为什么大模型领域红包开路的战术没用了？

@楚团长聊聊天：26年春节，腾讯阿里搞了一波抽象的红包大战，企图在AI时代复刻互联网玩法，但是大人，时代变了。这场大战的赢家有且只有一个，那就是豆包，最近更是有数据爆出，豆包大模型日均 Token 使用量突破 120 万亿，已经杀入全球前三。

为什么红包开路的战术没用了？核心在于，过去互联网产品的体验没有质的差异，用红包完成用户习惯的培养后，用户会自动留存。

但大模型最终进入了工具时代，免费工具，人们只会用体验最好的；而付费工具，人们会根据需求来选择适合自己的。千问和元宝的用户体验不如豆包，自然就是要被抛弃的。

进一步来说，当下大模型的发展俨然也已经分化出两种路径。

一条是豆包型。这类模式的目标，从一开始就不是立刻挣钱，而是先拿下C端心智。因为在消费端，用户对大模型的直接付费意愿天然偏低，单纯靠订阅很难撑起健康的商业模式。

所以企业愿意在前期承担相当一部分模型成本，用低价甚至免费的助手，去换取生态层面的化学反应。搜索、内容分发、电商、本地生活、广告投放，这些原本割裂的流量入口，在一个语音界面、一个日常助手、一个高频调用的超级入口中被重新串联。谁先占住这个入口，谁就更有机会把后续的交易、广告、服务与分发权，一并收入囊中。

另一条则是 Anthropic 型。它追求把大模型做成强力的生产力的工具。写代码、改代码、阅读文档、生成研究材料、处理客服和销售线索、驱动自动化交易……这些场景不热闹，却都直接连着收入、成本和效率。

需要注意的是，工具绝不是越贵越强就越好，企业客户最终一定会回到经济性比较：同样的任务，谁更稳定，谁更便宜，谁才更值得长期采购。到那一步，Anthropic 类公司如果只是卖一个“更聪明的模型”，就很容易被压回到模型供应商的位置，沦为企业系统中调用可能性的一部分，拿不到最有价值的闭环。

所以，这类公司后面势必要围绕工作成果的闭环，构建一整个配套：container、research、agent mode、memory、secure execution。说得更直白一点，它必须从能够完成一些高价值工作的模型，变成承接工作的系统。只有这样，它才能真正绑定企业的工作流程，进入预算最深、黏性最高、替代成本也最高的那一层。

这两条路线服务的是不同的价值层。豆包型吃的是入口、分发和生态；Anthropic 型吃的是生产力、专业预算和工作流价值。

由此再往前推一步，我们会对大模型公司的收费模式做出一些假设。

包月制的大模型一定是一个过渡阶段的产物。

对用户而言，每个月付一笔固定费用，就可以不限于聊天、搜索、写作、翻译和轻度办公，这是非常自然的互联网消费习惯。但问题在于，大模型已经是生产力工具了，不同用户之间的成本差异巨大。

有人只是偶尔问几个问题，有人却在用它跑代码、调接口、做交、甚至做多模态工作。前者几乎不耗资源，后者则可能消耗极高的算力、电力。继续用一个统一的月费去覆盖如此悬殊的使用强度，是不可持续的。

包月制大概率未来会推出历史舞台，要不然直接像豆包那样彻底免费，要不然向生产力工具进化。

再往后，甚至连 Token 计费本身，也会分层。

在早期阶段，按 Token 收费是最直接的。模型能力稀缺，算力昂贵，调用一次结算一次，像卖电。对模型公司而言，这套口径清晰、便于管理；对企业用户而言，这也是最容易接受的。

但伴随着Token 的边际成本会持续下探，以及agent模式的深入，根据吉文斯悖论（某种资源的使用效率越高，其总消耗量反而可能因为应用场景的指数级扩张而激增），Token消耗量在某些场景下，甚至会出现失控式狂飙。

对于企业而言，没有人会愿意为没有结果的电力付费，大家最终会付费的，还是结果。企业不在乎用了多少Token，企业在乎的是，花了钱之后，结果是不是满意。如果有模型公司，或者是智能体，能够用更少的Token交付结果，企业也一定愿意按照结果付费。

而大模型绝对是有能力对结果的价格做评估的，因此，未来分段式付费的模式一定会应运而生，卖一段代码的交付，卖一条销售线索的筛选，卖一份合同的审阅，卖一次客服工单的闭环，卖一个研究流程的完成。

到那时，模型只是一个零部件，真正有定价权的，是那个能把模型、数据、规则、记忆、审计、权限和执行动作封装成工作能力的人。

这也意味着，价值捕获的重心，将从“拥有算力的人”，逐步漂移到“控制高价值工作流闭环的人”。

这里面有两个东西是很重要的：Memory和Liability。

所谓Memory，是企业在长期运转中沉淀下来的决策路径、审批逻辑、客户上下文、异常处理、权限边界与合规要求。

一旦这些东西被模型层、执行层和工作流层持续读取，它们就不再只是后台资料，而开始变成生产要素。企业每多使用一次系统，这套记忆就多积累一分；每多完成一轮任务，系统对组织的理解就更深一层。时间越久，迁移成本越高，替代难度越大，复利也越明显。

这就是为什么，未来最强的模型，未必是能力最强的，而更可能是掌握私域记忆最深的公司。因为它拿到的不是一次调用，而是一段长期关系；不是一个问题的答案，而是一家组织不断重复自身运作方式的钥匙。

Liability解决的是决策问题。

一旦模型开始进入审批、签约、交易、客服、投放、风控这些真实流程，一件更现实的事就出现了：它出错了，谁负责。

谁敢把系统接进真实工作流程，谁就必须对结果承担一部分后果；而谁愿意承担这部分后果，谁才更有资格拿走最厚的利润。

未来可能出现的是一类新的垂直整合者：上面握着模型与算力，下面连着数据、规则、记忆、审计、权限和执行，中间再用合同与责任把收费权锁住。

这类公司不是大模型能力强，而是它同时控制了两件最稀缺的东西：一是企业的隐性认知，二是最终责任。前者决定重复博弈中的复利，后者决定交易完成后的分钱方式。

这一点，恰恰构成了眼下市场预期差最大的地方之一：专业软件。

这些软件当然面临挑战。表面上看，大模型似乎在侵蚀它们的壁垒。过去依赖复杂界面、功能模块和操作门槛建立起来的软件护城河，如今被自然语言接口削弱了。一个模型看起来能替代过去软件界面的不少功能，这让市场很容易先得出一个简单粗暴的结论：专业软件要被颠覆了。

但如果往深处看，事情恰恰可能相反。

真正的专业软件，长期积累的价值，是它对行业工作流的理解。权限如何设置，历史数据如何调用，责任如何追踪，外部系统如何对接，什么环节可以自动化，什么环节必须保留人为确认……这些东西，才是行业真正的长期高维认知。通用模型很难get行业里那些繁复、沉默、琐碎却极其关键的流程规则。

从这个意义上说，大模型未必最终毁掉专业软件，反而更可能使专业软件迎来一轮新的价值重估。因为它们手里握有最稀缺的东西：组织如何运转的隐性知识。

而再往后看，真正决定这轮价值归属的，未必只是模型能力本身，而是谁能把模型嵌进一套不可轻易替代的组织结构和工作流程中。专业软件过去积累的那些行业knowhow，可能恰恰是模型最难替代的地方。

技术奇观终会褪色，现金流不会。大模型产业接下来的胜负手，不在于谁还能讲出更宏大的智能故事，而在于谁能把模型嵌进工作流程中，把调用变成结果。

对我们每个普通人而言，学习如何在工作中，理解大模型带来的变化，可能是比投资大模型趋势更重要的事。