来源：国际金融报

　　越来越多企业高管发现 ，大规模部署AI的实际成本远高于最初预期
，用AI取代员工未必比雇佣员工更便宜。

　　AI的应用前景也面临严峻挑战 。

　　技术层面 ，围绕算力、硬件 、模型运行与基础设施的整体系统性投入不断攀升，使用AI越来越昂贵；商业层面
，大量企业内部出现了关于AI工具“性价比 ”的讨论与质疑
。一些公司开始意识到，他们无法长期维持当前的高额支出。用AI替代员工的成本 ，实际上比此前普遍认为的要高 。

　　增长背后的算力账本

　　生成式AI用户增长迅速
，但背后的运行成本同样在快速上升，而且很多成本并没有被用户直接支付。

　　随着免费使用和低价策略持续 ，这种“花得多
、赚得不一定够
”的矛盾正变得越来越明显
，也让AI商业模式的可持续性开始受到关注
。

　　2022年底OpenAI发布ChatGPT，此后它迅速打破纪录 ，成为历史上增长最快的科技产品。OpenAI、Anthropic和谷歌等AI模型提供商最初采用人为压低的统一低价收费模式
，以推动用户采用 、抢占市场份额 。他们相信，可以通过消耗投资者资金来培育用户依赖 ，然后再向已经形成依赖的用户群体实现商业变现
。

　　然而
，与自21世纪初以来采用这一策略的其他面向消费者的平台（如脸书、优步或Instagram）相比，生成式AI在两个关键方面有所不同。

　　首先 ，每新增一位用户，都会带来巨额且持续的单次查询成本
，而这种成本规模是任何社交网络都未曾有过的 。具体而言，这些聊天机器人需要消耗极其庞大的计算资源 ，而这些资源又依赖于电力
、用于服务器冷却的水资源、建设数据中心所需的土地
，以及数十亿美元规模的硬件投资
。

　　特别是AI系统需要超大规模数据中心，而这些数据中心会消耗惊人的电力和水资源。国际能源署（IEA）今春警告称 ，仅2025年一年
，数据中心的电力需求就激增了17%，到2030年可能翻一番 ，而同期专注于AI设施的电力消耗量可能增长两倍 。变压器 、涡轮机
、电网设备和输电基础设施的供应链正成为关键瓶颈
。真正决定胜负的早就不是哪家模型“更聪明”
，而是在于谁能拿到足够电力。

　　其次，随着模型变得越来越先进 ，其运行成本也会越来越高 。从这个意义上说
，它们更接近于亚马逊云服务（AWS）这样的云计算技术，而非传统互联网平台
。

　　到2023年 ，据研究机构半导体分析（Semi Analysis）估算，ChatGPT的日运营成本已经达到约70万美元。此后
，模型的复杂度和资源消耗程度还在持续上升 。

　　截至2026年初，ChatGPT每周活跃用户已达到8亿至9亿人 ，而付费订阅用户仅为3500万人。在这一规模下
，维持ChatGPT全球服务的年度成本约为170亿美元，相当于每天约4700万美元
。

　　哈佛大学商学院教授安迪·吴认为 ，大多数人并未意识到AI究竟“昂贵到了何种程度 ”。许多人知道其高昂的固定成本
，却不了解模型每生成一张图片时都会产生的可变推理成本（variable inference costs） 。

　　OpenAI预计，仅推理成本一项 ，到2030年累计支出就将超过1500亿美元
。在绝大多数用户仍然免费使用该平台的情况下
，一个关键问题是：资源投入与收入之间的巨大缺口最终将如何弥合，以及这些成本最终将由谁来承担。

　　“性价比”争论

　　不仅是OpenAI等大模型开发商面临高昂成本压力 ，那些此前积极推动AI应用、寄望于以AI提升效率甚至替代部分岗位的企业
，也开始重新审视这笔账 。越来越多企业高管发现，大规模部署AI的实际成本远高于最初预期 ，用AI取代员工未必比雇佣员工更便宜
。

　　导致这一态度转向的原因在于词元（token）的使用。

　　当员工向AI提出请求时，该请求会消耗数字词元
，而这些词元正是大语言模型（LLM）的“计价单位
”，也是企业使用AI的核心成本来源 。

　　尤其在科技公司中 ，员工被鼓励提高自身的词元消耗量
，这一行为被称为“tokenmaxxing”
。这种做法往往源于企业将AI工具与生产力直接挂钩的考核逻辑。

　　在某种程度上，“tokenmaxxing ”甚至成为员工之间的一种身份象征：通过大量使用AI消耗词元 ，来证明自己在绩效指标上“超额投入
” 。

　　但“tokenmaxxing”的成本并不低
。

　　对于纯文本任务而言
，计算相对简单：大约750个单词对应1000个词元，但一旦涉及图像 、视频
、代码生成等任务 ，成本会显著上升
，而且这些费用通常在任务完成之后才集中体现。

　　这些成本正在让雇主措手不及，尤其是在越来越多“代理型AI ”被用于自主执行任务的情况下 ，词元的消耗急剧增加
，导致许多企业频繁超支其AI预算 。

　　优步的运营主管近期就对“tokenmaxxing
”成本表达了担忧，因为到4月 ，公司已经提前耗尽了2026年的全部AI预算。

　　微软已逐步取消内部员工Claude Code的使用权限，并要求他们改用自家的AI编程助手GitHub Copilot CLI
。外界普遍猜测
，这一决定与成本压力有关。

　　英伟达内部有团队在数月内报告称AI成本已超过人力成本 。

　　亚马逊也取消了内部AI排行榜机制
。

　　这种普遍的收缩表明，各公司对AI投资回报率（ROI）感到不满。

　　过去几年 ，大型科技公司向AI基础设施投入了数十亿美元
，希望它成为未来的核心生产力引擎；企业也将AI纳入工作流程，以在竞争中保持优势 。

　　尽管科技股仍然表现强劲 ，但一些公司开始意识到：他们无法长期维持当前这种词元级别的高额支出
。

　　此前
，企业一直希望通过AI让团队更精简、更快速 、更高效。裁员信息追踪网站Layoffs.fyi的数据显示，今年已有164家科技公司裁员约11.7万人 ，2025年约275家公司累计裁员近12.5万人 。

　　但围绕“tokenmaxxing”的反弹迹象表明
，劳动力市场最糟糕的阶段或许已经过去
。

　　自2月底以来，词元价格上涨约60%。这一动向正在测试企业的边界：究竟愿意为AI支付多少成本 。

　　比成本更深层的问题在于：AI并不会自动带来生产率提升或可转化为财务收益的结果
。

　　在这种情况下 ，AI更像是一种“可有可无的效率附加品 ”
，而非不可替代的核心工具，尤其是在其成本如此高昂的情况下。

　　优步的运营主管指出 ，没有证据表明“tokenmaxxing
”能够改善消费者端产品功能 。

　　目前，也没有一种公认的方法可以清晰衡量AI与生产率之间的真实关系。

　　亚马逊曾尝试追踪AI使用情况
，并在公司范围内设置排行榜，但这一机制最终失败 ，因为员工开始“刷分”
，人为夸大使用量，这也意味着其实际生产力可能并未提升
。

　　另一个值得关注的问题是 ，即使未来AI使用成本下降
，企业和用户对AI的使用量可能仍会持续增长，特别是在OpenAI和Anthropic等公司上市之后 ，商业化压力可能进一步加大。

　　目前
，这两家公司整体上仍未实现稳定盈利，但情况正在发生变化 。例如 ，Anthropic预计在截至6月的季度实现约5.59亿美元营业利润
，主要受益于其广受欢迎的AI编程工具
。

　　如果AI公司的盈利能力持续增强，市场对“AI取代人类 ”的热情也可能出现变化。未来 ，企业或许会重新发现人类员工的价值，“由真人服务
”甚至可能超过“由AI驱动”
，成为新的卖点 。

　　从长远来看，AI或许仍会对某些工作岗位构成威胁 ，但就目前而言
，高昂的成本才是真正的阻碍或难题
。机器可以变得智能，但代价依然存在。

　　记者 袁源

　　文字编辑  程慧 王哲希