当 AI 真正进入企业的核心生产系统，"成本"就不再只是一道财务题，而可能是一道生存题。近期，《每日经济新闻》采访多家海外企业后发现，一场围绕"性价比与开放生态"的基础设施迁移正在加速：不少欧美公司正把核心业务从闭源前沿模型，切换至中国的开源大模型，迁移后各场景推理成本降幅普遍落在 30% 至 95% 之间。
这不是零星个案，而是一条正在成形的产业曲线。它背后的驱动力朴素得近乎冷酷——当 Token 消耗量指数级增长，谁能把单位推理成本压下来，谁就能活得更久、跑得更远。
一、导火索：当 API 账单超过了全员薪资
最具冲击力的案例来自旧金山。据报道，总部位于旧金山、仅约 25 人的 AI 智能体创业公司 Lindy，其 API 账单已超过公司全体员工的薪资支出。Lindy 主营 AI Agent，产品用于帮用户自动处理邮件、日程、销售、客服等高频工作流——在这类产品里，模型成本几乎直接决定利润空间。
其 CEO Flo Crivello 表示，经过约 9 个月评估，公司已将 100% 生产流量从 Anthropic Claude 迁移至 DeepSeek V4，推理成本因此下降约 95%，年度可节省数百万美元。他给出的对比颇为直白：据其说法，Claude Sonnet 4.5 的输出定价约为每百万 Token 15 美元，而 DeepSeek V4 仅约 0.28 美元，单价差高达数十倍。"对于像我们这样消耗大量 Token 的公司来说，这 100% 必须要做，否则就是不负责任。"
二、更重量级的信号：Coinbase 把中国模型设为"默认选项"
如果说创业公司是被成本逼到墙角，那么大型上市公司的动作，则释放出更强的行业信号。据披露，2026 年 6 月下旬，纳斯达克上市的加密货币交易平台 Coinbase，其 CEO Brian Armstrong 公开表示，公司已通过内部 LLM 网关，将智谱 GLM-5.2 与月之暗面 Kimi K2.7 设为全体工程师的默认大模型，覆盖代码审查、文档总结等常规任务。
据其说法，在 Token 使用量持续指数级增长的同时，通过"换默认模型 + 智能路由 + 强化缓存"三层优化，Coinbase 的 AI 支出被压缩近一半，且这一路径"任何公司都可以照搬"。一个值得玩味的细节是：他透露公司 91% 的工程师此前从未触及原有用量上限——这意味着这次降本并未削减员工额度，而是靠替换模型实现的"纯优化"。对一家合规要求极高的金融科技巨头而言，把中国开源模型设为"默认"，其象征意义不容小觑。
三、一条更长的迁移链：从 Airbnb 到律所、教育平台
把时间轴拉长会发现，Coinbase 只是这条长链上较新的一环。据公开报道，早在 2025 年下半年，Airbnb 的 CEO 就曾在采访中表示公司"在很大程度上依赖阿里巴巴的 Qwen 模型"来驱动 AI 客服。此后，迁移名单持续拉长：
据每经采访，爱沙尼亚数据采集公司 Floxy 此前用 GPT-4o 处理每日数十亿字符的文本解析任务，成本难以承受，迁移至 DeepSeek-V3 后相关推理成本下降约 92%；AI 车辆分析公司 VINspectorAI 将部分任务从 OpenAI 迁移至智谱 GLM 后，在结构化数据提取、VIN 解码等场景推理成本降低约 30%；加拿大律所 Substance Law、英国在线教育平台 ExpertEdge 等也在受访之列。据报道，微软也曾表示考虑在 Copilot 中用 DeepSeek 替代部分现有模型。综合各家反馈，中国模型与美国竞品的性能差距已收窄至约 1%—4%，而价格低出约 60%—90%。
四、真正的变量：不只是便宜，更是"开源自主"
如果仅仅是便宜，还不足以解释这波迁移的黏性。多位受访企业负责人提到的另一关键词是"开放生态"带来的稳定性与自主性。闭源 API 意味着定价、限流、模型下线节奏都掌握在供应商手中；而开源权重（如以 MIT 协议开放的 GLM-5.2）让企业可以自建部署、自主路由、深度优化缓存与精度，把成本与稳定性更多握在自己手里。
对智能体赛道而言，这一点尤其关键。Agent 应用的典型特征是"高频、长程、多步"——一次任务可能触发数十次模型调用，Token 消耗是普通对话应用的数量级之上。因此，模型单价与可控性，几乎直接决定了 Agent 产品能否跑通商业模型。这也解释了为何最早、最彻底"倒戈"的，往往正是 Lindy 这类以 Agent 为主业的公司。
五、客观看：迁移潮真实，但并非"一键通吃"
综合来看，这轮迁移潮反映的是一个朴素而深刻的产业规律：当模型能力趋于收敛，竞争重心正从"谁更聪明"转向"谁更省、更开放、更可控"。中国开源大模型凭借性价比与开放权重，正在真实地进入海外企业的基础设施层，这对整个开源生态与国产模型的全球化都是积极信号。
但也需避免过度解读。其一，上述成本降幅多为受访企业在特定业务场景下的自述数据，不同任务、不同负载下的收益差异很大，不宜简单外推为"普遍降本 95%"；其二，替换默认模型往往伴随智能路由、缓存优化等一整套工程改造，降本是"组合拳"的结果，而非单纯换模型；其三，前沿闭源模型在最复杂推理、多模态等高端任务上仍有其优势，许多企业采取的是"分层选型、按任务路由"而非全盘替换。理性地说，这是一场关于"把钱花在刀刃上"的务实迁移，而非非此即彼的站队。