AI的钱到底被谁赚走了我的判断很直接到目前为止真正把钱放进自己口袋的不是写模型、发论文、开发布会的人而是卖算力、卖云服务、卖工具和做行业交付的人。这句话听起来有点反直觉但你只要把一条AI项目的成本流向拆开看就会发现钱不是按“技术热度”分配的而是按“谁有定价权”分配的。这篇内容适合三类人想判断AI赛道机会的从业者、准备给AI相关项目做预算或投资的人、以及想靠AI接单赚钱但还不清楚利润在哪里的人。我不打算讲宏大叙事只讲一件事钱从谁口袋里出来又进了谁的口袋。1. 先把账算明白AI产业链的钱分成了四层想搞懂“AI的钱被谁赚走”第一步不是看新闻而是看产业链结构。因为每一层赚的钱、亏的钱、花的钱逻辑完全不一样。1.1 钱从哪里来预算和付费才是源头AI项目的钱本质上来自两个地方。第一个是企业预算。企业采购AI服务不是为了“拥抱AI”这个口号而是为了降本、增效、降低风险、提升转化率。这个预算通常挂在技术部门、运营部门或一条新业务线上。预算额度和部门负责人能不能看懂AI项目的价值直接相关。第二个是用户付费。消费者买会员、买课、买工具、买生成结果背后是“省时间”或“获得新能力”的诉求。这类钱来得直接但用户付费意愿受体验影响很大今天买完明天不用的情况非常多。记住这个源头再看每一层怎么分钱才不会乱。很多人喜欢从技术前景推导赚钱方向但资金从来不会自动流向技术最好的地方只会流向愿意付费的客户附近。1.2 钱流向哪里算力、模型、应用、数据与交付把AI项目拆开看通常会有这么几个角色参与算力层提供GPU服务器、云服务、数据中心、带宽和运维。负责把模型“跑起来”。模型层做模型训练、微调、对齐、推理优化。负责把“通用能力”造出来。应用层做产品、做界面、做用户流程、做行业方案。负责把模型能力包装成客户能用的东西。数据与交付层做数据清洗、标注、私有化部署、培训、售后。负责让项目在真实环境里落地。这四层不是从同一个锅里分钱而是客户预算在不同层之间流转。很多时候客户只跟应用层签约但应用层收到钱后要再付钱给模型层和算力层。所以看每一层的“赚”和“亏”都要结合合同金额、成本结构、回款周期一起看。1.3 一张表看产业链的赚钱路径我用一张简表梳理四层的钱从哪来、花到哪去产业链层典型角色收入来源核心成本当下赚钱状态算力层芯片厂商、服务器厂商、云厂商、IDC卖硬件、卖云资源、卖算力包研发投入、硬件采购、机房电费、折旧多数能先收到钱但重资产模型层基础模型公司、开源团队、模型工具商API调用费、订阅费、授权费、服务费训练成本、人才成本、推理成本大部分还没形成稳定利润应用层SaaS产品、智能客服、内容工具、行业软件订阅费、项目费、按量计费获客成本、模型调用费、人力交付成本收入热闹利润容易被吃掉数据与交付层数据服务商、咨询公司、外包团队、代理商项目费、实施费、维护费人力、差旅、沟通成本现金流相对稳定但规模有限这张表最大的用处是帮你定位你说“AI赚钱了”时到底在说哪一层赚钱。不同层的答案完全不同。1.4 为什么赚钱顺序不是按技术热点顺序来的很多人的直觉是“技术越牛越赚钱”所以会刻意关注发布新模型的团队。但真实商业里最先赚到钱的往往是“离客户最近的那一层”和“掌握稀缺资源的那一层”。AI项目起步时最稀缺的不是创意而是能稳定运行的算力。先有算力才能训练才能调优才能给客户演示。所以算力层天然拥有早期定价权。模型和应用跑起来之后稀缺资源变成“能让效果稳定的工程能力”和“能被客户接受的数据质量”。这时候服务商和交付团队开始赚钱。技术热点会变但“解决一个具体问题并收到钱”的逻辑不会变。判断谁赚钱先找稀缺再找付费方。2. 算力层为什么能先赚钱普通人还有没有机会算力层是很多人最先想到的“卖铲子”生意。这个判断方向没错但“卖铲子”也分好几种卖法利润差距非常大。2.1 卖铲子的本质你不依赖AI公司是否成功AI公司不管最后能不能盈利在训练和上线阶段都必须要买算力。哪怕这个AI项目后来失败前期租云服务、买GPU、上服务器的钱也已经花出去了。所以算力生意对客户成功率的依赖很低只要行业还有公司在研发就有持续需求。这就是“卖铲子”逻辑的核心优势你不需要判断哪家公司会赢你只需要赌“这个行业还会继续投入”。只要投入还在你就有收入。但对于普通人和中小企业来说直接做芯片、自建数据中心、运营GPU集群门槛非常高。这不是写个代码、配个服务器那么简单。资金、运维、供应链、客户源每一样都可能卡住你。2.2 不同角色的利润差异芯片、服务器、云、IDC差别很大算力层内部不是一个均匀的市场按离硬件远近可以分成四类芯片厂商利润最高但同时研发投入和周期也最长。一般人不具备进入条件。服务器整机厂商毛利率通常不高主要靠出货量。客户集中度大容易受订单波动影响。云服务厂商按量付费现金流稳定但重资产、折旧压力大。价格战之后实际利润会被压缩。IDC机房和运维服务收入偏稳定但电费、场地、硬维护成本占比高利润更多靠规模。这四类不是都能让普通人随便切入。如果你此刻还在以个人身份研究“买几块GPU租出去能不能赚钱”我的建议是先别急着下结论。算力服务的核心不是你有卡而是你有稳定的客户、稳定的能源成本、稳定的故障处理能力。个人缺的往往不是硬件资源而是后面这几项。2.3 做算力买卖的真实成本与风险如果真想尝试“卖算力”这条线至少要算清四笔账硬件采购成本GPU本身只占一部分还有服务器、存储、网络设备、机房托管或电力改造成本。折旧成本GPU更新迭代快二手残值变化不可控。今天觉得配置很高两三年后可能就变成落后产能。上座率风险买来算力后能不能卖出去才是决定性因素。设备空转一天亏的就是真金白银。运维和客服成本客户半夜发来故障单你是否有能力响应没有足够运维能力长期合作很快就会出问题。我看过不少“AI算力创业”的方案最后失败往往不是因为技术不行而是太低估了运维和客户获取成本。设备买得越重、越早越要谨慎。2.4 普通人切入算力层的可行方式普通人和小团队如果要碰算力不一定非要自购硬件。目前相对稳妥的几种方式做云资源分销或代理有稳定客户后帮客户采购云资源、做成本优化、提供技术支持赚服务费或返佣差。做私有化部署服务把开源模型部署到客户服务器上赚的是实施和运维费而不是硬件差价。做算力选型咨询很多公司不知道训练、推理、微调分别适合什么配置。你有实际测试经验就能帮他们省预算。我建议先别买卡先接一两个真实客户看看自己能不能解决“从需求到交付”的全过程。如果能接住再考虑要不要重资产投入。不能接住之前买卡只会放大亏损。3. 模型层赚钱难在哪钱都烧在哪了模型层是最受关注的一层也是目前最难稳定赚钱的一层。很多团队不是不努力而是成本结构太笨重。3.1 训练、调优、推理、对齐每一环都要钱一个模型从0到1看起来是“跑一次训练”实际上拆分下来至少包含预训练需要大规模数据和大量算力往往要持续几周到几个月。这是大家比较熟悉的“烧钱阶段”。微调根据特定领域数据做二次训练。虽然成本低于预训练但需要在专人盯守和多次实验。对齐让模型输出符合人类偏好、不偏离业务要求。这个阶段人力密集数据标注和策略测试都很费时间。推理模型上线后每次用户调用都会产生成本。调用量越大推理成本越高。很多团队可以在展示Demo时把效果做得很惊艳但一到生产环境就要面对推理速度、吞吐量、并发能力和成本控制的问题。用户并不关心你的训练成本有多高他们只关心响应快不快、回答准不准、价格贵不贵。3.2 模型公司的收入来源只有四类模型层如果把“技术”包装成一个产品收入来源其实非常有限API调用费客户按次数或按Token付费。模式简单但价格竞争已经非常激烈。订阅费或授权费客户按周期买断某个版本的使用权。适合私有化客户但销售周期长。定制化服务费基于模型做专属领域调优按项目收费。毛利较高但难以规模化。开源商业化通过提供企业版、技术支持、托管服务换取收入。早期需要大量免费社群支撑。你会发现模型本身的“标准能力”越来越难收钱。原因是同类能力会在短期内被快速复制客户会同时对比好几家方案价格被比得越来越透明。3.3 为什么很多模型公司算账后仍然不赚钱原因不复杂成本是持续发生的收入却是一次性或低频的。训练成本虽然高但一次性花完还能接受。真正让模型公司难盈利的是持续支出研发团队人力、数据更新、模型迭代、推理集群、客服和支持、市场推广。任何一条都得按月付钱。但模型交付给客户后客户不一定持续付费。有的客户买断一个版本之后可以用两三年有的客户只调一次API之后再也没有活跃调用。这就导致收入曲线很陡峭热度来的那几个月收入好看热度一过现金流立刻紧张。所以现在很多模型公司转向“跟客户一起做项目”靠项目交付来补贴模型研发。本质上就是模型层开始向下延伸吃交付层的饭。3.4 开源模型改变了什么开源模型对整个模型层的商业逻辑冲击非常大。以前客户想获得AI能力只有购买闭源模型或自研模型两条路。现在开源模型提供了另一条路免费拿到基础能力再自己部署、微调、封装成产品。只要部署成本足够低很多客户就会放弃高额授权费。这件事对闭源模型公司的冲击很大但对应用层和交付层反而是利好。因为开源模型把“模型能力”变得廉价意味着应用层可以用更低成本验证产品服务商可以基于开源模型做定制客户也能用更少的预算看到实际效果。但开源模型也不是没有风险版本兼容性、许可证边界、后续维护、效果稳定性都需要专业判断。我见过不少项目因为版本选错后期返工所以不要把“开源”简单理解成“免费省心”。3.5 在模型层赚钱的可能不是模型本身如果继续待在模型层更值得关注的其实是模型工具链评测工具、训练管理平台、数据标注平台、推理加速方案、可观测系统。这些工具帮助模型团队降本增效但对算力依赖没那么重客单价也不低。打个比方淘金的人不一定会赚钱但卖铲子的人有机会。同样训模型的人不一定会赚钱但让训练过程更高效、让推理成本更低的人有机会。所以我经常建议想做模型方向的人别只盯着“复现一个模型”多看看“模型跑起来之后还需要什么工具和服务”。那些环节客户愿意付费也更容易形成长期合作。4. 应用层是多数人最熟悉的地方也是最容易误判赚钱的地方应用层是离用户最近的一层也是舆论讨论最多的一层。但这层同样容易出现“看着热闹、算账亏损”的情况。4.1 面向消费者的AI应用流量成本是生死线消费级AI应用的市场是真的需求也是真的。智能问答、海报生成、视频脚本、翻译、绘画、写作辅助每个赛道都有用户愿意花钱。但要特别注意的是消费级应用通常标配“免费试用付费订阅”的模式而免费用户会带来巨大的服务器成本和模型调用成本。用户增长越快免费阶段烧的钱越多。如果产品留存不够羊毛最终还是会出在羊身上。判断这类产品能不能赚钱重点看三个指标用户次日留存和30日留存说明用户是否真的会反复使用。付费率免费到付费的转化比例决定收入天花板。单用户边际成本每多一个活跃用户你要多付多少模型调用费和服务器费。只看到用户量大不算厉害算得过来单用户收入和单用户成本之差的才有生存机会。4.2 面向企业的AI应用真正付费的是降本增效企业级AI应用和消费级完全不是一套逻辑。企业客户不会因为“你的技术很酷”就买单他们通常只关心三件事能不能降低成本能不能提升效率能不能减少风险如果一套AI客服系统能把人工客服成本降低30%客户是有预算采购的。如果一个AI写作文案工具只是“写出来的内容偶尔能用”客户会显得很犹豫。所以企业级AI应用的关键不是模型多强而是你怎么证明自己带来了可量化的收益。最好能在售前阶段就做一个10到20人次的小规模试用把处理时长、错误率、节省人力成本等数据跑出来。企业级应用的缺点是销售周期长有时候一个客户要跟3到6个月。但好处是客单价高、续费率高只要交付稳定客户不会轻易换掉你。4.3 API套壳为什么能赚钱但不是长久生意API套壳是很多人最容易上手的一类AI产品调用一个现成的大模型API自己套上一层产品和运营能力。成本低、上线快、能快速验证需求。这类产品确实能赚钱因为很多用户不知道或不关心你的底层模型是谁他们只关心你的产品好不好用。如果你能在某一个小场景上做得比原厂更好用户就会付费。但风险也很明显同质化严重。别人也调同一个API竞争只能拼价格和投放。不掌握核心能力。一旦上游API调整价格、接口或使用限制你的利润和体验都会受影响。没有数据壁垒。用户行为和数据如果没有沉淀产品就容易被复制。如果要做API套壳我的建议是找一个极小众、原厂不愿意专门做垂直适配的场景并且重点做数据积累、私有化部署和行业流程嵌入。否则它最多是一个短期现金流生意。4.4 AI行业定制人力密集但有刚性需求现在赚钱相对稳的其实是“AI行业定制”这一块给医院写病历辅助系统给工厂做质检识别给金融做合同审查给教育做批改工具。这类项目往往不需要研发一个通用大模型而是把开源模型或API能力跟行业业务深度结合。工作量大、定制程度高、交付周期长所以单价高。缺点是人力密集团队扩张到一定程度后利润会被人力成本吃掉。真正的核心竞争力不在模型本身而在你对行业业务的理解深度比如你知道医疗病历的等级划分、质检流程里的拍照角度、合同审查里的法条优先级。这些业务知识模型不会替你学会只能靠项目一点点积累。4.5 应用层赚钱判断指标不管做消费级还是企业级我一般会先看五个维度判断维度关键问题理想状态单位经济性单客户收入能否覆盖单客户成本毛利为正且随着规模上升毛利不被稀释获客方式客户从哪里来要不要持续投放有自然流量或复购而不是只靠一次性买量交付难度从签约到交付要投入多少人力可标准化边际交付成本能降下来数据沉淀项目结束后是否留下可用数据数据能反哺产品形成壁垒上游依赖是否依赖单一API或模型供应商有多家可切换的替代方案如果这五项里有两项以上很差就算短期有收入我也建议谨慎。5. 周边生态与个人机会谁在靠AI稳定赚到钱除了产业链四层AI周边生态已经养出一批稳定赚钱的人。规模不一定大但现金流往往比中间层更健康。5.1 AI培训和知识付费需求真实但竞争很快变红海AI培训是最近几年非常热闹的方向。需求是真的大量转行者、传统从业者、企业员工都想快速了解AI能干什么、怎么用工具、怎么提升效率。但这门生意的问题也很明显内容同质化非常快。今天你出一门“AI写作课”明天市场上可能出现几十门类似课程。用户买课的决策越来越谨慎课程复购率不高单用户生命周期价值有限。如果想做这个方向不能只讲“AI很厉害”要有一个非常明确的人群和场景。比如“给新媒体编辑的AI排版和标题总结课”“给财务人员的Excel AI处理课”。越垂直客户越容易感觉到价值越愿意付费。5.2 AI内容创作和代运营赚的是执行的钱很多公司现在需要批量生产图文、短视频脚本、活动方案、行业报告但又不想为此养一支昂贵的AI团队。于是衍生出一批“用AI工具做内容交付”的人或小团队。这门生意能赚钱但本质上是按执行付费。客户不会因为你的工具是AI就多付一倍的钱他们只关心内容质量、交付时间和修改次数。如果你的流程能稳定产出高质量内容复购和转介绍会有如果不能客户很快会换人。做这类业务时我建议把一个单子拆成“访谈需求→写提示词→人工审核→交付修改”四个环节。别把所有希望都压在自动生成上最后的审核和包装才是决定客户满意度的地方。5.3 开源社区与开发者生态赚名还是赚钱开源AI项目现在非常多很多个人开发者会盯着GitHub趋势选择自己感兴趣的项目做贡献或者把自己的小项目开源出来。开源生态的收益不能只按现金算。你能获得的潜在价值包括个人品牌、技术影响力、社区人脉、后续的内推机会和接单报价能力。如果你恰好维护了一个被多公司使用的库后续做咨询、培训、企业定制服务都有了信用背书。但纯粹靠开源项目直接赚钱难度不低。除非你能提供企业级支持、私有化版本或托管服务否则代码本身很难直接变现。个人开发者可以把自己看成“长期储蓄账户”先用开源积累信任再用配套服务赚钱。5.4 企业落地咨询与部署服务企业需要的是“能用的方案”不是概念很多企业处于一种“知道AI有用但不知道怎么用”的状态。他们需要一个懂技术、懂业务、能落地的人帮他们把需求拆成可执行方案并完成部署。这类服务本质上就是咨询加实施。通常包括业务场景梳理先找出哪个环节的AI价值最大。技术方案设计用开源模型还是API调用数据怎么做部署在哪。实施和验证小范围试运行跑出指标。后期培训和运维教企业员工使用并处理模型更新、数据迭代。这个方向的护城河不是技术本身而是你敢不敢对结果负责。企业客户很难因为一份PPT就付大钱但如果你的方案能够在一个小场景里跑出明确效果后面的项目会越来越多。5.5 普通人的三个切入参考如果你不是大团队也没有融资我的建议是最多做以下三件事先把一个垂直场景做深而不是同时做十个功能。先通过服务客户积累行业数据不要一开始就做标准化产品。先保证每一单都不亏钱再考虑规模化。普通人的优势是灵活劣势是资源少。只要你愿意在一个细分场景里打磨出稳定的交付流程市场上会有你的位置。6. 不想被割韭菜看项目的四个判断标准最后这部分是给两类人写的自己想做AI项目的人以及准备投资或采购AI相关产品的人。AI市场的“风口词”很多但很多项目并不像表面那么赚钱。6.1 先算毛利别只看GMV很多项目对外宣传时喜欢讲用户量、GMV、付费人次。但这些数字都只是收入侧的风景真正决定活多久的是毛利。我评估一个项目时第一步就是拆成本包括模型调用成本、服务器成本、人力成本、销售提成、售后支持成本。然后算单笔生意的毛利。如果一个项目的毛利低于30%说明它对流量和销售高度依赖一旦投放渠道涨价或客户进入观望期利润会迅速蒸发。刚开始做AI项目时别急着跑量。先选一个小客户做完整的成本测算。跑不出一单正毛利就不要谈规模化。6.2 看是否具备数据壁垒和交付沉淀AI产品的一个核心骗局是“只要接个大模型API就能做成产品”。其实API只是能力起点真正难的是数据积累。项目做过三个月之后你应该积累了用户的真实问题、使用行为、业务反馈、失败案例。这些数据可以用来优化提示词、微调模型、改进产品流程。如果做到最后项目数据还只是停留在“调用日志”层面那这个项目就很容易被替代。判断数据壁垒有个土办法如果团队解散了这些数据对你的客户还有价值吗如果答案是“没有”说明项目没有沉淀出真实壁垒。6.3 看成本结构是不是会随着规模线性上升很多项目看起来毛利不错但问题是一旦扩大规模成本也几乎同比例上升。典型的是人力密集型AI项目。每多接一个项目就要多配两个实施工程师。收入翻倍人力成本也翻倍利润还是同样的比例。这就不是好生意更像是一份“可扩展性较差的生意”。相对健康的状态是规模扩大后边际成本明显下降。比如你已经做好了30个行业模板第31个客户时只需要改参数就能交付。这种项目才能形成真正的规模效应。6.4 看客户是因为“AI”还是因为“问题被解决”买单这个判断标准非常关键。如果一个方案对客户说“我们用了最新的大模型技术”客户愿意付款但如果换一个方案说“我用普通规则算法也能达到同样效果”客户就不买了。这本质上是为新技术买单风险会很大。反过来说如果客户是因为“客服响应时间从5分钟降到30秒”“海报制作成本降低了60%”而付款那说明你解决的是真问题。就算未来底层技术换了一代客户还是会需要你。我给团队的建议是对外沟通可以讲AI但内部算账一定要以“问题是否被解决”为中心。不要被技术关键词冲昏头脑。6.5 最后留几个我自己的排查习惯在AI项目里摸爬滚打我遇到最多的问题不是“能不能做”而是“做完之后钱从哪来”。所以我最后留下几个自己每次带项目时都会先排查的习惯先看这个项目有没有明确的需求方并且需求方是否已经有预算。再看项目是不是必须用AI才能解决。如果不用AI也能解决那就别把AI当成主要卖点否则成本会失控。然后算一版“悲观成本”假设客户延期付款、模型调用量翻倍、实施时间增加30%看自己还扛不扛得住。最后看自己的方案是不是能在6个月内形成至少一个可重复交付的流程。如果每个项目都是全新设计团队会非常累利润也会被磨平。AI的钱不是平均分配的它流向了能在某个环节持续提供稀缺价值的人。很多人输在技术上更多人输在算账和交付上。如果你想从AI市场分到钱先别问风口在哪问自己哪个客户会为什么结果付费这笔账能不能算得过来。