搜索
一家企业，一年到底该给员工用多少AI Token？
黄仁勋给出的答案，可能会把很多CFO吓一跳：25万美元。
按照这个标准，英伟达给工程师团队批下的年度Token预算，高达20亿美元。
但另一边，Uber却走到了完全相反的方向。
今年4月，它提前花光了2026年全年的AI编码预算。随后，公司直接给工程师设了一道硬上限：每人每月1500美元。
《福布斯》甚至专门算过一笔账，最后给文章起了个很扎心的标题：
“人工智能的成本，已经高过被它取代的人才。”
这就有意思了。
同样是最顶级的科技公司，同样是在买AI，一边敢按人均25万美元配预算，一边却开始精打细算到每月1500美元，差距怎么会大到这个地步？
最近，海外投资机构Leonis Capital专门写了一篇文章讨论这件事。他们给出的答案很有意思：
企业买AI，实际上正在跑两套完全不同的经济学。
一种把AI当成本，目标是用更少的钱完成同样的事。另一种把AI当增长资本，只要它能创造更多产品、更多客户、更多收入，Token花得越多，反而越划算。
理解这两套经济学，可能比讨论哪家模型更强，更接近AI商业化真正的核心。
当智能成为商业模式瓶颈
在Leonis Capital看来，这里问题的背后藏着两个悖论：
第一，为什么有些公司拼命砍AI成本，另一些却毫不吝惜地买最贵的前沿模型？
第二，如果开源正在逼近前沿水平，封闭模型凭什么还能收那么高的溢价？
这两个问题底下，其实是同一个问题——智能，是不是商业模式的瓶颈？
两个答案，对应两门完全不同的经济学。
扩张型市场：产出随智能提升而增长。更高的智能水平就直接等于更多的收益。买家会掏钱买能买到的最好的模型，不问价格。
这有点像赛车。花十亿美元买前沿AI，就像在赛道上买最快的赛车，而圈速是唯一目标。性能就是一切，性能越强，你越愿意付钱。
效率型市场：产出被非智能的约束条件卡死。一旦智能超过了其他约束设定的那条线，再多的智能也变不出额外的产出。这时候，买家只会支付被替代劳动力的价格。
AI在这里的作用是边际的：替代劳动力、处理工单、提取字段、汇总文档、处理理赔。一旦模型足够胜任，额外的智能就毫无意义。
最终带来的结果是，扩张市场最终会走向结果定价，药物发现的收入分成、交易收益的利润分成——不再像基础设施，而更像咨询或服务。
而效率市场则趋向基础设施逻辑，按token或API调用计费，上限透明，收入模式像水电煤。
所以，在同时服务两类买家的应用层里，同样的收入，估值倍数应该天差地别。
Token狂欢背后的4个趋势
到这里，很多人会想走一条捷径：把任务分分类不就行了？
比如"客户支持=提效，写代码=扩张"。但这条路很难走通。
因为同一个任务可能属于不同的市场，取决于买家想用它来干什么。
软件工程是最典型的例子。Uber工程师约70%已提交代码都由AI生成，但它依然在拼命限制支出——因为网约车平台的乘客需求不受AI限制，更复杂的代码变不成更多订单。
但对一家早期创业公司来说，十倍的代码量真的可以变成十倍的产品、十倍的客户。
于是讽刺的一幕出现了：高速增长的创业公司，比预算是它一千倍的大企业，更舍得为前沿编码掏钱。
同一家公司甚至能同时跑两套逻辑。
Coinbase今年6月公开了自己的策略：token用量还在涨，AI总支出却砍掉近一半——默认走更便宜的开源模型，把任务路由到"满足条件的最便宜模型"。
但在预测市场这条新业务线上，策略完全相反：押注前沿模型能把市场本身做大。
同一家公司，相反的目标，截然相反的支出逻辑。
在这个框架下，一个结论几乎无法回避：几乎所有财富500强，都是效率型买家。
它们的生意不受AI制约，而是受需求、分销、监管、有形资产、网络效应、员工人数，以及所有那些让大公司真正运转起来的东西制约。
所以"代币最大化"的热潮过后，绝大多数公司会回归效率导向。目前98%从业者都在管理AI支出，高于2025年的63%；73%的企业在过去一年里超出了自己的AI成本预期。
这意味着，效率型买家曾经为效率提升付了过高的价钱，现在开始回调。由此可以推出几个判断：
第一，下一阶段代币的关键词核心是"分配"。
企业会把AI当成一个投资组合：模型访问权限不再是全公司的普遍权利，而是一种升级策略。考核指标也会从席位数、基准评分，转向每个任务成本和每一美元价值。
第二，开源模型的机会来了，而且比想象中大。
一旦越过任务阈值，GPT-5.6、
第三，闭源前沿实验室，必须逃离效率市场。
闭源实验室必须逃离效率市场。它们相当大一部分收入，来自编码这类"对买家而言其实是效率任务"的工作，而这块正被开源一
Anthropic的路线图就是这种压力的直接体现：2025年7月推出Claude for Financial Services，2026年6月推出Claude Science。
从写代码，到做金融，到做药。这条路线图，就是在逃离效率市场。
第四，效率市场正在按基础设施的逻辑定价。
于是定价最终会走向按token或API调用计费，配上上限和可观测的账单。
竞争也随之往下沉——推理成本、部署、定制、工作流集成，以及那些让企业能真正管住AI开销的、琐碎的监控工具。这就是为什么OpenRouter能做到5000万美元的年化收入，并引来数十亿美元的收购意向。
它押注的本质上是，效率市场会是最大的细分市场，而目前严重供给不足。
竞争形态，决定了大模型收入的持续性
因为在扩张市场里，智能的价值没有上限。
桥水旗下的AIA宏观基金是只由AI运营的基金：AI代理交易，人类监督。2023年底以约20亿美元起步，到2026年中规模涨到约45亿美元，年化11.3%，与旗舰的人工基金Pure Alpha持平。
当alpha可以直接归因于智能水平时，模型质量是唯一变量，token价格不在考虑范围内。但扩张型买家从来不是孤立购买——他们彼此竞争。
而竞争的形态，决定了实验室收入的持续性。
一种是零和博弈。更强的智能，只是在重新分配一个有限的盘子。
对冲基金的alpha最典型：一家赚，就意味着另一家亏。所以当一家用上前沿模型，对手只有两个选择——跟进，或者出局。
而当所有基金都用上同一个模型，优势归零。总产出没变，整个行业的成本却永久抬高了。
咨询行业更隐蔽，但本质一样：麦肯锡用了，BCG就得跟上，而咨询公司的总预算并不会多出一分钱。
这笔支出，实际上是竞争对手之间相互征收的一种税。而模型提供商，负责收这笔税。
类似的故事曾经在高频交易上发生过。
2010年，Spread Networks花了约3亿美元，横穿阿勒格尼山脉铺了一条827英里的光缆，把芝加哥到新泽西的往返时间从17毫秒压到13毫秒。
所有基金都必须跟进，否则就落后，所以基站运营商和交易所成了最大赢家。
后来微波取代光纤，Spread Networks以1.31亿美元被Zayo收购，不到建设成本的一半。
这种零和型支出有两个特征：
极其焦灼，只要竞争还在，谁都不敢先停手。所以过去二十年，尽管每个广告主都怨声载道，广告技术支出一直在涨。
极其脆弱，一旦结构性条件改变就瞬间瓦解。当年交易所设了障碍，HFT军备竞赛就戛然而止。整合、监管、或一次心照不宣的休战，对任何零和型AI竞赛都有同样效果。
第二类叫正和。更强的智能，会把整个蛋糕做大。
药物研发最明显。每家公司成功率翻倍，就会有更多药问世。竞争对手共同创造出更多治愈方案和更多总收入。
GLP-1类药物2025年销售额约1320亿美元，同比增长超30%——在这个盘子面前，研发下一个分子的那点算力成本根本不值一提。
芯片设计、材料科学同理。更优秀的代码库，不会让对手的代码库变差。这看起来更像投资，而不是税。
正和型支出没有外部力量能轻易掐断，但它最终一定会撞上非智能的瓶颈——药物研发支出会一路攀升，直到撞上临床试验能力或监管审批的天花板，然后无论模型多强，支出都会停在那里。
对前沿实验室来说，这里有个战略级结论：
组合，比总量更重要。
两个利润同样丰厚的实验室，一个主要靠零和客户，一个主要靠正和客户，生意本质上完全不同——前者像收税，稳定但脆弱；后者像投资，持久但会撞墙。
目前没有任何人量化过这个组合。这是AI行业最该被看见、却还没人做的指标，我们怀疑实验室自己也没算过。
总结
把两个悖论重新拼在一起，围绕AI支出的整场讨论，会呈现出一副完全不同的样子。
市场一直在问：AI到底值不值企业付的这个价？
这个问题本身就是错的。因为它把两个根本不该放在一起平均的市场，硬生生平均了。
正确的问题只有一个：每一美元的AI投入，要产出的那个东西，智能是不是它的瓶颈？
如果是——几乎任何价格下，前沿AI都是便宜的。
如果不是——最便宜且达标的模型才是唯一理性选择，付高价的买家只是在多付钱。
但这个结论让几乎所有人不舒服。
前沿实验室不舒服：相当一部分收入岌岌可危，取决于能不能比开源更快跑进新的扩张市场。
开源实验室也不舒服：瞄准的恰恰是规模最大、利润最薄的那块，效益取决于能否以商品级利润率吃下效率市场。
企业不舒服：大多数企业其实都是效率型买家，任何无法与真实瓶颈挂钩的AI项目，不过是一场披着战略外衣的表演。
AI叙事本身也不舒服："AI将改变每家公司的所有职能"这个激动人心的故事，注定只在少数情况下成立。
所以，对那一小部分真正被智能卡住脖子的市场而言，真正有趣的问题几乎与成本无关：
当"可用的智能水平"最终不再是人类产出的限制时，会发生什么？
AI市场的大部分目标仍然是降低成本，这无可厚非。但真正值得盯住的，是更高智能的价值究竟在哪里持续攀升。
那里才是前沿。那里，才是AI存在的意义。
