AI用得更多，供应商收入就会增长更快吗？Ramp经济学家与ARK讨论增长的边界

一、嘉宾背景

Ara Karazian是Ramp的首席经济学家，使用企业支出数据研究AI采购与采用，包括企业向哪些供应商付款、采用强度如何变化，以及不同支出层级之间的差距。在这期ARK《The Brainstorm》讨论中，他的观察主要来自采购账单；Brett等讨论者则追问，这些支付记录能够支持多大范围的产业判断。

据Ara介绍，他的研究使用了覆盖超过80,000家企业的Ramp数据。在此前两年的追踪中，AI支出的增长速度超过了其他被追踪的支出类别。这些记录为观察企业采购变化提供了依据，但样本并不天然代表整个企业市场。Ara明确承认，Ramp客户偏向技术导向的企业，它们更可能较早采用AI，也可能使用得更深入。

这一样本特征决定了结论的适用范围。Ramp数据可以揭示领先采用者如何支付AI费用，并为分析价格变化和客户结构提供线索；仅凭这些记录，却无法证明普通企业也获得了同等的生产率收益。Ara在本期提供的主要是企业采购与采用研究，而非对所有企业AI成效的直接测量。

二、本期主要内容

模型能力提高，企业增加使用，供应商收入随之持续高速增长——本期讨论检验的是这条增长路径中的几个环节。Ara强调，Ramp样本中的AI总支出仍在增长，但约1%的企业贡献了80%的支出。这个比例描述的是他所观察的平台样本，不能直接视为整个企业市场已经得到独立验证的结构。

如此集中的支出分布，也让单一平均值难以说明企业采用的实际情况。Ara主张同时观察中位数、前10%和前1%企业的人均支出，且这里的中位数仅针对已经发生AI支出的企业。据他介绍，在一个月内，中位数企业每名员工每月的AI支出从约12美元升至15美元，前10%的企业也继续增加支出。前1%的支出则达到每名员工每月约7,000—10,000美元，近期增速开始放缓。这些数据呈现出不同采用强度之间的分化，尚不能说明企业普遍收缩AI使用，也不能说明它们最终会趋向同一个预算水平。

放缓发生的时间范围同样重要。Ara依据的是9月和10月初的数据，将其与7月及此前的高速增长阶段相比。Brett提醒，几个月的变化不足以确认高强度客户已经接近长期需求上限。讨论因此转向放缓的原因：客户对更多能力的需求是否减弱，还是价格下降、合同折扣和使用方式改善，让支出增速暂时落后于调用量增长？

供应商竞争构成了另一条讨论主线。Ara以Anthropic在Ramp企业支出数据中的上升说明，竞争格局可以迅速变化。但在谈到Meta时，他明确表示，Ramp目前还没有观察到其取得显著份额。潜在进入者可能带来的竞争压力，不能与数据中已经出现的份额变化混为一谈。

讨论也延伸到科技公司之外的需求。Brett通过一个假设性的网络攻击场景提出，网络安全可能成为普通企业新增AI相关需求的来源。这提供了一种可能的需求路径，并不是已经测得的市场结果。Ara则指出，随着软件支出越来越多地以AI形式出现，哪些费用应被计入“AI支出”，本身也在变化。判断未来增长，既要观察企业是否继续采购，也要厘清统计口径如何随产品变化。

三、核心观点：推理、例子与边界

Ara提出的一个关键区别是：使用量增长，要经过价格变化，才会反映为收入增长。据他介绍，讨论期内token数量仍在上升，AI价格却下降了接近一半。在这种条件下，即使用量翻倍，账单也可能没有明显增加。这解释了用量与收入为何可能分化，却不意味着未来还会出现同等幅度的降价。企业合同折扣，以及标准和轻量层级模型的能力改善，也可能让客户以更低的价格完成原本需要昂贵模型的工作。因此，支出增速放缓可以与采用深入同时发生；但token数量增加，本身也不能证明有效业务产出同步增长。

Ramp自身说明了企业如何在深入使用AI的同时控制成本。Ara称，Ramp是一家盈利企业，AI支出位于前1%，但公司仍会限制自动化任务使用前沿模型、改善默认设置，并通过模型路由器为任务分配合适的模型。使用越深入，企业就越有动力识别昂贵而不必要的调用。不过，访谈没有给出各项措施分别节省了多少费用，也没有提供同等质量下的对照结果。这些做法展示了成本管理的路径，尚不能据此承诺具体的节省幅度。

Brett主要质疑的是如何从领先采用者推断更广泛的市场。他认为，激进采用者正在探索如何加速业务，中位数企业则处于更谨慎的采用阶段；即使产品更好，也要克服既有流程和采购惯性。短期账单因此不足以说明AI扩散已经结束。另一位讨论者提出了更乐观的解释：模型能力可能进步得太快，连领先企业也来不及吸收。这种解释可以与价格优化同时成立，但仍需后续证据检验，访谈并未证明吸收能力不足就是增速放缓的主要原因。

合同折扣也反映出客户与供应商各自的诉求。客户希望降低采购成本；Brett则认为，供应商追求长期合同，是希望在承担庞大基础设施投入承诺的同时，获得更可预测的收入。这是他对供应商商业动机的判断。访谈没有检查具体合同、履约条件或现金流覆盖情况，因此，签下长期合同与收入足以支撑投入之间，仍有需要验证的距离。

客户结构则带来另一种风险。Ara称，Ramp数据中AI支出最高的企业，大多是获得风投支持的科技公司。如果融资受阻，或这些公司自身的客户增长放缓，它们可能同时收紧AI预算。供应商即使拥有多家客户，也可能因为客户面临相同的资本周期，而难以充分分散风险。讨论中还转述了另一位评论者的怀疑：AI公司70%—80%的收入来自获得风投支持的AI公司。这个行业范围的比例没有在本期得到独立核验。Ara对Ramp盈利状况的描述也表明，不能把所有高支出客户都视为依赖下一轮融资的企业。

Anthropic的增长引出了另一场关于原因的争论。Ara注意到，它在Ramp企业支出数据中的上升，与产品发布和面向消费者的推广在时间上重合，因此认为消费者中的知名度可能有助于企业采用。Brett对此提出质疑，更强调企业信任、定制能力和快速交付，并以OpenAI和Google在消费者市场的地位作为反问。双方提出了不同的解释，但时间上的重合尚不足以确认因果关系：企业采购可能受到消费者认知影响，也可能主要取决于产品是否适合业务需求。

最后一个分歧是，科技岗位上的AI价值能否推广到普通企业。Ara认为，编码代理对科技公司的软件岗位具有生产率价值，却不能据此推导出中位数企业也会支付同样的金额。他同时主张，非科技企业可能以相对较低的AI支出获得可观的生产率收益和回报。Brett则根据自己的高强度模型使用经验指出，业务交付仍需要大量监督，更强的模型和更高的投入会影响实际能够交给AI自主完成的工作范围。Ara没有提供可推广的客户回报测量，Brett的经验也不是跨行业实验。要判断两种观点各自适用于何种情况，仍需把支出与交付质量、监督成本以及实际完成的工作联系起来。

四、学习与应用

将这期讨论用于企业经营分析，首先需要把调用量、通过验收的任务、实际支付金额和业务收益分开记录。这是从访谈推导出的应用方法，并非节目已经展示的测量结果。Ara关于用量增长和价格下降的观察说明，token数量和账单金额都不能单独代表成效：相同预算可能买到更多能力，更多调用也可能伴随更多返工。条件允许时，应在同类任务和相近质量要求下比较，避免把任务难度的变化误判为模型效率的变化。

成本管理可以从默认设置和任务路由入手。参照Ara描述的Ramp做法，团队可以选择重复性较高、结果容易检查的工作，比较较便宜模型与前沿模型完成合格交付的成本，再决定哪些任务需要升级模型。比较时，调用费用应与审查、纠错和失败成本一并计算。Brett关于人工监督的经验也提示，对探索性工作、核心业务成果或难以验证的输出，仅比较模型单价并不足够。访谈没有证明某一套路由规则能够适用于所有任务。

评估供应商收入，还需要了解客户数量之外的结构：主要客户靠什么维持预算，又是否可能遭遇同一种冲击。Ara对风投支持的科技客户的观察，可用于分析融资收紧或客户增长放缓时的支出压力，却不能直接作为这些客户将集体削减预算的预测。企业评估自身采购时，也可检查优惠合同所要求的承诺，是否符合业务需求，并保留了足够的调整空间。

对普通企业，较可操作的起点是选择一个验收标准明确的流程，检验AI能完成什么工作。最高支出企业的人均预算并不天然适合作为目标。Ara认为，AI采用可能逐渐成为竞争的必要条件，而客户仍可能以相对有限的支出获得可观回报。这支持企业关注实际产出，但不能保证每家公司都能低成本成功。尤其是编码代理在科技岗位上的价值，需要重新检验其适用条件，不能替代其他行业自身的试用结果；访谈也没有为所讨论的非科技企业用途提供实测客户回报。

引用长期预测时，则必须保留发言者最后的修正。Ara曾提出，五年后每人每月的AI支出可能低于1,000美元，随后在与电脑采购作类比时出现月度和年度单位混淆，又提到可能是每年，最终没有给出明确水平。因此，最初的数字不能用来计算确定的市场空间。分析时可以分别设置价格、任务量、可接受质量和采用范围的情景，并清楚标明这些属于假设。这样才能讨论技术扩散的可能路径，而不把一段最终未获确认的口头估计当作预算依据。

来源

• 原始节目：Ramp's Economist Found Cracks In The AI Thesis | The Brainstorm 156