讨论 AI 泡沫的时候，大家喜欢看融资、估值和数据中心。做应用的人，往往先打开另一张表：这个月的模型账单。
一个需求能不能让 Agent 多分析几遍？一次代码变更，要不要自动检查所有关联场景？用户不提问的时候，能不能让它持续跟进项目？这些想法并不遥远。可一旦准备把功能默认打开，问题就变成了：跑一次多少钱，一天跑多少次，用户多十倍以后怎么办？
这让我越来越在意一种落差：行业在讨论 AI 将创造多大的价值，应用开发者却还在计算，哪些能力值得提供，哪些调用必须省掉。
AI 到底有没有泡沫？先看看这门生意，最后由谁付钱。
01｜有用的技术，也可能被买贵
我不认为 AI 是一场空转的热闹。代码分析、资料整理、内容生成，已经有不少能落到具体工作里的用途。但“它有用”和“围绕它的所有投资都合理”，中间隔着很长一段距离。
一家公司的产品可以很好，估值却可能提前算进了十年后的利润。一批服务器今天供不应求，也不代表新建的所有算力都能在未来收回成本。
微软最新公布的季度数据就呈现出这种张力：资本支出达到 452 亿美元，Azure 收入同比增长 48%。需求在增长，投入也很大。这里两项都不是纯 AI 口径，更不能把一个季度的投入与收入直接相减，就宣布投资失败。[1]
所以，我倾向于认为：AI 的真实价值，与局部过热可以同时存在。至于泡沫有多大，不能只看故事讲得多动听，要看那些增长预期，最终能兑现多少。
02｜上游的繁荣，下游买单
把复杂的产业链拉直，钱的来路其实不难理解。用户为应用付费，应用购买模型服务，模型和云服务商采购算力，基础设施厂商继续扩产。
如果一家应用公司的模型账单，长期靠融资支付，而不是靠客户收入覆盖，上游也可以先得到很漂亮的增长。但这时，订单增长与最终需求是否可持续，是两个问题。
这不是断言整个行业都在这样运转，而是观察泡沫时值得追问的地方：客户是在为已经获得的收益续费，还是大家都在提前为未来下注？
更微妙的是，算力扩张还可能把压力传到产业之外。TrendForce 在 2026 年 9 月的研究中指出，产能向高利润的服务器应用倾斜，正在挤压移动内存的供给空间。手机和电脑承受的部分成本压力，也与这场资源竞争有关。[2]
不过，这不能简化成“AI 厂商把所有东西都抬贵了”。存储芯片、云服务与终端产品之间，还有产能周期、库存和定价策略。有证据的是成本传导，不能直接推导出谁在恶意涨价。
03｜Token 降价了，为什么还是不敢放开用？
说模型一直越来越贵，并不准确。斯坦福《2025 AI Index》记录过：达到 GPT-3.5 相当 MMLU 表现的模型，每百万 Token 的推理价格，从 2022 年 11 月的 20 美元降到 2024 年 10 月的 0.07 美元，降幅超过 280 倍。这里比较的是固定能力水平，不是所有前沿模型的价格。[3]
可产品需要的东西也变了。以前问一句、答一句，现在要读取资料、调用工具、反复验证，必要时还要让几个 Agent 分头处理。单次调用便宜了，一件事却可能调用更多次。
Anthropic 在研究系统的工程分享里披露，在他们的数据中，Agent 的 Token 消耗约为普通聊天的 4 倍，多 Agent 系统约为 15 倍。这是特定系统的经验，不是行业通用倍率，却很好地解释了为什么能力升级之后，账单未必下降。[4]
这两笔钱，对同一个产品意味着完全不同的选择。前者可能只能服务少数高价值任务，后者才更容易成为每个用户都能开启的日常功能。
因此，选择性价比高的模型本身很合理。真正让人难受的是：明明知道怎样把体验做好，却不得不缩短上下文、减少检查次数，或者把原本可以主动执行的任务，改成等用户点击。
04｜扣子让这笔账变得很具体
扣子这样的 Agent 平台，把很多开发门槛降下来了。但流程搭好之后，服务并不会免费运行。官方说明中，任务消耗与模型、虚拟机、第三方 API 等资源有关；日程的创建和每次执行，也分别计费。[5]
对开发者来说，“我做出了一个 Agent”和“我可以长期向别人提供它”，是两次不同的考验。前一次看功能，后一次看用量、成本、定价和客户是否愿意续费。
但收费不代表平台撑不下去，套餐调整也不能直接证明行业有泡沫。比如扣子 11 月 5 日的积分单位调整，是 25 旧积分折算为 1 新积分，余额和消耗同步换算，不能把数字变小直接当成涨价。[6]
扣子适合用来说明一个朴素的事实：开发越来越容易，持续交付仍然需要有人买单。当我们评价一个 AI 产品时，演示成功之外，还应该看它能否在真实用量下长期运转。
05｜泡沫退了，使用成本就会降吗？
直觉上，资本退潮，算力不再抢手，价格就该下来。这条路径可能发生：闲置资源增加，供应商降价，人才和设备流向更务实的团队。
但另一条路径也存在。融资减少后，厂商可能收回补贴、缩减免费额度；小公司退出后，客户的选择反而减少。用户先感受到的，可能是账单变贵，而不是智能变便宜。
所以，我不想把希望押在“泡沫必须先破”。技术效率、硬件进步、竞争与工程优化，都可能让使用成本下降，不需要等一次行业崩塌。
甚至有可能出现一个看似矛盾的结果：部分 AI 公司的估值大幅缩水，普通人的 AI 使用量却继续增长。能力变得更普遍了，但原先设想的高利润没有兑现。
AI 改变世界，与每一家 AI 公司都值得今天的价格，没有必然联系。这才是讨论泡沫时，需要保留的清醒。
06｜我更期待的，是不必反复算账的那一天
“Token 像流量一样便宜”是一个很好的愿望。但 Token 并不完全像流量：同样的数量，不同模型交付的结果可能相差很大。便宜模型如果不断返工，再由人逐条修正，最终未必省钱。
我更关心的是，可靠地完成一件事，能不能变得足够便宜，费用能不能预估。一次检查贵，但能发现严重问题，完全值得；一次检查便宜，却产生大量误报，也可能是在制造负担。
以测试工作为例，成本和可靠性跨过门槛后，变化会很具体：需求一修改，相关场景就重新检查；代码一提交，关联风险就自动分析；人进入工作台时，证据已经整理好了。
人的角色也会随之调整。原来要自己搜集材料、发起任务、逐步催进度，后来更多是在设定目标、处理分歧、判断例外，并对最终结果负责。这才是我理解的协作关系变化。当然，权限、数据接入和责任边界也必须跟上，降价不会自动解决它们。
我相信 AI 会继续进入日常工作，也认为围绕它的一部分预期需要重新定价。应用开发者不必盼着谁倒下，但有理由追问：这些惊人的投入，什么时候能变成普通人用得起、产品提供者养得起的服务？
什么时候，我们终于可以说： 这个功能有用，就让它一直运行吧。
