美华头条7月26日综合报道　2026年7月下旬，美国企业对生成式人工智能的投入方式出现调整。部分公司开始限制成本较高的模型调用，重新审查AI软件许可和自动化项目预算，并将文本整理、信息提取和常规编程辅助等任务转向价格较低的小型模型或开放权重模型。与此同时，大型科技公司继续扩大数据中心、芯片及电力设施投入，企业采购端的成本控制与供应端的资本扩张形成反差。

此次调整并不意味着美国企业全面减少人工智能应用，而是显示企业采购重点正从“扩大使用范围”转向“按照任务配置模型”。直接结果是，多模型并行使用逐渐增加，人工智能项目开始接受更严格的成本核算，美国高性能模型供应商也面临来自低价产品的竞争压力。

企业开始按任务分配模型

过去两年，美国企业加快将生成式AI用于软件开发、客户服务、资料检索、数据分析、市场营销和内部行政工作。一些公司曾统一采购高性能商业模型，并鼓励员工扩大使用范围，以提高工作效率和缩短项目周期。

随着应用规模上升，企业承担的费用已不再局限于固定订阅费。按输入和输出内容计价的模型调用、多步骤自动化产生的重复请求，以及数据存储和系统集成，均可能推高整体成本。部分企业因此开始限制员工使用额度，并要求部门说明AI项目的实际用途和预期收益。

在新的采购模式下，复杂程序开发、专业推理和风险较高的业务仍可能使用性能较强的前沿模型；摘要、分类、格式转换和常规问答等任务，则更多交由价格较低的模型处理。

企业管理人员认为，这种分级配置有助于避免将昂贵计算资源用于简单工作。技术人员则指出，模型成本只是投入的一部分，输出错误率、人工核验时间和业务系统改造费用同样需要计入项目回报。

中国低成本模型获得更多评估机会

随着企业加强成本控制，部分由中国公司开发的人工智能模型进入美国企业的测试和采购视野。相关产品通常以较低调用价格、开放权重或本地部署能力吸引开发者和企业客户。

近年来，中美头部模型在部分编程、安全测试和常规推理任务上的能力差距有所缩小。美国企业在控制费用的压力下，开始评估能否使用成本较低的模型承担更多普通任务。部分云计算和软件企业也在研究如何向客户提供更广泛的模型选择。

对企业采购部门而言，只要模型能够稳定完成指定工作，性能排行榜上的领先并非唯一决定因素。价格、响应速度、数据控制、供应稳定性和部署便利程度，正在成为同等重要的采购条件。

不过，中国模型扩大美国市场应用仍面临安全和政策限制。金融、医疗、政府承包和处理个人敏感信息的企业，需要评估数据流向、供应商背景、模型更新机制和合规风险。低价模型可能减少调用费用，但迁移测试、安全审查和内部部署仍会产生额外成本。

因此，部分企业可能采取混合配置：一般性任务使用低成本模型，敏感数据在企业内部处理，复杂或高风险工作继续使用经过安全审查的商业系统。

美国模型厂商强调能力与企业服务

OpenAI、Anthropic等美国人工智能公司在复杂推理、开发工具、企业技术支持和云平台整合方面仍具有优势。对于需要较高准确性、持续服务和安全保障的客户，能力较强的商业模型仍可能具有更高价值。

支持高性能模型的观点认为，企业不能只比较单次调用费用。如果一个模型能够减少错误、缩短开发时间，或者完成低成本产品无法承担的复杂工作，其综合使用成本未必更高。

低价模型的扩展则可能迫使美国供应商调整产品结构，推出更多不同性能和价格等级的模型，并通过批量处理、结果缓存和模型自动选择降低客户费用。

这意味着人工智能市场的竞争标准正在变化。模型能力仍是基础，但企业客户将更加关注完成一项有效任务究竟需要多少成本，而不只是模型本身的参数规模或测试成绩。

员工培训和岗位安排成为现实问题

企业加强AI预算管理，也暴露出早期部署中的人员和流程问题。部分公司在推广相关工具时，没有同步建立员工培训、费用提醒和结果核验制度，导致模型被用于不适合的工作，或者因重复生成和反复修改增加支出。

技术从业者认为，人工智能适合处理目标明确、结果容易核验的任务，但在涉及专业责任、客户关系和复杂业务判断时，仍需要人员监督。缺少专业知识的使用者即使能够快速生成内容，也可能无法发现其中的错误。

另一个争议涉及岗位配置。一些企业曾在暂停招聘或减少人员后，要求现有员工通过AI维持工作量。如果企业随后限制模型使用，却没有相应调整工作目标，员工可能同时面临工具额度下降和任务量不变的问题。

支持者认为，合理使用AI能够减少重复劳动，使员工集中处理判断和沟通工作。持谨慎立场者则主张，企业不应在技术效果尚未得到充分验证前，就以预期中的自动化收益作为减少岗位的依据。相关企业经历显示，AI能否提高生产效率，与模型选择、员工培训和流程设计密切相关。

Alphabet扩大投入引发现金流关注

在企业客户压缩模型成本的同时，美国大型科技公司仍在扩大人工智能基础设施建设。

Alphabet在7月22日公布季度业绩后，将2026年资本支出预期提高至1950亿至2050亿美元，较此前计划再次上调。公司云计算业务保持快速增长，但不断增加的数据中心、服务器和网络设备支出，也使投资者更加关注自由现金流和投资回收周期。

Alphabet首席执行官桑达尔·皮查伊领导的公司管理层认为，人工智能和云计算需求仍然旺盛，现有计算能力不足以完全满足客户需要，继续扩大基础设施是保持竞争力所必需的。

谨慎观点则认为，即使云业务收入增加，资本支出增长速度仍可能超过短期现金创造能力。如果企业客户持续转向低成本模型，大型平台能否维持当前服务价格和利润空间，将成为市场关注重点。

特斯拉增加AI与机器人支出

由埃隆·马斯克领导的特斯拉也在扩大人工智能、自动驾驶和机器人业务投入。该公司第二季度营收增长至282.4亿美元，但净利润降至11.1亿美元，研发支出同比增长49%，达到23.7亿美元。

特斯拉管理层预计，2026年资本支出将超过250亿美元，并可能在未来数年继续增长。资金将用于自动驾驶计算设施、机器人出租车、人形机器人以及相关制造项目。公司业绩公布后，投资者对支出增长和短期利润压力的关注上升。

支持者认为，自动驾驶和机器人可能成为特斯拉未来的重要收入来源，当前投入属于建设新业务所需的长期成本。持谨慎立场的投资者则要求公司提供更明确的商业化时间表，并证明相关项目能够形成持续收入。

科技股估值进入重新评估阶段

截至7月24日的一周，纽约市场经历明显波动。特斯拉、亚马逊、Alphabet和Meta等人工智能相关大型科技公司市值合计减少约8900亿美元，纳斯达克综合指数当周下跌2.1%。

此次调整不仅受到单家公司业绩影响，也反映出市场对人工智能资本支出的评价标准正在改变。投资者过去主要关注企业是否拥有足够的计算资源和领先模型，如今则更加关注这些投入能否转化为收入、利润和自由现金流。

路透社根据市场数据分析认为，美国主要大型科技公司的人工智能资本投入正迅速增加。预计到2027年，相关企业新增资本支出的增长规模可能高于运营现金流的增量。如果AI收入和利润未能按预期增长，企业融资能力和投资者信心可能受到影响。

长期建设与短期回报存在分歧

支持继续扩大人工智能基础设施的人士认为，数据中心、芯片和网络设施需要提前建设，不能只依据一个季度的现金流判断长期投资是否合理。云计算和移动互联网在发展初期同样经历过较高资本投入，而人工智能已在编程、科研、数据处理和客户服务中形成实际需求。

谨慎观点认为，人工智能需求增长并不意味着所有基础设施项目都能获得理想回报。模型运行效率不断提升，低成本和开放权重产品持续增加，可能压低企业客户愿意支付的价格。如果数据中心建设速度超过实际需求，部分设施未来可能面临利用率不足。

两种判断的核心分歧，在于未来AI使用量的增长能否抵消单位模型价格下降，以及企业能否把人工智能带来的效率提升转化为可确认的收入和利润。

市场进入成本、能力与风险并重阶段

目前出现的变化更接近人工智能行业由快速扩张转向精细经营，而不是企业全面停止采用AI。

企业采购部门开始区分任务复杂度，低成本模型获得更多应用机会；美国前沿模型厂商则需要通过技术能力、安全保障和企业服务证明价格合理性；大型科技公司继续建设基础设施，但必须向投资者说明支出回收路径；员工和技术人员则更加关注培训、工作流程和岗位安排。

短期内，市场将继续关注企业削减模型费用是否影响生产效率，以及Alphabet、特斯拉等公司的人工智能相关收入能否覆盖不断增长的资本投入。

从长期看，高性能商业模型、低成本模型和企业内部系统可能长期并存。决定市场格局的因素将不再只是模型能力，还包括价格、安全、合规、能源成本和实际业务回报。