一家美国公司选择100%接入DeepSeek的原因

一家公司每月付给 AI 厂商的钱，比发给员工的工资还多。CEO 的解法简单粗暴：把 Claude 全换了。

Flo Crivello 在 X 上贴出的这张截图，记录的就是这个决定。没有煽情，没有宣言，只有一行冷冰冰的声明："Pulled the trigger today and switched 100% of Lindy traffic to DeepSeek v4." 底下补了一句："Saves us millions of $ and we're actually seeing an increase in performance on many core use cases."

一家几十人的旧金山公司，把原本跑在Claude 上的全部业务，切到了 DeepSeek。理由是账单高到超过了全员工资。

这件事发于将近一个月前，到6 月底后劲才显出来。6 月 27 日，DeepSeek 开源了 DSpark 投机解码框架，生成速度提升 60% 到 85%。接着更新的还有Wayfinder Router，一个完全离线的模型路由工具，能在微秒级决定走本地还是云端。

Lindy 先跑了一步，工具随后跟上。企业付不起“大脑”的溢价，需要“肌肉”来干活。

账单高过工资

Lindy 没有冲动切换。Crivello 四月份就公开说过，公司的推理成本已经超过了 payroll。团队评估了六到九个月，中间还看过 Kimi K2.5 和 GLM-5.1，最终选了 DeepSeek v4。

迁移的工作量远超预期。Crivello 的原话是："100x more work than we thought." 大量在线评估、离线评估、逐步灰度上线，看对留存的影响，再适配提示词。这套流程走下来，光是迁移本身就要投入巨大成本。真正让 Crivello 下定决心的，是试出来的结果。

在邮件分类、按用户语气预写回复这些Lindy 的核心场景上，DeepSeek 表现超出预期。但 Crivello 也没把话说满：复杂的自动化流程，Claude 还是更强。

切换之后，成本曲线“断崖式下跌”。Crivello 的原话是："You should see our AI cost curve right now. It's a cliff."

很多人会问：Claude 是公认的第一梯队模型，换更便宜的 DeepSeek，为什么性能反而提升？答案不复杂。对邮件分类、日程管理、高频自动化这类企业日常场景而言，模型参数过度冗余只会增加延迟与成本。DeepSeek 在这些特定任务上做了速度和实用性优化，没有单纯堆参数，于是在大量实际业务里，实现了“更便宜、更快、更稳”。

Lindy 的个案能不能代表全行业？说实话，难讲。它做的是 AI 原生应用，成本结构和大厂完全不同。但问题是，6 月底更新的 Wayfinder Router，做的就是同一件事：帮企业在本地模型和托管 API 之间自动选最便宜的路线，微秒级决策，完全离线。如果只是Lindy一家的痛点，这种工具不会在这个时间点冒出来。

速度提升六成

DeepSeek 开源的 DSpark，没有发布新模型。它是在 V4 现有权重上，附加了一个草稿模块，通过半自回归生成实现无损加速。生产环境下，V4-Flash 和 V4-Pro 的每用户生成速度分别提升 60% 到 85%、57% 到 78%。离线测试里，接受长度比 Eagle3 高 26% 到 31%。

说白了，它没让模型变聪明，只是让同样的模型跑得更快、更省。对企业来说，这意味着用同样的硬件能处理更多业务量。成本敏感的公司要的就是这个。

Wayfinder Router 的逻辑更直接。它通过分析提示词的结构特征，长度、标题、代码块，在微秒级决定走本地模型还是云端 API，完全不需要调用其他模型做判断。以前企业得靠人工或者外部服务来“选模型”，现在一个离线工具就搞定了。

两个工具在6 月底出现，一个负责“跑更快”，一个负责“花更少”。它们都不追求“最强智商”，只追求“够用且便宜”。

当行业不再为“参数翻倍”集体狂欢，转而开始为“速度提升 60%”、“成本降一半”欢呼时，AI 就真正从实验室走进了生意场。

各干各的活

Anthropic 的 Claude 当然很强。代码能力、推理深度、安全性，都是第一梯队。Lindy 自己也承认，在复杂的 workflow automation 上，Sonnet 仍然更好。

但像Lindy 这样用 Claude 来写邮件、管日程、做自动化工作流的企业，付的账单里，有一部分是为“用不到的能力”买单。

5 月份，Vercel 的 AI Gateway 数据显示：DeepSeek 的 token 流量占比从不到 1% 跳到 17%，但收入占比几乎没动。说明它承接的全是低价高频的“体力活”。企业没有放弃 Claude 去做最难的推理任务，只是把“下边的事”交给了更便宜的模型。

企业在算完账后，开始分层用模：高难度推理、复杂自动化、合规敏感场景，继续用Claude；高频低复杂度、对延迟敏感、成本压力大的任务，交给 DeepSeek。两种模型各干各的活，谁也不替代谁。

这种分层背后，是两条路线的分化。美国企业继续往“更聪明”的方向走，Claude、GPT 在顶尖推理上持续投入。中国企业在做另一件事：把价格打下来，让中小企业用得起。DeepSeek 的路线很明确，不在“大脑”上硬碰硬，在“肌肉”上做到极致。Lindy 能切过来，靠的是中国在基础设施层铺的路。

DeepSeek 的出现，说明了一件事：不是所有企业都需要顶级模型干所有活。当 Lindy 发现切换后核心场景性能反而提升，成本断崖下跌，那些只需要“够用”的企业就会重新算账。

结尾

过去，企业选用DeepSeek 往往带着“降级备选”的无奈；如今，Lindy 的主动切换宣告了一个新现实：当开源模型的速度追上闭源，价格却仅剩几分之一时，“性价比”本身就是最核心的竞争力。

Lindy 后台那条断崖式下跌的成本曲线，记录的不仅是供应商的更换，更是一家美国公司在算完账后，对中国基础设施的真实选择。

AI 的世界正在裂变为两条赛道：美国在往上走，打磨 Claude 和 GPT 的“大脑”，追求极致的智力上限；中国在往下扎，铺平 DeepSeek 的“道路”，拉齐全球的准入门槛。这两条路没有输赢，只有分工。对于企业而言，在这个从狂热回归理性的下半场，让每一份算力都花在刀刃上，比拥有最聪明的模型更重要。