Anthropic 与埃森哲联手投 10 亿美元：把独立 AI 评估做成一个产业

一个此前不存在品类的诞生

Anthropic 宣布与埃森哲达成合作，对前沿 AI 系统开展独立评估。双方计划在未来五年内合计投入至少 10 亿美元，用于建设这一领域的评估能力。这件事紧跟 Anthropic 此前承诺的「把独立评估者嵌入公司内部」——先在公司里开位置，再把评估做成一个可对外交付的服务品类。

值得琢磨的是埃森哲的角色。它不是研究机构，是一家以交付和咨询为主业的公司。一家大型咨询公司愿意为 AI 评估投出这个量级的钱，说明它判断的是一件有客户买单、可规模化交付的生意，而不是一份用来做公关的行业报告。

这条线的产业含义可以拆成三层。第一层是合规需求：前沿模型在金融、医疗、政务这些受监管行业的部署，需要第三方出具的可审计结论，自己评自己已经不够用了。第二层是采购需求：企业选模型时的实际困扰不是榜单排名，而是这个模型在我的业务场景里会不会出事，评估必须落到私有数据和真实工作流上。第三层才是技术需求：能力越强的模型，越需要有人能设计出有效的能力探针。

为什么「评估」正在变成一项有成本的大宗支出

独立评估的经济量级其实已经有公开数据。ICLR 2026 上发表的 Holistic Agent Leaderboard 是一个标准化的成本感知评测平台，它披露的中位数成本是：把一个 Agent 放到 8 个基准上评一遍，API 费用约 800 美元；把完整榜单跑 242 轮，约 4 万美元。而在 SWE-bench Verified 上，单个任务的成本区间横跨 400 倍，从 0.08 美元到 32.00 美元。

再叠加一个背景：9 月 1 日到 9 月 10 日这十天内，五家实验室接连发布了前沿级模型，输入定价相差 67 倍、输出相差 83 倍。对把模型接入生产的团队来说，每个新模型到来都不是可以直接替换的，它要求对现有技术栈重新做基准测试、重做路由与编排层的集成、重新过一遍安全护栏配置，再谈一遍不同定价结构的采购——高峰与非高峰、缓存与非缓存、首发价与标准价。

模型发布的速度由实验室决定，而验证这个模型能不能用的成本，全部落在使用者身上。当发布频次高到一定程度，评估本身就成了产业里一条独立、且无法被实验室替客户承担的成本线。

所以这 10 亿美元真正买的是「议价前移」：有了独立评估，买方在采购谈判里就不必完全依赖卖方给出的跑分。对国内做 AI 落地交付的团队来说，这也是一个可参照的方向——把评测能力产品化，比反复替客户做单次选型更接近可持续的生意。