Token 降价 400 倍之后，什么变贵了

2021 年 11 月，GPT-3 的 API 对外开放。每百万 token 60 美元。2024 年 7 月，GPT-4o-mini 发布，同类任务的价格降到了每百万 token 0.15 美元。三年不到，降了 400 倍。

如果你是管一只科技基金的人，面前摆着两份报告。Goldman Sachs 说 AI 将为全球 GDP 贡献 7%。MIT 的 Daron Acemoglu——2024 年诺贝尔经济学奖得主——说这个数字更接近 0.93%。差了七倍。同一时期，中国的日均 token 消费量从 2024 年初的 1000 亿涨到了 2026 年 2 月的 180 万亿——十八个月涨了 1800 倍。但美国的总招聘量在同一区间同比下降了 11.3%。

价格暴跌、消费暴涨、经济预测互相打架、就业数据矛盾重重。这不像一个行业正常的增长曲线。这像一次底层坐标系本身在被重写。

过去两年，我把这些碎片拆开来一个一个分析过——token 经济、就业冲击、补偿力量、信息生态、认知依赖。单独看每一块都有清晰的逻辑。但拼在一起之后，浮出来的画面比任何单一维度都更尖锐：AI 不只是在提升效率。它在做一件更根本的事——重新定价”思考”本身。

执行层的思考（写一段代码、翻一篇文章、画一版设计）正在趋近于零。判断层的思考（决定做什么、识别什么值得解决、在矛盾信号中押注）正在变得极其昂贵。中间那一大片——曾经养活了几亿白领的”需要一定专业技能的执行”——正在被挤空。

这篇文章试图把这次重定价的结构画清楚。

每一次基础设施降价，华尔街都猜错了价值去了哪

CPU 算力在过去 60 年里降了大约 10 的 10 次方倍。如果 1960 年有个分析师画一条线性预测，他会说：”好，科学家们要多算一些方程了。” 实际发生的是：几十亿普通人开始用计算机打游戏、看视频、刷社交媒体。全球总计算消费量涨了 10 的 15 次方倍。不是原来的用户用更多，是一整批全新的、预测时完全不存在的应用品类凭空冒出来了。

带宽同理。1995 年拨号上网时代，没有人预测 Netflix。2005 年宽带铺开时代，没有人预测 TikTok。每一次带宽的数量级降价，都没有按”原有用户用更多”的逻辑走，而是催生出了一种降价前无法想象的全新使用方式。

a16z 给 token 降价起了个名字叫 LLMflation：同等性能的 LLM 推理成本每年降 10 倍。这个速度比 Moore’s Law 快，比 Edholm’s Law 也快。从历史规律推演：token 不会只是”让原来的人多写几篇文章”。它会催生出一批今天还无法命名的全新经济活动。

但历史同样告诉我们另一件事：在新经济活动跑出来之前，旧的价值结构会先坍塌一段。电气化让蒸汽机工人失业了十几年，新岗位才慢慢长出来。互联网泡沫破了五年，iPhone 和 App 经济才到场。中间那段空档不是”过渡期”的修辞——对身处其中的人来说，那就是他们的全部职业生命。

这次的速度比以往所有都更快。蒸汽机从改进到普及用了 80 年。电气化用了 50 年。互联网用了 20 年。ChatGPT 从上线到 1 亿用户用了 2 个月。

三组矛盾数据画出的不是混乱，是分层

如果你只看乐观数据，AI 前景一片光明。世界经济论坛 2025 年《未来就业报告》预测到 2030 年净增 7800 万个岗位。PwC 覆盖近 10 亿条招聘广告的分析显示 AI 暴露度最高的行业生产力增长翻了四倍。AI 技能岗位工资溢价一年内从 25% 飙到 56%。

如果你只看悲观数据，末日叙事也站得住脚。Anthropic CEO 警告 AI 可能在几年内消灭 50% 的入门级白领岗位。Upwork 平台上翻译类职位一年减少 19%，写作类减少 33%。顶级科技公司入门级招聘同比下降 30-50%。

两组数据都是真的。它们不矛盾——它们描绘的是同一个画面的不同层。

第一层：执行层在坍塌。 翻译、写作、初级代码、数据录入、标准化法律文书。这些是”给定指令后完成任务”的工作。Token 降价让它们的市场价格崩盘。Sarah Chen 做了十一年翻译，十二个月内被一个 $20/月的工具吃掉了大部分价值。她的技能没有退步，是整个执行层的定价基准变了。

第二层：判断层在飙升。 Maor Shlomo 不会写代码，一个人用 AI 六个月做出 Base44，被 Wix 以约 8000 万美元收购。他做的不是执行——执行全部交给了 AI。他做的是判断：什么问题值得解决，产品该长什么样，先做什么后做什么。PwC 的报告证实了这个方向：在 AI 相关招聘中，”设计能力”已超越纯技术能力成为雇主最需要的技能。这里的设计不是画图，是系统性地理解需求和定义问题边界的能力。

第三层：中间被挤空。 一个公司以前需要 100 个初级分析师喂数据，10 个高级分析师做决策。AI 替代了 100 个初级的活，但不会凭空多出 100 个高级岗位。金字塔上窄下宽是有道理的。华尔街银行计划未来 3-5 年裁撤约 20 万个岗位，裁员集中在初级分析师和后台运营。大型律所放缓一年级律师招聘。四大重组入门级审计岗。

这个分层结构解释了为什么宏观数据（净增 7800 万）和微观体感（到处在裁人）可以同时为真——新岗位在顶层和全新品类里增长，旧岗位在中间和底层萎缩。净效应是正的，但分布极不均匀。

Token 弹性的三层结构决定了价值积累的位置

Token 消费涨了 1800 倍不是一个均匀的数字。拆开来看，三层消费的弹性完全不同，这决定了未来价值会积累在哪里。

人机对话层：弹性中等，天花板低

你用 ChatGPT 问问题、润色邮件、做翻译。这一层受人类注意力的硬约束——你一天只有 24 小时，不会因为 AI 变便宜就一天问一万个问题。Token 降 10 倍，个人使用可能涨 3-5 倍。这一层更像翻译需求——你不会因为翻译便宜就把同一篇文章翻十遍。

如果你把 token 当”写文章的工具”，你在这一层。你的产出天花板被自己的时间锁死了。

Agent 自动化层：弹性极高，约束是价值而非时间

一个 AI Agent 不受人类时间约束。它 24 小时运行，并行启动一百个分支，反复迭代直到达标。Andrew Ng 算过一笔账：AI agent 持续以 100 tokens/sec 运行，按 $4/M tokens 计算，成本是 $1.44/小时——比美国最低工资还低。

当 token 成本低于人力成本，理性选择是”让 agent 多跑”。开发者报告显示 Claude Code 做 agentic coding 的月花费在 $500-2000。Agent 模式消耗约 7 倍于普通对话的 token。NVIDIA 内部 75,000 名员工配了 750 万个 AI agent。Jensen Huang 说未来每家公司的 IT 部门就是 AI agent 的 HR 部门。

这一层的弹性为什么接近无限？因为约束不是时间，而是”任务价值 > token 成本”。现实中有几乎无穷多的问题价值大于几美分。每降一次价，”值得让 agent 跑”的问题就多一批。 这是 Jevons 悖论最纯粹的当代形式。

全球化服务层：弹性最大，从 0 到 1 的跃迁

全球 12 亿人从未享受过个性化教育。不是不想——以前要一个真人家教每小时 $30-100。AI tutor 的边际成本是每小时几美分。当 token 足够便宜，这 12 亿人全部成为新进入的消费者。

世界银行数据：新兴市场 EdTech 企业 86% 已集成 AI，AgTech 70%，Fintech 54%。类似逻辑适用于基础法律咨询、心理健康支持、多语言信息获取、中小企业数据分析。这不是”已有用户用更多”——是几十亿从未在市场里的人突然进场。

三层的投资含义： 低弹性层（人机对话）是消费级产品的战场，竞争趋向同质化，很难建立护城河。高弹性层（Agent + 全球化服务）是价值的主要积累位置——前者靠”自动化一切值得自动化的任务”，后者靠”把以前只有富人用得起的服务变成普惠”。

补偿力量不会自动出现，而且有一个隐性负债在拖后腿

乐观派最喜欢引用的是 Jevons 悖论：效率提升→成本下降→需求膨胀→就业增加。但 Paul Kedrosky 拆解过 ATM 的故事后给出了一个冷静结论：除非你能识别出具体的补偿力量，否则就业存活可能只是巧合，而非机制。

ATM 没有”创造新需求”让柜员变多。是同期一项与 ATM 毫无关系的银行业监管改革（Riegle-Neal 法案）允许跨州开分行，网点总数大增才维持了总就业。织布机的需求暴涨很大程度上依赖殖民帝国的全球市场。电气化的就业膨胀依赖中产阶级的一次性结构红利。

每一个历史类比背后都有不可复制的外部条件。剥掉这些条件，”技术革命总是创造更多就业”这个判断就没那么理所当然了。

更要紧的是，AI 时代有一个前几次技术革命都没有的隐性负债：认知债务。

MIT Media Lab 用 EEG 监测发现，使用 ChatGPT 的学生认知参与度明显更低。随机对照实验显示，AI 辅助学习的学生 45 天后知识保留率显著更差。AI 工具使用频率与自我报告的批判性思维技能呈负相关。

这意味着什么？意味着 AI 在削弱的恰恰是判断层的能力——而判断层是这次重定价中唯一在升值的资产。工具越好用，人越不经历”搜索-挣扎-想通”的过程，判断力越退化。一个分析师用 AI 做了一年投研，可能在执行效率上提升了三倍，但在独立形成反共识判断的能力上下降了。这个下降不会立刻显现——它像信用卡债务一样暗中积累，等你真正需要独立判断的时候（比如做一个高风险决策），才发现还不起。

信息环境的恶化让这个问题雪上加霜。Ahrefs 抽样分析近百万新网页，74.2% 含 AI 生成内容。哥伦比亚新闻学院测试 8 款主流 AI 搜索工具，超过 60% 的查询返回错误答案。生产信息的机器和验证信息的机器是同一台机器——生产端指数级，验证端线性。当你的 AI 助手给你一个流畅自信的错误答案，你没有经历过独立搜索和交叉验证的训练来识别它。

补偿力量的四条路径（门槛粉碎、新职业类别、产能乘数、市场解锁）都是真实的。但它们需要判断力来驱动——需要有人识别哪些被压抑的需求值得释放，需要有人在全球化的长尾里找到蓝海，需要有人把”AI 能力”翻译成”具体人群的具体问题的具体解法”。如果判断力本身在被 AI 辅助的便利性侵蚀，补偿力量的涌现速度就会慢于替代速度。

这是这次重定价里最不直觉但可能最重要的风险因子。

公司层面的先裁后悔循环，和个人层面的技能极化

现实中正在发生的事情验证了分层结构。

公司层面出现了一种荒诞循环。HBR 调查揭示：公司裁员是基于 AI 的预期能力而非实际表现。AI 还没真正证明自己能替代这些岗位，但公司已经在裁了。Klarna 裁了 700 人让 AI 干客服，后来发现裁错了，CEO 承认”成本成了唯一的考量，这是错误的”，重新开始招人。Robert Half 调查显示 29% 的招聘经理已经重新开放了此前因 AI 而裁撤的岗位。

Block 一次裁 40%，华尔街叫好，分析师质疑裁员过激。每一轮先裁后悔循环中，承受代价的都是被裁的那个人，而这些代价在宏观就业数据里几乎隐形。

更深层的问题是人才管线断裂。2026 年裁掉的初级员工，就是 2030 年缺失的中层骨干，2035 年不存在的高管候选。两家 Fortune 100 的 CHRO 已经意识到这个问题。但大多数公司还在用季度财报的视角看这件事。

个人层面的极化更刺眼。AI 技能岗位招聘量同比增长 7.5% 的同期，全部岗位的总招聘量同比下降了 11.3%。在英国，拥有 AI 技能的薪资溢价（23%）甚至超过了拥有硕士学位带来的溢价（13%）。一边是掌握新工具的人溢价飙升，另一边是不掌握的人市场在缩小。

Brookings 的研究给出了一个不安的答案：被技术替代的工人最终不是升级到了更高级岗位，而是滑入了更低薪的服务业。再培训叙事有三个结构性困难：高技能岗位数量不够、中年劳动者无力承受时间成本、再培训经常是”从一个即将被自动化的岗位培训到另一个即将被自动化的岗位”。

你在哪一层，决定了这次重定价对你意味着什么

回到开头的投资决策问题。Goldman 和 Acemoglu 谁对？

两个都对，只是在描述不同层面的现实。在 agent 层和全球化服务层（高弹性），AI 的经济价值是革命性的——新市场正在被打开，新的应用品类正在涌现。在人机对话层和执行层（低弹性），AI 的经济影响是渐进的——提效但不膨胀，替代但不创造。

Goldman 的 7% 假设了高弹性场景全面爆发。Acemoglu 的 0.93% 是基于当前已证实的低弹性场景外推。真实数字取决于高弹性场景的释放速度——而这个速度取决于有多少人能从执行者转变为判断者。

对个体的含义可以用三个层次来定位：

如果你在执行层——做翻译、写标准文案、做数据录入、画常规设计——你面对的是价格崩塌。这不是技能不够的问题，是整个层面的定价逻辑变了。出路不是”做得更好”，是”移到另一层”。

如果你在 Agent 层——能定义问题、编排 AI 工作流、设定目标让 agent 自主执行——你在消费弹性最高的那层。你的价值不受个人时间约束。关键变量是你能识别多少”值得让 agent 跑”的问题。NVIDIA 750 万个 agent 需要人管。Jensen Huang 说的”AI agent 的 HR 部门”不是比喻，是一种新的、高价值的工作形态。

如果你在全球化服务层——理解某个非英语市场的真实需求，用 AI 把以前做不起的服务做成可行的产品——你在弹性最大的市场。12 亿人从未享受过个性化教育。数十亿人从未咨询过律师。你的本地知识和文化理解是 AI 暂时无法替代的护城河。

有一条贯穿三层的行动原则：保护你的判断力。AI 越好用，越要刻意保留”挣扎”的过程——自己先写再让 AI 改，把 AI 当对手而非答案机，定期离线独立完成一个任务。因为判断力是这次重定价里唯一在持续升值的资产，而它恰好是最容易在日常便利中悄悄退化的那种能力。

两年前一个人六个月做出被收购的产品，和一个资深翻译十二个月内丢掉大部分收入——这两件事发生在同一个时间线上。它们不矛盾。它们是同一次重定价的两面。

Token 在降价。但”判断什么值得用 token 去做”这件事，从来没有这么值钱过。

附：本文综合引用的资料来源

Token 消费增长数据（Robonomics Substack）：https://robonomics.substack.com/p/token-tracker-and-implications
LLMflation 趋势（a16z）：https://a16z.com/llmflation-llm-inference-cost/
OpenAI State of Enterprise AI 2025：https://cdn.openai.com/pdf/7ef17d82-96bf-4dd1-9df2-228f7f377a29/the-state-of-enterprise-ai_2025-report.pdf
Acemoglu AI 经济影响估算（MIT/NBER）：https://economics.mit.edu/news/daron-acemoglu-what-do-we-know-about-economics-ai
WEF Future of Jobs Report 2025：https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/
PwC 2025 Global AI Jobs Barometer：https://www.pwc.com/gx/en/news-room/press-releases/2025/ai-linked-to-a-fourfold-increase-in-productivity-growth.html
ATM 寓言的反驳（Paul Kedrosky）：https://paulkedrosky.com/ai-and-the-fable-of-the-atms/
Dario Amodei 入门级白领预测：https://shawnkanungo.com/blog/dario-amodei-was-right-entry-level-white-collar-jobs-are-disappearing-fast
Upwork 500 万职位数据（Bloomberry）：https://bloomberry.com/blog/i-analyzed-5m-freelancing-jobs-to-see-what-jobs-are-being-replaced-by-ai/
AI 再培训局限性（Brookings）：https://www.brookings.edu/articles/ai-labor-displacement-and-the-limits-of-worker-retraining/
公司基于 AI 预期裁员（HBR）：https://hbr.org/2026/01/companies-are-laying-off-workers-because-of-ais-potential-not-its-performance
Block 裁员分析（Forbes）：https://www.forbes.com/sites/ronshevlin/2026/02/27/block-lays-off-40-of-staff-and-blames-it-on-ai-dont-buy-the-excuse/
一人公司 Base44 收购（Forbes）：https://www.forbes.com/sites/sandycarter/2026/04/04/openai-called-the-one-person-ai-startup-and-three-founders–proved-it/
Agentic Coding 成本（Vantage）：https://www.vantage.sh/blog/agentic-coding-costs
Claude Code Token 管理：https://code.claude.com/docs/en/costs
AI 在新兴市场扩散（World Bank）：https://blogs.worldbank.org/en/psd/how-ai-travels–diffusion-among-firms-in-emerging-markets
AI 岗位增长统计（Novoresume）：https://novoresume.com/career-blog/ai-job-creation-statistics
AI 生成内容占比（Ahrefs / Originality.ai）
AI 搜索工具准确性测试（Columbia Journalism Review / Tow Center）