为什么企业开始对 AI 实验室不满
Palantir CEO Alex Karp 近期公开批评 OpenAI、Anthropic 等大模型实验室，认为它们向企业收取高昂费用，却可能通过客户数据和业务场景进一步扩张到企业原本的价值链中。这个观点之所以引发共鸣，是因为很多企业已经从 AI 尝鲜阶段进入算账阶段。过去大家愿意为“先进模型”付费，现在开始追问：我花了这么多钱，真正留下来的能力属于谁？
企业使用大模型时，通常会把内部流程、客户问题、业务知识、代码片段、文档结构和决策逻辑交给模型处理。这些信息本身就是企业多年积累的资产。如果模型厂商不仅提供能力，还逐步进入咨询、部署、垂直应用和行业解决方案，企业就会担心自己变成数据和场景的提供者，而真正的利润被模型平台拿走。
高收费背后的矛盾
大模型训练和推理成本确实很高，GPU、数据中心、电力、研发、模型安全都需要巨额投入。模型公司收费并不奇怪。但企业客户的不满在于，很多 AI 项目的实际效果还没有完全证明，费用却已经快速增长。一个客服助手、销售助手或代码助手，如果每天被大量员工使用，月度账单可能远超预期。
更麻烦的是，AI 成本不像传统软件那样固定。传统 SaaS 通常按账号收费，企业容易预算；大模型调用按 token、上下文、工具调用和推理复杂度计费，使用越深入，成本越不确定。企业一边希望 AI 深入业务，一边又担心账单失控。
数据控制成为核心问题
Karp 的批评指向另一个更深层问题：企业数据和决策权。大模型如果只是工具，企业还能接受；但如果模型平台开始通过数据积累了解行业流程、客户痛点、产品逻辑，再推出自己的垂直应用，就可能与原本的企业客户产生竞争。这个担忧不是空穴来风，因为 AI 公司正在从模型供应商走向企业部署、行业解决方案和应用平台。
企业必须弄清楚：输入模型的数据是否会被存储？是否会用于训练？是否会进入模型厂商的产品优化？是否能被其他客户间接受益？如果这些问题回答不清楚，AI 项目就存在长期风险。
企业应该如何保护自己
第一，建立数据分级。公开资料、普通业务文档、客户隐私、商业机密、源代码和战略信息应该有不同处理规则。不是所有数据都能交给外部模型。
第二，采用多模型策略。不要把所有流程绑定在一家模型厂商上。高价值任务可以用强模型，普通批量任务可以用国产或开源模型，敏感任务可以本地部署。
第三，保留业务逻辑控制权。企业不要把核心流程完全黑盒化给模型平台，应把规则、审批、权限和审计留在自己的系统里。AI 可以辅助执行，但不能拿走主流程控制权。
第四，核算真实 ROI。每个 AI 功能都要记录使用成本、节省时间、错误率、人工修改次数和业务收益。不能因为 AI 热门就无限投入。
未来趋势
企业和模型公司的关系会越来越微妙。一方面企业需要大模型能力，另一方面又担心被模型平台绑定和反向吞噬。未来赢家可能不是单纯模型最强的公司，而是能让企业感觉“可控、透明、划算、安全”的平台。对于企业来说，真正成熟的 AI 战略不是追随某个模型，而是建立自己的数据治理、模型路由和价值评估体系。
参考来源：Wall Street Journal 关于 Alex Karp 批评 AI 实验室高收费和企业数据风险的报道，以及近期企业 AI 成本、模型路由和供应商锁定相关公开讨论。
