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