LLM 激励与应用层

对「tokenmaxxing」的自然纠正是 token 优化；因此开源权重、路由、评测与 neo-clouds 迎来高光，并不令人意外。

我的朋友 Ayokunle Omojola 写过一篇出色文章，讲「tokenmaxxing 宿醉」。Tokenmaxxing 是把文化推向 AI 的好办法，尤其对工程与分析导向的团队。我们需要「强迫」人们看见这些模型能变出什么魔法。

但一路上我们学到：竞争有种挫败努力的奇妙方式。第一个每天写 1000 篇博客的团队看起来像天才；第一千个这样做的团队只是在用垃圾填满互联网。以「AI 速度」发功能也一样。产品向来有一点魔法，向来关乎你排除哪些功能，与你纳入哪些功能一样多。

真正重要的是收入增长。功能不等于收入。 尤其在你可用的工具别人也能用的世界里。发得快不是关键，关键的是比竞争对手更快交付对客户真正重要的东西，并让他们相信你会继续如此。哦对了，同时还要有出色的 go-to-market 引擎。正如 Ayo 所写：

如果你是任何真实规模公司的 CFO，负责保护并扩展自由现金流，你会盯着模型支出，并要求至少同等的生产力/收入提升来证明它合理。如果你不卖「智能」，你的收入在 Q2 也没有垂直起飞。因此，tokenmaxxing 时代刚好只持续了一个季度，并不令人意外。

几个月前我在 Peel Podcast 与 Turner Novak 前瞻性地谈过这一点。CFO 往往会在一两个季度的支出控制战中输掉，但他们不会输掉整场战争。财务报表里被允许垂直起飞的，只有收入与利润。

从 maxxing 到优化

对 tokenmaxxing 的自然纠正是 token 优化，因此看到开源权重、路由、评测与 neo-clouds 迎来时刻，并不奇怪。

我最近参加的一次董事会上，CTO 说他一个多月没为 token 付过钱，因为有一个开源权重模型在做他的 agentic 编程。此外，他们把员工与 LLM 的全部界面迁进了 Slack，以便控制路由（以及安全、治理与可观测性），而不是让全员沉迷 Claude Cowork 或桌面上的 Codex。这都很合理、有意思，但我还记得 2026 年 3–4 月：我当时接触的 CTO 几乎完全放弃了 OpenAI，只因工程师想要而全价买 Claude。请允许我论证：这次转向 token 优化，既不只是模型霸权过山车的又一轮转弯，也不是 fintech 投资人捍卫应用层的简单案例。

给我看激励，我就给你看结果

AI 已经杀死了按席位收费的收入模型，多数创业公司正转向某种按用量定价。当技术的边际成本不是零时，按用量定价是必要的。但按用量定价并不能让供应商与客户对齐。对齐的定价模型是按结果定价，而按结果定价是难得多的商业模式。看看律师、会计或审计师：AI 将把他们推向按结果定价，而他们很难接受这意味着什么。对任何创业公司更重要的是，按结果定价对 LLM 厂商非常难。这里有三层。

1. 前沿 token 就是商业模式

前沿实验室的生意是卖 token，尤其是卖最先进模型的 token。没有足够算力让他们无限期为旧模型提供推理。在稀缺世界里，算力永远流向最赚钱的 token，也往往是最新的 token。他们还必须收回每个先进模型的训练成本，而我们从 scaling laws 知道这些成本在几何级扩张。尤其在准备上市时，他们的 CFO 需要用训练成本带来的几何级收入增长，来证明几何级训练成本增长是合理的。

2. 结果是棘手的东西

每个行业甚至每个子赛道都以非常具体的方式定义想要的结果；有些买家愿意把价值链上的特定时刻定义为想要的结果（一个新 logo、一通外呼、一份问卷回复）。但在业务层面，结果永远是收入增长。收入增长这一北极星，是产品市场契合的一种版本。任何行业里都有非常具体的细微差别，帮助人赢下生意。用 AI 去做完全可能，但往往需要真正的工作。客户需要什么保证？需要理解哪些特定数据集？必须与哪些遗留系统集成而不是绕开？适用哪些监管或行业规范？我们还没到 AGI，因此尽管 AI 让这一切更容易，目前它们无法一键 prompt 搞定。只要你还能说服人买 token，卖 token 就会是比卖结果好得多的商业模式。你在卖 AI 的梦想、生产力的感觉。是的，他们在投向前线部署工程师（forward-deployed engineers），但他们仍不必真正理解客户，也不必对照昨天交付结果的那个离散业务流程来衡量自己。

3. 应用层对齐

应用层公司的决定性优势在这里。它们不仅有专注度去理解并执行所有这些棘手细节，而且与实验室不同，它们以与客户相同的方式体验 AI 成本。一些应用层公司以成本加成模式转售 token。但最优秀的那些意识到：它们可以替客户承担路由、评测、控制与治理责任，并尝试以优化后的成本达成客户想要的结果。把这件事做好，能让客户与应用层双方优化，并在彼此之间分享价值。

胜利 = AGI

很清楚，实验室在乎收入、在乎客户。他们每天都在发布惊人的模型与惊人的 harness。他们甚至开始试验按结果定价。但客户结果不是他们的北极星。甚至 token 也不是真正的北极星。他们的北极星是 AGI。

他们相信 AGI 可能，并相信自己处于达成它的竞赛中。其他一切都从属于这一北极星。如果你相信自己有机会把「上帝装进盒子」，那么难以估量的财富确实在等待。我们也知道训练数据日益合成，这意味着他们不仅因为那是收入模型而想卖 token，而且需要卖 token。因为更多 token = 更多训练，更多训练 = AGI。

我不确定是否会有任何应用层公司成为 1 万亿美元公司。但我对应用层看多，因为在那一层，长期对齐不仅可能，而且是必需的。

感谢阅读 QED Substack。免费订阅以在收件箱接收新文章。

本文由 RecodeX 编译自 LLM incentives and the application layer（作者：Amias Gerety, QED Investors），首发于 SandHill.io #301 推荐阅读。译文仅供学习交流，观点不代表本站立场，版权归原作者所有。