最近，Palantir CEO Alex Karp和微软CEO萨提亚·纳德拉，几乎同时谈到了企业使用AI的风险。

Karp说得更激烈。他批评Anthropic、OpenAI代表的前沿模型公司，正在让企业不断购买Token，却没有创造与成本相匹配的价值，甚至可能让企业交出自己的“Alpha”。

纳德拉说得更系统。他把这个问题称为“反向信息悖论”：过去，卖方为了出售知识，需要先向买方披露信息；现在，买方为了使用购买来的智能，反而需要先把自己的知识交给模型。

两个人讲的是同一回事：企业用大模型，到底是在买智能，还是在不知不觉中出卖了自己的商业核心机密。

Karp对Token收费模式的质疑很直接。

如果模型真的可以为客户创造十亿美元的价值，为什么模型公司只是按照Token消耗收费，而不是按照创造的结果分成？

这句话当然带有Palantir作为咨询公司的自身商业立场，但确实击中了当前企业AI投入的一个痛点：Token衡量的是消耗，不是商业价值。

调用量增加，首先意味着模型公司的收入增长，却不一定意味着企业利润同步增长。很多企业的AI项目看起来非常繁忙，Token消耗越来越多，真正进入生产流程、改变经营结果的却没有那么多。

这其中提到的Alpha概念，很有意思。

内核是一家企业如何定义问题、如何判断结果、员工在哪里纠正模型，以及长期形成的定价、风控、权限和决策习惯。

过去，这些经验分散在老员工、业务制度和工作流程里。AI接入以后，它们会通过提示词、反馈、评估标准和Agent运行轨迹，被一点点结构化。

而这正是企业真正需要警惕的地方。

企业可能得到了一个聪明的外部模型，却没有把使用模型过程中产生的组织经验留在自己手里。最后看起来是在建设AI能力，实际上只是在不断租用别人的能力，却出卖了自己。

纳德拉提出的解决办法，是企业必须拥有自己的“学习循环”。

他把企业资产分为两部分：一部分是员工的知识、判断和创造力，也就是人力资本；另一部分是AI使用过程中积累的记忆、反馈、评估体系和工作流，也就是“Token资本”。

真正有价值的AI系统，应当让两者形成循环：

人提出目标，AI参与执行，人纠正AI，纠正结果沉淀进企业系统，下一次再做同类工作时，整个组织都能表现得更好。

所以，企业真正需要保护的已经不只是原始数据，而是这些看似零散的“智能排放物”：提示词怎么写，Agent调用了什么工具，模型在哪里被否定，什么结果被内部认为是正确的。

这些痕迹积累起来，就是一家公司的隐性知识。

纳德拉因此提出了五个关键词：控制、能力、选择、成本和复利。归结起来，其实就是一句话：不在乎用什么模型，但企业的知识产权，必须留在内部。

企业应当拥有自己的评估、记忆、运行轨迹和反馈系统；模型和业务流程之间必须解耦；简单任务使用便宜的小模型，复杂任务才调用前沿模型。

这样，企业就不会被模型绑架，核心知识产权还是在自己手里。

尽管Anthropic一再强调商业客户和API数据不会在未经明确许可的情况下用于模型训练，但这家大模型公司的口碑，实在是处于崩坏之中。

而且即使模型公司严格遵守承诺，企业仍然可能因为供应商锁定、API依赖、缺乏运行轨迹所有权，以及无法把模型输出转化为内部训练资产，而失去最重要的复利能力。

所以企业AI竞争的下半场，最重要的问题可能已经不是“哪一个模型最聪明”，而是：模型产生的智能，价值到底归谁？

企业不能也不会，一边付费使用模型，一边把自己的核心命脉出卖。

闭源大模型的叙事，正在受到挑战。