火山引擎份额逆势增长：深度解析MaaS市场竞争格局与突围策略
中国MaaS（模型即服务）市场正以超预期的速度扩张，从一个应用场景有限的领域，迅速成长为驱动企业增长的核心引擎。
IDC的最新数据印证了这一趋势：2025年，中国企业级MaaS市场的大模型调用量同比激增16倍，达到1941万亿Token。市场增长势头在2026年预计将进一步加速。
面对这一蓝海，国内主要云计算厂商与大模型公司几乎全部入局。尤其在2025年下半年，行业参与者显著加大了在算力、销售及产品资源上的投入，将MaaS业务提升至公司级战略高度，市场竞争迅速白热化。
通常，在一个快速增长的增量市场，新玩家的集中涌入会稀释先行者的份额。特别是在MaaS领域，大模型API一度被认为难以建立用户忠诚度——开发者似乎只需修改少量代码，即可在不同模型或云平台间切换。
然而，IDC的数据揭示了一个反常规的现象：2025年，火山引擎在中国MaaS市场的份额不仅未被侵蚀，反而更加稳固，从上半年的49.2%微升至全年的49.5%。
这意味着，在竞争最激烈的下半年，火山引擎不仅抵御了冲击，更在市场整体扩容中扩大了领先优势。一个直观的对比是：在中国公有云上，每产生两个大模型Token，就有一个接近运行在火山引擎的平台上。
外界常将其优势简单归因于激进的定价。确实，2024年5月，火山引擎推出豆包大模型MaaS服务时，曾将价格降至行业通用水平的0.7%。但单纯的补贴无法解释其份额的持续增长，因为竞争对手很快也将价格拉至相近区间。
真正的护城河是什么？答案是调用规模与相匹配的推理工程能力。低价策略的可持续性，最终取决于这两大核心要素。
当然，模型能力本身是基石。MaaS市场的快速扩张，本质上是模型能力突破不断解锁新应用场景的结果：编程能力的提升推动了Vibe Coding和智能体（Agent）的普及；视频生成模型正深度融入短剧、漫剧及广告制作流程。这些新场景持续推高了Token的消耗量。
这揭示了MaaS市场竞争的一个核心逻辑：它更像是一场增量市场中的“速度竞赛”。谁能更快地将前沿的模型能力产品化，并提供兼具性价比与稳定性的服务，谁就能更快地承接并引爆新增场景，从而在市场扩容中持续扩大份额。
从豆包大语言模型到Seedance视频生成模型，火山引擎背后的模型能力在持续迭代。其核心策略，正是将庞大的Token调用规模，系统性地转化为更完整的竞争力：更低的推理成本、更高的工程效率，以及支撑Agent运行所必需的基础设施。一个大模型时代的云计算“飞轮”，其轮廓已日益清晰。
01 低价背后，是规模和工程能力
云计算是典型的高固定成本、低边际成本行业。服务器、网络、研发和运维体系需要巨额前期投入，但每新增一次调用的边际成本会随之下降。规模越大，前期投入的摊薄效应就越显著。
规模效应还会放大工程优化的价值。正如火山引擎总裁谭待所言：“1万台服务器利用率优化一个点，和100万台服务器优化一个点，收益相差100倍。规模优势允许你组建更强大的团队，把事情做得更好。”
因此，当火山引擎决定重点发力MaaS时，其核心战略变量就是规模——目标并非简单地售卖模型接口，而是尽快将Token调用量做大。
为此，公司内部进行了一系列调整：将Token消耗量作为业务发展的核心指标，并改变了销售团队的考核方式。同样销售额的MaaS产品，在内部考核中的激励权重，是传统云服务产品的数倍。
与业务优先级一同提升的，还有在模型推理方向的技术投入。MaaS的成本核心在于Token的生成效率。服务器利用率、缓存命中率、算力调度效率的每一点提升，都可能带来成本的显著下降。
“更低的成本能催生更多应用，从而把市场盘子做大。”谭待回顾当时的定价决策时提到，正是基于“能够通过技术把成本降下来”的判断，才决定“一次降彻底”。
当时支撑其降价底气的关键技术，主要包括较早大规模应用的PD分离和KV Cache。PD分离是将大模型推理中的“理解问题”（Prefill）和“生成答案”（Decode）两个阶段拆解，分别匹配更合适的算力单元；KV Cache则是缓存模型生成过程中的历史状态，避免每输出一个新内容都重复计算之前的上下文，从而节省显存带宽和推理成本。
然而，这些技术都高度依赖规模。在小规模调用场景下，维护复杂的缓存和调度系统本身就会产生额外成本，甚至可能抵消技术带来的算力节省。
随着PD分离、KV Cache等技术在行业内的扩散，各家的Token价格逐渐趋同。此时，缺乏规模效应的跟随者，对标低价往往意味着更大的成本压力，甚至可能导致业务亏损。
相反，调用规模更大的火山引擎，成本压力相对更小，从而有更多空间持续投入推理技术的优化，形成可持续的低价能力。
除了技术和工程，火山引擎也在通过商业策略寻找降低成本的空间：一方面，根据上下文（Context）长度区间进行差异化定价，将选择权交给客户；另一方面，推出“节省计划”，允许客户合并计算在语言模型、视频生成等不同模型上的用量。客户在语言模型上积累的规模折扣，可以用来对冲视频生成等新业务的试错成本。
IDC报告中的另一个细节也佐证了这一点：火山引擎拥有最高的市场份额（即调用量份额）；其收入份额同样排名第一，但略低于调用量份额。这说明，火山引擎每个Token的平均单价低于行业均值。
需要注意的是，IDC对中国MaaS市场的统计，主要覆盖公有云上企业调用模型的情况，不包括字节跳动内部开发的豆包、即梦等AI应用，也不包括抖音、飞书等内部业务部署大模型所产生的Token。
这些未计入统计的庞大调用量，虽然不影响市场份额数字，却实实在在地影响着火山引擎的成本结构和工程优化效率，构成了其规模优势的隐性基石。
02 Agent让MaaS变成了基础设施生意
OpenAI CEO山姆·阿尔特曼近期在访谈中指出了AI发展的下一阶段：将从“用户提供一段文本、大模型返回一段文本或代码”的模式，转向“Agent真正运行在公司内部，完成各种不同类型的工作”。他透露，OpenAI正与AWS合作开发一款类似“虚拟同事”的产品。
这一趋势正在深刻改变MaaS的形态。它正从标准化的模型接口供应，演变为企业不可或缺的基础设施，用户黏性也因此大大增强。一个企业级Agent要真正运行起来，远不止调用模型那么简单，它需要一整套支撑系统：身份认证、权限控制、记忆系统、工具调用、沙箱环境、日志记录、安全治理等组件，以及与内部各类系统的无缝连接。
这也是为什么近期大模型行业开始高度重视“Agent Harness”。所谓Harness，原意是“马具”或“套具”。在Agent语境下，它指的是与基础模型配套的工程系统。MaaS提供稳定的模型能力，而Harness则负责将推理过程转化为可约束、可追踪、可持续运行的复杂工作流。
云平台提供大模型服务的方式也随之进化。无论是Anthropic与多家云厂商的合作，还是今年4月OpenAI与AWS的联手，都不再是简单地将模型接口上架云市场，而是将其深度封装进云平台原生的Agent开发与运营环境中，让企业能够在云平台内一站式地开发、部署生产级Agent。
回顾火山引擎过去几年的产品演进路径，可以清晰地看到这一趋势：在提升MaaS核心竞争力的同时，其服务边界正在扩展，致力于打造覆盖Agent开发与运营全生命周期的基础设施。
“我们是国内第一个推出全套Agent产品，真正把Agent开发简化的。”谭待在去年底的访谈中表示，客户只需写几行代码，就能构建出一个复杂的Agent，“就跟你以前开发一个复杂的网站一样”，只不过现在需要的是新的AI中间件。
在他看来，传统的编程本质上是编写if-else语句来定义工作流；而基于模型的Agent开发，开发者更多是在编写提示词（Prompt），流程规划、任务拆解、创建子Agent等环节，则越来越多地交给模型自主完成。这也是OpenClaw这类产品的底层逻辑。
正因如此，火山引擎能在今年初支援央视春晚活动的同时，迅速推出基于OpenClaw的产品ArkClaw，在提升安全能力的同时，还开源了为Agent长期记忆设计的上下文数据库OpenViking等组件，让ArkClaw变得更好用。
他们将“ArkClaw个人版”定位为“敏态Agent”：先让员工快速实验那些能提升业务效率的点子，待验证有效后，再将能力沉淀、固化为“稳态Agent”。后者对应的，正是火山引擎在2024年上线的企业级Agent开发和运营平台HiAgent。
到今年4月，在火山引擎上累计消耗万亿Tokens的企业客户，已从去年底的100家增长到了140家。越来越多的MaaS大客户，正在与火山引擎展开更深入、更紧密的合作。
03 AI云飞轮，开始转起来了
在商业分析中，“飞轮效应”常被用来解释全球最大云计算平台AWS的成功：规模摊薄成本，降价吸引更多客户，客户增长带来更多反馈、现金流和更强的生态，进而推动技术和服务持续迭代，形成一个自我强化的正向循环。
火山引擎正在AI时代试图构建类似的飞轮。但它的飞轮逻辑并不完全等同于传统云计算。传统云计算的飞轮，核心围绕算力、存储、网络和软件生态；而MaaS的飞轮，则额外增加了模型能力、Token使用模式、Agent场景以及真实业务反馈这几个关键齿轮。
火山引擎飞轮的第一层，是模型能力、调用规模和推理成本之间的循环。
字节跳动内部的模型研发团队Seed，为火山引擎稳定供应着处于第一梯队的模型能力。模型越强，越容易吸引客户，扩大调用规模；调用规模越大，越能通过规模效应和工程技术压低单位成本；成本下降后，又能吸引更多对价格敏感的客户涌入。这是一个接近传统云计算的规模飞轮，只是计量单位从服务器、存储和带宽，变成了Token。
飞轮的第二层动力，则来自真实、高频的业务场景反馈。字节体系内，每天上亿人使用的豆包、快速增长的即梦，以及抖音、飞书等数十条内部业务线，连同外部的大量企业客户，都在通过火山引擎开发和使用大模型能力。这为火山引擎提供了海量、复杂、真实的业务反馈。
这些反馈一端流向后端的Seed模型团队，帮助基础模型持续迭代，保持竞争力；另一端则流向火山引擎前端的Agent产品团队，帮助其打磨更贴合实际需求的产品功能。
Agent产品的进化尤其依赖这种反馈。Anthropic也在多篇技术文章中提到，Agent能力的提升并非只靠模型本身的进步。内部员工的日常使用、外部用户的反馈、生产环境的监控数据、A/B测试结果、用户研究以及客户的实际部署需求，共同推动了像Claude Code这类产品的迭代。
2025年，火山引擎在中国MaaS市场拿下接近一半的份额，或许只是其飞轮开始转动后显现出的一个阶段性成果。
当前，Agent热潮继续推高市场需求，行业一度出现算力供不应求的局面。一些公司选择了涨价以优化短期财务表现。对此，火山引擎明确表示不会跟进。
这种定价上的克制，源于其对行业发展阶段的判断：比起获取更高的短期利润，现阶段更重要的是扩大调用规模、降低使用门槛、积累更多真实场景，从而让整个飞轮获得更快的转动加速度。
正如谭待所言，AI云的竞争是一场马拉松，现在才刚刚跑完一公里，当前的份额并不代表终局，“比速度更重要的，是加速度”。