被朋友安利了月之暗面Kimi K2.6，我算了一笔账，发现DoorDash被调查不冤

先说结论：DoorDash用Kimi K2.6写代码，从成本角度看是聪明钱，每年可能省下几百万美元。但从财务风险角度看，这把政治雷的预期损失折现后，反而把节省吃掉了。我算完觉得，被调查不是意外，而是估值模型里早该预警的事。

朋友上周发链接给我，说DoorDash创始人Andy Fang在X上吹Kimi K2.6+Claude 3.5 Opus的组合比Claude 3 Sonnet+GPT-4o强，成本还低。我第一反应是：这数据能信吗？作为CFO，我得自己搭个表验证一下。正好之前写过一篇Kimi K3的分析，手头有月之暗面的定价数据，借这个机会教大家怎么用财务视角拆解这种AI选型决策。

第一步：搞清楚你在算什么

新手最容易犯的错是直接对比模型单价，不看使用场景。DoorDash说的是“内部代码审查流程”，属于低阶开发任务——比如查语法错误、补注释、跑测试用例。这类任务调用量巨大，但对模型精度要求不高。所以我们要算的是总拥有成本（TCO），包括：API调用费、因模型性能差异导致的额外人工审查时间、以及政治风险折价。

我建了一个Excel表，结构很简单：

打开Excel，在A1输入“Kimi方案”，B1输入“传统方案”，然后按上面的表填数字。关键公式：=B2*B3 算出月成本，再乘12。记得把单元格格式设为货币，不然新手容易看成整数。

第二步：踩坑预警——token计费陷阱

我算到一半发现不对劲。月调用量500万token是怎么来的？新闻里没写，Andy Fang也没给。我查了DoorDash公开的工程师数量（约5000人），假设每人每天提交2次代码审查，每次平均2000 token，算下来是500022000*30=6亿token。但那是审查总量，不是模型调用量。

踩坑点：新手容易把“所有代码审查”都算成模型调用，实际只有部分任务会用AI。我调整到500万token是基于内部代码审查系统只覆盖低阶任务的假设。如果你自己算，要先确定“使用率”——一般从20%到50%不等。

我犯过这个错，第一次算出来年节省$800万，兴奋半天，后来发现模型调用量放大了10倍。正确做法是：在公司内部找工程师问实际使用率，或者参考行业报告。没有数据时，用保守估计，比如20%。

第三步：加政治风险——把雷变成数字

现在直接成本对比：Kimi方案年省 $90,000 - $28,800 = $61,200。对DoorDash这种年营收$80亿的公司来说，这点钱不够塞牙缝。但Andy Fang说的“成本更低”可能指的是多个模型组合，或者他们用了更高调用量。但这不是重点。

重点是风险。被美国众议院调查，可能面临：罚款（参考TikTok案，约年营收的1%）、业务限制（比如禁止政府部门使用DoorDash）、声誉损失（股价下跌）。我保守估计：

• 罚款概率：30%，金额$5000万
• 业务限制概率：10%，营收损失$2亿
• 声誉损失：股价下跌5%，市值蒸发$30亿（DoorDash市值约$600亿）

把这些概率加权：$5000万30% + $2亿10% + $30亿*5% = $1500万 + $2000万 + $1.5亿 = $1.85亿。这是预期损失，折现到一年期（假设10%折现率）后是$1.68亿。

对比年节省$6.1万，风险损失是节省的275倍。

用Excel算：在F列列各项风险，G列概率，H列损失，公式=G2*H2，然后SUM。新手容易忽略概率权重，直接加最大损失，那会吓死人。正确做法是加权平均。

第四步：结论——估值模型里该加个“政治因子”

DoorDash的决策层大概率算过这笔账，但他们赌的是“调查不会出大事”。从财务角度看，这个赌注的期望收益是负的——用Kimi节省的成本，连风险损失的零头都不到。除非他们用量极大（比如年调用量达到几十亿token），但低阶代码审查不可能有那个量。

我上周写过一篇关于Anthropic拒绝签署开源协议的分析，当时说“理性选择是规避风险”。现在看DoorDash，逻辑一样：