7月8日，Ramp Economics Lab 公布了一组美国企业 AI 支出数据：6月，在有 AI 支出的企业中，5.8%用上了模型服务平台。1月时，这个比例还是4.5%。

在这些企业中，85.8%也在使用 OpenAI，93.2%也在使用 Anthropic。至少使用两者之一的比例达到96.4%。

模型服务平台目前更像一条新增渠道，还不是 OpenAI 和 Anthropic 的替代品。

但“客户还在”，不等于“所有调用都还在”。这正是本文想追问的问题。

这里说的“长尾调用”，不是低价值任务。它指数量大、重复度高、单次出错风险较低，没必要一直占用最强模型的任务。

先把证据边界说清。Ramp 看到的是企业向谁付钱，看不到每次请求用了哪个模型。企业同时付费，可能是在分散供应商风险，也可能是不同部门各用一套工具。它不能直接证明一次任务已经拆给多个模型。

所以，下面讨论的是一种可能路径：企业有了多个模型入口后，会不会再按任务分配调用。这是基于成本和工程条件的推论，不是 Ramp 数据已经证明的事实。

一、多供应商先出现，任务路由才有可能

用模型服务平台的企业，6月人均 AI 支出中位数是248美元。普通 AI 付费企业只有10.59美元。两者相差约23倍。

最早接入模型服务平台的，不是 AI 支出最低的企业，而是 AI 用得最深的一批企业。这说明便宜模型未必让企业少花钱，也可能让企业把 AI 用到更多地方。

刚开始试 AI，企业只关心模型能不能干活。调用量小，账单也不显眼。等 AI 真正进入日常流程，企业算账的方法就变了。

以知识库 Agent 为例，一次完整回答的背后，可能要跑查询改写、文档检索、结果排序、材料摘要、答案生成和引用核验。如果每一步都用最强模型，效果未必更好，账单却会一路往上涨。

这只是任务路由的一种典型场景，不是 Ramp 数据里的企业都在这样做。更简单的情况也很常见：内部工具用一家，对客产品用另一家；或者同时接入几家，避免被单一供应商锁住。

企业不会一上来就换模型。它们通常会先缩短上下文、使用缓存、减少重复检索、合并请求，或者用规则系统替掉部分模型步骤。

这些办法还压不住成本，企业才会考虑按任务换模型：

  • 批量摘要、文档解析、查询改写、工单分类、样板代码和格式转换，交给便宜模型。
  • 评审、判断和风险评估，留给强模型，必要时再加人工复核。

多供应商采用已经出现。按任务精细路由，还要看成本压力、评测能力和治理规则能不能跟上。

二、任务一拆，模型就不能写死

任务拆开后，企业得先建一个统一入口，再把不同模型和供应商接进来。

OpenRouter 更像一个托管模型市场。同一个模型可以由多家厂商提供服务。OpenRouter 会按价格、吞吐量和延迟排序，出故障时还能切换供应商或模型。

LiteLLM 更像企业自己搭的总闸门。它不负责卖模型，而是把企业已经接入的接口管起来，再做路由、负载均衡、重试和故障切换。

不管企业是为了拆任务，还是为了避免供应商锁定，都需要统一入口。过去换模型，工程师往往要改代码、调接口。现在，很多切换可以在网关里改配置。当然，效果和业务测试仍然不能省。

企业可以继续给 OpenAI 或 Anthropic 付费，却把一部分请求交给别的模型。客户还在，不代表所有调用都还在。

三、网关能接很多模型，企业却不会随便接

多模型入口解决了“怎么切”，却没有回答“能不能用”。任务一旦拆开，企业马上要判断：哪些数据能发给哪些供应商。

所以，便宜模型有机会接走长尾任务，不等于中国模型能大规模进入美国。

DeepSeek 曾在2025年1月短暂升至0.3%的企业采用率，随后很快回落到0.1%。2026年5月，Ramp 又观察到部分美国企业开始直接向 DeepSeek 付费。

但这股回暖能否持续，还不好判断。整体占比仍然太小，离大规模使用还很远。

挡在前面的不只是模型能力，还有地缘政治、数据安全、供应商审查和本地监管。

反过来也一样。美国模型想在中国面向公众提供服务，也要过内容、数据和备案这几关。

这样再看 GLM-5.2，它不能证明中国模型“攻进美国企业”。它更适合说明，低价模型为什么值得一测。

OpenRouter 页面显示，GLM-5.2 支持约100万 token 上下文，面向长程 Agent、项目级软件工程和多步骤自动化。截至7月12日，Z.ai 托管端点的挂牌价是每百万输入 token 1.40美元，输出 token 4.40美元。OpenRouter 当时显示70%折扣，折后约为0.42美元和1.32美元。第三方托管价格还会不同。

这样的上下文和折扣价，足以让它进入工程团队的测试清单。但真要上线，企业仍要审查模型来源、托管方、数据路径和供应链风险。

中美企业都可能把任务拆给多个模型，但两边接入的，多半不是同一批模型。

四、治理先划红线，价格再决定怎么分

企业挑模型，先要分清三件事：模型是谁做的，谁在托管，数据最后去了哪里。

这三件事先划出可用范围。价格只在这份清单里发挥作用。这样一来，成本和治理就不是两个并列标准，而是前后两道筛选。

便宜，只能换来测试机会。

模型如果老是出错，重试和人工复核很快就会吃掉价格优势。企业最后算的，不是一百万 token 多少钱，而是完成一件事到底要花多少钱。

价格和效果过关，还不够。

企业还要看数据去了哪里、供应商在哪里、数据会留多久，服务断了能不能顶上，内部能不能查清每一次调用。

同一个开放权重模型，既可以放在企业自己的服务器里，也可以交给第三方平台跑。模型还是那个模型，风险却不是一回事。

OpenRouter 可以把请求只发往零数据留存端点。但这条规则只约束推理端点，不管用户另外开启的插件和外部工具。它也不能代替企业对数据存放地点和内部审计的检查。

所以，多模型网关不只要省钱，还要管住哪些任务能用哪些模型，数据能发往哪里，出了故障该切到哪家。

治理决定哪些模型能进场。能力、稳定性和价格，再决定每个模型分到多少任务。

回到 Ramp 的5.8%。这个比例还很小，谈不上市场换代。

但 AI 支出强度很高的企业，已经开始同时购买模型厂商和模型服务平台。它们可能是在分散供应商风险，也可能在为任务路由铺路。Ramp 的数据还分不清两者。

如果统一网关、效果评测和治理规则补齐，选模型就可能从一次采购，变成持续调度。中美两边都可能这么做，只是各自会从本地能用的模型里挑。

最贵模型不会一夜被换掉。它最可能先丢的，是那些本来就没必要交给它的活。

主要信源

信息截至2026年7月12日。模型价格和企业采用率会继续变化，引用时要保留统计口径和时间。