OpenAI 最快 2027 年 IPO，法律科技公司正在集体”脱钩”它
OpenAI 将在 2027 年或更早上市；Harvey 与 Thomson Reuters 已经发布自研模型”脱钩”巨头。
>
法律 AI 是第一个掀翻”调用 API”模式的行业，背后的成本账值得每个 B2B SaaS 复盘。
图1｜OpenAI 在显示器上展示，深蓝渐变背景暗示”科技 + 信任”。 ｜ 来源：Pexels
事件：OpenAI CFO 内部信曝光
8 月 20 日，CNBC 援引知情人士消息，OpenAI 首席财务官 Sarah Friar 在内部全员会上明确表态：”OpenAI 将在 2027 年或更早成为一家上市公司。” 这条信息并不是公开新闻稿，而是来自员工转述的内部沟通，但市场反应迅速——多家分析机构把 OpenAI 的最新估值预期上调到 5000 亿美元区间。
图2｜一位职场人士在手机上处理法务工作，象征 AI 法律工具的日常化。 ｜ 来源：Pexels
这不是 OpenAI 第一次”被上市”。过去 18 个月里，关于 IPO 时间表、估值锚点、承销商名单的传闻此起彼伏。但这次的关键词不是”上市”，而是”成本”。
Bloomberg Law 在 8 月 19 日的报道里点出了一个被忽略的事实：Harvey 已经发布自研模型 Tenet，Thomson Reuters 也宣布将很快推出自研模型 Thomson。两家法律科技巨头不约而同地选择”不再只依赖 OpenAI 和 Anthropic”。
为什么是法律科技先动
法律科技不是第一个用大模型的行业，却是第一个算清成本账的行业。
一家中型律所每年的合同审查量在 2 万到 5 万份之间。假设用 GPT-5 级别的模型处理，单次推理成本约 0.06 美元，全年 API 调用费大约 1200 万到 3000 万美元。这个数字在 2023 年还能用”未来 5 年规模化覆盖”，到 2026 年已经是 CFO 必须回答的预算项。
Thomson Reuters 之所以敢自研模型，是因为它手里握着 Westlaw 70 年的判例库——这是任何通用模型都”调”不出来的护城河。Harvey 的逻辑更直接：单一大客户用量越大，自研的边际成本就越低；当调用量过亿次时，自研模型比买 API 便宜 60% 以上。
[💡 INFO] 自研 vs 调用的临界点
>
当单客户年调用量超过 5000 万 tokens，自研小模型的 TCO（总拥有成本）就开始低于 GPT-5 调用。这一拐点对 B2B SaaS 都适用。
其他行业会不会跟着”脱钩”
法律科技只是先头部队。Bloomberg 的报道里，分析师点名了三个正在评估自研的行业：医疗（电子病历）、金融（合规审查）、教育（自动化批改）。它们的共同点是：高单价、长上下文、垂直知识库。
但这条路的门槛也不低。Bloomberg 警告，自研模型的公司必须承担”原本外包给基础模型公司的安全和维护责任”。换句话说，你不再只是买 API 的客户，你成了自己模型的运维方。
图3｜ChatGPT 在屏幕上运行，象征大模型 API 的日常调用。 ｜ 来源：Pexels
Forbes 同期一篇观察文章标题很犀利：”AI 的隐性税收——每 5 个员工里就有 1 个每周损失一整天处理 AI 输出。” 这暗示着另一个更深的问题：基础模型公司把”安全审核、prompt 优化、结果校验”的成本隐形地转嫁给了客户。
对中国市场的两点启示
第一，垂直行业大模型不再是”未来概念”。当 Harvey、Thomson Reuters 这种年收入百亿美元级的公司愿意自掏腰包训练 Tenet、Thomson 时，国内同类玩家——比如做合同审查的幂律智能、做法律检索的华宇软件——反而应该庆幸：你们面对的竞争不再是”OpenAI 来抢市场”，而是”客户自己也下场造模型”。
第二，OpenAI 2027 IPO 意味着”基础模型公司的估值兑现期”和”垂直自研的爆发期”会重叠发生。对投资者来说，这是分水岭；对企业 IT 负责人来说，这是预算重新分配的信号。
[!info] 时间网观点
>
OpenAI 上市不是新闻，”脱钩潮”才是新闻。法律科技公司用真金白银投票，告诉所有 B2B SaaS 一个简单事实——大模型不是云服务，它更像电力。当电费账单超过发电机折旧，工厂就会自己发电。这一逻辑同样适用于医疗影像、金融合规、教育评测。下一个两年我们会看到至少 5 家中国垂直行业公司宣布自研模型。准备好了吗？
FAQ
Q：OpenAI 真的会在 2027 年 IPO 吗？
A：CFO Sarah Friar 的内部表态是”2027 年或更早”。考虑到 OpenAI 最近的融资节奏和估值跃升，2027 年是合理预期，但具体节奏仍受 SEC 审批和市场环境影响。
Q：自研模型真的比调用 API 便宜吗？
A：临界点大约在年调用量 5000 万 tokens。低于这个量，自研不划算；高于这个量，自研 TCO 可下降 40%-60%。Harvey 的 Tenet 正是基于这一逻辑立项。
Q：法律科技公司为什么要”脱钩”巨头？
A：三个原因——成本控制、数据合规（客户数据不出域）、行业 know-how 沉淀（Westlaw 这种专属数据库训练出的小模型在垂直任务上更强）。
Q：普通企业该跟进自研吗？
A：99% 的企业不应该自研 0 到 1 的基础模型，应该自研”行业微调”——基于开源底座（如 Llama、Qwen）做行业适配，这是性价比最高的路径。
