作，还是只是在累积 token？请在下一个预算周期之前衡量这个答案。