• 亿邦公众号
    • APP下载

谁在争先恐后喂养OpenAI这只“巨兽”

作者:陈伊凡 文章来源:虎嗅APP

2025-11-03 09:59

作者:陈伊凡 文章来源:虎嗅APP

2025-11-03 09:59

邦小白快读

EN
全文速览

总: OpenAI泄露的Top100+客户清单显示AI商业模式的实际应用和价值,关键公司如Cognition和Genspark深度集成AI。

1. Token消费量:超过30家公司各消费超1万亿Token,OpenAI收入超1亿美元,如果按GPT-5费用计算。

2. 应用场景:AI成为业务基础设施,相当于客服、文档总结和代码场景下全年无休使用9年;潜力领域包括搜索、会议、教育和视频。

3. 实操案例:AI原生初创公司如Cognition的Devin产品重塑软件工程,通用Agent公司Genspark使用多模型;C端如Duolingo语言学习通过AI订阅模式成功。

4. 风险揭示:初创公司如Perplexity面临高成本问题,支付800万美元占收入四分之一,且有业务被OpenAI吞并的风险。

总: AI商业化进程揭示机会和挑战。

1. 垂直行业进展:法律AI的Harvey和医疗AI的Decagon在复杂领域跑通数据飞轮。

2. ToB主导:75%客户集中ToB,如企业搜索公司Glean索引数十种产品文档;C端仅限于高频场景如会议工具Read AI用户超100万。

3. 焦虑点:OpenAI可能进入任何领域,初创公司需评估ROI和依赖风险。

总: 文章内容聚焦AI在品牌建设中的消费趋势和产品研发,代表企业如Duolingo和Notion展示创新实践。

1. 消费趋势分析:C端场景如教育平台Duolingo实现高频用户粘性,通过AI动态调整学习内容,语言学习平台用户数为基准付费模式清晰。

2. 用户行为观察:订阅场景中,健康穿戴企业WHOOP和会议工具Read AI通过多模态AI提供个性化服务,用户行为呈现偏好自动化和可执行知识库。

3. 产品研发启示:Notion案例显示AI深度嵌入工作流,如自然触发AI润色功能,降低使用门槛;这反映了品牌需优化交互设计以迎合当前趋势。

4. 品牌营销策略:垂直行业如医疗AI通讯Decagon基于高价值场景切入,品牌商可借鉴在复杂领域构建专属解决方案;同时,品牌渠道建设可从Genspark的集成多模型中学习。

总: AI商业化带来机遇和警示。

1. 定价启示:高Token消费代表AI作为基础设施,品牌商需评估成本如OpenAI模式风险。

2. 行业代表:AI编程公司Cognition通过收购扩展业务,品牌研发可参考此路径。

总: 文章揭示AI市场的增长机会、商业模式和风险点,卖家可从中学习应对策略。

1. 增长市场分析:垂直AI Agent在复杂行业如法律(Harvey)两年营收3000万美元,机会提示切入高价值领域;ToB公司占比75%,如企业搜索Glean增长10.7%,卖家可探索销售此类工具。

2. 风险提示:初创公司如Perplexity面临高成本依赖风险,支付API费用达收入四分之一;政策解读包括OpenAI可能进入竞争领域如AI浏览器带来的潜在威胁事件。

3. 可学习点:商业模式如订阅清晰场景,例如Read AI会议工具用户增幅720%,C端高频应用案例;合作方式上,卖家可从Genspark的多模型集成学习分散风险。

4. 机会提示:消费需求变化,AI原生公司超越传统如Cognition面试流程嵌入AI新方式;事件应对措施如初创公司融资或转嫁成本策略应对焦虑。

总: 负面和正面影响并存。

1. 扶持政策启示:外部依赖如版权风险可控建议参考刘震观点。

2. 最新商业模式:Deep Seek案例说明成本控制可能为新商机机遇。

总: AI在产品和生产中的商业机会及数字化启示,基于文章中的案例可提供具体指导。

1. 产品设计需求:AI深度集成工具如Notion的自然触发“问AI”功能启示工厂优化交互设计;垂直行业如医疗AI通讯Decagon需要定制解决方案,产品研发可借鉴复杂领域专业需求。

2. 商业机会发掘:高价值场景如法律AI Harvey成功案例,任务链条长且反馈闭环短,工厂可瞄准类似高复杂度领域提供生产方案;推进数字化启示从Notion企业工具管理信息应用可见效。

3. 电商启示:AI原生初创如Cognition使用API驱动业务,工厂可学习API集成推进电商化;代表企业Genspark通过C端增长启示数字转型路径。

总: 风险与创新并重。

1. 生产需求分析:Token消费量显示AI作为基础设施不可或缺,工厂需评估成本如初创公司焦虑点启示成本控制。

2. 机会点:垂直行业如会议工具Read AI自动化知识库案例提示高效生产工具开发。

总: 行业发展趋势、客户痛点和解决方案通过AI应用场景清晰展现。

1. 行业趋势分析:AI原生公司如Cognition占比Top30主导市场,ToB领域75%集中包括SaaS服务商如Glean企业搜索平台增长10.7%,趋势显示垂直行业如法律和医疗潜力巨大。

2. 新技术应用:多模态AI在会议工具Read AI和语言学习Duolingo中实现自动总结或内容生成,技术革新包括GPT-4驱动新功能如角色扮演对话。

3. 客户痛点聚焦:初创公司如Perplexity面临高模型依赖成本风险;服务商可提供解决方案如多供应商集成参考Genspark模式或评估ROI合理建议。

4. 解决方案启示:AI Agent在复杂场景如Harvey数据飞轮跑通,服务商可开发类似平台解决行业痛点;新问题包括OpenAI竞争风险带来不确定结局。

总: 发展趋势与应对策略。

1. 痛点深层:外部依赖如监管不可控点需参考刘震观点控制风险。

2. 创新机遇:会议和教育场景高频使用案例启示服务优化。

总: 平台的需求、问题和运营管理实践通过OpenAI客户案例揭示关键点。

1. 商业对平台需求:大客户如Top30公司Token消费量超1亿支撑收入;平台招商可通过高频场景如Read AI会议工具用户超100万吸引合作伙伴;最新做法上,OpenAI提供API但可能推出竞争产品如AI浏览器带来危机点。

2. 平台问题和风向规避:风险如初创公司业务重合焦虑例如通用Agent公司Genspark面临OpenAI生态纳入威胁,平台需管理合作方式如API集成策略;运营管理启示从Cognition案例可见融资需求支持客户。

3. 平台最新做法:OpenAI的风向规避包括评估领域如ROI合理性和用户触点控制,刘震提供五判断参考平台规避不确定风险。

总: 机会与风险平衡。

1. 招商策略:ToB主导的75%客户如企业工具Ramp案例平台可侧重类似领域;运营管理点如外部依赖可控启示平台政策制定。

2. 风险提示:Perplexity成本转嫁方式展示平台需优化模型提供支持。

总: AI产业新动向、商业模式和政策启示基于客户数据深度分析。

1. 产业新动向:AI深度融合企业成基础设施如水电气,新问题如AI原生公司超越传统成熟公司占比Top30展示范式转变;商业模式如垂直AI Agent在法律和医疗领域跑通数据飞轮模式。

2. 新问题研究:依赖焦虑点如初创公司高成本和业务重合风险引发行业讨论,代表观点刘震指出OpenAI可能进入任何领域导致不确定性结局;政策法规启示包括外部依赖如版权风险需评估可控性。

3. 商业模式创新:订阅模式在C端如Duolingo高频场景成功应用;产业动向显示搜索、会议等潜力领域创新案例如Glean企业搜索索引文档技术细节。

总: 深远影响与政策建议。

1. 研究依据:OpenAI收入模型和Token消费类比提供数据支撑研究;新启示如Deep Seek案例说明成本敏感影响趋势。

2. 法规建议:刘震五判断可用于制定风险管理指南。

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

OpenAI's leaked list of 100+ top clients reveals the real-world applications and value of AI business models, with key companies like Cognition and Genspark deeply integrating AI.

1. Token consumption: Over 30 companies each consumed more than 1 trillion tokens, generating over $100 million in revenue for OpenAI if calculated using GPT-5 pricing.

2. Application scenarios: AI has become business infrastructure, equivalent to 9 years of non-stop use in customer service, document summarization, and coding; potential areas include search, meetings, education, and video.

3. Case studies: AI-native startups like Cognition's Devin product are reshaping software engineering, while general-purpose agent company Genspark uses multiple models; consumer-facing examples like Duolingo successfully implement AI subscription models.

4. Risks: Startups like Perplexity face high costs, spending $8 million on API fees—a quarter of their revenue—with the added risk of being overshadowed by OpenAI.

AI commercialization reveals both opportunities and challenges.

1. Vertical industry progress: Legal AI's Harvey and healthcare AI's Decagon demonstrate data flywheels in complex domains.

2. B2B dominance: 75% of clients are B2B-focused, such as enterprise search company Glean indexing dozens of product documents; consumer use is limited to high-frequency scenarios like meeting tool Read AI, which has over 1 million users.

3. Concerns: OpenAI's potential entry into any field forces startups to evaluate ROI and dependency risks.

The article focuses on AI consumption trends and product innovation in brand building, with examples like Duolingo and Notion showcasing best practices.

1. Consumption trends: Consumer scenarios like education platform Duolingo achieve high user engagement through AI-driven content personalization, with clear subscription-based monetization.

2. User behavior: Subscription services like health wearable WHOOP and meeting tool Read AI use multimodal AI for personalized experiences, showing user preference for automation and actionable insights.

3. Product development: Notion's seamless AI integration, such as natural-triggered editing features, lowers usability barriers—highlighting the need for brands to optimize interaction design.

4. Marketing strategy: Vertical solutions like healthcare AI newsletter Decagon target high-value niches, offering lessons for brands to build specialized solutions; Genspark's multi-model integration informs channel strategy.

AI commercialization brings opportunities and warnings.

1. Pricing insights: High token consumption positions AI as infrastructure, requiring brands to assess cost risks like OpenAI's model.

2. Industry examples: AI programming company Cognition expands via acquisitions, offering a reference for brand R&D strategies.

The article reveals growth opportunities, business models, and risks in the AI market, providing actionable strategies for sellers.

1. Market analysis: Vertical AI agents like legal-focused Harvey achieved $30 million revenue in two years, highlighting high-value niches; 75% B2B concentration, e.g., enterprise search Glean's 10.7% growth, suggests sales potential for such tools.

2. Risk alerts: Startups like Perplexity face dependency risks, spending 25% of revenue on API fees; policy interpretations include OpenAI's potential competition, e.g., AI browsers.

3. Learnings: Clear subscription models like Read AI's meeting tool saw 720% user growth; partnership approaches like Genspark's multi-model integration help mitigate risks.

4. Opportunities: Shifting consumer demands favor AI-native companies like Cognition's AI-integrated hiring; responses include cost-pass-through strategies or fundraising.

Mixed positive and negative impacts.

1. Policy insights: External dependencies like copyright risks require control measures per Liu Zhen's views.

2. New models: Deep Seek's cost-sensitive approach presents new business opportunities.

AI's commercial opportunities in product design and digital transformation, with case-based guidance.

1. Product design: Deeply integrated tools like Notion's natural-language "Ask AI" feature inspire optimized interactions; vertical needs like healthcare AI Decagon require custom solutions.

2. Business opportunities: High-complexity domains like legal AI Harvey's success—with short feedback loops—suggest production solutions for similar fields; digital transformation lessons from Notion's enterprise tool adoption.

3. E-commerce insights: AI-native startups like Cognition use API-driven models, offering lessons for factory API integration; Genspark's consumer growth informs digital pathways.

Balancing risk and innovation.

1. Production needs: High token consumption underscores AI as essential infrastructure, requiring cost evaluation like startup anxiety points.

2. Opportunities: Efficient tool development inspired by cases like Read AI's automated knowledge base.

Industry trends, client pain points, and solutions through AI applications.

1. Trends: AI-native firms like Cognition dominate the top 30; 75% B2B focus includes SaaS providers like Glean (10.7% growth), signaling potential in verticals like legal and healthcare.

2. Technology: Multimodal AI in tools like Read AI and Duolingo enables automated summaries or content generation; innovations include GPT-4-driven role-play dialogues.

3. Pain points: Startups like Perplexity face high dependency costs; providers can offer multi-vendor integration (e.g., Genspark) or ROI assessment services.

4. Solutions: AI agents like Harvey's data flywheel in complex scenarios inspire platform development; new challenges include OpenAI's competitive risks.

Trends and response strategies.

1. Deep issues: External dependencies like regulatory risks require control measures per Liu Zhen's views.

2. Innovation: High-frequency use cases in meetings and education inform service optimization.

Platform needs, challenges, and operational practices from OpenAI client cases.

1. Platform demands: Top 30 clients' token consumption drives revenue; partnerships can target high-frequency scenarios like Read AI's 1M+ users; risks include OpenAI launching competitive products like AI browsers.

2. Risk management: Startups like Genspark face ecosystem threats, requiring API integration strategies; operational insights include funding support from Cognition's case.

3. Latest practices: OpenAI's risk avoidance involves ROI evaluation and user touchpoint control, with Liu Zhen's five criteria guiding uncertainty management.

Balancing opportunity and risk.

1. Partnership strategy: Focus on 75% B2B clients like enterprise tool Ramp; operational policies should address controllable external dependencies.

2. Risk alerts: Perplexity's cost-pass-through highlights need for platform support models.

AI industry dynamics, business models, and policy insights based on client data analysis.

1. Trends: AI integrates as infrastructure like utilities; AI-native firms surpass traditional ones in top 30, signaling paradigm shifts; vertical AI agents like legal/healthcare demonstrate data flywheels.

2. Research issues: Dependency anxieties—startup costs and competition risks—spur debate; Liu Zhen notes OpenAI's unpredictable expansion; policy lessons include copyright risk controllability.

3. Model innovation: Subscription success in high-frequency C2C like Duolingo; emerging areas include search and meeting tools like Glean's document indexing.

Broad impacts and policy recommendations.

1. Research basis: OpenAI revenue models and token analogies provide data; new insights like Deep Seek's cost sensitivity influence trends.

2. Policy advice: Liu Zhen's five criteria inform risk management guidelines.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

近日,在10月的DevDay中,OpenAI泄露了一份Top100+客户清单,这份清单中,有超过30家公司的Token消费量突破1万亿。

自ChatGPT发布之后,业界一直在讨论的就是AI商业模式。如果我们按照GPT-5的费用计算,输入和输出比为10:1,OpenAI这100家顶级客户相当于已经给这家公司提供了超过1亿美元的收入。

其中30家公司,每家1万亿Token的消费量将会达到6000万美元以上。1万亿Tokens,是什么概念?普通人如果活80年,每天写1000字,1万亿Tokens相当于写6000万个汉字,是20万人一辈子写的总和;如果用在公司场景中,相当于在客服聊天、文档总结、代码场景下全年无休使用GPT,连轴转9年。

Token的使用量并不一定意味着公司的技术水平,但说明AI已经深度融合到这家公司的各项业务中,一场新的技术范式正在发生,大模型对于这100家公司来说,已经成了水和电一样不可或缺的基础设施。

这份名单揭示了现在到底谁在用AI挣钱?挣多重?怎么挣?

在这30家超过1万亿Tokens消耗量的客户中,我们看到了一些有意思的现象和公司,例如AI编程公司、基础设施提供者是Token消耗大户;其中我们也看到了一些商业化前景的垂直业务,例如法律AI的Harvey、医疗AI通讯Decagon;搜索、会议、教育、视频、销售和图形设计业务场景是AI商业化更有潜力的领域。

根据公开资料整理

AI原生公司正在超过成熟公司

首先,在Top30的企业中,AI原生初创占比超过了传统成熟公司。

“模型即产品”,让这些AI原生的初创公司从成立的第一天起,就把大模型和AI深度嵌入到自己的业务和工作流中。

例如AI编程领域独角兽Cognition,他们的AI for coding产品叫做Devin。这家公司成立于2023年,今年3月,Cognition完成了一笔融资,估值为40亿美元。今年,他们也收购了另一家AI编程公司Windsurf,当然,这也给了这家AI编程公司足够资金购买OpenAI的API。其CEO Scott Wu在一场播客中表示,要重塑软件工程的未来,Cognition的面试流程是在6个小时到8个小时到时间,搭建一套自己的Devin——一种非常AI原生的面试方式。

还有一家引人注意的公司是通用Agent公司Genspark,由前百度“小度”CEO景鲲(Eric Jing) 与前CTO朱凯华(Kay Zhu) 联合创办。

据The Information 10月31日的消息,Genspark完成了新一轮融资,投资方包括腾讯。交易后,Genspark的估值超过了10亿美元。根据第三方数据公司Xsignal(奇异因子)的统计,Genspark的用户数最高不超过500万,这个数据并不高,Manus的网站和APP端是700多万月活,但Genspark竟然能够进入OpenAI的Top30客户,说明其不仅在C端实现用户增长,更重要的是,在其自身的业务中深度使用AI。因为Genspark使用的模型不止OpenAI一家,还有Claud、Gemini等。

相比之下,成熟公司更多是通过模块化改造,将AI用在自己的工作流中。

不过我们也能够从这份名单中,看到AI转型较为彻底,并且效果显著的公司——例如Notion,Notion转型之后,其最新的Notion3.0版本,将AI深度嵌入工作流中。作为写作者,最实用的功能是一种自然流畅的触发方式,降低了使用门槛,例如可以选中任意文本,就能弹出“问AI”和“润色”的功能,对内容进行处理;敲击空格即可召唤出AI菜单。

截至2024年底,已有超过50%的Fortune 500大型企业在内部不同程度使用Notion。美国最大的孵化器——YC生态下的初创公司中,有一半以上的企业在用Notion管理信息。

To B公司“吃”掉大量Token,AI深入到垂直行业中

在OpenAI这100家大客户中,超过75%的公司集中在ToB和开发者中,ToC的公司不超过15家。

如果再细分,ToB的企业中,有一部分是面向开发者的企业,例如Cognition、JetBrains;一部分是企业SaaS服务商,例如salesforce、Zendesk;新一代企业工具,例如Ramp、企业搜索公司Glean。

其中,Glean是一款AI驱动的企业搜索和知识发现平台,其Work AI平台通过100多个SaaS连接器索引和理解来自数十种产品的文档上下文,为知识工作者提供类似Google的搜索体验。因此,每次Glean的API调用背后,都有庞大的企业客户网络,这也使得Glean能成为OpenAI的大客户之一,这家公司在今年7月份实现了170万访问量,增长率为10.7%。

其中,还有一部分公司是面向垂直行业的AI Agent,例如法律AI Agent——Harvey,这说明这些垂直行业的AI Agent已经通过对垂直行业的深度渗透和数据的积累,跑起了数据飞轮。Harvey在成立后两年时间里做到了3000万美金,而过去10年里最好的B2B SaaS产品,达到100万美金的营收平均时间是2年。

这些垂直AI Agent的特点是,行业具备高价值、高复杂度的场景,任务链条长、反馈闭环短。这也给了现在AI创业一些启发,需要寻找高价值、高复杂度、高专业性的垂直领域切入,直击行业痛点。

C端场景集中在高频、用户数大且付费模式清晰的场景

在前30的客户中,面向C端提供产品的仅有通用AI Agent公司Genspark、AI搜索公司Perplexity、语言学习平台Duolingo、健康穿戴企业WHOOP、AI会议工具Read AI。这些C端场景有一个共性就是高频使用、场景空间大,有清晰的付费订阅场景。

Duolingo可以说是教育公司中,AI转型最迅速也最彻底的教育公司之一。他们很早就把自己的业务和大模型结合起来,例如他们利用AI(如GPT-4)大规模生成练习题和课程内容;在个性化学习上,Duolingo通过自研AI算法“Birdbrain”为每位用户动态调整学习难度和内容推荐;2024年,Duolingo发布了Duolingo Max,有AI角色扮演的200多个场景和对话;AI图文互动等功能。这些多模态功能也让Duolingo成为了Token消耗大户。

另一个高频场景是会议,Read AI是一个AI会议内容总结平台,提供会议摘要、文字记录及会议回放,帮助用户高效查看会议、电子邮件和消息。用多模态AI把会议、邮件、聊天自动汇成可搜索、可执行的知识库。截至2025年,Read AI的用户数已经超过了100万,过去12个月活跃用户数增幅为720%。

初创公司的模型依赖焦虑

当然,在顶级客户名单背后,这些公司每年在OpenAI上花了大量的钱。比如这里面的AI搜索初创公司Perplexity在2024年就向Anthropic和 OpenAI支付了800万美元,这几乎占其收入的四分之一。

更可怕的是,这里的很多公司并不仅仅接入OpenAI的API,还包括了谷歌的Gemini、Claude,这会让这些公司不断进行大量融资,或是在用户身上转嫁成本。

这也难怪,笔者曾经在与Web Summit(全球网络峰会)的CEO兼创始人帕迪·科斯格雷夫交流时他表示,Deep Seek刚出来那会儿,到整个2月份、3月份,几乎整个旧金山(的企业)都在用它,因为成本更低。

另一重焦虑在于和OpenAI的业务重合度上——万一钱被OpenAI挣了,业务也被吞了,对初创公司来说,将进入一个危险的境地。理论上Open AI会做一切,例如前不久这位“巨兽”推出了AI浏览器,这对于通用Agent平台来说是一个深度危机,Xsignal(奇异因子)创始人及CEO刘震告诉虎嗅,OpenAI将“通用Agent”功能纳入自己的生态,这意味着独立构建通用型Agent平台的初创公司将面临不确定的但大概率是悲哀的结局,这与两年前的独立搜索AI应用的结局类似,会被ChatGPT的虹吸效应所伤害。

对于OpenAI会进入哪些领域,刘震给了几个判断,给初创公司一些参考,首先,是否能显著提升用户粘性或商业收入;其次,是否能让公司控制更多的用户触点(浏览器、Agent、OS);第三,市场是否足够大,是否高频;第四,算力和收益的ROI是否合理;第五,外部依赖(合作方、监管、版权)是否可控。

注:文/陈伊凡,文章来源:虎嗅APP(公众号ID:huxiu_com),本文为作者独立观点,不代表亿邦动力立场。

【版权提示】亿邦动力倡导尊重与保护知识产权。未经许可,任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至run@ebrun.com,我们将及时沟通与处理。

已点赞

+1

{{ praise_text }}

好文章,值得被更多人看到

FAQ回顾

OpenAI 的顶级客户主要分布在哪些行业?

OpenAI 的顶级客户中,超过75%集中在 ToB 和开发者领域,包括 AI 编程公司(如 Cognition)、企业 SaaS 服务商(如 Salesforce)以及垂直行业 AI Agent(如法律 AI Harvey 和医疗 AI Decagon)。

AI 原生公司在 OpenAI 客户中表现如何?

在 OpenAI Top30 客户中,AI 原生初创公司占比超过传统成熟公司,例如 AI 编程独角兽 Cognition(估值40亿美元)和通用 Agent 公司 Genspark(估值超10亿美元),它们从成立起就将大模型深度嵌入业务。

初创公司对 OpenAI 的模型依赖有哪些风险?

初创公司面临高成本依赖(如 Perplexity 年支付800万美元占收入四分之一)和业务重合风险,若 OpenAI 进入相同领域(如推出 AI 浏览器),可能通过虹吸效应威胁独立 Agent 平台的生存。

广告

下一篇

征集报名《品牌数字化服务商资源手册》

《品牌数字化服务商资源手册》展示数字化服务商风采,亿邦全年零售大会通发,触达更多资源,马上加入!

马上入驻

突发!大批TikTok卖家遭“二审” 需身份验证

其实,在今年年初,就已经有许多卖家在社交媒体上发文称,TikTok美区大面积跳二审的情况。