本週 AI 大事：戰場從「模型多強」，移到「誰掌握部署與資料」
Kimi K3 讓開源追到前沿卻不再便宜、Nadella 警告用別人的模型是「為智慧付兩次錢」、連 Anthropic 都親自跳下來做落地生意——這週的訊號全指向同一件事：AI 的競爭正從「模型多強」，移到「誰掌握部署、資料與切換的自由」。企業該問的，不是換哪家模型，而是資料與落地能力握在誰手上。
這週如果只快掃標題，你會以為又是熟悉的劇本：中國出了一個更大的開源模型、幾家公司互嗆、某某執行長又發表看法。但把這些擺回企業現場來看，真正改變的不是「誰家又更強」，而是主戰場整個換了位置——從「模型多強」，移到「誰掌握部署、資料與切換的自由」。
先看這週擺在桌上的三個訊號，再看一個把訊號接回現實的落地樣板。
訊號一：開源追到前沿了，但「便宜」不再是選它的理由
7 月 16 日，中國 Moonshot AI 發布 Kimi K3——一個 2.8 兆參數的稀疏 MoE 模型（每次請求只啟用 896 個專家中的 16 個、脈絡長度 1M token），權重預計 7 月 27 日以 Modified MIT 授權釋出。它的 benchmark 已逼近頂級專有模型，大致落在 Claude Opus 4.8 同一帶（不同榜單排名不一，別當成單一名次看）。
但真正的訊號在價格：Kimi K3 的 API 定價來到每百萬 token 輸入 3 美元、輸出 15 美元，比前代明顯上調。The Decoder 直接說，這「標誌著超便宜中國 AI 的終結」。把它跟上週 GPT-5.6 的價目擺在一起，畫面很清楚：
| 模型 | 類型 | 輸入（每百萬 token） | 輸出（每百萬 token） |
|---|---|---|---|
| Kimi K3 | 開源權重 | 3 美元 | 15 美元 |
| GPT-5.6 Sol | 專有・旗艦 | 5 美元 | 30 美元 |
| GPT-5.6 Terra | 專有・日常 | 2.5 美元 | 15 美元 |
| GPT-5.6 Luna | 專有・廉價 | 1 美元 | 6 美元 |
開源模型的代管價，如今就卡在專有模型的中段——比旗艦便宜，卻比廉價檔貴。這代表一件事：選開源，理由已經不是「比較省」，而是「我要能把權重拿回自己手上、自己掌控」。對決策者來說，這把「自有 vs 租用」的天平，從成本題變成了主導權題。
訊號二：用別人的模型，可能是在「為智慧付兩次錢」
如果訊號一是供給面，這週最值得決策者記住的一句話來自需求面。七月中，微軟執行長 Nadella 警告：企業使用第三方前沿模型，等於「為智慧付兩次錢——一次用錢，一次用你為了讓模型有用、而必須揭露的專有知識」。他的主張是：保留你 prompt 與回饋資料的所有權、在自己的雲上建「學習環境」、再加一層 orchestration 讓你能自由換模型、避免被綁死。
這番話當然有立場——微軟正好賣「在我的雲上自己擁有」那套方案。但把它跟同一週的另一則新聞對照，訊號就更立體了：微軟被爆在 7 月 14 日的內部策略會議上，訓練業務人員負面比較 OpenAI、Anthropic 與 Google，主打成本與端到端整合，甚至稱對手模型在 Office 內「較慢、較不準、缺乏安全整合」。兩件事合看，給企業的提醒很直接：供應商的 benchmark 話術要打折，重要的是守住自己的資料與 know-how，並保留隨時換人的能力。
訊號三：連前沿實驗室都在押注「落地才是那門生意」
7 月 15 日，Anthropic 聯手 Blackstone 與 Hellman & Friedman，推出企業 AI 落地服務公司 Ode with Anthropic。它把約百名「前進部署」工程師直接派進企業內部，幫忙把模型接進實際、雜亂的工作流程，而且刻意做成 model-agnostic——必要時連對手的模型也用。TechCrunch 把它的賭注講得很白：下一門兆元級的 AI 生意，是落地，不是模型本身。
把三個訊號串起來：模型能力正在快速商品化、價格帶彼此重疊，於是勝負的關鍵往下游移了——移到「誰能把它接進你的現場、誰掌握資料、誰能自由切換」。當連模型供應商都跳下來做落地生意，這就是最清楚的方向指標。
一個落地樣板：Starbucks 決定自己蓋
講到落地，這週最值得抄的樣板是 Starbucks。近期被披露，它正用 AI 自建內部軟體，準備取代微軟的庫存管理與 IBM 的維運管理平台。動機很實際：約 4 億美元/年的軟體支出受檢視，屬於更大的 20 億美元降本目標一部分；部分應用可能在 2027 年底前上線——但明確以「測試通過」為前提。
這正好把前面三個訊號接回現實：當模型能力變便宜、變普及，一家夠大的企業就會開始認真算——與其一直租現成 SaaS、把流程與資料交給外部，不如用 AI 把關鍵系統搬回自己手上。它示範的姿態也很健康：讓 AI 做規模化的苦工，但把「能不能上線」的判斷牢牢留在測試與人手上。
那麼，企業決策者這週該調整什麼？
- 把「自有 vs 租用」重新當成主導權題，不只是成本題。 開源已經追到前沿，選它是為了掌控，不是為了省錢。本週可做的第一步：挑一條你最敏感、最不想外流的工作流程，評估「若改用可自有部署的開源模型，缺口在哪」。
- 守住你的資料與切換自由。 別讓 prompt、修正與回饋這些「know-how 排放」白白餵給未來可能變對手的供應商。本週可做的第一步：盤點目前哪些系統把你的專有資料送進了第三方模型，並確認合約裡「不拿你的資料訓練」這條寫清楚了沒。
- 把落地能力當成一等公民，而不是採購的附屬品。 決定成敗的往往不是模型分數，而是有沒有人能把它接進你的現場。本週可做的第一步：找出手上一個「大量、重複、有明確對錯」的任務，當成第一個落地試點，而不是再等下一個旗艦。
如果這週只調整一件事，那就是：別再問「該換哪家模型」，先問「我的資料、我的切換自由、我的落地能力，握在誰手上」。
※ 以上內容由 AI 自動產生，請核對事實。