Anthropic 首次盈利深度分析：AI 行业从烧钱到盈利的历史转折点

2026 年 5 月，Anthropic 向投资者披露了一项令人瞩目的财务预测：2026 年第二季度将实现首次运营盈利，预计利润为 5.59 亿美元，营收将达到 109 亿美元。这一数字意味着 Anthropic 的季度营收将从 2026 年第一季度的约 48 亿美元环比增长约 130%——在 AI 行业的历史上，这样的增速前所未有。

更值得关注的是，Anthropic 成立至今仅有不到 4 年时间（2021 年初成立）。相比之下，特斯拉用了 17 年才实现首次年度盈利，Amazon 用了 9 年，Google 用了 3 年。Anthropic 如果确实在 Q2 2026 实现盈利，将成为AI 行业中从创立到盈利速度最快的公司之一——甚至比 OpenAI 的盈利路径快了数年（OpenAI 预计 2027 年才开始盈利）。

这一盈利里程碑的意义远超 Anthropic 本身。 它标志着整个 AI 行业正在从一个"疯狂烧钱"的实验阶段，转向一个"可持续盈利"的商业阶段。过去三年，AI 行业的叙事始终围绕着"谁融资最多"、"谁投入的算力最大"、"谁的模型参数最多"——而现在，叙事正在转向"谁能赚最多的钱"。这个转折点的到来，对整个行业的竞争格局、投资策略、技术路线都将产生深远影响。

驱动 Anthropic 盈利的核心因素有三个：第一，企业级 Claude API 收入的爆发式增长——PwC（普华永道）宣布在 3 万名员工中全面部署 Claude，KPMG 等四大会计师事务所也大规模采用；第二，Claude Code 的成功——作为 AI 编程助手，Claude Code 在企业开发者中的采纳率急剧上升，直接拉动了 API 调用量；第三，定价权的提升——随着 Claude 在企业市场中建立的安全性和可靠性声誉，Anthropic 获得了比竞争对手更高的定价溢价能力。

回顾 AI 行业过去五年的资本投入轨迹，可以理解 Anthropic 盈利的历史意义。

2021 到 2023 年：烧钱竞赛期。 OpenAI、Anthropic、Google DeepMind、Meta AI 等巨头竞相投入数十亿美元用于算力基础设施和模型研发。OpenAI 在 2023 年的亏损估计超过 50 亿美元，Anthropic 在 2023 年的亏损超过 20 亿美元。这个阶段的行业逻辑是：先做出最好的模型，再考虑如何赚钱。投资者也愿意为"未来的市场主导地位"买单——只要模型能力在基准测试中领先，估值就可以持续攀升。

2024 年：商业化探索期。 随着 GPT-4 和 Claude 3 的发布，AI 公司开始认真探索商业化路径。OpenAI 推出了企业版 ChatGPT 和 API 分层定价，Anthropic 推出了 Claude Team 和企业 API。但这一阶段的收入规模仍然远小于投入——每 1 美元收入对应 5 到 10 美元的支出。商业模式的可持续性受到市场质疑。

2025 年：收入加速期。 Claude Code 的发布、OpenAI 的 Agent 功能、以及各大模型厂商的企业 API 收入开始呈现指数级增长。Anthropic 在 2025 年的收入估计从 2024 年的不足 20 亿美元增长到约 80 亿美元——收入增速超过 300%。但亏损仍然巨大，因为算力投入增速同样惊人。

2026 年：盈利元年。 Anthropic Q2 2026 预计实现 5.59 亿美元运营盈利，标志着收入终于追上了支出。这不是因为 Anthropic 减少了投入（其算力支出仍在增长），而是因为收入增速（130% 环比）远超支出增速。这是一个临界点——一旦跨越，AI 行业的商业逻辑将发生根本性转变。

盈利元年的行业意义：第一，它证明了 AI 模型即服务（MaaS）是一个可持续的商业模式——不需要无限融资，AI 公司可以靠自己养活自己；第二，它将竞争焦点从"谁花钱最多"转向"谁赚钱最多"，这会改变 AI 公司的战略优先级；第三，它会吸引更多传统行业的投资者——因为"能赚钱的 AI 公司"比"烧钱的 AI 公司"更容易被主流投资者理解。

AI Master 观点：Anthropic 的盈利不是一个孤立事件，而是整个 AI 行业的"iPhone 时刻"——它证明了 AI 不仅可以做酷炫的技术演示，更可以成为一个真正赚钱的生意。 这个认知转变的影响力，将远超任何单一模型的基准测试成绩。

要理解 Anthropic 盈利的可持续性，必须拆解其收入来源。根据公开信息，Anthropic 的收入主要来自以下几个渠道：

Claude API 收入（最大来源）： 这是 Anthropic 最核心的收入来源。企业客户通过 API 调用 Claude 模型，按输入和输出 token 数量付费。根据 2026 年 4 月的定价，Claude Opus 4.7 的定价为每百万输入 token 5 美元、输出 25 美元——这比 GPT-5.5 的定价高出约 30% 到 50%，但企业客户愿意为安全性和合规性支付溢价。PwC 在 3 万名员工中全面部署 Claude，KPMG 等四大会计师事务所也大规模采用，这些超大客户的 API 调用量构成了 Anthropic 收入的基石。

Claude Code 收入： Claude Code 是 Anthropic 于 2025 年推出的 AI 编程助手，专为开发者设计。它可以集成到开发者的工作流中（VS Code、JetBrains IDE、终端），提供代码生成、代码审查、调试辅助等功能。Claude Code 采用订阅制收费（个人版每月 20 美元，企业版按 seat 收费），同时其背后的模型调用也通过 API 计费。Claude Code 的成功是 Anthropic 2026 年收入爆发的关键驱动力之一——它不仅直接产生收入，还通过 API 调用间接放大了收入。

Claude Team 和企业订阅： 面向团队的 Claude 订阅服务，提供协作功能、管理员控制面板、SSO 集成等企业级特性。虽然单价低于 API 调用，但订阅收入的可预测性更高，是 Anthropic 收入稳定性的保障。

合作伙伴收入： Anthropic 与 Amazon（AWS Bedrock）、Google（Google Cloud Vertex AI）建立了深度合作关系，这些云厂商将 Claude 集成到其 AI 服务平台中，Anthropic 从中获得分成收入。虽然这部分收入的具体占比未公开，但考虑到 AWS 和 GCP 的企业客户规模，这应该是一个重要的增长渠道。

收入结构的战略意义：Anthropic 的收入高度集中在企业级 API 调用上——这与 OpenAI 的收入结构（更多依赖消费者端的 ChatGPT 订阅）形成鲜明对比。企业收入的特征是合同金额大、续约率高、收入可预测性强——这使得 Anthropic 的盈利更加可持续。相比之下，消费者订阅收入虽然总量可能更大，但用户流失率高、价格敏感度强、收入波动性大。

成本结构：Anthropic 的主要支出包括算力成本（GPU 集群的训练和推理，与 Amazon 和 Google 签订了数十亿美元的算力合同）、研发成本（约 4000 名员工的薪酬）和销售与市场成本。其中算力成本占比最大，但随着推理效率的提升（量化、PagedAttention 等技术的应用），单位 token 的推理成本正在快速下降——这是 Anthropic 能够在收入增长 130% 的同时实现盈利的关键原因。

Anthropic 的盈利不是一个孤立事件——它是整个 AI 行业商业化进程的一个缩影。将 Anthropic 的盈利路径与主要竞争对手对比，可以更清晰地看到行业格局的演变。

OpenAI 的盈利时间表：根据公开报道，OpenAI 预计 2027 年才开始实现年度盈利。尽管 2025 年的收入估计已达到约 130 亿美元（主要来自 ChatGPT 订阅和 API），但其支出更为庞大——包括大规模的 GPU 集群投资（与 Microsoft 的 Azure 深度合作）、员工薪酬（约 8000 人）、以及对前沿研究（如 AGI 相关项目）的持续投入。OpenAI 的盈利延迟反映了其**"AGI 优先"战略**——愿意牺牲短期盈利来追求长期的技术领先。此外，OpenAI 正在筹备 IPO（2026 年 5 月正式提交 IPO 申请，估值超 5000 亿美元），IPO 之前的财务表现将直接影响其上市估值。

Google DeepMind 的盈利模式：Google 的 AI 业务深度整合在 Google Cloud 和 Google 产品生态中（Google Search、Gmail、Google Workspace），因此很难独立评估 DeepMind 的"盈利"情况。但 Google Cloud 的 AI 相关收入在 2026 年 Q1 已达到约 120 亿美元（年化），其中 Vertex AI 和 Gemini API 贡献了显著增长。Google 的优势在于AI 能力与现有产品生态的深度整合——不需要单独为 AI 业务盈利，而是通过 AI 增强整体产品竞争力。

Meta AI 的独特路径：Meta 的 AI 战略以开源为主（Llama 系列），其 AI 投入主要服务于 Meta 的核心业务（Facebook、Instagram、WhatsApp 的内容推荐和广告优化）。Meta 本身已经是盈利的科技巨头（2025 年净利润约 500 亿美元），其 AI 投入被视为对现有业务的增强，而非独立的商业冒险。Meta 的开源策略正在成为 AI 行业的"基础设施提供者"角色——通过免费提供高质量的基础模型，Meta 建立了一个围绕 Llama 的生态系统。

Anthropic 的独特优势：在四家公司中，Anthropic 是唯一一家专注于企业级 AI 服务且不依赖大型科技公司生态的独立 AI 公司。OpenAI 依赖 Microsoft，Google DeepMind 属于 Alphabet，Meta AI 属于 Meta。Anthropic 的独立性使其能够同时与多家云厂商合作（AWS、GCP），而不受单一生态的约束。这也是 Anthropic 能够在企业市场获得广泛接受的重要原因——企业客户不用担心被锁定在某个特定云厂商的生态中。

四家公司的战略差异总结：OpenAI 追求 AGI（长期技术领先），Anthropic 追求企业盈利（短期商业可持续），Google 追求生态整合（AI 增强全产品线），Meta 追求开源生态（基础设施提供者）。这四条路径不是零和博弈——AI 市场足够大，四条路径可以同时成功。 但 Anthropic 率先盈利的事实，可能会迫使其他公司重新评估自己的盈利时间表和战略优先级。

Anthropic 的盈利不是靠营销或运气实现的，而是由技术产品力驱动的商业飞轮。理解这个飞轮的运转机制，对 AI 创业者和企业决策者都至关重要。

Claude Code 是飞轮的第一推力。 2025 年发布的 Claude Code 不仅仅是一个编程工具——它是一个开发者工作流革命。与 GitHub Copilot 等代码补全工具不同，Claude Code 可以理解整个代码库的上下文，执行跨文件的重构，运行测试并修复失败，甚至自主完成从需求分析到代码提交的完整流程。在开发者社区中，Claude Code 的满意度评分（根据独立调查）超过了 85%，远高于竞争对手。

开发者采纳→团队采纳→企业采纳，是 Anthropic 的增长路径。 最初，个体开发者试用 Claude Code 并发现其价值；然后，开发团队开始为整个团队购买 Claude Team 订阅；最后，企业 IT 部门决定在整个组织范围内部署 Claude，包括非开发者员工（分析师、产品经理、设计师等）。PwC 的 3 万员工部署就是这条路径的最终结果——从少数开发者的自发使用，到全组织的正式采购。

飞轮的自我强化机制：更多企业客户→更多 API 调用→更多收入→更多算力投入→更好的模型→更多企业客户。这是一个正向循环——每一步都为下一步创造条件。Anthropic 的盈利标志着这个飞轮已经从"需要外部输血才能运转"进入了"自己产生足够动力"的阶段。

数据网络效应：虽然 Anthropic 声称不使用客户数据进行模型训练（这是其安全承诺的一部分），但企业使用模式的数据仍然有价值。Anthropic 可以了解到哪些 API 端点被最频繁调用、哪些任务类型最常出现、哪些行业对 AI 的需求最大——这些信息帮助 Anthropic 优化产品路线图和定价策略。这种使用模式洞察是 Anthropic 相对于纯技术公司（如开源模型提供商）的独特优势。

定价权的建立：Claude Opus 4.7 的定价（输入 5 美元/百万 token、输出 25 美元/百万 token）比 GPT-5.5 高出 30% 到 50%，但企业客户仍然选择 Claude。这证明了 Anthropic 已经建立了基于价值的定价权——企业不是因为 Claude 更便宜而选择它，而是因为 Claude 提供的安全性、可靠性和合规性值得溢价。这种定价权是 Anthropic 盈利的核心支撑——如果 Anthropic 被迫参与价格战，盈利时间表将被大幅推迟。

AI Master 观点：Claude Code 的成功证明了 AI 行业的一个关键规律——最赚钱的 AI 产品不是模型本身，而是将模型深度集成到用户工作流中的应用。 Anthropic 的盈利很大程度上归功于 Claude Code 这个"杀手级应用"，而不是 Claude API 本身。这对 AI 创业者的启示是：先找到一个高频、高价值的使用场景，用极致体验赢得用户，再扩展到其他场景——而不是试图用一个通用模型满足所有需求。

Anthropic 的盈利将引发一系列连锁反应，重塑 AI 行业的竞争格局。

对 OpenAI 的直接压力：Anthropic 在企业采纳率上首次超越 OpenAI（34.4% vs 32.1%），同时率先实现盈利。这对 OpenAI 构成了双重压力——市场份额和财务表现都在被追赶。OpenAI 的回应是加速产品迭代（GPT-5.5 发布）和筹备 IPO（估值超 5000 亿美元）。但 IPO 市场会问一个尖锐的问题：如果你还没有盈利，为什么你的估值是已经盈利的 Anthropic 的数倍？ 这个问题可能迫使 OpenAI 加速盈利进程——即使这可能意味着减少在 AGI 研究上的投入。

对云厂商的博弈影响：Anthropic 与 Amazon 和 Google 都签订了数十亿美元的算力合同。盈利后，Anthropic 在谈判中的议价能力将增强——因为它不再"急需"算力来维持生存，而是可以根据性价比选择最优的算力供应商。这可能促使 Amazon 和 Google 在算力定价上展开更激烈的竞争，从而降低整个 AI 行业的算力成本。

对创业公司的示范效应：Anthropic 的盈利为 AI 创业公司树立了一个新的标杆——不是谁的模型能力最强，而是谁最先实现商业可持续。这可能导致 AI 创业公司的战略转向：从"追求基准测试第一"转向"追求收入和盈利"。这种转向可能加速 AI 应用的商业化进程，但也可能减少在基础研究和前沿探索上的投入。

对国产大模型的启示：Kimi 完成 20 亿美元融资、Qwen3.7-Max 发布、腾讯推出 OS 级 AI 助手——中国 AI 厂商在技术和资本层面都在快速追赶。但 Anthropic 的盈利提醒了一个被忽视的维度：商业化能力。中国 AI 厂商在模型能力上可能接近甚至超越国际水平，但在企业级商业化（特别是全球市场的企业级销售）方面，Anthropic 已经建立了难以复制的领先地位。这对中国 AI 厂商的启示是：技术领先不等于商业领先——需要同时建设企业级销售能力和生态系统。

对投资者的重新定价：Anthropic 的盈利将改变投资者对 AI 公司的估值逻辑。此前，AI 公司的估值主要基于"模型能力+用户增长+市场潜力"的定性判断。盈利后，投资者将可以用传统的财务指标（P/E 比率、收入增速、利润率）来评估 AI 公司——这将使估值更加理性，也可能导致部分高估值但无盈利路径的 AI 公司面临估值下调压力。

AI Master 观点：Anthropic 的盈利是 AI 行业的"成人礼"——它证明了这个行业不再需要无限制的资本输血，可以靠自己站起来走路。 但这不意味着竞争会减弱——相反，当 AI 公司开始真正赚钱时，竞争会更加激烈，因为 stakes（赌注）变大了。

尽管 Anthropic 的盈利是一个里程碑，但它也面临着一系列可能影响盈利可持续性的风险和挑战。

算力成本的持续上升：AI 模型的训练和推理需要海量算力。Anthropic 与 Amazon 和 Google 签订了数十亿美元的算力合同，但这些合同的金额是固定的还是按使用量计费的，目前不公开。如果算力合同是按使用量计费，那么随着 API 调用量的增长，算力支出也会同步增长——这可能侵蚀利润率。更关键的是，下一代模型（Claude 5 等）的训练需要比当前模型大数倍的算力投入，这可能使 Anthropic 重新进入亏损状态。

竞争加剧导致的定价压力：随着 OpenAI、Google、Meta 以及中国大模型厂商的竞争加剧，AI API 的价格战可能不可避免。如果 Anthropic 被迫降低定价以保持市场份额，其利润率将直接受到影响。特别是，开源模型（如 Llama）的免费策略正在对商业模型形成价格压力——如果开源模型的质量持续接近闭源模型，企业客户可能更愿意选择免费的替代方案。

客户集中度风险：Anthropic 的收入高度集中在少数超大客户（如 PwC、KPMG）身上。如果其中任何一个客户决定减少 Claude 的使用量或切换到竞争对手，对 Anthropic 的收入影响将是巨大的。健康的收入结构需要更多的中型客户来分散风险——这可能需要 Anthropic 在销售和市场投入上做出更多努力。

安全和声誉风险：Anthropic 的核心卖点是安全性和对齐性（Constitutional AI 方法论）。但如果 Claude 出现严重的安全事件（比如生成有害内容、数据泄露、或被用于恶意用途），Anthropic 的品牌声誉将受到严重打击——这不仅会影响收入，还可能引发监管审查。Anthropic 在安全上的投入是巨大的，但安全永远是一个持续的过程，而非一次性的成就。

人才竞争：AI 行业的人才竞争异常激烈。Anthropic 的约 4000 名员工中有大量世界顶级的 AI 研究人员和工程师——这些人也是 OpenAI、Google、Meta 等公司争抢的对象。如果关键人才流失，Anthropic 的技术领先优势可能被削弱。Karpathy 加入 Anthropic 是一个正面信号——但它也反映了行业人才流动的频繁性。

AI Master 风险总结：Anthropic 的盈利是真实的，但也是脆弱的。可持续性取决于三个关键因素：第一，能否保持技术领先（不被供应商超越）；第二，能否维持定价权（不陷入价格战）；第三，能否扩大客户基础（不依赖少数大客户）。 这三个因素中的任何一个出现恶化，都可能使 Anthropic 的盈利时间表大幅推迟。

基于 Anthropic 盈利事件和行业格局分析，AI Master 对 2026 年下半年 AI 行业做出以下趋势预判。

第一，AI 行业将进入"盈利竞赛"阶段。 Anthropic 率先盈利后，OpenAI、Google、甚至 Meta 都面临来自投资者和市场的盈利压力。我们预计 2026 年下半年将有更多 AI 公司公布盈利时间表，投资者将开始用"何时盈利"而非"模型能力多强"来评估 AI 公司。这可能导致 AI 行业的资本分配发生根本性转变——从基础研向商业应用倾斜。

第二，企业 AI 采购将从"实验性"转向"战略性"。 Anthropic 盈利的核心驱动力是企业级收入。2026 年下半年，我们预计将有更多 Fortune 500 企业宣布 AI 大规模部署计划——不再是个别部门的试点项目，而是全组织的战略性投资。企业 AI 预算将从"创新基金"（可裁减的可选支出）升级为"核心运营支出"（不可裁减的必要支出）。

第三，开源与闭源的竞争将进入新阶段。 Meta 的 Llama 开源模型在能力上持续逼近闭源模型，而 Anthropic 和 OpenAI 的闭源模型在安全性和企业功能上保持领先。2026 年下半年，企业可能采用"开源+闭源"的混合策略——用开源模型处理低敏感度的批量任务，用闭源模型处理高敏感度的关键任务。这种混合策略将推动 AI 行业从"非此即彼"的竞争转向"各有定位"的共生。

第四，AI 算力基础设施将持续获得巨额投资。 英伟达 Q1 财报的历史性增长（数据中心收入大幅增长）表明，AI 算力投资远未达到天花板。Anthropic 的盈利不仅不会减少算力投入——反而会加速投入，因为盈利意味着有更多的钱可以花在算力的军备竞赛上。我们预计 2026 年下半年，GPU 和 AI 芯片的供需缺口将进一步扩大。

第五，AI 监管将从"讨论阶段"进入"执行阶段"。 随着 AI 行业变得更加商业化，监管的紧迫性也在增加。欧盟 AI 法案已经进入执行阶段，中国国务院正在推进 AI 立法，美国也在讨论联邦层面的 AI 监管框架。2026 年下半年，我们预计将看到第一批基于 AI 法规的实际执法案例——这可能对 AI 公司的产品设计和商业模式产生实质性影响。

AI Master 深度观察：Anthropic 的盈利标志着 AI 行业正在经历一场深刻的成熟化过程。 从疯狂烧钱的实验阶段，走向可持续盈利的商业阶段；从技术驱动的极客文化，走向商业驱动的企业文化；从模型能力的军备竞赛，走向应用价值的实际交付。这不是 AI 行业的终点，而是一个新阶段的开始——一个更加成熟、更加务实、也更加激烈的竞争阶段。

Anthropic 在 2026 年 Q2 预计实现首次运营盈利——5.59 亿美元利润、109 亿美元营收、130% 环比增长——这组数字不仅是 Anthropic 的里程碑，更是整个 AI 行业的成人礼。

回顾过去：从 2021 年 Anthropic 成立时的"安全对齐 AI"理念，到 2024 年 Claude 的首次发布，再到 2026 年的盈利突破，Anthropic 用不到 4 年的时间完成了一个 AI 公司从创立到盈利的完整闭环。这个速度的背后，是企业级 AI 需求的爆发式增长——PwC 的 3 万员工部署、KPMG 的全面采用、Claude Code 在开发者社区的成功——这些都不是偶然的，而是 Anthropic 长期坚持安全性和企业级定位的必然结果。

审视现在：Anthropic 的盈利验证了一个关键假设——AI 模型即服务是一个可持续的商业模式。这个验证的影响力将远超 Anthropic 本身，它将影响 OpenAI 的 IPO 估值、影响投资者的 AI 公司评估标准、影响 AI 创业公司的战略方向、影响企业对 AI 技术的投资信心。

展望未来：AI 行业正在进入一个更加成熟、更加务实、也更加激烈的竞争阶段。盈利的到来意味着 stakes 变大了——竞争不再是"谁的技术最酷"，而是"谁的生意最赚钱"。这可能导致基础研究的投入减少（因为盈利压力），但也可能加速应用层的创新（因为商业回报更直接）。无论哪种结果，对 AI 行业的长期发展都是有益的——因为一个能赚钱的行业才能持续吸引人才和资本。

对开发者的最终建议：不要等待"完美"的模型——Anthropic 的盈利告诉我们，现在的 AI 技术已经足够好，可以创造真实的商业价值。找到你的使用场景，选择合适的模型（不必是能力最强的，但要是最适合你的），用极致体验赢得用户，然后沿着用户的工作流扩展。这是 Anthropic 的成功路径，也是所有 AI 创业者的可行路径。

AI Master 的一句话总结：Anthropic 的盈利证明了 AI 不再是一个需要无限输血的实验——它已经成长为一个能够自己赚钱的生意。这个转变的意义，不亚于任何一次模型能力的突破。 2026 年，AI 行业真正长大了。

对于关注 AI 行业的投资者、企业决策者或从业者来说，Anthropic 的盈利提供了一个可操作的评估框架——不仅适用于 Anthropic 本身，也适用于评估其他 AI 公司（包括 OpenAI、Google、国产大模型厂商等）。

本节提供两个实用工具：一个Python 脚本用于计算 AI API 的推理成本与收入比，以及一个Claude API 调用示例展示企业如何监控 AI 使用成本。这些工具帮助你从数据角度理解 Anthropic 盈利的数学基础。

AI API 的经济性分析：Anthropic 盈利的核心数学逻辑是收入增速远超单位 token 的推理成本下降速度。当每个 token 的推理成本（由 GPU 算力、电、冷却等构成）从 0.001 美分下降到 0.0003 美分，同时 API 价格保持在 0.005 美分/输入 token 和 0.025 美分/输出 token 时，毛利率从约 80% 提升到约 94%。这种成本曲线的陡峭下降是 AI 行业盈利的技术基础。

# AI API 推理成本与收入比计算
# 帮助理解 Anthropic 盈利的数学基础

def calculate_unit_economics(
    input_price_per_million: float = 5.0,    # 输入 token 价格（美元/百万）
    output_price_per_million: float = 25.0,   # 输出 token 价格（美元/百万）
    inference_cost_per_million: float = 0.8,  # 推理成本（美元/百万 token）
    input_output_ratio: float = 3.0,          # 输入输出 token 比（典型 3:1）
    other_cost_ratio: float = 0.4             # 其他成本占比（研发/销售/管理）
) -> dict:
    """计算 AI API 的单位经济效益"""
    # 加权平均收入（考虑输入输出比例）
    total_tokens = 1 + input_output_ratio  # 1 输出 + 3 输入 = 4 总 token
    weighted_revenue = (output_price_per_million + 
                        input_output_ratio * input_price_per_million) / total_tokens
    
    # 毛利率
    gross_margin = (weighted_revenue - inference_cost_per_million) / weighted_revenue
    
    # 净利率（扣除其他成本）
    net_margin = gross_margin * (1 - other_cost_ratio)
    
    return {
        "加权平均收入": f"{weighted_revenue:.2f} 美元/百万 token",
        "推理成本": f"{inference_cost_per_million:.2f} 美元/百万 token",
        "毛利率": f"{gross_margin * 100:.1f}%",
        "净利率": f"{net_margin * 100:.1f}%",
    }

# Anthropic Claude Opus 4.7 的估算
print("=== Claude Opus 4.7 ===")
result = calculate_unit_economics(
    input_price_per_million=5.0,
    output_price_per_million=25.0,
    inference_cost_per_million=0.8,  # 随着量化优化持续下降
)
for k, v in result.items():
    print(f"  {k}: {v}")

# 如果推理成本从 0.8 降到 0.3（量化+PagedAttention）
print("\n=== 优化后（推理成本 0.3）===")
result = calculate_unit_economics(inference_cost_per_million=0.3)
for k, v in result.items():
    print(f"  {k}: {v}")

# 企业 AI 使用成本监控示例
# 监控 Claude API 的月度支出和趋势

import datetime

class AICostTracker:
    """追踪 AI API 使用成本"""
    def __init__(self, input_price=5.0, output_price=25.0):
        self.input_price = input_price  # 美元/百万 token
        self.output_price = output_price
        self.usage_log = []
    
    def log_usage(self, input_tokens: int, output_tokens: int, model: str):
        """记录一次 API 调用"""
        cost = (input_tokens / 1_000_000 * self.input_price +
                output_tokens / 1_000_000 * self.output_price)
        self.usage_log.append({
            "date": datetime.date.today(),
            "model": model,
            "input_tokens": input_tokens,
            "output_tokens": output_tokens,
            "cost_usd": round(cost, 4),
        })
    
    def monthly_summary(self, month: str = "2026-05") -> dict:
        """月度成本汇总"""
        month_logs = [u for u in self.usage_log
                      if str(u["date"]).startswith(month)]
        return {
            "总调用次数": len(month_logs),
            "总输入 token": sum(u["input_tokens"] for u in month_logs),
            "总输出 token": sum(u["output_tokens"] for u in month_logs),
            "总成本 USD": round(sum(u["cost_usd"] for u in month_logs), 2),
        }

# 使用示例
tracker = AICostTracker()
tracker.log_usage(50_000, 2_000, "claude-opus-4.7")
tracker.log_usage(100_000, 5_000, "claude-opus-4.7")
tracker.log_usage(30_000, 1_000, "claude-haiku-3.5")
print(tracker.monthly_summary("2026-05"))
# 输出: {'总调用次数': 3, '总输入 token': 180000, 
#        '总输出 token': 8000, '总成本 USD': 1.22}