现在不少美国企业把代码审查、文档摘要、客服后台等常规业务从 OpenAI、Anthropic 迁移到国内开源大模型，部分场景推理成本直接下降最高 95%，在 OpenRouter 这类聚合平台上，中国模型总 token 调用量已经连续多周超过美国模型，硅谷调研数据显示美国企业开源模型预算里面 89% 流向国内模型厂商；但光鲜的调用量背后并不是对等的利润，很多国内模型采用宽松开源协议，海外企业可以下载权重本地部署，不用持续支付服务费，行业陷入激烈价格战，token 单价持续走低，大量价值被下游集成商、云厂商、算力供应商拿走，模型研发方投入巨额算力、人力做预训练和迭代，却很难拿到稳定的高收益，这也是大家觉得心酸的核心原因。美国企业选择国内模型不是单纯免费白嫖，一部分走官方 API 按量付费，另一部分直接下载开源权重私有化部署，这两种模式收益差距巨大；国内厂商靠低价换全球份额，目的是抢占生态、积累反馈，可一旦模型变成标准化商品，就很难把价格抬上去，后续只能转向 Agent、行业套件、私有化运维、专属插件等高附加值业务寻找新收入来源。
一、美企选用国内 AI 模型现状清单
- 代表企业：Lindy、Coinbase、DoorDash、Airbnb、多家硅谷初创公司，还有西门子这类海外工业企业
- 主力模型：DeepSeek、Kimi、GLM、通义千问等开放权重版本
- 成本降幅区间：常规场景普遍降低 60%–90%，部分文本处理场景最高可达 95%
- 主流用途：代码辅助、文档解析、邮件处理、后台客服、内容摘要，以非前沿推理任务为主
- 调用渠道：官方海外 API、开源权重本地部署、第三方模型聚合平台转发
二、两种使用模式收益对比表
| 使用方式 | 国内厂商收益 | 美企成本 | 约束条件 |
|---|---|---|---|
| 调用官方 API | 按 token 计费，有持续收入 | 中等，远低于闭源美系模型 | 遵守平台服务条款、数据跨境规则 |
| 下载开源权重本地部署 | 几乎无后续收入，仅一次性品牌曝光 | 最低，只承担自身算力成本 | 遵守开源许可证（Apache 2.0、MIT） |
| 第三方聚合平台中转 | 分成微薄，容易出现灰色流转 | 价格浮动大 | 存在数据跨境、接口转租合规风险 |
三、国内 AI 厂商陷入低价内卷的完整逻辑
第一步，模型开源放量：国内大量团队选择宽松开源协议，快速把模型能力对外开放，用性价比抢占海外开发者市场。
第二步，形成同质化竞争：同档位模型性能差距不断缩小，开发者切换成本很低，涨价就会流失客户。
第三步，定价持续下探：各家持续下调推理报价，用亏损或者薄利多销的方式拉高调用量和榜单排名。
第四步，价值向外转移：如果客户本地部署，算力、云服务、应用层利润都被其他环节拿走，模型本身变成低成本基础组件。
第五步，厂商寻求转型：单纯卖 token 很难盈利，开始打包行业方案、智能体框架、私有部署运维服务，摆脱纯价格竞争。
四、这套模式带来的两面影响
从好的一面看，国产大模型拿到海量真实海外业务反馈，快速打磨稳定性，在全球开发者圈子建立知名度，倒逼海外闭源模型下调定价；长期有利于建立属于国内的模型生态。负面问题同样突出，持续低价会消耗大量资金，研发投入很难回本，资本耐心被消耗；宽松开源协议缺少足够商业保护，很容易出现别人拿模型二次封装之后当成自有产品对外售卖，原始研发方很难分到收益，同时跨境调用、本地部署还会伴随复杂的数据合规、出口管制风险。
五、行业正在尝试的破局方向
- 分级开源：基础版本免费开放，高性能商用版本、专属微调权重采用商业许可，禁止无授权二次分发。
- 不卖裸模型，卖整套方案：面向企业交付 Agent 平台、知识库系统、行业工作流，而不是只提供模型权重和推理接口。
- 绑定算力与运维服务：客户拿到模型之后，如果需要调优、部署、运维、安全加固，收取配套服务费。
- 打造上层生态：搭建插件市场、工具协议，依靠生态分成，而不是只靠 token 流量赚钱。
- 完善跨境合规体系：区分正常商用授权和灰色中转，建立海外客户准入、数据出境审核机制。
【常见问题】
问题 1：美国大厂把业务切换到中国 AI 模型、成本狂降最高 95%，算不算无成本 “白嫖”？
回答 1：美国大厂把业务切换到中国 AI 模型、成本狂降最高 95% 不能一概而论为白嫖，如果走官方 API 会按量付费；只有企业直接下载宽松协议开源权重本地私有化部署，不再持续给模型厂商付费，才会出现研发投入和收益不对等的情况，属于商业模式层面的价值流失，不是全部免费盗用。
问题 2：国内 AI 模型海外调用量暴涨、帮助美国企业大幅降本，为什么说背后的真相让人觉得心酸？
回答 2：国内 AI 模型海外调用量暴涨、帮助美国企业大幅降本，心酸点在于调用量、热度很高，但模型厂商定价权弱，价格战压低毛利；大量客户本地部署之后厂商没有持续收益，高额预训练、迭代成本很难收回，利润流向算力、云平台和下游应用方。
问题 3：国内 AI 厂商靠低价开源让美国企业大幅降低 AI 成本，后续有什么办法改变这种利润流失的局面？
回答 3：国内 AI 厂商靠低价开源让美国企业大幅降低 AI 成本，可以采用分级开源、商用版本单独授权、打包智能体与行业解决方案、收取部署运维服务费、搭建上层应用生态的方式，减少单纯依靠 token 低价内卷，从底层模型供应商升级成完整服务提供商。
【参考资料】
[2026-11-12]（狂降 95% 成本！美国大厂疯狂 “白嫖” 中国 AI，背后真相却让人心酸）金融界
[2026-11-12]（美国企业开源 AI 支出 89% 流向中国模型，调用量连续 28 周超美国）凤凰网科技
[2026-10-23]（硅谷企业迁移至国产大模型，推理成本降至原先十分之一）新浪财经
[2026-08-02]（部分美国企业换上中国大模型以降低成本）虎嗅网
[2026-07-17]（海外企业批量采用中国开源大模型）中国网
【免责声明】
本文仅整理公开行业调研、媒体报道，成本下降 95% 是特定业务场景下的极值案例，并非所有业务迁移都能达到同等降幅；开源模型使用、跨境 API 调用、数据出境需要严格遵守国内生成式 AI 法规、出口管制以及目标地区法律；开源协议不同，对应的商用权限、收益模式差异巨大，不构成企业开源策略或者海外商业化的决策建议。