推理成本三年跌了一千倍,企业AI账单却涨到了新高。
这不是悖论,是症状。
2026年年中,围绕AI泡沫的辩论分成两派:一派引用MIT斯隆管理评论的判断,AI泡沫将破灭,经济将受损;另一派拿出交叉点理论crossover thesis,论证7000亿美元的基建投入是理性的,因为收入曲线正在追上资本支出曲线。
我相信,这两派都盯着错的数字。泡沫的真正引线,不是AI有没有用,而是一个更隐蔽的错配:AI的生产力兑现是极端局部的,但资本支出是按所有场景都会兑现的假设投入的。把这个错配从潜藏推向显性的,是token悖论:单位成本暴跌,总成本却因agent规模化而暴涨。
这个错配不修,2026下半年到2027年将是一场我称之为生产力验证期的拐点。
一、Token悖论:成本下降,账单上升
先说清楚那个反直觉的现象。
根据Epoch AI的数据,按能力里程碑衡量,推理价格每年下跌9倍到900倍。匹配GPT-3.5级别性能的成本,从2022年底的每百万token 20美元,降到2024年底的约0.07美元,单点跌了280倍,三年累计接近1000倍。
按常识,成本暴跌应该让AI民主化、让企业省钱。但2026年的现实却相反:据行业分析报告,inference(推理)已占企业AI预算的约85%,账单不降反升。
原因只有一个:智能体。一个聊天机器人回一句话,烧几百个token;一个agent完成一个多步任务,要推理、调工具、失败重试,单任务token消耗高出一两个数量级。OpenAI在2025年营收约37亿美元,却估计亏损50亿美元,每赚1美元要花1.35美元。
token悖论的本质是:单位便宜了,但消耗量爆炸了。这本身不是问题。问题是,消耗量爆炸的那一面,agent是否真的在创造价值,而答案是分裂的。
二、局部兑现:AI确实有用,但只在一小片地方
这是最容易被误读的一点。泡沫论者喜欢说AI没有生产力,但数据不支持这个判断。AI有用,只是用得极度不均匀。
据Bain的Agentic AI Benchmark 2026,企业AI的Year-1 ROI命中率按场景分布如下:
- 客服:63%
- 营销运营:51%
- 销售开发:47%
- IT支持:44%
- 软件工程:40%
- 财务:36%
- 人力资源:33%
- 法律:21%
- 临床:14%
注意:Coding确实是AI应用最广泛的领域之一,但在第一年财务ROI兑现这个严苛指标下,它不如客服那样能直接转化为利润表的节省。
中位回报期同样悬殊:客服4.1个月,营销6.7个月,工程9.3个月。这不是AI行不行的问题,是在哪儿行的问题。
而且这些数字还有水分。同一份报告指出,各场景的自报数据存在12%到51%的通胀,销售开发自报偏高44%,法律偏高51%。把水分挤掉,真正稳健兑现的,基本只剩客服这一类高频、标准化、容错率高的场景。
硬案例佐证了这张地图:
- Klarna用AI客服砍掉700个岗位,年省4000万美元利润,AI解决时长2分钟,人工11分钟,首问准确率反而高24%。
- JPMorgan的COIN平台年审3万笔商业贷款,省下36万小时法律review。
- Coinbase的2400名开发者用Cursor,idea到上线从20天压到1.8天,75%的PR由agent创建。
这些案例的共同特征是:高频、标准化、流程闭环、有明确的前后指标。它们是AI的甜蜜区。但请注意,它们都是局部。
三、全局错配:7000亿按全量假设投入
错配发生在兑现的局部和投入的全局之间。
据Lead-Lag Report引用的capex数据,四大超大规模云服务商 hyperscaler(微软、亚马逊、Google和Meta) 2025年资本支出4160亿美元,2026年指引约7250亿美元,一年再增77%。这笔钱不是按客服场景会兑现投入的,它是按所有场景都会兑现的假设投入的。
财务后果已经开始显现。Amazon的滚动自由现金流从382亿美元崩塌到12亿美元,跌了95%。这不是slowdown,这是一家公司在基建周期早期无法靠经营自我融资的体征。
于是资本支出开始大于经营现金流,债务融资接管。据MUFG Americas的研究,hyperscaler的capex现已消耗该群体约90%的经营性现金流,而历史均值是40%。据Lead-Lag报告,2025年AI相关企业债发行约1210亿美元,比2020-2024年均值暴增332%;AI债已占JP Morgan美国投资级债券指数的14%,超过了美国银行业的权重。
更危险的是久期错配。国际清算银行(BIS)警告,长期债,极端如Alphabet的世纪债,正在被用来资助寿命只有4到6年的GPU资产。如果token收入在18个月内压缩5到10倍,资产端无法产生匹配负债的现金流。
而收入端远远跟不上。据Lead-Lag报告,Microsoft的年化AI收入约370亿美元,对应滚动capex约970亿美元,覆盖率仅38%,且这部分收入并非全部转为自由现金流。整个hyperscaler群体的收入/capex比约0.3到0.4倍。
把这个比率和局部兑现地图放在一起,错配就清楚了:0.3倍的覆盖率,是按63%的客服命中率会复制到法律、临床医学在定价的。但它不会。
四、可能不是dot-com 2.0,而是债驱动的慢性失血
这里必须诚实呈现对立面。
乐观派有硬论据。crossover thesis指出,capex曲线受大数定律约束将减速,而收入曲线仍处指数阶段,两条曲线正在交叉;推理成本下降反而扩大了可计费的workflow面。还有论者指出,dot-com是超前于需求的超建,而AI是落后于需求,且hyperscaler自述供不应求。
我承认这些论据成立的部分:需求是真实的,技术是真实的,Klarna和Coinbase的回报是真实的。但它们的盲区,恰恰是局部兑现。
crossover thesis假设收入会指数级追上capex。但它没有回答:如果兑现只停留在客服和编码,谁来填补剩下60%场景的收入空缺?under-demand理论假设hyperscaler供不应求。但供不应求和agent创造的价值覆盖GPU成本是两件事,前者是硬件稀缺,后者是ROI兑现,混淆二者正是错配的来源。
更要紧的是,这个泡沫的破裂形态可能不会是2000年那种。估值学者Aswath Damodaran在2026年6月公开警告:dot-com靠股权融资,破裂只伤股东;AI靠债务融资,破裂会引发违约和信用传导,可能比dot-com更痛苦。
这不是一次股价闪崩,而是一场债驱动的慢性失血。失血的触发点,正是token悖论和消费主义:agent规模化让账单暴涨,而局部兑现让ROI无法回答CFO的追问。
五、生产力验证期:从部署一切到证明值钱
我把这个拐点命名为生产力验证期。2026下半年到2027年,市场从deploy everything, measure later转向deploy what pays, sunset what doesn't。
证据是,这个转向已经开始:
- 据State of FinOps 2026报告,管理AI支出的FinOps实践比例,24个月内从31%升到98%。
- 据KPMG数据,2024年启动的AI项目中,67%到2026年中已被缩减或叫停,首要原因是单位产出成本。
- OpenAI关停Sora(据称日烧50万美元的视频模型)是同期最清晰的信号:没有可持续成本结构的原始能力,不是生意。
验证期的逻辑是:当token悖论把账单推高,而局部兑现让ROI无法普遍证明,CFO开始砍预算。而Gartner预测,40%的agentic AI项目将在2027年前被砍。这意味着,资本支出侧的全量兑现假设,会在验证期内被证伪。
错配不会无限持续。要么兑现从局部扩展到全局,要么capex从全局收缩到局部能支撑的规模。前者需要AI在法律、临床、销售等低命中率场景出现突破,目前看不到;后者意味着hyperscaler的capex指引需要下调,而这会直接冲击债务再融资的数学。
三条生存准则
如果你正在构建AI产品或公司,验证期里能做什么:
只在甜蜜区起手。 把AI项目部署在客服、营销、编码这类Year-1 ROI命中率≥40%的场景,不要在法律、临床这类≤21%的场景下重注。验证期里,board approval几乎只看Year-1 ROI。先在甜蜜区证明,再向长尾场景扩展。
把token经济学写进产品架构。 推理成本在跌,但agent的token消耗在涨。用model routing(便宜模型跑多数步骤,贵模型只跑硬推理)、prompt caching、把agent设计成少调用、深调用而非多调用、浅调用。谁的单位产出token成本更低,谁在验证期活下来。
拥有自己的loop。 模型在商品化,护城河从存储的数据转向积累的上下文。你的agent跑过的workflow、你建的evals、你沉淀的机构记忆。当模型版本淘汰速度超过你的agent生命周期(这已经发生),只有自己的loop能跟着你换模型。
预测
我相信,2026下半年到2027年是生产力验证期。若局部兑现无法扩展为全局兑现,hyperscaler的capex指引将被下调,债驱动的慢性失血将触发一轮估值重估。不是2000年式的闪崩,而是信用利差波动和资本退潮的慢动作。
这个判断有一个前提:兑现不扩展。如果AI在法律、临床等低命中率场景出现突破,错配会被填平,crossover thesis成立。我承认这个可能性,但目前在数据里看不到。
泡沫不是AI没用。泡沫是,我们把一个局部有用的技术,按全局有用的假设融了资、发了债、上了杠杆。现在是时候把 token 悖论递到CFO的办公桌上了。
数据源自:Lead-Lag、MUFG、Epoch AI及Bain等机构报告,部分经第三方转引
红包分享
钱包管理

