第三十一章｜商业模式深度研究：Anthropic 到底怎么赚钱？

31.1 本章结论

第 29 章讨论产品，第 30 章讨论客户。

第 31 章要回答商业模式问题：

Anthropic 到底怎么赚钱？这些收入质量如何？成本结构是什么？增长是否会转化为现金流和再投资能力？

Anthropic 的商业模式表面上是混合收入：订阅、API、Enterprise 合同、云渠道使用、合作伙伴嵌入。

但真正的问题不是“有没有收入”，而是：

收入增长之后，能不能留下足够毛利，覆盖训练、推理、人才、销售、客户成功和安全合规成本，并形成再投资能力？

本章核心判断是：

Anthropic 现在最需要证明的不是需求，而是收入质量和单位经济。它可能创造巨大客户价值，但 frontier AI 的高推理成本、训练成本、云分成、价格战和平台捕获，会让“收入增长”不自动等于“好生意”。

因此，商业模式研究必须区分三件事：

1. 收入规模：卖了多少钱；

2. 收入质量：客户是否留存、扩张、生产使用；

3. 经济质量：收入扣除推理、云分成、销售和客户成功后，是否能形成可持续毛利和现金流。

如果只看 ARR 或 usage growth，容易误判。

31.2 Anthropic 的赚钱公式

Anthropic 的收入可以先用一个总公式拆开：

收入 = 客户数 × 使用量 × 单价 × 留存时间 × 扩展收入

更具体地说：

Revenue = subscription seats + API tokens + enterprise contracts + cloud marketplace usage + partner embedding revenue

这五类收入质量不同。

所以，Anthropic 不是单一 SaaS，也不是单一 API 公司，而是：

subscription + usage-based API + enterprise software + cloud marketplace + infrastructure supplier 的混合商业模式。

混合模式的好处是收入来源多。

坏处是经济结构复杂，外部投资者更难判断真实毛利、客户留存和价值捕获。

31.3 订阅收入：最容易理解，但未必最深

Claude App / Team 的订阅收入最接近传统 SaaS / consumer subscription。

31.3.1 订阅收入的价值

订阅收入的优点是：

• 购买路径简单；
• 收入直接进入 Anthropic；
• 有助于建立品牌；
• 个人用户可转团队和企业；
• 能提供大量使用反馈；
• 有一定稳定性。

31.3.2 订阅收入的风险

风险也明显：

• 个人用户切换成本低；
• 用户会比较 ChatGPT、Gemini、Grok、Perplexity；
• subscription price 有天花板；
• 重度用户可能推高推理成本；
• 普通聊天场景难形成深护城河；
• 消费者热度可能波动。

31.3.3 判断

订阅收入能证明 Claude 有用户价值，但不是 Anthropic 商业质量的最强证据。

更重要的是：

订阅用户是否转化为团队、企业、Claude Code 和高价值工作流使用。

如果订阅收入主要来自浅层聊天，它的质量有限。

31.4 API 收入：高弹性，也最容易商品化

API 是 Anthropic 商业模式中非常重要的一层。

它把 Claude 变成可嵌入外部产品和系统的模型能力。

31.4.1 API 收入的优势

API 收入的优势包括：

• 使用量可快速增长；
• 客户可以把 Claude 嵌入自己的产品；
• AI 应用公司不需要自建模型；
• 高价值任务可带来高 usage；
• API 能扩大 Claude 的生态覆盖。

31.4.2 API 收入的核心变量

API 收入可以拆成：

API revenue = input tokens × input price + output tokens × output price + cache / tool / feature pricing

但这只是收入端。

真正要看的是：

API gross profit = API revenue - inference cost - cloud cost - support cost - discount / credits

关键变量包括：

• token price；
• input / output mix；
• model mix；
• cache 命中率；
• latency 要求；
• serving cost；
• 企业折扣；
• 云渠道分成；
• 客户 support 成本。

31.4.3 API 的商品化风险

API 最大风险是多模型 routing。

成熟客户可能会：

• 高难任务用 Claude；
• 低价任务用开源或小模型；
• 某些任务用 OpenAI；
• 某些任务用 Gemini；
• 根据价格、延迟和质量动态切换。

这会压缩 Anthropic 的定价权。

31.4.4 判断

API 收入增长不能自动视为好信号。

要问：

API usage 是高毛利、长期生产场景，还是低毛利、可替换、被 routing 压价的 usage？

如果 API 客户对 Claude 有特定任务依赖，收入质量高。

如果客户只是把 Claude 当作多模型菜单之一，收入质量低。

31.5 Enterprise 合同：最可能成为高质量收入

Enterprise / Team 是 Anthropic 最有机会形成高质量收入的方向之一。

31.5.1 为什么 Enterprise 收入重要？

Enterprise 收入的潜在优点：

• 合同金额更大；
• 留存周期更长；
• seat expansion 空间大；
• 客户成功可以推动更多 use cases；
• 企业治理配置会形成迁移摩擦；
• production deployment 更能证明真实价值。

31.5.2 Enterprise 收入公式

可以粗略拆成：

Enterprise revenue = seats × price per seat × retention × expansion + usage-based add-ons

但 enterprise AI 不完全等于 seat SaaS。

因为客户可能还会产生大量 usage-based inference 成本。

所以要同时看：

• seat revenue；
• usage revenue；
• gross margin；
• customer success cost；
• security / compliance support cost；
• pilot 转 production 的效率；
• NRR。

31.5.3 Enterprise 收入的关键质量指标

关键指标包括：

• pilot → production conversion；
• NRR；
• gross retention；
• expansion rate；
• seat utilization；
• active users；
• number of production workflows；
• customer success cost per account；
• renewal rate。

客户 logo 不够。

Enterprise 的真正证据是扩座、续约和生产部署。

31.5.4 Enterprise 的风险

风险包括：

• 销售周期长；
• 安全审批复杂；
• 客户成功成本高；
• use case 不清晰；
• ROI 难衡量；
• 价格谈判强；
• 重度使用推高推理成本；
• Microsoft / Google / OpenAI 通过已有 enterprise relationship 抢客户。

31.5.5 判断

Enterprise 是 Anthropic 最可能形成好生意特征的收入层，但必须证明：

客户不只是试点，而是生产使用、扩座续约，并且单位经济可接受。

31.6 Cloud marketplace 收入：分发强，但价值捕获要打折

AWS Bedrock 和 Google Vertex 是 Anthropic 商业模式中的重要渠道。

31.6.1 云渠道收入的优势

优势包括：

• AWS / Google 已有企业客户；
• 采购摩擦低；
• 安全和合规路径更熟悉；
• 云内数据和应用接近；
• cloud account team 可推动 adoption；
• 客户不必新增独立供应商。

这对 Anthropic 很有价值。

31.6.2 云渠道收入的风险

但云渠道收入要打折看。

主要风险是：

• 云平台分成；
• 客户关系归 AWS / Google；
• Anthropic 拿不到完整客户反馈；
• Claude 被放进多模型菜单；
• 云平台控制推荐、价格和 routing；
• 客户认为自己买的是 Bedrock / Vertex，不是 Claude；
• 云平台未来可能推自有模型替代。

31.6.3 判断

云渠道收入不是坏收入，但必须区分：

分发价值 vs 客户资产价值。

如果云渠道带来 usage，同时 Anthropic 保留品牌、反馈和经济性，是好杠杆。

如果云渠道只带来低毛利 usage，客户关系被平台控制，则增长质量要下调。

31.7 Partner embedding 收入：放大分发，也容易被抽象

Anthropic 还可能通过第三方应用、开发工具、企业软件、agent 平台等方式获得嵌入式收入。

31.7.1 价值

这种收入的价值是：

• 快速进入终端场景；
• 借合作伙伴产品分发；
• 扩大 Claude usage；
• 让 Claude 参与更多垂直任务。

31.7.2 风险

风险是：

• 终端客户不认识 Anthropic；
• 合作伙伴控制产品体验；
• Claude 成为可替换模型；
• 反馈不完整；
• 价格和利润被合作伙伴压缩；
• 合作伙伴可能做多模型 routing。

31.7.3 判断

Partner embedding 可以放大规模，但通常不是最高质量收入。

除非 Anthropic 能在合作中保留模型差异、客户反馈、品牌归属和合理经济性。

31.8 成本公式：Anthropic 的商业模式为什么重？

Anthropic 的成本公式可以写成：

成本 = 训练成本 + 推理成本 + 云分成 + 人才成本 + 销售成本 + 安全 / 合规成本 + 客户成功成本 + 管理和组织复杂性成本

这与普通 SaaS 最大不同在于：

普通软件边际交付成本接近零，frontier AI 每次使用都有显著推理成本。

31.8.1 训练成本

训练成本包括：

• compute；
• data pipeline；
• research team；
• post-training；
• eval；
• experimentation；
• failed runs；
• hardware / cloud commitments。

训练成本通常在收入确认前发生，且需要持续投入。

31.8.2 推理成本

推理成本随使用增长而增长。

尤其是：

• long context；
• coding；
• agentic workflow；
• tool use；
• enterprise knowledge work；
• high-volume API usage。

这些都是 Anthropic 的高价值场景，也可能是高成本场景。

31.8.3 云分成和基础设施成本

通过 AWS / Google 渠道或基础设施运行，会涉及：

• cloud spend；
• marketplace take rate；
• hardware commitment；
• serving infra；
• latency / reliability 成本。

云平台既是资源，也是成本和价值捕获约束。

31.8.4 人才成本

Frontier AI 顶级人才成本极高。

包括：

• research；
• engineering；
• infra；
• product；
• security；
• enterprise sales；
• customer success。

人才成本也是护城河材料，但会拉高固定成本。

31.8.5 销售和客户成功成本

Enterprise AI 不会自动落地。

客户需要：

• use case discovery；
• security review；
• integration；
• governance setup；
• ROI evaluation；
• employee adoption；
• production support。

这些都会形成销售和客户成功成本。

31.8.6 Safety / compliance 成本

Anthropic 的 trust 定位需要投入：

• safety research；
• eval；
• policy；
• red teaming；
• enterprise governance；
• legal / compliance；
• incident response。

这些成本可能形成差异化，也可能压低短期利润。

31.9 单位经济：真正要看的不是收入，而是毛利

Anthropic 的关键商业问题是单位经济。

31.9.1 API 单位经济

API 单位经济要看：

API gross margin = API revenue - inference cost - cloud cost - support cost - credits / discounts

如果模型调用价格下降，但推理成本没有同步下降，毛利会被压缩。

31.9.2 Enterprise 单位经济

Enterprise 单位经济要看：

Enterprise gross profit = subscription / contract revenue + usage revenue - inference cost - customer success cost - security / support cost

Enterprise 不是 seat 越多越好。

如果 heavy users 推高成本，或者每个客户都需要大量定制支持，毛利会下降。

31.9.3 Claude Code 单位经济

Claude Code 要看：

• 订阅或 seat 收入；
• 每个开发者 usage；
• 长上下文和 tool use 成本；
• task completion 带来的付费意愿；
• 团队 adoption；
• retention；
• enterprise deployment cost。

Claude Code 如果形成高留存和团队付费，是好信号。

但如果重度 coding agent 使用推高推理成本，也需要看毛利。

31.9.4 Cloud channel 单位经济

云渠道单位经济要看：

• marketplace revenue；
• 云分成；
• serving cost；
• support responsibility；
• direct relationship 缺失带来的长期价值损失。

不能只看云渠道 usage。

31.9.5 判断

Anthropic 的单位经济目前外部证据不足。

因此，不能从收入增长直接推出好生意。

最克制判断是：

Anthropic 的收入潜力很大，但单位经济尚未证明。

31.10 价格权：Anthropic 能不能保持定价能力？

商业模式好不好，很大程度取决于定价权。

31.10.1 定价权来源

Anthropic 可能的定价权来源包括：

• Claude 在高价值任务中明显更好；
• Claude Code 进入工程流程；
• Enterprise 治理和 trust 价值；
• 高监管客户愿意为可靠性付费；
• 客户围绕 Claude 建立 workflow；
• 替换成本高；
• 客户成功带来业务结果。

31.10.2 定价权压力

压力来自：

• OpenAI / Gemini 追平；
• DeepSeek / 开源模型压低成本底线；
• 多模型 routing；
• 云平台议价；
• 大企业折扣；
• API 价格战；
• 模型能力快速商品化。

31.10.3 判断

Anthropic 的定价权不能靠“模型强”长期维持。

它必须靠：

高价值任务差异 + 工作流嵌入 + 企业治理 + 客户依赖。

31.11 公司赚的到底是什么钱？

Anthropic 的收入可能来自几类价值。

31.11.1 价值创造的钱

如果 Claude 帮客户完成高价值任务，客户愿意付费，这是最健康的钱。

例如：

• 工程效率提高；
• 客服成本下降；
• 知识工作流程加速；
• 安全或合规任务改善。

31.11.2 效率提升的钱

客户原来需要更多人力或更长时间完成任务，现在用 Claude 压缩成本。

这是强商业价值。

31.11.3 风险降低的钱

如果 Anthropic 的 trust / governance 让客户更安全地使用 AI，高监管和企业客户愿意为风险降低付费。

这是 Anthropic 的差异化机会。

31.11.4 战略稀缺的钱

在 frontier AI 稀缺阶段，客户可能愿意为领先模型能力付费。

但这种钱可能随模型供应增加而下降。

31.11.5 热潮 / FOMO / 资本补贴的钱

部分收入可能来自 AI 热潮、试点预算、创新预算、资本补贴。

这类收入质量低，不能视为长期护城河。

31.11.6 判断

Anthropic 最需要把收入结构从：

战略稀缺 + AI 热潮 + API usage

逐步转向：

客户结果 + 工作流依赖 + 企业治理 + 高质量生产使用。

31.12 商业模式的增强回路

Anthropic 的商业模式如果成立，会形成正向回路：

高价值产品

→ 客户生产使用

→ 高质量收入

→ 毛利改善

→ 再投资模型、产品、客户成功和成本效率

→ 更高价值产品。

这个回路成立的条件是：

1. 客户真的生产使用；

2. 留存和扩张强；

3. 推理成本可控；

4. 定价权不被快速压缩；

5. 客户关系不被平台抽走；

6. 收入能转化为毛利；

7. 再投资效率高。

如果这条回路成立，Anthropic 可能从高消耗 AI 公司变成可持续复利公司。

31.13 商业模式的反噬回路

反过来，Anthropic 也可能陷入负向回路：

客户使用增长

→ 推理成本增长

→ 毛利承压

→ 价格战 / 折扣 / 限流 / 融资依赖

→ 客户价值下降或公司质量下降。

另一条负向回路是：

云渠道增长

→ AWS / Google 控制客户关系

→ Anthropic 反馈和品牌弱化

→ 价值捕获下降

→ 再投资能力下降。

第三条是：

高融资和高估值

→ 增长压力

→ 低质量客户和产品线扩张

→ 成本和复杂性上升

→ 现金流压力加大。

这些反噬说明：

Anthropic 最大风险不是没有收入，而是收入增长无法转化为高质量毛利和自我造血。

31.14 商业模式关键指标

需要重点跟踪：

31.14.1 收入指标

• ARR；
• revenue growth；
• subscription vs API vs enterprise vs cloud mix；
• direct vs platform revenue；
• top customer concentration。

31.14.2 留存和扩张指标

• NRR；
• gross retention；
• seat expansion；
• usage expansion；
• pilot → production；
• renewal rate。

31.14.3 单位经济指标

• gross margin；
• inference cost per unit；
• cloud cost；
• model mix；
• prompt caching impact；
• customer success cost；
• enterprise support cost；
• CAC payback。

31.14.4 资本效率指标

• burn rate；
• free cash flow；
• cash runway；
• training spend vs capability gain；
• revenue growth vs compute spend growth；
• financing dependency。

31.14.5 定价权指标

• API price trend；
• enterprise discount；
• pricing vs OpenAI / Gemini / open-source alternatives；
• customer willingness to pay for trust / governance；
• routing share in multi-model customers。

31.15 商业模式反证条件

反证 1：ARR 增长但毛利不明或恶化

如果收入增长无法转化为毛利改善，商业模式质量不足。

反证 2：API usage 增长但客户多模型化

如果客户把 Claude 作为可替换模型，API 收入质量较低。

反证 3：Enterprise logo 多但 NRR / production 弱

如果企业客户不能扩座续约，Enterprise 不是高质量收入。

反证 4：云渠道增长但客户关系归平台

如果 Bedrock / Vertex 放大使用，但 Anthropic 失去客户关系和反馈，价值捕获受限。

反证 5：推理成本吞噬收入

如果 usage 越高，推理成本越高，毛利无法改善，增长是反噬。

反证 6：持续融资是主要再投资来源

如果公司主要靠融资而非经营现金流再投资，真飞轮未成立。

反证 7：价格战压缩定价权

如果 OpenAI、Google、DeepSeek、开源模型推动价格快速下降，Anthropic 定价权要下调。

31.16 当前判断矩阵

当前最克制判断是：

Anthropic 的商业模式具备巨大收入潜力，但好生意属性尚未证明。真正决定长期价值的不是 ARR 增长，而是高质量客户收入能否覆盖高推理成本、云分成、客户成功和持续训练投入，并形成自我再投资能力。

31.17 本章小结

Anthropic 的商业模式不是传统 SaaS，也不是单纯 API，也不是纯 consumer subscription。

它是一个混合模式：

subscription + API usage + enterprise contracts + cloud marketplace + partner embedding。

这个模式的上限很高，因为 Claude 可以进入个人、开发者、企业、AI 应用公司和云客户场景。

但这个模式也很重，因为它同时承担：

• frontier model 训练成本；
• 大规模推理成本；
• 云平台分成；
• 顶级人才成本；
• enterprise sales 和 customer success 成本；
• safety / compliance 成本；
• 高速竞争下的价格压力。

本章最终判断是：

Anthropic 可能创造巨大客户价值，但商业模式是否优秀，取决于它能否把客户价值转化为高留存、高毛利、低平台捕获、低融资依赖的收入结构。当前它是“好生意候选”，不是“好生意已证明”。

下一章应进入价值链 / 资源能力研究：Anthropic 在上游、中游、下游分别掌握什么资源，这些资源是否有价值、稀缺、难模仿、难替代，并且能被组织有效利用。