01. 驳Palantir CEO：按Token收费就是没信心？
2026.07.08 · 15分钟阅读
02. 先说说这场论战
蹭个热点：Palantir 的 CEO Alex Karp 最近对 AI 行业发了几炮。
大意是：你们这些 AI 公司，问题大了去了——按 Token 收费就是不敢按结果收费，说明没信心；企业付了那么多 Token 费利润表上什么都没看到，价值在哪里；大企业最怕数据外泄，你们根本解决不了信任问题。
三条指控，每一刀都砍在 AI 行业最敏感的神经上。
但有意思的是——这三条指控，每一条的逻辑，细看都有漏洞。
不是它们指向的问题不存在。恰恰相反，它们指向的问题非常真实。但论证的方式，是把一个复杂问题塞进一个简单的逻辑模子里，然后用这个模子压出来的”荒谬”来否定复杂问题本身。这是一种经典的修辞技巧。它不是分析工具。
这篇文章拆开这三条指控，不是为了跟 Palantir CEO 抬杠——而是想说清楚： 每一条的合理成分在哪，逻辑陷阱在哪，真正的问题又是什么。
03. 第一条指控：按Token收费是没信心，还是常识？
3.1 指控长什么样
“AI 公司为什么还在用按 Token 收费的方式卖产品？如果 AI 真的能为企业创造巨大价值，为什么不敢直接跟企业谈利润分成或者结果分成？”
这个指控有一个非常聪明的修辞结构： 把定价方式等同于价值信心 。你的定价方式不够”激进”，就说明你对自己的产品没信心。
你不敢按结果收费 → 说明你心里没底 → 所以你的产品可能没那么值钱。
三步推理，一气呵成。
3.2 反例的威力
最好的回答来自一个经典的归谬：
“为什么不按token收费，按这个逻辑供电局应该不收电费，按你的产出分成？”
把这个逻辑推演下去，你会发现几乎所有行业都”有罪”：
- 阿里云是不是应该按客户的 GMV 分成，而不是按 ECS 实例收费？
- Salesforce 是不是应该按客户用 CRM 多赚了多少钱来收费？
- 麦肯锡是不是应该按客户实施建议后的利润增长来收费？
- 甚至—— Palantir 自己，它的 Gotham 平台给美国政府和军方用，是按结果分成的吗？杀多少人分成？
事实上，Palantir 的定价模式恰恰是 “软件许可费 + 实施服务费 + 长期合同” ，标准的 enterprise software 定价模型。它也没按”这个情报帮助军方打了多少胜仗”来分成。美国政府不会接受这种定价方式，Palantir 也不会提出这种定价方式——因为双方都知道，把”情报价值”货币化在操作上是不可能的。
按使用量收费（Token、电费、云计算资源）和按结果收费（利润分成），是两个完全不同的问题。
前者是 定价的基础设施逻辑 ——你用了多少资源，付多少钱。后者是 定价的价值逻辑 ——你创造了多少价值，分多少钱。
问题在于： 这两者不可通约。
3.3 经济计算
这里有一个更深层的问题，哈耶克在《知识在社会中的运用》（1945）中已经说得很清楚：
经济计算的核心问题，不是”价值是多少”，而是”谁有能力知道价值是多少”。
当一家供电局给你供电时，它不知道你用这些电是造芯片还是挖比特币。当 OpenAI 给你输出 Token 时，它不知道你用这个输出去写代码、做客服、还是写情书。
AI 公司的 Token 价格，本质上和电费、云计算费用一样，是在解决一个 知识分散问题 ——卖方不知道买方的使用场景和边际价值，所以只能按成本加合理利润来定价。
这是一个认识论的限制，不是商业策略的懦弱。
反过来，如果你要求 AI 公司按结果收费，你需要回答一个更难的问题： “结果”由谁定义？怎么衡量？有争议了谁仲裁？
如果我用 AI 写了一行代码，这行代码帮公司赚了 100 万——AI 公司应该分多少？是 50 万？10 万？还是 100 块？
如果这行代码只是整个系统的一部分呢？如果这行代码后来被修改了 20 次呢？如果没有这行代码，但用其他方式也解决了问题呢？
你会发现， “结果定价”在理论上是美好的，在操作上是一个泥潭。
3.4 交易费用视角
这看起来是一个定价问题，实际上是一个 交易费用问题 。
科斯在《社会成本问题》（1960）中论证过一个核心思想： 市场会选择交易费用最低的制度安排，即使这个安排看起来”不完美”。
按 Token 收费虽然”不完美”，但它的交易费用极低——双方都知道自己买了什么、付了多少钱。不需要定义”结果”、不需要测量”贡献”、不需要第三方仲裁。你调用 API，计费器跳一下，月底出账单。简单、清晰、可预期。
按结果分成的交易费用极高——需要定义结果、测量贡献、建立争议解决机制、防止机会主义行为。双方还要在合同中写清楚”如果客户自己改进了流程导致利润增加，算不算 AI 的贡献”这种几乎不可能写清楚的问题。
从激励结构来看，按结果收费确实更”性感”。但从交易费用来看，按 Token 收费是当前约束条件下的合理选择。
这跟信心无关，跟经济学有关。
3.5 什么场景下按结果收费可行？
当然，不是说按结果收费完全不可行。它在一些特定场景下是成立的：
- 垂直领域的端到端解决方案 ：一个专门做客服的 AI 系统，可以按”替代了多少客服人力”来定价。使用场景固定、价值可测量、替代关系清晰。
- Agentic AI 的特定任务 ：一个专门处理保险理赔的 AI Agent，可以按”处理了多少理赔案件”来定价。边界清晰，结果可验证。
- 广告投放的 CPA 模型 ：按实际转化效果付费。广告行业几十年的实践已经证明，在结果可追踪的前提下，按效果付费是可行的。
但这些场景的共同特征是： 使用场景高度标准化、价值链路足够短、结果可被第三方验证。
大语言模型 API 的通用性恰恰是它的核心价值，也是它不适合按结果收费的原因。 它的优势就是”通用”，而按结果收费的前提是”专用”。
这两者存在结构性矛盾。
如果你想要 AI 帮你做”任何事”，那你就只能按”做了多少事”来付费。这是一个硬币的两面。
04. 第二条指控：Token账单在涨，利润表没动，然后呢？
4.1 指控长什么样
“企业一直在为 Token 买单，但它们是否获得了预期价值？过去两年，很多企业花了大量预算接入大模型 API，账单越来越高，但真正落到利润表里的价值并不清晰。”
这个指控比第一个更有杀伤力。因为它触及了一个真实的问题。
确实，很多企业花了大钱接入了大模型 API，但 ROI 至今说不清楚。这不是企业不会算账——AI 的价值创造路径本身就比传统软件复杂得多。你很难画一条从”调用了一次 Claude API”到”利润增加了 X%“的直线。
但”价值不清晰”不等于”没有价值”。 这里有一个关键的分析错误：把初期投入等同于最终产出，用当前的模糊性否定未来的清晰性。
4.2 S曲线：先投入后产出的常识
核心是一个简单的常识：增长曲线是有杠杆的，一开始的低斜率不代表未来。
任何变革性技术的价值释放路径，都不是线性的。它更像一个 S 曲线：
- 早期 ：大量投入（API 费用、人才成本、系统改造），产出极小
- 中期 ：找到正确的应用场景后，产出开始加速
- 后期 ：规模化后，产出远超投入
这不是 AI 行业的特殊性，这是几乎所有技术革命的共性。
ERP 在 1990 年代 ：SAP 和 Oracle 的 ERP 实施动辄上亿，实施周期 2-3 年，初期 ROI 为负。但今天的超大型企业几乎离不开它们。没有哪家 CIO 会因为”1995 年上 SAP 没看到短期回报”而否定 ERP 的价值。
互联网在 1995-2000 年 ：企业花了大价钱建网站、做电商，利润表一片惨淡。2000 年互联网泡沫破裂时，无数人得出结论：“互联网没有价值。“但 2003 年后，那些挺过来的公司——亚马逊、谷歌、以及后来崛起的中国互联网公司——证明了这个结论的荒谬。不是互联网没价值，而是价值需要时间来释放。
云计算在 2010-2015 年 ：企业从自建机房迁移到 AWS，初期成本反而更高。但弹性伸缩、按需付费带来的长期效率提升，在 5-10 年的维度上才完全释放。今天回头看，很少有企业会后悔当初的迁移决策。
AI 的 Token 费用目前确实在涨，利润表也确实没看到对应的回报。但这更可能是因为企业还处在 S 曲线的 学习阶段 ——它们在试错，在找场景，在改造流程。Token 费用是学费，不是浪费。
4.3 杰文斯悖论的反直觉启示
这里有一个更深层的经济学逻辑，来自杰文斯悖论（Jevons Paradox）：
当一项资源的效率提高时，它的使用量反而会增加，而不是减少。
19 世纪，英国经济学家威廉·斯坦利·杰文斯发现了一个反直觉的现象：瓦特改良蒸汽机，提高了煤炭的利用效率——按常理，煤炭用量应该下降。但实际结果是煤炭用量暴增，因为效率提升让蒸汽机可以应用到更多场景，总需求曲线向右移动，抵消了单位效率提升带来的节约。
同样的逻辑适用于 AI Token：
Token 价格在快速下降。 从 GPT初代到 Coding-Plan 时代，推理成本下降了 90% 以上。但企业的 Token 消费量在爆炸式增长。
这说明了什么？
如果企业真的觉得 AI 没有价值，它们会缩减用量。Token 账单在涨，更可能是用量在涨，而不是单价在涨。用量在涨，说明企业在 找到越来越多的应用场景 。
你可能还记得 2023 年的一个经典段子：有人用 GPT-4 写了一个脚本，每天早上自动生成一封”今天天气不错”的邮件发给全公司——然后被老板叫去谈话。这个段子背后是一个真实的现象：企业在疯狂试错。大多数实验会失败，但只要有一个成功，它的回报就可能覆盖所有失败实验的成本。
Token 账单的增长，是探索的成本。如果探索停止了，那才说明问题真的大了。
4.4 衡量困境：不可测量不等于不存在
还有一个更微妙的问题： AI 创造的价值，很多是无法被传统财务指标捕捉的。
一个客服 AI 把客户平均等待时间从 5 分钟降到了 30 秒——这怎么算进利润表？代码助手让开发效率提升了 20%——但这 20% 是变成了更多功能上线，还是更少的加班？内部知识库 AI 让新员工上手时间从 3 个月缩短到 2 周——培训预算省了吗？
这些问题不是没有答案，而是答案在不同的企业里完全不同。
任何试图用一个统一指标来衡量 AI 价值的尝试，都是在犯哈耶克所说的”建构理性”的错误 ——以为中心化的评估比分散化的市场发现更有效。
AI 的价值，只有在具体的使用场景中、由具体的使用者来定义，才能被真正衡量。这恰恰是哈耶克的知识分散理论的当代回响：价值信息是分散的、局部的、难以聚合的。
这也许才是 AI 价值”说不清楚”的真正原因：不是它没价值，而是价值太分散，无法被集中度量。
4.5 计算经济学视角
这里可以引入米塞斯的经济计算问题（economic calculation problem）来做更深层的分析。
米塞斯在《社会主义》（1922）中论证过： 在缺乏市场价格的情况下，经济计算是不可能的。 因为价格是分散知识的信息载体，没有价格，你就无法理性地评估资源配置的效率。
AI 领域的”ROI 说不清楚”问题，本质上就是一个经济计算问题。AI 的价值创造路径是非线性的、间接的、且高度依赖上下文。它不像买一台机器——你投 100 万买设备，产能提升 X%，回收期 Y 年，算得清清楚楚。
但这不是 AI 的问题，这是所有”赋能型技术”的共同特征。
- 你能算清楚”使用了电力”带来的具体利润是多少吗？
- 你能算清楚”使用了互联网”带来的具体利润是多少吗？
- 你能算清楚”使用了智能手机”带来的具体利润是多少吗？
你不能。但这些技术的价值是无可争议的。 有些东西的价值，只有在不用的时候才能被真正感受到。
这当然不是一个令人满意的答案。AI 公司确实需要更好的方式来证明自己的价值。但把”现在说不清楚”等同于”没有价值”，是把测量问题当成了价值问题。
05. 第三条指控：数据安全恐惧是合理的，但不是原罪
5.1 指控长什么样
“（大）企业最担心的不是模型能力，而是独家数据、知识产权和控制权。对大型企业和政府客户来说，客户信息、供应链数据、研发资料、财务数据、合同文件、代码资产会不会外泄？”
这个指控可能是三条中最”真实”的一条。数据安全确实是企业采用 AI 的核心障碍之一。我接触过的大部分企业客户，在考虑 AI 方案时，第一问的不是”准确率多少”，而是”数据怎么处理”。
但同样，问题不是”企业是否应该担心数据安全”——当然应该。问题在于： 这种担忧的独特性是否成立？是否意味着 AI 公司在数据保护上特别不可信？
5.2 现成的类比
这里有一个现成的类比：
“企业的资金流水数据在银行都有，有人质疑银行外泄给竞争对手吗？”
这个类比的意义在于： 数据集中化本身不是一个新问题。 企业最敏感的数据——资金流水、交易记录、客户名单——早在 AI 出现之前就已经存在于各种第三方系统中。
- 银行拥有你的全部资金流水
- 会计师事务所拥有你的财务数据
- ERP 厂商（SAP、Oracle）拥有你的供应链数据
- 云服务商（AWS、Azure）拥有你的全部代码和数据
- CRM 厂商（Salesforce）拥有你的全部客户信息
- 人力资源系统（Workday）拥有你的全部员工数据
- 甚至连邮件系统（Google Workspace、Microsoft 365）都拥有你的全部通信记录
企业已经在无数第三方平台上存放了最敏感的数据。
那么问题来了：为什么企业信任银行、信任 AWS、信任 SAP，却不信任 AI 公司？
5.3 信任的三大支柱
从制度经济学的角度看，信任不是一种”感觉”，而是一套制度安排的产物。
诺斯在《制度、制度变迁与经济绩效》（1990）中论证过一个核心观点： 制度的可信度来自于可执行的契约、独立的第三方监督、以及违约的高昂代价。
银行获得企业信任，不是因为它道德更高尚，而是因为：
第一，监管体系成熟。 银行受到央行、银保监会、SEC 等多重监管。数据泄露的法律后果极其严重——不是罚款几百万的问题，是可能吊销牌照、高管入刑的问题。这种监管力度，让”数据泄露”的预期成本远高于”利用数据牟利”的预期收益。
第二，行业实践成熟。 银行的数据安全实践经过了几十年的迭代。从物理安全（金库、保险柜）到信息安全（加密、审计、权限管理），有一套完整的体系。这套体系不是完美的——银行也有数据泄露事件——但它的成熟度足以让企业客户接受。
第三，历史记录可追溯。 虽然银行发生过数据泄露，但系统性的大规模数据外泄给竞争对手的事件极为罕见。经过几十年的观察，企业客户积累了足够的经验来判断：银行在数据保护上是基本可靠的。
AI 公司目前在这三个维度上都处于劣势：
- 监管体系不成熟 ：AI 数据安全的监管框架还在建设中。全球范围内，AI 监管都处于”边走边看”的阶段。美国、欧盟、中国都在制定相关法规，但距离形成像金融监管那样的成熟体系还有距离。
- 行业实践不成熟 ：AI 公司的数据安全最佳实践还在形成中。数据如何处理、模型如何训练、推理过程如何隔离——这些问题还在快速演化中。
- 历史记录短 ：AI 公司还没有建立起足够长的”清白历史”。ChatGPT 发布至今不到 4 年，还没有足够的时间来积累企业客户的信任。
这不是 AI 公司比银行更”坏”，而是 AI 作为一种新技术，还没有走完信任积累的制度周期。
5.4 一个有趣的逻辑矛盾
这里需要特别指出 Palantir CEO 论证中的一个逻辑问题：
他说企业担心数据外泄，所以不会信任 AI 公司。但 Palantir 自己的核心业务——给政府和大型企业做数据整合和分析——面临的正是同样的问题。Palantir 凭什么获得了政府和军方的信任？
答案是：通过 严格的合同条款、独立的第三方安全审计、私有化部署选项、以及几十年的行业记录 。
这些，AI 公司同样可以做到。事实上， Palantir 的 AIP 平台本身就是一个 AI 平台 ——它解决的问题（让企业安全地使用 AI 分析敏感数据）正是它批评别人没解决的问题。
换句话说，Palantir CEO 在批评别人没做到的事，恰恰是自己的核心业务在做的事。
这不是虚伪。这是一种常见的认知偏差： “我能解决的问题就是可以解决的，别人解决不了就是问题本身不可解决。” Palantir 花了二十年建立了政府和军方的信任。它不是一天做到的，也没有人指望 AI 公司一天做到。但当它批评 AI 公司”做不到”时，它在拿自己的二十年积累作为一个瞬时标准来衡量一个只有三四年的行业。
5.5 技术方案也在进化
从技术角度看，数据安全的解决方案也在快速进化：
私有化部署 ：大模型可以部署在企业的私有云甚至本地服务器上，数据不出域。这对于金融、医疗、政府等高度监管行业来说，是一个关键的选项。AWS、Azure、阿里云都提供了模型私有化部署的方案。
联邦学习和差分隐私 ：模型在本地训练，只上传梯度或聚合结果，不传输原始数据。差分隐私在数据中注入噪声，使得个体数据无法被逆向还原。这些技术虽然还在早期阶段，但已经提供了可行的方向。
数据脱敏和加密 ：在数据输入模型之前进行脱敏处理。敏感信息被替换为占位符，模型在推理过程中不会接触到真实数据。推理结果再通过反向映射恢复真实信息。这在很多场景下已经是一个可用的方案。
可信执行环境（TEE） ：在硬件层面保护数据在计算过程中的安全。即使云服务商的管理员也无法读取 TEE 内部的数据。这为”数据在第三方平台上计算但不被第三方读取”提供了技术基础。
这些技术方案不是万能的，但它们至少说明： 数据安全是一个可以工程化解决的问题，而不是一个结构性的不可能问题。
有意思的是，Palantir 自己正是这些技术的早期采用者和推广者。它的核心竞争力之一，就是能在高度敏感的环境中安全地处理数据。
那么，为什么 Palantir 能做到的事，AI 公司就”做不到”？答案不是做不到，是还没做到。这是时间问题，不是能力问题。
06. 三条指控背后的共同逻辑陷阱
三条指控共享一个模式：用理想化标准衡量现实过程，然后得出结论说现实有问题。
- 按 Token 收费 vs 按结果收费 → 前者不够”完美” → 所以 AI 公司没信心
- 当前 ROI 不清晰 vs 理想的 ROI 清晰 → 所以 AI 没价值
- 数据安全有风险 vs 绝对安全 → 所以 AI 不可信
这种论证方式在修辞上很有力量——因为没有人能反驳”应该更好”这个愿望。但在逻辑上，它回避了一个关键问题： 现实中的任何选择都是在约束条件下的优化，而不是在理想状态下的最优。
这让我想起波普尔在《开放社会及其敌人》（1945）中批评的”乌托邦社会工程”思维方式： 用完美的标准来衡量现实，然后因为现实不完美而否定现实的一切进步。
一个更合理的分析框架是比较制度分析。经济学家达龙·阿杰姆奥卢和詹姆斯·罗宾逊在《国家为什么会失败》（2012）中反复使用的一个方法论是： 不是在”理想”和”现实”之间比较，而是在”现实”和”替代方案”之间比较。
把这个方法用在这里：
- Token 收费不完美，但替代方案（按结果收费）的交易费用更高
- AI 的 ROI 目前不清晰，但替代方案（不用 AI）的竞争劣势可能更大
- 数据安全有风险，但替代方案（不让任何第三方接触数据）的效率损失可能不可接受
07. 真正的问题在哪里
过度承诺的问题。 很多 AI 公司确实在过度承诺能力。销售说”这个模型什么都能做”，工程师说”先接上后面再优化”，结果企业接上后发现和预期差距很大。这不是 Token 定价的问题，这是销售伦理的问题。
价值交付不透明的问题。 AI 的价值创造路径确实比传统软件更模糊。企业买了一套 CRM，很清楚它”管理客户关系”的边界在哪。但企业接入了一个大模型 API，很难说清楚它的能力边界——它有时候像个天才，有时候像个白痴。这种不确定性本身就是一种成本。
定价复杂的问题。 Token 模式虽然合理，但确实让企业难以预算和规划。一个 Token 在不同模型、不同场景下的价格和效果差异巨大。企业 CFO 面对 AI 预算时，面对的是一个高度不确定的变量。这是需要改进的。
数据安全实践不成熟的问题。 AI 公司的安全实践确实需要时间来成熟。这不是”我们正在努力”就能搪塞的——需要制度化的安全体系、第三方审计、行业标准。
但这些问题， 需要的是工程化的解决，而不是修辞性的否定。
真正有价值的批评不是”你为什么不敢按结果收费”，而是”Token 定价如何优化才能让企业更清楚自己的支出和价值”。
真正有价值的质疑不是”你的价值在哪里”，而是”如何设计更好的衡量指标来追踪 AI 的价值创造”。
真正有价值的担忧不是”数据会不会泄露”，而是”我们需要什么样的制度安排来让 AI 公司获得和银行同等的信任水平”。
批评的难度，应该和提出替代方案的难度成正比。
如果你不能提出更好的方案，你的批评至少应该承认：当前的选择是在约束条件下的合理选择，而不是无能或懦弱的表现。
08. 结尾
AI 公司按 Token 收费，是因为它不知道你的 Token 产生了多少价值——这是知识分散问题。卖方不知道买方的边际价值，所以只能按成本定价。
企业说不清 AI 的 ROI，是因为 AI 的价值分散在无数具体的业务流程中，无法被集中度量——这仍然是知识分散问题。没有一个中心化的评估者能够全面掌握 AI 的价值信息。
企业担心数据安全，是因为数据一旦离开了企业的边界，企业就失去了对它的控制——这本质上是产权问题。当数据的使用权、收益权、控制权无法被清晰地界定和保护时，信任就无法建立。
这三个问题，都不是靠”更激进的定价”、“更清晰的 ROI”、“更严格的安全承诺”就能解决的。它们需要制度创新、技术演进和市场实践的积累。
正如《通往xx之路》（1944）中告诫的： 对那些复杂到无法被任何人完全理解的问题，最危险的做法是用一个看似简单的答案来替代真正的理解。
Palantir CEO 的三条指控，每一句都指向了 AI 行业真实存在的问题。但每一条的论证方式，都在用一个看似简单的答案，替代了对复杂问题的真正理解。
这也许不是 Alex Karp 的本意。他是一个聪明人，Palantir 是一家真正有价值的公司。但当一个 Palantir 的 CEO 批评别人不敢按结果收费时——也许他应该先看看自己的合同是怎么写的。
毕竟，Palantir 的客户合同里，也没有一条写着：
“本合同按Palantir系统帮助客户避免的风险金额的X%计费。”
如果连自己都不做的事情，却要求别人去做——那不是批评，那是双标。
更何况他提出三个指控的背景原因是他准备跟Nvidia合作推出预装模型的硬件一体机——但是我们就不用动机论去质疑了，毕竟讨论的要素是就事论事
09. 原文来源
原文发表于微信公众号“中老年叨叨”（2026年7月8日 12:42）。查看微信公众号原文。