源AI蓬勃发展，为何尚未对Anthropic造成冲击？
近期，Decagon公司CEO Jesse Zhang提出了一个颠覆性的观点，直指当前AI经济中最耐人寻味的悖论：尽管开源和轻量级模型的使用量在暴涨，但企业在昂贵的前沿大模型（如Anthropic、OpenAI）上的整体支出却纹丝不动。
这揭示了一个正在形成的行业新常态：分层式模型商业格局。
1. 市场数据的“冰火两重天”
根据Vercel和OpenRouter的最新数据，我们可以看到明显的流量与收入倒挂现象：
- 流量侧（开源称王）： DeepSeek的Token处理量已飙升至首位，占据了Vercel平台超过三分之一的流量。在OpenRouter上，DeepSeek V4 Flash每周处理5.3万亿Token，远超闭源模型。
- 收入侧（闭源垄断）： 尽管流量被分流，Anthropic依然占据了Vercel平台超过半数的AI支出。原因在于价格鸿沟——前沿闭源模型（如Opus 4.8）的单Token均价约为开源模型（如V4 Flash）的23倍。
2. AI生命周期的“双阶段”理论
为什么会出现这种情况？Zhang提出的“AI生命周期”理论给出了完美解释。企业在使用AI时，实际上经历了两个截然不同的阶段：
- 探索与验证阶段（使用前沿闭源模型）： 在项目初期，企业需要最强的智能水平来验证想法的可行性。此时，成本不是首要考虑因素，智能密度才是关键。Anthropic等前沿实验室垄断了这一高利润环节。
- 规模化落地阶段（切换开源/轻量模型）： 一旦用例被验证有效，企业为了控制成本，会迅速转向DeepSeek等开源或轻量级模型进行大规模部署。
结论： 开源模型的崛起并没有抢走闭源模型的饭碗，反而成为了闭源模型的“下游承接者”。只要新的AI应用场景还在不断涌现，前沿模型就永远有生意做。
3. 如何利用“分层策略”落地你的AI项目？
对于开发者和企业而言，理解这一逻辑至关重要。盲目追求最强模型会导致成本失控，而一开始就用轻量模型可能导致效果不佳。
具体的落地解决方案（AI智能组合拳）：
- 第一步：高维验证（PoC阶段）
- 策略： 在开发原型或处理极复杂逻辑（如创意写作、复杂推理）时，直接调用Anthropic或GPT-4级别的模型。
- 目的： 确保“天花板”足够高，快速跑通业务逻辑，不要为了省小钱而卡在技术瓶颈上。
- 第二步：智能路由与降级（生产阶段）
- 策略： 建立AI网关层。对于已经验证过的、标准化的简单任务（如摘要、基础分类），通过提示词工程优化后，无缝切换至DeepSeek或Llama等开源模型。
- 目的： 利用开源模型的低成本优势，将边际成本降至最低。
- 第三步：持续监控与迭代
- 策略： 监控模型输出质量。如果开源模型在特定场景下表现下滑，自动回滚至闭源模型。
这种“闭源探路，开源铺量”的策略，是目前性价比最高的AI落地方式。正如行业观察所言，基础大模型实验室更像是提供高纯度原料的供应商，而懂得如何组合使用这些原料的企业，才能独享应用层的红利。
本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源
常见问题 FAQ
分层策略”具体指什么？为什么说它性价比高？
简单说，就是用闭源模型“探路”，用开源模型“铺量”。在项目初期的验证阶段，用像Anthropic这样的强模型确保方案可行；一旦方案验证成功，进入大规模部署时，就切换到DeepSeek等开源模型，利用其低成本优势控制总开销。这种组合拳避免了前期因用弱模型卡壳，也防止了后期成本失控，是当前公认的高效落地方式。
为什么DeepSeek等开源模型用量激增，却没冲击到Anthropic的收入？
这背后是“流量”和“收入”的倒挂。数据显示，开源模型（如DeepSeek）处理的Token流量极大，远超闭源模型。但关键在于价格：前沿闭源模型（如Anthropic的Opus）的单Token均价可能是开源模型的20多倍。所以，尽管企业在闭源模型上的调用次数可能不多，但因其单价极高，贡献了绝大部分的AI支出。这就像用廉价卡车运货（开源），但用天价跑车送快递（闭源），跑车虽然次数少，但总价惊人。
标题说“别被开源模型骗了”，企业AI支出的“真相”到底是什么？
真相就是市场呈现“冰火两重天”：在处理量（流量）上，开源模型占据绝对优势；但在企业总支出（收入）上，闭源模型依然垄断。这是因为企业AI应用生命周期分为两阶段：早期探索用高成本的闭源强模型，后期规模化落地则转向低成本的开源模型。所以，开源的繁荣并未抢走闭源的蛋糕，反而成为了其下游承接者，二者形成了互补而非替代的关系。
如果我们要落地一个AI项目，具体该怎么用好“分层策略”？
你可以分三步走。第一步，在开发原型或处理复杂推理等高难度任务时，直接调用最强闭源模型（如Claude），目的是确保技术天花板足够高，快速跑通逻辑。第二步，为已验证的标准化任务（如摘要、分类）建立AI网关，通过优化提示词，将请求路由给开源模型处理，极大降低成本。第三步，持续监控开源模型的输出质量，一旦效果下降，自动回滚至闭源模型。这是一个动态平衡的过程。
根据“AI生命周期”理论，开源模型在企业应用中扮演什么角色？
开源模型主要扮演“规模化落地引擎”的角色。在企业验证一个AI用例有效后，核心目标就从“追求最佳效果”转变为“以可承受的成本大规模应用”。这时，成本低廉、可私有化部署的开源模型（如DeepSeek、Llama）就成了不二之选。它负责承接从闭源模型那里验证成功的方案，并将其铺向全业务线，是AI应用从1到100阶段的核心驱动力。
采用“分层策略”时，有哪些常见的坑需要避免？
主要的坑有两个。一是盲目追求最强模型：在项目初期就为了追求效果而无节制地使用最贵的闭源模型，会导致成本迅速失控，项目无法持续。二是起步阶段就试图用轻量模型：为了省钱，一开始就用能力有限的开源或小模型做复杂任务，很可能导致效果不达标，方案被直接否决，浪费前期所有投入。正确的做法是分阶段匹配模型能力与成本，先验证再降本。