开头前一阵子我带着Token工厂到底是门什么生意这个问题陆陆续续和十几个数据服务团队的创始人、项目经理聊了一圈。说实话聊完之后我心里很不舒服——这个行业在过去两年被大模型带上了风口无数人冲进去想分一杯羹但大多数小型token工厂正在经历一场几乎注定的死局。这篇文章我就把访谈里看到的真实情况摊开来讲包括这门生意一开始为什么能赚钱、利润是怎么一步步被吃掉的、大模型技术又是怎么从需求端和供给端两头夹击的以及那些还在牌桌上的人正在尝试什么活法。如果你是数据标注、数据服务的从业者或者是想入场做AI数据生意的人这篇文章能帮你少走很多弯路如果你只是对AI产业链好奇它也能让你看清大模型背后的数据链条到底长什么样。1. 风口催生与行业底色Token工厂到底在赚什么钱1.1 一个被光环包围、又被误解的行业Token这个概念今年已经被讲烂了但Token工厂还是有很多人不了解。简单来说大模型理解文本的最小单位是token模型训练、微调、对齐都需要海量token级别的数据。Token工厂就是为这些AI项目提供数据供给的服务商——数据采集、清洗、去重、标注、质检、结构化甚至按客户要求生产合成样本。这个行业本质上是AI产业链里的卖水人。但在很多人眼里Token工厂就是新型血汗工厂一个厂房、几百台电脑、一群人对着屏幕画框框、贴标签。这个印象有对的部分也有过时的部分。我在访谈中看到做得好的token工厂早就不是简单的人力外包了它们在做数据Schema设计、标注规范制定、质检体系搭建这些偏研发的活儿。但绝大多数小厂确实还停留在堆人头的阶段。这恰恰是死局的起点——当一个行业的大部分玩家都靠卖人天活着这个行业的定价权就注定不在自己手里。1.2 数据大爆炸的红利Token工厂凭什么站上风口要说清楚Token工厂为什么火得先看它的需求端。2023年之后大模型公司如雨后春笋每一家都在抢数据。训练一个像样的模型需要的不只是公开爬虫数据还需要大量经过清洗、过滤、标注的高质量语料做指令微调需要人工编写和标注的指令对做对齐需要大量人类偏好标注。需求量有多大一个中等规模的模型项目指令数据常常以百万条计偏好对比数据也要数万甚至数十万条。这还只是一家客户的需求。而市面上的模型团队有成百上千家再加上自动驾驶、医疗AI、金融风控这些垂直领域也在消耗标注产能——数据服务的盘子就这么被撑起来了。我访谈的一家工厂老板说得直白在DeepSeek那波行情起来之前我们就靠给自动驾驶项目做3D点云标注活着订单多到接不完。这正是当年Token工厂的黄金年代入场门槛低、需求旺盛、毛利可观很多人就是在那时候涌入的。1.3 黄金时代的真实账本看似赚钱暗藏脆弱黄金时代的账本看起来很美一个100人的小厂人均月产值能做到4000到6000元月流水就是40万到60万扣除人力成本、房租、管理损耗老板每个月落袋七八万甚至更多。入场几乎不需要技术壁垒关键是能不能拿到订单、能不能管住人。但这种生意的脆弱性也写在账本里收入几乎全部来自人力工位客户给多少钱完全取决于对方预算和行业均价工厂自己没有任何议价筹码员工工资是当月必须发的客户回款却是按项目周期走的中间的空档全靠老板自己扛。访谈对象里有个安徽的老板给我算账说前两年他最好的一个月净赚了12万但他当时根本不敢高兴因为他心里清楚——这钱不是靠能力和壁垒挣的只是风口把他托起来了。这种知道自己没有护城河的焦虑几乎贯穿了所有小厂创始人的表达。2. 价格屠刀、账期绞索与规模陷阱利润是怎么被吃掉的2.1 单价崩落同一类标注价格跌到脚踝如果说2023年之前Token工厂过的是好日子那2024年之后就开始急转直下。访谈中我反复听到一个数字同样的中文文本分类标注两三年前一条还能给到0.3到0.5元现在已经跌到0.05到0.1元有些分包项目甚至跌破0.03元。3D点云标注、语音转写这些复杂项目价格降幅稍小但也普遍有30%到50%的缩水。为什么跌得这么狠首先是入场者太多。数据显示标注服务商一度超过千家大量小厂拿着同样的报价单去抢单最后只能拼低价。其次是甲方也在精打细算大模型公司融资环境变冷之后成本控制成了一等一的大事数据采购是第一个被压价的对象。这里有个特别残酷的机制数据标注是典型的非标品里的标品。甲方很难精确衡量好一点点值多少钱所以他们倾向于设定一个最低合格线然后在及格线之上选最便宜的供应商。当所有人都知道做到及格就行的时候价格战就停不下来了。2.2 账期与垫资小厂的钱被三角债锁死比单价下跌更要命的是账期。Token工厂的客户结构非常典型要么是数据平台型中间商要么是模型公司的数据负责人要么是云厂商的生态链供应商。这三类客户都有一个共同特点——它们拿着账期优势把资金压力转嫁给下游。访谈中有个做数据中间商的团队他自己不去雇人标注而是把订单拆包给十几个小厂然后从每个小厂身上抽成20%到30%。下游工厂要看中间商的脸色过日子项目验收说推迟就推迟回款周期从承诺的45天拖到90天甚至更久。小厂每个月的工资、房租、水电是刚性的只能靠老板垫资、借贷去填。我算过一笔账一个只有50人的小厂月成本大概25万到30万。如果账期从45天拖到90天老板至少要准备两到三个月的流动资金垫底也就是60万到90万。很多小厂拿不出这个钱就去找过桥贷款年化成本8%到12%。这一进一出本来就微薄的利润又被吃掉一大块。访谈里不止一个老板说我们不是在靠项目赚钱是在靠垫资换流水。2.3 规模陷阱接的单越多亏得越多更反直觉的是很多Token工厂在订单增长中反而走向亏损。这就是规模陷阱——在这个行业扩规模不必然带来效率提升反而带来管理成本和人力损耗的同步膨胀。有一个武汉的工厂2023年冲到了三四百人接了某头部客户的语音标注大单。人力铺上去了项目却因为甲方频繁改动标注规范而反复返工一次返工就是上百人的人力空转。当年年底一算账营收确实涨了60%但净利润反而从正转负。原因不复杂标注行业的边际成本并不随规模下降。你的管理者数量要跟上场地要扩展质检要增员员工培训损耗也在增加。如果单价不变、管理半径变长规模越大管理成本就越高直到吃掉全部利润。这个行业不存在薄利多销的童话——多销的那部分利润都变成了老板白头发。3. 算法自己学会了标注大模型正在拆掉Token工厂的城墙3.1 人工标注的黄昏从人海战术到预标注加质检如果说价格战和账期是慢性失血那技术变革就是结构性冲击。过去两年AI辅助标注工具已经大规模进入生产流程。文本分类、实体识别、情感分析这类常规任务现在都是用模型先跑一遍预标注人工只需要做修正和抽检效率提升了五到十倍。后果很明显需求量最大的简单标注正在快速消失。甲方不是不买标注服务了而是同样的预算现在能买到更多的有效数据。客户的采购清单里人天数在减少成品数据集、API调用和自动化工具包在增加。我在访谈里见过一个挺震撼的场景某数据服务商自己研发的标注平台界面上一个标注员一天能完成8000条文本分类的预标注复核而三年前纯人工标注的一天也就几百条。这背后不是单个标注员变勤奋了而是生产工具变了。那些还停留在人海战术的小厂不是被同行卷死的是被工具效率卷死的。3.2 自监督、指令微调与合成数据需求端在悄悄改变更深远的变化发生在需求结构上。大模型训练范式在过去两年发生了巨大转型一是自监督预训练对人工标注的依赖本来就低二是指令微调和RLHF基于人类反馈的强化学习虽然还需要高质量人工数据但需求重心从量大管饱转向精品定制三是合成数据Synthetic Data开始成为行业热词模型自己生成训练样本再用规则或模型去筛选人工参与度进一步降低。这不意味着Token工厂没有生意了而是生意变了原来客户要的是人多、便宜、稳定现在客户要的是能在模型和数据之间快速迭代、能设计高质量评测集、能对数据质量负责到底的团队。用一位访谈对象的话说甲方过去把我们当外包工人现在想让我们当数据合伙人。但大多数小厂根本没有合伙人的能力。3.3 开源工具普及客户自己就能搭一条标注流水线第三个冲击来自工具民主化。开源社区里已经有很多成熟的标注工具链比如Label Studio这类平台功能覆盖文本、图像、音频、视频标注还支持预标注脚本接入。甲方自己招几个工程师花一两周就能搭起一条内部标注流水线。当一个模型公司养了20个内部标注人员加上自动化预标注管线它的产能可能相当于过去一家100人外挂工厂。这种情况下Token工厂的价值就变得很尴尬了——你提供的人肉产能客户自己用工具加少量人力就能替代。剩下的只有三类需求会外溢给第三方一是短期波峰项目二是需要大量廉价劳动力的机械性任务三是高度专业化、甲方自己搞不定的领域数据。小厂如果还在第一种和第二种里打转几乎必然被挤压到利润最薄的角落。4. 客户自建、人才流失与合规门槛小厂的三重挤压4.1 大客户自建你最好的甲方也是你最大的威胁Token工厂的客户结构有个致命特征——高度集中。我访谈的样本里大部分小厂80%的收入来自不超过三个大客户。这带来的安全感是阶段的风险是终局的。一旦甲方决定自建团队或者更换供应商小厂连反应的时间都没有。这不是危言耸听。头部互联网大厂和自动驾驶公司早就在三四线城市设立了自己的数据标注基地利用当地更低的人力成本组织几千人的自营团队一些大模型公司也开始培养内部的数据标注师自动化工具复合团队。自建的原因和算账有关当用量足够大自建的边际成本低于外包单价而且质量管理更直接、数据安全更可控。访谈里有个在甲方工作过的人讲得很透公司算完账之后发现自建基地的成本只比外包贵一点点但数据不出门合规上省了大事。那一刻我就知道我们之前合作的那些小厂未来大部分订单都会被抽回去。这不是某一家公司的选择而是行业大势。4.2 人才留不住小厂沦为行业的黄埔军校另一个被低估的危机是人才。Token工厂的基层岗位流动率惊人月流失率20%在行业内很常见。标注员做一段时间就转行了稍微能干的跳到甲方或者大平台项目经理带团队出走更是屡见不鲜。为什么留不住三个原因钱少、活累、没成长空间。小厂给项目经理的月薪通常在一两万而甲方或平台方愿意为同样的经验翻倍挖人基层标注员的计件收入多年不涨职业天花板肉眼可见。于是小厂陷入一个怪圈不断招人、不断培训、刚上手就流失成了整个行业的人才漏斗。我在访谈里听到最扎心的一句话是我们花了三个月把一个小白带成熟练标注员转头他就被隔壁工资高五百块的厂子挖走了。我们不是在开公司是在做慈善。人才流动本身是市场常态但当一个行业所有公司都在抢同一批低技能劳动力、又没有溢价能力留人的时候整个行业的服务质量和稳定性都会出问题。4.3 数据合规与资质一张越来越贵的入场券近两年数据安全和个人信息保护越来越严格AI训练数据的合规要求也在提高。客户在选供应商的时候开始明确要求对方有数据安全管理体系、隐私保护制度、数据出境合规能力甚至要参与甲方体系的安全审计。对大型数据服务商来说这是构建护城河的机会对小型token工厂来说这是一道越来越高的准入门槛。合规体系的建设需要持续投入——安全制度、人员培训、加密系统、审计记录每一项都是成本而小厂原本就薄的利润根本撑不起这些投入。访谈中有个老板很无奈地说一个甲方客户发来一份80页的数据安全合规问卷要求逐条应答并提供证明材料。我们公司没一个人能答得上来最后还是花钱请外部顾问帮忙过的。这个客户本身利润才十几万合规成本就花掉好几万。合规正在把小厂拦在全行业门槛之外而不是单项订单之外——接不到大单就无法积累合规经验没有合规经验就更接不到大单恶性循环由此闭环。5. 死局里找生门我在访谈里看到的三种活法和三条保命建议5.1 做深的活法垂直领域的数据狙击手虽然通用标注在贬值但专业领域的数据需求反而在涨价。医疗、法律、金融、工业这些领域的AI落地卡脖子的不是算力而是高质量的专业数据以及行业认知。我访谈里有一家专做病理数据的团队创始人本身就是医学背景出身。他们不接通用订单只做病理切片标注和相关文本的标准化。因为客户极度稀缺、可替代性极低他们的客单价能做到通用标注的十到二十倍。当然这个活法的门槛也很高——需要专业资质、需要行业专家参与、需要跟着临床和科研一线持续更新知识。对大部分小厂来说做深不一定非得做到医疗这么硬核。哪怕是在电商评论情感分析、法律文书要素抽取、工业质检图像分类这些细分方向上比同行多懂一点也能建立一定的差异化。关键是你必须在某一个维度上比随便一个外包团队更强。5.2 做专的活法从交付人力到交付标准第二种活法是把自己从工厂变成标准制定者或质量裁判。数据标注行业长期缺的不是人力而是公认的质控标准和验收方法。谁能先把什么样算好数据说清楚、测明白谁就能站在比外包人力更高的价值链位置上。访谈中有一家转型的案例他们逐步退出了批量标注业务转而做标注方案设计和质量审计。客户派人标注他们负责定义规范、开发质控工具、做抽检打分、出具质量报告。收费模式从计件变成了按项目咨询服务收费。创始人告诉我转型之后客户数量少了一半但单价和利润率反而翻了一倍。这个路径的关键是团队里必须有能写标注规范、能设计质量模型的人——这需要把一部分标注熟手培养成标注工程师。5.3 做闭环的活法把数据回流做成增值服务第三种活法是和大模型客户绑定得更深做数据飞轮里的数据回流环节。大模型上线之后来自真实用户的使用数据、反馈数据、对话日志都是继续迭代模型的金矿但原始数据不能直接用需要清洗、去重、按RLHF要求进行偏好标注。这正是Token工厂可以切入的增值服务——不只是生产数据给别人训练而是替客户持续处理和回流数据。这个模式对客户的价值很大数据不出厂、合规可控同时模型的迭代效率提升对服务商的价值也很大客户粘性极强、合同周期长、收入稳定。当然它对数据安全和私域部署的要求很高不是所有小厂都有能力接住。但至少它指明了一个方向未来的机会属于那些能理解模型迭代逻辑、能跟算法团队对话的团队而不是只会接需求单的人力外包商。5.4 给仍在场内的人三条保命建议访谈到最后其实逻辑已经清楚了。如果你还在经营一家小规模token工厂我个人认为有三件事比多接单更紧急。第一把应收账款当成生命线。新客户没有预付或担保宁可不接账期超过60天的单子报价至少加上10%到15%的资金成本不然就是在帮甲方白打工。第二压缩人头、提升杠杆。工具能干的活就不要让人干把普通标注员的数量压到最低把省下来的成本投入到质检和工艺设计上把自己从公司雇了100人变成一个懂数据工艺的团队自动化工具链。第三从按人天报价转向按成果报价。给客户承诺的应该是交付一批达到某个质量指标的数据集而不是投入多少人月。只有按成果报价你的效率提升才能真正变成利润而不是便宜了甲方。结尾这次访谈做下来我最大的体会是Token工厂这个词正在快速成为一个过去时。数据标注的需求不会消失但靠人海战术赚人头差价的商业模式正在被技术、资本和合规三座大山碾碎。那些抓住窗口期完成转型、把自己重新定义为数据工程团队的小厂还有机会在AI供应链里找到自己的位置而那些还停留在接订单、铺工位、比价格逻辑里的工厂无论现在账上还有多少流水都只是在进行一场漫长的倒计时。最后再分享一个访谈里让我印象深刻的细节那位安徽的工厂老板在聊到未来时说他最近开始逼着自己的孩子学PyTorch因为他不知道工厂三年后还在不在但他确定数据和AI这件事本身不会消失。行业会洗牌但个人的学习不会白费——这对所有在Token工厂里挣扎过的人来说或许都是最实在的启示。