OpenAI 在美国企业用户中逐步逼近 Anthropic
新数据显示，OpenAI 在美国企业用户的使用率已从去年5月的劣势反弹至接近 Anthropic，双方在 70,000 多家企业的支出比例分别逼近 40% 与 44%。本文分析背后原因、行业影响及对企业 AI 采购的启示。
背景：AI 供应商的市场竞争格局
在 OpenAI 与 Anthropic 计划首次公开募股（IPO）前，外部观察者只能通过间接数据评估两家公司业务表现。近期企业信用卡与费用管理平台 Ramp 发布的报告，提供了一个独特视角：在美国超过 70,000 家使用 Ramp 进行账单支付的企业中，OpenAI 与 Anthropic 的市场份额出现了显著变化。
关键数据：市场份额的微妙变动
2023 年 5 月，Anthropic 首次在 Ramp 的付费企业用户中占据领先，市场份额为 41%，而 OpenAI 为 39%。此后，OpenAI 未能重新夺回首位。到 7 月，Anthropic 的份额进一步上升至约 44%，OpenAI 稍微回升至接近 40%。这意味着在这批企业中，Anthropic 已经略微领先。
不过，Ramp 经济学家 Ara Kharazian 透露，进入 2024 年第三季度后，OpenAI 的增长速度在该平台的企业用户中已超过 Anthropic。虽然季度尚余一个月，但这一趋势暗示 OpenAI 正在加速追赶。
为何出现这种竞争格局？
产品定位与功能差异
- OpenAI 依托 ChatGPT 的广泛认知度和成熟的 API 生态，吸引了大量中小企业用于客服、内容生成等场景。
- Anthropic 的 Claude 系列强调安全性与可控性，受到对合规要求较高的科技公司青睐。
行业分布的影响
Ramp 的客户以技术行业为主，这使得两家供应商在该细分市场的竞争更为激烈。其他行业的渗透率相对较低，可能导致整体市场份额出现波动。
对企业用户的启示
对正在评估 AI 大模型供应商的企业而言，单纯看市场份额并不足以决定最佳选择。需要结合以下因素：
- 业务场景的匹配度：例如客服自动化更倾向于 OpenAI 的强大语言生成能力；而对敏感数据有严格限制的金融科技公司可能更倾向 Anthropic。
- 成本结构：两家公司在 API 调用费用、订阅套餐等方面存在差异，企业应结合实际使用量进行成本评估。
- 技术支持与合规：Anthropic 在安全性方面的宣传更为突出，适合对模型可解释性有需求的组织。
展望：竞争如何推动行业进步
随着 OpenAI 与 Anthropic 在企业市场的激烈竞争，双方都在加速产品迭代、降低价格、提升安全性。对企业而言，这意味着在不久的将来可以获得更具性价比、更符合合规要求的 AI 解决方案。
值得关注的是，Ramp 并未公开具体的支出金额，仅以百分比形式呈现。未来如果有更多公开的财务数据，业界将能更精准地评估两家公司的商业表现。
总的来看，OpenAI 正在逐步缩小与 Anthropic 的差距，企业在选择合作伙伴时应保持关注最新的使用趋势与产品更新，以确保在快速演进的 AI 生态中保持竞争优势。
市场竞争的技术与商业背景
在生成式大模型的商业化进程中，OpenAI 与 Anthropic 已形成两条相对独立的产品路线。OpenAI 通过 ChatGPT 与 GPT‑4 系列构建了庞大的开发者生态，提供丰富的插件、工具链以及成熟的文档支持，使得中小企业能够快速集成自然语言处理能力。Anthropic 则以 Claude 系列强调“可控性”和“安全对齐”，在模型训练阶段引入更严格的人类反馈（RLHF）和安全约束，旨在降低意外输出的风险。两家公司在定价策略上亦呈现差异：OpenAI 采用基于 token 的阶梯计费，适合大流量调用；Anthropic 则提供更细粒度的套餐，针对对成本可预测性有要求的企业更具吸引力。这些技术与商业因素共同塑造了企业在选择供应商时的权衡点，也解释了 Ramp 报告中出现的份额交叉。
对企业运营的直接影响
从实际使用角度看，模型的响应速度、上下文保持能力以及对行业术语的适配度直接影响业务效率。OpenAI 的大规模预训练模型在通用对话和内容生成方面表现突出，能够在客服、营销文案等场景实现高吞吐量；而 Anthropic 的模型在多轮对话的安全性和一致性上更为稳健，适合金融、医疗等对合规要求严格的领域。此外，两者在 API 稳定性和 SLA（服务水平协议）承诺上也存在细微差别：OpenAI 在高峰期的请求速率上限更高，但偶尔会出现速率限制；Anthropic 则倾向于提供更保守的速率上限，以换取更低的错误率。企业在评估时需要结合自身业务峰值需求与容错容忍度，才能准确衡量哪种模型更符合运营目标。
局限性与不确定因素
尽管 Ramp 的数据提供了企业层面的使用趋势，但该样本局限于使用 Ramp 进行费用管理的公司，行业分布偏向技术和创新型企业，可能高估了两家供应商在高合规行业的渗透率。另一方面，报告仅以百分比呈现，缺乏实际支出额和调用量的绝对值，导致对成本竞争力的判断仍有模糊空间。模型本身的“黑箱”特性仍是企业面临的风险，尤其在涉及敏感数据时，合规审计往往要求对模型输出进行可解释性验证，而目前公开的技术文档尚未提供完整的审计路径。最后，AI 市场的政策环境仍在快速演变，监管机构对大模型的使用限制、数据隐私要求以及跨境传输规则都可能在短期内出现重大调整，进而影响供应商的产品路线和定价策略。
企业可执行的选型与使用建议
1. **场景匹配度评估**：先行绘制业务流程图，明确哪些环节需要自然语言生成、情感分析或多轮对话；对高风险数据环节设定安全阈值，优先考虑 Anthropic 的安全对齐模型。
2. **成本模型模拟**：基于预计月度 token 使用量，分别使用两家公开的计费计算器进行费用预测，重点比较峰值时的速率费用与超额费用。
3. **试点部署与监控**：在非生产环境中并行部署两套 API，收集响应时延、错误率以及用户满意度指标，形成量化对比报告后再决定主供应商。
4. **合规与审计准备**：建立模型输出日志审计框架，确保能够追溯每一次调用的输入、输出及调用方身份，为后续监管审查提供证据。
5. **关注供应商路线图**：定期关注 OpenAI 与 Anthropic 的产品发布公告，尤其是关于模型安全、可解释性以及价格调整的更新，以便在合同续约或扩容时及时调整采购策略。
通过上述步骤，企业能够在保持技术领先的同时，降低因模型选择不当而带来的运营风险和合规成本。