企业付款数据揭示了 OpenAI 与 Anthropic 的什么情况：Ara Kharazian 解读 Ramp AI 指数

Berman 首先提出一个关于语音模型的问题：越来越自然的对话，是否一定是好的对话？他认为一些语音助手过于迎合用户。问题不仅在于声音有多像真人，还在于系统能否在需要时质疑用户的假设。

Kharazian 说，应用场景决定技术架构。如果对话延迟很重要，实时语音模型可能很有吸引力；对于其他任务，先将语音转成文字，再用语言模型生成答案，最后转回语音的流程可能更实用。例如在客服场景中，稍有延迟但回答可靠，可能比演示效果惊艳更重要。

两人还讨论了用 AI 编写分析代码。Kharazian 提醒，统计工作需要核查：看起来合理的脚本或结果也可能包含改变结论的错误。即使模型大大降低了写出初稿的难度，领域知识和验证仍不可或缺。

Ramp 的经济学家介绍了其 AI 指数背后的数据。Ramp 处理企业支出，能看到数万家公司的交易。这些付款、收据和发票提供了一个观察窗口，可以了解公司向哪些供应商付款，有时还能看到他们通过 API 购买哪些模型。

这个窗口也有边界。Ramp 的客户是企业，并不能代表所有消费者或所有公司；他们接受新技术的程度也可能高于一般企业。向供应商付款能显示购买行为，却不能反映每位员工的使用情况、产出质量，或所有无需直接付款的使用。

Kharazian 认为，基于可观察交易建立的指数是调查的有用补充。调查询问企业声称打算做什么，支出则表明企业实际投入了资金。指数更新得足够快，能在较慢的经济统计数据反映出来之前，捕捉采用情况的变化。

话题转向 AI 是否已经带来经济繁荣。Kharazian 把企业采用速度视为值得关注的早期信号，而不是生产率或 GDP 已出现可测量增长的证明。支出可能先于收益出现，两者的关系需要长期检验。

Berman 问，付费使用 AI 的公司是在试验，还是已经把它放在运营的核心位置。Kharazian 区分了支付订阅费的企业和通过 API 支出的企业。后者可以把模型调用嵌入产品和内部系统，因此付款可能反映反复进行的生产环境使用，而不是一个人的单个席位。

即使增长很快，起点也可能很低。Kharazian 说，在他讨论的企业中，AI 占非薪酬支出的比例不到 1%。这个数字只描述他所衡量的企业群体及其支出定义，不能视为所有公司的预算占比或整个经济中的占比。

这个区别关系到未来还有多大的增长空间。企业可能大幅增加模型使用量，但与薪酬和其他运营成本相比，直接账单仍然很小。因此，总体增长率可以非常惊人，AI 却未必成为企业最大的支出项目。

Kharazian 说，在他描述的数据中，约五分之四的 AI 支出通过 API 发生，其余通过订阅发生。这是观察到的支出金额分布，不是用户人数，也不是对全部 AI 活动的估计。API 购买可以支持多种服务，包括嵌入其他公司产品的功能。

Berman 问，这些 API 活动中有多少用于编程。Kharazian 提醒，不能把 API 交易等同于编程助手：企业除了用模型开发软件，也会把它用于产品和工作流程的后台。付款数据更容易显示买了什么，难以显示每次调用背后的具体任务。

订阅方面的情况则不同。编程产品和高级套餐可能在直接订阅数据中十分显眼，而其他 AI 功能可能打包在软件账单里。分析者如果只看一种付款类别，就可能漏掉通过另一种方式购买的使用。

在模型 API 领域，Kharazian 说，能力更强、价格更高的模型吸引了很大一部分支出。以金额加权的图表自然会赋予昂贵调用更大权重，它不等同于按请求次数、token 数量或独立用户数统计的图表。

Berman 提出，企业可以把任务分配给更便宜的模型：将高价模型留给最难的任务，在小模型表现足够好时使用小模型。Kharazian 认同，随着企业学会针对任务匹配模型质量和价格，经济账可能发生变化。

问题不只是有没有更便宜的模型。团队还需要评估，它在特定工作流程中能否给出可接受的答案，包括错误、延迟和额外审核带来的成本。每次调用价格低，只是衡量部署总体价值的一个因素。

两人讨论了企业是否已经开始这样优化。Kharazian 从支出数据中得出的判断是，企业一直愿意为现有最强的系统付费。这些证据描述的是特定时期的购买情况，并不能证明每种应用都需要最昂贵的模型。

Berman 问，网络上对 AI 的热情与普通企业的采用情况之间有多大差距。Kharazian 说，数据反映出不同企业的分布：有些公司支出很高，另一些才刚开始，或者没有观察到直接购买 AI 的记录。不能把早期采用者的行为当作普遍经验。

这个指数的价值，恰恰在于它能让读者追踪这种分布的变化。不过 Kharazian 指出，企业可以同时使用多家供应商，不同指标回答的问题也不同：购买某项服务的企业比例、支出金额和产品内部的使用活动不能互换。

话题转向 OpenAI 与 Anthropic 的竞争。Berman 提到《华尔街日报》基于 Ramp 数据制作的一张图，Kharazian 则介绍随着 Claude 产品受到欢迎，企业付款模式如何发生变化。

视频中的图表比较了 Ramp 客户中付费使用 AI 服务及各家供应商服务的比例。这衡量的是该客户群的采用情况，并非公司总营收排名。一家企业可以同时向多家供应商付款，因此各供应商的比例不必加总为总体比例。

在所观察的客户群中，OpenAI 早期大幅领先。随后 Anthropic 的付费采用率迅速上升，缩小了差距。Kharazian 认为产品改进和企业需求可能是原因，同时强调数据本身记录的是付款，而不是每位买家的动机。

两人不仅看现有客户总体，也看新采用者。首次出现购买记录的企业所选供应商发生变化，可能随时间改变整体格局，但这不等于现有客户取消一项服务并转用另一项。

他们认为 Claude Code 是 Anthropic 在技术用户中获得增长动力的原因之一。Kharazian 还讨论了 Cowork，认为它试图触达终端之外的用户。Anthropic 于 2026 年 1 月推出 Cowork；这两款产品提供了相关但不同的 Claude 使用方式。

Berman 问，Anthropic 与美国政府之间的争议可能如何影响企业需求。Kharazian 说，他看到的购买模式没有显示企业广泛放弃 Anthropic。仅凭这一观察，无法确定个别企业留下或离开的原因，也无法预测政府争议将如何解决。

对采购企业而言，公开争议只是一个考虑因素。产品表现、员工习惯、安全要求和现有合同也可能重要。嘉宾的解读针对的是特定时期观察到的企业决策，并不是对每个公共或私人客户的结论。

两人接着比较 OpenAI 和 Anthropic 的优势。双方都在竞争，努力让模型适用于产品和专业工作流程，但每次新发布都可能改变用户的看法。Kharazian 提醒，不要把一个时间点的快照变成对快速变化市场的永久定论。

Berman 问，Google 在数据中处于什么位置。Kharazian 指出，直接付款指标很难捕捉免费提供、捆绑在现有软件协议中或通过其他中介购买的模型。因此，Google 的实际使用量可能高于可单独识别的付款所显示的水平。

分发渠道和模型本身同样重要。已经使用大型软件套件的公司，可能获得 AI 功能，却没有发生一笔容易分类的新订阅购买。相反，独立产品可能清楚地显示为卡片账单上的单独一项。

两人比较了 Google 的产品体验与专门的编程工具。Kharazian 认为，有效的智能体体验可能成为采用方面的优势。他的说法应理解为产品判断：Google 早在 2025 年 6 月就已推出开源 AI 智能体 Gemini CLI。

Berman 指出，X 上的热情可能让人误判大多数人的实际使用情况。Kharazian 同意，参与度极高的网络受众与更广泛的企业群体不同。交易数据提供了另一个视角，但仍受其客户选择和可见性限制。

大型机构可能同时向多家模型供应商付费。不同团队有不同任务和偏好，企业也可能在标准化之前测试替代方案。因此，一家供应商的客户数增加，并不自动意味着另一家的客户数等量减少。

讨论进一步涉及专业供应商。专注法律工作或语音的公司可能提供特定领域的产品，对客户而言比单独使用通用模型更有价值。Kharazian 描述的市场中，应用公司与基础模型供应商可以共存。

Berman 问，模型供应商增加功能后，是否会取代这些应用。Kharazian 说，专业产品仍可以凭借工作流程集成、客户关系和执行细节参与竞争。某家公司能否保住优势是商业问题，汇总付款图表无法给出定论。

两人也讨论了切换成本。在 API 层面，模型访问看似可以互换，但实际迁移可能涉及提示词、评估、集成、数据处理、安全审查和合同。成本因部署方式而异，因此简单比较每个 token 的价格可能遗漏重要工作。

对个人而言，尝试另一个聊天机器人几乎没有障碍。对已经围绕某项服务建立系统和员工工作方式的企业来说，迁移可能需要更多时间和证据。同时，使用多家供应商也可以降低对单一提供商的依赖。

Berman 提到开放权重模型和本地运行模型。Kharazian 怀疑本地可用的模型能否持续赶上领先的托管系统；Berman 则反驳说，模型和硬件仍在不断进步。他们争论的是未来的能力和成本，并非 Ramp 交易数据已经证实的结果。

Kharazian 认为，一些竞争模型可能受益于领先系统生成的输出。Berman 对这类宽泛说法提出质疑。有关训练方式的指控需要独立证据，这段讨论并没有证明任何特定开发者不当使用了其他模型的输出。

权衡因素除了模型本身的质量，还包括隐私、控制权和运营成本。模型可以在用户自己的硬件上运行，也可以由其他公司托管；小模型即使在较难任务上落后于领先系统，在受限任务中也可能足够好用。

谈到定价，Kharazian 回到结果的价值。如果更强的模型能明显改善工作成果，企业支付更高价格可能是理性的；如果任务常规且出错成本低，更便宜的模型可能更合适。关键是比较特定工作流程的实际结果。

Berman 预计，竞争和模型进步会不断改变这笔账。Kharazian 说，当前支出表明许多企业仍优先考虑前沿模型的性能。这是对所讨论客户和时期的观察，并不能证明优化任务分配永远不会普及。

随着最大的 AI 实验室推出更多应用功能，两人思考软件公司会怎样发展。Kharazian 认为，企业仍可围绕模型设计有用产品并取得成功。即使底层模型广泛可用，分发、信任、专业工作流程和现有客户群仍可能发挥重要作用。

Berman 和 Kharazian 讨论了软件企业适应 AI 的例子，而不是假定每家现有企业都会消失。模型可以让新界面成为可能，但产品仍需要解决客户的完整问题、融入现有工作，并提供可靠体验。

话题回到采用速度。Kharazian 认为，可服务的市场仍然很大，因为许多公司才刚开始购买 AI 产品。他所展示的数字衡量的是可观察到的购买行为，不能证明这些公司使用所购产品的效果。

展望未来时，Kharazian 预测，未来一到三年企业采用将更加普遍。这是他的预测，不是指数保证会发生的结果。Berman 感谢他解释交易数据能够揭示什么、不能揭示什么，并结束访谈。

访谈后，Berman 简短告知观众，他即将与 Google 的 Sundar Pichai 对话。直播以这一预告和结束语收尾。