# AI越来越能干，我们该怎么算这笔账？

> 读财新《Token经济已来》的笔记：AI 从回答一句话走向完成一整件事，企业账单、模型定价、产业链利润和办公入口都在变化。增长和盈利要分开核算，普通人的机会藏在“把事情做成”里。

EN: AI Keeps Getting More Capable — How Should We Do the Math?

> Notes on Caixin's cover story on the token economy: as AI moves from answering a question to finishing a whole job, enterprise bills, model pricing, industry profits and the battle for the office are all shifting. Growth and profit must be counted separately; ordinary people's opportunity lies in getting things done.

作者：yanglaiyang（Vega二向箔）｜日期：2026-09-27｜分类：AI 产业
原文：https://mp.weixin.qq.com/s/X_JbHsJ-kHnMgXgMpfC8-w

最近读了《财新周刊》的一篇封面报道，叫《Token经济已来》。

这篇文章挺值得看。它把几件正在发生的事放到了一起：企业的AI账单越来越大，模型公司一边涨价、一边降价，办公软件加速争抢客户，一些过去不太受关注的技术服务商和岗位，也开始走到台前。

看完后，我觉得有几个观点很有启发。今天结合文章里的企业案例和数据，梳理一下，再说说我的理解。

## 一、AI开始干活，账单也变了

先说一个让我印象很深的案例。

据财新报道，Uber 在 4 个月里耗尽了全年 AI 预算，随后开始限制员工使用 Claude Code、Cursor 等 AI 工具。另一家企业，咨询公司埃森哲，也被曝限制非技术员工在非必要场景下使用 AI，比如把 PDF 转成 PPT。

听起来有些矛盾。企业一边鼓励员工用 AI，一边又开始控制使用。

原因其实不难理解：AI 能做的事情变多了，用起来也更容易超出预期。

这里需要解释一下 Token。它是模型处理信息的计量单位之一。为了方便理解，可以把它想成 AI 的“用量表”。不过，不同模型、输入和输出的收费可能不同，并不是所有 Token 都一个价。

过去，我们让 AI 改一段话、起几个标题。问完，答完，任务结束。

现在，我们会让它查资料、写代码、运行程序、发现错误后继续修改。你只布置了一个任务，背后可能发生很多轮调用。

财新采访的无问芯穹 CTO 李伯勋介绍，早期 AI 聊天应用，单次交互通常只有数百字；推理模型普及后，单次输入输出提升到约 1 万 Token；到报道时，平均输入输出长度已经超过 5 万 Token。

这是受访者提供的观察口径，但足以说明一种变化：**AI 从回答一句话，走向完成一整件事，消耗也随之增加。**

我们过去买软件，常常习惯按账号付费。多打开几次，并不会明显增加账单。AI 参与工作后，使用强度开始直接影响成本。

财新提到，Anthropic 在 2026 年 4 月调整 Claude Enterprise 订阅模式，从每用户每月最高 200 美元的固定费用，转向按实际算力消耗收费。企业需要适应的，正是这种变化。

## 二、为什么有人涨价，有人却大幅降价？

文章里另一组事实，很值得放在一起看。

据报道，智谱在 2026 年内已经四次上调 Token 价格。其一季度 API 定价环比上涨 83%，调用量仍增长超过 4 倍。

另一边，DeepSeek 在 5 月将 V4-Pro 价格调整为原定价的四分之一。小米随后跟进，将 MiMo-V2.5 模型价格下调，部分价格降幅最高达到 99%。

同一个行业，价格怎么会朝两个方向走？可以从两笔账来理解。

**第一笔，是供应商的成本账。**模型运行需要芯片、服务器、电力和散热系统。当需求快速增加，这些资源来不及扩充，成本就会上升。清程极智联合创始人师天麾向财新介绍，新采购算力的综合成本已达到 2025 年的 1.5 倍至 2 倍。成本上去了，供应商自然会考虑涨价。

**第二笔，是客户的使用价值账。**如果一个模型能稳定完成复杂编程任务，帮团队明显缩短开发时间，客户可能愿意多付钱。但如果只是给一批商品介绍换个说法，企业就会更在意价格，愿意尝试更便宜的模型。

这也解释了，为什么有些模型涨价后，调用量仍然增加。客户衡量的是：花这笔钱，能完成什么工作。

至于降价，也有不同原因。财新采访的业内人士提到，算力利用率、技术效率和企业的商业策略，都会影响定价。

这里能得出一个实际的启发：**给任务选模型，要结合任务难度、出错成本和预算。**就像公司安排工作，不同任务需要不同经验的人。同一套最贵的配置，不一定适合所有事情。

## 三、AI热潮里，谁先赚到了钱？

这可能是文章里最容易被忽略，却很重要的一部分。需求增长很快，不代表产业链上每家公司都已经赚到钱。

财新给出了一组数据：2025 年，以英伟达和三大存储原厂为代表的四家公司，营业利润合计超过 1600 亿美元，其中英伟达约为 870 亿美元。与此同时，模型厂商承担着高昂的训练和推理支出，普遍仍处于高投入、低盈利甚至亏损状态。

为什么会这样？用一个简单的例子理解。

一家餐厅突然生意火爆，老板加租门店、采购设备、增加人手。上游卖设备和食材的供应商，可能已经收到了钱。但餐厅自己能留下多少利润，还要看客单价、翻台率和经营成本。

AI 产业也有类似的差别。上游出售紧缺的芯片和设备。模型公司采购这些资源，再向客户提供服务。而每次客户使用模型，又会产生推理成本。

所以，看到调用量、收入快速增长，还需要接着问：赚来的钱，有多少用于支付算力？服务更多客户以后，能留下多少利润？

**增长和盈利，是两件需要分别核算的事。**

## 四、一个新机会：帮企业把AI用得更省、更稳

文章花了不少篇幅介绍模型和应用之间的服务商。这个位置听起来有点抽象。

举个例子：一家公司想用 AI 处理客服、分析表格、生成报告。市场上有很多模型，价格、速度和效果各不相同。谁来帮它选择？谁来保证忙的时候服务不掉线？谁来减少重复处理资料的消耗？这些需求，给了技术服务商机会。

财新介绍的硅基流动，就是其中一家。据报道披露的上市文件，其平台平均每日 Token 吞吐量，从 2024 年 12 月的 478 亿，增长到 2026 年 4 月的 5785 亿，约为此前的 12 倍。2025 年，公司收入为 5533 万元，同比增长超过 650%。但同年净亏损为 3.45 亿元。

把这几个数字放在一起，才看得更完整：市场需求确实在增长，商业模式也仍在接受检验。

这类企业能否长期站住脚，要看它能不能持续解决具体问题。比如，让同样的硬件完成更多任务，让企业用更低的成本获得稳定服务。如果只能简单转售模型调用，客户就很容易换一家。

能帮客户省下多少钱、减少多少故障，会逐渐成为更有说服力的竞争力。

## 五、大厂为什么都在抢办公室？

文章提到，阿里、腾讯、字节、金山、商汤，都在加速布局 AI 办公。

办公场景有什么吸引力？因为这里有大量每天都会发生的工作：写文档、处理表格、回复客户、分析订单、整理会议记录。更关键的是，这些工作背后连接着企业的数据和业务系统。

据金山办公财报，截至 2025 年末，WPS AI 国内月活用户超过 8013 万，同比增长 307%；相关服务日均 Token 调用量超过 2000 亿，同比增长超过 12 倍。

飞书向财新介绍，近半年从其他平台迁移而来的部分知名企业中，有 90% 以上同时购买了飞书 AI 产品。这里是飞书披露的特定客户群体口径，不能理解成所有企业的购买比例。

这些案例说明，办公软件正在成为企业采购、使用 AI 的重要入口。但装上一个 AI 功能，还只是开始。

假设你让 AI 回答：“上个月哪个客户最赚钱？”它需要知道销售额、退款、采购成本，可能还要考虑售后支出。这些数据如果分散在不同部门、名称和口径也对不上，就很难直接得出可靠答案。

财新引用的摩根士丹利调研也指出，数据准备程度和获取难度，是企业普及 AI 面临的首要挑战。

所以，AI 落地会碰到很多看似普通、实际很难的工作：把资料整理好，把系统连起来，把权限说清楚，把结果交给谁验收定下来。这些准备，直接影响模型能发挥多少作用。

## 六、普通人的机会，藏在“把事情做成”里

文章里，我很喜欢一个消费品牌的案例。

一位在企业一线部署 AI 的工程师告诉财新，原来消费者与市场洞察部门大约有十个人，制作一份消费者洞察报告至少需要一天，其他部门还要预约获取。引入 AI 后，报告初稿可以在 5 到 10 分钟内生成，再由员工完善。相关文档的使用人数，也从原来的约十人，扩大到至少两三百人。

这里有两个变化。一个是初稿生成更快了。注意，这不等于完整报告 5 分钟就能交付，后面仍有人工完善。另一个是，更多同事能够使用这些信息。一份原来要排队申请的材料，现在更容易获取，就可能帮助更多业务决策。

做到这一点，需要有人深入现场，弄明白大家究竟需要什么，再把 AI 接进工作流程。这类岗位叫 FDE，中文通常译为“前线部署工程师”（延伸阅读：[企业 AI 转型，为什么离不开 FDE？](/writing/why-fde-forward-deployed-engineer/)）。

据文章引用的领英报告，2023 年至 2025 年，FDE 招聘需求增长 42 倍，岗位需求达到 9000 个。

这个岗位并不意味着懂一点行业知识就能胜任，它还要求技术和交付能力。但它传递了一个清楚的信号：**熟悉业务，再学会用技术解决问题，会形成有价值的能力组合。**

对很多已经工作多年的人来说，行业经验依然有用。值得做的，是尝试把经验变成 AI 能够参与执行的流程。

## 写在最后

这篇报道让我看到，AI 产业正在进入一个需要认真算账的阶段。

企业要算使用成本，模型公司要算服务利润，技术服务商要证明自己的价值，员工也需要找到更有效的工作方式。

Token 调用量可以告诉我们，AI 有多忙。但要判断一家公司有没有从 AI 中受益，还得继续看：它交付了多少能用的成果？节省了多少时间？又花了多少检查、修改和维护的成本？

最后让企业愿意持续付费的，是工作做得更好了。

---

**资料来源**：财新周刊《封面报道｜Token经济已来》，2026 年 7 月。文中企业数据及受访者观点均据该报道转述，分析与类比为本文梳理。完整背景和细节建议阅读原文。