Palantir首席执行官Alex Karp对OpenAI和Anthropic代币模型的批评揭示了一个更大的企业AI问题：公司需要的是结果，而不是无休止的使用费用。
Palantir首席执行官Alex Karp对OpenAI和Anthropic基于代币的定价模型的批评捕捉到了企业AI中日益增长的紧张关系：使用量不等于价值。许多公司在AI调用、协同助手和代理工作流上花费巨大，但仍难以将这些成本与可衡量的业务成果联系起来。对于NexusAI用户来说，教训很明确：AI工具应以完成的工作、受保护的知识、工作流影响和投资回报率来评判，而不仅仅是代币量或模型声望。
Palantir首席执行官Alex Karp重新点燃了企业AI中最重要的辩论之一：基于代币的定价是否真正反映了商业价值。他对OpenAI、Anthropic及更广泛的前沿AI模型经济的批评不仅仅是对定价的抱怨，更是对企业购买、衡量和信任AI系统方式的挑战。
代币模型作为基础设施计费非常有效：模型使用越多，成本越高。但企业客户最终并不关心代币，他们关心的是减少人工工作、更快的决策、更少的错误、更好的客户结果、保护专有知识以及可衡量的投资回报率。
这就是为什么Karp的评论超越了Palantir的竞争定位。它们指向了AI购买行为的转变。公司正从试验阶段转向问责阶段，获胜的AI供应商需要以商业术语证明价值，而不仅仅是模型能力、基准性能或使用增长。
Karp的批评凸显了AI采购的核心问题：公司需要可衡量的工作流成果，而不仅仅是高量的模型消费。
企业越来越关心谁控制专有数据、运营知识、工作流上下文和依赖模型的决策系统。
能够展示任务完成、投资回报率、可审计性和受保护知识的AI供应商，将比主要按代币量定价的工具更具优势。
代币定价简单、可扩展且为开发者所熟悉，但对企业买家来说可能变得复杂。一家公司可能在聊天、文档分析、编码、客户支持和内部代理中生成数百万甚至数十亿代币，但仍难以说明这些代币是否创造了可衡量的价值。
随着AI进入代理工作流，这个问题变得更加尖锐。代理可以反复调用、搜索文件、检查代码、浏览工具、重试失败步骤并生成长推理轨迹。这会迅速增加使用量，但只有当代理准确完成任务并减少人工工作时，业务才会受益。
Karp的批评是企业可能为AI使用付费，却未获得相应的成果。这直接挑战了“更多AI消费自动意味着更高生产力”的假设。在成熟的企业采购中，模型调用只有在对工作流结果有贡献时才有价值。
这一区别对首席财务官、首席技术官和运营人员至关重要。一个产生大量响应但未能解决工单的支持代理是昂贵的。一个写代码但增加审查负担的编码助手不是生产力。一个总结文档但遗漏关键信息的研究代理可能带来风险而非价值。
Palantir更广泛的信息是关于AI主权：公司应保留对其数据、运营知识、模型、工作流和决策系统的控制权。在企业AI中，专有上下文往往是真正的资产。它包括客户关系、定价逻辑、供应链、内部流程、专家判断和数据连接。
这为AI买家带来了信任问题。如果供应商以不透明的方式使用客户数据，或者企业无法审计AI系统如何与专有信息交互，成本问题就变成了控制权问题。企业不希望为训练一个可能削弱自身优势的系统买单。
这场辩论有利于能够将AI直接连接到工作流结果的平台。Palantir自身的定位集中在本体论、运营上下文和安全部署，但同样的原则适用于整个市场：买家想要理解业务流程的系统，而不仅仅是生成流畅答案的模型。
这可能推动行业朝着基于完成任务、具有明确生产力指标的席位、工作流级别的投资回报率、部署价值或代币使用仅为商业结构一部分的混合模型定价方向发展。AI越成为运营基础设施，客户越会要求与业务影响挂钩的定价。
NexusAI用户应通过结果指标评估企业AI工具。实用的问题包括：完成了什么任务，减少了多少人工审查，保护了哪些数据，如何处理错误，决策是否可审计，以及AI是否改进了现有工作流而不是增加了额外活动层。
实际的转变是从代币监控转向价值监控。团队应跟踪每个解决工单的成本、每个接受代码变更的成本、每个处理文档的成本、每个合格线索的成本、每个分析师工作流的成本和每个支持决策的成本。这是AI支出变得可控的关键。
他批评企业应为模型使用付出高额费用，却没有明确证据表明这些代币带来了相应的商业价值、生产力或受保护的竞争优势。
不会。代币定价仍然适用于API基础设施，但企业客户可能会越来越多地要求将使用量与完成任务、工作流影响和投资回报率挂钩的定价和报告。
企业应关注工作流适配、数据保护、可审计性、可衡量的任务成功率、人工审查控制、集成深度、可预测成本以及每个完成结果的明确价值。
